۱۰۷ مطلب با موضوع «پروژه شبکه عصبی» ثبت شده است

پیاده سازی مقاله: یش بینی قیمت سهام با استفاده از شبکه عصبی مصنوعی

پیاده سازی مقاله: یش بینی قیمت سهام با استفاده از شبکه عصبی مصنوعی

چکیده:

شبکه های عصبی مصنوعی مدل هایی ریاضی می باشند که الهام گرفته از سیستم عصبی و مغز انسان می باشند. در این مقاله سعی محقق بر آن است که به پیش بینی قیمت سهام روز بعد در بورس اوراق بهادار تهران با استفاده از مدل پرسپترون چندلایه از شبکه های عصبی مصنوعی بپردازد؛ و با روش های مختلف سعی شود خطای این پیش بینی را بهبود بخشد. متغیرهای بسیار زیادی در قیمت سهام تاثیر گذار می باشند که در این میان سهم شاخص های اقتصادی عمده را می توان بسـیار بالا دانست، که نرخ ارز (شـامل نرخ دلار آمریـکا و یورو)، قـیمت طـلا و قیمت نفت از آن جمله می باشند. همچنین شاخص کل نیز به عنوان نماینده ای از کل شرکت های پذیرفته شده در بورس اوراق بهـادار تهـران در نظر گرفته می شود، که این شاخص ها به عـنوان متغـیرهای مستقل جهت پیش بینی قیمت سهام مورد استفاده قرار گرفته اند.

دریافت مقاله:

 لینک مقاله

دریافت پیاده سازی:

برای دریافت پیاده سازی مقاله مورد نظر، و یا اعمال بهبود در آن، با استفاده از لینک زیر، سفارش خود را ارسال نمایید.

سفارش انجام پروژه

  • شریف پژوه

پیاده سازی مقاله: استفاده از شبکه های عصبی برای رتبه بندی اعتباری مشتریان

پیاده سازی مقاله: استفاده از شبکه های عصبی برای رتبه بندی اعتباری مشتریان

چکیده:

با توجه به محدودیت منابع ، تخصیص بهینه منابع یک ضرورت به حساب می اید. در تحقیق حاضر به مدل سازی رفتار اعتباری مشتریان با استفاده از شبکه های عصبی جهت تخصیص بهینه منابع و ارتقاء کیفیت خدمات تسهیلات بانک های کشور پرداخته شده است در ادامه، مشتریان تسهیلات اعتباری ساخت مسکن در شهر تهران به سه دسته خوش حساب، سررسید گذشته و بدحساب تقسیم شده، متغیرهای تاثیرگذار بر رفتار اعتباری انهخا شناسایی گردی. سپس داده های تاریخی متناظر ، جمع اوری و به دو مجموعه اموزشی و تست، تقسیم گردید. در مرحله بعد، پس از طراحی مدل های رتبه بندی اعتباری، این مدل ها با داده های آموزشی ، آموزش داده شدند. در نهایت با مجموعه داده های تست، مورد ازمون قرار گرفتند. نتایج بدست امده حاکی از آن است که رفتار اعتباری مشتریان با استفاده از مدل های رتبه بندی شبکه های عصبی قابل پیش بینی است. همچنین مدل آنالیز ممیزی با همان داده های تاریخی اجرا گردید. مقایسه بین قدرت تفکیک مدل های شبکه عصبی و مدل آنالیز ممیزی ، نشان می دهدکه مدل های رتبه بندی اعتباری شبکه های عصبی نسبت به مدل آنالیز ممیزی از قدرت تفکیک یا دقت پیش بینی بیشتری برخوردار هستند.

دریافت مقاله:

 لینک مقاله

دریافت پیاده سازی:

برای دریافت پیاده سازی مقاله مورد نظر، و یا اعمال بهبود در آن، با استفاده از لینک زیر، سفارش خود را ارسال نمایید.

سفارش انجام پروژه

  • شریف پژوه

ایجاد مدل برای تشخیص بیماری مزمن کلیه با استفاده از الگوریتم ماشین بردار پشتیبان، جنگل و درخت تصمیم

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.

  • شریف پژوه

پیاده سازی مقاله: تشخیص بیماری دیابت با استفاده از تکنیک داده کاوی و شبکه عصبی

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.

  • شریف پژوه

پیاده‌سازی مقاله: طراحی و پیاده‌سازی یک سیستم عصبی-فازی (ANFIS) برای تشخیص بیماری MS

پیاده سازی مقاله: طراحی و پیاده‌سازی یک سیستم عصبی-فازی (ANFIS) برای تشخیص بیماری MS

 
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.

  • شریف پژوه

پیاده سازی مقاله تشخیص تقلب در سیستم های پرداخت الکترونیکی بانک ها با استفاده از داده کاوی

پیاده سازی مقاله تشخیص تقلب در سیستم های پرداخت الکترونیکی بانک ها با استفاده از داده کاوی: 

 
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.

  • شریف پژوه

بهینه سازی ساختار شبکه عصبی با الگوریتم تکامل تفاضلی برای داده کاوی تشخیص تقلب در کارت های اعتباری

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.

  • شریف پژوه

تشخیص فرار مالیاتی به کمک روش های شبکه ی عصبی و الگوریتم سیستم ایمنی مصنوعی

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.

  • شریف پژوه

تشخیص فرار مالیاتی به کمک روش های شبکه ی عصبی و الگوریتم جستجوی هارمونی

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.

  • شریف پژوه

بهینه سازی ساختار شبکه عصبی با الگوریتم جستجوی فاخته برای داده کاوی سرطان

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.

  • شریف پژوه

بهینه سازی ساختار شبکه عصبی با جستجوی فاخته برای داده کاوی مشکلات ارتوپدی

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.

  • شریف پژوه

تشخیص فرار مالیاتی به کمک روش های شبکه ی عصبی و الگوریتم ژنتیک

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.

  • شریف پژوه

بهینه سازی شبکه عصبی با الگوریتم فاخته برای داده کاوی تشخیص نفوذ در شبکه های کامپیوتری

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.

  • شریف پژوه

بهینه سازی شبکه عصبی با الگوریتم سیستم ایمنی مصنوعی برای پیش بینی ورشکستگی

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.

  • شریف پژوه

تشخیص فرار مالیاتی به کمک روش های شبکه ی عصبی و الگوریتم رقابت استعماری

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.

  • شریف پژوه

بهینه سازی شبکه عصبی با الگوریتم رقابت استعماری برای پیش بینی ورشکستگی

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.

  • شریف پژوه

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

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.

  • شریف پژوه

بهینه سازی ساختار شبکه عصبی با الگوریتم جستجوی فاخته برای داده کاوی بیماری دیابت

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

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 جستوی فاخته (Cuckoo search)، 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.

  • شریف پژوه

تشخیص فرار مالیاتی به کمک روش های شبکه ی عصبی و الگوریتم جستجوی فاخته

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

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 فاخته (Cuckoo search)، 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.

  • شریف پژوه

بهینه سازی شبکه عصبی با الگوریتم جستجوی فاخته برای پیش بینی ورشکستگی

سفارش انجام پروژه پیش بینی ورشکستگی به کمک روش های شبکه ی عصبی و الگوریتم جستجوی فاخته:

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 فاخته (Cuckoo search)، 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.

  • شریف پژوه
موضوعات