برنامه سازی بیان ژنی – مدلسازی ریاضی با هوش مصنوعی
قیمت :
۴۵,۰۰۰ تومانافزودن به سبد خرید
درباره مدرس
مصطفی آصفی
عضو گروه مدرسین زمینو
کارشناسی ارشد مهندسی معدن/استخراج
مصطفی آصفی مدرس و محقق هوش مصنوعی کاربردی و از بنیانگذاران مجموعههای آموزشی زمینو و همرویش است. (+)
شناسنامه
کد دوره: Z-Asefi-GEP-9601
مدت زمان: 4 ساعت و 33 دقیقه
حجم بسته: 420 مگابایت / کیفیت: 720 * 1280
توضیحات
توجه: نسخه بهروزشده این بسته توسط همین مدرس در وب سایت هم رویش در این نشانی (آموزش GEP برای تابع یابی با هوش مصنوعی) منتشر شده است. برای تهیه این بسته لطفا به همین نشانی مراجعه کنید.
مسئله مدلسازی فرآیندهای پیچیده طبیعی و مصنوعی با در دست داشتن تعداد معینی برداشت میدانی یا نقاط آزمون، یکی از اساسیترین گامها در زمینه بهینهسازی صنعتی است.
برنامهسازی بیان-ژنی (Gene Expression Programming) روشی برای توسعه برنامههای کامپیوتری و مدلسازی ریاضیاتی بر اساس محاسبات تکاملی و با الهام از تکامل طبیعی است. که توسط Candida Ferreira در سال ۱۹۹۹ ابداع و به طور رسمی در سال ۲۰۰۱ معرفی شد.
شما در این بسته آموزشی با یک نگاه ژرف و موشکافانه وارد دنیای الگوریتم GEP خواهید شد؛ در این مجموعه، مفاهیم الگوریتم GEP با مقدمهای کامل بر الگوریتمهای ژنتیک و مبانی زیستی آنها به گونهای بیان گردیده است که برای طیف وسیعی از مخاطبان ناآشنا تا آشنا با محاسبات تکاملی در هر دو حوزه صنعت و دانشگاه قابل استفاده باشد؛ ساختار الگوریتم GEP و نحوه عملکرد آن از روی مقالات اصلی روش آموزش داده شده است و روش اجرای فرآیند تابعیابی هوشمند توسط این الگوریتم در محیط نرمافزار GeneXproTools به صورت گام به گام مورد بررسی قرار گرفته است.
همچنین یک راهنمای تکمیلی متنی برای سازماندهی ذهن فراگیران به مجموعه فیلمها پیوست شده است. برای آشنایی با سرفصل مطالب مطرح در این بسته بخش سرفصلها و پیشنمایش مراجعه کنید.
- درس اول: آشنایی
- درس دوم: مقدمهای بر بهینهسازی
– مسئله بهینهسازی پایه (تک متغیره)؛
– انواع چالشهای بهینهسازی؛
– دستهبندی روشهای حل مسائل بهینهسازی؛
- درس سوم: الگوریتمهای وراثتی
– فرمولبندی مسئله بهینهسازی چند متغیره؛
– ساختار الگوریتم ژنتیک (Genetic Algorithm)؛
– ساختار الگوریتم برنامهسازی ژنتیک (Genetic Programming)؛
– مقایسه الگوریتمهای GA، GP و GEP؛
- درس چهارم: مبانی زیست و اجزای تکامل
– ماهیت مولکول DNA به عنوان مادهی ژنتیک؛
– ساختار کروموزوم و انواع تقسیم سلول شامل دوتایی (Cell Devision)، میتوز (Mitosis) و میوز (Meiosis)؛
– فرآیند بیان ژن (Gene Expression) در تولید مثل طبیعی؛
– مفهوم Genotype، Phenotype و Allele؛
– آستانههای Replicator و Phenotype در تکامل طبیعی؛
- درس پنجم: پیادهسازی GEP و چند مثال
– روندنمای (Flowchart) الگوریتم برنامهسازی بیان-ژنی (GEP)؛
– قوانین بیان ژن (Gene Expression) در GEP به زبان Karva؛
– قواعد معماری ژنها و کروموزومهای چند-ژنی (Multi-Genic Chromosome)؛
– عملگرهای ژنتیکی در GEP (جهش (Mutation)، وارونگی (Inversion)، همنهش (Recombination)، ترانهش (Transposition))
– حل و بررسی مرحله به مرحله یک مثال تابعیابی تکمتغیره بر اساس الگوریتم GEP؛
– مدلسازی ثابتهای عددی با الگوریتم GEP-RNC و بررسی الگوریتم در یک نمونهی دوچند-متغیره؛
– مرجعشناسی روش GEP؛
- درس ششم: معرفی وبسایت رسمی GEP
– بخش های وبسایت رسمی GEP
– معرفی بخش کتاب و مقالات مرجع
– معرفی سورس کدهای آماده GEP
– معرفی پروانه آزمایشی و تجاری نرمافزار
- درس هفنم: اجرای GEP در نرمافزار GenXproTools؛
– فراخوانی پایگاه دادههای آموزش و آزمون؛
– بررسی آمارههای متغیرهای مدل؛
– تنظیم مشخصات کروموزومها و نرخ عملگرها؛
– تعیین تابع برازندگی و مجموعهی توابع مدل؛
– امکانات اجرا، تحلیل و استخراج نتایج مدلسازی؛
معرفی کل «آموزش برنامه سازی بیان ژنی» در یک نگاه
نقد و بررسیها
هنوز بررسیای ثبت نشده است.