• بازدید : 44 views
  • بدون نظر

قیمت : ۸۰۰۰۰ ريال    تعداد صفحات : ۱۹۹    کد محصول : ۱۷۵۹۸    حجم فایل : ۲۲۳۸ کیلوبایت   

فهرست مطالب 1. فصل 1 يادگيري ماشين 1-1 چكيده 1-2 يادگيري چيست؟ 1-3 نگاهي به فردا 1-4 يادگيري ماشين 1-4-1 هدف 1-5 ماشين يادگيرنده  1-5-1 روند تكاملي ماشين هاي يادگيرنده 1-5-2 انواع ماشين هاي يادگيرنده 1-5-3 اجزاء ماشين هاي يادگيرنده 1_5_4 مشكلات ماشين هاي يادگيرنده 1-6 روشهاي يادگيري عامل 1-7 مسائل اساسي يادگيري 1-8 روند عمليلتي 1-9 قوانين يادگيري 1-9-1 روش AQ11 1-9-2  روش CN2 1-9-3 درخت تصميم 1-10 طراحي يك سيستم يادگيري 1-10-1 انتخاب Training Experience 1-10-2 انتخاب تابع هدف 1-10-3 انتخاب نحوه نمايش تابع هدف 1-10-4 انتخاب الگوريتم شبيه سازي 1-10-5 طراحي نهايي 1-11 كاربردهاي ماشين هاي يادگيرنده 1-12 تكنيك هاي يادگيري ماشين 1-12-1 درخت تصميم گيري 1-12-2 شبكه هاي عصبي 1-12-3 منطق فازي 1-12-4 يادگيري از طريق منطق مخاسباتي 1-12-5 محاسبات تكاملي 1-12-5-1 الگوريتم ژنتيك 1-12-6 يادگيري تقويتي  فصل 2 داده كاوي مقدمه 2-1 تعريف تئوريك از داده كاوي 2-2 جايگاه داده كاوي 2-2-1 چند واقعيت 2-3 مراحل يك فرايند داده كاوي 2-4 پايه هاي يك فرايند داده كاوي 2-5 كاربردهاي داده كاوي 2-6 مقوله كاهش ابعاد داده 2-6-1 پروسه كشف دانش از پايگاه داده 2-6-2 ويژگي هاي KDD 2-6-3 استخراج داده ها 2-6-4 آماده كردن داده ها 2-6-5 مهندسي داده ها 2-6-6 مهندسي الگوريتم و تعيين استراتژي هاي كاوش 2-7 زبان هاي پرسشي داده كاوي 2-8 كلاسه بندي و پيشگويي داده ها 2-8-1 انواع روشهاي كلاسه بنديگ 2-8-2 مراحل يك الگوريتم كلاسه بندي 2-8-3 ارزيابي روشهاي كلاسه بندي 2-9 خوشه بندي 2-9-1 تعريف فرايند خوشه بندي 2-9-2 كيفيت خوشه بندي 2-9-3 روش ها و الگوريتم هاي خوشه بندي 2-9-4 دسته بندي ويژگي هاي الگوريتم هاي خوشه بندي 2-10 داده كاوي با استفاده از استنتاج و يادگيري بيزي 2-10-1 تئوري بيز 2-10-2 اصل طول توصيف مينيمم 2-10-3 الگوريتم Gibbs 2-10-4 طبقه بندي ساده بيزي 2-10-5 تخمين زدن احتمالات 2-10-6 الگوريتم EM نتيجه گيري  فصل 3 شبكه هاي عصبي مقدمه 3-1 تاريخچه 3-2 ايده پيدايش شبكه هاي عصبي  3-3 پباهن با مغز 3-4 روش كار نرون ها 3-5 مدل رياضي 3-6 پياده سازي هاي الكترونيكي نرون ها مصنوعي 3-7 عمليات شبكه هاي عصبي 3-8 آموزش شبكه هاي عصبي 3-9 آموزش تطبيقي 3-10 تفاوت شبكه هاي عصبي با روش هاي محاسباتي متداول و سيستم هاي خبره 3-11 انواع يادگيري براي شبكه هاي عصبي 3-11-1 باناظر 3-11-2 تشديدي  3-12 زمينه‌اي در مورد perceptron 3-12-1 قدرت protron 3-12-2 دنباله هاي protron 3-13 قضيه بنيادي دنباله ها 3-14 كاربردهاي شبكه هاي عصبي مصنوعي 3-15 مزيت شبكه هاي عصبي 3-16 قوانين فعال سازي نتيجه 	 فصل 4 الگوريتم ژنتيك مقدمه 4-1 الگوريتم ژنتيك چيست؟ 