پیاده سازی مقاله: تشخیص سایت های فیشینگ با استفاده از الگوریتم جنگل تصادفی
چکیده:
پیاده سازی مقاله: تشخیص سایت های فیشینگ با استفاده از الگوریتم جنگل تصادفی
چکیده:
پیاده سازی مقاله: عقیده کاوی مبتنی بر منطق فازی جهت ارائه سیستمهای پیشنهاددهنده
چکیده:
پیاده سازی مقاله: پیاده سازی سیستم های توصیه گر هتلها با استفاده از اولویت های کاربران در توییتر
چکیده:
استفاده از سیستم های توصیه گر افزایش فروش در تجارت الکترونیک را اثبات نموده است. هدف سیستم ارائه محصولاتی به کاربر است که متضمن علاقه مندی و آسایش او از محصولات بوده و همچنین در شرکت ها شانس فروش خدمات را ارتقا دهد. یکپارچه سازی تکنیک های مدیریت داده می تواند مسائل مرتبط با ارائه خدمات منطبق با علایق مشتری را مخاطب قرار داده و کیفیت پیشنهاد ها را به طرز چشمگیری بهبود دهد. تحقیقات اخیر بر روی این سیستم ایده استفاده از داده های شبکه اجتماعی به منظور ارتقا سیستم توصیه گر سنتی و پیش بینی بهتر را آشکار می سازد. ما دیدگاه های سیستم های توصیه گر مبتنی بر داده شبکه اجتماعی توییتر را با استفاده از انواع رابط ها، روش های تجزیه وتحلیل محتوا با تکنیک های زبان-شناسی محاسباتی و الگوریتم تاپیک مدلینگ ملت بیان می کنیم. پس از بررسی عمق اهداف، متدولوژی ها این مقاله به علاقه مندان در توسعه سیستم توصیه گر سفر و همچنین تسهیل تحقیقات آینده کمک می نماید.
پیاه سازی مقاله: عقیده کاوی در نقد کالا با استفاده از شبکه واژگان احساسی
چکیده:
دریافت مقاله:
پیاده سازی مقاله: استفاده از شبکه های عصبی برای رتبه بندی اعتباری مشتریان
چکیده:
دریافت مقاله:
پیاده سازی مقاله: الگوریتم جستجوی گرانشی فازی، رهیافتی برای داده کاوی
چکیده:
پیاده سازی مقاله: ایجاد مدل برای تشخیص بیماری مزمن کلیه با استفاده از الگوریتم های ماشین بردار پشتیبان، جنگل و درخت تصمیم
چکیده:
امروزه بیماری مزمن کلیه یکی از مهمترین بیماریهای رایج بین افراد جامعه بخصوص بزرگسالان است. این بیماری در واقع نوعی مرگ خاموش محسوب میشود زیرا این بیماری از دسته بیماریهای مزمن است و یکباره فرد به این بیماری مبتلا نمی شود و ممکن است، سالهای سال مبتلا به این بیماری باشد بدون اینکه کوچکترین علائمی از خود نشان دهد و زمانی علائم خود را بروز دهد که به بدترین وضعیت بیماری برسد و منجر به خطر افتادن جان بیمار یا صرف هزینه های بسیاری برای دیالیز یا پیوند کلیه های بیمار شود. هدف این پژوهش ارائه مدل هوشمند برای کمک به شناسایی و تشخیص بیماری کلیه با استفاده از روشها و الگوریتم های یادگیری ماشین و داده کاوی برروی مجموعه داده کلیه دانشگاه کلیولند کالیفرنیا است. در این تحقیق برای ساخت مدل پیشبینی در ابتدا مجموعه داده اصلی را به دو مجموعه داده آموزش/ ارزیابی و مجموعه داده آزمایش تقسیم کردیم. به کمک مجموعه داده آموزش/ارزیابی با استفاده از روش اعتبار سنجی متقابل fold-10 و الگوریتم های درخت تصمیم، جنگل تصادفی و ماشین بردار پشتیبان مدل را ایجاد کرده و دقت نهایی مدل در این پژوهش را به کمک مجموعه داده آزمایش ارزیابی کرده ایم. در انتها نتایج بدست آمده با الگوریتم های جنگل تصادفی و ماشین بردار پشتیبان با دقت های 89,98 %بالاترین دقت را دراین پژوهش حاصل کرده است.
