پاورپوینت انتخاب ویژگی با الگوریتم گرگ خاکستری برای متن کاوی

این پاورپوینت برای پایانامه ای با عنوان انتخاب ویژگی با الگوریتم گرگ خاکستری جهت افزایش دقت خلاصه سازی متن بر خط تهیه شده است. در این پایانامه انتخاب ویژگی با الگوریتم گرگ خاکستری برای کاهش ابعاد و همچنین افزایش دقت در متن کاوی با الگوریتم یادگیری ماشین KNN و همچنین روش اطلاعات متقابل MUTUAL INFORMATION در نظر گرفته شده است.

انتخاب ویژگی با الگوریتم گرگ خاکستری جهت افزایش دقت خلاصه سازی متن بر خط

انتخاب ویژگی معمولاً برای کاهش ابعاد مجموعه داده و افزایش دقت در الگوریتم های یادگیری ماشین استفاده می شود. در این پایانامه انتخاب ویژگی با الگوریتم گرگ خاکستری برای کاهش ابعاد و همچنین افزایش دقت در متن کاوی با الگوریتم یادگیری ماشین KNN و همچنین روش اطلاعات متقابل MUTUAL INFORMATION در نظر گرفته شده است.

دسته بندی خاک با الگوریتم SVM در متلب

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.

استخراج ویژگی از متن با روش اطلاعات متقابل Mutual Information

استخراج ویژگی با روش اطلاعات متقابل Mutual Information یا MI یکی از روش‌های فیلتری برای استخراج ویژگی از متن است. روش اطلاعات متقابل بین دو متغیر معیاری برای نشان دادن میزان وابستگی متقابل آن دو متغیر نسبت به هم می‌باشد. مفهوم اطلاعات متقابل ذاتاً مرتبط با آنتروپی یک متغیر (که میزان اطلاعات موجود در یک متغیر دیگر را نشان می‌دهد) می‌باشد. در این آموزش اطلاعات کاملی از نحوه عملکرد متد اطلاعات متقابل برای متن کاوی به همراه مثال ارائه شده است.

سمینار روش های پیش بینی و تخمین نقص نرم افزار با استفاده از داده کاوی

با توسعه فن‌آوری کامپیوتر، سیستم های نرم‌افزاری بیشتر و پیچیده‌تر می‌شود. به علت محدودیت توانایی انسان، نقایص زیادی در چرخه حیات توسعه نرم‌افزاری وجود دارد. کیفیت یکی از مسائل مهم در فرآیند تولید و توسعه نرم‌افزار است. جهت افزایش کیفیت، نقص‌های نرم‌افزار باید قبل از انتشار تشخیص داده شود. پیش‌بینی و تشخیص نقص‌ها در مراحل اولیه توسعه نرم‌افزار سبب افزایش کیفیت محصول تولیدی نرم‌افزار می‌شود یکی از مؤثرترین پیش‌بینی‌های نقص نرم‌افزار استفاده از تکنیک‌های داده‌کاوی و الگوریتم‌های یادگیری ماشین است. در این روش‌ها مؤلفه‌های نرم‌افزاری در دو دسته مستعد نقص و غیر مستعد نقص قرار می‌گیرند.

آموزش الگوریتم K نزدیکترین همسایه KNN

در این پست فیلم آموزش الگوریتم K نزدیکترین همسایه یا K همسایه نزدیک (KNN) قرار داده شده است. 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.

فرد بودن مقدار k مفید می‌باشد چون با این کار جلوی آراء برابر گرفته می‌شود. روش k همسایه‌ نزدیک، برای بسیاری از روش‌ها کاربرد دارد، زیرا اثربخش، غیرپارامتریک و دارای پیاده‌سازی راحت می‌باشد. با این حال زمان دسته‌بندی‌اش طولانی است و یافتن مقدار k بهینه مشکل است.

پیش‌بینی موفقیت در بانکداری تلفنی با الگوریتم‌های یادگیری ماشین

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

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

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

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.

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

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

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 ACO برای ANN در متلب + سورس کد

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

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

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.