×

پروژه انتخاب ویژگی دیتاست مجموعه داده های آمار مسابقات تنیس با استفاده از الگوریتم درخت تصمیم KNN در رپیدماینر

۵۷,۹۰۰ تومان

پروژه انتخاب ویژگی دیتاست مجموعه داده ارزیابی دستیار آموزش با استفاده از الگوریتم درخت تصمیم KNN در رپیدماینر

۵۷,۴۰۰ تومان

پروژه انتخاب ویژگی دیتاست آندرا پرادش برق مصرفی شبانه روزی خانگی با استفاده از الگوریتم درخت تصمیم KNN در رپیدماینر

۵۸,۸۰۰ تومان

پروژه انتخاب ویژگی دیتاست مجموعه داده های سری زمانی کنترل مصنوعی با استفاده از الگوریتم درخت تصمیم KNN در رپیدماینر

۶۱,۴۰۰ تومان

پروژه انتخاب ویژگی دیتاست مجموعه داده های عملکرد دانشجویی با استفاده از الگوریتم درخت تصمیم KNN در رپیدماینر

۶۰,۸۰۰ تومان

پروژه انتخاب ویژگی دیتاست مجموعه داده های پوسته های سنگی با استفاده از الگوریتم درخت تصمیم KNN در رپیدماینر

۶۱,۴۰۰ تومان

پروژه انتخاب ویژگی دیتاست مجموعه داده گسل های صفحات فولادی با استفاده از الگوریتم درخت تصمیم KNN در رپیدماینر

۶۲,۳۰۰ تومان

پروژه انتخاب ویژگی دیتاست مجموعه داده STATLOG (سیلوهای خودرو) با استفاده از الگوریتم درخت تصمیم KNN در رپیدماینر

۵۶,۱۰۰ تومان

پروژه انتخاب ویژگی دیتاست مجموعه داده STATLOG (شاتل) با استفاده از الگوریتم درخت تصمیم KNN در رپیدماینر

۶۲,۱۰۰ تومان

پروژه انتخاب ویژگی دیتاست مجموعه داده STATLOG ( ماهواره لندست) با استفاده از الگوریتم درخت تصمیم KNN در رپیدماینر

۶۳,۳۰۰ تومان

پروژه انتخاب ویژگی دیتاست مجموعه داده STATLOG (تقسیم بندی تصویر) با استفاده از الگوریتم درخت تصمیم KNN در رپیدماینر

۵,۶۸۰ تومان

پروژه انتخاب ویژگی دیتاست مجموعه داده های قلب STATLOG با استفاده از الگوریتم درخت تصمیم KNN در رپیدماینر

۵۹,۴۰۰ تومان

پروژه انتخاب ویژگی دیتاست مجموعه داده STATLOG (اعتبارات مالی آلمان) با استفاده از الگوریتم درخت تصمیم KNN در رپیدماینر

۶۱,۴۰۰ تومان

پروژه انتخاب ویژگی دیتاست مجموعه داده STATLOG (تایید اعتبار استرالیا) با استفاده از الگوریتم درخت تصمیم KNN در رپیدماینر

۵۳,۶۰۰ تومان

پروژه انتخاب ویژگی دیتاست مجموعه اطلاعات رقمی گفتاری ARABIC با استفاده از الگوریتم درخت تصمیم KNN در رپیدماینر

۶۶,۲۰۰ تومان

پروژه انتخاب ویژگی دیتاست مجموعه داده های قلب SPECTF با استفاده از الگوریتم درخت تصمیم KNN در رپیدماینر

۶۱,۹۰۰ تومان

پروژه انتخاب ویژگی دیتاست مجموعه داده های قلب SPECT با استفاده از الگوریتم درخت تصمیم KNN در رپیدماینر

۵۵,۶۰۰ تومان

پروژه انتخاب ویژگی دیتاست مجموعه داده SOYBEAN (کوچک) با استفاده از الگوریتم درخت تصمیم KNN در رپیدماینر

۵۳,۹۰۰ تومان

پروژه انتخاب ویژگی دیتاست مجموعه داده SOYBEAN (بزرگ) با استفاده از الگوریتم درخت تصمیم KNN در رپیدماینر

۵۲,۳۰۰ تومان

پروژه انتخاب ویژگی دیتاست گوشی های هوشمند برای شناسایی فعالیت های انسان (HAR) با استفاده از الگوریتم درخت تصمیم KNN در رپیدماینر

۶۴,۷۰۰ 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