فایلود نیو
دانلود جزوه و تحقیقات آموزشی دانشجوییفایلود نیو
دانلود جزوه و تحقیقات آموزشی دانشجوییپیش بینی ارزش دوره عمر مشتری با زنجیره مارکوف بر اساس مدل داده کاوی
خلاصه:
مطالعه حاضردر تلاش برای ایجاد یک چارچوب محاسباتی ارزش طول عمر مشتری برای یک شرکت تعمیر و نگهداری خودرو در تایوان است.ارزش دوره عمر مشتری از ارزش کنونی و آینده مشتریان تشکیل شده است که شامل برآورد طول عمر،رفتار خرید در آینده و سود مرتبط با هر رفتار است.
این چارچوب از سه تکنیک برای تخمین ارزش دوره عمر مشتری با استفاده از پایگاه داده معاملات مشتریان استفاده می کند که عبارتند از:
1- مدل رگرسیون لجستیک و مدل درخت تصمیم گیری به منظور برآورد احتمال رویگردانی مشتری و پیش بینی طول عمر مشتری
2- آنالیز رگرسیون برای شناسایی متغییر های مهم مؤثر بر رفتار خرید مشتریان و زنجیره مارکوف که مدل احتمال تغییر رفتار مشتری را بیان می کند.
3- شبکه های عصبی برای پیش بینی سود ارائه شده توسط مشتری تحت رفتارهای مختلف خرید.
تعداد مشاهده: 1694 مشاهده
فرمت فایل دانلودی:.rar
فرمت فایل اصلی: docx, pptx, pdf
حجم فایل:887 کیلوبایت
-
راهنمای استفاده:
مناسب جهت استفاده دانشجویان رشته و فناوری اطلاعات
-
محتوای فایل دانلودی:
محتوای فایل: پاورپوینت 19 اسلاید، فایل ورد 9 صفحه فایل مقاله لاتین (منبع)
بررسی فرآیند داده کاوی و استفاده از الگوریتم های ترکیبی برای کاوش
چکیده:
رشد فزاینده پایگاه داده ها در تقریبا هر ناحیه از فعالیت انسان باعث شده است که نیاز برای ابزارهای قدرتمند جدید برای تغییر دادن داده به دانش مفید افزایش یابد. برای برآوردن این نیاز محققان در ناحیه های مختلف مانند یادگیری ماشین، شناسایی الگو، آنالیز داده آماری، بصری سازی داده ، شبکه های عصبی، اقتصاد سنجی، بازیابی اطلاعات، استخراج اطلاعات و..... روش ها و ایده هایی را کاوش کرده اند. ذات غیرساخت یافته ی این متون، اعمال همان روشهایی را که ما در مورد پایگاه داده های غیرمتنی بکار می بریم، غیر ممکن می سازد. بنابراین روش ها و الگوریتم های پردازش (پیش پردازش)خاصی برای استخراج الگوهای مفید موردنیاز است. متن کاوی اطلاعات متنی غیرساختیافته را استفاده می کند و آنرا برای کشف ساختار و معناهای ضمنی پنهان در متن بررسی می کند. در این مقاله ما به بررسی یکی از جدیدترین زمینه های مورد تحقیق در داده کاوی، متن کاوی می پردازیم. در این مقاله روش های موجود برای پیش پردازش کردن، رده بندی، استخراج اطلاعات ، روش های یافتن روابط شرح داده می شوند در پایان هر بخش ارزیابی و مقایسه ای روی روش های بیان شده در آن بخش صورات می گیرد و در پایان تعدادی از کاربردهای متن کاوی بیان می گردند.
