This book is for people who need to solve ordinary differential equations (ODEs), both initial value problems (IVPs) and boundary value problems (BVPs) as well as delay differential equations (DDEs). These topics are usually taught in separate courses of length one semester each, but Solving ODEs with MATLAB provides a sound treatment of all three in about 250 pages. The chapters on each of these topics begin with a discussion of “the facts of life” for the problem, mainly by means of examples. Numerical methods for the problem are then developed
– but only the methods most widely used. Although the treatment of each method is brief and technical issues are minimized, the issues important in practice and for understanding the codes are discussed. Often solving a real problem is much more than just learning how to call a code. The last part of each chapter is a tutorial that shows how to solve problems by means of small but realistic examples

کتاب حل کردن مشکلات با استفاده از نرم افزار متلب (Solving ODEs with MATLAB)، مشتمل بر 4 فصل، 265 صفحه، با فرمت pdf، همراه با تصاویر، به زبان انگلیسی، به ترتیب زیر گردآوری شده است:

Chapter 1: Getting Started

• Introduction
• Existence, Uniqueness, and Well Posedness
• Standard Form
• Control of the Error
• Qualitative Properties

Chapter 2: Initial Value Problems

• Introduction
• Numerical Methods for IVPs
• One-Step Methods
• Methods with Memory
• Solving IVPs in Matlab
• Event Location
• ODEs Involving a Mass Matrix
• Large Systems and the Method of Lines
• Singularities

Chapter 3: Boundary Value Problems

• Introduction
• Boundary Value Problems
• Boundary Conditions
• Boundary Conditions at Singular Points
• Boundary Conditions at Infinity
• Numerical Methods for BVPs
• Solving BVPs in Matlab

Chapter 4: Delay Differential Equations

• Introduction
• Delay Differential Equations
• Numerical Methods for DDEs
• Solving DDEs in Matlab
• Other Kinds of DDEs and Software
• Bibliography
• Index

جهت دانلود کتاب حل کردن مشکلات با استفاده از نرم افزار متلب (Solving ODEs with MATLAB) برلینک زیر کلیک نمایید.

حل کردن مشکلات با استفاده از نرم افزار متلب

شبکه‌ های عصبی مصنوعی (Artificial Neural Network – ANN) یا به زبان ساده ‌تر شبکه‌ های عصبی سیستم‌ ها و روش ‌های محاسباتی جدیدی برای یادگیری ماشینی، نمایش دانش و در انتها اعمال دانش به دست آمده در جهت بیش‌ بینی پاسخ ‌های خروجی از سامانه ‌های پیچیده می باشد. این شبکه ها از تعداد دلخواهی سلول یا گره یا واحد یا نرون تشکیل می شود که مجموعه ورودی را به خروجی ربط می دهند. همچنین این شبکه‌ ها قادر به یادگیری‎ هستند...

جزوه آموزش شبکه عصبی مصنوعی، مشتمل بر 131 صفحه، در 7 فصل، با فرمت PDF، به زبان فارسی، همراه با تصاویر و روابط مهم ریاضی به ترتیب زیر گردآوری شده است:

فصل 1: هوش محاسباتی

• تاریخچه
• هوش مصنوعی
• چالش های بنیادین هوش مصنوعی
• هوش محاسباتی
• شبکه های عصبی (Neural Networks)
• مدل ریاضی شبکه های عصبی
• منطق فازی (Fuzzy logic)
• الگوریتم های ژنتیک (GA)
• کاربردهای شبکه های عصبی در پزشکی
• سیستم های تشخیص
• آنالیزهای شیمی پزشکی
• آنالیز تصویر
• پیشرفتهای دارویی و مدلسازی سیستم قلبی عروقی
• بویایی الکترونیکی
• شناخت الگو
• پزشک نمونه
• کاربردهای سیستم های فازی در پزشکی
• سیستم های فازی در بیو انفورماتیک
• سیستم های فازی ژنتیک

فصل 2: شبکه های عصبی

• مقدمه
• معنای شبکه های عصبی
• انگیزه های بیولوژیکی
• تشابهات و انتظارات
• تاریخچه و کاربرد
• مدل ریاضی نرون
• مدل تک ورودی
• برخی توابع تحریک مرسوم نرون مصنوعی
• مدل چند ورودی
• ساختار شبکه های عصبی
• شبکه های یک و چند لایه
• مثال: یک شبکه پیشخور 3 لایه
• چند سئوال
• شبکه های پسخور یا برگشتی
• مسائل حل شده

