آموزش

بازشناسي چهره در يك جمله بدين صورت تعريف مي شود: اخذ تصوير چهره و شناسايي آن با توجه به نمونه‌هايي كه قبلاً به سيستم آموزش داده شده است. تحقيقات در زمينه بازشناسي

روند کار سیستم­های محتوا محور به این صورت است که ابتدا براساس نحوه­ امتیازدهی کاربر به اقلام مختلف، نمایه­ای از علائق او ساخته می­شود. سپس بر اساس میزان تطابق خصوصیات اقلام با

  فیلترینگ اشتراکی علاوه بر کاربرد وسیع آن و مزایایی که از آن برخوردار است شامل معایبی نیز می­باشد که در ادامه به توضیح تعدادی از آنها می­پردازیم. 2-10-1- پراکنده بودن داده[1]

تشخیص میزان علائق کاربران نسبت به اقلام متفاوت یکی از مهم­ترین وظایف فیلترینگ اشتراکی می­باشد. هر بار که کاربری در مورد قلمی خاص ابراز علاقه می­کند مقدار جدیدی در نمایه­ او اضافه

متدهای فیلترینگ اشتراکی به دو گروه کلی فیلترینگ اشتراکی مبتنی بر همسایگی[1] یا مبتنی بر حافظه[2] و فیلترینگ اشتراکی مبتنی بر مدل[3]  تقسیم می­شوند.[12] الگوریتم­های موجود در گروه فیلترینگ اشتراکی مبتنی بر

وظایف فیلترینگ اشتراکی به دو دسته­ ارائه­ پیشنهاد به کاربران و پیش­بینی امتیاز اقلام دیده نشده تقسیم می­شوند که در ادامه هر کدام را به تفکیک توضیح خواهیم داد. پیشنهاد در این

فیلترینگ اشتراکی یکی از بهترین راهکارها در سیستم­های پیشنهادگر می­باشد. این روش به خاطر استفاده­اش در سایت­های تجارت الکترونیک مانند  AMAZOONو NETFLIX به خوبی شناخته شده است. این متد کاربرانی که علائق­شان

تست فریدمن [52]، یک تست نا پارامتری­ است[1]. این تست الگوریتم­ های گوناگون را روی هر مجموعه داده به صورت جداگانه، رتبه ­بندی می­کند. بهترین الگوریتم رتبه یک، دومین بهترین الگوریتم، رتبه دو

مشکل تغییرپذیری درون‌کلاسی برای کلاس هدف و همچنین معایب استفاده از چندین دسته‌بندی‌کننده سريال به طور همزمان، در روش ارائه شده توسط لینهارت و همکاران [49] برطرف شد. روش آنها یک ساختار درختی

 [19] یک روش کلی برای بهبود دقت یادگیر‌های ضعیف، توسط یک پروسه تکرار‌شونده است. شپیر در سال 1990 اثبات کرد که یادگیر‌های ضعیف، که عملکرد آنها اندکی بهتر از حدس تصادفی است،

القای دسته‌بندی‌کننده ها هنگامی که تعداد داده‌های آموزشی به طرز چشمگیری زیاد باشد با مشکل رو‌به‌رو خواهد شد. این پدیده باعث به وجود آمدن مرزهای کلاس[1]  پیچیده می‌شود؛ یادگیری دقیق این مرز‌ها،