پاورپوینت در مورد مهندسی نرم افزار

دانلود پاورپوینت و ارائه کامل ماشین بردار پشتیبان-پاورپوینت و مقاله

دانلود پاورپوینت و ارائه کامل ماشین بردار پشتیبان

دانلود دانلود پاورپوینت و ارائه کامل ماشین بردار پشتیبان , باکیفیت ترین دانلود پاورپوینت و ارائه کامل ماشین بردار پشتیبان موجود, فایل دانلود پاورپوینت و ارائه کامل ماشین بردار پشتیبان , مقاله تحقیق پاورپوینت در مورد دانلود پاورپوینت و ارائه کامل ماشین بردار پشتیبان

دانلود پاورپوینت و ارائه کامل ماشین بردار پشتیبان در قالب 77 اسلاید

دانلود پاورپوینت و ارائه کامل ماشین بردار پشتیبان

دانلود پاورپوینت و ارائه کامل ماشین بردار پشتیبان در قالب 77 اسلاید

مشخصات فایل

تعداد صفحات 77
حجم 0/429 کیلوبایت
فرمت فایل اصلی ppt

توضیحات کامل

دانلود پاورپوینت و ارائه کامل ماشین بردار پشتیبان

 
مقدمه
SVM  دسته بندی کننده ای است که جزو شاخه Kernel Methods  دریادگیری ماشین محسوب میشود. 
SVMدر سال 1992 توسط Vapnik معرفی شده و بر پایه statistical learning theory  بنا گردیده است.
شهرت SVM بخاطر موفقیت آن در تشخیص حروف دست نویس است که با شبکه های عصبی بدقت تنظیم شده برابری میکند: 1.1% خطا 
 
هدف این دسته الگوریتم ها تشخیص و متمایز کردن الگوهای پیچیده در داده هاست ( از طریق کلاسترینگ، دسته بندی، رنکینگ، پاکسازی و غیره)
مسایل مطرح: 
الگوهای پیچیده را چگونه نمایش دهیم
چگونه از مسئله overfitting پرهیز کنیم
 
 
کلمات کلیدی:

SVM

ماشین بردار پشتیبان

دسته بندی داده های جدید

مسئله جداسازی غیر خطی

 
 
 
ایده اصلی
با فرض اینکه دسته ها بصورت خطی جداپذیر باشند، ابرصفحه هائی با حداکثر حاشیه (maximum margin)  را بدست می آورد که دسته ها را جدا کنند.
در مسایلی که داده ها بصورت خطی جداپذیر نباشند داده ها به فضای با ابعاد بیشتر نگاشت پیدا میکنند تا بتوان آنها را در این فضای جدید بصورت خطی جدا نمود.
 
 
 
فهرست مطالب
مقدمه
هدف این دسته الگوریتم ها تشخیص و متمایز کردن الگوهای پیچیده در داده هاست
تعمیم و SVM
حل مسئله برای حالت دو بعدی
تابع تصمیم گیری
ابر صفحه
حل مسئله برای حالت دو بعدی
محاسبه پهنای حاشیه
دسته بندی داده های جدید
مسئله جداسازی غیر خطی :
مشکلات فضای ویژگی
نگاشت غیر مستقیم به فضای ویژگی
کرنل
Modularity
ساخت کرنل ها
تشخیص حروف دست نویس
انتخاب تابع کرنل
جدی ترین مسئله در روش SVM انتخاب تابع کرنل است. 
نقاط قوت و ضعف SVM
Strengths
سایر جنبه های SVM
 
 
 
 


توضیحات بیشتر و دانلود



صدور پیش فاکتور، پرداخت آنلاین و دانلود

پشتیبانی در صورت مشکل در دانلو فایل لطفا اول پیامک بدید 09214087336

مقاله در مورد بحران | پاورپوینت بحران

دانلود پاورپوینت استفاده از روشهای داده كاوی در تشخیص نفوذ به شبكه های كامپیوتری-پاورپوینت و مقاله

دانلود پاورپوینت استفاده از روشهای داده كاوی در تشخیص نفوذ به شبكه های كامپیوتری

دانلود دانلود پاورپوینت استفاده از روشهای داده كاوی در تشخیص نفوذ به شبكه های كامپیوتری , باکیفیت ترین دانلود پاورپوینت استفاده از روشهای داده كاوی در تشخیص نفوذ به شبكه های كامپیوتری موجود, فایل دانلود پاورپوینت استفاده از روشهای داده كاوی در تشخیص نفوذ به شبكه های كامپیوتری , مقاله تحقیق پاورپوینت در مورد دانلود پاورپوینت استفاده از روشهای داده كاوی در تشخیص نفوذ به شبكه های كامپیوتری

داده كاوی به فرآیندی گفته می‌شود كه طی آن الگوهای مفیدی از داده ها كه تا كنون ناشناخته بودند، از داخل یك پایگاه داده بزرگ استخراج می شود، علاوه بر آن سیستمهای داده كاوی امكاناتی را به منظور خلاصه سازی و نمایش داده ها فراهم می‌كنند

دانلود پاورپوینت استفاده از روشهای داده كاوی در تشخیص نفوذ به شبكه های كامپیوتری

داده كاوی به فرآیندی گفته می‌شود كه طی آن الگوهای مفیدی از داده ها كه تا كنون ناشناخته بودند، از داخل یك پایگاه داده بزرگ استخراج می شود، علاوه بر آن سیستمهای داده كاوی امكاناتی را به منظور خلاصه سازی و نمایش داده ها فراهم می‌كنند

مشخصات فایل

تعداد صفحات 16
حجم 0/766 کیلوبایت
فرمت فایل اصلی ppt

توضیحات کامل

دانلود پاورپوینت استفاده از روشهای داده كاوی در تشخیص نفوذ به شبكه های كامپیوتری

 
نفوذ ( حمله ) :
نفوذ به عملیاتی اطلاق می‌شود كه تلاش می كند برای دسترسی غیر مجاز به شبكه یا سیستم های كامپیوتری از مكانیسم امنیتی سیستم عبور كند. این عملیات توسط نفوذ كننده گان خارجی  و داخلی انجام میشود.
 
 

سیستم های تشخیص نفوذ ( IDS )

سیستم تشخیص نفوذ، برنامه‌ای‌است كه با تحلیل ترافیك جاری شبكه یا تحلیل تقاظاها سعی در شناسایی فعالیتهای نفوذگر می‌نماید و در صورتی كه تشخیص داد ترافیك ورودی به یك شبكه یا ماشین، از طرف كاربر مجاز و عادی نیست بلكه از فعالیتهای یك نفوذگر ناشی می‌شود، به نحو مناسب به مسئول شبكه هشدار داده یا واكنش خاص نشان می‌دهد 
 
 

داده كاوی و كاربرد آن در كشف نفوذ

داده كاوی به فرآیندی گفته می‌شود كه طی آن الگوهای مفیدی از داده ها كه تا كنون ناشناخته بودند، از داخل یك پایگاه داده بزرگ استخراج می شود، علاوه بر آن سیستمهای داده كاوی امكاناتی را به منظور خلاصه سازی و نمایش داده ها فراهم می‌كنند. 
جمع آوری داده های شبكه توسط سنسور های سیستم های مانیتورینگ 
تبدیل داده های خام  به داده های قابل استفاده در مدل های داده كاوی 
ایجاد مدل داده كاوی  (مدل های تشخیص سو استفاده ، مدل های موارد غیر متعارف )
تحلیل و خلاصه سازی نتایج
 
 
 


توضیحات بیشتر و دانلود



صدور پیش فاکتور، پرداخت آنلاین و دانلود

پشتیبانی در صورت مشکل در دانلو فایل لطفا اول پیامک بدید 09214087336

مقاله در مورد بحران | پاورپوینت بحران

ماشین‌ بردار پشتیبان-پاورپوینت و مقاله

ماشین‌ بردار پشتیبان

دانلود ماشین‌ بردار پشتیبان , باکیفیت ترین ماشین‌ بردار پشتیبان موجود, فایل ماشین‌ بردار پشتیبان , مقاله تحقیق پاورپوینت در مورد ماشین‌ بردار پشتیبان

در این گزارش ما یکی از روشهای مدلسازی رفتار نرم افزار مبتنی بر روش طبقه بندی با استفاده از تکنیک ماشینهای بردار پشتیبان را شرح می‌دهیم

