دانلود پروژه کاهش ابعاد (Dimensionality Reduction)
پروژه کاهش ابعاد (Dimensionality Reduction) پژوهشی کامل می باشد و در حوزه کامپیوتر تنظیم شده است. شما میتوانید فهرست مطالب پروژه را در ادامه مشاهده نمایید.
پروژه بصورت فایل قابل ویرایش ورد(WORD) در 44 برگه برای رشته کامپیوتر و IT در پایین همین صفحه قابل دانلود میباشد. شایسته یادآوری است که پروژه از ابتدا تا پایان ویرایش وتنظیم , سکشن بندی (section) وfootnote نویسی و فهرست گذاری اتوماتیک کامل شده وآماده تحویل یا کپی برداری از مطالب مفید آن است.
بلافاصله بعد از پرداخت و خرید ، لینک دانلود نمایش داده می شود، علاوه بر آن لینک فایل مربوطه به ایمیل شما نیز ارسال می گردد.
1- مقدمه
پیشرفتهای بوجود آمده در جمع آوری داده و قابلیتهای ذخیره سازی در طی دهه های اخیر باعث شده در بسیاری از علوم با حجم بزرگی از اطلاعات روبرو شویم. محققان در زمینه های مختلف مانند مهندسی، ستاره شناسی، زیست شناسی و اقتصاد هر روز با مشاهدات بیشتر و بیشتری روبرو میشوند. در مقایسه با بسترهای دادهای قدیمی و کوچکتر، بسترهای دادهای امروزی چالشهای جدیدی در تحلیل داده ها بوجود آورده اند. روشهای آماری سنتی به دو دلیل امروزه کارائی خود را از دست داده اند. علت اول افزایش تعداد مشاهدات (observations) است، و علت دوم که از اهمیت بالاتری برخوردار است افزایش تعداد متغیرهای مربوط به یک مشاهده می باشد.
تعداد متغیرهایی که برای هر مشاهده باید اندازه گیری شود ابعاد داده نامیده میشود. عبارت "متغیر" (variable) بیشتر در آمار استفاده میشود در حالی که در علوم کامپیوتر و یادگیری ماشین بیشتر از عبارات "ویژگی" (feature) و یا "صفت" (attribute) استفاده میگردد.
بسترهای داده ای که دارای ابعاد زیادی هستند علیرغم فرصتهایی که به وجود می آورند، چالشهای محاسباتی زیادی را ایجاد میکنند. یکی از مشکلات داده های با ابعاد زیاد اینست که در بیشتر مواقع تمام ویژگیهای داده ها برای یافتن دانشی که در داده ها نهفته است مهم و حیاتی نیستند. به همین دلیل در بسیاری از زمینه ها کاهش ابعاد داده یکی از مباحث قابل توجه باقی مانده است.
روشهای کاهش ابعاد داده به دو دسته تقسیم میشوند:
- روشهای مبتنی بر استخراج ویژگی: این روشها یک فضای چند بعدی را به یک فضای با ابعاد کمتر نگاشت میکنند. در واقع با ترکیب مقادیر ویژگیهای موجود، تعداد کمتری ویژگی بوجود می آورند بطوریکه این ویژگیها دارای تمام (یا بخش اعظمی از) اطلاعات موجود در ویژگیهای اولیه باشند. این روشها به دو دسته ی خطی و غیر خطی تقسیم میشوند.
- روشهای مبتنی بر انتخاب ویژگی: این روشها سعی میکنند با انتخاب زیرمجموعه ای از ویژگیهای اولیه، ابعاد داده ها را کاهش دهند. در پارهای از اوقات تحلیلهای داده ای نظیر طبقه بندی برروی فضای کاسته شده نسبت به فضای اصلی بهتر عمل میکند.
در تهیه این گزارش کمتر به اثباتهای ریاضی پرداخته شده و بیشتر به مفاهیم و کاربرد روشها توجه شده است. در فصل دوم از این گزارش، به مطالعه ی روشهای مبتنی بر استخراج ویژگی پرداخته ایم. در تهیه ی مطالب این فصل سعی کرده ایم با ارائه ی مثالهای مناسب، خواننده را در درک بهتر مفاهیم مربوطه یاری رسانیم. در این فصل، چهار روش ارائه شده است که همگی از نوع خطی هستند. بدلیل حجم زیاد مطالب، مجالی برای پرداختن به روشهای دیگر خطی و روشهای غیر خطی باقی نماند. امید است در آینده مطالب این فصل توسط اینجانب یا دانشجویان دیگر کاملتر شود.
در فصل سوم روشهای مبتنی بر انتخاب ویژگی ارائه شده است. میتوان گفت در این فصل یک مطالعه اجمالی برروی تمامی روشهای انتخاب ویژگی انجام شده است. در تهیه ی مطالب این فصل، از گزارش "معرفی روشهای مختلف انتخاب ویژگی" توسط صادق سلیمانپور استفاده شده است که جا دارد در همینجا از ایشان تشکر نمایم.
فهرست مطالب
1- مقدمه1
2- روشهای مبتنی بر استخراج ویژگی. 3
2-1- Discrete Fourier Transform (DFT)4
2-2- Discrete Wavelet Transform (DWT)6
2-3- Principal Component Analysis (PCA)10
2-3-1- مفاهیم مقدماتی مورد نیاز در PCA. 10
2-3-2- الگوریتم PCA. 13
2-4- Factor Analysis (FA)17
3- روشهای مبتنی بر انتخاب ویژگی. 20
3-1- تعاریف.. 20
3-2- روشهای مختلف انتخاب ویژگی. 23
3-2-1- توابع تولید کننده23
3-2-2- تابع ارزیابی. 24
3-2-3- دسته بندی و تشریح الگوریتم های مختلف انتخاب ویژگی 26
3-2-4- جمع بندی روشهای انتخاب ویژگی. 39
4- فهرست منابع و مراجع. 40
