کاهش ابعاد یا Dimensionality Reduction یکی از مراحلی است که در برخی مواقع به عنوان یک مرحله پیش پردازش در ابتدای یک فرآیند داده کاوی انجام می شود. کاهش ابعاد، از طرفی می تواند به عنوان یک کار انتخاب یا استخراج ویژگی یا Feature Selection or Extraction در نظر گرفته شود. در فیلم آموزشی جامع کاهش ابعاد، روش های مختلفی برای کاهش ابعاد و انتخاب ویژگی معرفی شده اند، و پس از پیاده سازی در محیط متلب، در کاربردهای عملی مورد استفاده قرار گرفته اند. 

در بسیاری از رشته های علمی و فنی، در نهایت ما با مجموعه ای از داده ها روبرو هستیم که حجم کم یا زیادی را دارند؛ اما مهم ترین کار، به دست آوردن چنین پایگاه داده ای نیست. بلکه باید بتوانیم، سطح بالاتری از دانش را با توجه به پایگاه داده مذکور به دست بیاوریم؛ این یعنی نتیجه گیری و جمع بندی تمام تلاش هایی که برای جمع آوری آن داده ها صرف شده است. این عملیات، و مجموعه دیگری از کارهای مرتبط با آن، موضوع بحث یکی از زیر شاخه های مشترک علوم کامپیوتر و آمار، به نام داده کاوی یا Data Mining است. فرآیند کلی استخراج دانش از داده، معنای عام تری از داده کاوی را در بر دارد که به Knowledge Discovery from Data یا KDD معروف است. برای کسب اطلاعات بیشتر در خصوص این فیلم آموزشی، لینک ادامه مطلب را ببینید.

 

کاهش ابعاد یا Dimensionality Reduction یکی از مراحلی است که در برخی مواقع به عنوان یک مرحله پیش پردازش در ابتدای یک فرآیند داده کاوی انجام می شود. کاهش ابعاد، از طرفی می تواند به عنوان یک کار انتخاب یا استخراج ویژگی یا Feature Selection or Extraction در نظر گرفته شود. در فیلم آموزشی جامع کاهش ابعاد، روش های مختلفی برای کاهش ابعاد و انتخاب ویژگی معرفی شده اند، و پس از پیاده سازی در محیط متلب، در کاربردهای عملی مورد استفاده قرار گرفته اند.

در بسیاری از رشته های علمی و فنی، در نهایت ما با مجموعه ای از داده ها روبرو هستیم که حجم کم یا زیادی را دارند؛ اما مهم ترین کار، به دست آوردن چنین پایگاه داده ای نیست. بلکه باید بتوانیم، سطح بالاتری از دانش را با توجه به پایگاه داده مذکور به دست بیاوریم؛ این یعنی نتیجه گیری و جمع بندی تمام تلاش هایی که برای جمع آوری آن داده ها صرف شده است.

اکثر دانشمندان و محققین سرشناس هر رشته علمی یا فنی، در کنار عامل خلاقیت و تخصص، یک ویژگی مشترک و بسیار مهم دارند، و آن نتیجه گیری های مهمی است که از مشاهدات و داده های جمع آوری شده ارائه کرده اند. در رشته های مختلف علمی، نظریه های بسیار مهمی که با مطالعات میدانی به دست آمده اند، همگی دارای این مولفه مشترک هستند: به دست آوردن قواعد و قوانینی که توضیحی فشرده و مفهومی از داده های در دسترس را ارائه می دهند. این عملیات، و مجموعه دیگری از کارهای مرتبط با آن، موضوع بحث یکی از زیر شاخه های مشترک علوم کامپیوتر و آمار، به نام داده کاوی یا Data Mining است. فرآیند کلی استخراج دانش از داده، معنای عام تری از داده کاوی را در بر دارد که به Knowledge Discovery from Data یا KDD معروف است.

 

 

سرفصل های مهم‌ترین مباحث مطرح شده در این فیلم آموزشی در ادامه آمده اند:

• مروری بر مفاهیم پایه کاهش ابعاد
• معرفی و بررسی کامل تحلیل مولفه اساسی یا Principal Component Analysis (به اختصار PCA)
• بررسی ارتباط PCA با تجزیه مقادیر تکین یا SVD
• پیاده سازی PCA در محیط متلب و کاربرد آن در کاهش ابعاد
• معرفی رویکردهای تعمیمی برای روش PCA
• معرفی روش تحلیل تفکیک فیشر یا Fisher Discriminant Analysis (به اختصار FDA)
• بررسی تفاوت های PCA و FDA
• پیاده سازی الگوریتم FDA در محیط متلب و کاربرد آن در کاهش ابعاد و طبقه بندی
• معرفی شبکه های عصبی و حافظه های انجمنی یا Auto-Associative Neural Networks
• معرفی و کاربرد تولباکس NLPCA برای کاهش ابعاد غیر خطی در متلب
• حل و بررسی مسائل کاهش ابعاد غیر خطی
• بررسی کاربرد نگاشت های خود-سازمان ده یا SOM در کاهش ابعاد

 

 

برای مشاهده جزئیات و تهیه آموزش فرادرس فیلم آموزشی جامع کاهش ابعاد یا Dimensionality Reduction به این لینک (+) مراجعه نمایید.

  

برای مشاهده پیش نمایش این محصول بر روی یوتیوب (YouTube) از لینک زیر استفاده کنید:

لینک ویدئو بر روی سرور یوتیوب (YouTube)