شریف پژوه

پیاده سازی پایان نامه: پیش بینی نقص نرم افزار با استفاده از تکنیک های داده کاوی

فرآیند تست یکی از مهمترین فعالیت ها در توسعه و نگهداری نرم افزار است و زمان و منابع قابل توجهی را مصرف می کند. از آنجایی که توزیع اشکالات بین ماژول‌های نرم‌افزار یکنواخت نیست این مسئله در بسیاری از مواقع چالش برانگیز می باشد. بنابراین، پیش‌بینی نقص نرم‌افزار تکنیک مهمی است که در تضمین کیفیت نرم‌افزار مورد استفاده قرار می‌گیرد.  در این پروژه، با استفاده از تکنیک های داده کاوی راهکاری برای پیش بینی نقص نرم افزار ارائه می شود.

پیاده سازی پایان نامه: پیش بینی ریزش مشتری با استفاده از تکنیک های داده کاوی

رویگردانی مشتریان یا ریزش مشتری، اصطلاحی تجاری اســت که برای از دست رفتن مشــتریان استفاده می‌شود. سازمان‌ها و شرکت‌هایی مانند بانک‌ها، شرکت‌های مخابراتی، ارائه‌دهندگان خدمات اینترنتــی (ISP)، شرکت‌های تلویزیون کابلی، شرکت‌های بیمه و غیره اغلب از رویگردانی مشــتریان و نرخ از دست دادن مشــتریان به‌عنوان یکی از معیارهای کلیدی سنجش در کسب‌وکار استفاده می‌کنند. دلیل این امر این است که هزینه نگهداری یک مشتری موجود بسیار کمتر از هزینه جذب یک مشتری تازه است. بنابراین این نوع بنگاه‌های اقتصادی، اغلب واحدها و بخش‌هایی به نام خدمات مشــتریان دارند که سعی می‌کنند مشــتریان رویگردان را دوباره بازگردانند زیرا مشــتریان قدیمی معمولاً ارزش بیشــتری از مشتریان جدید خلق می‌کنند. برای مطالعه ی بیشتر کلیک کنید.

در این پروژه، با استفاده از تکنیک های داده کاوی راهکاری برای پیش بینی ریزش مشتری ارائه می شود.

پیاده سازی پایان نامه: داده کاوی برای انتخاب ویژگی در داده های بیان ژن

شناسایی مهم‌ترین ژن‌ها و توالی‌های ژنی (عنوان ویژگی‌ها) ذخیره‌شده در مجموعه داده‌ای از ریزآرایه‌های بیان ژن یکی از مسائل مهم در حوزه ی پزشکی است. انتخاب مهم‌ترین ژن‌ها و طبقه‌بندی موارد بر اساس ژن‌های انتخابی با استفاده از تکنیک های داده کاوی یکی از راهکار های موجود در این زمینه است.

پیاده سازی پایان نامه: تشخیص نفوذ با استفاده از روش های ترکیبی داده کاوی

با رشد سریع اینترنت، حملات سایبری به شبکه ها و سیستم های رایانه ای نیز به سرعت افزایش یافته است. به عنوان یک اقدام احتیاطی در برابر این حملات، سیستم‌های تشخیص نفوذ (IDS) در سیستم‌های شبکه مستقر شده‌اند. سیستم‌های تشخیص نفوذ بخشی از دومین خط دفاعی یک سیستم هستند.. آن ها را می توان همراه با سایر اقدامات امنیتی مانند کنترل دسترسی، مکانیسم های احراز هویت و تکنیک های رمزگذاری به منظور ایمن سازی بهتر سیستم ها در برابر حملات سایبری مستقر کرد. استفاده از ترکیب تکنیک های داده کاوی راهکاری برای ارائه ی یک سیستم تشخیص نفوذ موثر می باشد.

