تحقیق و پاورپوینت ارزیابی مسائل مربوط به طبقه بندی کننده داده های چند برچسبی

توضیحات

 عنوان فارسی: ارزیابی مسائل مربوط به طبقه بندی کننده داده های چند برچسبی 

• چکیده
• فصل یک: مقدمه
•   مقدمه
•   تاریخچه موضوع
•   اهمیت موضوع به لحاظ کاربردی
•   مفاهیم پایه ای
• فصل دو: مرور پیشینه
• مرور پیشینه
•  مسائل کلی مربوط به طبقه­بندی برچسبی
•  مسائل طبقه­بندی تک برچسبی و چندبرچسبی
•  کاربردهایی از طبقه بندی برچسبی در جهان واقعی
•  انواع تکنیک­ یادگیری ماشین
•  یادگیری طبقه­بندی چندبرچسبی
•  ماشین یادگیری شدید ELM
•  بررسی برخی از روش­های موجودِ طبقه­بندی داده­های چندبرچسبی
•  ارزیابی برخی از کارهای مرتبط با تحقیق
•  نتیجه گیری تحقیق
•  کارهای آتی
• منابع

چکیده

با افزایش حجم داده­ها نیاز به طبقه­بندی و تحلیل داده­ها به صورت خودکار از جایگاه ویژه­ای برخودار شده است. در این تحقیق به بررسی، مطالعه کارهای انجام شده در راستای طبقه­بندی چندبرچسبی و ارزیابی یک طبقه­بندی کننده چندبرچسبی آنلاین جدید مبتنی بر ماشین یادگیری شدید، برای جویبار­ داده­های بلادرنگ خواهد پرداخت. طبقه­بندی چندبرچسبی، یکی از زمینه­های فعال تحقیقاتی در یادگیری ماشین است که در سال­های اخیر به علت رشد سریع ابزار­های دنیا، توجه خاصی به خود جلب کرده است. برخلاف طبقه­بندی کننده­های باینری و چندکلاسی مرسوم، در طبقه­بندی کننده چند برچسبی هر یک از نمونه­های ورودی بطور همزمان با مجموعه­ای از برچسب­های هدف ارتباط دارند. هیچ­گونه شبکه عصبی آنلاین بلادرنگ مبتنی بر طبقه­بندی کننده چندبرچسبی در مقالات چاپی وجود ندارد.  به دلیل کاربردی بودن طبقه­بندی­ داده­های چندبرچسبی­در این تحقیق یک مطالعه کلی بر روی روش­ها و کاربردهای آن در حیطه، جویبارداده­ای آنلاین خواهیم داشت.

کلید واژه: طبقه بندی، چندبرچسبی، آنلاین، ماشین یادگیری شدید (ELM)، سرعت بالا.

فصل یک:

مقدمه

1- مقدمه:

1-1- تاریخچه موضوع [1]:

   در دسته­بندی تک­برچسبی هر نمونه با یک برچسب در ارتباط می­باشد که این برچسب ویژگی­های آن نمونه را مشخص می­کند. در دسته­بندی چندبرچسبیهر نمونه ممکن است با چندین برچسب در ارتباط باشد و اجتماع این برچسب­ها ویژگی­های نمونه­ها را مشخص می­کنند به عبارت دیگر در دسته­بندی چندبرچسبی هر نمونه توسط نمونه­برداری از برچسب­ها مشخص می­شود. در بسیاری از کاربردهای واقعی نیز داده­ها، ­چندبرچسبی می­باشند. به عنوان مثال یک فیلم سینمایی ممکن است مربوط به چندین ژانر مختلف باشد و یا یک خبر مربوط به چندین حوزه مختلف باشد. معمولا برای حل این مسائل از راهکارهای تک­برچسبی استفاده می­شود که اغلب، این راهکارها باعث افزایش هزینه­های نگه­داری و بازیابی می­شود و دارای پیچیدگی زمانی زیادی نیز هستند. با افزایش تعداد برچسب­ها یادگیری داده­های چندبرچسبی دچار چالش می­شود زیرا با افزایش، تعداد حالت­های ممکن برای مجموعه برچسب­های متفاوت به صورت نمایی افزایش می­یابد و نمی­توان از الگوریتم­های موجود در داده­های تک­برچسبی برای حل این مسائل استفاده کرد زیرا استفاده از دسته­بند­های داده­های تک­برچسبی باعث پیچیدگی زمانی زیادی می­شود. روش­های یادگیری چندبرچسبی سعی در کاهش این هزینه­ها دارند. از طرفی برخی از کاربردها همانند توابع تاثیر ژنها ذانا چندبرچسبی هستند و حتی با هزینه­های بالا هم نمی­توان آنها را به مسالۀ تک برچسبی تبدیل کرد و نیاز به یادگیری چندبرچسبی برای این مسائل ضروری است. در یادگیری چندبرچسبی هدف یافتن تابع نگاشتی است که فضای ویژگی را به فضای مجموعه برچسب­ها نگاشت کند.

