دانلود و نمایش مقالات مرتبط با دانلود مقاله یادگیری ماشین با ترجمه فارسی::صفحه 1
دانلود بهترین مقالات isi همراه با ترجمه فارسی
نتیجه جستجو - دانلود مقاله یادگیری ماشین با ترجمه فارسی

تعداد مقالات یافته شده: 9
ردیف عنوان نوع
1 پیش بینی قیمت پایانی سهام با استفاده از روشهای یادگیری ماشینی
سال انتشار: 2020 - تعداد صفحات فایل pdf انگلیسی: 8 - تعداد صفحات فایل doc فارسی: 12
پیش بینی دقیق بازگشت های بازار سهام به دلیل ماهیت فرّار و غیرخطی بازارهای مالی بورس، کاری بسیار چالش انگیز است. اثبات شده است که با معرفی هوش مصنوعی و قابلیت های محاسباتی افزون، روشهای برنامه ریزی شده برای پیش بینی بورس در پیش بینی قیمت سهام کارآمدتر هستند. در این کار تحقیقی، از روشهای شبکه عصبی مصنوعی و جنگل تصادفی برای پیش بینی قیمت نهایی روز بعدی برای شرکتهای متعلق به بخشهای کاری مختلف استفاده شده است. از داده های مالی مربوط به قیمت های باز، بالا، پایین و نهایی سهام برای خلق متغیرهای جدیدی استفاده می شود که این متغیرها به عنوان ورودی های مدل به کار می روند. مدلها با استفاده از شاخص های راهبردی استاندارد RMSE و MAPE ارزیابی می شوند. مقادیر پایین این دو شاخص نشان می دهد که این مدلها در پیش بینی قیمت نهایی سهام کارآمد هستند.
کلیدواژه ها: رگراسیون جنگل تصادفی | شبکه عصبی مصنوعی | پیش بینی بازار سهام
مقاله ترجمه شده
2 پیش بینی قیمت بیت کوین با استفاده از یادگیری ماشین: یک رویکر برای مهندسی ابعاد نمونه
سال انتشار: 2020 - تعداد صفحات فایل pdf انگلیسی: 13 - تعداد صفحات فایل doc فارسی: 32
پس از فراز و فرودهای قیمت های ارزهای رمزنگاری شده در سال های اخیر، بیت کوین به صورت فزاینده ای به عنوان یک دارایی برای سرمایه گذاری در نظر گرفته شده است. به خاطر ماهیت بسیار بی ثبات قیمت بیت کوین، لازم است تا پیش بینی های مناسبی صورت گیرد تا، بر اساس آن، بتوان در مورد سرمایه گذاری تصمیم گیری نمود. با وجودی که تحقیقات جاری برای پیش بینی دقیق تر قیمت بیت کوین از یادگیری ماشین استفاده کرده اند، تعداد اندکی از آنها به امکان استفاده از تکنیک های مختلف مدل سازی برای نمونه هایی با ساختار داده ای و ویژگی های بعدی مختلف توجه کرده اند. به منظور پیش بینی بهای بیت کوین در فرکانس های مختلف با استفاده از تکنیک های یادگیری ماشین، ابتدا قیمت بیت کوین را بر اساس قیمت روزانه و قیمت فرکانس بالا طبقه بندی می کنیم. مجموعه ای از ویژگی های با ابعاد بالا از جمله دارایی و شبکه، معاملات و بازار، توجه و قیمت لحظه ای طلا برای پیش بینی قیمت روزانه بیت کوین استفاده می شود، در حالی که ویژگی های اصلی تجارت که از تبادل ارز رمزنگاری شده حاصل شده اند، برای پیش بینی قیمت در فواصل 5 دقیقه ای استفاده می شوند. روشهای آماری شامل رگرسیون لجستیک و آنالیز افتراقی خطی برای پیش بینی قیمت روزانه بیت کوین با ویژگی های ابعاد بالا، به دقت 66٪ رسیده و از الگوریتم های یادگیری پیچیده تر ماشین پیشی می گیرند. در مقایسه با نتایج مبنا برای پیش بینی قیمت روزانه، با بالاترین دقت در روش های آماری و الگوریتم های یادگیری ماشینی، به ترتیب 66٪ و 3/65٪، به عملکرد بهتری دست پیدا می کنیم. مدلهای یادگیری ماشینی، شامل جنگل تصادفی ،XGBoost، آنالیز افتراقی درجه دو، ماشین بردار پشتیبان و حافظه کوتاه مدت بلند برای پیش بینی قیمت 5 دقیقه ای بیت کوین که دقت آنها به 67.2% رسیده است، از روشهای آماری بهتر هستند. بررسی ما در مورد پیش بینی قیمت بیت کوین را می توان مطالعه ای مقدماتی در مورد اهمیت ابعاد نمونه در تکنیک های یادگیری ماشین در نظر گرفت.
