فیلم آموزشی رایگان تحلیل مولفه اساسی یا PCA در متلب(بخش دوم)

عنوان انگلیسی:

principal component analysis pca in matlab

توضیحات:

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.

سرفصل های 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 Learning Rule
مقدمه ای بر PCA غیر خطی
معرفی و بررسی الگوریتم Kernel PCA برای کاهش ابعاد غیر خطی با استفاده از Kernel Trick

مدرس: سید مصطفی کلامی هریس

کلمات کلیدی:
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

برای کسب اطلاعات بیشتر، به این لینک مراجعه نمایید:
http://www.faradars.org/mvrnn9102mn





تعداد کلیک:

۵۶۸۳



فرم عضویت در خبرنامه کدسرا
 

شما می توانید به منظور اطلاع یافتن از آخرین کدهای منتشر شده در کدسرا، با وارد کردن ایمیل خود در کادر زیر به عضویت خبرنامه کدسرا در آیید.



لینک خارجی

این مطلب، که توسط موتور جستجوی کدسرا پیشنهاد شده است، بر روی یک وبسایت دیگر قابل دسترسی است.

برای مشاهده آن، بر روی لینک زیر، کلیک کنید.



مشاهده لینک