شریف پژوه

پیاده سازی شبکه عمیق پرسپترون برای سری های زمانی:

در این پروژه، با استفاده از پایتون پیاده سازی شبکه عمیق پرسپترون برای سری های زمانی به همراه توضیحات مربوطه، ارائه می گردد.

سفارش انجام پروژه بهبود یادگیری عمیق با الگوریتم رقابت استعماری برای شناسایی اعداد دست نویس:

در این پروژه، با استفاده از تلفیق روش های یادگیری عمیق (Deep Learning) و الگوریتم رقابت استعماری (Imperialist competitive 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.

سفارش انجام پروژه بهبود یادگیری عمیق با الگوریتم تکامل تفاضلی برای شناسایی اعداد دست نویس:

در این پروژه، با استفاده از تلفیق روش های یادگیری عمیق (Deep Learning) و الگوریتم تکامل تفاضلی (differential evolution 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 پایان نامه: پیش‌بینی مصرف انرژی ساختمان با استفاده از یادگیری عمیق

نسبت بالای انرژی مصرف شده در ساختمان ها باعث بروز مشکلات زیست محیطی بسیاری شده است که اثرات نامطلوبی بر موجودیت بشر ایجاد می کند. پیش‌بینی مصرف انرژی ساختمان اساساً به عنوان روشی برای حفظ انرژی و بهبود تصمیم‌گیری در جهت کاهش مصرف انرژی اعلام می‌شود. ساخت ساختمان های کارآمد انرژی به کاهش کل انرژی مصرفی در ساختمان های جدید کمک می کند. روش یادگیری عمیق که به عنوان یکی از بهترین روش های تولید نتایج مطلوب در کار پیش بینی شناخته شده است در این تحقیق برای پیش بینی مصرف انرژی ساختمان به کار می رود.

سفارش انجام پروژه بهبود یادگیری عمیق با الگوریتم فاخته برای شناسایی اعداد دست نویس:

در این پروژه، با استفاده از تلفیق روش های یادگیری عمیق (Deep Learning) و الگوریتم فاخته (Cuckoo 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 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.

سفارش انجام پروژه بهبود یادگیری عمیق با الگوریتم ژنتیک برای شناسایی اعداد دست نویس:

در این پروژه، با استفاده از تلفیق روش های یادگیری عمیق (Deep Learning) و الگوریتم ژنتیک(Genetic 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.

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.

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 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 بهبود یادگیری عمیق با الگوریتم بهینه سازی ازدحام ذرات برای شناسایی اعداد دست نویس:

در این پروژه، با استفاده از تلفیق روش های یادگیری عمیق (Deep Learning) و الگوریتم بهینه سازی ازدحام ذرات  (particle swarm optimization)، 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 بهبود یادگیری عمیق با الگوریتم جستجوی هارمونی برای شناسایی اعداد دست نویس:

در این پروژه، با استفاده از تلفیق روش های یادگیری عمیق (Deep Learning) و الگوریتم جستجوی هارمونی (harmony search 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.

سفارش انجام پروژه بهبود یادگیری عمیق با الگوریتم کلونی زنبور عسل برای شناسایی اعداد دست نویس:

در این پروژه، با استفاده از تلفیق روش های یادگیری عمیق (Deep Learning) و الگوریتم کلونی زنبور عسل  (Artificial bee colony)، 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.