1- مقایسه کارایی طبقه بندی های مختلف متن برای عقیده کاوی در نقد کالا

2-کمی سازی گرایش احساسی نظرات متنی فارسی مشتریان بر روی کالای مشتریان بر روی ویژگی های کالا

3- مقایسه کارایی طبقه بندی های مختلف متن برای عقیده کاوی در نقد کالا

4-افزایش هوش تجاری براساس تحلیل عقاید در نقدهای فارسی

چکیده :

با گسترش تجارت الکترونیک و سیستمهای مدیریت درخواست مشتری، روزانه حجم عظیمی از دادههای متنی توسط کاربران بهطور مستقیم و غیرمستقیم تولید میشود. این دادههای متنی ارزش اطالعاتی بسیار باالیی دارند و واضح و بدیهی است که بررسی تمامی آنها بهطور دستی توسط انسان سخت و دشوار و در برخی موارد غیرممکن است. از طرفی خریداران یک محصول و حتی مدیران نیاز دارند تا اطالعات جامع و کارآمدی که حاصل تمامی نظرات داده شده است را مشاهده نمایند تا بتوانند در کوتاهترین زمان تصمیم درستی در خصوص کمیت و کیفیت در راستای گسترش خرید و یا فروش آن محصول اتخاذ نمایند. بررسی نتایج نشان میدهد که 11 %کاربران اینترنت قبل از خرید یک محصول یا خدمات راجع به آن جستجو نمودهاند و دیگر نظرات را مطالعه کردهاند. لذا در دهه اخیر، حوزه تحلیل احساست، نگاه بسیاری از محققان حوزه صنعت و دانشگاه را به خود معطوف کرده است اما متأسفانه بسیاری از این پژوهشها مختص زبان انگلیسی بوده و کارهای بسیار کمی در زبان فارسی صورت پذیرفته است. در این مقاله به ارائه چارچوبی خواهیم پرداخت که میتواند با استفاده از متون نقد کاربران در زبان فارسی قطبیت آن را پیشبینی نموده و ویژگیهای مورد نقد را استخراج نماید. در این راستای، ابتدا در مرحله پیشپردازش دادهها با جداسازی کلمات و جمالت، و ریشهیابی کلمات، اطالعات موردنیاز از نقدها استخراج شده و در گام بعدی با استفاده از مدل SVM نظرات و عقیده کاربران در مورد یک محصول و ویژگیهای آن طبقهبندی نمودیم. در پایان نیز مدل آموزش داده شده توانست با سرعت و دقت باالیی قطبیت نقدهای نوشته شده کاربران را بهدرستی پیشبینی نماید.

 

واژگان كلیدی: هوش تجاری، تحلیل احساسات، عقیده کاوی، پردازش زبان طبیعی، مدل SVM

5-مروری بر رویکردهای ارائه شده در نظرکاوی

چکیده:

به طور کلی، عقیده کاوی و تجزیه و تحلیل احساسات کمک می کند تا شرکت ها و ارائه دهندگان خدمات عقاید و احساسات مشتریان و کاربران خود را بدانند و بر اساس نیازهای مشتریان و کاربران محصوالت و خدمات خود را ارائه دهند. رایت در ]21 ] ادعا می کند که "برای بسیاری از کسب و کار ها، عقیده کاوی آنالین، یک نوع ارز مجازی است که می تواند باعث شکست یا موفقیت یک محصول در بازار شود.". از طرفی این حوزه یکی از برترین عالیق دانشمندانی مانند روانشناسان اجتماعی را تشکیل می دهد، طوری که در برخی منابع عقیده کاوی را باز شدن پنجره ای به روی تفکر روانی و واکنش آنالین جوامع می دانند. این مسئله به مطالعه و درک اذهان عمومی در جوامع در زمان های خاص )در مورد موضوعات خاص موجود در جامعه( کمک می کند. به عنوان مثال، عقیده کاوی می تواند برای تحلیلگران سیاسی در پیش بینی نتایج انتخابات استفاده داشته باشد.

