Subscribe to the gold package and get unlimited access to Shamra Academy
Register a new userمقارنة التصنيف المتعدد باستخدام طريقة المركبات الأساسية (PCA)وطريقة تحليل التمايز الخطي لفيشر (Fisher-LDA)
842
0 0
0.0
(
0
)
Added by
University of Aleppo أطروحة دكتوراه
Publication date
2017
fields
Mathematical Statistics
and research's language is
العربية
Created by
Shamra Editor
Ask ChatGPT about the research
مقارنة التصنيف المتعدد باستخدام طريقة المركبات الأساسية (PCA)وطريقة تحليل التمايز الخطي لفيشر (Fisher-LDA)
No English abstract
Artificial intelligence review:
Research summary
تتناول هذه الأطروحة مقارنة بين طريقتين شائعتين في التصنيف الإحصائي: تحليل المركبات الأساسية (PCA) وتحليل التمايز الخطي لفيشر (Fisher-LDA). تهدف الدراسة إلى تحسين دقة التصنيف من خلال دمج الطريقتين واستخدام تقنيات إضافية مثل الشبكات العصبية الاصطناعية. تتكون الأطروحة من أربعة فصول، حيث يقدم الفصل الأول مقدمة عن التصنيف الإحصائي وأهم الطرق الخطية المستخدمة فيه، بما في ذلك تحليل التمايز الخطي والانحدار اللوجستي والشبكات العصبية وآلية متجه الدعم. في الفصل الثاني، يتم تناول تحليل المركبات الأساسية، بما في ذلك المفاهيم الرياضية والأدوات المستخدمة في التحليل. الفصل الثالث يركز على تحليل التمايز الخطي، مع شرح مفصل لتحليل فيشر الثنائي والمتعدد. الفصل الرابع يقدم تطبيقات عملية لتحليل المركبات الأساسية وتحليل التمايز الخطي، مع اقتراح خوارزميات جديدة لتحسين دقة التصنيف. تشمل النتائج الرئيسية تحسين دقة التصنيف باستخدام الخوارزميات المقترحة، وتقديم توصيات لاستخدام تقنيات إضافية مثل الشبكات العصبية وآلية متجه الدعم لتحسين التصنيف.
Critical review
تُعد هذه الأطروحة مساهمة قيمة في مجال التصنيف الإحصائي، حيث تقدم مقارنة شاملة بين طريقتين شائعتين وتقدم خوارزميات جديدة لتحسين دقة التصنيف. ومع ذلك، يمكن أن تكون هناك بعض النقاط التي تحتاج إلى مزيد من التوضيح. على سبيل المثال، قد يكون من المفيد تقديم تحليل أكثر تفصيلاً حول كيفية تأثير كل خوارزمية مقترحة على دقة التصنيف في سياقات مختلفة. كما أن الدراسة قد تستفيد من تطبيق الخوارزميات المقترحة على مجموعات بيانات متنوعة للتحقق من عموميتها. بالإضافة إلى ذلك، يمكن تعزيز الدراسة بمزيد من التحليل النظري لتوضيح الأسس الرياضية وراء الخوارزميات المقترحة.
Questions related to the research
-
ما هو الهدف الرئيسي من هذه الأطروحة؟
الهدف الرئيسي هو مقارنة وتحسين دقة التصنيف باستخدام تحليل المركبات الأساسية وتحليل التمايز الخطي لفيشر، بالإضافة إلى تقديم خوارزميات جديدة لتحسين التصنيف.
-
ما هي الطرق الإحصائية الخطية التي تم تناولها في الأطروحة؟
تم تناول تحليل التمايز الخطي، الانحدار اللوجستي، الشبكات العصبية الاصطناعية، وآلية متجه الدعم.
-
ما هي النتائج الرئيسية التي توصلت إليها الدراسة؟
تحسين دقة التصنيف باستخدام الخوارزميات المقترحة، وتقديم توصيات لاستخدام تقنيات إضافية مثل الشبكات العصبية وآلية متجه الدعم لتحسين التصنيف.
-
ما هي التوصيات التي قدمتها الدراسة لتحسين التصنيف؟
التوصيات تشمل مقارنة التصنيف باستخدام تحليل التمايز الخطي وغير الخطي، استخدام تحليل المركبات الأساسية غير الخطية مع تابع فيشر، الاستفادة من تقنيات الشبكات العصبية الاصطناعية وآلية متجه الدعم، واستخدام آلية متجه الدعم مع تحليل التمايز الخطي للحصول على تصنيف أفضل.
References used
Alpaydin, Ethen (2010). "Introduction to Machine Learning". MIT Press. p. 9.
rate research
Read More
The basic step in this algori thm is determining the number of clusters
(K) then calculating the distance between each cluster
center and the elements of images to join each element
to the closest cluster depending on threshold distance.
Stem cells have unique capability to differentiate into many cell types that can
normally replace the loss in some cells of the body due to tissue injury. Umbilical cord blood (UCB) and
umbilical cord (UC) are the two main sources for hematopoietic
stem cells (HSCs) and mesenchymal stem
cells (MSCs), respectively, which constitutes the basis for stem cell banks that have been established
worldwide and very recently in Syria. Research in our region has mainly focused on cell storage and
freezing protocols, and only few studies were conducted to prove the ability of the stored cells to
differentiate into their destined lineages. This study aimed to test the potential of cryopreserved MSCs
isolated from an umbilical cord taken from new delivery at Maternity University Hospital in Damascus, to
differentiate into various types of cells in response to growth and induction factors specific to cell lineages.
The purpose of this article is to shed light on the mechanism
and the procedures of a program that classifies an input face into
any of the six basic facial expressions, which are Anger, Disgust,
Fear, Happiness, Sadness and Surprise, in addition
to normal face.
This program works by apply PCA- principal component
analysis algorithm, which is applied of one side of the face, and
depends, on contrast to the traditional studies which rely on the
whole face, on three components: Eyebrows, Eyes and Mouth.
Those out-value are used to determine the facial feature array as
an input to the neural network, and the neural network is trained by
using the back-propagation algorithm. Note that the faces used in
this study belong to people from different ages and races.
The study aims at comparing ARIMA models and the exponential
smoothing method in forecasting. This study also highlights the special
and basic concepts of ARIMA model and the exponential smoothing
method.
The comparison focuses on the ability
of both methods to forecast
the time series with a narrow range of one point to another and the time
series with a long range of one point to another, and also on the different
lengths of the forecasting periods. Currency exchange rates of Shekel to
American dollar were used to make this comparison in the period
between 25/1/2010 to 22/10/2016. In addition, weekly gold prices were
considered in the period between 10/1/2010 to 23/10/2016. RMSE
standard was used in order to compare between both methods. In this
study, the researcher came up with the conclusion that ARIMA models
give a better forecasting for the time series with a long range of one point
to another and for long term forecasting, but cannot produce a better
forecasting for time series with a narrow range of one point to another as
in currency exchange prices.
On the contrary, exponential smoothing method can give better
forecasting for Exchange Rates that has a narrow range of one point to
another for its time series, while it cannot give better forecasting for long
term forecasting periods
In this paper, we propose an efficient strategy for calculating
quasi-optimal stepsizes for the Givens-parameterized deflationary
ICA algorithm, DelLR.
suggested questions
Log in to be able to interact and post comments
comments
Fetching comments
Sign in to be able to follow your search criteria
