شریف پژوه

سفارش انجام پروژه داده کاوی امتیاز اعتباری به کمک روش های شبکه ی عصبی و الگوریتم ممتیک:

امتیاز اعتباری یک عبارت عددی است که با تکنیک‌های آماری و بر اساس اطلاعات واقعی که بیانگر وضعیت جاری و سابقه‌ای فرد یا شرکت هستند محاسبه می‌شود. امتیاز اعتباری یک نمره قابل مقایسه است؛ لذا تصمیم‌گیری بر این مبنا، در مقایسه با روش‌های سلیقه‌ای و گزارش‌های متنی، به مراتب قابل اطمینان‌تر و منصفانه‌تر خواهد بود. برای مطالعه جزییات بیشتر در مورد امتیازاعتباری کلیک کنید.

در این پروژه، با استفاده از تلفیق روش های شبکه ی عصبی (neural network) و الگوریتم ممتیک (memetic algorithm)، مجموعه داده های مربوط به امتیاز اعتباری 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 قلبی به کمک روش های شبکه ی عصبی و الگوریتم جستجوی هارمونی:

بیماری قلبی-عروقی: یا بیماری قلبی  دسته‌ای از بیماری‌ها است که در قلب یا رگ‌ها (سرخرگ‌ها، مویرگ‌ها و سیاهرگ‌ها) رخ می‌دهد. بیماری قلبی-عروقی به هر گونه بیماری که دستگاه گردش خون را تحت تاثیر قرار دهد اشاره دارد که شامل بیماری‌های قلبی، بیماری‌های عروقی مغز و کلیه و بیماری‌های شریانی می‌شود. برای مطالعه جزییات بیشتر در مورد بیمارهای قلبی و انواع آن کلیک کنید.

در این پروژه، با استفاده از تلفیق روش های شبکه ی عصبی (neural network) و الگوریتم جستجوی هارمونی (harmony search algorithm)، مجموعه داده های مربوط به بیماری قلبی 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 جستجوی هارمونی:

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 جستجوی هارمونی(Harmony search 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 انجام پروژه داده کاوی بازاریابی مستقیم به کمک روش های شبکه ی عصبی و الگوریتم ممتیک:

بازاریابی مستقیم (Direct Marketing) یعنی استفاده از کانال های مستقیم مصرف کننده، برای رساندن و تحویل کالاها و خدمات به مشتریان بدون استفاده از واسطه های بازاریابی. این کانال ها شامل پست مستقیم، کاتالوگ ها، بازاریابی تلفنی، تلویزیون تعاملی، دکه ها، وب سایت ها، و تجهیزات همراه می شوند. بازاریاب های مستقیم به دنبال یک پاسخ قابل اندازه گیری، مثل سفارش مشتری هستند. برای مطالعه جزییات بیشتر در مورد بازاریابی مستقیم کلیک کنید.

در این پروژه، با استفاده از تلفیق روش های شبکه ی عصبی (neural network) و الگوریتم ممتیک (memetic algorithm)، مجموعه داده های مربوط به بازاریابی مستقیم 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 کلیوی به کمک روش های شبکه ی عصبی و الگوریتم بهینه سازی ازدحام ذرات:

کلیه یکی از اندام‌های درونی بدن انسان و برخی دیگر از جانداران است. کار کلیه تصفیه خون از مواد زائد و دفع متابولیت‌های بدن می‌باشد جالب است بدانید انسان می‌تواند با ۲۰٪ کلیه‌هایش زندگی نسبتاً سالمی داشته باشد. کلیه نقش مهمی در دفع مواد زائد و تعادل آب و الکترولیتها در بدن دارد. نارسایی حاد کلیوی در اثر تخریب کلیه‌ها پدید می‌آید و با فقدان سریع عملکرد کلیوی مشخص می‌شود. این بیماری منجر به ناهنجاری‌های الکترولیتی و بر پایه اسید و احتباس فراورده‌های زاید نیتروژنی از قبیل اوره و کراتینین می‌گردد. برای مطالعه جزییات بیشتر در مورد کلیه و بیماری های آن 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 algorithm)، مجموعه داده های مربوط به بیماری کلیوی مورد بررسی قرار گرفته است. نتایج در قالب مستندات و همچنین فایل های شبیه سازی فراهم شده است.

سفارش انجام پروژه تشخیص اسپم با تلفیق روش های درخت تصمیم و الگوریتم تکامل تفاضلی:

به سوءاستفاده از ابزارهای الکترونیکی مانند ایمیل، مسنجر، گروه‌های خبری ایمیلی، فکس، پیام کوتاه و... برای ارسال پیام به تعداد زیاد و به صورت ناخواسته اسپم می‌گویند. با توجه به هزینه اندک این روش نسبت به پست سنتی که در گذشته برای ارسال پلاک به پلاک تبلیغات مورد استفاده قرار می‌گرفت و همچنین ناقص بودن قوانین بین‌المللی برای محدود کردن هرزنامه، در حال حاضر اسپم ها در سطح وسیعی ارسال می‌شوند. امروزه اسپم‌ها به‌طور عمده با هدف‌های تجاری منتشر می‌شوند ولی اسپم‌های غیرتجاری مانند اسپم های سیاسی یا مذهبی نیز روز به روز در حال افزایش هستند. برای مقابله با اسپم ها تاکنون روش‌های متعددی ایجاد شده است و این روند با توجه به ابعاد گسترده آن، همچنان ادامه دارد. برای مطالعه جزییات بیشتر در مورد تشخیص اسپم کلیک کنید.

در این پروژه، با استفاده از تلفیق روش های درخت تصمیم (decision tree) و الگوریتم تکامل تفاضلی (Differential evolution algorithm)، مجموعه داده های مربوط به تشخیص اسپم 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 تکامل تفاضلی در محیط رایانش ابری (CloudSim):

در این پروژه، با استفاده از الگوریتم تکامل تفاضلی(Differential evolution 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 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.

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.

سفارش انجام پروژه داده کاوی پیش بینی نرخ جرم و جنایت با نرم افزار کلمنتاین یا مدلر:

با گسترش روزافزون سیستم های کامپیوتری، تحلیلگران اطلاعات می توانند به روند حل جرم و جنایات سرعت بخشند و از این طریق به اجرای قانون کمک کنند. تجزیه و تحلیل و پیشگیری از جرم رویکردی برای شناسایی و تحلیل الگوها و روند جنایت است. در این پروژه اطلاعات ناشناخته و مفید از داده های بدون ساختار استخراج می شود و مناطقی که احتمال وقوع جرم و جنایت در آن ها وجود دارد، پیش بینی می شود.

در این پروژه، با استفاده از نرم افزار کلمنتاین(clementine) یا مدلر(IBM Spss Modeler)، مجموعه داده های مربوط به پیش بینی نرخ جرم و جنایت 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 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.

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.

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.