4-2 طبيعت ايده اوليه 4-3 رابطه تكامل طبيعي با هوش مصنوعي 4-4 چارچوب كلي الگوريتم هاي ژنتيك 4-4-1 شرط پايان الگوريتم 4-5 روش هاي نمايش 4-6 عملگرهاي الگوريتم ژنتيك 4-6-1 تابع سازگاري 4-6-2 انتخاب 4-6-3 CrossOver 4-6-4 موتاسيون ( جهش ) 4-6-5 جايگزيني 4-7 مزايا و معايب 4-8 كاربردهاي الگوريتم ژنتيك 4-8-1 نمونه اي از كاربرد در مسائل بهينه سازي مهندسي نفت 4-8-2 كاربرد الگوريتم ژنتيك در شبكه هاي عصبي 4-8-3 هايپر هيوريستيك 4-9 روند الگوريتم ژنتيك با يك نمونه ساده نتيجه              مقدمه يکی از موضوعاتی که بسيار به زمينه هوش نزديک است يادگيری می باشد . در  واقع بدون وجود يادگيری هوش نمی تواند وجود  داشته باشد زيرا يادگيری ابزار دريافت دانش های جديد است. يادگيری شما را قادر می سازد  ازتجارب ووقايعی که برای خودتان پيش آمده استفاده کنيد . ازين رو توانايی  يادگيری يک ابزار قدرتمند  محسوب می شود و هيچ تعجبی ندارد که بسياری از برنامه نويسان می خواهند برنامه ای بسازند که بتواند اين ابزاررا به همان ترتيبی که انسانها استفاده می کنند بکارگيرد برنامه هايی که بتوانداين عمل را انجام دهد ازلحاظ تئوری برای هميشه آخرين برنامه ای است که نوشته می شود زيرا اين برنامه می تواند وظايف مختلف خودش را به سادگی و با فکر کردن ياد بگيرد. فن آوری جديد اطلا عات که سالانه باعث توليد تعداد زيادی کامپيوترهای قدرتمند تر و جديد تر می شود امروزه امکان جمع آوری، انتقال، ترکيب و ذخيره حجم زيادی از اطلا عات را با هزينه زياد، عملی ساخته است.افزايش مستندات و تصاوير،صداها و جداول و....ما را به سمت استخراج اطلاعات از اين داده ها رهنمون می سازد و با يک نگاه دقيق به داده ها در می يابيم که داده ها به تنهايی اگرچه زياد هم باشند کافی نيستند. . يک روش برای استخراج داده ها با حجم زياد داده کاوی می باشد که ماشينهای يادگيرنده يکی از کاربردهای ان است اين ماشينها دانش مربوط به نمونه ها و مستندات  که داده های ما هستند را استخراج می کنند. اين سيستم ها به عبارتي رفتار يادگيري انسان را در سيستم هاي هوشمند شبيه سازي مي کند. ماشين هاي يادگيرنده در سيستم هاي هوشمند براي افزايش دانش و تغيير آن، افزايش كارآيي و تصحيح اتوماتيك خطا مورد استفاده قرار مي گيرند. اخذ دانش يكي از مهمترين كاربردهاي ماشين يادگيرنده است كه امروزه بسيار مورد توجه قرار مي گيرد. به اين معني كه عمل يادگيري اطلاعات پايه را از محيط استخراج كرده و براي تحليل حوادث آينده از آن بهره مي گيرندو موضوع مورد بحث ما در اين گزارش بررسی يادگيری ماشين است. در فصل اول با يادگيری ماشين، انواع يادگيری، انواع ماشينهای يادگيرنده و کاربردهای آن به صورت کلی آشنا خواهيم شد در فصل دوم به مقوله داده کاوی ، خواهيم پرداخت و در فصل های سوم و چهارم به تشريح شبکه های عصبی و الگوريتم ژنتيک که  زير شاخه های مهم يادگيری ماشين است می پردازيم.

