شناسایی الگو- کلاسبندهای پارامتری (فصل1و2)

دسته:پکیج‌های آموزشی, متلب, یادگیری ماشین
0 دیدگاه

در فصل اول دوره شناسایی الگو مباحث مقدماتی مربوط به شناسایی الگو، یادگیری ماشین، انواع روشهای یادگیری ماشین را توضیح میدهیم تا با دید بهتری وارد مباحث اصلی شویم. در فصل دوم، طبقه‌بندهای پارامتری از جمله طبقه بند بیزین را آموزش داده و مرحله به مرحله پیاده‎‌سازی میکنیم. در نهایت چندین پروژه عملی انجام میدهیم تا با کاربردهای عملی الگوریتم بهتر آشنا شویم. تمرکز ما در دوره جامع شناسایی الگو بر روی سه موضوع هست: آموزش تئوری و مباحث ریاضیاتی، پیاده‌سازی گام به گام، پروژه عملی

سرفصل مطالب فصل اول و دوم

مقدمه‌ای بر شناسایی آماری الگو(پترن)

مفهوم شناسایی الگو
مراحل شناسایی الگو
پیش پردازش
استخراج ویژگی
انتخاب ویژگی
تفاوت انتخاب ویژگی و روشهای کاهش بعد
کلاسبندی
مفهوم یادگیری ماشین
انواع الگوریتمهای یادگیری ماشین
یادگیری نظارتی
یادگیری غیرنظارتی
تفاوت کلاسبندی و خوشه‌بندی
متغیر تصادفی
تابع چگالی احتمال
هیستوگرام
توزیع نرمال

کلاسبندهای پارامتری

تفاوت کلاسبندهای پارامتری و غیرپارامتری
تئوری و پیاده‌سازی ماکزیمم شباهت( maximum likelihood estimation) جهت تخمین پارامترهای توزیع نرمال داده
تئوری و پیاده‌سازی کلاسبند ماکزیمم شباهت
تئوری و پیاده‌سازی کلاسبند بیزین
معرفی توابع آماده متلب کلاسبند بیزین
تئوری و پیاده‌سازی کلاسبند حداقل فاصله اقلیدسی
تئوری و پیاده‌سازی کلاسبند حداقل فاصله ماهالانوبیس
توضیح مراحل انجام یک پروژه کلاسبندی
نحوه محاسبه پارامتریهای ارزیابی ( ماتریس کانفیوژن ،دقت کلاسبندی، حساسیت و اختصاصیت )

پروژه‌های انجام شده در این فصل:

تشخیص سرطان سینه با استفاده از کلاسبندهای پارامتری (بیزین، ماکزیمم شباهت، حداقل فاصله اقلیدسی و حداقل فاصله ماهالانوبیس(داده UCI)
تشخیص نوع گل زنبق(iris) با استفاده از کلاسبندهای پارامتری (بیزین، ماکزیمم شباهت، حداقل فاصله اقلیدسی و حداقل فاصله ماهالانوبیس(داده UCI)
تشخیص بیماری پارکینسون از روی راه رفتن افراد با استفاده از کلاسبندهای پارامتری (بیزین، ماکزیمم شباهت، حداقل فاصله اقلیدسی و حداقل فاصله ماهالانوبیس (داده فیزیونت)

نکته: لازم به ذکر است که برای پروژه‌های انجام شده در این فصل یک گزارش کامل به صورت word نوشته شده در کنار فایلهای آموزشی قرار گرفته است و میتوانید از این پروژه‌ها به عنوان پروژه‌های درسی خود استفاده کنید.

روال آموزشی مدرس دوره:

در ابتدا تئوری تمامی مباحث طبق یک مرجع معتبر آموزش داده می‌شود.
سپس یک الگوریتم خلاصه شده برای پیاده‌سازی الگوریتم مورد نظر نوشته می شود.
سپس به صورت مرحله به مرحله در متلب الگوریتم ها پیاده‌سازی می شوند.
و سپس یک مثال عملی بسیار ساده جهت درک بهتر عملکرد الگوریتم انجام می شود
و در نهایت چندین پروژه‌ی عملی با کمک الگوریتمهای پیاده سازی شده انجام می‌شود تا کاربر چالش واقعی انجام پروژه آشنا شود و همچنین بتواند از پروژه‌های انجام شده برای پروژه‌های درسی و پایان نامه استفاده کند.