کلمات کلیدی:عقیده ، عقیده کاوی ، آنتولوژی ، آنتروپی ، یادگیری ماشین ، احساسات ، شبکه عصبی ، زبان شناسی

 

:: برچسب‌ها: عقیده , عقیده کاوی , آنتولوژی , یادگیری ماشین , احساسات , شبکه عصبی , زبان شناسی , پردازش زبان طبیعی , هوش تجاری , تحلیل احساسات ,
:: بازدید از این مطلب : 76

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0

 

1-شناسایی و تحلیل واژگان عمومی در منابع وب: رویکردی نو به بسط عبارات جستوجو با استفاده از زبان طبیعی در موتورهای کاوش (همایش انجمن کتابداری و اطلاع رسانی ایران)

چکیده: بازیابی اطلاعات دقیق و مرتبط همواره از اهمیت ویژه ای در پژوهش های حوزه بازیابی اطلاعات برخوردار بوده است. مقاله حاضر رویکردی جدید را در این زمینه معرفی و تجربه کرده است. بسط جستجو با استفاده از واژه های عمومی که همراه کلیدواژه های موضوعی در منابع و متون موجود در وب ظاهر میشوند می تواند موجب افزایش میزان دقت  و ربط د رنتایج بازیابی در موتور های کاوش شود. به این منظور پژوهشی در دو مرحله انجام گرفت. در مرحله نخست، تعداد 800 صفحه وب با استفاده از روش تحلیل محتوا مورد بررسی قرار گرفت و واژه های عمومی همراه هر کلید وازه موضوعی شناسایی شد (جمعا 4264 مورد). نتایج تحلیل آماری نشان داد که 14.5 % از واژه های عمومی میان دو حوزه مشترک هستند، یعنی عمومی مطلق به شمار می آیند، 85.5 % واژه های عمومی وابسته به وزه عمومی می باشند. 65 % واژه های عمومی پیش و 35% از آنها پس از کلیدوازه های موضوعی در متون ظاهر می شوند. همچین از نظر نوع واژه ها 62.4 % غیر موضوعی 37.6% نیمه موضوعی به شمار می آید.

کلید واژه ها: بسط جستوجو، بازیابی اطلاعات در وب، زبان جستوجو، واژگان عمومی، موتور های کاوش

 

2-تعیین احساس از روی متن فارسی

چکیده: در بسیاری از کاربرد های تبدیل متن به گفتار بیهتر است تا مشخصات گفتار تولید شده هر چه بیشتر شبیه انسان باشد.برای این کار باید متنی که توسط سیستم ادا میشود. از لحاظ معنایی بررسی شود. یکی از مهمترین این ویژگی های معنایی احساس حاکم بر متن است. در زمینه تعیین احساس از روی متن کار های مختلفی در زبان انگلیسی صورت گرفته است. اما کمتر کسی اقدام به کار بر روی پیکره های فارسی کرده است. در این مقاله پیکره ای شامل 3702 جملخ از 6 کلاس احساس خوشحالیف عصبانیت، خنثی، ناراحتی، تنفر و ترس تهییه شده است. و روش های گوناگونی جهت تعیین احساس از روی یک جمله متنی به زبان فارسی به کار گرفته شده است. با بررسی نتایج بدست آمده متوجه میشویم که عملکرد برنامه در صورت استفاده از رویکرد مبتنی بر پیکره مطلوب است و دارای حداکثر دقت 78/85% و زمان بسیار کوتاه آموزش می باشد.

کلید واژه ها: پردازش زبان طبیعی، مدل زبانی، تحلیل معنایی، یادگیری ماشین، complement naive bayes

 

3-نگرشی جدید به تحلیل عبارت های اسمی هم مرجع

چکیده: پردازش زبان طبیعی شامل وظایفی همچون استخراج اطلاعات ، خلاصه سازی متن، پرشس و پاسخ می باشد که  همگی نیاز دارند تا تمام اطلاعاتی که در مورد یک موجودیت در متن وجود دارد را شناسایی نماید. بنابراین وجود سیستمی که بتواند موضوع تحلیل عبارت های اسمی هم مرجع را بررسی نماید . کمک شایانی به انجام موفقیت آمیز این وظایف خواهد نمود. ما در این مقاله سعی داریم تا به طور دقیق فرایند تحلیل مرجع مشترک را بررسی نماییم. در همین راستا نیز فرآیند مشابه دیگری تحت عنوان تحلیل پیشایند را نیز مطالعه خواهیم نمود. امید داریم تا با بررسی این فرآیند و مقایسه ی شباهت ها و تفاوت ها ی آنها، به نگرشی جدید در مورد تحلیل عبارت های اسمی هم مرجع برسیم.

