آشنایی با روند شبیه‌سازی الگوریتم‌های طبقه‌بندی در MATLAB

کارگاه «آشنایی با روند شبیه‌سازی الگوریتم‌های طبقه‌بندی در MATLAB» به‌گونه‌ای طراحی شده است که شرکت‌کنندگان را با مراحل گام‌به‌گام طراحی و پیاده‌سازی مدل‌های طبقه‌بندی آشنا کند. MATLAB به‌دلیل داشتن جعبه‌ابزارهای قدرتمند در یادگیری ماشین و داده‌کاوی، یکی از محبوب‌ترین نرم‌افزارها برای پیاده‌سازی مدل‌های طبقه‌بندی در حوزه‌های مهندسی، پزشکی، پردازش تصویر و داده‌کاوی است.

در این کارگاه، شرکت‌کنندگان ابتدا با مفاهیم پایه‌ای طبقه‌بندی و ویژگی‌های الگوریتم‌های مهم نظیر KNN، SVM، درخت تصمیم، شبکه‌های عصبی و روش‌های Ensemble آشنا می‌شوند. سپس روند آماده‌سازی داده، نرمال‌سازی، تفکیک آموزش/آزمون، انتخاب ویژگی، آموزش مدل و ارزیابی عملکرد (Accuracy, Confusion Matrix, ROC) به‌صورت عملی مورد بررسی قرار می‌گیرد.

هدف نهایی دوره، توانمندسازی دانشجویان و پژوهشگران برای شبیه‌سازی و تحلیل مدل‌های طبقه‌بندی با داده‌های واقعی در MATLAB است.

• مقدمه‌ای بر طبقه‌بندی و مفاهیم یادگیری نظارت‌شده

• معرفی جعبه‌ابزارهای یادگیری ماشین در MATLAB

• روند آماده‌سازی داده‌ها: پاک‌سازی، نرمال‌سازی و تفکیک داده

• آشنایی با الگوریتم‌های مهم طبقه‌بندی:

  • K-Nearest Neighbors

  • Support Vector Machine

  • Decision Trees

  • Artificial Neural Networks

  • Ensemble Methods

• آموزش مدل و تنظیم پارامترها (Hyperparameters)

• ارزیابی مدل: Accuracy، Precision، Recall، Confusion Matrix، ROC

• شبیه‌سازی عملی با داده‌های نمونه

• بررسی خطاهای رایج و نکات مهم در پیاده‌سازی

مخاطبین رویداد

• دانشجویان مهندسی برق، کامپیوتر، مهندسی پزشکی، صنایع، آمار و علوم داده

• پژوهشگرانی که نیاز به یادگیری اصول طبقه‌بندی در MATLAB دارند

• افراد علاقه‌مند به پردازش داده، یادگیری ماشین و تحلیل هوشمند سیستم‌ها

• دانشجویانی که پروژه‌ یا پایان‌نامه آنها شامل طبقه‌بندی داده‌هاست