بازشناسی الگو

هدف
• آشنایی با مبانی نظری پردازش و بازشناسی الگوها و پیاده‌سازی و ارزیابی الگوریتم‌ها در یک محیط برنامه‌نویسی مناسب
• آشنایی با روش‌های استخراج اطلاعات از داده‌های پزشکی و اعتبارسنجی آن‌ها
پیش نیاز: آمار و احتمال مهندسی (ترجیحاً فرآیندهای تصادفی)، آشنایی با مبانی برنامه‌نویسی MATLAB

سرفصل درس

  • مقدمه‌ای بر بازشناسی الگو: تعاریف، کاربردها، اهداف، بردار ویژگی، روش‌های نظارت‌شده و بدون ناظر
  • تئوری تصمیم‌گیری بیز: تعاریف، توابع جداکننده، تخمین توابع چگالی ناشناخته، تخمین پارامترهای آماری، قانون نزدیک‌ترین همسایگی
  • دسته‌بندهای خطی: پرسپترون تک‌لایه، روش‌های مبتنی بر کمترین مربعات، ماشین‌های بردار پشتیبان، روش فیشر
  • دسته‌بندهای غیرخطی: پرسپترون چندلایه، دسته‌بندهای چندجمله‌ای، توابع متقارن شعاعی (RBF)، تخمین عمومی توابع، ماشین‌های بردار پشتیبان غیرخطی، درخت تصمیم
  • انتخاب هدفمند ویژگی: شکل‌دهی اولیه داده‌ها، نقش مفروضات آماری، معیارهای تفکیک کلاس‌ها، روش‌های کاهش ابعاد ویژگی‌ها
  • خوشه‌بندی داده‌ها: تعاریف و کاربردها، معیارهای مجاورت، روش‌های خطی و غیرخطی، روش‌های نظارت‌شده و بدون ناظر، روش‌های اعتبارسنجی خوشه‌ها
  • داده‌های پزشکی: ملزومات پردازش داده‌های پزشکی، روش‌های اعتبارسنجی پزشکی، چند مثال معروف

منابع

1- S. T Theodoridis and K. Koutroumbas, “Pattern Recognition”, 3rd Edition, Academic Press, 2006
2- C. Bishop, “Pattern Recognition and Machine Learning”, Springer 2006.
3- A. R. Webb, “Statistical Pattern Recognition”, 2nd Edition, John Wiley & Sons Ltd, 2002.
4- R. O. Duda, P. E. Hart and D. Stork, “Pattern Classification”, 2nd Edition, Wiley 2002.

0 پاسخ

دیدگاه خود را ثبت کنید

تمایل دارید در گفتگوها شرکت کنید؟
در گفتگو ها شرکت کنید.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.