ماشین‌ بردار پشتیبان

در این گزارش ما یکی از روشهای مدلسازی رفتار نرم افزار مبتنی بر روش طبقه بندی با استفاده از تکنیک ماشینهای بردار پشتیبان را شرح می‌دهیم

مشخصات فایل

تعداد صفحات 13
حجم 0/210 کیلوبایت
فرمت فایل اصلی doc

توضیحات کامل

ماشین‌های بردار پشتیبان

 
مقدمه
در بسیاری از کاربردها برای تحلیل و بررسی یک سیستم، ابتدا رفتار آن سیستم را بر اساس اطلاعاتی که از سیستم داریم، مدل می‌کنیم و سپس از آن مدل برای تشخیص رفتارهای آتی آن سیستم استفاده خواهیم کرد. این فرآیند در واقع همان فرآیندی است که در مهندسی معکوس انجام می‌شود.در اینجا تمرکز ما بر روی سیستمهای نرم افزاری است. هدف ما این است که رفتارهای یک نرم افزار را مدل کنیم و سپس از این مدل برای تحلیل رفتارهای ناشناخته آن نرم‌افزار استفاده کنیم. برای مدلسازی رفتار یک نرم‌افزار می‌توانیم از روشهای مختلفی مانند زنجیره های مارکوف، گرافها و تئوری گرافها، روشهای خوشه‌بندی و روشهای طبقه‌بندی استفاده کنیم. در این گزارش ما یکی از روشهای مدلسازی رفتار نرم افزار مبتنی بر روش طبقه بندی با استفاده از تکنیک ماشینهای بردار پشتیبان را شرح می‌دهیم.
 
 
 
کلمات کلیدی:

SVM

طبقه بندی داده ها

ماشین‌ بردار پشتیبان

مدلسازی رفتار نرم افزار

 
 
 
فهرست مطالب
ماشینهای بردار پشتیبان 1
1-1 – مقدمه 2
2 – نحوه مدلسازی رفتار نرم افزار و کاربردهای آن 2
مدلسازی رفتار نرم‌افزار به منظور تحلیل امنیتی: 2
مدلسازی رفتار نرم افزار به منظور تشخیص یا پیشگویی خطاها: 3
مدلسازی رفتار نرم افزار به منظور ارزیابی کارایی نرمافزار. 3
3 – مدلسازی رفتار نرم افزار با استفاده از روش طبقهبندی 3
4 – روش طبقه بندی ماشین بردار پشتیبان 4
4-1 – نحوه تشکیل ابرسطح جداکننده توسط ماشین بردار پشتیبان 5
4-2 – صورت اولیه مسأله 9
4-3 – نحوه حل مسأله در حالت کلی 10
4-4 – حل مسأله اصلی 11
4-5 – مسأله همزاد 12
 


توضیحات بیشتر و دانلود



صدور پیش فاکتور، پرداخت آنلاین و دانلود

پشتیبانی در صورت مشکل در دانلو فایل لطفا اول پیامک بدید 09214087336

مقاله در مورد بحران | پاورپوینت بحران

داده کاوی،ترتیب و گروه سازی داده ها با استفاده از روش ماشین‎های بردار پشتیبان (SVM)-پاورپوینت و مقاله

داده کاوی،ترتیب و گروه سازی داده ها با استفاده از روش ماشین‎های بردار پشتیبان (SVM)

دانلود داده کاوی،ترتیب و گروه سازی داده ها با استفاده از روش ماشین‎های بردار پشتیبان (SVM) , باکیفیت ترین داده کاوی،ترتیب و گروه سازی داده ها با استفاده از روش ماشین‎های بردار پشتیبان (SVM) موجود, فایل داده کاوی،ترتیب و گروه سازی داده ها با استفاده از روش ماشین‎های بردار پشتیبان (SVM) , مقاله تحقیق پاورپوینت در مورد داده کاوی،ترتیب و گروه سازی داده ها با استفاده از روش ماشین‎های بردار پشتیبان (SVM)

هدف از این پایان نامه داده کاوی،ترتیب و گروه سازی داده ها با استفاده از روش ماشین‎های بردار پشتیبان (SVM) می باشد

داده کاوی،ترتیب و گروه سازی داده ها با استفاده از روش ماشین‎های بردار پشتیبان (SVM)

هدف از این پایان نامه داده کاوی،ترتیب و گروه سازی داده ها با استفاده از روش ماشین‎های بردار پشتیبان (SVM) می باشد

مشخصات فایل

تعداد صفحات 147
حجم 0/750 کیلوبایت
فرمت فایل اصلی doc

توضیحات کامل

دانلود پایان نامه کارشناسی ارشد مهندسی نرم افزار

داده کاوی،ترتیب و گروه سازی داده ها با استفاده از روش ماشین‎های بردار پشتیبان (SVM)

 

 
چکیده:
داده کاوی یکی از شاخه های مطرح علمی است که در سالهای اخیر توسعه فراوانی یافته است. بنابر گزارش دانشگاه MIT، دانش نوین داده کاوی یکی از ده دانش در حال توسعه ای است که دهه آینده را با انقلاب تکنولوژیکی مواجه می سازد. دسته بندی داده ها، از مهمترین مباحث مطرح در داده کاوی است. در خصوص دسته بندی داده ها روش های گوناگونی ارائه گردیده است که ماشین بردار پشتیبان(SVM) از مهمترین آنها است و از آنجایی که بر مبنای فرمول-بندی ریاضیاتی است از دقت و خاصیت تعمیم بیشتری نسبت به سایر روش های دسته بندی برخوردار است. این پایان نامه به داده کاوی،ترتیب و گروه سازی داده ها با استفاده از روش ماشین‎های بردار پشتیبان (SVM)می پردازد. 
 
ابتدا مقدمه و برخی از مباحث مورد نیاز در SVM مطرح می گردد. سپس اصول و پایه های دسته بندی داده های دو دسته ای به روش SVM مطرح می گردد و همچنین انواع روش-های SVM به همراه مثال ارائه می گردد. بعلاوه یک مثال واقعی از کاربرد روش SVM در دسته بندی داده های دو دسته ای ارائه خواهد شد. در ادامه نیز برخی از روش های دسته بندی برای داده های چند دسته ای مطرح می گردد. درپایان با ورود به بحث نادقیقی داده ها، و در نظر گرفتن دو حالت برای داده های فازی، روش هایی برای دسته بندی این داده ها عنوان می گردد.  بعلاوه با درنظر گرفتن یک پارامتر فازی در فرمول بندی روش SVM به ارائه راه حل پرداخته می شود. در خاتمه یک مثال کاربردی برای داده های فازی مطرح می گردد. ضمنا بخش هایی که با علامت * مشخص شده است حاصل پژوهش های مولف می باشد.
 
 
کلمات کلیدی:

SVM

داده کاوی

دسته بندی داده ها

ماشین‎های بردار پشتیبان

 
 
 

تاریخچه داده کاوی 

در طول دهه های گذشته با پیشرفت روز افزون کاربرد پایگاه داده ها ، حجم داده های ثبت شده بطور متوسط هر پنج سال دو برابر می شود. در این میان سازمان هایی موفق هستند که بتوانند حداقل 7% داده هایشان را تحلیل کنند. تحقیقات انجام یافته نشان می دهد که سازمان ها کمتر از 1%  داده هایشان را تحلیل می کنند. به عبارت دیگر در حالی که غرق در اطلاعات می-باشند، تشنه دانش هستند[50].بنابر گزارش دانشگاه MIT دانش نوین داده کاوی یکی از ده دانش در حال توسعه ای است که دهه آینده را با انقلاب تکنولوژیکی مواجه می سازد. این تکنولوژی، امروزه دارای کاربردهای وسیعی در حوزه های مختلف است، به گونه ای که امروزه حد و مرزی برای کاربرد این دانش درنظر نگرفته و زمینه های کاری این دانش را از ذرات کف اقیانوس ها تا اعماق فضا می دانند [50].
 
مفهوم داده کاوی برای نخستین بار در سال 1989 و در کنار کنفرانس هوش مصنوعی  توسط پیاتتسکی شاپیرو  و در شهر دترویت  معرفی شد. در سال 1991 نیز کارگاه های کشف دانش  از پایگاه داده ها، توسط پیاتتسکی و همکارانش برگزار گردید. همچنین در فاصله سال-های 1991 تا 1994 کارگاه هایی در این خصوص توسط فیاد  و دیگران برگزار شد و در سال 1996 اولین شماره مجله کشف دانش از پایگاه داده ها  منتشر شد. از آن زمان تاکنون کنفرانس های سالانه منظمی در خصوص داده کاوی و کشف دانش برگزار گردیده است. دانش داده کاوی که نام آن از استخراج معدن گرفته شده است با زدودن متعلقات غیرضروری داده ها و استخراج روابط سودمند از آنها، روابط پیچیده بین داده ها را آشکار کرده و راه را جهت تصمیم گیری هموار    می سازد.
 
