كاهش ابعاد و تشریح روشهای كاهش ابعاد داده
كاهش ابعاد و تشریح روشهای كاهش ابعاد داده
كاهش ابعاد
یادگیری ماشین
روشهای كاهش ابعاد داده
دانلود پروژه مطالعاتی درس یادگیری ماشین
كاهش ابعاد و تشریح روشهای كاهش ابعاد داده
دانلود پروژه مطالعاتی رشته هوش مصنوعی
کد متلب کاهش ابعاد
کد متلب Dimensionality Reduction
دانلود پروژه مطالعاتی درس یادگیری ماشین
كاهش ابعاد و تشریح روشهای كاهش ابعاد داده
*ضمیمه شدن کد متلب کاهش ابعاد بصورت رایگان:)-
مقدمه
پیشرفتهای بوجود آمده در جمع آوری داده و قابلیتهای ذخیره سازی در طی دهه های اخیر باعث شده در بسیاری از علوم با حجم بزرگی از اطلاعات روبرو شویم. محققان در زمینه های مختلف مانند مهندسی، ستاره شناسی، زیست شناسی و اقتصاد هر روز با مشاهدات بیشتر و بیشتری روبرو می شوند. در مقایسه با بسترهای داده ای قدیمی و كوچكتر، بسترهای داده ای امروزی چالشهای جدیدی در تحلیل داده ها بوجود آورده اند. روشهای آماری سنتی به دو دلیل امروزه كارائی خود را از دست داده اند. علت اول افزایش تعداد مشاهدات (observations) است، و علت دوم كه از اهمیت بالاتری برخوردار است افزایش تعداد متغیرهای مربوط به یك مشاهده می باشد.
تعداد متغیرهایی كه برای هر مشاهده باید اندازه گیری شود ابعاد داده نامیده می شود. عبارت “متغیر” (variable) بیشتر در آمار استفاده می شود در حالی كه در علوم كامپیوتر و یادگیری ماشین بیشتر از عبارات “ویژگی” (feature) و یا “صفت” (attribute) استفاده می گردد.بسترهای داده ای كه دارای ابعاد زیادی هستند علیرغم فرصتهایی كه به وجود می آورند، چالشهای محاسباتی زیادی را ایجاد می كنند. یكی از مشكلات داده های با ابعاد زیاد اینست كه در بیشتر مواقع تمام ویژگیهای داده ها برای یافتن دانشی كه در داده ها نهفته است مهم و حیاتی نیستند. به همین دلیل در بسیاری از زمینه ها كاهش ابعاد داده یكی از مباحث قابل توجه باقی مانده است.
در تهیه این گزارش كمتر به اثباتهای ریاضی پرداخته شده و بیشتر به مفاهیم و كاربرد روشها توجه شده است. در فصل دوم از این گزارش، به مطالعه ی روشهای مبتنی بر استخراج ویژگی پرداخته ایم. در تهیه ی مطالب این فصل سعی كرده ایم با ارائه ی مثالهای مناسب، خواننده را در درك بهتر مفاهیم مربوطه یاری رسانیم. در این فصل، چهار روش ارائه شده است كه همگی از نوع خطی هستند.در فصل سوم روشهای مبتنی بر انتخاب ویژگی ارائه شده است. می توان گفت در این فصل یك مطالعه اجمالی برروی تمامی روشهای انتخاب ویژگی انجام شده است.
کلمات کلیدی:
كاهش ابعاد
یادگیری ماشین
روشهای كاهش ابعاد داده
فهرست مطالب
Dimensionality Reduction
1- مقدمه
2- روشهای مبتنی بر استخراج ویژگی
2-1- Discrete Fourier Transform
2-2- Discrete Wavelet Transform
2-3- Principal Component Analysis
2-3-1- مفاهیم مقدماتی مورد نیاز در PCA
2-3-2- الگوریتم PCA
2-4- Factor Analysis
3- روشهای مبتنی بر انتخاب ویژگی
3-1- تعاریف
3-2- روشهای مختلف انتخاب ویژگی
3-2-1- توابع تولید کننده
3-2-2- تابع ارزیابی
3-2-3- دسته بندی و تشریح الگوریتم های مختلف انتخاب ویژگی
3-2-4- جمع بندی روشهای انتخاب ویژگی
4- فهرست منابع و مراجع