انتخاب ویژگی با روش فیلتر مبتنی بر گراف

معرفی دوره: انتخاب ویژگی با روش فیلتر “Infinite Feature Selection” در MATLAB

در این دوره، شما با یک رویکرد پیشرفته انتخاب ویژگی فیلتر محور به نام “Infinite Feature Selection (Inf-FS)” آشنا خواهید شد. این روش، که بر اساس اطلاعات متقابل (Mutual Information) و گراف (Graph-Based Approach) طراحی شده است، از جمله تکنیک‌های مدرن برای کاهش ابعاد داده‌ها و بهبود دقت مدل‌های یادگیری ماشین است. طبقه بند استفاده شده در این مدل ماشین بردار پشتیبان SVM است.
روش Inf-FS شامل دو حالت است:

1. روش نظارت‌شده (Supervised): با بهره‌گیری از اطلاعات برچسب‌ها (Labels).
2. روش بدون نظارت (Unsupervised): بدون نیاز به برچسب، برای کاربردهایی که داده‌ها فاقد کلاس‌بندی اولیه هستند.

هدف دوره این است که شما توانایی استفاده از Inf-FS را برای تحلیل داده‌های پزشکی زیستی (مانند داده‌های colon, leukemia, lymphoma, prostate) به‌دست آورید و دقت و عملکرد مدل‌های یادگیری ماشین را بهبود بخشید.

---

سرفصل‌های دوره

1. مقدمه‌ای بر انتخاب ویژگی (Feature Selection)

• تعریف انتخاب ویژگی و اهمیت آن در یادگیری ماشین.
• بررسی چالش‌های داده‌های با ابعاد بالا (High-Dimensional Data).
• معرفی روش‌های انتخاب ویژگی:
  • روش‌های فیلتر (Filter Methods).
  • تفاوت آن‌ها با Wrapper و Embedded.
• نقش اطلاعات متقابل (Mutual Information) در انتخاب ویژگی.
• اهمیت استفاده از روش‌های گراف‌محور برای تحلیل ارتباط بین ویژگی‌ها.

---

2. معرفی روش Infinite Feature Selection (Inf-FS)

• مبانی Inf-FS:
  • طراحی گراف ویژگی‌ها با استفاده از اطلاعات متقابل.
  • تعریف یک ماتریس وزن برای اندازه‌گیری ارتباط بین ویژگی‌ها.
  • یافتن مسیرهای بی‌نهایت در گراف و اولویت‌بندی ویژگی‌ها.
• مزایای Inf-FS:
  • حفظ تنوع و ارتباط بین ویژگی‌ها.
  • کاهش ابعاد داده‌ها با دقت بالا.
• حالات مختلف Inf-FS:
  • روش نظارت‌شده (Supervised): استفاده از اطلاعات برچسب‌ها برای بهبود ارتباط ویژگی‌ها.
  • روش بدون نظارت (Unsupervised): ارزیابی روابط بین ویژگی‌ها بدون اطلاعات کلاس.

---

3. آماده‌سازی داده‌ها برای Inf-FS در MATLAB

• لود کردن داده‌های پزشکی، زیستی:
  • معرفی دیتاست‌های استاندارد شامل colon، leukemia، lymphoma، prostate.
  • نحوه وارد کردن داده‌ها در MATLAB.
• تقسیم‌بندی داده‌ها:
  • آموزش (Training)، و تست (Testing).

---

4. پیاده‌سازی روش Inf-FS در MATLAB

• ساخت گراف ویژگی‌ها:
  • محاسبه ماتریس وزن با استفاده از اطلاعات متقابل.
  • ایجاد گراف و محاسبه مسیرهای بی‌نهایت.
• پیاده‌سازی روش نظارت‌شده:
  • استفاده از اطلاعات کلاس‌ها برای اولویت‌بندی ویژگی‌ها.
• پیاده‌سازی روش بدون نظارت:
  • تحلیل روابط بین ویژگی‌ها بدون برچسب.
• انتخاب مجموعه‌ای از ویژگی‌های برتر و کاهش ابعاد داده‌ها.

---

5. ارزیابی عملکرد Inf-FS

• معیارهای ارزیابی:
  • نرخ کاهش ویژگی ها: برای تحلیل کیفیت انتخاب ویژگی‌ها.
  • Classification Accuracy: برای بررسی تاثیر انتخاب ویژگی بر مدل.
• طبقه‌بنده استفاده‌شده:
  • ماشین بردار پشتیبان (SVM).
• تحلیل و مقایسه عملکرد با و بدون انتخاب ویژگی.

---

6. تحلیل و مصورسازی نتایج

• نمایش دقت طبقه‌بندها با و بدون Inf-FS.
• تحلیل مقایسه‌ای عملکرد بین روش‌های نظارت‌شده و بدون نظارت.

---

دستاوردهای دوره

• آشنایی با مفاهیم پیشرفته انتخاب ویژگی فیلتر محور.
• توانایی پیاده‌سازی روش Inf-FS در MATLAB.
• تحلیل و ارزیابی داده‌های زیستی با استفاده از الگوریتم Inf-FS.
• افزایش دقت و کاهش پیچیدگی محاسباتی در مدل‌های یادگیری ماشین.

---

مدت زمان دوره: 2 ساعت و نیم

حتما قبل از تهیه دوره معرفی دوره را مشاهده بفرمایید
تماس با مدرس:
• Telegram: t.me/matlabanyone
• Telegram: t.me/hassan_saadatmand
• Email: h.saadatmand22@yahoo.com
• Website: www.matlablearning.com
• Phone: 09155137038

مدرس حسن سعادتمند:
• بیش از 250 دوره آموزشی در متلب و پایتون
• بیش از 15 سال تجربه در زمینه تدریس

LinkedIn , Google Scholar, ResearchGate

دوستانی که تمایل دارند این دوره را در پایتون Python داشته باشند با مدرس در ارتباط باشند.