پیاده سازی مقاله: تشخیص بیماری دیابت با استفاده از تکنیک داده کاوی و شبکه عصبی
چکیده:
استخراج اطلاعات و کشف الگوهای پنهان از پایگاه داده های تا اندازه بسیار بزرگ داده کاوی نامیده می شود. الگوها و اطلاعات معمولا به شکل پنهانی در داده ها نهفته هستند و به سادگی خود را نشان می دهد. استخراج این داده ها یکی از کاربردهای اصلی داده کاوی است. روش کشف الگوهای پنهان که تاثیر مهمی در کشف و تشخیص بیماری ها دارد به طور معمول به کمک داده کاوی امکان پذیر است. در داده کاوی حجم زیادی از اطلاعات بیماران بررسی می شود و الگوهای مفید و پنهان آن کشف می شود. تشخیص به موقع بیماری دیابت یکی از روش های کنترل و درمان آن محسوب می شود. در این مقاله با استفاده از تکنیک داده کاوی و به کارگیری یک روش ابتکاری شامل ترکیب شبکه عصبی با الگوریتم هوش دسته جمعی ذرات، یک سیستم دقیق برای تشخیص بیماری دیابت ارایه می شود. یکی از ویژگی های مهم روش پیشنهادی استفاده از مجموعه داده استاندارد Pima پس آنچه شبکه عصبی و تشخیص بیماری دیابت است. در این روش همراه با آموزش شبکه عصبی از الگوریتم هوش دسته جمعی ذرات جهت تعیین بهینه تر اوزان شبکه عصبی استفاده می شود تا یک مدل پیش بینی بیماری دیابت دقیق ساخته شود. روش پیشنهادی پس معیار دقت، ویژگی و حساسیت با سه تکنیک معتبر تشخیص بیماری دیابت شامل رگرسیون، شبکه عصبی مصنوعی و درخت تصمیم گیری مورد ارزیابی قرار می گیرد و همان طور که نتایج شبیه سازی نشان می دهد و هر سه معیار عملکرد بهتری دارد و تا حدود خیلی زیادی منطبق بر مدل واقعی می باشد. به طوری که بیشترین مقدار دقت، ویژگی و حساسیت در روش پیشنهادی با تعداد 50 آزمایش مختلف به ترتیب 94.1% ، 92.88% و 92.12 می باشد.
پیاده سازی مقاله: روشی جهت تشخیص بدافزار با استفاده از الگوریتم های داده کاوی و هوش مصنوعی
چکیده:
بدافزار به هرگونه برنامه کامپیوتری اطلاق می شود که دارای اهداف مخرب باشد. این برنامه ها مهمترین تهدید برای سیستم هایکامپیوتری به حساب می آیند. تنوع این بدافزارها باعث محدود شدن راه کارهای مقابله با آنها شده است، به گونه ای که روزانه میلیون ها سیستمکامپیوتری بر اثر آسیب های ناشی از انواع ویروس ها، تروجان ها و کرم های اینترنتی و غیره آلوده می شوند. در سال های اخیر یکی از مهمترینچالش های امنیت اطلاعات و شبکه های ارتباطی، افزایش روز افزون انواع بدافزارها و به دنبال آن یافتن راه های مناسب جهت حفاظت سیستم ها درمقابل آنهاست که از مهمترین دغدغه های برنامه نویسان و متخصصین امنیت اطلاعات، شناخت به موقع و یافتن راه های مقابله با اثرات مخرباینگونه بدافزارها می باشد. در این راستا طی سالهای اخیر استفاده از الگوریتم های داده کاوی و هوش مصنوعی بعنوان یکی از روشهای نوظهور وامیدوار کننده توانسته است کاربرد بسیاری جهت شناسایی و تشخیص انواع بدافزارها داشته باشد. لذا در این تحقیق سعی کردیم با استفاده ازشبکه عصبی مصنوعی و الگوریتم ازدحام ذرات، فایل های آلوده به بدافزار را تشخیص دهیم. پیاده سازی روش پیشنهادی نشان میدهد که توانستهاست فایل های آلوده به بدافزار را با استفاده از مجموعه داده مربوط به فایل های سالم و آلوده به بدافزار با دقت 0.91 درصد تشخیص دهد که نشان ازعملکرد بالای آن دارد.