 
 
 
فهرست مطالب
1-فصل اول:مقدمه و پیشنیازها     .1
1-1 مقدمه    2
1-1-1 تاریخچه داده-کاوی           .2
1-1-2 تعریف داده-کاوی            2

1-1-3 کاربردهای داده-کاوی         .3 

1-1-4 دسته بندی داده-ها             .4
1-2  مطالبی از مطالبی از حساب دیفرانسیل، جبرخطی و تحقیق در عملیات  5 

1-3 نظریه مجموعه های فازی         10

1-4 مطالبی از نظریه بازی-ها          13
1-4-1 تاریخچه نظریه بازی          13
1-4-2 نظریه بازی-ها               .14
1-4-3 بازی های ماتریسی           .17
 

2- فصل  دوم:روش SVM برای دسته بندی داده های دو دسته ای  20

2-1 مقدمه   21
2-2 روش ابتدایی SVM برای دسته بندی داده های دودسته ای جدایی پذیر خطی          21
2-3 روش SVM بر اساس نرم L1 برای دسته بندی داده های دودسته-ای                .30
2-4 روش SVM بر اساس فرم L2 برای دسته بندی داده های دودسته ای                 38
2-5 روش MCQP: مدل جدیدی برای دسته بندی داده های دو دسته ای بر مبنای روش  SVM  .43
2-6 روش SVM استاندارد          54
2-7 پیش بینی بحران مالی در شركت های پذیرفته شده در بورس اوراق بهادار تهران بوسیله روش MCQP       59
 

3-فصل سوم:روش SVM  برای دسته بندی داده های چند دسته-ای 63

3-1 مقدمه   64
3-2 روش OSVM برای دسته بندی داده های چند دسته-ای      .64
3-3 روش PSVM برای دسته بندی داده های چند دسته-ای       68
3-4 روش LP- PSVM برای دسته بندی داده های چند دسته-ای  .72
3-5 روشی برای تصمیم گیری در مورد داده های دسته بندی نشده  .75
 

4-فصل چهارم:روش SVM برای دسته بندی داده های فازی        .78

4-1 مقدمه   79
4-2 روش  FSVM بر اساس نرم L1 برای دست بندی داده های دو دسته-ای             .80
4-3 روش FMCQP برای دسته بندی داده های دو دسته-ای      .84
4-4 روش FSVM استاندارد برای دسته بندی داده های دو دسته-ای 88
4-5 روش SVM برای دسته بندی داده های فازی دو دسته ای جدایی پذیر خطی           .92
4-6: روش L1_SVM برای دسته بندی داده های فازی         .95
4-7 روش L1_SVM با ضریب اهمیت فازی برای خطای دسته بندی داده-ها             .97
4-8 پیش بینی بحران مالی درشركت های پذیرفته شده در بورس اوراق بهادار تهران بوسیله روش FMCQP    .101
نتیجه گیری و فعالیت های پیش-رو     .104
 
مراجع     .108
ضمیمه 1   .110
ضمیمه 2   .122
ضمیمه 3   .123
واژه نامه فارسی به انگلیسی          125
واژه نامه انگلیسی به فارسی          130
 
 
 
 
 
 
 


توضیحات بیشتر و دانلود



صدور پیش فاکتور، پرداخت آنلاین و دانلود

پشتیبانی در صورت مشکل در دانلو فایل لطفا اول پیامک بدید 09214087336

مقاله در مورد بحران | پاورپوینت بحران

داده کاوی پویا با استفاده از عامل هوشمند-پاورپوینت و مقاله

داده کاوی پویا با استفاده از عامل هوشمند

دانلود داده کاوی پویا با استفاده از عامل هوشمند , باکیفیت ترین داده کاوی پویا با استفاده از عامل هوشمند موجود, فایل داده کاوی پویا با استفاده از عامل هوشمند , مقاله تحقیق پاورپوینت در مورد داده کاوی پویا با استفاده از عامل هوشمند

در این مقاله روشی برای طبقه بندی جریان داده ها با استفاده از عامل ارائه گردیده است که در آن از خصوصیات عاملها استفاده شده است

داده کاوی پویا با استفاده از عامل هوشمند

در این مقاله روشی برای طبقه بندی جریان داده ها با استفاده از عامل ارائه گردیده است که در آن از خصوصیات عاملها استفاده شده است

مشخصات فایل

تعداد صفحات 23
حجم 0/118 کیلوبایت
فرمت فایل اصلی doc

توضیحات کامل

داده کاوی پویا با استفاده از عامل هوشمند

 
حسین مرشدلو  : احمد عبدالله زاده بارفروش 
 
 
چکیده
امروزه بدلیل حجم بسیار بالای داده ها و نیاز به پردازش و استخراج پویای دانش موجود در داده ها، داده کاوی جریان داده-ها اهمیت بسزایی یافته است. طبقه بندی جریان داده ها نیز یکی از مهمترین شاخه های داده کاوی است که تاکنون روشهای مختلفی برای آن ارائه گردیده است. اکثر این روشها واکنشی عمل کرده و پس از وقوع تغییر مفهوم در جریان داده ها، مدل داده خود را با مفهوم جدید وفق می دهند. از آنجائیکه در دنیای واقعی بسیاری از رخدادها تکرار می شوند بنظر می رسدکه بتوان با استفاده از روشهای یادگیری، تغییرات احتمالی در جریان داده-ها را پیش بینی کرد.
 
 البته بدلیل غیرقابل پیش بینی بودن برخی رخدادها لازم است که روش ارائه شده، قابلیت واکنشی نیز داشته باشد. بنابراین روشی که بتواند بطور هوشمندانه تناسب خوبی بین رفتارهای واکنشی و پیش فعال برقرار نماید، قادر خواهد بود قابلیت انطباق خوبی با محیط داشته و موفق عمل نماید. از طرفی با توجه به خصوصیات عاملها همچون خودمختاری، واکنشی، پیش  فعالی، یادگیری و قابلیت استدلال، بطور قطع مساله طبقه بندی جریان داده ها بستر مناسبی برای استفاده از قابلیت های عامل ها می باشد. در این مقاله روشی برای طبقه بندی جریان داده ها با استفاده از عامل ارائه گردیده است که در آن از خصوصیات عاملها استفاده شده است. 
 
در این روش عاملها قبل از وقوع تغییرات در جریان داده، بکمک استدلال و دانشی که از محیط بدست آورده اند، تغییرات را پیش بینی کرده و بر اساس آن برنامه ریزی می کنند. در صورتیکه رخدادهای پیش بینی شده اتفاق نیفتند، عامل متناسب با وضعیت فعلی از خود رفتار واکنشی نشان می دهد. این ویژگیها عامل را قادر می سازد که در محیط، یک رفتار هوشمند از خود نشان دهد. روش مورد نظر بر روی مجموعه داده های استاندارد که در اکثر کارهای انجام گرفته برای طبقه بندی جریان داده ها مورد استفاده قرار گرفته-اند، تست گردیده و نتایج حاصل از انجام آزمایشات نشان دهنده برتری استفاده از یک رفتار هوشمند پیش فعال نسبت به یک رفتار واکنشی می باشد.
 
 
کلمات کلیدی:

عامل

طبقه بندی

رفتار واکنشی

رفتار پیش فعال

داده کاوی جریان داده ها

 
 
مقدمه
امروزه بدلیل حجم گسترده و بسیار زیاد داده های موجود و همچنین عدم امکان ذخیره سازی آنها و نیاز به پردازش و استخراج پویای اطلاعات و دانش نهفته در داده ها، بحث داده کاوی جریان داده ها (Data Stream Mining) طی سالهای اخیر بسیار مورد توجه قرار گرفته است. از جمله کاربردهای داده کاوی جریان داده ها می توان به استفاده در بحث تشخیص تقلب در کارتهای اعتباری، بحث پردازش ترافیک شبکه و … اشاره کرد. در این میان بحث طبقه بندی جریان داده ها از اهمیت بسزایی برخوردار است و کارهای متعددی در این زمینه انجام گرفته است که از آن جمله می توان به موارد ]4،7،10،11،12[ اشاره کرد.
 
