پروژه یادگیری خمینه ای

دسته: برچسب: تاریخ انتشار: ۲۱ تیر ۱۳۹۶تعداد فروش: 1تعداد بازدید: 93
قیمت محصول

5,000 تومان

جزئیات بیشتر

فایل های قابل دانلود: Word, PDF

قوانین استفاده

توضیحات محصول
پروژه یادگیری خمینه ای

مقدمه یادگیری خمینه ای 

تفسیر داده‌های بعدبالا (high-dimensional data)، یعنی داده‌هایی که نیاز به بیش از ۲ یا ۳ بعد برای نمایش داده ‌شدن دارند، دشوار است. یک راه برای ساده‌سازی این است که فرض کنیم داده‌ها روی یک خمینه ناخطی نهفته (یا به طور معادل در انگلیسی: Embedded Nonlinear Manifold) در فضای مورد نظر قرار دارند. اگر بعد خمینه به مقدار کافی کم باشد، داده‌ها را می‌توان در این فضای بعدپایین‌تر نمایش داد.

 

در این سند، به برخی الگوریتم‌هایی که در تاریخچه یادگیری خمینه‌ای (Manifold Learning) و کاهش غیرخطی بعد (NLDR) به کار گرفته شده‌اند، اختصاراً اشاره خواهد شد. بسیاری از الگوریتم‌های کاهش غیرخطی بعد، با روش‌های کاهش خطی بعد زیر در ارتباطند:

  • تحلیل مؤلفه‌های مستقل (ICA)
  • تحلیل مؤلفه‌های اصلی (PCA)
  • تجزیه مقادیر تکین (SVD)
  • تحلیل عوامل (FA)

روش‌های غیرخطی را می‌توان به دو دسته عمده افراز کرد

  • روش‌هایی که یک نگاشت (از فضای با بعد بیشتر به خمینه نهفته با بعد کمتر یا برعکس) هستند. در زمینه یادگیری ماشینی، این روش‌ها (پیش از اجرای الگوریتم‌های بازشناسی الگو)، می‌توانند به عنوان ابزاری برای استخراج ویژگی به کار ‌روند.
  • روش‌هایی که صرفاً نمایشی را از داده‌ها ارائه می‌کنند؛ این روش‌ها غالباً بر مبنای داده‌های نزدیکی (proximity) هستند (یعنی مبتنی بر اندازه فاصله بین داده‌ها).

ادامه فهرست:

  • کاربردهای NLDR
  • الگوریتم های یادگیری خمینه ای
  • روش تحلیل مولفه های اصلی هسته ای (Kernel PCA)
  • روش مبتنی بر داده های نزدیکی (Proximity)
  • منابع
نمایش بیشتر
دیدگاه های کاربران
دیدگاهتان را با ما درمیان بگذارید
0
بر اساس 0 خرید
0
0
0
0
0

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین کسی باشید که دیدگاهی می نویسد “پروژه یادگیری خمینه ای”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *