شریف پژوه

 
چکیده: در این مقاله یک سیستم استنتاج عصبی- فازی برای تشخیص افراد مبتلا به بیماری دیابت پیشنهاد میکنیم. ایده این مقاله، استفاده از روشی جدید در آموزش سیستم فازی طراحی شده با استفاده از الگوریتم ژنتیک و الگوریتم بهینه سازیازدحام ذرات است. روش پیشنهادی با استفاده از نرم افزار متلب بر مجموعه داده بیماران دیابتی هندی موجود در مخزن داده یادگیری ماشین پیاده سازی شده است. شاخص های عملکردی این سیستم حساسیت، اختصاصیت و دقت است که در بهترین حالت به ترتیب 63/49و96/11و89/78درصد بدست آمده است.

 
این دوره ی آموزشی مناسب برای افراد مبتدی می باشد.

در این دوره، ابتدا با مفاهیم الگوریتم و طراحی فلوچارت آشنا می شوید. در ادامه محیط های برنامه نویسی برای پایتون معرفی می شود.

سر فصل های قابل ارائه در این دوره، شامل همه ی مفاهیم پایه، نظیر معرفی عمگلرها، حلقه ها، برنامه نویسی بازگشتی، توابع، رویه ها و .... می باشد.

 
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.

پیاده سازی الگوریتم خفاش (Bat algorithm) در متلب(MATLAB):

الگوریتم خفاش یک الگوریتم متاهیورستیک است که در سال 2010 توسط xin she yang ارائه شد. در این الگوریتم از توانایی ردیابی و انعکاس صدا در خفاش ها ی کوچک الهام گرفته شده است. هر خفاش مجازی به طور تصادفی با سرعت v_i در موقعیت مکانی x_i با فرکانس λ متفاوت و بلندی صدا و طول موج متغیر A_i پرواز می کند.

هر خفاش با جستجو و یافتن طعمه، فرکانس، بلندی صدا و میزان نرخ پالس های ارسالی r خود را تغییر می دهد. بهترین مکان در هر تکرار پس از مقایسه ی موقعیت خفاش های مجازی انتخاب می شود. انتخاب بهترین ها تا زمان برآورده شدن معیارهای توقف مشخص شده ادامه می یابد. برای مطالعه ی جزییات بیشتر در مورد الگوریتم خفاش کلیک کنید. در این پروژه، با استفاده از متلب، پیاده سازی الگوریتم خفاش به همراه توضیحات مربوطه، ارائه می گردد.

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

در این پروژه، با استفاده از الگوریتم ممتیک (Memetic 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 انجام پروژه پیش بینی ریزش مشتری با تلفیق روش های درخت تصمیم و الگوریتم هارمونی:

رویگردانی مشتریان یا ریزش مشتری، اصطلاحی تجاری اســت که برای از دست رفتن مشــتریان استفاده می‌شود. سازمان‌ها و شرکت‌هایی مانند بانک‌ها، شرکت‌های مخابراتی، ارائه‌دهندگان خدمات اینترنتــی (ISP)، شرکت‌های تلویزیون کابلی، شرکت‌های بیمه و غیره اغلب از رویگردانی مشــتریان و نرخ از دست دادن مشــتریان به‌عنوان یکی از معیارهای کلیدی سنجش در کسب‌وکار استفاده می‌کنند. دلیل این امر این است که هزینه نگهداری یک مشتری موجود بسیار کمتر از هزینه جذب یک مشتری تازه است. بنابراین این نوع بنگاه‌های اقتصادی، اغلب واحدها و بخش‌هایی به نام خدمات مشــتریان دارند که سعی می‌کنند مشــتریان رویگردان را دوباره بازگردانند زیرا مشــتریان قدیمی معمولاً ارزش بیشــتری از مشتریان جدید خلق می‌کنند. برای مطالعه ی بیشتر کلیک کنید.

در این پروژه، با استفاده از تلفیق روش های درخت تصمیم (decision tree) و الگوریتم هارمونی (Harmony algorithm)، مجموعه داده های مربوط به پیش بینی ریزش مشتری مورد بررسی قرار گرفته است. نتایج در قالب مستندات و همچنین فایل های شبیه سازی فراهم شده است.

 
این دوره ی آموزشی مناسب برای افراد مبتدی می باشد.

در این دوره، ابتدا با مفاهیم الگوریتم و طراحی فلوچارت آشنا می شوید. در ادامه محیط های برنامه نویسی برای دلفی معرفی می شود.

سر فصل های قابل ارائه در این دوره، شامل همه ی مفاهیم پایه، نظیر معرفی عمگلرها، حلقه ها، برنامه نویسی بازگشتی، توابع، رویه ها و .... می باشد.

 
این دوره ی آموزشی مناسب برای افراد مبتدی می باشد.

در این دوره، ابتدا با مفاهیم الگوریتم و طراحی فلوچارت آشنا می شوید. در ادامه محیط های برنامه نویسی برای  C و ++C معرفی می شود.

سر فصل های قابل ارائه در این دوره، شامل همه ی مفاهیم پایه، نظیر معرفی عمگلرها، حلقه ها، برنامه نویسی بازگشتی، توابع، رویه ها، اشاره گرها، کلاس و .... می باشد.

