عنوان پایان نامه: يادگيري ماشين (Machin learning)پروژه پاياني دوره كارشناسي - رشته مهندسي نرم افزارقالب بندی: wordتعداد صفحات: 172فهرست مطالب:1. فصل 1 يادگيري ماشين1-1 چكيده1-2 يادگيري چيست؟1-3 نگاهي به فردا1-4 يادگيري ماشين1-4-1 هدف1-5 ماشين يادگيرنده1-5-1 روند تكاملي ماشين هاي يادگيرنده1-5-2 انواع ماشين هاي يادگيرنده1-5-3 اجزاء ماشين هاي يادگيرنده1_5_4 مشكلات ماشين هاي يادگيرنده1-6 روشهاي يادگيري عامل1-7 مسائل اساسي يادگيري1-8 روند عملياتي1-9 قوانين يادگيري1-9-1 روش AQ111-9-2روش CN21-9-3 درخت تصميم1-10 طراحي يك سيستم يادگيري1-10-1 انتخاب Training Experience1-10-2 انتخاب تابع هدف1-10-3 انتخاب نحوه نمايش تابع هدف1-10-4 انتخاب الگوريتم شبيه سازي1-10-5 طراحي نهايي1-11 كاربردهاي ماشين هاي يادگيرنده1-12 تكنيك هاي يادگيري ماشين1-12-1 درخت تصميم گيري1-12-2 شبكه هاي عصبي1-12-3 منطق فازي1-12-4 يادگيري از طريق منطق مخاسباتي1-12-5 محاسبات تكاملي1-12-5-1 الگوريتم ژنتيك1-12-6 يادگيري تقويتي فصل 2 داده كاويمقدمه2-1 تعريف تئوريك از داده كاوي2-2 جايگاه داده كاوي2-2-1 چند واقعيت2-3 مراحل يك فرايند داده كاوي2-4 پايه هاي يك فرايند داده كاوي2-5 كاربردهاي داده كاوي2-6 مقوله كاهش ابعاد داده2-6-1 پروسه كشف دانش از پايگاه داده2-6-2 ويژگي هاي KDD2-6-3 استخراج داده ها2-6-4 آماده كردن داده ها2-6-5 مهندسي داده ها2-6-6 مهندسي الگوريتم و تعيين استراتژي هاي كاوش2-7 زبان هاي پرسشي داده كاوي2-8 كلاسه بندي و پيشگويي داده ها2-8-1 انواع روشهاي كلاسه بنديگ2-8-2 مراحل يك الگوريتم كلاسه بندي2-8-3 ارزيابي روشهاي كلاسه بندي2-9 خوشه بندي2-9-1 تعريف فرايند خوشه بندي2-9-2 كيفيت خوشه بندي2-9-3 روش ها و الگوريتم هاي خوشه بندي2-9-4 دسته بندي ويژگي هاي الگوريتم هاي خوشه بندي2-10 داده كاوي با استفاده از استنتاج و يادگيري بيزي2-10-1 تئوري بيز2-10-2 اصل طول توصيف مينيمم2-10-3 الگوريتم Gibbs2-10-4 طبقه بندي ساده بيزي2-10-5 تخمين زدن احتمالات2-10-6 الگوريتم EMنتيجه گيري فصل 3 شبكه هاي عصبيمقدمه3-1 تاريخچه3-2 ايده پيدايش شبكه هاي عصبي3-3 پباهن با مغز3-4 روش كار نرون ها3-5 مدل رياضي3-6 پياده سازي هاي الكترونيكي نرون ها مصنوعي3-7 عمليات شبكه هاي عصبي3-8 آموزش شبكه هاي عصبي3-9 آموزش تطبيقي3-10 تفاوت شبكه هاي عصبي با روش هاي محاسباتي متداول و سيستم هاي خبره3-11 انواع يادگيري براي شبكه هاي عصبي3-11-1 باناظر3-11-2 تشديدي3-12 زمينهاي در مورد perceptron3-12-1 قدرت protron3-12-2 دنباله هاي protron3-13 قضيه بنيادي دنباله ها3-14 كاربردهاي شبكه هاي عصبي مصنوعي3-15 مزيت شبكه هاي عصبي3-16 قوانين فعال سازينتيجه فصل 4 الگوريتم ژنتيكمقدمه4-1 الگوريتم ژنتيك چيست؟4-2 طبيعت ايده اوليه4-3 رابطه تكامل طبيعي با هوش مصنوعي4-4 چارچوب كلي الگوريتم هاي ژنتيك4-4-1 شرط پايان الگوريتم4-5 روش هاي نمايش4-6 عملگرهاي الگوريتم ژنتيك4-6-1 تابع سازگاري4-6-2 انتخاب4-6-3 CrossOver4-6-4 موتاسيون ( جهش )4-6-5 جايگزيني4-7 مزايا و معايب4-8 كاربردهاي الگوريتم ژنتيك4-8-1 نمونه اي از كاربرد در مسائل بهينه سازي مهندسي نفت4-8-2 كاربرد الگوريتم ژنتيك در شبكه هاي عصبي4-8-3 هايپر هيوريستيك4-9 روند الگوريتم ژنتيك با يك نمونه سادهنتيجه
