یادگیری ماشین
عنوان پایان نامه: یادگیری ماشین (Machin learning)
پروژه پایانی دوره کارشناسی - رشته مهندسی نرم افزار
قالب بندی: word
تعداد صفحات: 172
فهرست مطالب:
1. فصل 1 یادگیری ماشین
1-1 چکیده
1-2 یادگیری چیست؟
1-3 نگاهی به فردا
1-4 یادگیری ماشین
1-4-1 هدف
1-5 ماشین یادگیرنده
1-5-1 روند تکاملی ماشین های یادگیرنده
1-5-2 انواع ماشین های یادگیرنده
1-5-3 اجزاء ماشین های یادگیرنده
1_5_4 مشکلات ماشین های یادگیرنده
1-6 روشهای یادگیری عامل
1-7 مسائل اساسی یادگیری
1-8 روند عملیاتی
1-9 قوانین یادگیری
1-9-1 روش AQ11
1-9-2روش CN2
1-9-3 درخت تصمیم
1-10 طراحی یک سیستم یادگیری
1-10-1 انتخاب Training Experience
1-10-2 انتخاب تابع هدف
1-10-3 انتخاب نحوه نمایش تابع هدف
1-10-4 انتخاب الگوریتم شبیه سازی
1-10-5 طراحی نهایی
1-11 کاربردهای ماشین های یادگیرنده
1-12 تکنیک های یادگیری ماشین
1-12-1 درخت تصمیم گیری
1-12-2 شبکه های عصبی
1-12-3 منطق فازی
1-12-4 یادگیری از طریق منطق مخاسباتی
1-12-5 محاسبات تکاملی
1-12-5-1 الگوریتم ژنتیک
1-12-6 یادگیری تقویتی
فصل 2 داده کاوی
مقدمه
2-1 تعریف تئوریک از داده کاوی
2-2 جایگاه داده کاوی
2-2-1 چند واقعیت
2-3 مراحل یک فرایند داده کاوی
2-4 پایه های یک فرایند داده کاوی
2-5 کاربردهای داده کاوی
2-6 مقوله کاهش ابعاد داده
2-6-1 پروسه کشف دانش از پایگاه داده
2-6-2 ویژگی های KDD
2-6-3 استخراج داده ها
2-6-4 آماده کردن داده ها
2-6-5 مهندسی داده ها
2-6-6 مهندسی الگوریتم و تعیین استراتژی های کاوش
2-7 زبان های پرسشی داده کاوی
2-8 کلاسه بندی و پیشگویی داده ها
2-8-1 انواع روشهای کلاسه بندیگ
2-8-2 مراحل یک الگوریتم کلاسه بندی
2-8-3 ارزیابی روشهای کلاسه بندی
2-9 خوشه بندی
2-9-1 تعریف فرایند خوشه بندی
2-9-2 کیفیت خوشه بندی
2-9-3 روش ها و الگوریتم های خوشه بندی
2-9-4 دسته بندی ویژگی های الگوریتم های خوشه بندی
2-10 داده کاوی با استفاده از استنتاج و یادگیری بیزی
2-10-1 تئوری بیز
2-10-2 اصل طول توصیف مینیمم
2-10-3 الگوریتم Gibbs
2-10-4 طبقه بندی ساده بیزی
2-10-5 تخمین زدن احتمالات
2-10-6 الگوریتم EM
نتیجه گیری
فصل 3 شبکه های عصبی
مقدمه
3-1 تاریخچه
3-2 ایده پیدایش شبکه های عصبی
3-3 پباهن با مغز
3-4 روش کار نرون ها
3-5 مدل ریاضی
3-6 پیاده سازی های الکترونیکی نرون ها مصنوعی
3-7 عملیات شبکه های عصبی
3-8 آموزش شبکه های عصبی
3-9 آموزش تطبیقی
3-10 تفاوت شبکه های عصبی با روش های محاسباتی متداول و سیستم های خبره
3-11 انواع یادگیری برای شبکه های عصبی
3-11-1 باناظر
3-11-2 تشدیدی
3-12 زمینه‌ای در مورد perceptron
3-12-1 قدرت protron
3-12-2 دنباله های protron
3-13 قضیه بنیادی دنباله ها
3-14 کاربردهای شبکه های عصبی مصنوعی
3-15 مزیت شبکه های عصبی
3-16 قوانین فعال سازی
نتیجه
فصل 4 الگوریتم ژنتیک
مقدمه
4-1 الگوریتم ژنتیک چیست؟
4-2 طبیعت ایده اولیه
4-3 رابطه تکامل طبیعی با هوش مصنوعی
4-4 چارچوب کلی الگوریتم های ژنتیک
4-4-1 شرط پایان الگوریتم
4-5 روش های نمایش
4-6 عملگرهای الگوریتم ژنتیک
4-6-1 تابع سازگاری
4-6-2 انتخاب
4-6-3 CrossOver
4-6-4 موتاسیون ( جهش )
4-6-5 جایگزینی
4-7 مزایا و معایب
4-8 کاربردهای الگوریتم ژنتیک
4-8-1 نمونه ای از کاربرد در مسائل بهینه سازی مهندسی نفت
4-8-2 کاربرد الگوریتم ژنتیک در شبکه های عصبی
4-8-3 هایپر هیوریستیک
4-9 روند الگوریتم ژنتیک با یک نمونه ساده
نتیجه
