پروژه کاهش ابعاد (Dimensionality Reduction) پژوهشی کامل می باشد و در حوزه کامپیوتر تنظیم شده است. شما میتوانید فهرست مطالب پروژه را در ادامه مشاهده نمایید.

پروژه بصورت فایل قابل ویرایش ورد(WORD) در 44 برگه برای رشته کامپیوتر و IT در پایین همین صفحه قابل دانلود میباشد. شایسته یادآوری است که پروژه از ابتدا تا پایان ویرایش وتنظیم , سکشن بندی (section) وfootnote نویسی و فهرست گذاری اتوماتیک کامل شده وآماده تحویل یا کپی برداری از مطالب مفید آن است.

بلافاصله بعد از پرداخت و خرید ، لینک دانلود نمایش داده می شود، علاوه بر آن لینک فایل مربوطه به ایمیل شما نیز ارسال می گردد.

1- مقدمه

پيشرفتهاي بوجود آمده در جمع آوري داده و قابليتهاي ذخيره سازي در طي دهه­ هاي اخير باعث شده در بسياري از علوم با حجم بزرگي از اطلاعات روبرو شويم. محققان در زمينه­ هاي مختلف مانند مهندسي، ستاره شناسي، زيست شناسي و اقتصاد هر روز با مشاهدات بيشتر و بيشتري روبرو مي­شوند. در مقايسه با بسترهاي داده­اي قديمي و كوچكتر، بسترهاي داده­اي امروزي چالشهاي جديدي در تحليل داده­ ها بوجود آورده­ اند. روشهاي آماري سنتي به دو دليل امروزه كارائي خود را از دست داده ­اند. علت اول افزايش تعداد مشاهدات (observations) است، و علت دوم كه از اهميت بالاتري برخوردار است افزايش تعداد متغيرهاي مربوط به يك مشاهده مي­ باشد.

تعداد متغيرهايي كه براي هر مشاهده بايد اندازه گيري شود ابعاد داده ناميده مي­شود. عبارت "متغير" (variable) بيشتر در آمار استفاده مي­شود در حالي كه در علوم كامپيوتر و يادگيري ماشين بيشتر از عبارات "ويژگي" (feature) و يا "صفت" (attribute) استفاده مي­گردد.

بسترهاي داده ­اي كه داراي ابعاد زيادي هستند عليرغم فرصتهايي كه به وجود مي­ آورند، چالشهاي محاسباتي زيادي را ايجاد مي­كنند. يكي از مشكلات داده ­هاي با ابعاد زياد اينست كه در بيشتر مواقع تمام ويژگيهاي داده­ ها براي يافتن دانشي كه در داده­ ها نهفته است مهم و حياتي نيستند. به همين دليل در بسياري از زمينه­ ها كاهش ابعاد داده يكي از مباحث قابل توجه باقي مانده است.

روشهاي كاهش ابعاد داده به دو دسته تقسيم مي­شوند:

• روشهاي مبتني بر استخراج ويژگي: اين روشها يك فضاي چند بعدي را به يك فضاي با ابعاد كمتر نگاشت مي­كنند. در واقع با تركيب مقادير ويژگيهاي موجود، تعداد كمتري ويژگي بوجود مي ­آورند بطوريكه اين ويژگيها داراي تمام (يا بخش اعظمي از) اطلاعات موجود در ويژگيهاي اوليه باشند. اين روشها به دو دسته­ ي خطي و غير خطي تقسيم مي­شوند.
• روشهاي مبتني بر انتخاب ويژگي: اين روشها سعي مي­كنند با انتخاب زيرمجموعه ­اي از ويژگيهاي اوليه، ابعاد داده ­ها را كاهش دهند. در پاره­اي از اوقات تحليلهاي داده ­اي نظير طبقه ­بندي برروي فضاي كاسته شده نسبت به فضاي اصلي بهتر عمل مي­كند.

در تهيه اين گزارش كمتر به اثباتهاي رياضي پرداخته شده و بيشتر به مفاهيم و كاربرد روشها توجه شده است. در فصل دوم از اين گزارش، به مطالعه ­ي روشهاي مبتني بر استخراج ويژگي پرداخته ­ايم. در تهيه ­ي مطالب اين فصل سعي كرده­ ايم با ارائه ­ي مثالهاي مناسب، خواننده را در درك بهتر مفاهيم مربوطه ياري رسانيم. در اين فصل، چهار روش ارائه شده است كه همگي از نوع خطي هستند. بدليل حجم زياد مطالب، مجالي براي پرداختن به روشهاي ديگر خطي و روشهاي غير خطي باقي نماند. اميد است در آينده مطالب اين فصل توسط اينجانب يا دانشجويان ديگر كاملتر شود.

در فصل سوم روشهاي مبتني بر انتخاب ويژگي ارائه شده است. مي­توان گفت در اين فصل يك مطالعه­ اجمالي برروي تمامي روشهاي انتخاب ويژگي انجام شده است. در تهيه ­ي مطالب اين فصل، از گزارش "معرفي روشهاي مختلف انتخاب ويژگي" توسط صادق سليمان­پور استفاده شده است كه جا دارد در همين­جا از ايشان تشكر نمايم.

فهرست مطالب

1- مقدمه1

2- روشهای مبتنی بر استخراج ويژگی. 3

2-1- Discrete Fourier Transform (DFT)4

2-2- Discrete Wavelet Transform (DWT)6

2-3- Principal Component Analysis (PCA)10

2-3-1- مفاهيم مقدماتي مورد نياز در PCA. 10

2-3-2- الگوريتم PCA. 13

2-4- Factor Analysis (FA)17

3- روشهای مبتنی بر انتخاب ويژگی. 20

3-1- تعاريف.. 20

3-2- روشهاي مختلف انتخاب ويژگي. 23

3-2-1- توابع توليد کننده23

3-2-2- تابع ارزيابي. 24

3-2-3- دسته بندي و تشريح الگوريتم هاي مختلف انتخاب ويژگي 26

3-2-4- جمع بندي روشهاي انتخاب ويژگي. 39

4- فهرست منابع و مراجع. 40