 
چکیده: تشخیص پزشکی اغلب با تخصص و تجربه کادر پزشکی انجام می‌شود ولی بعضی مواقع ممکن است منجر به تشخیص نادرست شود. اسکلروز چندگانه (MS) بیماری دستگاه عصبی مرکزی است. در این بیماری بدن پادتنهایی را تولید می‌کند که به میلین حمله کرده و آسیب می‌زنند. در MS غلاف میلین (که پوششی عایقی برای رشته های عصبی است) دچار مشکل می‌شود و صدمه‌ی وارده به میلین در سیستم‌های عصبی مرکزی، ارتباط بین مغز و اسپینال کورد و دیگر اعضای بدن را قطع می‌کند. مشکل عمده‌ای که وجود دارد ضعف در تشخیص آن است. به منظور بهبود تشخیص، از شبکه عصبی فازی (ANFIS) استفاده می‌شود. ایده اصلی این گونه شبکه‌ها از شیوه کارکرد سیستم عصبی زیستی برای پردازش داده‌ها و اطلاعات به منظور یادگیری و ایجاد دانش الهام گرفته شده است. این سیستم از شمار زیادی عناصر پردازشی فوقالعاده بهم پیوسته به نام نورون تشکیل شده است که برای حل یک مساله با هم هماهنگ عمل می‌کنند. در این سیستم قسمت شبکه عصبی برای یادگیری و طبقه‌بندی توانایی‌ها و نیز پیوند و اصلاح الگو به کار می‌رود. قسمت شبکه عصبی به طور خودکار، قواعد منطق فازی و توابع عضویت را در طول دوره تناوب یادگیری ایجاد می‌کند. چند روش برای آموزش شبکه‌های عصبی وجود دارد که در این تحقیق از روش ترکیبی استفاده می‌شود. شبکه‌ی عصبی-فازی توانایی ترکیب قدرت زبانی یک سیستم فازی با قدرت عددی یک شبکه عصبی را دارد. در این شبکه برای بهینهسازی داده‌های ورودی خروجی از تکنیک K-fold cross validation استفاده می‌شود. پیاده‌سازی این سیستم در محیط متلب با فایلی حاوی600 داده که دارای6 ستون، که 5 ستون آن ورودی و 1 ستون خروجی می‌باشد انجام شد و دارای دقت تقریباً 96% می‌باشد.

 
این دوره ی آموزشی مناسب برای افراد مبتدی می باشد.

در این دوره، ابتدا با مفاهیم الگوریتم و طراحی فلوچارت آشنا می شوید. در ادامه محیط های برنامه نویسی برای پاسکال معرفی می شود.

سر فصل های قابل ارائه در این دوره، شامل همه ی مفاهیم پایه، نظیر معرفی عمگلرها، حلقه ها، برنامه نویسی بازگشتی، توابع، رویه ها و .... می باشد.

 
چکیده: یکی از چالشهای تشخیص تقلب در حوزه سیستم های پرداخت الکترونیکی، تنوع و تغییر مداوم شیوههای تقلب است لذا نیاز به روش های تشخیص تقلب با کارایی و دقت باال به روشنی قابل درک است. در این پژوهش روش داده کاوی رگرسیون لجستیک، شبکه عصبی BP و شبکه عصبی GMDH برای ساخت مدلهایی جهت شناسایی تقلب در تراکنشهای مالی دستکاه خودپرداز یک بانک پیاده سازی شدند. در ادامه، این روشها برروی دادههای واقعی آزمایش و کارایی هر روش سنجیده شد. روش شبکه عصبی GMDH با دقت 19.37 درصد در شناسایی تقلب یا غیرتقلب بودن تراکنشهای مالی بهترین کارایی را در مقایسه با دو روش رگرسیون لجستیک با دقت کلی 98.63 و شبکه عصبی BP با دقت کلی 0..34داشت. باتوجه به نتایج بدست آمده روش پیشنهادی در تشخیص تقلب نسبت به دو روش دیگر با دقت بیشتری عمل کرده است.

 
چکیده: 
در سیستمهای تشخیص نفوذ، با داده های حجیم برای تحلیل مواجه هستند. بررسی مجموعه داده سیستمهای تشخیص نفوذ نشان می دهد که بسیاری از ویژگیها، ویژگیهای غیرمفید، بی تاثیر در سناریوهای حمله و یا ویژگیهای نامربوط هستند. بنابراین حذف ویژگیهای نامناسب از مجموعه ویژگی، به عنوان یک راهکار مناسب برای کاهش مجموعه داده سیستمهای تشخیص نفوذ معرفی می شود. نیازمندی دیگری که در سیستمهای تشخیص نفوذ مطرح می باشد، دانستن مجموعه ویژگی بهینه برای هر نوع حمله است. چرا که در اینصورت، سیستم تشخیص نفوذ قادر خواهد بود برای تشخیص هر نوع حمله، تنها از مجموعه ویژگی متناسب با آن حمله استفاده کند. در این تحقیق، روشی ارایه می شود که قادر است تمام نیازمندیهای فوق را پاسخگو باشد، علاوه بر این، این روش نحوه ارتباط بین ویژگیها را برای تحلیل بهتر آنها نشان می دهد. روش پیشنهادی از مفاهیم داده کاوی و تحلیل شبکه های اجتماعی استفاده می نماید.

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.