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.
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.
سفارش انجام پروژه داده کاوی تشخیص بیماری دیابت به کمک روش های شبکه ی عصبی و الگوریتم ژنتیک:
دیابت یا بیماری قند یک اختلال سوخت و سازی (متابولیک) در بدن است. در این بیماری توانایی تولید هورمون انسولین در بدن از بین می‌رود یا بدن در برابر انسولین مقاوم شده و بنابراین انسولین تولیدی نمی‌تواند عملکرد طبیعی خود را انجام دهد. نقش اصلی انسولین پایین آوردن قند خون توسط سازوکارهای مختلف است. دیابت دو نوع اصلی دارد. در دیابت نوع یک، تخریب سلول‌های بتا در پانکراس منجر به نقص تولید انسولین می‌شود و در نوع دو، مقاومت پیش رونده بدن به انسولین وجود دارد که در نهایت ممکن است به تخریب سلول‌های بتای پانکراس و نقص کامل تولید انسولین منجر شود. برای مطالعه جزییات بیشتر در مورد بیماری دیابت کلیک کنید.
در این پروژه، با استفاده از تلفیق روش های شبکه ی عصبی (neural network) و الگوریتم ژنتیک (genetic algorithm)، مجموعه داده های مربوط به بیماری دیابت مورد بررسی قرار گرفته است. نتایج در قالب مستندات و همچنین فایل های شبیه سازی فراهم شده است.
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.
