شریف پژوه

سفارش انجام پروژه پیش بینی ورشکستگی به کمک روش های شبکه ی عصبی و الگوریتم بهینه سازی ازدحام ذرات:

پیش بینی ورشکستگی یکی از مهم ترین عنوان های کاربرد داده کاوی در حوزه های مالی است. در این راستا، عوامل، شرایط و اقداماتی که نهایتا به مشکلات مالی منجر می شود، شناسایی خواهند شد. در طول سال های اخیر، تحقیقات مالی و حسابداری گسترده ای در این زمینه انجام شده است. اهمیت این مسئله به حدی است که بسیاری از سرمایه گذاری ها و همکاری های مالی قبل از حصول اطمینان از عدم امکان ورشکستگی انجام نمی شود. برای مطالعه جزییات بیشتر در مورد پیش بینی ورشکستگی کلیک کنید.

در این پروژه، با استفاده از تلفیق روش های شبکه ی عصبی (neural network) و الگوریتم بهینه سازی ازدحام ذرات(particle swarm optimization)، مجموعه داده های مربوط به پیش بینی ورشکستگی 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 انجام پروژه تعادل بار با استفاده از الگوریتم بهینه سازی ازدحام ذرات در محیط رایانش ابری (CloudSim)

در این پروژه، با استفاده از الگوریتم بهینه سازی ازدحام ذرات (particle swarm optimization)، تعادل بار در محیط رایانش ابری (Cloud Computing) مورد بررسی قرار گرفته است. نتایج در قالب مستندات و همچنین فایل های شبیه سازی فراهم شده است.

سفارش انجام پروژه زمانبندی بهینه کارها با استفاده از الگوریتم کلونی زنبور عسل در محیط رایانش ابری (CloudSim):

در این پروژه، با استفاده از الگوریتم کلونی زنبور عسل (Artificial bee colonyalgorithm)، زمانبندی بهینه کارها در محیط رایانش ابری (Cloud Computing) مورد بررسی قرار گرفته است. نتایج در قالب مستندات و همچنین فایل های شبیه سازی فراهم شده است.

سفارش انجام پروژه پیش بینی ورشکستگی به کمک روش های شبکه ی عصبی و الگوریتم تکامل تفاضلی:

پیش بینی ورشکستگی یکی از مهم ترین عنوان های کاربرد داده کاوی در حوزه های مالی است. در این راستا، عوامل، شرایط و اقداماتی که نهایتا به مشکلات مالی منجر می شود، شناسایی خواهند شد. در طول سال های اخیر، تحقیقات مالی و حسابداری گسترده ای در این زمینه انجام شده است. اهمیت این مسئله به حدی است که بسیاری از سرمایه گذاری ها و همکاری های مالی قبل از حصول اطمینان از عدم امکان ورشکستگی انجام نمی شود. برای مطالعه جزییات بیشتر در مورد پیش بینی ورشکستگی کلیک کنید.

در این پروژه، با استفاده از تلفیق روش های شبکه ی عصبی (neural network) و الگوریتم تفاضلی(Differential algorithm)، مجموعه داده های مربوط به پیش بینی ورشکستگی مورد بررسی قرار گرفته است. نتایج در قالب مستندات و همچنین فایل های شبیه سازی فراهم شده است.

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 انجام پروژه زمانبندی بهینه کارها با استفاده از الگوریتم بهینه سازی چندهدفه در محیط رایانش ابری (CloudSim):

در این پروژه، با استفاده از الگوریتم بهینه سازی چندهدفه (NSGA-II algorithm)، زمانبندی بهینه کارها در محیط رایانش ابری (Cloud Computing) مورد بررسی قرار گرفته است. نتایج در قالب مستندات و همچنین فایل های شبیه سازی فراهم شده است.

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 تعادل بار با استفاده از الگوریتم تکامل تفاضلی در محیط رایانش ابری (CloudSim)

در این پروژه، با استفاده از الگوریتم تکامل تفاضلی(Differential evolution algorithm)، تعادل بار در محیط رایانش ابری (Cloud Computing) مورد بررسی قرار گرفته است. نتایج در قالب مستندات و همچنین فایل های شبیه سازی فراهم شده است.