کلید واژه: کاوش، یادگیری ماشین، بصری سازی، آنالیز داده، متن کاوی، الگوریتم های پردازش، شبکه های عصبی، استخراج اطلاعات، متن کاوی، رده بندی
فهرست مطالب:
چکیده
1 مقدمه
1.1 کشف دانش و ارتباط آن متن کاوی
2.1 تعاریف متن کاوی
3.1 ناحیه های سرچ مرتبط
2 روش ها پیش پردازش کردن متون
1.2 مدل فضای برداری
2.2 پیش پردازش زبان شناختی
3 روش های متن کاوی
1.3 فازهای اصلی فرآیند کتن کاوی
2.3 رده بندی
1.2.3 انتخاب ترم ایندکس
2.2.3 رده کننده Naïve Bayes
3.2.3 رده بندی کننده نزدیکترین همسایه
4.2.3 درخت تصمیم گیری
5.2.3 متدهای هسته و SVM
6.2.3 ارزیابی رده بندی کننده ها
3.3 استخراج اطلاعات
1.3.3 رده بندی برای استخراج اطلاعات
2.3.3 مدل مارکوف پنهان
3.3.3 فیلدهای رندم شرطی
4.3.3 مقایسه روش های استخراج اطلاعات
2.2 پیش پردازش زبان شناختی
4.3 روش ها ترکیبی
1.4.3 روش های dicsotex
1.1.4.3 مقدمه
2.1.4.3 یکپارچه کردن داده کاوی و استخراج اطلاعات
3.1.4.3 سیستم dicsotex
2.4.3روش textminer
1.2.4.3 مقدمه
2.2.4.3 استخراج اطلاعات
3.2.4.3 الگوریتم خوشه بندی
3.4.3 یافتن روابط
4.4.3 مقایسه روش های ترکیبی
4 کاربردهای متن کاوی
5 نتیجه گیری و کارهای آینده
6 مراجع
تعداد مشاهده: 657 مشاهده
فرمت فایل دانلودی:.docx
فرمت فایل اصلی: docx
تعداد صفحات: 30
حجم فایل:443 کیلوبایت
-
راهنمای استفاده:
مناسب جهت استفاده دانشجویان رشته کامپیوتر و فناوری اطلاعات
-
محتوای فایل دانلودی:
در قالب فایل word و قابل ویرایش
همراه با شکل، نمودار و منابع
شبکه های عصبی
چکیده:
در این نوشتار به معرفی شبکه های عصبی مصنوعی[1] و ساختارهای آنها به صورت خلاصه میپردازیم. در ابتدا نرونهای شبکه های عصبی طبیعی معرفی شده و طرز کار آنها نشان داده شده است. سپس مدل مصنوعی این نرونها و ساختار آنها ، مدل ریاضی آنها ، شبکه های عصبی مصنوعی و نحوه آموزش و بکار گیری این شبکه ها به همراه روش یادگیری گرادیان کاهنده نشان داده شده است. تمرکز بیشتر بر نوعی از این شبکه ها بنام شبکه های عصبی مصنوعی پرسپترون چند لایه میباشد. ابزاهایی نیز برای پیاده سازی این شبکه ها نام برده شده است.
فهرست مطالب:
چکیده
مقدمه
شکل 1 ساختار یک نورون طبیعی
شکل 2 ساختار نورون مصنوعی
تعریف شبکه‌های عصبی مصنوعی
تاریخچه
انواع شبکه‌های عصبی مصنوعی
شبکه عصبی زیستی
معرفی شبکه عصبی مصنوعی
تاریخچه شبکه عصبی مصنوعی
چرا از شبکه های عصبی استفاده می‌کنیم؟
مقایسه‌ی شبکه های عصبی با کامپیوتر سنتی
نورون مصنوعی
ساختار شبکه‌های عصبی
تقسیم بندی شبکه‌های عصبی
کاربرد شبکه‌های عصبی
معایب شبکه‌های عصبی
نظریه‌ی تشدید انطباقی
مدل یادگیری
روش‌های تعلیم شبکه عصبی
مدل نرون ساده‌ی خطی
شکل 3 نرون ساده خطی
شکل 4 مدل نرون خطی به همراه تابع فشرده‌سازی
تکنیک های تعیین پارامترهای نرون خطی
شبکه‌های پرسپترون چندلایه
شکل5 نمونه ازشبکه پرسپترون