کلمات کلیدی: مهندسی ابعاد نمونه | اصل Occam’s Razor | پیش بینی قیمت بیت کوین | الگوریتم های یادگیری ماشین
مقاله ترجمه شده
3 استفاده کردن از سنسور اشاره گر- زمان برای فعال نمودن فرا -یادگیری چند حالته نظارت نشده
سال انتشار: 2020 - تعداد صفحات فایل pdf انگلیسی: 9 - تعداد صفحات فایل doc فارسی: 30
همینطور داده به دست امده از IOT ( اینترنت اشیا) سنسور های قرار گرفته در همه جا, بیان آرایش صورت الگوریتم یادگیری ماشین چالش های زیادی در جهت استفاده کردن از داده سنسور دارد.برای فائق آمدن بر این چالش ها , روش هایی باید طراحی شود تا مستقیما از سنسور ها بیاموزد آن هم بدون هیچ گونه تفسیر دستی. این مقاله سنسور اشاره گر–زمانی را برای فرا-آگاهی نظارت نشده (STUM) معرفی می کند. از طریق تفاوت حاصل از رویکرد های یادگیری مبتنی بر خبر که هر دو وابستگی عمیقی به برچسب یا به ریخت و صورت غیر وابسته به زمان استخراج کردن فرضیات را انجام می دهد , همچنین خصوصیات توزیع گوسی ,سیستم STUM از رابطه زمان ورود به دفترچه راهنما ویژگی شکل گیری فضا درون و از طریق شرط استفاده می کند. این حقیقت که STUM از طریق وظایف کوچک متنوعی ممکن است این روش را در جایگاه فرا-یادگیری قرار دهد. از طریق تفاوت موجود در رویکردهای فرا –یادگیری, وظایف یادگیری STUM درون و از طریق شرط های چندگانه بر اساس نشانگر زمان که با جریان داده IOT ترکیب شده است. در یک یادگیری یا یادگیری سمعی بصری به عنوان مثال ارائه داد, زیرا چهارچوب های بصری به صورت پی در پی معمولا شامل شی مشابه است, این رویکرد یک راه واحد برای سازماندهی ریخت ها و ویژگی ها از طریق همان شی با هم تدارک می بیند.روش مشابه نیز می تواند شی بصری را با نام گذاری شی سازماندهی کند آن هم اگر نام بیان شده با شی و در محدوده زمانی مشابه ارائه شده باشد. سازمان دهی ریخت این حالت متقابل ممکن است علاوه بر کمک به سازمان دهی ریخت ها یا ترکیب های بصری که به تنهایی مشابه با اشیا است اما در مکان و زمان متفاوت به دست آمده نیز کمک کند. نتایج امیدبخش از طریق ارزیابی ها به دست آمده اند.
کلمات کلیدی: یادگیری از طریق سنسورها | AIoT | یادگیری با راهنمایی زمانی | پارادایم ها یا الگوهای یادگیری ماشین.
مقاله ترجمه شده
4 روش جدید پیش بینی پیوند سری های زمانی: روش اتوماتای یادگیر
سال انتشار: 2017 - تعداد صفحات فایل pdf انگلیسی: 16 - تعداد صفحات فایل doc فارسی: 27
پیش بینی پیوند یک چالش بزرگ در شبکه های اجتماعی است که از ساختار شبکه ای برای پیش بینی پیوندهای آتی استفاده می کند. روش های رایج پیش بینی پیوند برای پیش بینی پیوندهای مخفی از نمایش گراف ایستا استفاده می کنند که در آن تصویری از شبکه برای یافتن پیوندهای آتی یا مخفی مورد استفاده قرار می گیرد. برای مثال، پیش بینی پیوند مبتنی بر معیار تشابه، روش سنتی رایجی است که معیار تشابه را برای تمامی پیوندهای غیرمتصل محاسبه نموده، پیوندها را براساس معیارهای تشابه آنها مرتب نموده و پیوندهای با امتیاز تشابه بالاتر را به عنوان پیوندهای آتی برچسب گذاری می کند. از آنجاکه فعالیت های افراد در شبکه های اجتماعی، پویا و غیرقطعی است، و ساختار شبکه ها با گذشت زمان تغییر می کند، استفاده از گراف های قطعی برای مدلسازی و تحلیل شبکه ی اجتماعی نمی تواند روش مناسبی باشد. در مسأله ی پیش-بینی پیوند سری های زمانی، احتمال وقوع پیوند سری های زمانی برای پیش بینی پیوندهای آتی مورد استفاده قرار می گیرد. ما در این مقاله یک روش پیش بینی پیوند سری های زمانی مبتنی بر اتوماتای یادگیر را پیشنهاد می کنیم. در الگوریتم پیشنهادی برای هر پیوندی که قرار است پیش بینی شود، یک اتوماسیون یادگیری داریم و هر اتوماسیون یادگیری در تلاش است وجود یا عدم وجود پیوند متناظر را پیش بینی کند. برای پیش بینی احتمال وقوع پیوند در زمان T، یک دنباله ی متشکل از مراحل 1 تا T-1 داریم و اتوماسیون یادگیری این مراحل را می پیماید تا وجود یا عدم وجود پیوند مربوطه را بیاموزد. زمانیکه احتمال وقوع پیوند سری های زمانی را در نظر بگیریم، آزمایشات اولیه ی پیش بینی پیوند با شبکه های ایمیل و نویسندگی مشترک، نتایج رضایت بخشی را فراهم می آورد.