کلمات کلیدی: پردازش زبان طبیعی، استخراج اطلاعات، تحلیل مرجع مشترک، تحلیل پیشایند

 

4- ایجاد و انتشار زیر ساخت وب معنایی برای قرآن کریم

چکیده: زبان شناسی رایانه ای در سال های اخیر به یکی از دقدقه های اساسی محققان و پژوهشگران حوزه کامپیوتر و زبان شناسی تبدیل شده است. استفاده از رایانه و ابزار های هوشمند باعث شده است که بتوان بسیاری از کارهای مرتبط با پردازش متن را با سرعت بالا و دقت قابل توجهی انجام داد. پردازش زبان طبیعی در حوزه متن به پردازش پیکره های متنی در واقع نمادی از زبان هستند که با هدف خاصی تولید گردیده است می توان با تحلیل آنها به استخراج اجزا قواعد و ساز و کار زبان پی برد و در مرحله بعد با فناوری و غنی سازی متون  و یا بکار گیری فناوری های رایانه ای محیط پژوهشی مناسبی را در ارائه محتوای این متون به گونه ای کارآمد ایجاد نمود.

 

کلید وازه ها: پردازش زبان طبیعی، پیکره، وب معنایی، قرآن کریم، RDF

 

5-بررسی روشهای متن کاوی درحوزه یادگیری الکترونیکی به منظور ارائه مدلی جهت استخراج اطلاعات