 یکی از مهمترین مباحثی که در بحث طبقه بندی و داده کاوی جریان داده ها وجود دارد ، بحث مربوط به تغییر مفهوم (concept drift) می باشد که بمعنی تغییر مدل یا مفهوم نهفته در پس داده های یک جریان داده می باشد، به این معنی که مدلهایی که از یک جریان داده در یک زمان خاص ساخته می شوند ، با گذشت زمان دقت خود را از دست داده و قادر به طبقه بندی صحیح داده ها با دقت لازم نیستند. اکثر روشهایی که تاکنون برای مدیریت تغییر مفهوم در داده ها ارائه گردیده اند، بصورت واکنشی عمل کرده و سعی می کنند، همواره مدل داده خود را با مفهوم های جدید در داده ها وفق دهند. بررسی و مرور جامعی بر این روشها را می توان در [9] مشاهده کرد.
 
 از آنجایی که این روشها تنها از یک مدل داده استفاده می کنند، بحث دقیق نگه داشتن این مدل داده هنگامی که تغییر مفهوم در جریان داده وجود دارد، امری دشوار و مشکل می-باشد، لذا بنظر می رسد در صورت وجود تغییر مفهوم در داده استفاده از چند مدل داده مختلف متناسب با مفاهیم مختلف بر استفاده از یک مدل داده واحد برتری داشته باشد، اما مشکلی که وجود دارد تصمیم گیری درست در مورد استفاده از مدل داده مناسب در هر لحظه است. برخی روشها یا الگوریتمها همانند [7] که از چند مدل داده استفاده می کنند، برای بالا بردن دقت خود در طبقه بندی از روشهای Ensemble کردن چندین طبقه بند مختلف بهره می گیرند. برای مثال در ][7] طبقه بندهایی در بازه های زمانی مختلف بر روی داده هایی از جریان داده ایجاد می گردند.
 
الگوریتم این طبقه بندها را بر روی اخیرترین داده ها اعمال می-کند و بسته به دقت این طبقه بندها به هر کدام وزنی تخصیص می-یابد تا برای جریان داده های فعلی بکار گرفته شوند. در واقع اشکالی که روشهای Ensemble کردن دارند این است که نحوه انتخاب درست طبقه بندها برای Ensemble کردن نیز ساده تر از مشکل قبلی (انتخاب درست طبقه بند مناسب با مفهوم جاری موجود در جریان داده ) نمی باشد. رویکردهایی همانند رویکرد [7] اگر چه قادر به ارائه عملکرد قابل قبولی بر روی جریان داده هایی که در آنها تغییر تدریجی مفهوم وجود دارد می باشد، اما در مواردی که جریان داده دارای تغییر مفهوم ناگهانی (Concept shift) باشد، خطای این روشها زیاد می باشد.
 
 
 
فهرست مطالب
داده کاوی پویا با استفاده از عامل هوشمند 1
چکیده 1
کلمات کلیدی 2
ABSTRACT 3
1- مقدمه 4
2- مفاهیم پایه 6
شکل (1) پنجره نظاره بر روی جریان دادهها 7
2-2- عامل و ویژگیهای آن 8
3- رویکرد پیشنهادی 9
3-1-1- روش مقایسه طبقهبند ایجاد شده با طبقهبندهای موجود در حافظه 10
شکل (2) نسبت واریانس به حاصاضرب 50 متغیر دارای مجموع ثابت 11
شکل (3) وزندهی چند داده مختلف 12
3-2- رفتار پیشفعال 12
3-2-1- نحوه پیشبینی مفهوم آتی 14
3-3- ترکیب رفتارهای واکنشی و پیشفعال 15
شکل (5) شبه کد برای تعیین مقدار k 18
4- آزمایشات انجام شده 18
شکل (6) شبیه سازی تغییر مفهوم تدریجی در مجموعه داده استاندارد Hyperplane 19
4-2- نتایج 20
شکل (7) نتایج حاصل از انجام آزمایش بر روی Stagger 20
شکل (8) نتایج حاصل از انجام آزمایش بر روی Hyperplane با تغییر مفهوم تدریجی 21
5- جمع بندی 21
6- مراجع 22
 
 
 
 
 
 
 


توضیحات بیشتر و دانلود



صدور پیش فاکتور، پرداخت آنلاین و دانلود

پشتیبانی در صورت مشکل در دانلو فایل لطفا اول پیامک بدید 09214087336

مقاله در مورد بحران | پاورپوینت بحران

متن کاوی و ارزیابی مهمترین متد های متن کاوی-پاورپوینت و مقاله

متن کاوی و ارزیابی مهمترین متد های متن کاوی

دانلود متن کاوی و ارزیابی مهمترین متد های متن کاوی , باکیفیت ترین متن کاوی و ارزیابی مهمترین متد های متن کاوی موجود, فایل متن کاوی و ارزیابی مهمترین متد های متن کاوی , مقاله تحقیق پاورپوینت در مورد متن کاوی و ارزیابی مهمترین متد های متن کاوی

در این مقاله ما به بررسی یکی از جدیدترین زمینههای مورد تحقیق در داده کاوی، متن کاوی می پردازیم در این مقاله روش های موجود برای پیش پردازش کردن، رده بندی ، استخراج اطلاعات ، روش های یافتن روابط شرح داده می شوند در پایان هر بخش ارزیابی و مقایسه ای روی روش های بیان شده در آن بخش صورات میگیرد و در پایان تعدادی از کاربردهای متن کاوی بیان می گردند

متن کاوی و ارزیابی مهمترین متد های متن کاوی

در این مقاله ما به بررسی یکی از جدیدترین زمینههای مورد تحقیق در داده کاوی، متن کاوی می پردازیم در این مقاله روش های موجود برای پیش پردازش کردن، رده بندی ، استخراج اطلاعات ، روش های یافتن روابط شرح داده می شوند در پایان هر بخش ارزیابی و مقایسه ای روی روش های بیان شده در آن بخش صورات میگیرد و در پایان تعدادی از کاربردهای متن کاوی بیان می گردند

مشخصات فایل

تعداد صفحات 33
حجم 0/404 کیلوبایت
فرمت فایل اصلی doc

توضیحات کامل

متن کاوی و ارزیابی مهمترین متد های متن کاوی

 
چکیده
    رشد فزاینده پایگاه داده ها در تقریبا هر ناحیه از فعالیت انسان باعث شده است که نیاز برای ابزارهای قدرتمند جدید برای تغییر دادن داده به دانش مفید افزایش یابد. برای برآوردن این نیاز محققان در ناحیه های مختلف مانند یادگیری ماشین ، شناسایی الگو، آنالیز داده آماری، بصری سازی داده ، شبکه های عصبی، اقتصاد سنجی، بازیابی اطلاعات، استخراج اطلاعات و….. روش ها و ایده هایی را کاوش کرده اند. ذات غیرساخت یافته ی این متون، اعمال همان روشهایی را که ما در مورد پایگاه داده های غیرمتنی بکار می بریم، غیر ممکن می سازد. بنابراین روش ها و الگوریتم-های پردازش (پیش پردازش)خاصی برای استخراج الگوهای مفید موردنیاز است. متن کاوی اطلاعات متنی غیرساختیافته را استفاده می کند و آنرا برای کشف ساختار و معناهای ضمنی پنهان در متن بررسی می کند. 
 
در این مقاله ما به بررسی یکی از جدیدترین زمینه-های مورد تحقیق در داده کاوی، متن کاوی می پردازیم. در این مقاله روش های موجود برای پیش پردازش کردن، رده بندی ، استخراج اطلاعات ، روش های یافتن روابط شرح داده می شوند در پایان هر بخش ارزیابی و مقایسه ای روی روش های بیان شده در آن بخش صورات می-گیرد و در پایان تعدادی از کاربردهای متن کاوی بیان می گردند.
 