کلیدواژه ها: شبکه ی اجتماعی | پیش بینی پیوند | سری های زمانی | اتوماتای یادگیر
مقاله ترجمه شده
5 ترکیب دانش تخصصی با فراگیری ماشین براساس آموزش فازی
سال انتشار: 2017 - تعداد صفحات فایل pdf انگلیسی: 5 - تعداد صفحات فایل doc فارسی: 18
در این مقاله یک رویکرد آموزش فازی مبتنی بر تنظیم غیر خطی که تلاش آن به منظور ممانعت در طول آموزش است، معرفی می کند. ایده اصلی به منظور محدود کردن آموزش بدین منظور است که دانش تخصصی مبنا برای ساخت مدلی که هنوز هم قابل مشاهده است، بکار برده شود. اجرای این ایده با یک روش جدید تنظیم غیر خطی که برای هر نوع مجموعه داده¬ی آموزشی قابل اجراست، صورت گرفت. این روش با استفاده از مجموعه داده¬ی عملکرد محصول بزرگ (> 4500 محصول زراعی) برای چغندرقند که در مزارع کشاورزی در طی یک دوره 14 ساله (1976-1989) در شرق آلمان جمع آوری شده، اثبات است. این نرم افزار در SAMT2، نرم افزار رایگان و منبع گسترده، با استفاده از زبان برنامه نویسی پایتون اجرا گردید.
کلید واژه ها: مدل سازی فازی | دانش تخصصی | فراگیری ماشین | تنظیم غیر خطی | بهينه سازي | مدل سازی عملکرد
مقاله ترجمه شده
6 تصمیم گیری چند معیاره تصادفی خاکستری بر اساس تئوری پشیمانی و TOPSIS
سال انتشار: 2017 - تعداد صفحات فایل pdf انگلیسی: 14 - تعداد صفحات فایل doc فارسی: 34
اعداد خاکستری گسترده (EGNs)، یکپارچه شده با اعداد خاکستری گسسته و پیوسته، دارای پتانسیل زیادی برای نمایش عدم قطعیت بوده و در نتیجه برای حل مسائل تصمیم گیری چند معیاره همراه با عدم قطعیت، به طور گسترده مطالعه شده و کاربرد دارد. با در نظر گرفتن مسائل MCDM تصادفی با احتمالات بازه ای، ما یک روش MCDM تصادفی خاکستری بر اساس تئوری پشیمانی و تکنیک ترتیب ارجحیت به روش مشابه با راه حل تاپسیس پیشنهاد می کنیم که در آن، معیارهای ارزش به صورت EGN بیان می شوند. ما همچنین تابع مطلوبیت، تابع پشیمانی و تابع مطلوبیت ادراک شده برای EGN ها را تشکیل داده، گزینه ها را مطابق با تاپسیس کلاسیک رتبه بندی می کنیم. در نهایت، دو مثال را برای نشان دادن روش پیشنهادی بررسی می کنیم و مقایسات تحلیلی میان روش پیشنهادی و روش های موجود انجام می دهیم. مقایسه ها نشان می دهد که رویکرد پیشنهادی امکان پذیر و قابل استفاده بوده و روش جدیدی را برای حل مسائل تصادفی MCDM فراهم می کند. این روش نه تنها عقلانیت تصمیم گیرندگان را به طور کامل در نظر می گیرد، بلکه کاربرد نظریه پشیمانی را گسترش داده و آن را غنی تر می کند.