يادگيري ماشين
عنوان پایان نامه: يادگيري ماشين (Machin learning)پروژه پاياني دوره كارشناسي - رشته مهندسي نرم افزارقالب بندی: wordتعداد صفحات: 172فهرست مطالب:1. فصل 1 يادگيري ماشين1-1 چكيده1-2 يادگيري چيست؟1-3 نگاهي به فردا1-4 يادگيري ماشين1-4-1 هدف1-5 ماشين يادگيرنده1-5-1 روند تكاملي ماشين هاي يادگيرنده1-5-2 انواع ماشين هاي يادگيرنده1-5-3 اجزاء ماشين هاي يادگيرنده1_5_4 مشكلات ماشين هاي يادگيرنده1-6 روشهاي يادگيري عامل1-7 مسائل اساسي يادگيري1-8 روند عملياتي1-9 قوانين يادگيري1-9-1 روش AQ111-9-2روش CN21-9-3 درخت تصميم1-10 طراحي يك سيستم يادگيري1-10-1 انتخاب Training Experience1-10-2 انتخاب تابع هدف1-10-3 انتخاب نحوه نمايش تابع هدف1-10-4 انتخاب الگوريتم شبيه سازي1-10-5 طراحي نهايي1-11 كاربردهاي ماشين هاي يادگيرنده1-12 تكنيك هاي يادگيري ماشين1-12-1 درخت تصميم گيري1-12-2 شبكه هاي عصبي1-12-3 منطق فازي1-12-4 يادگيري از طريق منطق مخاسباتي1-12-5 محاسبات تكاملي1-12-5-1 الگوريتم ژنتيك1-12-6 يادگيري تقويتي فصل 2 داده كاويمقدمه2-1 تعريف تئوريك از داده كاوي2-2 جايگاه داده كاوي2-2-1 چند واقعيت2-3 مراحل يك فرايند داده كاوي2-4 پايه هاي يك فرايند داده كاوي2-5 كاربردهاي داده كاوي2-6 مقوله كاهش ابعاد داده2-6-1 پروسه كشف دانش از پايگاه داده2-6-2 ويژگي هاي KDD2-6-3 استخراج داده ها2-6-4 آماده كردن داده ها2-6-5 مهندسي داده ها2-6-6 مهندسي الگوريتم و تعيين استراتژي هاي كاوش2-7 زبان هاي پرسشي داده كاوي2-8 كلاسه بندي و پيشگويي داده ها2-8-1 انواع روشهاي كلاسه بنديگ2-8-2 مراحل يك الگوريتم كلاسه بندي2-8-3 ارزيابي روشهاي كلاسه بندي2-9 خوشه بندي2-9-1 تعريف فرايند خوشه بندي2-9-2 كيفيت خوشه بندي2-9-3 روش ها و الگوريتم هاي خوشه بندي2-9-4 دسته بندي ويژگي هاي الگوريتم هاي خوشه بندي2-10 داده كاوي با استفاده از استنتاج و يادگيري بيزي2-10-1 تئوري بيز2-10-2 اصل طول توصيف مينيمم2-10-3 الگوريتم Gibbs2-10-4 طبقه بندي ساده بيزي2-10-5 تخمين زدن احتمالات2-10-6 الگوريتم EMنتيجه گيري فصل 3 شبكه هاي عصبيمقدمه3-1 تاريخچه3-2 ايده پيدايش شبكه هاي عصبي3-3 پباهن با مغز3-4 روش كار نرون ها3-5 مدل رياضي3-6 پياده سازي هاي الكترونيكي نرون ها مصنوعي3-7 عمليات شبكه هاي عصبي3-8 آموزش شبكه هاي عصبي3-9 آموزش تطبيقي3-10 تفاوت شبكه هاي عصبي با روش هاي محاسباتي متداول و سيستم هاي خبره3-11 انواع يادگيري براي شبكه هاي عصبي3-11-1 باناظر3-11-2 تشديدي3-12 زمينهاي در مورد perceptron3-12-1 قدرت protron3-12-2 دنباله هاي protron3-13 قضيه بنيادي دنباله ها3-14 كاربردهاي شبكه هاي عصبي مصنوعي3-15 مزيت شبكه هاي عصبي3-16 قوانين فعال سازينتيجه فصل 4 الگوريتم ژنتيكمقدمه4-1 الگوريتم ژنتيك چيست؟4-2 طبيعت ايده اوليه4-3 رابطه تكامل طبيعي با هوش مصنوعي4-4 چارچوب كلي الگوريتم هاي ژنتيك4-4-1 شرط پايان الگوريتم4-5 روش هاي نمايش4-6 عملگرهاي الگوريتم ژنتيك4-6-1 تابع سازگاري4-6-2 انتخاب4-6-3 CrossOver4-6-4 موتاسيون ( جهش )4-6-5 جايگزيني4-7 مزايا و معايب4-8 كاربردهاي الگوريتم ژنتيك4-8-1 نمونه اي از كاربرد در مسائل بهينه سازي مهندسي نفت4-8-2 كاربرد الگوريتم ژنتيك در شبكه هاي عصبي4-8-3 هايپر هيوريستيك4-9 روند الگوريتم ژنتيك با يك نمونه سادهنتيجه