اندازه مناسب test set و training set در classification

دسته بندی یکی از عملیات رایج و مورد استفاده در داده کاوی است . دسته بندی عملیاتی است که سازمان ها را قادر میسازد که در حل مسائل خاص در مجموعه های بزرگ و پیچیده به کشف الگوهایی دست یابند . دسته بندی فرآیندی میباشد که مجموعه داده ها را به قسمت های مشخص تقسیم میکند . برای مثال مشتریان یک شرکت بیمه را بر اساس خصوصیاتشان به دو گروه با ریسک بالا و ریسک پایین تقسیم میشوند . با این کار در واقع مشتریان این شرکت را دسته بندی شده اند . ساده ترین روشی که برای دسته بندی به نظر می رسد گذاشتن حدی برای دسته ها می باشد، مثلاً افراد با درآمد بالای مقداری مشخص را به یک دسته و افراد با درآمد پایین تر از آن را به یک دسته ی دیگر تخصیص دهیم . تعدادی از روش هایی که میتوانند جهت داده کاوی مسائل دسته بندی به کار برده شوند، شامل : درخت تصمیم و شبکه های عصبی و نظیراین ها را ارایه کردند . این روش ها بر دامنه گستردهای از زمینه های مهندسی به کار برده می شوند . برای نم ...

اندازه مناسب test set و training set در classification

دسته بندی یکی از عملیات رایج و مورد استفاده در داده کاوی است . دسته بندی عملیاتی است که سازمان ها را قادر میسازد که در حل مسائل خاص در مجموعه های بزرگ و پیچیده به کشف الگوهایی دست یابند . دسته بندی فرآیندی میباشد که مجموعه داده ها را به قسمت های مشخص تقسیم میکند . برای مثال مشتریان یک شرکت بیمه را بر اساس خصوصیاتشان به دو گروه با ریسک بالا و ریسک پایین تقسیم میشوند . با این کار در واقع مشتریان این شرکت را دسته بندی شده اند . ساده ترین روشی که برای دسته بندی به نظر می رسد گذاشتن حدی برای دسته ها می باشد، مثلاً افراد با درآمد بالای مقداری مشخص را به یک دسته و افراد با درآمد پایین تر از آن را به یک دسته ی دیگر تخصیص دهیم . تعدادی از روش هایی که میتوانند جهت داده کاوی مسائل دسته بندی به کار برده شوند، شامل : درخت تصمیم و شبکه های عصبی و نظیراین ها را ارایه کردند . این روش ها بر دامنه گستردهای از زمینه های مهندسی به کار برده می شوند . برای نم ...

پاورپوینت استخراج ویژگی تصاویر ابرطیفی مبتنی بر شی

پاورپوینت استخراج ویژگی تصاویر ابرطیفی مبتنی بر شی

توضیحات:

پاورپوینت استخراج ویژگی تصاویر ابرطیفی مبتنی بر شی، در 63 اسلاید.

در این فایل با کمک ناحیه بندی تصویر به استخراج ویژگی های طیفی و مکانی آن می پردازیم.

در فایل مورد نظر ابتدا به معرفی تصاویر ابرطیفی به طور پایه پرداختیم و ویژگی های ان را مورد مطالعه قرار دادیم، سپس چند اسلاید به معرفی پدیده ی هیوز و اثر ان بر طبقه بندی تصاویر تخصیص داده شده است. در اسلاید های بعدی روش های بر طرف کردن این پدیده را معرفی میکنیم و در میان آن ها به معرفی انواع روش های استخراج ویژگی پرداختیم.سپس تفاوت روش استخراج ویژگی مبتنی بر پیکسل و مبتنی بر شی مشخص شده است و با رسم یک نمودار میله ای نرخ رشد کاربرد روش استخراج ویژگی مبتنی برشی را مشخص کرده ایم. در ادامه، دو روش نوین استخراج ویژگی در این اسلاید مورد بررسی گام به گام با ذکر روابط بسیار مهم آن ها قرار گرفته است.

