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
شبکه های عصبی مصنوعی یا Artificial Neural Networks (به اختصار ANN) ابزارهایی مهم در میان مباحث هوش محاسباتی (Computational Intelligence) به حساب می آیند. انواع مختلفی از شبکه های عصبی مصنوعی معرفی شده اند، که عمدتا در کاربردهایی همچون طبقه بندی، خوشه بندی، تشخیص الگو، مدل سازی و تقریب توابع، کنترل، تخمین و بهینه سازی مورد استفاده قرار می گیرند.
در این پست قصد داریم فیلم آموزشی تحلیل مولفه اساسی یا PCA در متلب را معرفی کنیم که در آن علاوه بر مرور تئوری ها مربوط به روش تحلیل مولفه اساسی (Principal Component Analysis) یا PCA، نحوه پیاده سازی عملی آن در محیط متلب، و حل مسائل کاهش ابعاد، و انتخاب و استخراج ویژگی مورد بررسی واقع شده است. تمامی مراحل پیاده سازی های انجام شده در این فیلم آموزشی، با ارائه توضیحات کامل تئوری و به صورت گام به گام انجام شده است.
رویکردهای ارائه شده در این فیلم آموزشی بسیار فراگیر و عمومی هستند و می توان از نکات تئوری و عملی بیان شده، برای حل سایر مسائل کاربردی استفاده نمود. مطالب و مباحث این فیلم آموزشی به زبان فارسی روان، و توسط مهندس سید مصطفی کلامی هریس ارائه شده است.
سرفصل های مهم مورد بحث در این فیلم آموزشی عبارتند از:
- بررسی ارتباط میان PCA و تجزیه مقادیر تکین (Singular Value Decomposition) یا SVD
- مفهوم مولفه اساسی و کاربرد آن در استخراج ویژگی و کاهش ابعاد
- مفهوم پروب (حسگر یا معیار) واریانس یا Variance Perobe و نقش آن در تفکیک پذیری
- بیان هندسی و جبر خطی برای بیشینه سازی واریانس و تفکیک پذیری
- ارتباط میان مقادیر ویژه، بردارهای ویژه، مقادیر تکین و بیشینه سازی واریانس تفکیک
- پیاده سازی گام به گام و عملی PCA در متلب
- نمایش جهت های ویژه و مولفه های اساسی داده ها
- نمایش میزان تفکیک پذیری داده ها با انتخاب هر یک از ورودی ها
- بیان ریاضی PCA به صورت فیلتر ویژه یا Eigenfilter برای داده های با حجم بالا
- قانون یادگیری اوجا یا Oja Leaing Rule
- مقدمه ای بر PCA غیر خطی
- معرفی و بررسی الگوریتم Keel PCA برای کاهش ابعاد غیر خطی با استفاده از Keel Trick
توجه: این محصول بخشی از بسته زرین فیلم های آموزشی شبکه های عصبی مصنوعی است.
برای کسب اطلاعات بیشتر بر روی این لینک (+) کلیک کنید.
برچسب: Eigenfilter, Kernel PCA, Oja Learning Rule, PCA, Principal Component Analysis, SVD, Variance Probe, آنالیز مولفه اساسی, استخراج ویژگی, انتخاب ویژگی, تجزیه مقادیر تکین, تحلیل مولفه اساسی, شبکه عصبی مبتنی بر PCA, فیلتر ویژه, قانون یادگیری اوجا, مقدار ویژه, واریانس تفکیک, کاهش ابعاد, کاهش ابعاد با استفاده از PCA در متلب, کاهش ابعاد داده ها, کاهش ابعاد غیر خطی, یادگیری غیر نظارت شده, یادگیری ماشینی,
نویسنده: فرادرس |FaraDars