پیاده سازی پایان نامه: پیش بینی نیاز به احیا در نوزادان با استفاده از تکنیک های داده کاوی

تخمین زده می شود که تقریباً 10 درصد از نوزادان در هنگام تولد به نوعی کمک برای تنفس نیاز دارند. با هدف پیشگیری از مرگ و میر نوزادان، در این تحقیق پیش بینی نیاز به احیای نوزاد با توجه به برخی شرایط سلامت نوزاد و مادر و همچنین ویژگی های بارداری و زایمان با استفاده از مدل های داده کاوی انجام می شود.

پیاده سازی پایان نامه: استفاده از تکنیک های داده کاوی برای حل مسئله ی زمان بندی کار ها 

مسئله ی زمان‌بندی کارها (Job shop scheduling) یک مسئلهی بهینه‌سازی علوم رایانه و تحقیق در عملیات است که در آن کار های ایده‌آل به منابع در زمان‌های خاصی نسبت داده می‌شوند. در این مسئله n کار j1, j2, …, jn با اندازه‌های متفاوت که باید روی m ماشین یکسان زمان‌بندی شوند در تلاشند تا زمان کل(makespan)  را به حداقل برسانند. زمان کل مجموع زمان لازم برای انجام همه ی کار است. امروزه، این مسئله به عنوان یک مسئله ی پویا مطرح می‌شود، که با ارائه شدن هر کار، الگوریتم پویا باید با اطلاعات موجود تصمیم‌گیری کند قبل از اینکه کار بعدی مطرح شود.

در این پروژه، با استفاده از تکنیک های داده کاوی راهکاری برای حل مسئله ی زمان بندی کار ها ارائه می شود.

سفارش انجام پروژه

سفارش انجام پروژه

 
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.

 
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.

سفارش انجام پروژه داده کاوی تشخیص تقلب در کارت های اعتباری به کمک روش های شبکه ی عصبی و الگوریتم تکامل تفاضلی:

به دلیل ضعف های امنیتی سیستم پردازش کارت هـای بـانکی، تقلـب در آن هـا رونـد رو به گسترشی دارد و خسارت های زیادی وارد می کند. تقلب در کارت های بانکی به یکی از راه های کسب درآمد بـرای مجرمـان تبـدیل شـده اسـت. به همین دلیل مسئله ی تقلب برای بانـکهـا و مؤسسه ها اهمیت بالایی دارد. رویکردهای تشخیص تقلب به طور گسترده به دو دسته تقسیم می شوند. مورد اول، تشخیص سو استفاده است که تلاش می کند که موارد مشاهده شده قبلی را در قالب یک الگو یا امضا تشخیص دهد. مورد دوم، تشخیص ناهنجاری است که تلاش می کند تا یک مشخصه از تاریخچه عملکرد برای هر کاربر ایجاد کرده و سپس با هرگونه انحراف به قدر کافی بزرگ، پی به یک رفتار مشکوک می برد.

در این پروژه، با استفاده از تلفیق روش های شبکه ی عصبی (neural network) و الگوریتم تکامل تفاضلی (differential evolution algorithm)، مجموعه داده های مربوط به تشخیص تقلب در کارت های اعتباری مورد بررسی قرار گرفته است. نتایج در قالب مستندات و همچنین فایل های شبیه سازی فراهم شده است.

سفارش انجام پروژه تشخیص فرار مالیاتی به کمک روش های شبکه ی عصبی و الگوریتم سیستم ایمنی مصنوعی:

فرار مالیاتی یا گریز از مالیات (Tax evasion) به هر گونه تلاش قانونی یا غیرقانونی یک شرکت به منظور طفره رفتن و گریختن از پرداخت مالیات یا کمتر پرداخت نمودن آن، به هر شیوه که انجام شود، گفته می‌شود. در سال های اخیر تکنیک های داده کاوی برای ارائه ی ابزارهای مؤثر برای تقویت کارآیی و اثربخشی تشخیص فرار مالیاتی مورد توجه قرار گرفته اند. تکنیک های داده کاوی قادر به شناسایی الگوهای خاص و مطابقت آن با داده های جدید می باشد و از این طریق می تواند برای کاهش یا به حداقل رساندن ضرر و زیان ناشی از فرار از مالیاتی مورد استفاده قرار بگیرند. برای مطالعه جزییات بیشتر در مورد تشخیص فرار مالی کلیک کنید.
در این پروژه، با استفاده از تلفیق روش های شبکه ی عصبی (neural network) و الگوریتم سیستم ایمنی مصنوعی (artificial immune system)، مجموعه داده های مربوط به تشخیص فرار مالیاتی مورد بررسی قرار گرفته است. نتایج در قالب مستندات و همچنین فایل های شبیه سازی فراهم شده است.