 
کلمات کلیدی:

متن کاوی

داده کاوی

استخراج اطلاعات

یکپارچه  کردن داده کاوی

دسته بندی و مرتب سازی داده ها

 
 
 
مقدمه
   بخش قابل توجهی از اطلاعات قابل دسترس در پایگاه داده های متنی (یا پایگاه داده های سند ) كه شامل مجموعه بزرگی از اسناد منابع مختلف (مثلا مقالات خبری، paperها، كتاب ها، ایمیل ها و صفحات وب) ذخیره شده اند. پایگاه داده های متنی به علت افزایش مقدار اطلاعات موجود به فرم الكترونیكی سریع رشد می كنند. امروزه بیشتر اطلاعات در صنعت، کسب و کار  و سازمان های دیگر به صورت الكترونیكی و به فرم پایگاه داده متنی ذخیره شده اند.   داده های ذخیره شده در بیشتر پایگاه  داده های متنی، داده های نیمه ساختاریافته هستند چون نه به طور كامل غیرساختیافته هستند و نه به طور كامل ساختیافته هستند. 
 
برا ی مثال یك سند شامل تعدادی فیلد ساختیافته مانند عنوان، نویسندگان، تاریخ انتشار، رده  و ….. و از طرف دیگر شامل برخی كامپوننت های متنی غیرساختاریافته مانند چكیده و محتویات است. تكنیك های بازیابی اطلاعات مانند (متدهای ایندکس کردن متن ) برای هندل كردن سندهای غیر ساختاریافته ایجاد شده اند. تكنیك های بازیابی اطلاعات قدیمی برای مقدار زیادی داده متنی كه به طور فزاینده افزایش می یابند، ناكارآمد هستند. بدون دانستن محتویات سندها، فرمول بندی كردن Queryهای مناسب برای آنالیز كردن و استخراج كردن اطلاعات مفید از داده، مشكل است.
 
 كاربرها نیاز به ابزارهایی برای مقایسه سندهای مختلف، مرتب كردن سندها بر اساس موبوط بودن آن ها و یافتن الگوها دارند.  بنابراین یکی از جدیدترین زمینه های مورد تحقیق در داده کاوی، متن کاوی برای این منظور گسترش یافت. متن کاوی یعنی جستجوی الگوها در متن غیرساختیافته. متن کاوی برای کشف اتوماتیک دانش مورد علاقه یا مفید از متن نیمه ساختیافته استفاده می شود. چندین تکنیک برای متن کاوی پیشنهاد شده است عبارتند از ساختار مفهومی ،کاوش association ruleها درخت تصمیم گیری، روش های استنتاج قوانین ، همچنین تکنیک های بازیابی اطلاعات برای کارهایی مانند تطبیق دادن سندها، مرتب کردن کردن، کلاسترینگ و…..
 
 
فهرست مطالب
چکیده 3
1 مقدمه 3

1.1 کشف دانش و ارتباط آن متن کاوی 5

2.1 تعاریف متن کاوی 5

3.1 ناحیه های سرچ مرتبط 6
2 روش ها پیش پردازش کردن متون 7
1.2 مدل فضای برداری 9

2.2 پیش پردازش زبان شناختی 10

3 روش های متن کاوی … 10
1.3 فازهای اصلی فرآیند کتن کاوی… 11
2.3 رده بندی … 12
1.2.3 انتخاب ترم ایندکس 12
2.2.3 رده کننده Naïve Bayes 12
3.2.3 رده بندی کننده نزدیکترین همسایه 13
4.2.3 درخت تصمیم گیری 14
5.2.3 متدهای هسته و SVM 14
6.2.3 ارزیابی رده بندی کننده ها 15
3.3  استخراج اطلاعات 16
1.3.3 رده بندی برای استخراج اطلاعات 16

2.3.3 مدل مارکوف پنهان 17

3.3.3 فیلدهای رندم شرطی 17

4.3.3 مقایسه روش های استخراج اطلاعات 18

2.2 پیش پردازش زبان شناختی 18
4.3 روش ها ترکیبی 18
1.4.3 روش های dicsotex 18
1.1.4.3 مقدمه 19

2.1.4.3 یکپارچه  کردن داده کاوی و استخراج اطلاعات 19

3.1.4.3 سیستم dicsotex 19
2.4.3روش textminer 21
1.2.4.3 مقدمه 21
2.2.4.3 استخراج اطلاعات 22

3.2.4.3 الگوریتم خوشه بندی 23

3.4.3 یافتن روابط 25
4.4.3 مقایسه روش های ترکیبی 26
4 کاربردهای متن کاوی 26
5 نتیجه گیری و کارهای آینده 27
6 مراجع 28
 
 
 
 
 
 
 


توضیحات بیشتر و دانلود



صدور پیش فاکتور، پرداخت آنلاین و دانلود

پشتیبانی در صورت مشکل در دانلو فایل لطفا اول پیامک بدید 09214087336

مقاله در مورد بحران | پاورپوینت بحران

پردازش موازی و ابزار Globus-پاورپوینت و مقاله

پردازش موازی و ابزار Globus

دانلود پردازش موازی و ابزار Globus , باکیفیت ترین پردازش موازی و ابزار Globus موجود, فایل پردازش موازی و ابزار Globus , مقاله تحقیق پاورپوینت در مورد پردازش موازی و ابزار Globus

Grid Computing در حقیقت نسل جدیدی از شبكه‌های توزیع یافته است و همانند اینترنت به‌ كاربران خود اجازه می‌دهد فایل‌ها را به ‌اشتراك بگذارند به‌علا‌وه، منابع مشتركی از اطلاعات را برای استفاده‌كنندگان فراهم می‌كند با استفاده از این سیستم‌ها می‌توان منابع كامپیوترهای ناهمگون را به‌اشتراك گذاشت

پردازش موازی و ابزار Globus

Grid Computing در حقیقت نسل جدیدی از شبكه‌های توزیع یافته است و همانند اینترنت به‌ كاربران خود اجازه می‌دهد فایل‌ها را به ‌اشتراك بگذارند به‌علا‌وه، منابع مشتركی از اطلاعات را برای استفاده‌كنندگان فراهم می‌كند با استفاده از این سیستم‌ها می‌توان منابع كامپیوترهای ناهمگون را به‌اشتراك گذاشت

مشخصات فایل

تعداد صفحات 11
حجم 0/124 کیلوبایت
فرمت فایل اصلی doc

توضیحات کامل

پردازش موازی و ابزار Globus

 
چکیده:
 Grid Computing در حقیقت نسل جدیدی از شبكه‌های توزیع یافته است و همانند اینترنت به‌ كاربران خود اجازه می‌دهد فایل‌ها را به ‌اشتراك بگذارند. به‌علا‌وه، منابع مشتركی از اطلاعات را برای استفاده‌كنندگان فراهم می‌كند. با استفاده از این سیستم‌ها می‌توان منابع كامپیوترهای ناهمگون را به‌اشتراك گذاشت.
 
هدف اصلی Grid استفاده از این منابع مشترك مانند قدرت پردازنده، پهنای باند، پایگاه اطلاعاتی و در اختیار گذاردن آن برای ‌كامپیوتر مركزی است. ایجاد ارتباط دوسویه از راه دور از جمله ویژگی‌های كلیدی این فناوریست كه آن را به یك رسانه آموزشی قدرتمند تبدیل كرده است.بنابراین پردازش شبكه‌ای (Grid Computing) كه عبارت است از انجـــــام محاسبات توزیع ‌شـــــده توسط كامپیوترهایـــــی كـــــه با استفاده از شبكـــــه جهانی اینترنت به یكدیگر متصل بــوده و تبادل اطلاعـــــات می‌كننـــــد نیـــــز از دیگـــــر فنـــــاوری‌‌هـــــای رقیب بـــــرای ابركامپیوترها به حساب می‌آیند. این نوع پردازش در انفورماتیك بـــه (Wrold Wide Grid (WWG معروف است.
 
 
کلمات کلیدی:

گرید

Globus

پردازش موازی

شبكه‌های توزیع یافته

 
 
1-مقدمه
در سال 1996 اولین گام‌ها درجهت اینترنت نسل بعد برداشته شد، که حاصل تلاش دسته جمعی دولت آمریكا، دانشگاه‌ها و مراكز علمی و نیز شركت‌های خصوصی نظیر لوسنت، سیسكو و لورتل است. از این سال بود که گریدها ارتباطات بسیار سریعی را میان دانشكده‌ها، مراكز آموزشی، صنعتی و دولتی به منظور ایجاد قابلیت عظیم شبكه ای جهت پژوهش و توسعه، امكان آزمودن محصولات فیبری و روترها و ایجاد سرویس‌های جدید شبكه و نرم افزارهای مربوط به اینترنت استاندارد فعلی فراهم كرده‌اند[2].
 
