یادگیری عمیق اُتوانکدر غیرنظارت شده مبتنی بر ماشین یادگیر افراطی جهت پیش‌بینی مرگ و میر کوید 19

در حال حاضر افزایش تصاعدی افراد مبتلا به بیماری کوید 19 و عدم کنترل آن منجر به مطرح شدن این بیماری به عنوان بزرگترین چالش در سرتاسر جهان شده است. پیش‌بینی پارامترهای کوید از جمله مرگ و میر و شناسایی مدل‌های پیش‌بینی امری ضروری است. بر این اساس امروزه از تکنیک‌های هوش مصنوعی از قبیل یادگیری ماشین، یادگیری عمیق و بینایی کامپیوتر استفاده می‌شود. تکنیک‌های یادگیری غیرنظارت شده بدلیل پتانسیل و ویژگی‌های بالقوه بالا در مدل‌های یادگیری عمیق جهت پیش‌بینی کوید 19 طراحی می‌شوند. بر این اساس در این مقاله به منظور پیش‌بینی میزان مرگ و میر از شبکه‌های یادگیری عمیق اُتوانکدر مبتنی بر ماشین یادگیر افراطی (elm-ae) استفاده می‌شود. طراحی اُتوانکدر بر اساس ماشین یادگیر افراطی منجر به کاهش تعداد پارامتر قابل یادگیر و قابل تنظیم و در نتیجه کاهش زمان اجرای الگوریتم یادگیری می‌شود. به منظور تائید عملکرد مدل پیشنهادی، از داده‌های سایت kaggle شامل 170 نمونه از کشورهای مختلف، 26 ویژگی مرتبط با رژیم غذایی و 4 خروجی استفاده می‌شود. نتایج حاصل از شبیه‌سازی، نشان‌دهنده خطای کمتر rmse مدل پیشنهادی است.