فصل 3: مسئله تشریحی شناسایی الگو

• شناسایی الگو
• روش های کلاسیک و شبکه های عصبی
• معرفی سه شبکه های نمونه: پرسپترون، همینگ و هاپفیلد
• پرسپترون تک لایه با تابع تحریک آستانه ای دو مقداره متقارن
• مثال تشریحی با پرسپترون
• شبکه همینگ
• شبکه همینگ، لایه اول
• شبکه همینگ، لایه دوم
• شبکه همینگ، لایه سوم
• شبکه هاپفیلد
• مهمترین ویژگی ها
• مهمترین نکات

فصل 4: پرسپترون تک لایه

• فرایند یادگیری
• یادگیری با ناظر
• یادگیری بدون ناظر
• خلاصه فرایند یادگیری
• سیستم های دینامیکی آموزش پذیر
• معادله یادگیری در حالت کلی
• یادگیری با ناظر در شبکه عصبی
• یادگیری تشدیدی (تقویتی) در شبکه عصبی
• یادگیری بدون ناظر در شبکه عصبی
• قانون یادگیری پرسپترون تک لایه (SLPR)

فصل 5: شبکه های آدالاین و یادگیری LMS

• مقدمه
• مبانی بهینه سازی و نقاط بهینه
• بسط تیلور و تقریب توابع
• مشتقات برداری جهت دار
• شرایط لازم برای نقاط بهینه
• توابع درجه دوم
• توابع درجه دوم و ساختار ویژه
• روند مینیمم سازی، الگوریتم کلی
• روش بیشترین نزول (SD)
• نکات مربوط به الگوریتم SD
• مثالی از الگوریتم SD
• نکات

فصل 6: یادگیری LMS یا ویدرو هوف

• شبکه آدالاین
• معادلات ویدرو هوف در حالت تک نرون
• الگوریتم LMS
• فرم دسته ای یادگیری LMS در حالت تک نرون
• فرم دسته ای یادگیری LMS در حالت کلی
• بهبود هایی بر LMS
• کاربرد شبکه آدالاین در فیلترهای تطبیقی

فصل 7: شبکه های عصبی چند لایه پیشخور و یادگیری پس انتشار خطا

• مقدمه
• تاریخچه
• شبکه پرسپترون چند لایه
• حل چند مسئله شناسایی الگو
• شناسایی الگو
• الگوریتم BP
• خلاصه الگوریتم BP

* توجه:
لازم به ذکر است که علاوه بر جزوه آموزشی بالا، جزوه حل تمرینات درس شبکه عصبی مصنوعی (دکتر منهاج، 68 صفحه، به زبان فارسی، با فرمت pdf) نیز جهت دانلود قرار داده شده است.

جهت دانلود جزوه آموزش شبکه عصبی مصنوعی به همراه تشریح کامل مسائل، برلینک زیر کلیک نمایید.

آموزش شبکه عصبی مصنوعی به همراه تشریح کامل مسائل

جزوه آموزشی مجموعه مثال های کاربردی حل شده در زمینه شبکه عصبی مصنوعی با استفاده از نرم افزار MATLAB، مشتمل بر 13 مثال کاربردی که به صورت گام به گام و به زبان روان به حل کامل مثال ها پرداخته شده است. جزوه مورد نظر 92 صفحه، با فرمت PDF، به زبان انگلیسی، به ترتیب زیر گردآوری شده است:

• Example 1: Calculate the output of a simple neuron
• Example 2: Create and view custom neural networks
• Example 3: Classification of linearly separable data with a perceptron
• Example 4: Classification of a 4-class problem with a 2-neuron perceptron
• Example 5: ADALINE time series prediction with adaptive linear filter
• Example 6: Classification of an XOR problem with a multilayer perceptron
• Example 7: Classification of a 4-class problem with a multilayer perceptron
• Example 8: Industrial diagnostic of compressor connection rod defects
• Example 9: Prediction of chaotic time series with NAR neural network
• Example 10: Radial basis function networks for function approximation
• Example 11: Radial basis function networks for classification of XOR problem
• Example 12: 1D and 2D Self Organized Map
• Example 13: PCA for industrial diagnostic of compressor connection rod defects

* توجه: لازم به ذکر است که علاوه بر فایل جزوه آموزشی بالا، 3 فایل مرتبط با مباحث شبکه عصبی مصنوعی با عناوین زیر نیز جهت دانلود قرار داده شده است:

• فایل 1: جزوه آموزشی شبکه عصبی مصنوعی (به زبان فارسی، 43 صفحه، فرمت JPEG)
• فایل 2: جزوه آموزشی شبکه عصبی مصنوعی (به زبان فارسی، 23 اسلاید، فرمت powerpoint)
• فایل 3: آموزش تصویری پیاده سازی شبکه عصبی برای داده های آماری بانک مرکزی (به زبان فارسی، 13 دقیقه، فرمت MP4)

جهت دانلود جزوه آموزشی مجموعه مثال های کاربردی حل شده در زمینه شبکه عصبی مصنوعی با استفاده از نرم افزار MATLAB به همراه فایل های ضمیمه بالا، برلینک زیر کلیک نمایید.

مجموعه مثال های کاربردی حل شده در زمینه شبکه عصبی مصنوعی

پیشرفت در جمع آوری و ذخیره داده در طول دهه های گذشته موجب انفجار داده در بیشتر موارد شده است. محققان در بسیاری از حیطه ها مانند مهندسی، ستاره شناسی، اقتصاد و تعاملات مصرف کننده، با مشاهدات و شبیه سازی بزرگ و بزرگتری روبه رو شده اند. چنین مجموعه داده ها در مقابل با مجموعه داده های کوچکتری که در گذشته مطالعه می شدند، چالش های جدیدتر در تحلیل داده ها به وجود آورده اند. به دلیل افزایش تعداد مشاهدات و از آن مهمتر به دلیل افزایش تعداد متغیرهای مربوط به هر مشاهده، روش های آماری قدیمی نسبتا درهم شکسته شد. مجموعه داده های با ابعاد زیاد چالش های ریاضیاتی زیادی همراه با فرصت های جدید به همراه داشتند. یکی از مسائل با مجموعه داده ابعاد بالا این است که در بسیاری از موارد همه متغیرهای اندازه گیری شده برای فهم موضوع موردنظر با اهمیت نیستند. کاهش بعد دسته بندی، تجسم، ارتباط و ذخیره داده با بعد بالا را تسهیل می بخشد. با وجود اینکه روش های جدید با هزینه محاسباتی بالا مدل های پیش بینی با دقت بالا از داده های با ابعاد بالا می سازند، هنوز هم در بسیاری از موارد تمایل به کاهش ابعاد داده اصلی به هر مدلی از داده است...

جزوه آموزش کاهش بعد با استفاده از شبکه های عصبی، مشتمل بر 22 صفحه، با فرمت PDF، تایپ شده، به زبان فارسی، به ترتیب زیر گردآوری شده است:

• ماشین بولتزمن محدود (RBM)
• نمونه سازی Gibbs
• رمزگذار خودکار
• شبکه های باور عمیق (DBN)
• کاهش بعد
• مقاله مورد بررسی
• توضیحات تکمیلی
• جزئیات پیش آموزش
• جزئیات میزان سازی دقیق
• متناسب شدن در logestic PCA
• تاثیر پیش آموزش میزان سازی دقیق در رمزگذار خودکارهای عمیق و سطحی
• جزئیات یافتن کدها برای اعداد MNIST
• جزئیات یافتن رمز برای چهره های Olivetti
• جزئیات یافتن رمزها برای اسناد رویتر
• مقایسه با جاسازی خطی محلی
• استفاده از پیش آموزش و میزان سازی دقیق برای دسته بندی اعداد
• مراجع

* توجه:
لازم به ذکر است که علاوه بر فایل جزوه آموزشی بالا، مقاله زیر نیز جهت دانلود قرار داده شده است:

• مقاله کاهش بعد داده های تصاویر تشدید مغناطیسی مغز با استفاده از شبکه عصبی آموزش یافته توسط الگوریتم ژنی (15 صفحه، به زبان فارسی)

جهت دانلود جزوه آموزش کاهش بعد با استفاده از شبکه های عصبی به انضمام مقاله، برلینک زیر کلیک نمایید.

کاهش بعد با استفاده از شبکه های عصبی