×
  • 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.

    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.

    یادگیری تجمعی(گروهی)

    مفاهيمي همچون يادگيري گروهي، يادگيري سازماني، و سازمان‏هاي يادگيرنده، مفاهيمي كمابيش نزديك و نسبتا جديد در عرصه مديريت و مباحث رفتار سازماني هستند كه به اقتضاي پيچيدگي‏ ها و تغييرات محيطي و پيدايي نيازهاي جديد پا به عرصه وجود گذاشته و امروزه دغدغه اصلي انديشمندان اين رشته علمي ـ كاربردي را تشكيل مي ‏دهند.

    الگوریتم انتخاب ویژگی مبتنی بر جغرافیای زیستی (BBO)

    الگوريتم انتخاب ویژگی مبتني بر جغرافياي زيستي (BBO) از خانواده الگوريتم‌‌هاي تكاملي مي باشد و مشابه آن‌‌ها يك الگوريتم انتخاب ویژگی تصادفي سراسري و مبتني بر جمعيت است كه با يك مجموعه اي از راه حل‌‌هاي كانديد در طول هر نسل كار مي كند و تلاش مي كند فضاهاي راه حل بزرگ را به صورت تركيبي با يك رويكرد تصادفي مانند بسياري از الگوريتم‌‌هاي تكاملي كشف كند. ازمزاياي BBO مي توان ديد سراسري و قابليت استخراج خوب آن را نام برد. بر همين اساس، داراي قابليت همگرايي به سمت بهينه سراسري مي باشد .

    الگوریتم انتخاب ویژگی جستجوی ممنوع (Tabu Search)

    الگوریتم جستجو ممنوعه یا الگوریتم جستجوی ممنوع Taboo search اولین بار توسط فرد گلوور در مقاله ای که در سال 1986 منتشر گردید، ارایه شد. همچنین بعدا دو مقاله از ایشان با نام ساده “جستجو ممنوع” در سال‌های 1989 و 1990 منتشر گردید که در آن، خیلی از کاربردهای جستجو ممنوع را معرفی کرد.

    الگوریتم انتخاب ویژگی ژنتیک چند هدفه (NSGA-II)

    از سال ١٩۶٠ تقلید از موجودات زنده برای استفاده در الگوریتم‌های قدرتمند برای مسایل الگوریتم ژنتیک مورد توجه قرار گرفت که تکنیک‌های محاسبه تکاملی نام گرفتند در واقع می‌توان گفت الگوریتم ژنتیک یک تکنیک برنامه نویسی است که از تکامل ژنتیکی به عنوان یک الگوی حل مساله استفاده می‌کند. هنگامی که لغت تنازع بقا به کار می‌رود اغلب بار ارزشی منفی آن به ذهن می‌آید. شاید هم‌زمان قانون جنگل به ذهن برسد و حکم بقای قوی‌تر! البته برای آن که خیالتان راحت شود می‌توانید فکر کنید که همیشه هم قوی‌ترین‌ها برنده نبوده‌اند؛ مثلا دایناسورها با وجود جثه عظیم در طی روندی کاملا طبیعی بازی بقا را واگذار کرده‌اند در حالی که موجوداتی بسیار ضعیف‌تر از آن‌ها حیات خویش را ادامه داده‌اند. ظاهراً طبیعت بهترین‌ها را تنها بر اساس هیکل انتخاب نمی‌کند! در واقع درستتر است بگوییم طبیعت مناسبترین‌ها (‌fittest) را انتخاب می‌کند نه قویترین‌ها. قانون انتخاب طبیعی بدین صورت است که تنها گونه‌هایی از یک جمعیت ادامه نسل می‌دهند که بهترین خصوصیات را داشته باشند و آن‌هایی که این خصوصیات را نداشته باشند به تدریج ودر طی زمان از بین می‌روند. مثلاً فرض کنید گونه خاصی از افراد هوش بسیار بیشتری از بقیه افراد یک جامعه دارند. در شرایط کاملاً طبیعی این افراد پیشرفت بهتری خواهند کرد و این رفاه خود باعث طول عمر بیشتر و باروری بهتر خواهد بود.

