فرادرس
درباره سایت
آخرین مطالب
- فرادرس – کلمات کلیدی جستجو شده – بخش بیست و ششم
- فرادرس – کلمات کلیدی جستجو شده – بخش بیست و پنجم
- فرادرس – کلمات کلیدی جستجو شده – بخش بیست و چهارم
- فرادرس – کلمات کلیدی جستجو شده – بخش بیست و سوم
- فرادرس – کلمات کلیدی جستجو شده – بخش بیست و دوم
- فرادرس – کلمات کلیدی جستجو شده – بخش بیست و یکم
- وبلاگ های فرادرس
- فراردس – کلمات کلیدی جستجو شده – بخش نهم
- فراردس – کلمات کلیدی جستجو شده – بخش هشتم
- فراردس – کلمات کلیدی جستجو شده – بخش هفتم
امکانات وب
در بسیاری از رشته های علمی و فنی، در نهایت ما با مجموعه ای از داده ها روبرو هستیم که حجم کم یا زیادی را دارند؛ اما مهم ترین کار، به دست آوردن چنین پایگاه داده ای نیست. بلکه باید بتوانیم، سطح بالاتری از دانش را با توجه به پایگاه داده مذکور به دست بیاوریم؛ این یعنی نتیجه گیری و جمع بندی تمام تلاش هایی که برای جمع آوری آن داده ها صرف شده است.
اکثر دانشمندان و محققین سرشناس هر رشته علمی یا فنی، در کنار عامل خلاقیت و تخصص، یک ویژگی مشترک و بسیار مهم دارند، و آن نتیجه گیری های مهمی است که از مشاهدات و داده های جمع آوری شده ارائه کرده اند. در رشته های مختلف علمی، نظریه های بسیار مهمی که با مطالعات میدانی به دست آمده اند، همگی دارای این مولفه مشترک هستند: به دست آوردن قواعد و قوانینی که توضیحی فشرده و مفهومی از داده های در دسترس را ارائه می دهند. این عملیات، و مجموعه دیگری از کارهای مرتبط با آن، موضوع بحث یکی از زیر شاخه های مشترک علوم کامپیوتر و آمار، به نام داده کاوی یا Data Mining است. فرآیند کلی استخراج دانش از داده، معنای عام تری از داده کاوی را در بر دارد که به Knowledge Discovery from Data یا KDD معروف است.
کاهش ابعاد یا Dimensionality Reduction یکی از مراحلی است که در برخی مواقع به عنوان یک مرحله پیش پردازش در ابتدای یک فرآیند داده کاوی انجام می شود. کاهش ابعاد، از طرفی می تواند به عنوان یک کار انتخاب یا استخراج ویژگی یا Feature Selection or Extraction در نظر گرفته شود. در فیلم آموزشی جامع کاهش ابعاد، روش های مختلفی برای کاهش ابعاد و انتخاب ویژگی معرفی شده اند، و پس از پیاده سازی در محیط متلب، در کاربردهای عملی مورد استفاده قرار گرفته اند.
سرفصل های مهم ترین مباحث مطرح شده در این فیلم آموزشی در ادامه آمده اند:
- مروری بر مفاهیم پایه کاهش ابعاد
- معرفی و بررسی کامل تحلیل مولفه اساسی یا Principal Component Analysis (به اختصار PCA)
- بررسی ارتباط PCA با تجزیه مقادیر تکین یا SVD
- پیاده سازی PCA در محیط متلب و کاربرد آن در کاهش ابعاد
- معرفی رویکردهای تعمیمی برای روش PCA
- معرفی روش تحلیل تفکیک فیشر یا Fisher Discriminant Analysis (به اختصار FDA)
- بررسی تفاوت های PCA و FDA
- پیاده سازی الگوریتم FDA در محیط متلب و کاربرد آن در کاهش ابعاد و طبقه بندی
- معرفی شبکه های عصبی و حافظه های انجمنی یا Auto-Associative Neural Networks
- معرفی و کاربرد تولباکس NLPCA برای کاهش ابعاد غیر خطی در متلب
- حل و بررسی مسائل کاهش ابعاد غیر خطی
- بررسی کاربرد نگاشت های خود-سازمان ده یا SOM در کاهش ابعاد
مدرس: مهندس سیدمصطفی کلامی هریس
توجه: این فیلم آموزشی، بخشی از یک محصول بزرگ تر، یعنی بسته طلایی فیلم های آموزشی داده کاوی یا Data Mining در متلب است. برای دریافت اطلاعات بیشتر در خصوص این بسته آموزشی ارزشمند، به این لینک (+) مراجعه نمایید.
برچسب: Dimension Reduction, Dimensionality Reduction, FDA, Fisher Discriminant Analysis, KDD, Knowledge Discovery, Knowledge Discovery from Data, PCA, PCA غیر خطی, Principal Component Analysis, Self,Organizing Maps, SVD, ارتباط PCA با SVD, استخراج دانش, تجزیه مقادیر تکین, تحلیل تفکیک فیشر, تحلیل مولفه اساسی, تعمیم PCA, تفاوت PCA و FDA, تولباکس NLPCA برای کاهش ابعاد غیر خطی, تولباکس PCA غیر خطی, حافظه های انجمنی, داده کاوی, داده کاوی در متلب, شبکه های عصبی انجمنی, مبانی داده کاوی, نگاشت خود سازمان ده, پیاده سازی FDA در متلب, پیاده سازی PCA در محیط متلب, کاربرد SOM در کاهش ابعاد, کاهش ابعاد, کاهش ابعاد غیر خطی در متلب, کاهش بعد غیر خطی, کاوش دانش, کشف دانش,
نویسنده: فرادرس |FaraDars