×

پروژه انتخاب ویژگی دیتاست مجموعه اطلاعات باغ وحش با استفاده از الگوریتم نزدیکترین همسایه KNN در رپیدماینر

۶۳,۳۰۰ تومان

پروژه انتخاب ویژگی دیتاست مجموعه داده های مخمر با استفاده از الگوریتم نزدیکترین همسایهKNN در رپیدماینر

۵۶,۶۰۰ تومان

پروژه انتخاب ویژگی دیتاست مجموعه اطلاعات بیسیم داخلی محلی با استفاده از الگوریتم نزدیکترین همسایه KNN در رپیدماینر

۶۰,۵۰۰ تومان

پروژه انتخاب ویژگی دیتاست مجموعه داده های کیفیت شراب با استفاده از الگوریتم نزدیکترین همسایه KNN در رپیدماینر

۵۵,۴۰۰ تومان

پروژه انتخاب ویژگی دیتاست مجموعه داده های شراب با استفاده از الگوریتم نزدیکترین همسایه KNN در رپیدماینر

۵۵,۸۰۰ تومان

پروژه انتخاب ویژگی دیتاست مجموعه داده WILT با استفاده از الگوریتم نزدیکترین همسایه KNN در رپیدماینر

۵۸,۳۰۰ تومان

پروژه انتخاب ویژگی دیتاست مشتریان عمده فروشی با استفاده از الگوریتم نزدیکترین همسایه KNN در رپیدماینر

۵۲,۷۰۰ تومان

پروژه انتخاب ویژگی دیتاست داده های تمرینات وزنه برداری با استفاده از الگوریتم نزدیکترین همسایه KNN در رپیدماینر

۵۸,۶۰۰ تومان

پروژه انتخاب ویژگی دیتاست مجموعه اطلاعات شبکه فیشینگ با استفاده از الگوریتم نزدیکترین همسایه KNN در رپیدماینر

۶۳,۹۰۰ تومان

پروژه انتخاب ویژگی دیتاست مجموعه داده ها و حرکات بدن (PUC-RIO) با استفاده از الگوریتم نزدیکترین همسایه KNN در رپیدماینر

۵۶,۹۰۰ تومان

پروژه انتخاب ویژگی دیتاست مجموعه داده ژنراتور پایگاه داده موج شکل با استفاده از الگوریتم نزدیکترین همسایه KNN در رپیدماینر

۵۷,۵۰۰ تومان

پروژه انتخاب ویژگی دیتاست مجموعه داده های فیزیکی عملکردهای VICON با استفاده از الگوریتم نزدیکترین همسایه KNN در رپیدماینر

۶۱,۸۰۰ تومان

پروژه انتخاب ویژگی دیتاست مجموعه اطلاعات ستون فقرات با استفاده از الگوریتم نزدیکترین همسایه KNN در رپیدماینر

۶۴,۴۰۰ تومان

پروژه انتخاب ویژگی دیتاست شناسایی کاربر از فعالیت پیاده روی با استفاده از الگوریتم نزدیکترین همسایه KNN در رپیدماینر

۵۵,۷۰۰ تومان

پروژه انتخاب ویژگی دیتاست اطلاعات زمین های پوشش شهری با استفاده از الگوریتم نزدیکترین همسایه KNN در رپیدماینر

۵۹,۹۰۰ تومان

پروژه انتخاب ویژگی دیتاست مجموعه داده های اخبار کانال های تلویزیونی با استفاده از الگوریتم نزدیکترین همسایه KNN در رپیدماینر

۶۳,۳۰۰ تومان

پروژه انتخاب ویژگی دیتاست مجموعه اطلاعات دانش آموزان ترکیه با استفاده از الگوریتم نزدیکترین همسایه KNN در رپیدماینر

۶۱,۶۰۰ تومان

پروژه انتخاب ویژگی دیتاست مجموعه داده های متون ترکی با استفاده از الگوریتم نزدیکترین همسایه KNN در رپیدماینر

۵۸,۲۰۰ تومان

پروژه انتخاب ویژگی دیتاست بیماری تیروئید با استفاده از الگوریتم نزدیکترین همسایه KNN در رپیدماینر

۶۱,۴۰۰ تومان

پروژه انتخاب ویژگی دیتاست جراحی قفسه سینه با استفاده از الگوریتم نزدیکترین همسایه KNN در رپیدماینر