    الگوریتم انتخاب ویژگی جستجوی هارمونی (Harmony Search)

    الگوریتم جست وجوی هارمونی، یک الگوریتم انتخاب ویژگی است که در سال ۲۰۰۱ توسعه یافت. الگوریتم جست وجوی هارمونی به عنوان یک الگوریتم فر ااکتشافی موفق جهت مسیریابی در شبکه های حسگر بی سیم و در راستای افزایش طول عمر در این نوع شبکه ها است. یکی از سادهترین و جدیدترین روشهای فراابتکاری است که در فرایند جستجوی جواب شدنی بهینه در مسائل انتخاب ویژگی، از فرایند نواختن همزمان گروه ارکستر موزیک الهام گرفته شده است. به عبارت دیگر، میان پیدا کردن یک حل بهینه در مسأله پیچیده و فرایند اجرای موزیک تشابه وجود دارد.این روش حل را ابتدا گیم در سال ۲۰۰۱ میلادی ارائه کرد.

    الگوریتم انتخاب ویژگی ازدحام ذرات

    در الگوریتم pso تعدادي از موجودات وجود دارند، كه به آن ها ذره گفته ميشود و درفضاي جستجوي تابعي كه قصد كمينه كردن (و يا بهينه كردن) مقدار آن را داريم، پخش شده اند. هر ذره مقدار تابع هدف را در موقعيتي از فضا كه در آن قرار گرفته است، محاسبه مي كند. سپس با استفاده از تركيب اطلاعات محل فعل ياش و بهترين محلي كه در گذشته در آن بوده است و همچنين اطلاعات يك يا چند ذره از بهترين ذرات موجود در جمع، جهتي را براي حركت انتخاب مي كند.

    الگوریتم انتخاب ویژگی گرگ خاکستری

    الگوریتم گرگ خاکستری گرگ خاکستری به عنوان بالاترین سطح شکارچیان …

    خوشه بندی در شبکه های حسگر بی سیم

    در این بخش با یک مقاله کوتاه در رابطه با خوشه بندی در شبکه های حسگر بی سیم در خدمت شما دوستان گرامی هستیم که امیدواریم بررسی و مطالعه مطالب ارائه شده در این بخش مفید و مورد استفاده قرار گیرد، در ادامه با ما همراه باشید.

    زبان برنامه نویسی سی شارپ

    شاید شما بخواهید یک زبان برنامه نویسی رو به هر دلیلی به خاطر علاقه یا درآمد و تخصص یاد بگیرید اما نمیدانید کدام زبان را برای شما مناسب است و چطور آن را یاد بگیرید. ما در این مطلب به صورت کامل میخواهیم در مورد زبان برنامه نویسی سی شارپ توضیحاتی رو ارائه بدیم که بعد خواندن این مطلب می‌توانید یک انتخاب هوشمند و منطقی داشته باشید.

    الگوریتم انتخاب ویژگی ژنتیک

    الگوريتم هاي ژنتيك از اصول انتخاب طبيعي داروين براي يافتن فرمول بهينه جهت پيش بيني يا تطبيق الگو استفاده ميكنند. الگوريتم هاي ژنتيك اغلب گزينه خوبي براي تكنيك هاي پيش بيني بر مبناي رگرسيون هستند.جذابيت زياد الگوريتم هاي ژنتيك اين است نتايج نهايي قابل ملاحظه تري دارند. فرمول نهايي براي كاربر قابل مشاهده خواهد بود و براي ارايه سطح اطمينان نتايج ميتوان تكنيك هاي آماري متعارف را بر روي اين فرمولها اعمال كرد. به اختصار گفته مي شود كه الگوريتم ژنتيك يك فن برنامه نويسي است كه از تكامل ژنتيكي به عنوان يك الگوي حل مساله استفاده ميكند.