پیاده سازی پایان نامه: پیش بینی میزان بارش فصلی و ماهیانه براساس داده کاوی

داده‌کاوی هواشناسی شکلی از داده‌کاوی است که به یافتن الگوهای پنهان در داده‌های هواشناسی که تا حد زیادی در دسترس است می‌پردازد، به طوری که اطلاعات بازیابی شده می‌تواند به دانش قابل استفاده تبدیل شود. آب و هوا یکی از داده های هواشناسی است که سرشار از دانش مهم است. مهمترین عنصر اقلیمی که بر بخش های مختلف مانند کشاورزی تأثیر می گذارد، بارندگی است. بنابراین پیش‌بینی بارندگی در کشورهای مختلف به یک موضوع مهم تبدیل شده است. در این پروژه، با استفاده از تکنیک های داده کاوی راهکاری برای پیش بینی بارندگی ارائه می شود.

پیاده سازی پایان نامه: پیش بینی مصرف انرژی ساختمان با استفاده از تکنیک های داده کاوی

پیش‌بینی هوشمند مصرف انرژی به‌ویژه برای ساختمان‌ها مسئله ی مهمی است، زیرا مصرف انرژی ساختمان‌ها روز به روز در حال افزایش است و تقریباً به 40 درصد مصرف انرژی اولیه در کشورهای توسعه‌یافته می‌رسد. در سال های اخیر مصرف انرژی به دلیل رشد جمعیت به تدریج افزایش یافته است. افزایش مصرف انرژی ساختمان ها، اجباری را در کشورهای مختلف برای مدیریت و کاهش هر چه بیشتر مصرف انرژی به منظور ارتقای بهره وری انرژی ایجاد می کند.

در این پروژه، با استفاده از تکنیک های داده کاوی راهکاری برای پیش بینی مصرف انرژی ساختمان ارائه می شود.

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 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.

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.

پیاده سازی الگوریتم ژنتیک در دلفی (Delphi):

الگوریتم‌های ژنتیک (به انگلیسی: Genetic algorithm) تکنیک جستجو در علم رایانه برای یافتن راه‌حل تقریبی برای بهینه‌سازی مدل، ریاضی و مسائل جستجو است. الگوریتم ژنتیک نوع خاصی از الگوریتم‌های تکاملی است که از تکنیک‌های زیست‌شناسی فرگشتی مانند وراثت، جهش زیست‌شناسی و اصول انتخابی داروین برای یافتن فرمول بهینه جهت پیش‌بینی یا تطبیق الگواستفاده می‌شود. الگوریتم‌های ژنتیک اغلب گزینه خوبی برای تکنیک‌های پیش‌بینی بر مبنای رگرسیون هستند. در مدل‌سازی الگوریتم ژنتیک یک تکنیک برنامه‌نویسی است که از تکامل ژنتیکی به عنوان یک الگوی حل مسئله استفاده می‌کند. مسئله‌ای که باید حل شود دارای ورودی‌هایی می‌باشد که طی یک فرایند الگوبرداری شده از تکامل ژنتیکی به راه‌حلها تبدیل می‌شود سپس راه حلها به عنوان کاندیداها توسط تابع ارزیاب (Fitness Function) مورد ارزیابی قرار می‌گیرند و چنانچه شرط خروج مسئله فراهم شده باشد الگوریتم خاتمه می‌یابد. بطور کلی یک الگوریتم مبتنی بر تکرار است که اغلب بخش‌های آن به صورت فرایندهای تصادفی انتخاب می‌شوند که این الگوریتم‌ها از بخش‌های تابع برازش، نمایش، انتخاب وتغییر تشکیل می‌شوند.. برای مطالعه جزییات بیشتر در مورد الگوریتم ژنتیک کلیک کنید.

در این پروژه، با استفاده از دلفی (Delphi)، پیاده سازی الگوریتم ژنتیک 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.

پیاده سازی الگوریتم بهینه سازی ازدحام در دلفی (Delphi):

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 دلفی (Delphi)، پیاده سازی الگوریتم بهینه سازی ازدحام به همراه توضیحات مربوطه، ارائه می گردد.