پیاده سازی مقاله: تشخیص نفوذ در شبکه های کامپیوتری مبتنی بر سیستم های فازی و الگوریتم جستجوی ممنوعه
چکیده:
با توجه به گسترش و توسعه سریع شبکه های کامپیوتری، نفوذ و حملات به آن ها افزایش یافته و به طرق و شیوه های مختلف انجام می شود. هدف از تشخیص نفوذ برای شناسایی استفاده غیرمجاز، سوء استفاده، و آسیب پذیری های ایجاد شده توسط کاربران داخلی و مهاجمان خارجی است. در این مقاله قصد داریم که سیستم تشخیص نفوذ از نوع سوء استفاده مبتنی بر سیستم فازی و الگوریتم جستجوی ممنوعه را ارائه کنیم. در ابتدا دانش موردنیاز خود را از سیستم فازی که مجموعه ای از قوانین if-then است، را کسب کرده و سپس الگوریتم جستجوی ممنوعه برای بهینه کردن مجموعه قوانین به دست آمده را بر روی مجموعه داده NSL-KDD پیاده و اجرا نمودیم. نتایج به دست آمده در مقایسه با نتایج موجود حاکی از آن است که روش پیشنهادی از صحت و کارایی مناسبی برخوردار است.
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.
پروژه هشت وزیر با الگوریتم تکامل تفاضلی (differential evolution) در متلب:
مسئله چند وزیر یک معمای شطرنجی و ریاضیاتی است که بر اساس آن باید n وزیر شطرنج در یک صفحه n×n شطرنج بهگونهای قرار داده شوند که هیچیک زیر ضرب دیگری نباشند. با توجه به اینکه وزیر بهصورت افقی، عمودی و اُریب حرکت میکند، باید هر وزیر را در طول، عرض و قطر متفاوتی قرار داد. اولین و مشهورترین شکل این مسئله معمای هشت وزیر است که برای حل آن باید ۸ وزیر را در یک صفحهً معمولی (۸×۸) شطرنج قرار داد. این مسئله ۹۲ جواب دارد که ۱۲ جواب آن منحصر بهفرد است یعنی بقیه جوابها از تقارن جوابهای اصلی بهدست میآید. برای مطالعه ی بیشتر کلیک کنید.
در این پژوه به کمک روش تکامل تفاضلی (differential evolution) ، مسئله ی هشت وزیر در محیط متلب (Matlab) پیاده سازی شده است.
پیاده سازی الگوریتم بهینه سازی کرم شب تاب (Firefly algorithm) در متلب(MATLAB):
در این پروژه، با استفاده از متلب، پیاده سازی الگوریتم یهینه سازی کرم شب تاب به همراه توضیحات مربوطه، ارائه می گردد.
پیاده سازی ANFIS در متلب :
منطق فازی شکلی از منطقهای چندارزشی بوده که در آن مقادیر درستی متغیرها ممکن است هر عدد حقیقی بین 0 و 1 و خود صفر و یک باشد. این منطق به منظور به کارگیری مفهوم درستی جزئی استفاده می شود به طوری که مقادیر آن می تواند بین کاملا درست و کاملا غلط باشد. منطق فازی از منطق ارزشهای «صفر و یک» نرمافزارهای کلاسیک فراتر رفته و درگاهی جدید برای دنیای علوم نرمافزاری و رایانهها میگشاید، زیرا فضای شناور و نامحدود بین اعداد صفر و یک را نیز در منطق و استدلالهای خود به کار برده و به چالش میکشد.
