یادگیری ماشین و بینایی رایانه ای

شبکه های عصبی مصنوعی جلسه اول: کلاس بندی با پرسپترون یک لایه ساده

شبکه های عصبی مصنوعی جلسه اول: کلاس بندی با پرسپترون یک لایه ساده

در این مطلب قرار است مفاهیم اصلی شبکه های عصبی مصنوعی را توضیح دهم و نحوه عملکرد یک شبکه عصبی بسیار ساده تحت عنوان پرسپترون یک لایه با یک نورون را تشریح کنم. همچنین پیاده سازی الگوریتم پرسپترون تک لایه در متلب آورده شده است. در انتها دستور پرسپترون تک لایه توضیح داده می شود. مشاهده ادامه مطلب…

استخراج ویژگی از تصویر با PCA و کلاس بندی تصاویر با SVM (قسمت دوم)

استخراج ویژگی از تصویر با PCA و کلاس بندی تصاویر با SVM (قسمت دوم)

در مطلب قبلی (کاهش بعد سیگنال و تصویر با PCA)، نحوه محاسبه مولفه های اساسی یک سری داده و همچنین کاهش بعد داده ها شرح داده شد. در این پست می خواهم نحوه استفاده از روش تجزیه به مولفه های اساسی برای استخراج ویژگی و برای کلاس بندی تصاویر با مثال در متلب توضیح دهم. مشاهده ادامه مطلب…

کاهش بعد سیگنال و تصویر (استخراج ویژگی) با تجزیه مولفه های اصلی (PCA) در متلب (قسمت اول)

کاهش بعد سیگنال و تصویر (استخراج ویژگی) با تجزیه مولفه های اصلی (PCA) در متلب (قسمت اول)

تجزیه به مولفه های اصلی (PCA) یک روش برای استخراج ویژگی از داده (سیگنال یا تصویر) می باشد. به تعبیر دیگر می توان با PCA کاهش بعد انجام داد. در ادامه منظور بعد تصویر یا سیگنال را توضیح خواهم داد، و سپس توضیحی اجمالی در رابطه با تجزیه به مولفه های اصلی و نحوه پیاده مشاهده ادامه مطلب…