بعد از 11 سپتامبر2002 موج جدیدی به نام توزیع شدگی (distributed) در برابر سیستم های سنتی که به صورت مرکزی (Centralized) پیاده سازی می شدند به وجود آمد. بعد از مدتی علاوه بر شرکت های تجاری شرکت-های بزرگ سازنده تکنولوژی مثل UN;Oracle;IBM تصمیم گرفتند که از خاصیت توزیع شدگی محاسبات در تکنولوژی نیز استفاده کنند که مباحث محاسبات شبکه ای درهم (Grid Computing) به وجود آمد. در اصطلاح نرم افزار Grid نوعی از سیستم های پردازش موازی توام با توزیع شدگی می باشد که در واقع فاکتور قدرت اینگونه سیستم ها ایجاد توان بالای محاسباتی از منابع کم (سخت-افزاری یا نرم افزاری) می-باشد[3]. 
 
 
 
فهرست مطالب
پردازش موازی و ابزار Globus 1

Grid Computing 1

پردازش موازی 1
چکیده: 2
1-مقدمه 2

2-Grid computing و قابلیت های آن 3

3-تعیین و تعریف Grid Computing 4
4-اصول هسته Grid Computing 5

5- مزایای Grid Computing 5

6- انواع Grid 5

7- اجزای تشكیل دهنده Grid Computing 6

9-چالش های Grid Computing 9
10-ساخت Grid 10

11-Grid از دید برنامه نویسان 10

12-نمای آینده 11
منابع 11
 
 
 


توضیحات بیشتر و دانلود



صدور پیش فاکتور، پرداخت آنلاین و دانلود

پشتیبانی در صورت مشکل در دانلو فایل لطفا اول پیامک بدید 09214087336

مقاله در مورد بحران | پاورپوینت بحران

افزایش كارایی پرس و جوهای پایگاه داده تحلیلی با نگاشت مكعب مفهومی به فضای دوبعدی-پاورپوینت و مقاله

افزایش كارایی پرس و جوهای پایگاه داده تحلیلی با نگاشت مكعب مفهومی به فضای دوبعدی

دانلود افزایش كارایی پرس و جوهای پایگاه داده تحلیلی با نگاشت مكعب مفهومی به فضای دوبعدی , باکیفیت ترین افزایش كارایی پرس و جوهای پایگاه داده تحلیلی با نگاشت مكعب مفهومی به فضای دوبعدی موجود, فایل افزایش كارایی پرس و جوهای پایگاه داده تحلیلی با نگاشت مكعب مفهومی به فضای دوبعدی , مقاله تحقیق پاورپوینت در مورد افزایش كارایی پرس و جوهای پایگاه داده تحلیلی با نگاشت مكعب مفهومی به فضای دوبعدی

در این مقاله با به کارگیری تکنیک‌های محاسبه از پایین به بالای عناصر شبکه جستجو، روش کارآیی برای پردازش پرس‌وجو در پایگاه داده تحلیلی و انجام محاسبات مکعب داده ارائه شده است

افزایش كارایی پرس و جوهای پایگاه داده تحلیلی با نگاشت مكعب مفهومی به فضای دوبعدی

در این مقاله با به کارگیری تکنیک‌های محاسبه از پایین به بالای عناصر شبکه جستجو، روش کارآیی برای پردازش پرس‌وجو در پایگاه داده تحلیلی و انجام محاسبات مکعب داده ارائه شده است

مشخصات فایل

تعداد صفحات 9
حجم 0/89 کیلوبایت
فرمت فایل اصلی doc

توضیحات کامل

افزایش كارایی پرس و جوهای پایگاه داده تحلیلی با نگاشت مكعب مفهومی به فضای دوبعدی

 
چكیده
پایگاه داده تحلیلی و پردازش تحلیلی برخط، از جمله عناصر ضروری در سیستم‌های تصمیم‌یار به شمار می‌روند كه به طور روز افزون در مباحث مرتبط با پایگاه‌های داده مورد توجه قرار گرفته‌اند. سیستم‌های تصمیم‌یار نسبت به سیستمهای پردازش تراكنش برخط، نیازمندی‌های متفاوتی دارد. در این سیستم‌ها بهینه‌سازی پرس‌وجوها و پردازش کارآی مکعب های داده‌ای نقش اساسی در عملکرد سیستم ایفا می‌کند.
 
در این مقاله با به کارگیری تکنیک‌های محاسبه از پایین به بالای عناصر شبکه جستجو، روش کارآیی برای پردازش پرس‌وجو در پایگاه داده تحلیلی و انجام محاسبات مکعب داده ارائه شده است. بررسی نتایج به دست آمده بر مبنای پارامترهای ارزیابی، حکایت از آن دارد که الگوریتم ارائه شده در این مقاله نسبت به بهترین الگوریتم‌هایی که پیش از آن ارائه شده‌اند عملکرد بهتری (بر اساس معیار زمان اجرا) از خود نشان می‌دهد و سرعت آن در اجرای پرس و جوهای یکنوا و با حجم داده های بسیار زیاد، به مراتب بهتر از الگوریتم های پیش از آن است. ضمن اینکه با توجه به نگاه دو بعدی ایجاد شده توسط این الگوریتم به مساله مکعب و تبدیل مکعب به ساختار ابرگراف، میزان حافظه مورد نیاز این الگوریتم در مواردی که مجموع سازی بر روی زیرمجموعه‌ای از ابعاد مکعب صورت پذیرد، کمتر از حافظه‌ی مصرف شده توسط الگوریتم‌های پیش از آن است.
 
 
كلید واژه:

مکعب داده

پایگاه داده تحلیلی

پردازش تحلیلی برخط

مدل داده‌ی چند بعدی

 
 
 
1- مقدمه
پایگاه داده‌ی تحلیلی، ابزاری برای پشتیبانی تصمیم است كه از منابع داده‌ی سازمان‌ها و ارگان‌های متفاوت تهیه می‌شود. این پایگاه داده بستر مناسبی فراهم می‌آورد كه داده‌های بایگانی شده در پایگاه‌های داده‌ی عملیاتی، به صورت مجتمع و سازمان یافته درآیند و برای استخراج دانش مناسب باشند. تعریف ارائه شده توسط اینمون (Inmon) برای پایگاه داده تحلیلی به صورت زیر است: "پایگاه داده تحلیلی، یك مجموعه موضوع-گرا، یكپارچه، متكی بر بازه‌های زمانی متفاوت (متغیر با زمان) ، و تغییرناپذیر از داده‌ها است كه برای پشتیبانی مدیریت پردازش تصمیم‌گیری (تصمیم‌یاری) به كار می‌رود."[12]
 
پایگاه‌های داده تحلیلی با توجه به اینکه اطلاعات مجتمع شده از چندین پایگاه داده عملیاتی را در خود دارند  شامل حجم عظیمی از داده هستند. این مساله سبب بروز مشکلاتی در نگهداری و به کارگیری پایگاه‌های مزبور می‌شود. برای اینکه بتوان به صورت کارا به پرس‌وجوهایی که از پایگاه داده تحلیلی می‌شود پاسخ داد، باید از روشهایی کارا برای دستیابی به داده و پردازش پرس‌وجو استفاده کرد. به این منظور الگوریتم‌های فراوانی ارائه شده‌اند که هدف آنها انجام پرس و جوها به نحوی است که زمان لازم برای پاسخگویی کمینه باشد و در عین حال فضای حافظه مورد نیاز برای انجام پردازش ها بهینه و یا دست کم قابل قبول باشد.
 
پایگاه های داده تحلیلی را می توان از دیدگاه مفهومی به صورت مجموعه ای چند بعدی از داده ها دید. این دیدگاه چند بعدی را مکعب داده می نامند. مكعب داده در [6] ارائه شده و برخی از ویژگی‌های مفید محاسبه مكعب بیان شده است. منظور از محاسبه مکعب داده، پاسخگویی به پرس و جوهای تحلیلی است که از پایگاه داده تحلیلی متناظر با آن می شود.  چون این پرس وجوها تحلیلی هستند و به بررسی داده ها در بعد کلان می پردازند، نیاز به مجموع سازی داده ها در ابعاد مختلف مکعب دارند.سه نوع تابع برای انجام عملیات مجموع‌سازی تعریف می‌شوند [1]. مجموعه‌ای مانند T از چندگانه‌ها (ركوردها) را در نظر بگیرید. فرض كنید كه مجموعه‌ی  یك مجموعه‌ی كامل از زیر مجموعه‌های جدا از هم T باشد یعنی  و . 
 
