یادگیری ماشین

تشخیص نفوذ با الگوریتم درخت تصمیم DT در متلب

49,000 تومان

در این بخش سورس کد تشخیص نفوذ با الگوریتم درخت تصمیم DT در متلب قرار داده شده است. در این سورس کد دیتاست معروف سیستم تشخیص نفوذ یعنی NSL-KDD با استفاده از الگوریتم درخت تصمیم دسته بندی یا کلاس بندی Classfication شده است. این سورس کد به همراه یک فیلم آموزش نحوه اجرا و توضیحات کلی برنامه همراه با یک گزارش کار 5 صفحه ای در قالب Word آماده دانلود می باشد.

تشخیص نفوذ با الگوریتم یادگیری KNN در متلب

69,000 تومان

در این بخش سورس کد تشخیص نفوذ با الگوریتم یادگیری KNN در متلب قرار داده شده است. در این سورس کد دیتاست معروف سیستم تشخیص نفوذ یعنی NSL-KDD با استفاده از الگوریتم یادگیری ماشین k نزدیکترین همسایه دسته بندی یا کلاس بندی Classfication شده است. این سورس کد به همراه یک فیلم آموزش نحوه اجرا و توضیحات کلی برنامه همراه با یک گزارش کار 5 صفحه ای در قالب Word آماده دانلود می باشد.

دسته بندی خاک با الگوریتم SVM در متلب

39,000 تومان

در این پست دسته بندی خاک با الگوریتم SVM یا الگوریتم ماشین بردار پشتیبان چند کلاسه از روی تصاویر را در نرم افزار MATLAB آماده کردیم که در واقع پیاده سازی مقاله Machine Learning in Soil Classification می باشد. این سورس کد یک پروژه مناسب در حوضه ی پردازش تصویر، بینایی ماشین، رشته مهندسی عمران ، علوم و مهندسی خاک ، خاک شناسی و مهندسی کشاورزی است.

آموزش الگوریتم K نزدیکترین همسایه KNN

29,000 تومان

روش K نزدیک‌ترین همسایه نزدیک K Nearest Neighbors یا (KNN) یک روش یادگیری موردی ‌است و از جمله ساده‌ترین الگوریتم‌های یادگیری ماشین می‌باشد. در این الگوریتم یک نمونه با رای اکثریت از همسایه‌هایش دسته‌بندی می‌شود. K یک مقدار مثبت صحیح و عموماً کوچک است.

پیش‌بینی موفقیت در بانکداری تلفنی با الگوریتم‌های یادگیری ماشین

139,000 تومان

در این پست داکیومنت پیش‌بینی موفقیت در بانکداری تلفنی با الگوریتم‌های یادگیری ماشین قرار داده شده است. ضرورت سرعت عمل در بازاریابی بر کسی پوشیده نیست. با پیشرفت جوامع و ایجاد کسب‌وکارهای دیجیتال، سیستم‌های قدیمی توانایی قابل‌توجهی برای جذب سرمایه و مشتری ندارند. یادگیری ماشین و سایر فناوری‌های پیشرفته، فرصت‌های جدیدی برای هزینه هوشمندانه بودجه‌های بازاریابی فراهم کرده است.

دسته بندی متون احساسی با ویژگی های Bigram مبتنی بر الگوریتم تکاملی

129,000 تومان

در این پست داکیومنت دسته بندی متون احساسی با ویژگی های Bigram مبتنی بر الگوریتم تکاملی قرار گرفته شده است. ضرورت استفاده از سیستم‌های تشخیص خودکار بر کسی پوشیده نیست. الگوریتم‌های یادگیری ماشین به‌صورت فراوانی هزینه تحقیق را کاهش می‌دهند و سرعت بسیار بیشتری نسبت به الگو های میدانی دارند و بدین‌صورت صرفه‌جویی زیادی در وقت می‌شود. مشکلی که در دسته‌بندی متن یا دسته بندی متون وجود دارد، حجم زیاد ویژگی‌ها است که باعث کاهش دقت نتایج دسته‌بندی می‌شود.

پردازش زبان طبیعی و آنالیز ساختار جملات انگلیسی با استفاده از یادگیری ماشین

109,000 تومان

در این پست داکیومنت آنالیز ساختار جملات انگلیسی با استفاده از یادگیری ماشین قرار گرفته شده است که برای علاقه مندان و محققان در زمینه پردازش زبان طبیعی ( Natural Language Processing) بسیار مفید است. پردازش زبان طبیعی (NLP) به هرکدام از زبان‌هایی گفته می‌شود که توسط بشر در دنیا صحبت می‌شود و خودبه‌خود پدید آمده و تکامل‌یافته است.