چکیده:متن کاوي آشکار کردن اطلاعات پنهان با استفاده از روشی است که در یک طرف توانايی مقابله با تعداد زيادي کلمات و ساختارهايی در زبان طبیعی را نشان می دهد و از طرف ديگر اجازه مديرت ابهام و شک را میدهد. متن کاوي حوزهي مهم در پژوهش است که کشف طلاعات ناشناخته را،بهوسیله استخراج خودکار طلاعات از منابع مختلف متنی ممکن میسازد. مقدار بسیارزياد اطلاعاتی که درمتونبهصورت ساختن يافته ذخیره شدهاست، براي امکان پردازش به وسیله متن کاوي، به صورت دنباله هاي سادهي رشتهاي تبديل میشوند.بنابراين،روشهاوالگوريتم هاي به خصوصی براي پردازش واستخراج الگوهاي مفیدمورد نیاز است. علاوه بر اين، متن کاوي عموماً به استخراج اطلاعات و دانش مورد نظر از متون ساخت نايافته میپردازد. روش تحقیق در اينکار بدين صورت است که ابتدا به بررسی پژوهش هاي انجام شده در حوزه متن کاوي با تأکید بر روش ها و کاربردهاي آن در آموزش الکترونیکی پرداخته شد. درطی اين مطالعات، پژوهش هاي مرتبط در حوزه آموزش الکترونیکی طبقه بندي گرديدند. پس از طبقه بندي پژوهش ها، مسائل و راهکارهاي مرتبط با مسائل مطرح شده در آن کارها، استخراجشدند. در همین راستا، در اين مقاله ابتدا به تعريف متنکاوي پرداخته می شود . سپس فرايند متن کاوي و حوزه هاي کاربرد متن کاوي در آموزش الکترونیکی مورد بررسی قرار میگیرند. در ادامه روشهاي متنکاوي معرفی شده، و تک تک اين روشها در حوزه آموزش الکترونیکی مطرح میگردد. در انتها ضمن استنتاج نکات مهم مطالعات انجام شده، مدلی جهت استخراج اطلاعات براي بهره برداري از روش هاي متن کاوي در يادگیري الکترونیکی پیشنهاد میشود. 6-ارزیابی سیستماتیک متون دانشجویان در کلاس های مجازی آنلاینچکیده: عدم تعاملات و ارتباط مستقیم اساتید و دانشجویان منجر به عدم تمرکز ایشان در کلاس های مجازی می شود .از آنجا که ارزیابی همواره ابزار مناسبی برای ایجاد تمرکز و مشارکت دانشجویان بوده است منطقی است که به دنبال ابزاری جهت برآورد میزان مشارکت دانشجویان در کلاس های آنلاینباشیم. در این مقاله سعی داریم با استفاده از روش های متن کاوی ، پردازش زبان طبیعی و ترجمه ماشینی به الگوریتمی جهت ارزیابی متون وارد شده از سوی دانشجویان و تخصیص امتیاز به هر متن دست یابیم و بتوانیم پس از پایان کلاس با محاسبه، ثبت و اعلام برآورد امتیازات هر دانشجو به یک ارزیابی از میزان مشارکت مفید دانشجو درکلاس های آنلاین دست یابیم. 7-مروری بر روش های خلاصه سازی خودکار متون چکیده : امروزه پردازش زبان طبیعی در زمینه های گوناگون نظیرخلاصه سازهای خودکار ومترجم های ماشینی1،توجه زیادی را به خود جلب نموده اند .در زبان فارسی هم مانند سایرزبانهای دیگر دنیا تلاش هایی در زمینه ساخت ابزارهای خلاصه سازی صورت گرفته است .تمرکز محققان بر ارایه روشهایی متمرکز است که بتواند خلاصه هایی پر محتوا، سلیس و روان نسبت به روشهای خلاصه سازی پیشین ارایهدهند. خلاصه سازی یک مهارت نگارشی به شمار میرود، که هدف از ایجاد سیستم خلاصه سازاتوماتیک تقلید کلیه مراحل است.که توسط عامل انسانی انجام میشود، بدین صورت که متن به طور کامل خوانده و فهمیده شود و با تشخیص و تفکیک قسمتپ های مهم و غیرمهم متن، نسخه خلاصه شده متن اصلی تولید گردد .هدف از خلاصه سازی خودکار سند، تولید یک نسخه مختصرتر از سند اصلی توسطیکبرنامهرایانه ای به نحوی که ویژگی ها و نکات اصلی سند اولیه حفظ شود . بنابر تعریف ارائه شده در استاندارد 212 ISO  خلاصه " یک بازگویی مختصر از سند " می باشد . روش های تولید خلاصه را با توجه به  انواع دیدگاه های مختلف خلاصه سازی می توان به چندین دسته تقسیم بندی نمود، به عنوان مثال روش تولید خلاصه تک سندی و چند سندی، تک زبانه و چند زبانه، مبتنی بر تعامل با کاربر و  غیر مبتنی برتعامل با کاربر...یکن با توجه به اهمیت فاکتور خروجی تولید خلاصه در این مقاله به بررسی روش های تولید خلاصه گزینشی ( استخراجی )و چکیده ای (مفهومی) پرداخته می شود.  8-بررسی انواع منابع دارای ساختار و منابع بدون ساختار و پیش پردازش های ابهام زدایی مفهوم کلمات در پردازش زبان طبیعی چکیده: دانش مهمترین بخش ابهام زدایی مفهوم کلمات است. این دانش ها می توانند در شکل های گوناگون و به صورت یک مجموعهاز متون باشند که در آن مفهوم کلمه برچسب گزاری شده است. پایگاه دانش یک مجموعه از متن، برچسب ها و توضیحات در جهت تشخیص مفهوم کلمه است. مانند فرهنگ لغت قابل خواندن توسط ماشین ، شبکه معنایی، اصطلاحنامه و آنتولوژی. تقریبا از تمام این منابع در ابهام زدایی مفهوم کلمات استفاده می شود. کلیه منابع به دو دسته منابع دارای ساختار و منابع بدون ساختار تقسیم می شوند. جمله ورودی، یک متن بدون ساختار از اطلاعات است. برای کسب مفهوم صحیح کلمات باید بر روی آن پیش پردازش های ی انجام شود تا بتوانیم بستری را فراهم نماییم که بتوان بهترین مفهوم را بدست آورد. در این مقاله،منابع دارای ساختار و منابع بدون ساختار و پیش پردازش های ابهام زدایی مفهوم کلمات در پردازش زبان ط بیعی را مورد بررسی قرار می دهیم که بر اساس بررسی های انجام شده، استفاده از وردنت پیشنهاد می شود که یک منبع ضروری برای ابهام زدایی مفهوم کلمات است و یک منبع دارای ساختار می باشد. کلمات کلیدی:اصطلاحنامه، فرهنگ لغت های قابل خواندن توسط ماشین، آنتولوژی، وردنت، Corpora 9-مروری برجدیدترین تکنیک های جست وجوی معنایی در قرآنچکیده: در دنیای اطلاعاتی امروز جست و جوی معنایی در قرآن، به عنوان یکی از غنی ترین پیکره های متنی از اهمیت ویژه ای برخودار است. این کتاب مقدس، راهنمای مسلمانان در حوزه های مختلف دانش مانند: طبیعت ، شریعت ، تاریخ می باشد. با توجه به سبک منحصر به فرد قرآن و پراکندگی موضوعات و به سبب آن پراکندگی مفاهیم، نیاز مند توجهی خاص جهت جست و جو ی مفاهیم و معانی در آیات آن است. امروزه مطالعات بسیاری در زمینه ی ایجاد ساختاری مناسب جهت بازیابی آیات قرآن و تسهیل کاربران در جست و جو ی معنایی در آن انجام شده است . از جمله تکنیک های جست و جو ی معنایی که در حوزه ی قرآن استفاده شده است، آنتولوژی، شبکه ی واژگان و متدهای بازیابی اطلاعات بین زبانی می باشند . هدف این مقاله بررسی تحقیقات انجام شده در این حوزه است . در این راستا ابتدا تکنیک های نامبرده شرح داده می شو ن د سپس پژوهش هایی که این متدها را ه کار بسته اند معرفی می گرد ن د و در نهایت مقایسه ای بین کارهای انجام شده ارائه خواهد شد. کلمات کلیدی: آنتولوژی، جست وجوی معنایی، گروه مترادف ها، بازیابی اطلاعات بین زبانی

