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.

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.

 

برای کسب اطلاعات بیشتر در خصوص این فیلم آموزشی، ادامه مطلب را ببینید.

 

 

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.

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.

رویکردهای ارائه شده در این فیلم آموزشی بسیار فراگیر و عمومی هستند و می توان از نکات تئوری و عملی بیان شده، برای حل سایر مسائل کاربردی استفاده نمود. مطالب و مباحث این فیلم آموزشی به زبان فارسی روان، و توسط مهندس سید مصطفی کلامی هریس (دانشجوی دکترای مهندسی برق-کنترل، دانشگاه صنعتی خواجه نصیرالدین طوسی) ارائه شده است.

 

 

 

سرفصل های مهم 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

 

برای مشاهده جزئیات و تهیه آموزش فرادرس تحلیل مولفه اساسی یا PCA در متلب به این لینک (+) مراجعه نمایید.