کاربرد های SVM در زندگی واقعی

مقدمه

در قسمت قبلی از خودآموز یادگیری ماشین ، در مورد معرفی دقیق SVM ( ماشین های بردار پشتیبان ) بحث کرده ایم. اکنون قصد داریم به کاربرد های زندگی واقعی SVM از جمله تشخیص چهره ، تشخیص دستخط ، کلاسه بندی تصویر ، بیوانفورماتیک و غیره بپردازیم.

کاربرد های SVM در دنیای واقعی

کاربرد های SVM در دنیای واقعی

همانطور که دیدیم، SVM ها متعلق به الگوریتم های یادگیری نظارت شده هستند. هدف استفاده از SVM کلاسه بندی صحیح داده های غیرقابل رویت است. SVM ها دارای چندین کاربرد در زمینه های مختلف هستند.

برخی از کاربرد های متداول SVM عبارتند از :

  • تشخیص چهره : SVM قسمت هایی از تصویر را به صورت چهره و غیرچهره کلاسه بندی می کند و یک کادر مربعی روی صورت ایجاد می کند.
  • دسته بندی متن و فرامتن : SVM ها امکان طبقه بندی متن و فرامتن ( Hypertext ) را برای هر دو مدل استقرایی و تمثیلی فراهم می کنند. آن ها از داده های آموزشی برای طبقه بندی اسناد در دسته های مختلف استفاده می کنند. این کار بر اساس امتیاز تولید شده دسته بندی می شود و سپس با مقدار آستانه مقایسه می شود.
  • کلاسه بندی تصاویر : استفاده از SVM ، دقت جستجوی بهتری برای کلاسه بندی تصویر ارائه می دهد. این روش دقت بهتری در مقایسه با تکنیک های جستجوی مبتنی بر پرس و جوی سنتی فراهم می کند.
  • بیوانفورماتیک : شامل کلاسه بندی پروتئین و کلاسه بندی سرطان است. ما از SVM برای شناسایی کلاسه بندی ژن ها ، بیماران ژنی و سایر مشکلات بیولوژیکی استفاده می کنیم.
  • تشخیص تاشدگی پروتئین و همسانی از راه دور : استفاده از الگوریتم های SVM برای تشخیص همسانی پروتئین از راه دور .
  • تشخیص دستخط : ما می توانیم برای شناسایی حروف دست نویس که به طور گسترده مورد استفاده قرار می گیرند، از SVM استفاده کنیم.
  • علوم زمین شناسی و محیط زیست : از SVM ها برای تحلیل داده های زیست محیطی جغرافیایی و مکانی و مدلسازی استفاده می شود.

  • کنترل پیشگویانه تعمیم یافته ( GPC ) : برای کنترل پویایی نامنظم با پارامترهای مفید از GPC مبتنی بر SVM استفاده می شود.

اجازه دهید اکنون کاربرد های SVM فوق را با جزئیات بیشتر بررسی کنیم.

 

۱- تشخیص چهره

در کاربرد تشخیص چهره ، قسمت های تصویر ، به صورت چهره و غیرچهره کلاسه بندی می شود. این کار شامل داده های آموزشی از n x n پیکسل و یک خروجی دو کلاسه چهره (+۱) و غیرچهره (-۱) است. سپس از هر پیکسل ویژگی هایی به صورت چهره یا غیرچهره استخراج می کند. بر اساس میزان روشنایی پیکسل ، یک کادر مربعی در اطراف چهره ایجاد می کند و هر تصویر را با استفاده از همین فرآیند ، کلاسه بندی می کند.

بیایید در مورد قواعد یادگیری در شبکه های عصبی صحبت کنیم

۲- طبقه بندی متن و فرامتن

SVM ، امکان طبقه بندی هر دو مدل متن و فرامتن را فراهم می کند. هم به صورت استقرایی و هم به صورت تمثیلی. برای این کار ، از داده های آموزشی برای طبقه بندی اسناد در دسته های مختلف مانند مقاله های خبری ، ایمیل ها و صفحات وب استفاده می کند

مثال ها :

  • طبقه بندی مقالات خبری به ” تجارت ” و ” فیلم ها “
  • طبقه بندی صفحات وب به صفحات خانگی شخصی و سایر موارد

برای هر سند ، یک امتیاز را محاسبه کرده و آن را با یک مقدار آستانه از پیش تعیین شده مقایسه می کند. زمانی که امتیاز یک سند از مقدار آستانه بیشتر باشد، آنگاه سند در یک دسته مشخص طبقه بندی می‌شود. اگر از حد آستانه عبور نکرد ، آن را به عنوان یک سند کلی در نظر می گیرد.