:: برچسب‌ها: مقاله فارسی , پردازش زبان طبیعی , water mark , تحلیل معنایی , یادگیری ماشین ,
:: بازدید از این مطلب : 82

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0

Procedia Computer Science 65 ( 2015 ) 778 – 786

(International Conference on Communication, Management and Information Technology (ICCMIT 2015)

 

Data Mining and Fusion Techniques for WSNs as a Source of the Big Data

 

Mohamed Mostafa Fouada,b,e,f, Nour E. Oweisb,e, Tarek Gaberb,c,e,f, Maamoun Ahmedd, Vaclav Snaselb

 

Abstract :

The wide adoption of the Wireless Senor Networks (WSNs) applications around the world has increased the amount of the sensor data which contribute to the complexity of Big Data. This has emerged the need to the use of in-network data processing techniques which are very crucial for the success of the big data framework. This article gives overview and discussion about the state-of-theart of the data mining and data fusion techniques designed for the WSNs. It discusses how these techniques can prepare the sensor data inside the network (in-network) before any further processing as big data. This is very important for both of the WSNs and the big data framework. For the WSNs, the in-network pre-processing techniques could lead to saving in their limited resources. For the big data side, receiving a clean, non-redundant and relevant data would reduce the excessive data volume, thus an overload reduction will be obtained at the big data processing platforms and the discovery of values from these data will be accelerated. c 2014 The Authors. Published by Elsevier B.V. Peer-review under responsibility of Universal Society for Applied Research. Keywords: Wireless Sensor Networks; Big Data; Data Mining; Data Fusion, Machine learning;

 

تکنیک های داده کاوی و تلفیق( ترکیبی) برای WSN ها به عنوان منبعی از کلان داده ها

 

چکیده:

میزان تطبیق پذیری بالای شبکات حسگری بی سیم[1]  در دنیا  باعث افزایش میزان حجم داده های حسگری شده است که منجر به ایجاد پیچیدگی در کلان داده ها[2] میشود. این پدیده باعث شده است تا نیاز به استفاده از تکنیک های پردازش داده های درون شبکه ای حس شود که این تکنیک ها برای بروز موفقیت در چارچوب[3] کلان داده ها ضروری هستند. در این مقاله درباره ی نوآوری تکنیک های داده کاوی و تلفیق داده هایی که به طور ویژه برای شبکات حسگر بی سیم بوده اند, بحث و بررسی میشود. این تحقیق این مطلب را بررسی میکند که چطور این تکنیک ها می توانند داده های حسگری درون شبکه را آماده کننده (قبل از اینکه هر گونه پردازشی به عنوان کلان داده روی آنها صورت بگیرد.) این مسئله هم برای  WSN مهم است و هم برای چارچوب کلان داده ها. برای WSN, تکنیک های پیش پردازشی درون شبکه ای می تواند به منزله ی راهی برای صرفه جوی در منابع محدودشان باشد. واز دیدگاه کلان داده ها, دریافت داده های تمیز(پالایش شده), بدون افزونگی و داده های مرتبط باعث کاهش حجم داده های اجرایی شود و از این رو در پلت فرم های پردازش کلان داده ها کاهش سرباری به وجود می آید و در کشف و یافتن[4] مقادیر در این داده ها, شتاب به وجود می آید.