الگوریتم یادگیری شبکه های پرسپترون (انتشاربه عقب)
انتشار به عقب خطا
تصحیح اوزان وبایاسها
شبکه های عصبی مصنوعی
مغزانسان
سلولهای عصبی
سلول عصبی مصنوعی
شبکه عصبی مصنوعی
شناخت حروف توسط شبکه های عصبی
تشکیل شبکه عصبی
ایجادلایه file input
ایجادیک لایه خطی
ایجادلایه winery take all
تقسیم بندی الگوهابه سه دسته
آموزش شبکه
تست کردن شبکه
امتحان با مثالهای جدید
تشخیص دیجیتال با استفاده ازشبکه عصبی
نتیجه گیری
کلمات کلیدی
مقدمه
کار مرتبط
شکل 1 مثالهای شکلهای مختلف درعدد 4
شکل 2 سناریوی تشخیص عددبا شبکه مصنوعی
زیر ساخت
اجزای سیستم
مواد و روشها
پیش پردازش
نرمالسازی قیاس بندی
نازی سازی و چارچوب بندی
جداسازی
استخراج مشخصه
تشخیص و کلاس بندی
شکل 4 شبکه دولایه،یک لایه مخفی،ویک لایه خروجی
کد الگوریتم
شکل 5 شبکه سه لایه، 2 لایه مخفی ویک لایه خروجی
آموزش شبکه
مرحله تغذیه جلویی
شکل 6 تابع راندمان اموزش
نتایج و مباحث
جدول 1 مقایسه بین شبکه ها
جدول 2 دقت تشخیص
شکل 7 مثالی برای تصویرکشیدن مراحل مختلف
شکل 8 مقایسه بین نظریه هاوسیتم مان برحسب دقت تشخیص
شبکه عصبی برپایه معماری تنظیم پایگاه داده
کلمات کلیدی
مقدمه
شکل 1 ساختار پایه شبکه عصبی
شکل 2 معماری تنظیم برپایه شبکه عصبی
جدول 1 سری داده های آموزش نمونه
شکل 3 تاثیراندازه بافربر زمان اجرای
داخل کردن کلاس بندی و پیوند درمدل تعمیم شبکه عصبی جمعی
نتایج
کلمات کلیدی
مقدمه
شکل 1 لایه کلی مدل شبکه جمعی مطرح
شکل 2 ساختارکلی مدل شبکه جمع
شکل 3 طرح لایه بندی دوگانه
شکل 4 نمودارجریان سازگاری ساختاری مدل مطرح شده
جدول 2 بخشهای میانگین مربع خطا
شکل 1 نمادهای مدلهای سه بعدی کشتی
شکل 2 ساختارسیستم کلاس سازکشتی
شکل 3 ساختارشبکه عصبی
پانوشت ها
فهرست منابع
تعداد مشاهده: 3172 مشاهده
فرمت فایل دانلودی:.doc
فرمت فایل اصلی: doc
تعداد صفحات: 110
حجم فایل:2,236 کیلوبایت
-
راهنمای استفاده:
مناسب جهت استفاده دانشجویان رشته کامپیوتر و فناوری اطلاعات
-
محتوای فایل دانلودی:
در قالب فایل word و قابل ویرایش
پاورپوینت هوش مصنوعی
چکیده:
هوش مصنوعی، هوش ماشین هاست! در واقع شاخه ای از علوم کامپیوتر است که قصد دارد راه حل های الگوریتمی را ارائه کند تا بتوانیم به وسیله آنها در ماشین ها هوشمندی ایجاد کنیم. اما این تعریف کافی نیست؛ اول از همه باید بدانیم که تعریف هوشمندی چیست و بعد باید منظور از ماشین را دربیابیم.
این فایل پاورپوینت مشتمل بر مباحثی نظیر تاریخچه هوش مصنوعی، هوش مصنوعی چیست؟، حوزه های هوش مصنوعی، شبکه های عصبی، یادگیری ماشین، سیستمهای خبره و ... است.
تعداد مشاهده: 1472 مشاهده
فرمت فایل دانلودی:.zip
فرمت فایل اصلی: pptx
تعداد صفحات: 20
حجم فایل:1,170 کیلوبایت
-
راهنمای استفاده:
قابل استفاده دانشجویان و علاقمندان رشته های مدیریت و IT
-
محتوای فایل دانلودی:
در قالب فایل پاورپوینت و قابل ویرایش