خرداد ۰۴۱۳۹۲
 

یادگیری :
یک سری دیتا داریم و می خئاهیم یک سری اطلاعات از آن استخراج کنیم
مثل رگرسیون که میتواند چند متغیره باشد

مقادیر ثابت نامعلوم که قصد برآور آنرا داریم

تابعی داریم که بر اساس آن برآورد را انجام میدهیم
تابع هدف ، امید ریاضی یک تابع دیگری است
q=
هدف پیدا کردن مقدار ماکزیمم یا مینی مم تابع g(c) هست

 

اردیبهشت ۳۱۱۳۹۲
 

فضای برداری : مجموعه نا تهی است که نسبت به جمع و ضرب
اسکالر بسته است

هر عدد آلفا یی از C یا R انتخاب کنیم

فضای برداری یا خطی
پس فضای n یک فضای برداری می سازد

عملگر مشتق در فضای برداری یک عملگر خطی است
———————————–
ترکیب خطی :
یک ترکیب خطی از بردار ها انتخاب می کنیم ci*fi

استقلال خطی :
اگر هر ترکیب خطی ازشون بسازیم که حاصلش صفر نشود

f1 تا fn پایه ای برای V هستند.

فضای چند جمله ای هم یک فضای برداری است

————————————————

مفهوم متر
در فضایی که داریم یک معیار اندازه گیری به اسم متر تعریف می کنیم
X*X که یک تابع نا منفی است

فضای متری : مثل متر اقلیدسی (فاصله دو نقطه در فضای دو بعدی )

در عدد حقیقی
مفهوم کامل بودن یک فضا :
یک دنباله را میگوییم کوشی است اگر از یک جایی به بعد خیلی نزدیک
به هم شود

یک فضا را می گوییم کامل است اگر حد کوشی داخلش باشد

مفهوم d = distance که متر هست تعریف کردیم

مفهمو نرم : در فضای برداری
نورم یک تبدیل است در فضای برداری که به اعداد حقیقی نسبت داده
می شود.
نورم مفهوم اندازه داره
فاصله بین دو چیز است
قدر مطلق الفا

—————————————————–
فضای باناخ

فضای باناخ : یک نوع خاصی از فضاهای برداری
فضایی است که نورم دارد و نسبت به این نورم کامل است
—————————————————–

مفهوم Dot Product
ضرب داخلی یک نگاشت است
که خطی هست

فضای هیلبرت یک فضای باناخ است ولی ضرب داخلی

یک ماتریس را می توان به دید

ترانهاده ماتریس
ماتریس متعامد (تک تک سطر هاش دو به دو نسبت به هم عمودمد )
اگر ضرب داخلی دو بردار صفر شود آنگاه آن دو بردار نسبت به هم عمودند

یک مجموعه مستقل خطی می سازند
کل تعداد سطر ها
رتبه ماتریس با درجه ماتریس برابر است
Full Rank است
——————————————————–
مفاهیم جبر خطی بسیار پر کاربرد هست
ماتریس معین مثبت ، مقادیر ویژه اش حتما مثبت است

تعریف نورم القایی
اگر ماتریس مربعی باشد …
[U Lambda O]=svd(M)
Lambda in Matlab, is a m*n matrix whose first n rows and all columns, construct a diagonal matrix having lambdas an the diagonal.

 

اردیبهشت ۳۱۱۳۹۲
 

SVM
Support Vector Mchine
ماشین بردار پشتیبان
شهرت این روش بخاطر تشخیص نوشته های دست نویسOCR بوده

از روش های شبکه عصبی بهتر بوده

SVM( جزو شاخه Kernel Method است )
شبکه عصبی به دنبال خطی بود که بتواند دسته بندی کند
در شبکه عصبی wi ها را update می کرد تا دقیق تر شود ( persepptorant

هدف  : (Clustering – دسته بندی – Ranking – پاکسازی)

مسایل :نمایش الگو های پیچیده – پرهیز از overfitting )

 

اگر دو کلاس مثبت و منفی داریم  باید بتوانیم با SVM از هم جدا کنیم

جدا کننده های مختلفی امکان دارد که باشد  ولی کدام جدا کننده از همه بهتر است : خطی که از خط های مرزی بیشتری فاصله را داشته باشد.

معادله خط : w1X1+w2X2+b=0

که برای حال n بعدی هم قابل تعمیم است

آیا کاربرد ماشین بردار پشتیبان برای نقاطی هست که کاملا از هم تفکیک هستند ؟ خیر ، با ترسیم فضای چند بعدی می توان با این روش تفکیک را انجام داد.
این جلسه تا ابتدای فرمول ها

 

چند لینک مرتبط با  SVM

http://www.qub.ac.uk/research-centres/EPIC/Research/IntelligentSystems/AdvancedLearningAlgorithmforMicroarraryDataAnalysis/

http://www.statsoft.com/textbook/support-vector-machines/

http://research.microsoft.com/en-us/groups/vgv/

http://www.idsia.ch/~juergen/rnn.html

http://jmlr.org/papers/volume1/mangasarian01a/html/node2.html

http://www.jvrb.org/past-issues/3.2006/760

http://docs.opencv.org/doc/tutorials/ml/introduction_to_svm/introduction_to_svm.html

اردیبهشت ۲۱۱۳۹۲
 
زمان ارزیابی دروس نیمسال دوم ۹۲-۹۱  

دانشجویان گرامی:

ارزیابی دروس از طریق وب از تاریخ ۲۱/۲/۹۲ تا ۳/۳/۹۲ اجرا می گردد. دفتر نظارت و ارزیابی توجه دانشجویان محترم را به نکات زیر جلب می‌نماید.

v               در جهت صرفه جویی در وقت، حوصله و تأمل بیشتر، از نیمسال تحصیلی اول ۹۲-۹۱ تعداد سئوالات ارزیابی کلیه دروس تئوری و عملی اصلاح و کاهش یافته است.

v               دقت در پاسخگویی به سئوالات، مشارکت همه جانبه و ارائه پیشنهادات سازنده در بهبود کیفیت آموزش و امر تدریس دانشگاه بسیار مؤثر می باشد.

v               نظرات شما بدون ثبت اطلاعات فردی ذخیره و مورد ارزیابی قرار خواهد گرفت.

v               خواهشمند است شخصاً اقدام به انجام ارزیابی نمایید.

تذکر: ارزیابی کلیه دروس ثبت نامی برای تمامی دانشجویان الزامی می‌باشد و در صورت عدم انجام، مشاهده کارنامه در پورتال آموزشی امکان‌پذیر نخواهد بود.

از همکاری شما متشکریم

دفتر نظارت و ارزیابی و برنامه ریزی دانشگاه

لینک ارزیابی اساتید :

https://portal.aut.ac.ir/

با کلیک روی آگهی زیر مبلغ 400 ریال به حساب من واریز می گردد

با کلیک روی آگهی زیر مبلغ 1000 ریال به حساب من واریز می گردد