پیش بینی سریهای زمانی با شبکۀ بازگشتی عمیق


در این درس-پروژۀ فشرده برگرفته از راهنمای متلب در ابتدا مروری بر شبکه های عمیق بازگشتی و نحوۀ کارکرد آنها را خواهیم داشت. در ادامه به توضیح نحوۀ استفاده از شبکه های عمیق بازگشتی (Recurrent Neural Networks یا RNN) از نوع LSTM جهت پیش بینی سری های زمانی می پردازیم. سپس به منظور درک بهتر و توجه بیشتر به جنبۀ کاربردی مسئله، نحوۀ پیاده سازی مثال پیش بینی سری زمانی تغییرات بازار بورس در محیط متلب را با یکدیگر مرور خواهیم نمود.
مطالبی که در این پروژه خواهیم دید:
- توضیح مختصری از شبکه های عصبی بازگشتی (Recurrent Neural Networks) و تفاوت آنها با دیگر شبکه های عصبی عمیق
- آشنایی مختصر با ساختار لایه LSTM و نحوۀ پیاده سازی آن در محیط متلب
- پیاده سازی پیش بینی کننده سری های زمانی با استفاده از لایه های LSTM در محیط متلب و استفاده از آن برای پیش بینی تغییرات بازار بورس
- توضیح چگونگی تغییر کارکرد شبکه برای حل مسائل دیگر سری های زمانی
- بررسی نحوۀ استفاده از شبکۀ عمیق بازگشتی آموزش دیده جهت تخمین و پیش بینی مقادیر سیگنال در آینده
- چگونگی از استفاده از مقادیر تخمینی در زمان های آینده برای بهبود کیفیت تخمین زمان های دورتر.
آنچه با خرید این مجموعه دریافت خواهید نمود:
1- کدهای کامنت گذاری شدۀ متلب مثال های ارائه شده در این درس-پروژه
2- ویدئوی توضیح فشردۀ پیاده سازی شبکه های عصبی بازگشتی مبتنی بر لایه های LSTM در متلب از طریق مرور خط به خط دستورهای استفاده شده در کدهای ارائه شده
3- فایل pdf توضیح این درس-پروژه که در بردارندۀ تعریف صورت مسئله، بیان خلاصۀ شبکه های عصبی بازگشتی و نحوۀ حل مثال های ارائه شده در محیط متلب با توضیح کامل دستورات استفاده شده می باشد.
لازم به ذکر است که برای اجرای این درس-پروژه در متلب باید Deep Learning Toolbox نصب شده باشد.
نمونه ای از خروجی های تولیدی کد متلب مورد بررسی:
ویژگی های دوره
- عناوین 1
- امتحانات 0
- مدت 50 دقیقه
- سطح مهارت تحصیلات تکمیلی
- زبان فارسی
- دانشجویان 197
- گواهی نه
- ارزیابی ها بله