يادگيري عميق اُتوانكدر غيرنظارت شده مبتني بر ماشين يادگير افراطي جهت پيش‌بيني مرگ و مير كويد 19

در حال حاضر افزايش تصاعدي افراد مبتلا به بيماري كويد 19 و عدم كنترل آن منجر به مطرح شدن اين بيماري به عنوان بزرگترين چالش در سرتاسر جهان شده است. پيش‌بيني پارامترهاي كويد از جمله مرگ و مير و شناسايي مدل‌هاي پيش‌بيني امري ضروري است. بر اين اساس امروزه از تكنيك‌هاي هوش مصنوعي از قبيل يادگيري ماشين، يادگيري عميق و بينايي كامپيوتر استفاده مي‌شود. تكنيك‌هاي يادگيري غيرنظارت شده بدليل پتانسيل و ويژگي‌هاي بالقوه بالا در مدل‌هاي يادگيري عميق جهت پيش‌بيني كويد 19 طراحي مي‌شوند. بر اين اساس در اين مقاله به منظور پيش‌بيني ميزان مرگ و مير از شبكه‌هاي يادگيري عميق اُتوانكدر مبتني بر ماشين يادگير افراطي (ELM-AE) استفاده مي‌شود. طراحي اُتوانكدر بر اساس ماشين يادگير افراطي منجر به كاهش تعداد پارامتر قابل يادگير و قابل تنظيم و در نتيجه كاهش زمان اجراي الگوريتم يادگيري مي‌شود. به منظور تائيد عملكرد مدل پيشنهادي، از داده‌هاي سايت kaggle شامل 170 نمونه از كشورهاي مختلف، 26 ويژگي مرتبط با رژيم غذايي و 4 خروجي استفاده مي‌شود. نتايج حاصل از شبيه‌سازي، نشان‌دهنده خطاي كمتر RMSE مدل پيشنهادي است.