یادگیری عمیق مبتنی بر الگوریتم ماشین بردار پشتیبان

با ظهور یادگیری عمیق بسیاری از الگوریتمهای یادگیری ماشین عملا کارایی خود را به ویژه در زمینه های پردازش صدا، متن و تصویر از دست داده اند. این درحالی ا ست که پیش از آن الگوریتم های همچون الگوریتم ماشین بردار پشتیبان از نظر کارایی توانسته بود بر شبکه های عصبی غلبه کند. در این مقاله، سعی شده ا ست با ا ستفاده از ویژگیهای یادگیری عمیق در شبکه های عصبی کانولو شنی یادگیریهای عمیق مبتنی بر سایر الگوریتمها (به غیر از شبکه های عصبی) ارائه شود. بدین منظور ویژگیهای سلسله مراتبی برای دو دیتا ست مربوط به تصویر با استفاده از شبکه های عصبی کانولو شنی ایجاد و نهایتا تو سط د ستهبند ما شین بردار پشتیبان آموزش داده شده اند. نتایج نشان دهنده قدرت بالای ماشین بردار پشتیبان ساخته شده مبتنی بر یادگیری عمیق میباشد به نحوی که بر روی دو دیتا ست معروف به طور میانگین حدود 10 در صد افزایش دقت ایجاد شده ا ست. این رویکرد میتواند باعث احیای بسیاری از الگوریتمهایی شود که در رقابت با یادگیری عمیق عرصه را واگذار کرده اند.

Keywords:

شبکه های عصبی عمیق , ماشین بردار پشتیبان , شبکه های کانولوشنی , یادگیری ترکیبی , دسته بندی تصاویر