بخشی از پاورپوینت
اسلاید 1 :
مباحث ویژه
اسلاید 2 :
جلسات گذشته
مروری بر آمار و احتمالات
اسلاید 3 :
مفاهیم اولیه
انسان ها در بازشناسی اشیا (یا الگوها) بسیار توانا هستند با اینکه مراحل پردازشی و تجزیه و تحلیلی آن به طورکامل مشخص نیست
برای انسانها تشخیص صدای انسان از صدای ویولن، یک عدد دست نوشته "3" از "8"؛ عطر گلاب ، از پیاز بسیار آسان است.
هر روز چهره های اطراف خود را می شناسیم ، اما آن را ناخودآگاه انجام می دهیم و چون نمی توانیم نحوه تشخیص خود را توضیح دهیم ، نوشتن یک برنامه رایانه ای برای انجام همین کار دشوار است.
چهره هر فرد الگویی متشکل از ترکیب خاصی از ساختارها (چشم ، بینی ، دهان و .) که در موقعیت های مشخصی روی صورت قرار گرفته است میباشد
با تجزیه و تحلیل تصاویر نمونه ای از چهره ها ، یک برنامه باید بتواند الگوی اختصاصی برای صورت را ضبط کند و آن را به عنوان صورت (یا به عنوان عضوی از یک دسته یا طبقه ای که از قبل می شناسیم) شناسایی یا تشخیص دهد. این به رسمیت شناسایی الگوی میگوییم
اسلاید 4 :
مفاهیم اولیه
ممکن است چندین دسته (category) یا کلاس (class) وجود داشته باشد و ما باید یک چهره خاص را به یک دسته (یا کلاس) خاص طبقه بندی (classifier) کنیم.
اصطلاح الگو به طور گسترده ای تفسیر می شود و شامل همه اشیاء که ما ممکن است بخواهیم طبقه بندی کنیم ، به عنوان مثال ، سیب (یا پرتقال) ، شکل موج گفتار و اثر انگشت.
کلاس مجموعه ای از اشیاء شبیه به هم هستند اما لزوماً یکسان نیستند و از سایر طبقات قابل تشخیص است.
اسلاید 5 :
کاربردها
محبوبیت بازشناسی الگو و طبقه بندی به دلیل کاربردهای متنوع و نوظهوری است که هم چالش برانگیزند و هم جای رشد دارند از جمله:
داده کاوی (data mining) :جستجوی حجم وسیعی از داده ها برای استخراج مقدار کمی از اطلاعات مرتبط و مفید ، به عنوان مثال ، تشخیص کلاهبرداری ، پیش بینی مالی
بیومتریک (شناسایی شخصی مبتنی بر خصوصیات بدنی صورت ، عنبیه ، اثر انگشت و غیره)
بینایی ماشین (به عنوان مثال ، بررسی چشمی خودکار در یک خط مونتاژ)
تشخیص کاراکتر [به عنوان مثال ، مرتب سازی خودکار پست الکترونیکی بر اساس کد پستی ، اسکنرهای چک خودکار در دستگاههای خودپرداز (دستگاههای گفتگوی خودکار)]
تشخیص اسناد (به عنوان مثال ، تشخیص اینکه نامه الکترونیکی هرزنامه است یا خیر ، بر اساس عنوان و محتوای پیام)
اسلاید 6 :
کاربردها
تشخیص به کمک رایانه(CAD) [به عنوان مثال ، کمک به پزشکان در تصمیم گیری های تشخیصی بر اساس تفسیر داده های پزشکی مانند تصاویر ماموگرافی ، تصاویر سونوگرافی ، الکتروکاردیوگرام (ECG) و الکتروانسفالوگرام (EEGs
تصویربرداری پزشکی [به عنوان مثال ، طبقه بندی سلول ها به عنوان بدخیم یا خوش خیم بر اساس نتایج اسکن تصویربرداری (MRI) ، یا طبقه بندی حالت های مختلف عاطفی و شناختی از تصاویر فعالیت مغز در MRI عملکردی]
تشخیص گفتار (به عنوان مثال ، کمک به بیماران معلول برای کنترل ماشین ها)
بیوانفورماتیک (به عنوان مثال ، تجزیه و تحلیل توالی DNA برای شناسایی ژنهای مرتبط با بیماریهای خاص)
سنجش از دور (به عنوان مثال ، کاربری اراضی و عملکرد محصول)
نجوم (طبقه بندی کهکشان ها بر اساس شکل آنها،
اسلاید 7 :
ارتباط حوزه ها
در آمار ، دستیابی به توضیحات کلی از مشاهدات خاص، استنباط نامیده می شود ، یادگیری [یعنی استفاده از داده های (آموزش)] تخمین نامیده می شود و طبقه بندی به عنوان تمایز شناخته می شود.
در مهندسی طبقه بندی بازشناسی الگوی نامیده می شود.
رویکردهای دیگر منشأ آنها در یادگیری ماشین ، هوش مصنوعی ، شبکه های عصبی مصنوعی و داده کاوی ارتباط زیادی با حوزه بازشناسی الگو دارند
اسلاید 8 :
ارتباط حوزه ها
در آمار ، دستیابی به توضیحات کلی از مشاهدات خاص، استنباط نامیده می شود ، یادگیری [یعنی استفاده از داده های (آموزش)] تخمین نامیده می شود و طبقه بندی به عنوان تمایز شناخته می شود.
در مهندسی طبقه بندی بازشناسی الگوی نامیده می شود.
رویکردهای دیگر منشأ آنها در یادگیری ماشین ، هوش مصنوعی ، شبکه های عصبی مصنوعی و داده کاوی ارتباط زیادی با حوزه بازشناسی الگو دارند
اسلاید 9 :
روند بازشناسی الگو
اسلاید 10 :
روند بازشناسی الگو
یک سیستم تشخیص الگوی معمولی شامل یک سنسور ، یک مکانیسم پیش پردازش، یک مکانیسم استخراج ویژگی ، مجموعه ای از نمونه ها (داده های آموزشی) که قبلاً طبقه بندی شده اند (پس پردازش) و یک الگوریتم طبقه بندی است.
این فرآیند به عنوان مثال در طبقه بندی ضایعات به عنوان خوش خیم یا بدخیم استفاده می شود.
در مرحله پیش پردازش برای مثال در حوزه تصویر : کیفیت تصویر به دست آمده بستگی به وضوح ، حساسیت ، پهنای باند و نسبت سیگنال به نویز سیستم تصویربرداری دارد. مراحل پیش پردازش مانند تقویت تصویر (مانند تنظیم روشنایی ، افزایش کنتراست ، افزایش تصویر ، فیلتر دامنه فرکانس ، تقویت لبه) و ترمیم تصویر (به عنوان مثال ، تصحیح فوتومتری ، فیلتر معکوس ، فیلتر وینر) ممکن است مورد نیاز باشد.
اسلاید 11 :
روند بازشناسی الگو
مرحله استخراج ویژگی با اندازه گیری برخی خصوصیات یا ویژگی های خاص (مانند اندازه ، شکل و بافت) اشیاء دارای برچسب ، داده ها را کاهش می دهد.
این ویژگی ها (یا به طور دقیق تر مقادیر این ویژگی ها) سپس به یک طبقه بندی کننده منتقل می شود که شواهد ارائه شده را ارزیابی می کند و در مورد کلاسی که باید هر شیء اختصاص یابد ، تصمیم می گیرد ،
کیفیت ویژگی ها مربوط به توانایی آنها در تفکیک نمونه ها از کلاس های مختلف است. نمونه هایی از همان کلاس باید دارای ویژگی های مشابه باشند ، در حالی که نمونه هایی از کلاس های مختلف باید دارای ویژگی های متفاوتی باشند ، به عنوان مثال ، ویژگی های خوب باید دارای تغییرات درون کلاس کوچک و تغییرات درون کلاس بزرگی باشند
اسلاید 12 :
ویژگی ها میتوانند پیوسته، دسته ای یا کیفی باشند.
ویژگی های دسته ای می توانند عددی مانند کد پستی ، شناسه کارمند ، جنسیت و .. و یا ترتیبی به عنوان مثال ، تعداد خیابان ها ، نمرات ، درجه رضایت (بسیار بد ، بد ، خوب ، خوب ، بسیار خوب) باشند.
نگاشت بین نوع های مختلف هم می تواند اتفاق بیفتد برای مثال
ویژگیهای برتر ویژگی هایی هستند که حاوی اطلاعات بیشتر یا به عبارتی قدرت تفکیک بالاتری هستند
اسلاید 13 :
انسان ها با استفاده از اندازه ، شکل ، رنگ و سایر نشانه های تصویری ، در تشخیص اشیاء موجود در یک تصویر مهارت دارند. آنها می توانند این کار را انجام دهند با وجود این واقعیت که اشیاء ممکن است از زاویه های دید مختلف و در شرایط مختلف نورپردازی ظاهر شوند ، اندازه های مختلفی داشته باشند یا چرخانده شوند. حتی زمانی که جزئی پوشیده شده باشند. این وظایف برای سیستم های بینایی ماشین به طور کلی چالش برانگیز است.
اسلاید 14 :
طبقه بندی
هدف از طبقه بندی طبقه بندی داده های جدید (داده های آزمایش) به یکی از کلاس ها است که با منطقه تصمیم گیری مشخص می شود. مرزهای بین مناطق تصمیم گیری مرز تصمیم گیری نامیده می شوند
اسلاید 15 :
تکنیک های طبقه بندی را می توان به دو حوزه وسیع تقسیم کرد: تکنیک آماری یا ساختاری (یا نحوی) ، با یک بخش سوم که از هر دو وام گرفته می شود ، گاهی اوقات این دسته روش های شناختی نامیده می شود که شامل شبکه های عصبی و الگوریتم های ژنتیکی است.
حوزه اول به ماهیتها یا الگوهای زمینه ای مبنای آماری می پردازد و توسط ویژگی های کمی مانند طول ، مساحت و بافت توصیف شده است.
حوزه دوم به ماهیتهایی می پردازد که به بهترین وجه با ویژگیهای کیفی به توصیف روابط ساختاری یا ذاتی در ماهیت را توضیح می دهند. روشهای طبقه بندی آماری از محبوبیت بیشتری برخوردار است.
در طی دهه گذشته روشهای شناختی محبوبیت زیادی پیدا کرده است. مدل ها لزوماً مستقل نیستند و سیستم های ترکیبی که دارای چندین طبقه بندی هستند ، به طور فزاینده ای متداول هستند
اسلاید 16 :
تمرین
داده های چهار بزرگسال را در نظر بگیرید که وزن آنها (در واقع ، توده آنها) و وضعیت سلامتی آنها را نشان می دهد. یک طبقه بندی ساده را ابداع کنید که بتواند هر چهار الگوی را به درستی طبقه بندی کند.
برای داده پنجمی که وزنش 76 کیلوگرم است براساس این طبقه بند به کدام دسته تعلق می گیرد؟
اسلاید 17 :
تمرین
موارد زیر را که در یک سوپر مارکت خریداری شده و برخی از مشخصات آنها را در نظر بگیرید: کدام ویژگی بهترین طبقه بند است؟
