یکی از پایه ای ترین و مهم ترین الگوریتم ها برای ساخت مدل GMDH، که به نام شبکه عصبی چند جمله ای (Polynomial Neural Network و یا PNN) نیز شناخته می شود، الگوریتم ارائه شده توسط خود ایواکننکو است که پایه اصلی آن را، مدل چند جمله ای درجه دو و الگوریتم کمترین مربعات خطا تشکیل می شود. سرفصل هایی که در این آموزش به آن پرداخته شده است: • بررسی ایده روش های GMDH • آشنایی با چند جمله ای ایواکننکو (Ivakhnenko) • الگوریتم پایه GMDH برای ایجاد مدل چند جمله ای پیچیده • بررسی نحوه اعمال عملگر انتخاب در تولید مدل GMDH • بررسی شیوه ساخت مدل پایه (نوررون چند جمله ای) با استفاده از رویکرد کمترین مربعات • استخراج فرم ماتریسی روش کمترین مربعات یا Least Squares • آشنایی با مفهوم شبه معکوس ماتریس (Matrix Pseudo-Inverse) برای ماتریس های غیر مربعی • پیاده سازی گام به گام شبکه عصبی GMDH در متلب • پیاده سازی نورون پایه چند جمله ای • پیاده سازی لایه ای از نورون های چند جمله ای • پیاده سازی شبکه عصبی GMDH با رویکرد بازگشتی • ارزیابی شبکه عصبی GMDH • پروژه عملی: استفاده از GMDH برای تخمین چربی بدن (با دیتاست Bodyfat) • بهبود برنامه نوشته شده برای پیاده سازی GMDH در متلب • تقسیم داده ها دو دسته آموزش (Train Data) و آزمایش (Test Data) • ارزیابی خروجی مدل با استفاده از نمودار رگرسیون • ترسیم نمودار رگرسیون با استفاده از تابع Plotregression • محاسبه ویژگی های خطا و نمایش در نمودار گرافیکی خطا و هیستوگرام .... برای توضیحات بیشتر به این لینک مراجعه بفرمائید: http://faradars.org /fvrml111