فایل حاوی شکل های متعدد به منظور مقایسه ی نتایج به دست آمده با روش های پایه و نوین است. بدین ترتیب که:
با رسم چندین نمودار خطی نتیجه ی روش مورد نظر را در استخراج 1تا10 ویژگی با تعداد نمونه های آموزشی 12و 15 و 18 بررسی میکنیم. معیار ارزیابی در نظر گرفته شده در این نمودار ها متوسط دقت است.
با رسم چندین نمودار میله ای به مقایسه ی روش های نوین با روش مورد نظر در معیار اندازه گیری دقت کلی، دقت متوسط و ضریب کاپا می پردازیم.
الگوریتم ها را بر داده های ابرطیفی واقعی ایندیانا، سالیناس و بوتسوانا اعمال کرده و تفاوت نتیجه ی روش با روش FEUAP و نقشه حقیقی زمین هر یک از داده ها مشخص شده است.
با رسم جداول متعدد به مقایسه ی نتیجه ی روش پیشنهادی در دو طبقه بندی k-nnو gml با روش های دیگر پرداختیم.
از طبقه بندی k-nn ,gmlو svm استفاده شده است.

اسلاید ها حاوی اطلاعات کامل و جامعی از تک تک گام های روش پیشنهادی است و برای ناحیه بندی از الگوریتم cla و fireflyاستفاده میکند.
برای افزایش کیفیت آموزش از چندین فلوچارت استفاده شده است تا مفاهیم بهتر و ساده تر منتقل شوند.
*روش cla و firefly (کرم شب تاب) از جدید ترین روش های ناحیه بندی تصویر اند.

فایل ورد ترجمه مقاله Human face recognition based on multi-features using neural networks committee

فایل ورد ترجمه مقاله تشخیص چهره ی انسان بر اساس ویژگی های چندگانه با استفاده از مجموعه شبکه های عصبی   Human face recognition based on multi-features using neural networks committee ...

شناسایی تومور در تصاویر MRI مغز به کمک شبکه‌‌ی کانولوشنی عمیق (پایتون)

پزشکان برای تشخیص تومور مغزی از تصاویر MRI مغز استفاده می‌کنند. امروزه محققان از توانایی شبکه‌‌‌های کانولوشنی عمیق برای شناسایی وجود تومور در تصاویر MRI استفاده می‌کنند. مقالات فراوانی پیرامون این پژوهش ارایه شده است. ما در این پروژه، به کمک شبکه‌‌ی کانولوشنی عمیق (پایتون)، وجود تومور در تصاویر MRI را پیش بینی می‌کنیم. + داده‌های MRI مغز   در ساختار این شبکه از لایه‌ convolution ، MaxPooling، Relu، Dropout، Flatten و Dense استفاده شده است. مقدار صحت بر روی داده‌های آزمون تقریبا برابر با 97 درصد به دست آمد.   بدون تومور مغزی     حاوی تومور مغزی     ...

فایل ورد ترجمه مقاله Human face recognition based on multi-features using neural networks committee

فایل ورد ترجمه مقاله تشخیص چهره ی انسان بر اساس ویژگی های چندگانه با استفاده از مجموعه شبکه های عصبی   Human face recognition based on multi-features using neural networks committee ...

شناسایی تومور در تصاویر MRI مغز به کمک شبکه‌‌ی کانولوشنی عمیق (پایتون)

پزشکان برای تشخیص تومور مغزی از تصاویر MRI مغز استفاده می‌کنند. امروزه محققان از توانایی شبکه‌‌‌های کانولوشنی عمیق برای شناسایی وجود تومور در تصاویر MRI استفاده می‌کنند. مقالات فراوانی پیرامون این پژوهش ارایه شده است. ما در این پروژه، به کمک شبکه‌‌ی کانولوشنی عمیق (پایتون)، وجود تومور در تصاویر MRI را پیش بینی می‌کنیم. + داده‌های MRI مغز   در ساختار این شبکه از لایه‌ convolution ، MaxPooling، Relu، Dropout، Flatten و Dense استفاده شده است. مقدار صحت بر روی داده‌های آزمون تقریبا برابر با 97 درصد به دست آمد.   بدون تومور مغزی     حاوی تومور مغزی     ...