با محاسبه امتیاز هر سند و مقایسه آن با مقدار آستانه آموزش دیده ، نمونه های جدید را طبقه بندی می کند.

 

۳- کلاسه بندی تصاویر

SVM ها می توانند تصاویر را با دقت جستجوی بالاتر ، کلاسه بندی کنند. دقت آن از الگو های سنتی اصلاح مبتنی بر پرس و جو بیشتر است.

 

۴- بیوانفورماتیک

در زمینه زیست شناسی محاسباتی ، تشخیص همسانی پروتئین از راه دور یک مشکل رایج است. موثرترین روش برای حل این مشکل استفاده از SVM است. در چند سال گذشته، الگوریتم های SVM به طور گسترده برای تشخیص همسانی پروتئین از راه دور به کار گرفته شده اند. این الگوریتم ها به طور گسترده برای شناسایی توالی های بیولوژیکی به کار می روند. به عنوان مثال کلاسه بندی ژن ها ، بیمارانی که ژن شان دچار مشکل شده و بسیاری از مشکلات بیولوژیکی دیگر.

 

۵- تشخیص تاشدگی پروتئین و همسانی از راه دور

تشخیص همسانی پروتئین از راه دور یک مشکل اساسی در زیست شناسی محاسباتی است. الگوریتم های یادگیری نظارت شده در SVM ها یکی از موثرترین روش ها برای تشخیص همسانی از راه دور هستند. عملکرد این روش ها به نحوه مدلسازی توالی های پروتئینی بستگی دارد. این روش برای محاسبه تابع کرنل بین آن ها استفاده می شود.

در قسمت بعدی آموزش ، به توابع کرنل در یادگیری ماشین خواهیم پرداخت

 

۶- تشخیص دستخط

ما همچنین می توانیم از SVM ها برای شناسایی حروف دست نویس که برای ورود داده و تایید اعتبار امضاها در اسناد استفاده می شوند ، استفاده کنیم.

 

۷- علوم زمین شناسی و محیط زیست

ما از SVM ها برای تحلیل داده های زیست محیطی جغرافیایی و مکانی و مدلسازی استفاده می کنیم.

 

۸- کنترل پیشگویانه تعمیم یافته ( GPC )

ما از GPC مبتنی بر SVM برای کنترل پویایی نامنظم با پارامترهای مفید استفاده می کنیم. این سیستم در کنترل سیستم ها ، عملکردی فوق العاده دارد. این سیستم با توجه به پایداری محلی هدف ، پویایی نامنظم را دنبال می کند.

استفاده از SVM برای کنترل سیستم های نامنظم دارای مزایای زیر است :

  • امکان استفاده از الگوریتم هایی با پارامتر های نسبتا کوچک را فراهم می کند تا یک سیستم نامنظم را به هدف هدایت کند.
  • زمان انتظار سیستم های نامنظم را کاهش می دهد.
  • عملکرد سیستم ها را حفظ می کند.

نتیجه گیری

بنابراین ، نتیجه می گیریم که SVM ها نه تنها می توانند یک پیش بینی قابل اطمینان انجام دهند بلکه می توانند اطلاعات زائد را نیز کاهش دهند. SVM ها همچنین نتایج قابل مقایسه ای با نتایج رویکرد های دیگر بدست آوردند.

اگر این مطلب آموزش را دوست داشتید یا هرگونه سوالی در رابطه با کاربرد های SVM داشتید ، لطفاً با ارسال نظر به ما اطلاع دهید.

بیشتر بخوانید :

درباره‌ی امیر اقتدائی

همچنین ببینید

آیا می خواهید در زمینه یادگیری ماشین استخدام شوید؟

آیا می خواهید در زمینه یادگیری ماشین استخدام شوید؟

مسیر های شغلی زیادی در حوزه یادگیری ماشین وجود دارد، اما از کجا بفهمیم که …

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *