رایانش احساسی (که به نام هوش مصنوعی احساسی نیز شناخته می شود) مطالعه و توسعهٔ سیستم ها و ابزارهایی است که می توانند هیجانات انسانی را تشخیص، تفسیر، پردازش و شبیه سازی کنند؛ که یک حوزهٔ بین رشته ای است که علوم کامپیوتر، روان شناسی و علوم شناختی را شامل می شود هرچند ممکن است خاستگاه این علوم به اولین جستجوهای فیلسوفانه در احساسات برگردد این شاخهٔ تازهٔ علوم کامپیوتر با مقالهٔ Rosalind Picard
LDC - بر اساس مقدار استخراج شده از ترکیب خطی مقدارهای آینده تعیین می شود، که معمولاً به صورت برداری از ویژگی ها به دست می آید.
k-NN - بر اساس جایگذاری شی در فضای آینده و مقایسهٔ ان با k امین همسایهٔ نزدیک (داده های آموزش) به دست می آید. جایگاه اکثریت، طبقه بندی را تعیین می کند.
GMM - مدلی احتمالاتی برای نشان دادن وجود زیر مجموعه ای از جمعیت کلی است. هر زیر مجموعه با استفاده از توزیع ترکیبی توصیف شده، به طبقه بندی کننده های مشاهده گر اجازهٔ ورود به زیر مجموعهٔ جمعیت کلی می دهد.
SVM - نوعی (معمولاً باینری) از طبقه بندی کننده های خطی است که تصمیم می گیرد هر ورودی در کدامیک از دو طبقه بندی (یا بیشتر) ممکن جای بگیرد.
ANN - مدلی ریاضی، الهام گرفته از شبکه های عصبی زیستی است که می تواند خواص غیر خطی فضای آینده را بهتر در بر بگیرد.
الگوریتم درخت تصمیم گیری - بر اساس دنبال کردن درخت انتخابی کار می کند که برگ هایش نمایانگر خروجی طبقه بندی کننده بوده و شاخه هایش نشانگر پیوستگی توالی های ویژگی هایی است که به طبقه بندی منجر می شوند.
HMMs - یک مدل مارکف آماری که در آن حالت ها و انتقال حالت ها به طور مستقیم قابل مشاهده نیست. در عوض، سری های خروجی که وابسته به حالت ها هستند، قابل مشاهده است. در مورد تشخیص اثر، خروجی ها نشان دهنده توالی از بردارهای ویژگی گفتاری است، که اجازه کسر توالی حالت ها که از طریق آن مدل پیشرفت کرده را می دهد. حالت ها می توانند گام های میانجی گوناگونی را در بیان یک احساس تشکیل دهند و هر کدام از آنها یک توزیع احتمال در روی بردارهای خروجی ممکن داشته باشند. توالی حالت ها به ما امکان می دهد تا حالت احساسی که ما در حال تلاش برای طبقه بندی آن هستیم پیش بینی کنیم، و این یکی از رایج ترین تکنیک های استفاده شده در حوزه گفتار مبتنی بر تشخیص است.
در سال ۱۹۹۵ در رابطه با رایانش احساسی معرفی شد.
هدف این تحقیقات شبیه سازی انتقال احساسات می باشد. ماشین باید بتواند حالت احساسی انسان را تفسیر کرده، رفتار خود را با آن تطبیق داده، به آن احساسات واکنش مناسب نشان دهد.
تفاوت بین آنالیز عواطف (sentiment analysis) و آنالیز احساسات این است که دومی احساسات متفاوت را بعینه تشخیص می دهد نه صرفاً متفاوت بودن هرکدام از آن ها را.
LDC - بر اساس مقدار استخراج شده از ترکیب خطی مقدارهای آینده تعیین می شود، که معمولاً به صورت برداری از ویژگی ها به دست می آید.
k-NN - بر اساس جایگذاری شی در فضای آینده و مقایسهٔ ان با k امین همسایهٔ نزدیک (داده های آموزش) به دست می آید. جایگاه اکثریت، طبقه بندی را تعیین می کند.
GMM - مدلی احتمالاتی برای نشان دادن وجود زیر مجموعه ای از جمعیت کلی است. هر زیر مجموعه با استفاده از توزیع ترکیبی توصیف شده، به طبقه بندی کننده های مشاهده گر اجازهٔ ورود به زیر مجموعهٔ جمعیت کلی می دهد.
SVM - نوعی (معمولاً باینری) از طبقه بندی کننده های خطی است که تصمیم می گیرد هر ورودی در کدامیک از دو طبقه بندی (یا بیشتر) ممکن جای بگیرد.
ANN - مدلی ریاضی، الهام گرفته از شبکه های عصبی زیستی است که می تواند خواص غیر خطی فضای آینده را بهتر در بر بگیرد.
الگوریتم درخت تصمیم گیری - بر اساس دنبال کردن درخت انتخابی کار می کند که برگ هایش نمایانگر خروجی طبقه بندی کننده بوده و شاخه هایش نشانگر پیوستگی توالی های ویژگی هایی است که به طبقه بندی منجر می شوند.
HMMs - یک مدل مارکف آماری که در آن حالت ها و انتقال حالت ها به طور مستقیم قابل مشاهده نیست. در عوض، سری های خروجی که وابسته به حالت ها هستند، قابل مشاهده است. در مورد تشخیص اثر، خروجی ها نشان دهنده توالی از بردارهای ویژگی گفتاری است، که اجازه کسر توالی حالت ها که از طریق آن مدل پیشرفت کرده را می دهد. حالت ها می توانند گام های میانجی گوناگونی را در بیان یک احساس تشکیل دهند و هر کدام از آنها یک توزیع احتمال در روی بردارهای خروجی ممکن داشته باشند. توالی حالت ها به ما امکان می دهد تا حالت احساسی که ما در حال تلاش برای طبقه بندی آن هستیم پیش بینی کنیم، و این یکی از رایج ترین تکنیک های استفاده شده در حوزه گفتار مبتنی بر تشخیص است.
در سال ۱۹۹۵ در رابطه با رایانش احساسی معرفی شد.
هدف این تحقیقات شبیه سازی انتقال احساسات می باشد. ماشین باید بتواند حالت احساسی انسان را تفسیر کرده، رفتار خود را با آن تطبیق داده، به آن احساسات واکنش مناسب نشان دهد.
تفاوت بین آنالیز عواطف (sentiment analysis) و آنالیز احساسات این است که دومی احساسات متفاوت را بعینه تشخیص می دهد نه صرفاً متفاوت بودن هرکدام از آن ها را.
wiki: رایانش احساسی