يادگيري بر اساس تطابق نمونه هاي جديد با نمونه هاي ديده شده در اكثر طبقه بندها الگوريتم آموزش بر اساس نوعي اصلاح خطا در خروجي بوده و الگوريتم سعي در كم كردن فاصله بين خروجي مطلوب و خروجي واقعي شبكه دارد. به علت خصوصيات ذاتي در اين نوع الگوريتم ها از مشتقات و ماتريسهاي گراديان […]

در شبكه هاي عصبي پرسپترون چند لايه يكي از پارامترهاي طبقه بند، سايز يا تعداد گره‌هاي هر لايه از شبكه مي‌باشد. اكثر مسايل طبقه بندي با استفاده از يك شبكه عصبي پرسپترون سه لايه (تك لايه مخفي) قابل حل هستند. اما سايز لايه مخفي شبكه كه عملكرد بهينه را تضمين مي كند به تعداد نمونه

منظور از اعمال PCA كاهش ابعاد فضاي ویژگی است. با مولفه هاي اساسي بدست آمده از اعمال PCA بر روي يك مجموعه داده، فضاي جديدي ایجاد می شود كه داراي ابعادي برابر با ابعادفضاي اوليه است. خاصيت PCA این است كه بردارهاي فضاي جديد را در راستاي بيشترين اختلاف، انتخاب مي كند. بنابراین چنانچه تنها

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 چهره داراي قدمتي در حدود نيم قرن مي باشد. هر ساله تعداد مقالات علمي كه در اين زمينه منتشر مي شود، افزايش يافته

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 نمایه ساخته شده از کاربر، پیشنهادها به کاربر ارائه می­شود. ساختار سیستم­های پیشنهادگر محتوا محور در شکل زیر نشان داده شده است. همانگونه

  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] وقتی ماتریس کاربران – اقلام پراکنده و سایز آن بزرگ باشد این مشکل به وجود می­آید. کاربرانی هستند که به همه­ اقلام امتیاز

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 می­شود. به دو صورت صریح و ضمنی می­توان علائق کاربر را استخراج نمود. 2-6-1- تشخیص علائق به صورت صریح برای این منظور سیستم­های

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 همسایگی یا مبتنی بر حافظه نسبت به الگوریتم­های موجود در فیلترینگ اشتراکی مبتنی بر مدل رایج­تر می­باشند اما قابل ذکر است که این

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 حالت لیستی از اقلام به کاربران ارائه می­شود که بر حسب میزان مفید بودنشان برای کاربر مرتب شده­اند. یعنیN  مورد از بهترین پیشنهادات

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 شبیه به کاربر فعال می­باشند را پیدا کرده و از این طریق پیشنهادات را به او ارائه می­دهد. یعنی فرض بر این است