فروشگاه تخصصی علمی آموزشی فایل ویکی تمامی رشته ها فایل ویکی1 دروس تخصصی موفقیت پاورپوینت ارتباط با ما دانلود

اطلاعیه فروشگاه

با توجه به تغییرات ایجاد شده در بانک ملی خرید زیر 5000 تومان توسط کارت بانک ملی امکان پذیر نیست برای خرید های زیر 5000 تومان لطفا از کارت های بانک های دیگر استفاده نمایید.

دانلود پاورپوینت ماشین بردار پشتیبان

دانلود پاورپوینت ماشین بردار پشتیبان
SVM  دسته بندی کننده ای است که جزو شاخه Kernel Methods  دریادگیری ماشین محسوب میشود.
SVMدر سال 1992 توسط Vapnik معرفی شده و بر پایه statistical learning theory  بنا گردیده است.
شهرت SVM بخاطر موفقیت آن در تشخیص حروف دست نویس است که با شبکه های عصبی بدقت تنظیم شده برابری میکند: 1.1% خطا
هدف این دسته الگوریتم ها تشخیص و متمایز کردن الگوهای پیچیده در داده هاست ( از طریق کلاسترینگ، دسته بندی، رنکینگ، پاکسازی و غیره)
 
مسایل مطرح:
الگوهای پیچیده را چگونه نمایش دهیم
چگونه از مسئله overfitting پرهیز کنیم
 
ایده اصلی:
با فرض اینکه دسته ها بصورت خطی جداپذیر باشند، ابرصفحه هائی با حداکثر حاشیه (maximum margin)  را بدست می آورد که دسته ها را جدا کنند.
در مسایلی که داده ها بصورت خطی جداپذیر نباشند داده ها به فضای با ابعاد بیشتر نگاشت پیدا میکنند تا بتوان آنها را در این فضای جدید بصورت خطی جدا نمود.
 
تعریف:
lSupport Vector Machines are a system for efficiently training linear learning machines in kernel-induced feature spaces, while respecting the insights of generalisation theory and exploiting optimisation theory.
lCristianini & Shawe-Taylor (2000)
 
مسئله جداسازی خطی: Linear Discrimination:
اگر دو دسته وجود داشته باشند که بصورت خطی از هم جداپذیر باشند، بهترین جدا کننده این دو دسته چیست؟
الگوریتم های مختلفی از جمله  پرسپترون میتوانند این جداسازی را انجام دهند.
آیا همه این الگوریتمها بخوبی از عهده اینکار بر میآیند؟
 
ضرب داخلی:
ضرب داخلی را میتوان معیاری از تشابه دانست
در حالت n بعدی میتوان آنرا بصورت زیر نمایش داد.
 
خط یا ابر صفحه جدا کننده:
هدف: پیدا کردن بهترین خط ( ابر صفحه) که دو دسته را از هم جدا کند. در حالت دو بعدی معادله این خط بصورت زیر است:
 
ایده SVM برای جدا سازی دسته ها:
دو صفحه مرزی بسازید :
دو صفحه مرزی موازی با صفحه دسته بندی  رسم کرده و آندو را آنقدر از هم دور میکنیم که به داده ها برخورد کنند.
صفحه دسته بندی که بیشترین فاصله را از صفحات مرزی داشته باشد، بهترین جدا کننده خواهد بود.
 
حداکثر حاشیه:
بر طبق قضیه ای در تئوری یادگیری اگر مثالهای آموزشی بدرستی دسته بندی شده باشند، از بین جداسازهای خطی، آن جداسازی که حاشیه داده های آموزشی را حداکثر میکند خطای تعمیم را حداقل خواهد کرد.
 
چرا حداکثر حاشیه:
به نظر میرسد که مطمئن ترین راه باشد.
تئوری هائی برمبنای VC dimension وجود دارد که مفید بودن آنرا اثبات میکند.
بطور تجربی این روش خیلی خوب جواب داده است.
 
بردار پشتیبان:
نزدیکترین داده های آموزشی به ابر صفحه های جدا کننده بردار پشتیبان نامیده میشوند
 
تعمیم و SVM:
در صورت استفاده مناسب از SVM این الگوریتم قدرت تعمیم خوبی خواهد داشت:
علیرغم داشتن ابعاد زیاد (high dimensionality) از overfitting  پرهیز میکند. این خاصیت ناشی از optimization این الگوریتم است
 
فشرده سازی اطلاعات:
بجای داده های آموزشی از بردارهای پشتیبان استفاده میکند.
 
شامل 77 اسلاید POWERPOINT

اشتراک بگذارید:


پرداخت اینترنتی - دانلود سریع - اطمینان از خرید

پرداخت هزینه و دریافت فایل

مبلغ قابل پرداخت 6,000 تومان
عملیات پرداخت با همکاری بانک انجام می شود

درصورتیکه برای خرید اینترنتی نیاز به راهنمایی دارید اینجا کلیک کنید


فایل هایی که پس از پرداخت می توانید دانلود کنید

نام فایلحجم فایل
support_vector_machines_1777905_2518.zip1 MB





آخرین محصولات فروشگاه