سفارش انجام پروژه داده کاوی تشخیص تقلب به کمک روش های شبکه ی عصبی و الگوریتم بهینه سازی ازدحام ذرات:

تقلب در مفهوم عام، عبارت است از تحریف حقایق مهم، توسط فردی که می داند ادعایش حقیقت ندارد و یا ارائه حقایق، بدون توجه نسبت به صحت آنها و به قصد فریب دیگران. 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 بهینه سازی ازدحام ذرات (particle swarm optimization algorithm)، مجموعه داده های مربوط به تشخیص تقلب مورد بررسی قرار گرفته است. نتایج در قالب مستندات و همچنین فایل های شبیه سازی فراهم شده است.


موارد قابل تحویل:

  • فایل های شبیه سازی پروژه با نرم افزارهای متلب (Matlab)، پایتون (Python)، زبان R و ... (بسته به درخواست سفارش دهنده)
  • مستندات پروژه، شامل توضیحات مربوط به فعالیت های صورت گرفته
  • فایل ارائه ی پاورپوینت
  • فیلم آموزشی برای آشنایی دقیق تر با فرآیند انجام پروژه
  • مجموعه داده ی مورد استفاده در پروژه


برخی از موارد قابل پیاده سازی:

  • بررسی تاثیر استفاده از الگوریتم بهینه سازی ازدحام ذرات بر روی پارامترهای مختلف شبکه عصبی، نظیر، تعداد لایه، وضعیت بایاس، تعداد نورون های هر لایه، تابع فعالیت و ... .
  • بررسی تاثیر استفاده از زیرمجموعه ای از داده ها بر روی عملکرد روش تلفیقی شبکه ی عصبی و الگوریتم بهینه سازی ازدحام ذرات. انتخاب زیرمجموعه مناسب از داده ها به کمک روش بهینه سازی ازدحام ذرات انجام می شود.
  • بررسی تاثیر استفاده از روش های تجمعی نظیر بگینگ(bagging) و بوستینگ(boosting) بر روش تلفیقی شبکه ی عصبی و الگوریتم بهینه سازی ازدحام ذرات.
  • امکان ارائه ی ارزیابی به کمک روش های مختلف، نظیر Cross Validation
  • مقایسه با سایر الگوریتم ها، نظیر انواع درخت تصمیم(decision tree) نظیر CHAID، CART، C5.0 و ...، ماشین بردار پشتیبان(support vector machine)، شبکه ی عصبی(Neural Net)، جنگل تصادفی(Random Forest)، استخراج قوانین(Rule Induction) 

  • روش های مختلف پاکسازی (این بخش با نرم افزارهای جانبی نظیر رپیدماینر، وکا و ... انجام می شود.)
    • حذف مقادیر گم شده (missing values)، 
    • حذف داده های پرت، 
    • حذف نویز، 
    • گسسته سازی، 
    • ایجاد ویژگی های جدید، 
    • نرمال سازی، 
    • انتخاب زیرمجموعه ای مناسب از ویژگی ها و...
  • روش های مختلف تصویر سازی (این بخش با نرم افزارهای جانبی نظیر رپیدماینر، وکا و ... انجام می شود.)
    • نمودارهای هیستوگرام(histogram) 
    • هیستوگرام رنگی
    • پراکندگی(Scatter) و...
  • موارد و الگوریتم های قید شده، تنها نمونه ای از فعالیت های قابل تحویل است. انواع مختلف روش های داده کاوی و هوش مصنوعی با توجه به درخواست شما، قابل ارائه است.


مشاوره انجام پایان نامه، پروپزال و مقاله:

در صورتی که به مشاوره برای انجام پایان نامه، پروپزال و مقاله، همچنین آموزش انجام پایان نامه، پروپزال و مقاله در زمینه ی بهینه سازی ساختار شبکه عصبی با الگوریتم بهینه سازی ازدحام ذرات برای داده کاوی تشخیص تقلب، نیازمندید، این مورد را هنگام درخواست قید نمایید. با توجه به قوانین موجود، فعالیت شریف پژوه محدود به آموزش و مشاوره در این موارد می باشد.


منحصر به فرد بودن پروژه:

در صورتی که نیاز به یک پروژه اختصاصی و منحصر به خودتان در زمینه بهینه سازی ساختار شبکه عصبی با الگوریتم بهینه سازی ازدحام ذرات برای داده کاوی تشخیص تقلب، داشته باشید، این مورد را هنگام درخواست قید نمایید.