تابع مجموع‌ساز F، تابع توزیعی خوانده می‌شود اگر تابعی مانند G وجود داشته باشد طوریكه  . توابع SUM، MIN، و MAX همگی توابعی توزیعی هستند كه در آنها G=F است. تابع COUNT نیز یك تابع توزیعی است كه در آن G=SUM است.
تابع مجموع‌ساز F جبری است اگر تابع M-مقداری G و تابع H موجود باشند طوریكه   كه در آن مقدار M برخلاف مقادیر |T| و n ثابت است. همه‌ی تابع‌های توزیعی توابعی جبری نیز هستند. علاوه بر آنها توابعی نظیر میانگین، انحراف معیار استاندارد، MaxN و MinN نیز توابعی جبری هستند. به عنوان مثال، در تابع میانگین (Average)، تابع G مقادیر SUM و COUNT را به دست می‌آورد و تابع H نتایج به دست آمده از تابع G را بر هم تقسیم می‌نماید.
یك تابع مجموع‌ساز نظیر F را هولیستیك می‌نامند اگر جبری نباشد. برای مثال توابع میانه (Median) و رتبه (Rank) نمونه‌ای از توابع هولیستیك هستند. 
 
 
فهرست مطالب
افزایش كارایی پرس و جوهای پایگاه داده تحلیلی با نگاشت مكعب مفهومی به فضای دوبعدی 1
چكیده 1
كلید واژه 1
1- مقدمه 2
2- پرس و جوهای آستانه ای 3
3- الگوریتم  Ex-Cube 5
3-1- تعاریف و نمادها 5
3-2- ساختار ابرگراف 6
3-3- ذخیره سازی دوبعدی Ex-Graph 6
3-4- فضای لازم برای ذخیره سازی Ex-Graph 7
4- شبیه‌سازی و نتایج به دست آمده 8
4-1- تاثیر افزایش حجم پایگاه داده بر روی شمای ثابت بر سرعت محاسبات 8
4-2- تغییرات زمان با افزایش کاردینالیتی ابعاد 8
4-3- افزایش تعداد ابعاد 8
4-4- افزایش تعداد ابعاد 9
5- نتیجه 9
مراجع 9
 
 
 OLAP
Data Cube
Data Warehouse
On-Line Analytical Processing
Multi-dimensional Data Model


توضیحات بیشتر و دانلود



صدور پیش فاکتور، پرداخت آنلاین و دانلود

پشتیبانی در صورت مشکل در دانلو فایل لطفا اول پیامک بدید 09214087336

مقاله در مورد بحران | پاورپوینت بحران

روشی برای مقایسه معماری های نرم افزار-پاورپوینت و مقاله

روشی برای مقایسه معماری های نرم افزار

دانلود روشی برای مقایسه معماری های نرم افزار , باکیفیت ترین روشی برای مقایسه معماری های نرم افزار موجود, فایل روشی برای مقایسه معماری های نرم افزار , مقاله تحقیق پاورپوینت در مورد روشی برای مقایسه معماری های نرم افزار

هدف اصلی روش پیشنهادشده در این مقاله، مقایسه معماری سیستم های نرم افزاری می باشد تاکنون روش های بسیاری برای ارزیابی معماری نرمافزار پیشنهاد و بکار گرفته شده است

روشی برای مقایسه معماری های نرم افزار

هدف اصلی روش پیشنهادشده در این مقاله، مقایسه معماری سیستم های نرم افزاری می باشد تاکنون روش های بسیاری برای ارزیابی معماری نرمافزار پیشنهاد و بکار گرفته شده است

مشخصات فایل

تعداد صفحات 21
حجم 0/103 کیلوبایت
فرمت فایل اصلی doc

توضیحات کامل

دانلود مقاله کارشناسی ارشد رشته مهندسی نرم افزار

روشی برای مقایسه معماری های نرم افزار

 
 
چکیده
هدف اصلی روش پیشنهادشده در این مقاله، مقایسه معماری سیستم های نرم افزاری می باشد. تاکنون روش های بسیاری برای ارزیابی معماری نرم-افزار پیشنهاد و بکار گرفته شده است. اما بیشتر این روش ها امکان واضح و مستقیمی برای مقایسه دو معماری ارائه نمی دهند. روش پیشنهادی امکان مقایسه دو معماری را در تمام دوره ی چرخه حیات نرم افزار تضمین می کند. این روش بر سه مفهوم اهداف کسب وکار، مدل کیفی استاندارد و سرویس های در سطح معماری استوار است. تمام مراحل این روش برمبنای اهداف کسب وکار انتخاب شده می باشد و تمام ویژگی های کیفی و اولویت ها از این اهداف استخراج می شوند. 
 
لذا با تغییر اهداف کسب وکار، بستر فراهم شده برای مقایسه تغییر چندانی نخواهد داشت و به سرعت مراحل انجام مقایسه بازسازی می شوند. با استفاده از مدل کیفی استاندارد، بیان، مستندسازی و انداز ه گیری ویژگی های کیفی به صورت یکپارچه و ساده درخواهد آمد.  مقایسه دو معماری برمبنای سرویس های در سطح معماری صورت می پذیرد که این امر باعث محدود شدن دامنه ی بررسی مولفه ها و اندازه گیری ویژگی های کیفی می شود و از سوی دیگر امکان مقایسه هر دو معماری موجود در یک دامنه را، مستقل از موارد کاربرد خاص آن ها فراهم می سازد. از این روش می توان برای تعیین معماری مرجع برای خط توسعه نرم افزار، مرتب سازی معماری های پیشنهادی باتوجه به هدف کسب وکار خاص، نظارت بر میزان پیشرفت پروژه در یک فرآیند مبتنی بر معماری نرم افزار و اثبات بهبود حاصل از انجام تغییرات کلی یا جزئی بر معماری پیشین استفاده نمود.
 
 
کلمات کلیدی

معماری نرم افزار

مقایسه معماری

هدف کسب و کار

سرویس  معماری

ارزیابی معماری نرم افزار

 
 
 
مقدمه
امروزه با افزایش اندازه و پیچیده تر شدن سیستم های نرم-افزاری، تامین کیفیت مورد نیاز این سیستم ها خود بحث جدیدی را در مهندسی نرم افزار پدید آورده است. برخی از اوقات، اندازه ی این سیستم ها بیش از ده برابر سیستم-های مشابه دهه ی اخیر افزایش یافته است. به همین لحاظ توضیحی سطح بالا از طراحی نرم افزار، نقشی مهم و اساسی را در فهم و مدیریت سیستم های بزرگ و پیچیده نرم-افزاری ایفا می کند. در واقع ویژگی های کیفی مطروحه در سیستم-های بزرگ نرم افزاری (مانند قابلیت نگهداشت ، قابلیت  اطمینان ، قابلیت استفاده، کارایی، قابلیت-انعطاف و … ) را بوسیله معماری نرم افزار مشخص ساخته و محدودیت-های مورد نیاز را بوسیله آن ذکر می کنند. معماری نرم افزار نقش مهمی در دستیابی به ویژگی های کیفی سیستم دارد و در این حین ارزیابی معماری در خصوص میزان دستیابی به نیازهای کیفی مطلوب در مراحل اولیه حائز اهمیت است. در واقع هدف اصلی ارزیابی معماری نرم افزار، درک میزان پتانسیل معماری انتخاب شده، جهت دستیابی به استعداد برآورده نمودن نیازهای کیفی و شناخت ریسک های بالقوه می باشد.
 