1-2- اهمیت موضوع به لحاظ کاربردی:

  طبقه بندی­کننده چندبرچسبی داده­ها در حوزه­های مختلفی از جمله حوزه­های علمی، تجاری و امنیتی و غیره کاربرد دارد. در تمامی این حوزه­ها با توجه به حجم انبوه داده­ها نیاز است داده­ها را در گروه­های مدنظر قرار داد و سپس به تجزیه و تحلیل آنها پرداخت.

1-3- مفاهیم پایه­ای:

تعریف انواع طبقه­بندی برچسبی: طبقه بندی در یادگیری ماشین، شناسایی یک تابع f(x) است که هر بردار ویژگی xi را به هدف مربوطه با برچسب yi، i=1,2,..,n که n تعداد نمونه­های آموزشی می­باشد، متصل کند. در طبقه­بندی­کننده­های مرسوم در یاگیری ماشین، هر یک از نمونه­های ورودی تنها به یک برچسب هدف متصل می­شود، به بیان دیگر، هر نمونه ورودی دارای هدف مرتبط یکتایی است. به این نوع طبقه­بندی، طبقه­بندی تک­برچسبی گفته می­شود. در مقابل چندین مسئله طبقه­بندی در دنیای واقعی، شامل نمونه داده­هایی هستند که این نمونه داده­ها به زیرمجموعه­ای از برچسب­های هدف مرتبط می­شوند. این امر موجب ظهور شاخه جدیدی از طبقه­بندی یادگیری ماشین، به نام «طبقه­بندی چندبرچسبی» می­شود[3].

طبقه­بندی داده­های چندبرچسبی[2]: طبقه­بندی داده­های چندبرچسبی یک مساله یادگیری با نظارت می­باشد که در آن هر نمونه می­تواند همزمان با چندین کلاس یا برچسب همراه شود و این کلاس­ها مختص یک نمونه خاص نیز نمی­باشند. در سال­های اخیر به علت رشد سریع ابزارهای دنیای واقعی، مسائل طبقه­بندی برچسبی اهمیت و توجه زیادی را به خود جلب کرده است. طبقه­بندی چندبرچسبی کاربردهای زیادی در دنیای واقعی دارد از جمله این کاربردها می­توان تقسیم­بندی متن[3]، بیوانفورماتیک[4]، تفسیر صحنه و فیلم، ژنومیک، مولتی­مدیا، عواطف، برچسب­زنی نگاشت، بازاریابی، دسته بندی موسیقی و غیره را نام برد. با توجه به حضور گسترده مسائل چندبرچسبی در محدوده وسیعی از سناریوهای جهان واقعی، طبقه­بندی برچسبی یک زمینه نوظهور در طبقه­بندی یادگیری ماشین به شمار می­رود. سه نوع دسته برای طبقه بندی چندبرچسبی وجود دارد که عبارتند از: تجزیه داده، توسعه الگوریتم و استراتژی ترکیبی. استراتژی تجزیه داده مجموعه­داده چندبرچسبی را به یک یا چندزیرمجموعه تک­برچسب تقسیم می­کند و سپس برای هر زیرمجموعه با استفاده از طبقه­بندهای موجود، یک طبقه­بند برای آنان می­سازد و سپس همه­ی این طبقه­بندها در یک طبقه بند چندبرچسبی کلی جمع می­کند. عمدتا 3نوع ترفند تجزیه داده وجود دارد: یک درمقابل یک، یک درمقابل بقیه، برچسب ابر مجموعه. روش چندبرچسبی تجزیه داده برای پیاده­سازی مناسب است چون تعدادی از طبقه­بندها در این حوزه و نرم­افزارهای رایگان آنان موجود می­باشند. استراتژی توسعه الگوریتم، یک الگوریتم طبقه­بندی­چندکلاسه­خاص را برای همه نمونه­های آموزشی و همه کلاس­های یک مجموعه داده آموزشی چندبرچسبی، عمومیت می­بخشد. چنین استراتژی می­تواند در مسائل بهینه­سازی پیچیده مورد استفاده قرار گیرد. برای مثال برنامه­نویسی درجه دوبزرگ مقیاس در ماشین بردارِ پشتیبان چندبرچسبی و بهینه­سازی بدون قید در شبکه­های عصبی چندبرچسبی. استراتژی ترکیبی از برخی از الگوریتم­های طبقه­بندی تک­برچسب با یک یا دو ترفند تجزیه داده که به صورت ضمنی یا صریح بکار رفته­اند را گسترش می­دهد. به عبارت دیگر برخی از محاسن دو گروه فوق از روش­های چندبرچسبی را در یک جا جمع می­کند. این استراتژی برای طراحی و پیاده­سازی چندین طبقه­بند چندبرچسبی مورد استفاده قرار می­گیرد[2].

 توجه:

• برای دانلود فایل word کامل ترجمه از گزینه افزودن به سبد خرید بالا استفاده فرمایید.
• لینک دانلود فایل بلافاصله پس از خرید بصورت اتوماتیک برای شما ایمیل می گردد.