سفارش انجام پروژه تشخیص فرار مالیاتی به کمک روش های شبکه ی عصبی و الگوریتم جستجوی هارمونی:

فرار مالیاتی یا گریز از مالیات (Tax evasion) به هر گونه تلاش قانونی یا غیرقانونی یک شرکت به منظور طفره رفتن و گریختن از پرداخت مالیات یا کمتر پرداخت نمودن آن، به هر شیوه که انجام شود، گفته می‌شود. در سال های اخیر تکنیک های داده کاوی برای ارائه ی ابزارهای مؤثر برای تقویت کارآیی و اثربخشی تشخیص فرار مالیاتی مورد توجه قرار گرفته اند. تکنیک های داده کاوی قادر به شناسایی الگوهای خاص و مطابقت آن با داده های جدید می باشد و از این طریق می تواند برای کاهش یا به حداقل رساندن ضرر و زیان ناشی از فرار از مالیاتی مورد استفاده قرار بگیرند. برای مطالعه جزییات بیشتر در مورد تشخیص فرار مالی 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 تشخیص فرار مالیاتی مورد بررسی قرار گرفته است. نتایج در قالب مستندات و همچنین فایل های شبیه سازی فراهم شده است.

سفارش انجام پروژه داده کاوی تشخیص سرطان به کمک روش های شبکه ی عصبی و الگوریتم جستجوی فاخته:

سرطان نامی است که به مجموعهٔ بیماری‌هایی اطلاق می‌شود که از تکثیر مهارنشده سلول‌ها پدید می‌آیند. سلول‌های سرطانی از سازوکارهای عادی تقسیم و رشد سلول‌ها جدا می‌افتند. علت دقیق این پدیده همچنان نامشخص است ولی احتمال دارد عوامل ژنتیکی یا مواردی که موجب اختلال در فعالیت سلول‌ها می‌شوند در هسته سلول اشکال وارد کنند. از جملهٔ این موارد می‌توان از مواد رادیو اکتیو، مواد شیمیایی و سمی یا تابش بیش از حد اشعه‌هایی مانند نور آفتاب نام برد. در یک جاندار سالم، همیشه بین میزان تقسیم سلول، مرگ طبیعی سلولی و تمایز، تعادلی وجود دارد. برای مطالعه جزییات بیشتر در مورد بیماری سرطان کلیک کنید.

در این پروژه، با استفاده از تلفیق روش های شبکه ی عصبی (neural network) و الگوریتم جستجوی فاخته (Cuckoo search)، مجموعه داده های مربوط به سرطان مورد بررسی قرار گرفته است. نتایج در قالب مستندات و همچنین فایل های شبیه سازی فراهم شده است.

سفارش انجام پروژه داده کاوی تشخیص مشکلات ارتوپدی به کمک روش های شبکه ی عصبی و جستجوی فاخته:

جراحی ارتوپدی (Orthopedic surgery) یا استخوان‌پزشکی به شاخه‌ای از علم پزشکی گفته می‌شود که شامل درمان بیماری‌ها و اصلاح ناهنجاری‌های مربوط به استخوان‌ها و مفاصل است. برای مطالعه جزییات بیشتر در مورد جراحی ارتوپدی و انواع آن کلیک کنید.

در این پروژه، با استفاده از تلفیق روش های شبکه ی عصبی (neural network) و الگوریتم جستجوی فاخته (Cuckoo search)، مجموعه داده های مربوط به مشکلات ارتوپدی مورد بررسی قرار گرفته است. نتایج در قالب مستندات و همچنین فایل های شبیه سازی فراهم شده است.

