چکیده

1. مقدمه

2. رویکردهای آماری

2.1. رویکردهای پارامتری

2.1.1. رویکردهای احتمالاتی / GMM

2.1.2. مدل‌های مخفی مارکوف (HMM‌)

2.1.3. آزمون فرضیه

2.2. رویکردهای غیر پارامتری

2.2.1. رویکردهای مبتنی بر kNN

2.2.2. برآورد چگالی Parzen

2.2.3. رویکردهای تطبیق رشته‌ای

2.2.4. رویکردهای خوشه بندی

3. نتیجه گیری

چکیده

تشخیص رویدادهای بدیع شناسایی داده ها و علائم جدید یا ناشناخته ای است که یک سیستم یادگیری ماشینی از دوره آموزش آگاه نیست. تشخیص رویدادهای بدیع یکی از الزامات اساسی یک سیستم طبقه بندی و یا شناسایی مطلوب است چرا که گاهی داده های آزمون حاوی اطلاعاتی درباره موضوعاتی هستند که در زمان آموزش مدل شناخته شده نمی باشند. در این مقاله ما مروری به روز بر حوزه تشخیص رویدادهای بدیع بر مبنای رویکردهای آماری ارائه می نماییم. مقاله بخش دوم به تشریح تشخیص رویدادهای بدیع با استفاده از شبکه های عصبی می پردازد. مطابق بحث، برنامه های کاربردی بسیاری وجود دارند که در آن ها تشخیص رویدادهای بدیع به شدت مهم است از جمله: پردازش سیگنال، دید کامپیوتری، شناخت الگو، داده کاوی، و روبوتیک.