پروژه هوش مصنوعی: سورس کد برنامه تشخیص ارقام دستنویس فارسی در متلب

در این قسمت یک پروژه هوش مصنوعی به نام تشخیص ارقام دستنویس فارسی را خدمتتان معرفی خواهیم کرد. در این پروژه با استفاده از انواع الگوریتم های دسته بندی (classification) مانند شبکه عصبی، svm ،Dtree و bayesian طبقه بندی را انجام داده و نتایج را با هم مقایسه می کنیم، در انتها تشخیص ارقام را با استفاده از یادگیری عمیق آموزش داده و نتیجه آن را با دسته بندهای دیگر مقایسه خواهیم کرد.

 

تشخیص ارقام دستنویس، یک پروژه هوش مصنوعی است که در آن از الگوریتم های یادگیری ماشین و تشخیص الگو استفاده شده است، در تشخیص ارقام دستنویس از یادگیری نظارتی استفاده شده است، زیرا ابتدا تصاویری که کلاس آنها مشخص است به الگوریتم داده می شوند و بعد از آموزش دیدن، دسته بند باید بتواند تصویری ورودی که کلاس آن مشخص نیست را شناسایی کند. پیاده سازی این پروژه در متلب (matlab) انجام شده است.

در اینجا یک پروژه هوش مصنوعی به نام تشخیص ارقام دستنویس را برای شما قرار داده ایم، قبل از توضیح ویژگی های این پروژه، ابتدا مروری بر یادگیری ماشین و الگوریتم های دسته بندی خواهیم داشت:

یادگیری ماشین (machine learning):

روش‌های یادگیری ماشین (Machine Learning)، سیستم‌های مختلف را قادر می‌کنند که یاد بگیرند، بررسی کنند و به ما پیشنهادهای کاربردی ارائه دهند. این سیستم‌ها به مرور زمان که با داده‌ها، شبکه‌ها و افراد تعامل دارند، باهوش‌تر می‌شوند. با استفاده از رویکردهای یادگیری ماشین و هوش مصنوعی، این سیستم‌ها قادر هستند ما را در حل مسائل مهم، کاربردی و روزمره یاری دهند. غالبا این کار با استفاده از داده‌هایی انجام می‌شود که به دلیل حجم زیاد و یا ماهیت نامفهوم، برای ما انسان‌ها چندان قابل استفاده نیست. یادگیری ماشین کمک فراوانی به صرفه جویی در هزینه‌های عملیاتی و بهبود سرعت عمل تجزیه و تحلیل داده‌ها می‌کند. تشخیص ارقام دستنویس زیر مجموعه ای از هوش مصنوعی و یادگیری ماشین است.

الگوریتم‌های یادگیری ماشین:

لگوریتم‌های یادگیری ماشین به سه دسته زیر تقسیم بندی می‌شود:

  • یادگیری نظارتی
  • یادگیری غیر نظارتی
  • یادگیری تقویتی

یادگیری نظارتی

یادگیری نظارتی یکی از زیرمجموعه‌های یادگیری ماشین است، که در آن به یک سیستم، مجموعه ای از جفت‌های ورودی – خروجی ارائه شده و سیستم تلاش می‌کند تا تابعی از ورودی به خروجی را فرا گیرد. یادگیری تحت نظارت نیازمند تعدادی داده ورودی به منظور آموزش سیستم است. طبقه بندی (classification) زیر مجموعه ای از یادگیری نظارتی است.

 

یادگیری بدون نظارت

یادگیری بدون نظارت یکی از انواع یادگیری در یادگیری ماشین است. اگر یادگیری بر روی داده‌های بدون برچسب و برای یافتن الگوهای پنهان در این داده‌ها انجام شود، یادگیری، بدون نظارت خواهد بود.

 

یادگیری تقویتی

این روش بر رفتارهایی تمرکز دارد که ماشین باید برای بیشینه کردن پاداشش انجام دهد. یادگیری تقویتی با یادگیری با نظارت معمول دو تفاوت عمده دارد، نخست اینکه در آن زوج‌های صحیح ورودی و خروجی در کار نیست و رفتارهای ناکارامد نیز از بیرون اصلاح نمی‌شوند، و دیگر آنکه تمرکز زیادی روی کارایی زنده وجود دارد که نیازمند پیدا کردن یک تعادل مناسب بین اکتشاف چیزهای جدید و بهره‌برداری از دانش اندوخته شده دارد.

سورس پروژه های موجود در درس دانلود در زمینه یادگیری ماشین و هوش مصنوعی را می توانید از اینجا مشاهده کنید.

ویژگی های این محصول عبارتند از:

  • استفاده از شبکه عصبی در متلب
  • استفاده از یادگیری عمیق (deep learning) در متلب
  • استفاده از svm در متلب
  • استفاده از bayesian network در متلب
  • استفاده از knn و decision tree در متلب
  • کار با تصاویر و نحوه استخراج ویژگی از آنها
  • پیش پردازش (preprocessing) تصاویر
  • همراه با دیتاست آماده

در صورت تمایل به خرید سورس کد همراه فیلم آموزشی می توانید از اینجا اقدام نمایید.

مراحل خرید فایل دانلودی
اگر محصول را می پسندید لطفا آنرا به اشتراک بگذارید.

دیدگاهی بنویسید

0