داکیومنت تشخیص بیماری عروق کرونری با شبکه‌های عصبی مصنوعی و رویکرد تکاملی

99,000 تومان

در این پایان نامه یک روش جدید برای تشخیص بیماری کرونری قلبی ارائه شده است که با استفاده از الگوریتم جستجوی گرانشی (GSA) اقدام به انتخاب ویژگی های موثر در تشخیص بیماری کرونری قلبی نموده و با یک شبکه عصبی مصنوعی (ANN) آنرا دسته بندی می‌کند. الگوریتم جستجوی گرانشی یک الگوریتم وابسته به هوش جمعی و بدون حافظه می باشد.

انتخاب ویژگی با ACO برای NB
34%

پیاده سازی انتخاب ویژگی با الگوریتم کلونی مورچه ACO برای NB در متلب

39,000 تومان

در این پست به بحث انتخاب ویژگی با ACO برای NB یعنی استفاده از الگوریتم کلونی مورچگان Ant Colony Optimization یا (ACO) را برای انتخاب ویژگی (Feature Selection) برای الگوریتم یادگیری ماشین نیو بیزین (Naive Bayesian) یا همان NB می پردازیم. در این بحث با توجه به خاصیت الگوریتم الگوریتم مورچه به انتخاب ویژگی با ACO از دیتاست ها پرداخته می شود.

پیاده سازی انتخاب ویژگی با الگوریتم کلونی مورچه ACO برای KNN در متلب
34%

پیاده سازی انتخاب ویژگی با ACO برای KNN در متلب + انتخاب ویژگی با k همسایه نزدیک

39,000 تومان

در این پست به بحث انتخاب ویژگی با ACO برای KNN یا بطور کامل استفاده از الگوریتم کلونی مورچگان Ant Colony Optimization یا (ACO) را برای انتخاب ویژگی (Feature Selection) برای الگوریتم یادگیری ماشین K همسایه نزدیک (k-Nearest Neighbors) یا همان KNN می پردازیم. در این بحث با توجه به خاصیت الگوریتم الگوریتم مورچه به انتخاب ویژگی با ACO از دیتاست ها پرداخته می شود.

پیاده سازی انتخاب ویژگی با الگوریتم کلونی مورچه ACO برای ANN در متلب
34%

پیاده سازی انتخاب ویژگی با ACO برای ANN در متلب + سورس کد

39,000 تومان

در این پست به بحث استفاده از الگوریتم کلونی مورچگان Ant Colony Optimization یا (ACO) را برای انتخاب ویژگی (Feature Selection) برای الگوریتم یادگیری ماشین  شبکه عصبی مصنوعی (Artificial Neural Network) یا همان ANN می پردازیم. در این بحث با توجه به خاصیت الگوریتم الگوریتم مورچه به انتخاب ویژگی با ACO از دیتاست ها پرداخته می شود.

پیاده سازی انتخاب ویژگی با ACO برای DT در متلب + سورس کد

59,000 تومان

در این پست به بحث استفاده از الگوریتم کلونی مورچگان Ant Colony Optimization یا (ACO) را برای انتخاب ویژگی (Feature Selection) برای الگوریتم یادگیری ماشین درخت تصمیم ( Discussion Tree)  یا همان DT می پردازیم. در این بحث با توجه به خاصیت الگوریتم الگوریتم مورچه به انتخاب ویژگی با ACO از دیتاست ها پرداخته می شود.

پیاده سازی انتخاب ویژگی با ACO برای SVM در متلب + سورس کد

59,000 تومان

در این پست به بحث استفاده از الگوریتم کلونی مورچگان Ant Colony Optimization یا (ACO) را برای انتخاب ویژگی (Feature Selection) برای الگوریتم یادگیری ماشین بردار ماشین پشتیبان Support Vector Machine یا SVM  می پردازیم. در این بحث با توجه به خاصیت الگوریتم الگوریتم مورچه به انتخاب ویژگی با ACO از دیتاست ها پرداخته می شود.

تجزیه تحلیل ساختار جملات انگلیسی با یادگیری ماشین در سی شارپ

89,000 تومان

در این بخش تجزیه تحلیل ساختار جملات انگلیسی با یادگیری ماشین در سی شارپ ارائه کرده ایم. که به بررسی ساختار جملات انگلیسی می پردازد. این پروژه در Microsoft Visual Studio 2013 نوشته شده است.

شبیه سازی تشخیص سرطان سینه با استفاده از الگوریتم ماشین بردار پشتیبان SVM در متلب

49,000 تومان

شبیه سازی تشخیص سرطان سینه عنوان پروژه ای است که در این پست قرار داده ایم. شبیه سازی تشخیص سرطان سینه با استفاده از الگوریتم ماشین بردار پشتیبان SVM در شبیه ساز  محبوب متلب 2017 پیاده سازی شده است. این پروژه به دنبال تشخیص نوع سرطان سینه بدخیم و خوش خیم می پردازد و با استفاده از معیارهای دقت، صحت، F1 و Recall پیاده سازی ارزیابی می شود.