مساله انتخاب ویژگی، یکی از مسائلی است که در مبحث یادگیری ماشین و همچنین شناسائی آماری الگو مطرح است. این مساله در بسیاری از کاربردها (مانند طبقه بندی) اهمیت به سزائی دارد، زیرا در این کاربردها تعداد زیادی ویژگی وجود دارد، که بسیاری از آنها یا بلااستفاده هستند و یا اینکه بار اطلاعاتی چندانی ندارند. حذف نکردن این ویژگی ها مشکلی از لحاظ اطلاعاتی ایجاد نمی کند ولی بار محاسباتی را برای کاربرد مورد نظر بالا می برد. و علاوه بر این باعث می شود که اطلاعات غیر مفید زیادی را به همراه داده های مفید ذخیره کنیم. برای مساله انتخاب ویژگی، راه حل ها و الگوریتم های فراوانی ارائه شده است که بعضی از آنها قدمت سی یا چهل ساله دارند. مشکل بعضی از الگوریتم ها در زمانی که ارائه شده بودند، بار محاسباتی زیاد آنها بود، اگر چه امروزه با ظهور کامپیوترهای سریع و منابع ذخیره سازی بزرگ این مشکل، به چشم نمی آید ولی از طرف دیگر، مجموعه های داده ای بسیار بزرگ برای مسائل جدید باعث شده است که همچنان پیدا کردن یک الگوریتم سریع برای این کار مهم باشد. در این سمینار به مطالعه و بررسی روشهای انتخاب ویژگی در سال های اخیر ارائه شده اند، پرداخته می شود.
بازیابی تصویر
وب معنایی
پنهان نگاری
نظریه محاسبات
امنیت اطلاعات
زمانبندی سیستم ها
سیستم های چندعامله
سیستم های خبره
شناسایی الگو
الگوریتم های تکاملی
الگوریتم های زمانبندی
شبکه های نرم افزار محور
امنیت شبکه
مسیریابی شبکه
کنترل ازدحام در شبکه
مهندسی نرم افزار
تکنیک های داده کاوی
متن کاوی
محاسبات ابر
تشخیص سرطان سینه
شبکه های زمینی در شبکه هوشمند
پایگاه داده های موبایل و امنیت
سیستم های کنترل هوشمند
کدگذاری و رمزنگاری
مدلسازی
سیستم های فازی
محاسبات نرم
محاسبات تکاملی
بینایی ماشین
شبکه های حسگر بی سیم
شبکه های سیار موردی
شبکه های ادهاک
پردازش تصویر پنهان نگاری و فشرده سازی تصویر
انطباق تصویر
تشخیص لبه
مسیریابی چندپخشی
تعادل بار