در این پروژه، با استفاده از متلب (MATLAB)، پیاده سازی سیستم فازی به همراه توضیحات مربوطه، ارائه می گردد.
پیاده سازی و آموزش سیستم استنتاج عصبی-فازی تطبیقی ANFIS در متلب (MATLAB) :
یک سیستم استنتاج عصبی-فازی سازگار (adaptive neuro-fuzzy inference system یا adaptive network-based fuzzy inference system که به صورت ANFISخلاصه شده است) نوعی شبکه عصبی مصنوعی است که براساس سیستم فازی تاکاگی-سوگنو (Takagi–Sugeno) می باشد. این شیوه در اوایل ۱۹۹۰ ایجاد شده است. از آنجایی که این سیستم، شبکه های عصبی و مفاهیم منطق فازی را یکی می کند، میتواند از امکانات هر دو آنها در یک قاب بهره برد.سیستم استنتاج (inference) آن مطابق با مجموعه قوانین فازی اگر-آنگاهاست که قابلیت یادگیری برای تقریب زدن توابع غیرخطی را دارد. برای مطالعه جزییات بیشتر در مورد ANFIS کلیک کنید.
در این پروژه، با استفاده از متلب (MATLAB)، پیاده سازی سیستم استنتاج عصبی-فازی تطبیقی ANFIS به همراه توضیحات مربوطه، ارائه می گردد.
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.
پیاده سازی الگوریتم تکامل تفاضلی در پایتون(Python):
در این پروژه، با استفاده از پایتون(Python)، پیاده سازی الگوریتم تکامل تفاضلی به همراه توضیحات مربوطه، ارائه می گردد.
پیاده سازی الگوریتم بهینه سازی ازدحام در پایتون(Python):
الگوریتم PSO یک الگوریتم جستجوی جمعی است که از روی رفتار اجتماعی دستههای پرندگان مدل شدهاست. در ابتدا این الگوریتم به منظور کشف الگوهای حاکم بر پرواز همزمان پرندگان و تغییر ناگهانی مسیر آنها و تغییر شکل بهینهٔ دسته به کار گرفته شد. در PSO، ذرات در فضای جستجو جاری میشوند. تغییر مکان ذرات در فضای جستجو تحت تأثیر تجربه و دانش خودشان و همسایگانشان است؛ بنابراین موقعیت دیگر توده ذرات روی چگونگی جستجوی یک ذره اثر میگذارد. نتیجهٔ مدلسازی این رفتار اجتماعی فرایند جستجویی است که ذرات به سمت نواحی موفق میل میکنند. ذرات از یکدیگر میآموزند و بر مبنای دانش بدست آمده به سمت بهترین همسایگان خود میروند اساس کار PSO بر این اصل استوار است که در هر لحظه هر ذره مکان خود را در فضای جستجو با توجه به بهترین مکانی که تاکنون در آن قرار گرفتهاست و بهترین مکانی که در کل همسایگیاش وجود دارد، تنظیم میکند. برای مطالعه جزییات بیشتر در مورد الگوریتم بهینه سازی ازدحام ذرات کلیک کنید.
در این پروژه، با استفاده از پایتون(Python)، پیاده سازی الگوریتم بهینه سازی ازدحام به همراه توضیحات مربوطه، ارائه می گردد.
پیاده سازی الگوریتم تکامل تفاضلی در جاوا (Java):
در این پروژه، با استفاده از جاوا (Java)، پیاده سازی الگوریتم تکامل تفاضلی به همراه توضیحات مربوطه، ارائه می گردد.
پیاده سازی الگوریتم تکامل تفاضلی در #C:
در این پروژه، با استفاده از #C، پیاده سازی الگوریتم تکامل تفاضلی به همراه توضیحات مربوطه، ارائه می گردد.