شریف پژوه

چکیده: در دنیای امروز حجم عظیمی از اطلاعات به صورت متن می باشد. بنابراین تکنیک های متن کاوی اهمیت یافته اند. کاوش نظرات یا تحلیل احساسات به عنوان شاخه ای از متن کاوی، به معنی یافتن دیدگاه نویسنده متن درباره یک موضوع خاص است. اینترنت این امکان را برای کاربران فراهم می کند تا نظرات خود را به سهولت بیان کنند و از نظرات دیگران در مورد موضوعی خاص مطلع شوند. حجم بالا و فقدان ساختار مناسب برای متن نظرات ارائه شده بروی بستر وب، استفاده از دانش پنهان درون آنها را دشوار نموده است. بنابراین ارائه روش هایی که بتواند این دانش را به صورت خلاصه و ساخت یافته آماده کرده و در اختیار ما قرار دهد حائز اهمیت است. در این پژوهش سعی شده به ارائه روشی برای تحلیل نظرات ذیل خبر در سایت های خبری با توجه به متن خبر پرداخته شود. در این راستا سعی شده با استفاده از ویژگی های دستوری متون مانند اسم و فعل و همچنین تحلیل بار احساسی جملات، رابطه نظر با خبر و دیدگاه نویسنده نظر را با توجه به موضوع متن خبرکشف کنیم. در ادامه به ارزیابی روش، با پیاده سازی آن روی مجموعه داده جمع آوری شده از اخبار و نظرات به زبان فارسی پرداخته شده است. روش پیشنهادی صحت تشخیص 42.9 درصدی دارد.

چکیده: به سبب رشد سریع شبکه ها و رسانه های اجتماعی، امکان دسترسی افراد به نظرهای دیگران افزایش یافته است. نظرها، حاوی اطلاعات ارزشمندی اند که با تحلیل آنها، می توان به گرایش ها و ترجیح افراد پی برد و نظرهای مثبت و منفی را نسبت به مسائل گوناگون، شناسایی کرد. نظرکاوی فرایندی است که به تحلیل عاطفه ها، احساس ها و نظرهای افراد می پردازد و از این طریق، اولویت افراد را شناسایی می کند. در این مقاله، روشی برای نظرکاوی در زبان فارسی ارائه شده است که از ترکیب لغت نامه و الگوریتم نظارتی ماشین بردار پشتیبان (SVM) استفاده می کند. برای ایجاد لغت نامه، از لغت نامه SentiWordNet بهره برده شده است. در واقع این لغت نامه، مجموعه ویژگی های الگوریتم SVM است. برای ارزیابی نتایج، از داده های دامنه هتل استفاده شد. چهار فرضیه برای دستیابی به بهترین نتیجه تعریف شد که از این بین، بیشترین درستی، به فرضیه حاصل ضرب قطبیت در تعداد تکرار کلمه ها اختصاص یافت.

 
چکیده: سیستم های خبره یا مبتنی بر دانش، رایج ترین نوع سیستمهای هوش مصنوعی در علم پزشکی در کاربرد ها و استفاده های کلینیکی هستند. آنها شامل دانش پزشکی هستند که این دانش معمولا در محدوده وظیفه و عملیاتی است که به صورت مخصوص برای او تعریف شده است. سیستم های خبره می توانند با استفاده از داده های مربوط به هر بیمار، نتیجه گیری منطقی و معقولی را به دست آورند. با وجود تغییرات فراوان و تفاوت های موجود، دانش درون سیستم خبره، بسته به نوع آن، در قالب مجموعه ای از قوانین، نمایش داده می شود.دراین مقاله، برای تشخیص اختلال های تیرویید را با استفاده از یک سیستم خبره مبتنی بر آنتولوژی و روش فازی عصبی پیشنهاد می دهدOBESTDD مخفف عبارت . سیستم خبره مبتنی بر آنتولوژی برای تشخیص اختلال تیرویید است. در این تشخیص، از آنتولوژی برای مدل سازی محتوا و مفاهیم دانش حوزه ای، و همچنین استنتاج تشخیص مرتبط با بیماری بر اساس قوانین، استفاده می شود.فایده آنتولوژی این است که دانش ارایه شده، هم برای کامپیوتر و هم برای انسان، به اندازه کافی خوانایی دارد. استفاده از آنتولوژی در حوزه پزشکی و مراقبت های بهداشتی، باعث شده است که افراد متخصص و یا غیر متخصص در این حوزه بتوانند به راحتی دانش خود را ارایه دهند. همچنین ما با استفاده از روش فازی عصبی، توانستیم قوانین فازی را به دست آورده و آنها را در سیستم سیستم خبره تشخیص اختلال تیروییدESTDDجایگذاری کنیم. به این صورت، این سیستم توانست اختلال تیرویید را با دقت 95.33 % تشخیص دهد. علاوه بر این، می توان از این سیستم برای آموزش دانشجویان رشته پزشکی نیز استفاده کرد.