دانلود پروژه پایان نامه رشته ی مهندسی کامپیوتر با عنوان یادگیری ماشین Machine Learning با فرمت word شامل ۱۹۹ صفحه و مشتمل بر بخش های زیر است :

فهرست مطالب

۱٫ فصل ۱ يادگيري ماشين

۱-۱ چكيده

۱-۲ يادگيري چيست؟

۱-۳ نگاهي به فردا

۱-۴ يادگيري ماشين

۱-۴-۱ هدف

۱-۵ ماشين يادگيرنده

۱-۵-۱ روند تكاملي ماشين هاي يادگيرنده

۱-۵-۲ انواع ماشين هاي يادگيرنده

۱-۵-۳ اجزاء ماشين هاي يادگيرنده

۱_۵_۴ مشكلات ماشين هاي يادگيرنده

۱-۶ روشهاي يادگيري عامل

۱-۷ مسائل اساسي يادگيري

۱-۸ روند عمليلتي

۱-۹ قوانين يادگيري

۱-۹-۱ روش AQ11

۱-۹-۲  روش CN2

۱-۹-۳ درخت تصميم

۱-۱۰ طراحي يك سيستم يادگيري

۱-۱۰-۱ انتخاب Training Experience

۱-۱۰-۲ انتخاب تابع هدف

۱-۱۰-۳ انتخاب نحوه نمايش تابع هدف

۱-۱۰-۴ انتخاب الگوريتم شبيه سازي

۱-۱۰-۵ طراحي نهايي

۱-۱۱ كاربردهاي ماشين هاي يادگيرنده

۱-۱۲ تكنيك هاي يادگيري ماشين

۱-۱۲-۱ درخت تصميم گيري

۱-۱۲-۲ شبكه هاي عصبي

۱-۱۲-۳ منطق فازي

۱-۱۲-۴ يادگيري از طريق منطق مخاسباتي

۱-۱۲-۵ محاسبات تكاملي

۱-۱۲-۵-۱ الگوريتم ژنتيك

۱-۱۲-۶ يادگيري تقويتي

فصل ۲ داده كاوي

مقدمه

۲-۱ تعريف تئوريك از داده كاوي

۲-۲ جايگاه داده كاوي

۲-۲-۱ چند واقعيت

۲-۳ مراحل يك فرايند داده كاوي

۲-۴ پايه هاي يك فرايند داده كاوي

۲-۵ كاربردهاي داده كاوي

۲-۶ مقوله كاهش ابعاد داده

۲-۶-۱ پروسه كشف دانش از پايگاه داده

۲-۶-۲ ويژگي هاي KDD

۲-۶-۳ استخراج داده ها

۲-۶-۴ آماده كردن داده ها

۲-۶-۵ مهندسي داده ها

۲-۶-۶ مهندسي الگوريتم و تعيين استراتژي هاي كاوش

۲-۷ زبان هاي پرسشي داده كاوي

۲-۸ كلاسه بندي و پيشگويي داده ها

۲-۸-۱ انواع روشهاي كلاسه بنديگ

۲-۸-۲ مراحل يك الگوريتم كلاسه بندي

۲-۸-۳ ارزيابي روشهاي كلاسه بندي

۲-۹ خوشه بندي

۲-۹-۱ تعريف فرايند خوشه بندي

۲-۹-۲ كيفيت خوشه بندي

۲-۹-۳ روش ها و الگوريتم هاي خوشه بندي

۲-۹-۴ دسته بندي ويژگي هاي الگوريتم هاي خوشه بندي

۲-۱۰ داده كاوي با استفاده از استنتاج و يادگيري بيزي

۲-۱۰-۱ تئوري بيز

۲-۱۰-۲ اصل طول توصيف مينيمم

۲-۱۰-۳ الگوريتم Gibbs

۲-۱۰-۴ طبقه بندي ساده بيزي

۲-۱۰-۵ تخمين زدن احتمالات

۲-۱۰-۶ الگوريتم EM

نتيجه گيري

فصل ۳ شبكه هاي عصبي

مقدمه

۳-۱ تاريخچه

۳-۲ ايده پيدايش شبكه هاي عصبي

۳-۳ پباهن با مغز

۳-۴ روش كار نرون ها

۳-۵ مدل رياضي

۳-۶ پياده سازي هاي الكترونيكي نرون ها مصنوعي

۳-۷ عمليات شبكه هاي عصبي

۳-۸ آموزش شبكه هاي عصبي

۳-۹ آموزش تطبيقي

۳-۱۰ تفاوت شبكه هاي عصبي با روش هاي محاسباتي متداول و سيستم هاي خبره

۳-۱۱ انواع يادگيري براي شبكه هاي عصبي

۳-۱۱-۱ باناظر

۳-۱۱-۲ تشديدي

 3-12 زمينه‌اي در مورد perceptron

۳-۱۲-۱ قدرت protron

۳-۱۲-۲ دنباله هاي protron

۳-۱۳ قضيه بنيادي دنباله ها

۳-۱۴ كاربردهاي شبكه هاي عصبي مصنوعي

۳-۱۵ مزيت شبكه هاي عصبي

۳-۱۶ قوانين فعال سازي

نتيجه  

فصل ۴ الگوريتم ژنتيك

مقدمه

۴-۱ الگوريتم ژنتيك چيست؟

۴-۲ طبيعت ايده اوليه

۴-۳ رابطه تكامل طبيعي با هوش مصنوعي

۴-۴ چارچوب كلي الگوريتم هاي ژنتيك

۴-۴-۱ شرط پايان الگوريتم

۴-۵ روش هاي نمايش

۴-۶ عملگرهاي الگوريتم ژنتيك

۴-۶-۱ تابع سازگاري

۴-۶-۲ انتخاب

۴-۶-۳ CrossOver

۴-۶-۴ موتاسيون ( جهش )

۴-۶-۵ جايگزيني

۴-۷ مزايا و معايب

۴-۸ كاربردهاي الگوريتم ژنتيك

۴-۸-۱ نمونه اي از كاربرد در مسائل بهينه سازي مهندسي نفت

۴-۸-۲ كاربرد الگوريتم ژنتيك در شبكه هاي عصبي

۴-۸-۳ هايپر هيوريستيك

۴-۹ روند الگوريتم ژنتيك با يك نمونه ساده

نتيجه


عتیقه زیرخاکی گنج