 
 
فهرست مطالب
روشی برای مقایسه معماریهای نرمافزار 1
چکیده 1
کلمات کلیدی 2
1- مقدمه 2

2- بررسی چند روش ارزیابی و ضعف آنها در مقایسه چند معماری 4

3- روش ارزیابی و مقایسه معماری نرمافزار 6

3-1- شناخت اهداف کسب و کار 8
3-2- استخراج سرویسهای در سطح معماری 8
3-3- استخراج مدل کیفی 9
3-4- اولویتدهی به ویژگیهای کیفی 12
3-5- اندازهگیری و تهیه گزارش 14
4- بررسی یک مورد مطالعاتی 14
4-1- شناخت اهداف کسب و کار 15
4-2- استخراج سرویسهای در سطح معماری 15
4-3- استخراج مدل کیفی 16
4-4- اولویتدهی به ویژگیهای کیفی 17
4-5- اندازهگیری و تهیه گزارش 18
5- نتیجهگیری و کارهای آتی 19
مراجع 20
زیر‌نویس‌ها 21


توضیحات بیشتر و دانلود



صدور پیش فاکتور، پرداخت آنلاین و دانلود

پشتیبانی در صورت مشکل در دانلو فایل لطفا اول پیامک بدید 09214087336

مقاله در مورد بحران | پاورپوینت بحران

اتوماتای یادگیر تصادفی و الگوریتمهای یادگیر-پاورپوینت و مقاله

اتوماتای یادگیر تصادفی و الگوریتمهای یادگیر

دانلود اتوماتای یادگیر تصادفی و الگوریتمهای یادگیر , باکیفیت ترین اتوماتای یادگیر تصادفی و الگوریتمهای یادگیر موجود, فایل اتوماتای یادگیر تصادفی و الگوریتمهای یادگیر , مقاله تحقیق پاورپوینت در مورد اتوماتای یادگیر تصادفی و الگوریتمهای یادگیر

فرآیند یادگیری موجودات زنده یكی از موضوعات تحقیقاتی جدید بشمار می‌آید این تحقیقات به دو دسته كلی تقسیم می‌شوند دسته نخست به شناخت اصول یادگیری موجودات زنده و مراحل آن می‌پردازند و دسته دوم بدنبال ارائه یك متدولوژی برای قرار دادن این اصول در یك ماشین می‌باشند

اتوماتای یادگیر تصادفی و الگوریتمهای یادگیر

فرآیند یادگیری موجودات زنده یكی از موضوعات تحقیقاتی جدید بشمار می‌آید این تحقیقات به دو دسته كلی تقسیم می‌شوند دسته نخست به شناخت اصول یادگیری موجودات زنده و مراحل آن می‌پردازند و دسته دوم بدنبال ارائه یك متدولوژی برای قرار دادن این اصول در یك ماشین می‌باشند

مشخصات فایل

تعداد صفحات 36
حجم 0/151 کیلوبایت
فرمت فایل اصلی doc

توضیحات کامل

دانلود پروژه مطالعاتی درس یادگیری ماشین رشته مهندسی نرم افزار

اتوماتای یادگیر تصادفی و الگوریتمهای یادگیر

 
مقدمه
فرآیند یادگیری موجودات زنده یكی از موضوعات تحقیقاتی جدید بشمار می‌آید. این تحقیقات به دو دسته كلی تقسیم می‌شوند. دسته نخست به شناخت اصول یادگیری موجودات زنده و مراحل آن می‌پردازند و دسته دوم بدنبال ارائه یك متدولوژی برای قرار دادن این اصول در یك ماشین می‌باشند. یادگیری بصورت تغییرات ایجادشده در كارایی یك سیستم بر اساس تجربه‌های گذشته تعریف می‌شود. یك ویژگی مهم سیستمهای یادگیر، توانایی بهبود كارایی خود با گذشت زمان است. به بیان ریاضی می‌توان اینطور عنوان كرد كه هدف یك سیستم یادگیر بهینه‌سازی وظیفه‌ای است كه كاملا شناخته شده نیست. بنابراین یك رویكرد به این مساله، كاهش اهداف سیستم یادگیر به یك مساله بهینه‌سازی است كه بر روی مجموعه‌ای از پارامترها تعریف می‌شود و هدف آن پیدا كردن مجموعه پارامترهای بهینه می‌باشد. 
 
در بسیاری از مسائل مطرح شده، اطلاعی از پاسخهای صحیح مساله ( كه یادگیری با نظارت  به آنها نیاز دارد) در دست نیست. بهمین علت استفاده از یك روش یادگیری بنام یادگیری تقویتی مورد توجه قرار گرفته است. یادگیری تقویتی نه زیر مجموعه شبكه‌های عصبی است و نه انتخابی بجای آنها محسوب می‌شود. بلكه رویكردی متعامد برای حل مسائل متفاوت و مشكلتر بشمار می‌رود. یادگیری تقویتی، از تركیب برنامه‌نویسی پویا و یادگیری نظارتی برای دستیابی به یك سیستم قدرتمند یادگیری ماشین استفاده می‌كند. در یادگیری تقویتی هدفی برای عامل یادگیر مشخص می‌شود تا به آن دست یابد. آنگاه عامل مذكور یاد می‌گیرد كه چگونه با آزمایشهای صحیح و خطا با محیط خود، به هدف تعیین شده برسد. 
 
در یادگیری تقویتی یك عامل یادگیرنده در طی یادگیری با فعل و انفعالات  مكرر با محیط، به یك سیاست كنترل بهینه می‌رسد. كارایی این فعل و انفعالات با محیط بوسیله بیشینه‌(كمینه) بودن پاداش (جریمه) عددی كه از محیط گرفته می‌شود، ارزیابی می‌گردد. علاوه بر این در روش‌های یادگیری تقویتی، اولا استفاده از یادگیری روش ساده، سیستماتیك و واقعی برای رسیدن به یك جواب تقریبا بهینه را بیان می‌كند.(پیدا كردن این جواب بهینه با استفاده از روشهای سنتی بسیار مشكل است.) ثانیا، دانشی كه در طی فرایند یادگیری بدست می‌آید، در یك مكانیزم نمایش دانش مانند شبكه عصبی یا جدول مراجعه ذخیره می‌شود كه از طریق آن می‌توان با محاسبات اندك و با كارایی بالایی عمل تخصیص كانال را انجام داد. ثالثا، از آنجاییكه این روش یادگیری در محیطی بلادرنگ در حال انجام است، می‌توان آنرا همزمان با فعالیت محیط (مانند شبكه سلولی) انجام داد. كه در این حالت با تمام رخدادهای پیش‌بینی نشده بصورت یك تجربه جدید برخورد می‌شود كه می‌توان از آنها برای بهبود كیفیت یادگیری استفاده كرد.
 
مزیت اصلی یادگیری تقویتی نسبت به سایر روشهای یادگیری عدم نیاز به هیچگونه اطلاعاتی از محیط (بجز سیگنال تقویتی) است. یكی از روشهای یادگیری تقویتی، اتوماتای یادگیر تصادفی است. اتوماتای تصادفی بدون هیچگونه اطلاعاتی درباره اقدام بهینه (یعنی با در نظر گرفتن احتمال یكسان برای تمامی اقدامهای خود در آغاز كار) سعی در یافتن پاسخ مساله دارد. یك اقدام اتوماتا بصورت تصادفی انتخاب می‌شود، در محیط اِعمال می‌گردد. سپس پاسخ محیط دریافت شده و احتمال اقدامها بر طبق الگوریتم یادگیری بِروز می‌شوند و روال فوق تكرار می‌گردد. اتوماتای تصادفی كه بصورت فوق در جهت افزایش كارایی خود عمل كند، یك اتوماتای یادگیر تصادفی گفته می‌شود. در ادامه این مقاله به معرفی اتوماتای یادگیر تصادفی پرداخته می شود.
 
 
 
کلمات کلیدی:

آتاماتای یادگیر

یادگیری ماشین

یادگیری تقویتی

سیستمهای یادگیر

 
 
 
 
فهرست مطالب
1. مقدمه 3

1.1. تاریخچه اتوماتای یادگیر 5

2. اتوماتای یادگیر 6
2.1. اتوماتای تصادفی 7
2.2. محیط 8

2.3. معیار‌های رفتار اتوماتای یادگیر 10

2.4. الگوریتمهای یادگیر 12

2.4.1. الگوریتمهای یادگیر استاندارد 12
2.4.2. الگوریتمهای یادگیری مدل-S 14
2.5. اتوماتای یادگیر با اقدامهای متغیر 16
2.6. اتوماتای یادگیر توزیع شده 17
3. اتوماتای یادگیر واكنشی 18

3.1. اتوماتای یادگیر واكنشی توزیع شده 20

4. کوتاهترین مسیر در گراف های تصادفی با اتوماتای یادگیر توزیع شده 21
5. حل مساله فروشنده دوره‌گرد احتمالی با اتوماتای یادگیر توزیع شده 24
5.1. تابع هدف مساله فروشنده دوره‌گرد احتمالی 24
5.2. الگوریتم پیشنهادی[4] 27
6. مراجع 36
 
 


توضیحات بیشتر و دانلود



صدور پیش فاکتور، پرداخت آنلاین و دانلود

پشتیبانی در صورت مشکل در دانلو فایل لطفا اول پیامک بدید 09214087336

مقاله در مورد بحران | پاورپوینت بحران