جستجو در تالارهای گفتگو

لینک دانلود حل المسائل کتاب Pattern Recognition and Machine Learning Solutions to the Exercises: Web-Edition Markus Svens´ en and Christopher M. Bishop تعداد صفحات: 101 لینک منبع prml-web-sol-2009-09-08.pdf

جهت طبقه­ بندی تصاویر می­توان از طبقه ­بندی­­ کننده­ های متفاوتی استفاده نمود. یک دسته از طبقه­ بند­ی کننده­ ها براساس شیوه­ ی یادگیری کار می­کنند. در این روش­ها ابتدا تعدادی نمونه به عنوان داده­ های آموزش به طبقه ­بند داده می­شود و جدا­کننده به وسیله­ ی این داده ­ها آموزش می­بیند. پس از آن نمونه­ های تست به طبق ه­بند داده می­شود و طبقه­ بند در مورد گروهی که این داده ­ها به آن تعلق دارند، تصمیم­ گیری می­کند. دو طبقه بندی که بیشتر در روش­های نهان­کاوی مورد استفاده قرار گرفته­اند Fisher’s Linear Discriminate(FLD) و Support Vector Machine(SVM) هستند. SVM قوی­تر از FLD می باشد. SVM ابزار یادگیری قوی­ ای در حل مسائل طبقه­ بندی، با دو کلاس است. هدف SVM ایجاد مدلی است که با داشتن ویژگی­های نمونه­ های داده در مجموعه داده­های آموزشی مقدار هدف آنها را حدس بزند. در این روند بردار­های آموزشی نمونه­ های آموزشی XI از تصویر I به فضای با ابعاد بیشتر نگاشت می­شود. سپس یک SVM یک ابر­صفحه­ ی جدا کننده­ ی خطی را پیدا می­کند که بیشترین حاشیه را در این فضای با ابعاد بیشتر داشته باشد. شکل 1 مسأله­ ی جدا کردن دو کلاس که بصورت خطی جدایی­ پذیر هستند را نشان می­دهد. همانطور که در شکل دیده می­شود، برای جدا کردن این دو کلاس، ابر­صفحه­ های بیشماری وجود دارد که بعضی از آنها به کلاس­ها بسیار نزدیکند. SVM تلاش می­کند تا ابر­صفحه­ ای را بیابد که در بیشترین فاصله نسبت به دو کلاس قرار داشته باشد. انتخاب این ابرصفحه باعث می­شود که طبقه­ بندی کننده قابلیت تعمیم بهتری داشته باشد. شکل 1- دو کلاس خطی جدایی ­پذیر و ابر صفحه­ های طبقه­ بندی کننده به این منظور دو ابر صفحه­ ی موازی که نقاط سرحدی را در دو کلاس تعیین می­کنند در­نظر گرفته می­شوند، سپس ابر­صفحه­ ای که در فاصله­ ی مساوی از این دو ابر­صفحه قرار گرفته می­گیرد به عنوان ابر صفحه­ ی طبقه­ بندی کننده تعیین می­شود. شکل 2 دو کلاس خطی جدایی ­پذیر و طبقه ­بندی کننده­ی SVM را نشان می­دهد. شکل 2- دو کلاس خطی جدایی­ پذیر و طبقه­ بندی کننده­ ی SVM شکل3 یک SVM را نشان می­دهد که برای حل یک مسأله با دو کلاس مورد آموزش قرار گرفته است. نمونه­ هایی که بر روی حاشیه قرار گرفته­ اند بردار پشتیبان نام دارند. بردار­های پشتیبان (زیر مجموعه­ ای از نمونه­ های آموزشی) نزدیکترین نقاط به سطح تصمیم­ گیری هستند و طبقه­ بندی آنها از سایر نمونه­ ها مشکل­تر است. شکل 3- SVM آموزش داده شده با نمونه­ های دو کلاس. دو بردار پشتیبان(نقاط داده) با دایره­ های سیاه­رنگ با اندازه ­ی بزرگتر از بقیه­ ی دایره ­ها بر­روی خطوط مرزی چپ و راست نشان داده می­شوند.

دانلود کتاب Introduction to Machine Learning تعداد صفحات: 579 نویسنده: Ethem Alpaydın Alpaydin_MachineLearning_2010.pdf

[TABLE] [TR] [TD=align: right][TABLE] [TR] [TD] دومین کنفرانس بین المللی بازشناسی الگو و تحلیل تصویر ایران توسط دانشگاه گیلان در اسفندماه 1393 برگزار می گردد. هدف این کنفرانس گسترش دانش در موضوعات مرتبط و ایجاد محیطی علمی و فنی جهت ارائه آخرین یافته های پژوهشی ، تبادل اطلاعات و همچنین تشویق محققان، برنامه ریزی شده است. لذا از کلیه پژوهشگران، صاحب نظران، متخصصان و علاقمندان که در موضوعات مرتبط به محورهای مورد نظر در کنفرانس فعالیت دارند، دعوت می شود تا مقالات خود را که حاوی آخرین یافته های علمی است، به دبیرخانه کنفرانس ارسال نمایند.[/TD] [/TR] [/TABLE] [/TD] [/TR] [TR] [TD=align: right][/TD] [/TR] [TR] [TD=align: right]محورهای موضوعی کنفرانس:[/TD] [/TR] [TR] [TD=align: right] [TABLE] [TR] [TD] تحلیل و بازشناسی الگو تحلیل و فهم تصویر یادگیری ماشین و یادگیری تقویتی روش‌های استخراج، انتخاب و بهبود ویژگی‌ها تحلیل تصاویر سه بعدی، استخراج ویژگی‌های سه بعدی و بازشناسی الگو سه بعدی بازشناسی الگو در بیوانفورماتیک و محاسبات بیولوژیک بازشناسی الگو و تحلیل تصویر در بیومتریک کشف دانش و الگو با استفاده از روش‌های داده کاوی کشف الگو با استفاده از روش‌های بهینه‌سازی تکاملی بازشناسی الگو و فهم تصویر با استفاده از محاسبات نرم(منطق فازی، شبکه‌های عصبی، الگوریتم‌های ژنتیک) بازشناسی الگو و فهم تصویر با استفاده از روش‌های بهینه سازی چندهدفه یادگیری ماشین و خوشه بندی چندهدفه کاربردهای علمی، صنعتی، پزشکی، اجتماعی، نظامی و امنیتی بازشناسی الگو و تحلیل تصویر [/TD] [/TR] [/TABLE] [/TD] [/TR] [TR] [TD=align: right] تاریخ های مهم: [/TD] [TD][/TD] [/TR] [TR] [TD] آخرین مهلت ارسال مقالات: 93/7/15 اعلام نتایج داوری: 93/10/1-93/10/15 پیشنهاد کارگاه های آموزشی و نمایشگاه ها: 93/8/1 شروع ثبت نام کنفرانس: 93/8/1 برگزاری کنفرانس: 20و21 اسفند ماه 93 [/TD] [/TR] [TR] [TD=align: right]برگزارکنندگان کنفرانس: [/TD] [TD][/TD] [/TR] [TR] [TD] گروه مهندسی برق دانشگاه گیلان- گروه مهندسی کامپیوتردانشگاه گیلان – انجمن بینایی ماشین و پردازش تصویر سایت کنفرانس: ipria2015.guilan.ac.ir[/TD] [/TR] [/TABLE]