 
چکیده: باتوجه به اینکه مردم به تازگی علاقه به وضعیت سلامتیشان دارند، توسعه دامنه کاربرد پزشکی یکی از فعالترین زمینه های تحقیقات را به خود اختصاص داده است. یک مثال از دامنه کاربرد پزشکی کشف روش برای بیماری قلبی بر پایه روش تشخیص به کمک رایانه است، که اطلاعات از منابع دیگر بدست آمده و توسط نرم افزارهای رایانه ای ارزیابی شده است. سیستم های خبر، با هدف عمومی کردن مهارت های افراد متخصص، برای افراد غیرمتخصص طراحی شده اند. در واقع این نرم افزارها، الگوی منطقی ای را که یک متخصص براساس آنها تصمیم گیری می کند، شناسایی می نمایند و سپس بر اساس آن الگوها، مانند انسان ها تصمیم گیری می کنند. تاکنون سیستم های خبره ی مختلفی در زمینه ی علوم پزشکی ارائه شده و در این مورد پیشرفت زیادی داشته است. در حالی که سرعت عمل در تشخیص بیماری قلبی و در بهبود حال بیماران بسیار موثر می باشد، اما گاهی دسترسی به پزشکان متخصص برای بیماران وجود ندارد و ا ز این رو طراحی سیستمی با دانش پزشک متخصص که تشخیص مناسب را به بیماران ارائه نماید، شرایط درمان به موقع بیماران را رفراهم می کند. در این تحقیقی یک نمونه از قواعد نامعلوم سنگین برپایه روش پشتیبانی تصمیم برای تشخیص بیماری قبلی آورده شده است. تصمیم پزشکی پیشنهادی سیستم برای پیش بینی ریسک بیماران قلبی شامل دو فاز است: (1) روش خودکار برای قاعده سنگین نامعلوم (2) توسعه قاعده سنگین براساس پشتیببانی تصیمیم سیستم . سپس سیستم نامعلوم در مطابقت با قاعده سنگین نامعلوم و خواص منتخب ساخته شده است. در پایان عملکرد سیستم با دقت شبکه عصبی، حساسیت و ویژگی مورد استفاده مقایسه می شود.

 
چکیده: امروزه درصد بالایی از مردم در معرض خطر ابتلا به بیماری دیابت هستند. این بیماری یکی از خطرناکترین بیماری های عصر حاضر است و تشخیص به موقع این بیماری نقش به سزایی در درمان آن دارد.
روش ها: در این مقاله با استفاده از سیستم استنتاج فازی سوگنو و الگوریتم هوشمند کرم شب تاب، روشی نوین برای تشخیص دیابت ارائه شده است. روش ارائه شده قادر است با استفاده از تعداد کمی قوانین ساده فازی با دقت مطلوبی بیماری دیابت را تشخیص دهد.
یافته ها: کارآیی ترکیب سیستم استنتاج فازی سوگنو و الگوریتم کرم شب تاب 24/87 درصد به دست آمد.
نتیجه گیری: نتایج تجربی نشان می­دهند که این روش روی مجموعه داده استاندارد PID دقت بیشتری نسبتی به الگوریتم­های موجود در این زمینه دارد.

سفارش انجام پروژه بهبود یادگیری عمیق با الگوریتم فاخته برای شناسایی اعداد دست نویس:

در این پروژه، با استفاده از تلفیق روش های یادگیری عمیق (Deep Learning) و الگوریتم فاخته (Cuckoo algorithm)، مجموعه داده های مربوط به اعداد دست نویس، مورد بررسی قرار گرفته است. نتایج در قالب مستندات و همچنین فایل های شبیه سازی فراهم شده است.

پروژه اسپارک:

آپاچی اسپارک (Apache Spark) یک چارچوب رایانش توزیع‌شده متن‌باز است.

اسپارک یک رابط برنامه‌نویسی کاربردی برای برنامه‌نویسی تمام خوشه‌ها با موازی‌سازی داده‌های ضمنی و تحمل خطا فراهم می‌کند.

اسپارک از حافظه اصلی برای نگهداری داده‌های برنامه استفاده می‌کند که این امر باعث سریعتر اجرا شدن برنامه‌ها می‌شود.

همچنین یکی دیگر از مواردی که باعث افزایش کارایی اسپارک می‌شود، استفاده از مکانیسم حافظه نهان هنگام استفاده از داده‌هایی است که قرار است دوباره در برنامه استفاده شوند. اینکار باعث کاهش سربار ناشی از خواندن و نوشتن از دیسک می‌شود.