پیاده سازی الگوریتم ژنتیک در جاوا (JAVA):

الگوریتم‌های ژنتیک (به انگلیسی: Genetic algorithm) تکنیک جستجو در علم رایانه برای یافتن راه‌حل تقریبی برای بهینه‌سازی مدل، ریاضی و مسائل جستجو است. الگوریتم ژنتیک نوع خاصی از الگوریتم‌های تکاملی است که از تکنیک‌های زیست‌شناسی فرگشتی مانند وراثت، جهش زیست‌شناسی و اصول انتخابی داروین برای یافتن فرمول بهینه جهت پیش‌بینی یا تطبیق الگواستفاده می‌شود. الگوریتم‌های ژنتیک اغلب گزینه خوبی برای تکنیک‌های پیش‌بینی بر مبنای رگرسیون هستند. در مدل‌سازی الگوریتم ژنتیک یک تکنیک برنامه‌نویسی است که از تکامل ژنتیکی به عنوان یک الگوی حل مسئله استفاده می‌کند. مسئله‌ای که باید حل شود دارای ورودی‌هایی می‌باشد که طی یک فرایند الگوبرداری شده از تکامل ژنتیکی به راه‌حلها تبدیل می‌شود سپس راه حلها به عنوان کاندیداها توسط تابع ارزیاب (Fitness Function) مورد ارزیابی قرار می‌گیرند و چنانچه شرط خروج مسئله فراهم شده باشد الگوریتم خاتمه می‌یابد. بطور کلی یک الگوریتم مبتنی بر تکرار است که اغلب بخش‌های آن به صورت فرایندهای تصادفی انتخاب می‌شوند که این الگوریتم‌ها از بخش‌های تابع برازش، نمایش، انتخاب وتغییر تشکیل می‌شوند.. برای مطالعه جزییات بیشتر در مورد الگوریتم ژنتیک کلیک کنید.

در این پروژه، با استفاده از جاوا، پیاده سازی الگوریتم ژنتیک به همراه توضیحات مربوطه، ارائه می گردد.

پیاده سازی الگوریتم ژنتیک در زبان R:

الگوریتم‌های ژنتیک (به انگلیسی: Genetic algorithm) تکنیک جستجو در علم رایانه برای یافتن راه‌حل تقریبی برای بهینه‌سازی مدل، ریاضی و مسائل جستجو است. الگوریتم ژنتیک نوع خاصی از الگوریتم‌های تکاملی است که از تکنیک‌های زیست‌شناسی فرگشتی مانند وراثت، جهش زیست‌شناسی و اصول انتخابی داروین برای یافتن فرمول بهینه جهت پیش‌بینی یا تطبیق الگواستفاده می‌شود. الگوریتم‌های ژنتیک اغلب گزینه خوبی برای تکنیک‌های پیش‌بینی بر مبنای رگرسیون هستند. در مدل‌سازی الگوریتم ژنتیک یک تکنیک برنامه‌نویسی است که از تکامل ژنتیکی به عنوان یک الگوی حل مسئله استفاده می‌کند. مسئله‌ای که باید حل شود دارای ورودی‌هایی می‌باشد که طی یک فرایند الگوبرداری شده از تکامل ژنتیکی به راه‌حلها تبدیل می‌شود سپس راه حلها به عنوان کاندیداها توسط تابع ارزیاب (Fitness Function) مورد ارزیابی قرار می‌گیرند و چنانچه شرط خروج مسئله فراهم شده باشد الگوریتم خاتمه می‌یابد. بطور کلی یک الگوریتم مبتنی بر تکرار است که اغلب بخش‌های آن به صورت فرایندهای تصادفی انتخاب می‌شوند که این الگوریتم‌ها از بخش‌های تابع برازش، نمایش، انتخاب وتغییر تشکیل می‌شوند.. برای مطالعه جزییات بیشتر در مورد الگوریتم ژنتیک کلیک کنید.

در این پروژه، با استفاده از زبان R، پیاده سازی الگوریتم ژنتیک به همراه توضیحات مربوطه، ارائه می گردد.