جلسه دفاع پایان نامه: محمد مهدی نظری، گروه مهندسی پزشکی
عنوان پایان نامه: پیش‌بینی شخصیت مبتنی بر دست‌خط با استفاده از یادگیری عمیق
ارائه کننده: محمد مهدی نظری استاد ناظر داخلی: دکتر احسان اله کبیر استاد ناظر خارجی: دکتر محمد باقر شمس الهیتاریخ: ۱۴۰۳/۱۱/۱۵ ساعت: ۸:۳۰ مکان: دانشکده ی فنی مهندسی، بلوک ۶، طبقه ۵، اتاق شیشه ای
چکیده: در میان ویژگی های منحصر به فرد انسان، دست خط اطلاعات ارزشمندی درباره ی وضعیت فیزیکی، ذهنی و عاطفی فرد ارائه می دهد. گرافولوژی علمی است که با تحلیل ویژگی هایی نظیر حاشیه ی صفحه، زاویه ی حروف و خط مبنا، به بررسی شخصیت افراد می پردازد. با این حال، دقت این تحلیل به مهارت فرد بستگی دارد و مداخله ی انسانی علاوه بر هزینه بر بودن، مستعد خطا نیز هست این پژوهش با هدف بررسی رابطه ی میان ویژگی های استخراج شده از دست خط و ویژگی های شخصیتی بر اساس مدل پنج عامل بزرگ شخصیت انجام شده است. داده های مورد استفاده از پلتفرم کگل گردآوری شده و برای بهبود کیفیت، تکنیک های پیش پردازشی نظیر تبدیل به سطح خاکستری، حذف نویز و باینری سازی به کار گرفته شده اند. برای اولین بار در این تحقیق، ۲۱ ویژگی مختلف از جمله ویژگی های آماری، ساختاری و بافتی استخراج شده و با استفاده از روش های پیشرفته ای مانند الگوریتم ژنتیک بهینه سازی شده اند در بخش مدل سازی، الگوریتم های یادگیری ماشین شامل SVM، رگرسیون لجستیک و CatBoost برای انتخاب بهترین ترکیب ویژگی ها مورد بررسی قرار گرفته اند. ترکیب سه ویژگی منتخب با مدل CatBoost دقت ۷۲ درصدی را در طبقه بندی ویژگی های شخصیتی ارائه داد. در ادامه، این سه ویژگی به عنوان ورودی به یک شبکه ی عصبی MLP داده شد و با بهینه سازی های انجام شده، دقت مدل به ۸۲ درصد افزایش یافت. این نتیجه به مراتب بهتر از دقت مدل ترانسفورمر از پیش آموزش دیده ی مورد بررسی در این تحقیق بود، که از داده های خام به عنوان ورودی استفاده می کرد. این یافته ها بر اهمیت استخراج بهینه ی ویژگی ها در شناسایی شخصیت از دست خط تأکید دارند انتظار می رود نتایج این پژوهش، دیدگاه های جدیدی درباره ی توانایی تحلیل دست خط در پیش بینی ویژگی های شخصیتی ارائه دهد و زمینه ساز تحقیقات آینده در این حوزه باشد. علاوه بر این، کاربردهای عملی این یافته ها در حوزه هایی مانند روانشناسی، جرم شناسی و منابع انسانی بررسی شده و اهمیت استخراج ویژگی در مطالعات داده های بزرگ و مقایسه ی آن با جدیدترین مدل های یادگیری عمیق مورد تأکید قرار گرفته است.