×
زمان تقریبی انتشار: ۴ تا ۱۲ هفته

آموزش تحلیل مولفه های اساسی در تصاویر ویژه - پیش ثبت نام

آموزش تحلیل مولفه های اساسی در تصاویر ویژه - پیش ثبت نام

درخواست اطلاع رسانی انتشار این آموزش
وضعیت انتشار: در حال برنامه ریزی
زمان تقریبی انتشار: بر حسب تعداد درخواست های دانشجویان و اولویت زمانی و آموزشی اعضای هیات علمی فرادرس، انتشار این آموزش در واحد نشر فرادرس اولویت سنجی می شود. انتشار یک آموزش پس از شروع به ضبط معمولا ۴ تا ۱۲ هفته زمان می برد.
این آموزش در حال برنامه ریزی برای ارائه در فرادرس است و انتشار سریع تر آن، بستگی به تعداد متقاضیان این آموزش دارد. چنانچه شما نیز تمایل به انتشار سریع این آموزش دارید در این آموزش پیش ثبت نام نمایید.
آموزش تحلیل مولفه های اساسی در تصاویر ویژه - پیش ثبت نام

PCA یکی از تکنیک های کاهش ابعاد داده ها است که در برخی مسائل به خوبی و با سرعت بالا عمل می کند. استفاده از این روش نه تنها در پردازش سریع تر داده ها کمک می کند که در برخی موارد به مسئله overfiting نیز کمک شایانی می کند.

آموزش تحلیل مولفه های اساسی در تصاویر ویژه - پیش ثبت نام

درخواست اطلاع رسانی انتشار این آموزش
وضعیت انتشار: در حال برنامه ریزی
زمان تقریبی انتشار: بر حسب تعداد درخواست های دانشجویان و اولویت زمانی و آموزشی اعضای هیات علمی فرادرس، انتشار این آموزش در واحد نشر فرادرس اولویت سنجی می شود. انتشار یک آموزش پس از شروع به ضبط معمولا ۴ تا ۱۲ هفته زمان می برد.
این آموزش در حال برنامه ریزی برای ارائه در فرادرس است و انتشار سریع تر آن، بستگی به تعداد متقاضیان این آموزش دارد. چنانچه شما نیز تمایل به انتشار سریع این آموزش دارید در این آموزش پیش ثبت نام نمایید.

فرادرس از جهت فرصت آموختن، یک محیط کاملا باز (بدون هیچ مرز و شرط برای ورود) برای همه است. اما از جهت فرصت آموزش دادن، یک محیط به شدت بسته است و مدرسین آن با عبور از سخت ترین ضوابط علمی و فیلترهای مهارت آموزشی برگزیده و دستچین می شوند. در چندین سال گذشته کمتر از 5 درصد متقاضیان تدریس در فرادرس توانسته اند به مرحله نهایی ارائه آموزش در آن برسند. ارائه یک آموزش توسط «گروه مدرسین فرادرس» تضمینی برای کیفیت آن می باشد.

توضیحات تکمیلی

با افزایش روز افزون داده ها، و همچنین حجم بالای اطلاعات موجود، بیش از پیش نیازمند مسئله کاهش ابعاد داده ها هستیم. روش ها و تکنیک های مختلفی برای این منظور ارائه شده اند که هر کدام از آن ها ویژگی ها و نواقصی دارند. در این بین یکی از روش های موجود و بسیار پرکاربرد در موضوع کاهش بعد، تحلیل مؤلفه های اساسی یا همان Principle Component Analysis(PCA) است.

PCA یکی از تکنیک های کاهش ابعاد داده ها است که در برخی مسائل به خوبی و با سرعت بالا عمل می کند. استفاده از این روش نه تنها در پردازش سریع تر داده ها کمک می کند که در برخی موارد به مسئله overfiting نیز کمک شایانی می کند.

هدف ما در اینجا آموزش تئوری و عملی PCA بوده و یکی از کاربردهای اساسی این تکنیک را که در بحث پردازش تصویر است را مطرح می کنیم.

مسئله تصاویر ویژه یا همان Eigen Face به این صورت است که تعدادی تصویر موجود که هر کدام دارای تعدادی زیاد ویژگی هستند، به عنوان مثال ۴۰۹۶ ویژگی برای هر تصویر را در نظر بگیرید، حال با در دست داشتن یک پایگاه داده عظیم از تصاویر اشخاص که هر کدام دارای ۴۰۹۶ ویژگی (منظور همان تعداد پیکسل های تصویر است) می خواهیم یک تصویر آزمایش را با این پایگاه داده مقایسه کرده، و شخص شبیه به آن را پیدا کنیم. طبیعتاً با مقایسه تصاویری با این حجم ویژگی بسیار زمان بر و در مواردی غیر ممکن خواهد بود. PCA در این مسئله به خوبی عمل می کند، به نحوی که با اعمال این تکنیک کاهش بعد به تصویر، و با به دست آوردن Eigen Face های تصاویر می توان ویژگی ها را به ۱۰ (تعداد پیکسل های تصاویر بعد از اعمال PCA) کاهش داد و نتیجه مطلوب را در زمان بسیار کم گرفت.

عملاً PCA راستای بیشترین تغییرات را با توجه به تعداد ویژگی ها و نوع آنها به ما می دهد. به همین دلیل در برخی موارد که تنها محوری که بیشترین تغییرات یا پراکندگی را دارد برای ما مهم است، راه حل مناسبی خواهد بود.

فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
  • معرفی دو روش معروف کاهش بعد
  • معرفی تئوری کاهش بعد PCA
  • یک مثال تئوری از اعمال PCA بر داده ها
  • معرفی مسئله EigenFace
  • پیاده سازی عملی کاهش بعد PCA در مسئله EigenFace در نرم افزار متلب

مفید برای رشته های
  • هوش مصنوعی
  • مهندسی نرم افزار
  • مهندسی برق




راهنمای سفارش آموزش‌ها

آیا می دانید که تهیه یک آموزش از فرادرس و شروع یادگیری چقدر ساده است؟

(راهنمایی بیشتر +)

در مورد این آموزش یا نحوه تهیه آن سوالی دارید؟
  • با شماره تلفن واحد مخاطبین ۵۷۹۱۶۰۰۰ (پیش شماره ۰۲۱) تماس بگیرید. - تمام ساعات اداری
  • با ما مکاتبه ایمیلی داشته باشید (این لینک). - میانگین زمان پاسخ دهی: ۳۰ دقیقه


اطلاعات تکمیلی

نام آموزش آموزش تحلیل مولفه های اساسی در تصاویر ویژه - پیش ثبت نام
ناشر فرادرس
کد آموزش FVIMG9504
زبان فارسی
نوع آموزش آموزش ویدئویی (نمایش آنلاین + دانلود)






نظرات

حسین
حسین
۱۴۰۰/۰۷/۰۶

لطف کنید آموزش تحلیل مولفه های اساسی در R انجام گیرد
پاسخ به نظر

لیلا
لیلا
۱۳۹۹/۰۸/۲۹

لطفا آموزش PCAوPLSوPLS-DAرا ارائه دهید
پاسخ به نظر

ندا
ندا
۱۳۹۸/۱۰/۰۳

با سلام لطفا پیاده سازی عملی کاهش بعد PCA را در نرم افزار R هم انجام بدید
پاسخ به نظر

برچسب‌ها:
Analysis | EigenFace | overfiting | PCA
مشاهده بیشتر مشاهده کمتر

×
فهرست جلسات ۰ جلسه ویدئویی
×