۵۹,۷۰۰ تومان

مطالب رایگان

بیشتر

مشاوره نگارش، سابمیت، پذیرش و چاپ مقاله علمی پژوهشی

مشاوره و آموزش نگارش، سابمیت، پذیرش و چاپ مقاله علمی پژوهشی در کمتر از 1 ماه

مقاله چیست؟

آموزش و مشاوره نگارش مقالات فارسی و انگلیسی در سطوح ارشد و دکتری برای مجلات ISC, ISI, Scopus, PubMed, Q1,Q2,Q3,Q4 در کمتر از دو هفته

یادگیری عمیق (Deep Neural Networks)

یادگیری عمیق نوعی از یادگیری ماشین وهوش مصنوعی است که در واقع از روشی که ذهن انسان برای یادگیری موضوع خاصی به کار می گیرد، تقلید می کند. این نوع از یادگیری یکی از عناصر مهم در علم داده می باشد که شامل آمار و مدل سازی پیش بینی است. یادگیری عمیق برای دانشمندان داده که وظیفه جمع آوری ، تجزیه و تحلیل و تفسیر مقادیر زیادی از داده ها را دارند ، بسیار مفید است و این روند را سریعتر و آسان تر می کند.

الگوریتم های استخراج ویژگی

روش‌های انتخاب ویژگی (Feature Selection Methods) به منظور مواجهه با داده‌های ابعاد بالا، به مولفه‌ای جدایی ناپذیر از فرآیند یادگیری مبدل شده‌اند. یک انتخاب ویژگی صحیح می‌تواند منجر به بهبود یادگیرنده استقرایی از جهت‌های گوناگون از جمله سرعت یادگیری، ظرفیت تعمیم و سادگی مدل استنتاج شده شود. در این مطلب بحث استخراج ویژگی و انتخاب ویژگی و انواع روش‌های آن مورد بررس قرار می‌گیرد.

الگوریتم طبقه بندی درخت تصادفی

سیستم های پیشنهاد دهنده در شبکه اجتماعی و انواع آنها

یک سیستم پیشنهاد دهنده سعی می‌کند علایق یک کاربر خاص در وبسایت شما را شناسایی و پیش‌بینی کند و آیتم‌هایی متناسب با علایقش به وی نشان دهد. سیستم پیشنهاد دهنده از الگوریتم‌های بسیار قدرتمند یادگیری ماشین (machine learning) است که خرده‌فروشی‌های آنلاین متعددی از آن برای افزایش فروش خود استفاده می‌کنند.

الگوریتم FP-Growth

یکی از الگوریتم های محبوب و مفید در این فن، الگوریتم FP-growth است. حجم داده ورودی FP-growth اصولا بسیار زیاد است و به همین دلیل یک محیط ابری چهارچوب مناسبی خواهد بود که میتواند از این حجم عظیم داده را به بخش های کوچکتر تقسیم و هر بخش را بصورت مجزا برای پردازش به یک نود خاص در شبکه ابری ارسال نمایید. این کار علاوه بر کاهش زمان اجرا تاثیر بسزائی در کاهش هزینه های ناشی از فراهم کردن بستره مورد نیاز برای داده کاوی خواهد داشت.

طبقه بندی داده ها

هنگامی که قصد تحلیل یک سری بزرگ از داده­ ها وجود دارد طبقه ­بندی به ما کمک خواهد کرد، زیرا که طبقه ­بندی روشی استاندارد برای نظم دادن به داده ­ها می­ باشد. می­ توان گفت که با این کار، داده­ ها به شکل قابل استفاده و ساده تر بیان می­ شوند و اعضای مشابه در کنار هم قرار می­ گیرند. در این فصل به روش­ هایی برای طبقه ­بندی کردن داده­ ها با دیدگاه آماری و مکانی پرداخته شده است.

پشتیبانی آنلاین

همواره ناب لرنینگ پشتیبان تمامی پروژه های خود از ساعت 9 صبح تا 12 شب می باشد. جهت تماس با پشتیبان و سفارش پروژه جدید کافیست از طریق "گفتگوی آنلاین" یا "سفارش فوری پروژه" یا "صفحه تماس با ما" اقدام فرمایید.

0