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

دانلود پاورپوینت شبکه های عصبی و طبقه بندی کننده های مرسوم

دانلود پاورپوینت شبکه های عصبی  و طبقه بندی کننده های مرسوم

فهرست مطالب:

مقدمه

تئوری طبقه بندی بیزین

شبکه های عصبی و طبقه بندی کننده های مرسوم

کاهش خطای پیش بینی

کلاس بندی تجمیعی

انتخاب متغیرهای ویژگی

جمع ‏بندی

---------

طبقه بندی یکی از پرتکرارترین وظایف ایجاد تصمیم در فعالیت های انسان است
بسیاری مسائل می توانند به عنوان مسائل طبقه بندی تلقی شود. مثلا
پیش بینی ورشکستگی
دادن وام
تشخیص پزشکی
تشخیص کاراکتر دست خط
تشخیص گفتار
طبقه بندی کننده های آماری مبتنی بر تئوری تصمیم بیزین هستند
شبکه های عصبی یک ابزار مهم برای طبقه بندی محسوب می شود
مزیت های شبکه های عصبی
روش های خود تطبیقی برای مبنای داده هستند
می تواند هر تابعی را با دقت دلخواه تخمین بزند
مدل های غیر خطی هستند
در تخمین احتمالات عقبی (posterior probability) توانا هستند
تعدادی از مسائل با توجه به شبکه های عصبی هنوز به طور موفقیت آمیزی حل نشده اند
 
شبکه های عصبی و طبقه بندی کننده های مرسوم:
طبقه کننده های آماری مبتنی بر تئوری تصمیم بیزین هستند, که احتمالات عقبی نقش اصلی را بازی می‌کند
 
کد کردن مختلف اعضای خروجی :
مسئله طبقه بندی دو-گروه
اگر شی متعلق به کلاس 1 باشد, خروجی به صورت 1
اگر شی متعلق به کلاس 2 باشد, خروجی به صورت 1-
 
تابع جدا کننده زیر را داریم :
Raudys ثابت کرد با کنترل هدفمند پیچیدگی پرسپترون تک لایه, مرزهای تصمیم طبقه بندی کننده, برابر یا نزدیک 7 طبقه بندی کننده آماری زیر هستند :
طبقه بندی کننده فاصله Enclidean
تابع جدا کننده خطی Fisher
تابع جدا کننده خطی Fisher با شبه وارونه سازی ماتریس کواریانس
تابع جدا کننده خطی Fisher تعمیم بافته
منظم کردن تحلیل جدا کننده خطی
طبقه بندی کننده حداقل خطای تجربی
طبقه بندی کننده حداکثر اختلاف
رگرسیون دو حالته (Logistic Regression) ابزار طبقه بندی کننده مهم دیگر است, که در تشخیص پزشکی و مطالعات امراض همه گیر استفاده می شود.غالبا بر تحلیل جدا کننده ترجیح داده می شود
نتیجه آزمایش جامع  Minchiکه در مطالعه مقایسه ای پروژه StatLog بود و 3 روش طبقه بندی (شبکه های عصبی , طبقه بندی کننده های آماری  و یادگیری ماشین) مقایسه شده بود,  نشان داد که یک طبقه بندی کننده خوب برای همه مجموعه داده ها وجود ندارد
 
یادگیری و تعمیم:
یادگیری : توانایی در تخمین رفتار با توجه به داده آموزشی
تعمیم :‌ توانایی پیش بینی خوب, فراتر از داده های آموزشی
 
تعدادی از موضوعات طراحی شبکه کاربردی وابسته به یادگیری و تعمیم :
اندازه شبکه
 اندازه نمونه
انتخاب مدل
انتخاب ویژگی
Underfitting : مدل ساده و غیرقابل انعطاف. مثل طبقه بندی کننده خطی
OverFitting : مدل پیچیده و انعطاف پذیر. مثل شبکه های عصبی
دو پدیده بالا از طریق تجزیه Bias-plus-Variance تحلیل می‌شود
 
ترکیب بایاس و واریانس از خطای پیش بینی:
بایاس : اختلاف بین خروجی تابع اصلی با تابعی که تخمین زده شده است
واریانس : حساسیت تابع تخمینی به مجموعه داده های آموزشی
 
شامل 32 اسلاید POWERPOINT

اشتراک بگذارید:


پرداخت اینترنتی - دانلود سریع - اطمینان از خرید

پرداخت هزینه و دریافت فایل

مبلغ قابل پرداخت 6,200 تومان

درصورتیکه برای خرید اینترنتی نیاز به راهنمایی دارید اینجا کلیک کنید


فایل هایی که پس از پرداخت می توانید دانلود کنید

نام فایلحجم فایل
POWERPOINT_1822204_6054.zip1.2 MB





آخرین محصولات فروشگاه