دانلود جزوه بازشناسی آماری الگو (رضا قادری)

دانلود جزوه بازشناسی آماری الگو (رضا قادری)

جزوه داده کاوی با موضوع بازشناسی آماری الگو که توسط رضا قادری به صورت پاورپوینت تهیه شده است

معمولا نخستین گام انسان برای مواجهه با یک مسئله شناسائی آن است. مسئله باز خوانی شناسائی های قبلی به بازشناسی (Recognition) موسوم است که عبارت است از: نسبت دادن موردی که باید شناسایی شود، به مواردی که قبلا در مورد آنها شناسایی صورت گرفته است.

فهرست مطالب جزوه بازشناسی آماری الگو :

فصل اول: معرفی بحث

• مقدمه
• چند تعریف
• بررسی یک مثال
• تشخیص گام ها و مراحل
• استراتژی های اصلی بازشناسی الگو
• معرفی سر فصل ها و مراجع
• خلاصه بحث

فصل دوم: مفاهیم اولیه در بازشناسی آماری (مقدمه ای بر تئوری احتمال)

• یادآوری رویکرد های اساسی در PR
• تشریح ایده ها و مفاهیم اصلی طبقه بندی آماری
• تشریح مسائل اصلی در SPR
• مقدمه ای در مفاهیم اولیه احتمالات
• معرفی احتمال شرطی و فرمول Bayes
• توابع چگالی توزیع و پارامتر های معمول
• معرفی تابع توزیع نرمال

فصل سوم: فرآیند طراحی کلاسیفایر توابع جدا ساز

• مقدمه و یاد آوری
• رویکرد های اصلی طبقه بندی
• لحاظ کردن ریسک و خطا
• طراحی کلاسیفایر به شکل یک فرآیند بهینه سازی
• معرفی توابع جدا ساز
• خلاصه بحث

فصل چهارم: یادگیری – تخمین پارامتری تابع توزیع

• یادآوری کلی بحث
• شرایط عملی مسئله کلاسه بندی- در دست بودن مثال ها
• یادگیری و انواع آن
• انواع مسائل و روش های یادگیری در SPR
• تخمین تابع توزیع
• تخمین بیشترین شباهت
• تخمین Bayesian
• مقایسه دو روش
• خلاصه بحث

فصل پنجم: تخمین احتمال و چگالی احتمال (روش های غیر پارامتری)

• مقدمه و یادآوری
• چرا روش های غیر پارامتری
• هیستوگرام چند بعدی
• روش Parzen window
• روش KNN
• روش مدل چگالی مختلط Mixture Model Density
• خلاصه بحث

فصل ششم: بازنمایی نمونه ها (استخراج و انتخاب مشخصه ها)

• مقدمه و جایگاه بحث
• استخراج مشخصه ها
• رویکرد های اصلی با مربی و بدون مربی
• تقسیم بندی روش ها
• تحلیل مولفه های اساسی و جدایی پذیری خطی

فصل هفتم: طراحی طبقه بندی کننده (کلاسیفایر) – کلاسیفایر های خطی

• مقدمه و جایگاه بحث
• طراحی کلاسیفایر در بازشناسی الگو
• معمولترین روش های طرح کلاسیفایر
• سیستم های خطی کلالاسیفایرو مزیت های آن
• معرفی مبانی طراحی کلاسیفایر خطی
• تعمیم توابع جدا ساز خطی
• خلاصه و نتیجه گیری از بحث

فصل هشتم: کلاسیفایرهای معمول – درخت تصمیم

• مقدمه و یادآوری موقعیت بحث
• ایده اساسی درخت تصمیم
• بررسی یک مثال ابتدایی
• عملیات اصلی در ساخت درخت
• مشخصه ها Features
• معرفی الگوریتم های معروف

فصل نهم: ماشین های بردار پشتیبان

• مقدمه
• ایده Margin و تاثیر آن در قابلیت تعمیم
• تشریح تئوری support vector machines (svm)
• تعمیم ایده SVM به مسائلی که دارای جدایی پذیری خطی نیستند
• معرفی کرنل های متداول
• تعمیم ایده SVM برای مسائل چند کلاسه

فصل دهم: طبقه بندی با یادگیری بدون مربی

• مقدمه
• جدایی پذیری و توزیع های مختلط
• تخمین بیشترین احتمال(شباهت)، کاربرد در حالت توزیع گوسی
• الگوریتم k-means
• یادگیری بدون مربی Bayesian
• توصیف داده ها و خوشه بندی
• معیار ها برای خوشه بندی
• خوشه بندی سلسله مراتبی
• مسئله تعداد خوشه ها
• قابل قبول بودن نتایج