پیاده سازی یادگیری عمیق با شبکه عصبی کانولوشن (Convolutional neural network) برای سری های زمانی:

در این پروژه، با استفاده از پایتون پیاده سازی یادگیری عمیق با شبکه عصبی کانولوشن (Convolutional neural network) برای سری های زمانی به همراه توضیحات مربوطه، ارائه می گردد.

پیاده سازی شبکه عمیق پرسپترون برای سری های زمانی:

در این پروژه، با استفاده از پایتون پیاده سازی شبکه عمیق پرسپترون برای سری های زمانی به همراه توضیحات مربوطه، ارائه می گردد.

سفارش انجام پروژه بهبود یادگیری عمیق با الگوریتم ژنتیک برای شناسایی اعداد دست نویس:

در این پروژه، با استفاده از تلفیق روش های یادگیری عمیق (Deep Learning) و الگوریتم ژنتیک(Genetic algorithm)، مجموعه داده های مربوط به اعداد دست نویس، مورد بررسی قرار گرفته است. نتایج در قالب مستندات و همچنین فایل های شبیه سازی فراهم شده است.

سفارش انجام پروژه داده کاوی تشخیص نفوذ در شبکه های کامپیوتری:

سامانه‌های تشخیص نفوذ، وظیفهٔ شناسایی و تشخیص هر گونه استفادهٔ غیرمجاز به سیستم، سوء استفاده یا آسیب‌رسانی توسط هر دو دستهٔ کاربران داخلی و خارجی را بر عهده دارند. تشخیص و جلوگیری از نفوذ امروزه به عنوان یکی از مکانیزم‌های اصلی در برآوردن امنیت شبکه‌ها و سیستم‌های رایانه‌ای مطرح است و عمومأ در کنار دیواره‌های آتش و به صورت مکمل امنیتی برای آن‌ها مورد استفاده قرار می‌گیرند. برای مطالعه جزییات بیشتر در مورد تشخیص نفوذ کلیک کنید.

در این پروژه، با استفاده از پایتون (Python)، مجموعه داده های مربوط به تشخیص نفوذ در شبکه های کامپیوتری مورد بررسی قرار گرفته است. راهکارهای متعدد پاکسازی داده ها، دسته بندی، خوشه بندی بر روی داده ها اعمال شده است و نتایج در قالب مستندات و همچنین فایل های شبیه سازی فراهم شده است.

سفارش انجام پروژه بهبود یادگیری عمیق با الگوریتم ممتیک برای شناسایی اعداد دست نویس:

در این پروژه، با استفاده از تلفیق روش های یادگیری عمیق (Deep Learning) و الگوریتم ممتیک (Memetic algorithm)، مجموعه داده های مربوط به اعداد دست نویس، مورد بررسی قرار گرفته است. نتایج در قالب مستندات و همچنین فایل های شبیه سازی فراهم شده است.

سفارش انجام پروژه بهبود یادگیری عمیق با سیستم ایمنی مصنوعی برای شناسایی اعداد دست نویس:

در این پروژه، با استفاده از تلفیق روش های یادگیری عمیق (Deep Learning) و سیستم ایمنی مصنوعی (artificial immune system)، مجموعه داده های مربوط به اعداد دست نویس، مورد بررسی قرار گرفته است. نتایج در قالب مستندات و همچنین فایل های شبیه سازی فراهم شده است.

پیاده سازی الگوریتم بهینه سازی چندهدفه  NSGA-II در پایتون(Python):

در این پروژه، با استفاده از پایتون(Python)، پیاده سازی الگوریتم بهینه سازی چندهدفه  NSGA-II به همراه توضیحات مربوطه، ارائه می گردد.

سفارش پروژه راهکارهای مبتنی بر یادگیری عمیق در سیستم های توصیه گر:

سیستم توصیه‌گر یا سامانه پیشنهادگر با تحلیل رفتار کاربر خود، اقدام به پیشنهاد مناسب‌ترین اقلام (داده، اطلاعات، کالا و…)می‌نماید. این سیستم رویکردی است که برای مواجهه با مشکلات ناشی از حجم فراوان و رو به رشد اطلاعات ارائه شده‌است و به کاربر خود کمک می‌کند تا در میان حجم عظیم اطلاعات سریع‌تر به هدف خود نزدیک شوند. برای مطالعه ی بیشتر کلیک کنید.