کلمات کلیدی: شبکه های حسگر بی سیم؛ اطلاعات بزرگ؛ داده کاوی؛ داده های تلفیقی، یادگیری ماشین

[1] WSNs

[2] Big data

[3] Frame work

[4]  Discovery

:: برچسب‌ها: شبکه های حسگر بی سیم , اطلاعات بزرگ , داده کاوی , داده های تلفیقی , یادگیری ماشین , Data Mining and Fusion Techniques for WSNs as a Source of the Big Data ,
:: بازدید از این مطلب : 167

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0

مبانی یادگیری ماشین از دانشگاه کالیفرنیا

آیا می خواهید پردازش داده ها را در مقیاس های بزرگ بیاموزید؟

 آیا نیاز به استفاده از مدل های پیش بینی دارید اما با شیوه  استفاده از نرم افزارهای  مناسب و جدید روز در این زمینه آشنا نیستید؟

این دوره شما را با کاربا نرم افزار های جدید و پیشرفته در زمینه یادگیری ماشین مانند KNIME  و SPARK آشنا می نماید و قادر به شرح و بکارگیری تکنیک های خوشه بندی و الگوریتم های طبقه بندی جدید خواهید بود.

مدرسان این دوره

 دکتری کامپیوتر و مدیر مرکز پیشبینی و تجزیه و تحلیل ابرکامپیوتر ها از دانشگاه کالیفرنیا: Natasha Balac

 دکتری مدلسازی با کامپیوتراز دانشگاه کالیفرنیا : Paul Rodriguez 

عناوین این بخش:

درس اول: یادگیری ماشین و داده های بزرگ

درس دوم: داده کاوه در یادگیری ماشین 

درس سوم: آغاز به کار با   KNIME

درس چهارم: کار با داده های نمونه

:: برچسب‌ها: داده های بزرگ , یادگیری ماشین , KNIME , داده کاوی ,
:: بازدید از این مطلب : 73

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0

يک اتوماتاي يادگير را مي‌توان بصورت يک شئ مجرد که داراي تعداد متناهي عمل است، در نظر گرفت. اتوماتاي يادگير با انتخاب يک عمل از مجموعه عمل¬هاي خود و اِعمال آن بر محيط، عمل مي‌کند. عمل مذکور توسط يک محيط تصادفي ارزيابي مي‌شود و اتوماتا از پاسخ محيط براي انتخاب عمل بعدي خود استفاده مي‌کند. در طي اين فرايند اتوماتا ياد مي‌گيرد که عمل بهينه را انتخاب نمايد. نحوه استفاده از پاسخ محيط به عمل انتخابي اتوماتا که در جهت انتخاب عمل بعدي اتوماتا استفاده مي‌شود، توسط الگوريتم يادگيري اتوماتا مشخص مي‌گردد. يک اتوماتاي يادگير از دو قسمت اصلي تشکيل شده است:

1-      يک اتوماتاي تصادفي با تعداد محدودي عمل و يک محيط تصادفي که اتوماتا با آن در ارتباط است.

2-      الگوريتم يادگيري که اتوماتا با استفاده از آن عمل بهينه را ياد مي‌گيرد.

فهرست  :  

تعریف یادگیری

تاریخچه اتوماتای یادگیر

تقسیم بندی اتوماتاها

محیط  Enviroment

رابطه بین اتوماتای یادگیر و محیط

مدل های محیط

معیارهای رفتار اتوماتای یادگیر

الگوریتم یادگیری

انواع اتوماتاهای یادگیر

انواع اتوماتاهای یادگیر با ساختار ثابت

اتوماتای یادگیر با ساختار متغیر

ويژگي‌هاي اتوماتاهاي يادگير

 محدودیت ها  اتوماتاهاي يادگير

اتوماتاي يادگير توزيع شده

:: برچسب‌ها: اتوماتای یادگیر هوش مصنوعی , هوش ماشین , هوش مصنوعی , کاربرد های هوش مصنوعی , کنفرانس هوش ماشین , یادگیری ماشین , پایان نامه یادگیری ماشین , پاورپوینت هوش ماشین , کاربرد های هوش ماشین , اتوماتای یادگیری , کاربرد اتوماتای یادگیری , پاورپوینت اتوماتای یادگیر هوش مصنوعی , تحقیق در مورد یادگیری ماشین , تحقیق هوش مصنوعی , پروژه هوش مصنوعی , کاربرد های هوش مصنوعی در زندگی بشری , ایا هوش مصنوعی مفید است , مضرات هوش ماشین , خطرات هوش ماشین , نقاط قوت رباتیک و هوش ماشین , رباتیک , کاربرد علم رباتیک , هوش مصنوعی و رباتیک , پاورپوینت تحقیق و مقاله کامل درمورداتوماتای یادگیر هوش مصنوعی (تعداد صفحات60 اسلاید)با ,
:: بازدید از این مطلب : 90

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0