    الگوریتم انتخاب ویژگی سنجاقک

    واقعیت جالب در مورد سنجاقک ها رفتار ازدحامی منحصر به فرد و نادر این حشره می باشد. توده سنجاقک ها تنها برای دو هدف شکل می گیرند: شکار و مهاجرت که شکار را توده استاتیک یا تغذیه می نامند و مهاجرت را توده داینامیک یا مهاجر می نامند. در توده ثابت یا استاتیک سنجاقک ها گروه های کوچکی را تشکیل می دهند و در یک ناحیه کوچک به جلو و عقب حرکت می کنند تا سایر حشرات پرنده مانند پروانه ها و پشه ها را شکار کنند. تحرکات محیطی و تغییرات ناگهانی در مسیر پرواز ازمشخصه های اصلی توده ایستا می باشد.در توده های داینامیک تعداد زیادی از سنجاقک ها یک توده برای مهاجرت در یک جهت و با مسافت طولانی را شکل می دهند.

    الگوریتم بهینه سازی PSO چند هدفه (MOPSO)

    پديدهPSO، براي اولين بار توسط کندي و ابرهارت در سال 1995 مطرح شد. PSO يک الگوريتم محاسبه اي تکاملي الهام گرفته از طبيعت و براساس تکرار مي‌باشد. منبع الهام اين الگوريتم، رفتار اجتماعي حيوانات، همانند حرکت دسته جمعي پرندگان و ماهي‌ها بود. از اين جهت که PSO نيز با يک ماتريس جمعيت تصادفي اوليه، شروع مي‌شود، شبيه بسیاری دیگر از الگوریتم های تکاملی همچون الگوريتم ژنتيک پيوسته است. برخلاف الگوریتم ژنتیک، PSO هيچ عملگر تکاملي همانند جهش و تزويج ندارد. هر عنصر جمعيت، يک ذره ناميده مي‌شود (که همان معادل کروموزوم درGA) است. در واقع الگوريتم PSO از تعداد مشخصي از ذرات تشکيل مي شود که به طور تصادفي، مقدار اوليه مي¬گيرند. براي هر ذره دو مقدار وضعيت و سرعت، تعريف مي شود که به ترتيب با يک بردار مکان و يک بردار سرعت، مدل مي‌شوند.

    الگوریتم بهینه سازی ژنتیک چند هدفه (NSGA-II)

    بنابراین مسئله چند هدفه شامل n متغیر و q شرط و m هدف است که در آن توابع هدف می‌‌توانند خطی یا غیر خطی باشند. تابع ارزیابی F در مسئله چند هدفه، مجموعه را در متغیر تصمیم تصویر می‌‌کند: یعنی SfF در روش‌‌های وزندهی پیش از حل مسئله چند هدفه تبدیل به مسئله ای تک هدفه می‌‌شود. به عبارت دیگر، در این روش برای پیدا کردن جواب‌‌های مؤثر این مسئله چند معیاره:

    الگوریتم رقابت استعماری

    استفاده از الگوریتم رقابت استعماری (Imperialist Competitive Algorithm – ICA) در عین نوپا بودن و تازه بودن آن، همچنان در حال گسترش می باشد. این روزها این، الگوریتم به پایه ثابت پروژه ها و پایان نامه های دوره های مختلف تحصیلی تبدیل شده است. تنوع رشته های مرتبط با این الگوریتم نیز آنچنان بالاست که مقالات متعدد منتشر شده در مورد این الگوریتم، نه تنها نشان از کاربرد آن در رشته های مهندسی (برق، مهندسی صنایع، عمران، مکانیک و …) دارد، بلکه این الگوریتم به بخش اصلی مقالات مهم منتشر شده در اقتصاد، مدیریت و بازرگانی نیز تبدیل شده است. در این میان، در متلب سایت به عنوان مرجع هوش مصنوعی و برنامه نویسی متلب در ایران، درخواست های متعددی از طرف دانشجویان و پژوهشگران دریافت کردیم در مورد انتشار موارد آموزشی بیشتر در مورد این الگوریتم. امروز تصمیم گرفتیم پاسخ به این درخواست را بیش از این به تاخیر نیاندازیم

    0