یادگیری عمیق، یک زیر شاخه از یادگیری ماشینی و بر مبنای مجموعه‌ای از الگوریتم‌ها است که در تلاش هستند مفاهیم انتزاعی سطح بالا در دادگان را مدل نمایند که این فرایند را با استفاده از یک گراف عمیق که دارای چندین لایه پردازشی متشکل از چندین لایه تبدیلات خطی و غیر خطی هستند، مدل می‌کنند. به بیان دیگر پایهٔ آن بر یادگیری نمایش دانش و ویژگی‌ها در لایه‌های مدل است. برای مطالعه بیشتر کلیک کنید.

در این پروژه، با استفاده از محیط برنامه نویسی پایتون، راهکارهایی مبتنی بر روش یادگیر عمیق در سیستم های توصیه گر ارائه می شود.

سفارش پروژه تشخیص ناهنجاری در شبکه های اجتماعی مبتنی بر گراف در محیط پایتون:

تشخیص ناهنجاری به تشخیص الگوهای موجود در یک مجموعه اطلاعات داده شده، که با رفتار بهنجار (نرمال) از پیش مقررشده، مطابقت ندارد، اشاره دارد؛ بنابراین الگوهای تشخیص داده شده، ناهنجاری‌ها نامیده می‌شوند و اغلب به اطلاعات حیاتی و کارآمد، در چندین حوزهٔ کاربرد، ترجمه می‌شوند. همچنین ناهنجاری‌ها به عنوان دورافتادگی، تغییر، انحراف، تعجب، نابجایی، صفات عجیب، نفوذ و غیره ارجاع می‌شوند. برای مطالعه ی بیشتر کلیک کنید.

در شبکه های اجتماعی، با توجه ساختار به خصوص داده های آنها، فرآیند تشخیص ناهنجاری تا حدی پیچیده تر از مجموعه داده های متداول می باشد.در این پروژه، با استفاده از محیط برنامه نویسی پایتون، فرآیند کامل پیاده سازی تشخیص ناهنجاری در شبکه های اجتماعی مبتنی بر گراف ارائه می شود.

سفارش پروژه آموزشی یادگیری انتقالی (Transfer Learning) در محیط پایتون:

یادگیری انتقال (Transfer learning) بر نگهداری دانش بدست آمده ضمن حل یک مساله و اعمال آن بر مسائل متفاوت ولی مرتبط دیگر متمرکز شده است ، به عبارتی به معنای استفاده از یک مدل از پیش آموزش دیده در یک کاربرد جدید است. امروزه در یادگیری عمیق از فرآیند یادگیری انتقالی به طور گسترده استفاده می شود، زیرا امکان آموزش شبکه‌های عصبی عمیق را با داده‌های نسبتا کمی فراهم می‌کند.

در این پروژه، با استفاده از محیط برنامه نویسی پایتون و کتابخانه Keras، فرآیند کامل پیاده سازی یادگیری انتقالی آموزش داده می شود.

سفارش انجام پروژه بهبود یادگیری عمیق با الگوریتم بهینه سازی ازدحام ذرات برای شناسایی اعداد دست نویس:

در این پروژه، با استفاده از تلفیق روش های یادگیری عمیق (Deep Learning) و الگوریتم بهینه سازی ازدحام ذرات  (particle swarm optimization)، مجموعه داده های مربوط به اعداد دست نویس، مورد بررسی قرار گرفته است. نتایج در قالب مستندات و همچنین فایل های شبیه سازی فراهم شده است.

سفارش پروژه آموزشی سیستم های توصیه گر (recommender systems) در محیط پایتون:

سیستم توصیه‌گر یا سامانه پیشنهادگر با تحلیل رفتار کاربر خود، اقدام به پیشنهاد مناسب‌ترین اقلام (داده، اطلاعات، کالا و…)می‌نماید. این سیستم رویکردی است که برای مواجهه با مشکلات ناشی از حجم فراوان و رو به رشد اطلاعات ارائه شده‌است و به کاربر خود کمک می‌کند تا در میان حجم عظیم اطلاعات سریع‌تر به هدف خود نزدیک شوند. برای مطالعه ی بیشتر کلیک کنید.

در این پروژه، با استفاده از محیط برنامه نویسی پایتون، فرآیند کامل پیاده سازی سیستم های توصیه گر آموزش داده می شود.

سفارش انجام پروژه بهبود یادگیری عمیق با الگوریتم جستجوی هارمونی برای شناسایی اعداد دست نویس:

در این پروژه، با استفاده از تلفیق روش های یادگیری عمیق (Deep Learning) و الگوریتم جستجوی هارمونی (harmony search algorithm)، مجموعه داده های مربوط به اعداد دست نویس، مورد بررسی قرار گرفته است. نتایج در قالب مستندات و همچنین فایل های شبیه سازی فراهم شده است.