شناسایی الگو و تقریب توابع (رگرسیون) - بخش اول

توضیحات

کاربردهای شبکه های عصبی- شناسایی الگو (Pattern Recognition) یا طبقه بندی(Classification) و تقریب تابع (رگرسیون) Pattern Recognition and Function Approximation (Regression) a. بخش اول i. تعریف ساده شناسایی الگو ii. تعریف ویژگی(خصلت)، بردار ویژگی، فضای ویژگی و نمودار پراکندگی داده feature, feature vector, feature space and scatter plot iii. تعریف تفکیک پذیری خطی، غیرخطی، وابسته شدید و چند مدال linear separability, nonlinear separability, highly correlated features and multi-modal iv. بررسی مفهوم ویژگی و متغیر تصادفی و توزیع‌های آماری v. مثال ازتوزیع آماری تک ویژگی در دو گروه و آستانه گذاری برای جداسازی کلاسها vi. مفاهیم آزمونهای آماری برای بررسی خوب بودن ویژگیها برای تفکیک یا جداپذیری گروه ها(کلاسهای داده) Ttest vii. مفاهیم و تعاریف TP, TN, FP, FN, Accuracy, Sensitivity and Specificity و کاربردهای آنها viii. اهمیت حساسیت sensitivity در مسایل غربالگری screening ix. تعریف طبقه بند بصورت ریاضی x. چرخه پیاده سازی یک سیستم شناسایی الگو/یادگیری ماشین/ طبقه بندی با شبکه عصبی / یادگیری عمیق داده محور: جمع آوری داده، انتخاب ویژگی، انتخاب مدل مناسب، آموزش و اعتبارسنجی مدل xi. تقسیم داده به آموزش و آزمون Train, Test xii. مثال پیاده سازی