سفارش انجام پروژه تشخیص فرار مالیاتی به کمک روش های شبکه ی عصبی و الگوریتم ژنتیک:

فرار مالیاتی یا گریز از مالیات (Tax evasion) به هر گونه تلاش قانونی یا غیرقانونی یک شرکت به منظور طفره رفتن و گریختن از پرداخت مالیات یا کمتر پرداخت نمودن آن، به هر شیوه که انجام شود، گفته می‌شود. در سال های اخیر تکنیک های داده کاوی برای ارائه ی ابزارهای مؤثر برای تقویت کارآیی و اثربخشی تشخیص فرار مالیاتی مورد توجه قرار گرفته اند. تکنیک های داده کاوی قادر به شناسایی الگوهای خاص و مطابقت آن با داده های جدید می باشد و از این طریق می تواند برای کاهش یا به حداقل رساندن ضرر و زیان ناشی از فرار از مالیاتی مورد استفاده قرار بگیرند. برای مطالعه جزییات بیشتر در مورد تشخیص فرار مالی 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 تشخیص فرار مالیاتی مورد بررسی قرار گرفته است. نتایج در قالب مستندات و همچنین فایل های شبیه سازی فراهم شده است.

سفارش انجام پروژه داده کاوی تشخیص نفوذ در شبکه های کامپیوتری به کمک روش های شبکه ی عصبی و الگوریتم فاخته:

سامانه‌های تشخیص نفوذ، وظیفهٔ شناسایی و تشخیص هر گونه استفادهٔ غیرمجاز به سیستم، سوء استفاده یا آسیب‌رسانی توسط هر دو دستهٔ کاربران داخلی و خارجی را بر عهده دارند. تشخیص و جلوگیری از نفوذ امروزه به عنوان یکی از مکانیزم‌های اصلی در برآوردن امنیت شبکه‌ها و سیستم‌های رایانه‌ای مطرح است و عمومأ در کنار دیواره‌های آتش و به صورت مکمل امنیتی برای آن‌ها مورد استفاده قرار می‌گیرند. برای مطالعه جزییات بیشتر در مورد تشخیص نفوذ کلیک کنید.

در این پروژه، با استفاده از تلفیق روش های شبکه ی عصبی (neural network) و الگوریتم فاخته (Cuckoo search)، مجموعه داده های مربوط به تشخیص نفوذ در شبکه های کامپیوتری 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 سیستم ایمنی مصنوعی:

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 سیستم ایمنی مصنوعی (Artificial immune system)، 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 تشخیص فرار مالیاتی به کمک روش های شبکه ی عصبی و الگوریتم رقابت استعماری:

فرار مالیاتی یا گریز از مالیات (Tax evasion) به هر گونه تلاش قانونی یا غیرقانونی یک شرکت به منظور طفره رفتن و گریختن از پرداخت مالیات یا کمتر پرداخت نمودن آن، به هر شیوه که انجام شود، گفته می‌شود. در سال های اخیر تکنیک های داده کاوی برای ارائه ی ابزارهای مؤثر برای تقویت کارآیی و اثربخشی تشخیص فرار مالیاتی مورد توجه قرار گرفته اند. تکنیک های داده کاوی قادر به شناسایی الگوهای خاص و مطابقت آن با داده های جدید می باشد و از این طریق می تواند برای کاهش یا به حداقل رساندن ضرر و زیان ناشی از فرار از مالیاتی مورد استفاده قرار بگیرند. برای مطالعه جزییات بیشتر در مورد تشخیص فرار مالی کلیک کنید.
در این پروژه، با استفاده از تلفیق روش های شبکه ی عصبی (neural network) و الگوریتم رقابت استعماری (Imperialist competitive algorithm)، مجموعه داده های مربوط به تشخیص فرار مالیاتی 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 رقابت استعماری:

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 رقابت استعماری (Imperialist competitive 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.

پیاده سازی یادگیری عمیق با شبکه عصبی کانولوشن (Convolutional neural network) برای سری های زمانی:

در این پروژه، با استفاده از پایتون پیاده سازی یادگیری عمیق با شبکه عصبی کانولوشن (Convolutional neural network) برای سری های زمانی به همراه توضیحات مربوطه، ارائه می گردد.