کلید واژه ها: تصمیم گیری چند معیاره تصادفی | اعداد خاکستری گسترده | احتمال بازه ای | تئوری پشیمانی | TOPSIS
مقاله ترجمه شده
7 یـک روش حــاشیـه نویسـی تطبیقـی برای مـوجـودیت هـای زیست پزشکـی و تشخیـص رابطـه
سال انتشار: 2016 - تعداد صفحات فایل pdf انگلیسی: 12 - تعداد صفحات فایل doc فارسی: 29
در این مقاله، ما تأثیر یادگیری تعاملی ماشین را نشان می دهیم: ما یک مجموعه داده ی تشخیص موجودیت زیست پزشکی را با استفاده از روش "انسان در حلقه" توسعه می دهیم. در تقابل با یادگیری ماشینی کلاسیک، روش های انسان در حلقه بر روی مجموعه های تست یا آموزش از پیش تعریف شده عمل نمی کنند، بلکه فرض می شود که ورودی انسانی با توجه به پیشرفت سیستم بصورت تکرارشونده عرضه می شود. در اینجا حین حاشیه-نویسی، یک مدل یادگیری ماشینی بر روی حاشیه نویسی قبلی ایجاد شده و جهت ارائه ی برچسب ها برای حاشیه نویسی بعدی استفاده می شود. به منظور نمایش اینکه چنین حاشیه نویسی تعاملی و تکرارشونده ای سرعت و کیفیت حاشیه نویسی مجموعه داده را افزایش می دهد، سه آزمایش انجام دادیم. در آزمایش اول، شبیه سازی تجربی حاشیه نویسی تکرارشونده را انجام داده و نشان دادیم که تنها تعداد انگشت شماری از چکیده های پزشکی جهت ایجاد پیشنهاداتی که سرعت حاشیه نویسی را بالا می برد، نیاز به حاشیه نویسی دارند. در آزمایش دوم، پزشکان بالینی یک مطالعه ی موردی در حاشیه نویسی اسناد بیماری مرتبط با پژوهش خود انجام دادند. آزمایش سوم، حاشیه نویسی روابط معنایی با یادگیری نمونه ی رابطه در سراسر اسناد را مورد بررسی قرار داد. این آزمایشات به مدل ما به لحاظ کیفی و کمّی اعتبار بخشید، و منجر به یک فناوری استخراج اطلاعات پاسخگو و شخصی تر شد.
کلمات کلیدی: حاشیه نویسی تعاملی | یادگیری ماشین | کشف دانش | داده کاوی | انسان در حلقه | تشخیص موجودیت زیست پزشکی | یادگیری رابطه.
مقاله ترجمه شده
8 پیشرفت‌های اخیر در طبقه¬بندی ترافیک اینترنت براساس یادگیری ماشین
سال انتشار: 2015 - تعداد صفحات فایل pdf انگلیسی: 8 - تعداد صفحات فایل doc فارسی: 24
با پیشرفت تکنولوژی و سیستم‌های ارتباطی، استفاده از اینترنت در نقش بسیار فوق‌العاده‌ای ظاهر شده است. این مسئله منجر به رشد نمایی داده و ترافیک در بستر اینترنت می‌شود. لذا دسته‌بندی ترافیک اینترنت به صورت درست و صحیح ناحیه پژوهشی جذابی است. طبقه‌بندی ترافیک یک ابزار بسیار محبوب در برابر سیستم‌ تشخیص اطلاعات است. اگرچه بسیاری از روش‌های برای طبقه‌بندی کارآمد ترافیک اینترنت توسعه داده‌شده‌اند اما در میان این روش‌های تکنیک یادگیری ماشین محبوبترین تکنیک است. یک نظرسنجی مختصر برروی انواع تکنیک‌های یادگیری ماشین نظارت‌شده و بدون نظارت بکارگرفته‌شده توسط پژوهشگران مختلف برای حل مسئله طبقه‌بندی ترافیک اینترنت مورد بحث قرار گرفته است. این مقاله انواع مسائل مختلف مرتبط با تکنیک یادگیری ماشین که ممکن است به پژوهش‌های جالبی برای کارهای آینده در این راستا کمک کند، را ارائه می‌دهد.
کلمات کلیدی : اینترنت | تکنیک یادگیری ماشین | طبقه‌بندی ترافیک
مقاله ترجمه شده
9 چالش تفکیک و تشخیص سخنرانی CHIME دوم: مجموعه داده‌ها، وظایف و مبناها
سال انتشار: 2013 - تعداد صفحات فایل pdf انگلیسی: 5 - تعداد صفحات فایل doc فارسی: 18
تشخیص خودکار گفتار (ASR) دور از میکروفون هنوز هم به عنوان یک هدف چالش‌برانگیز در محیط‌های روزمره از جمله منابع پس‌زمینه متعدد و پژواک، باقی مانده است. این مقاله مایل است تا به مرجعی در زمینه چالش CHiME دوم تبدیل شده و بصورت ابتکار عملی درآید که برای تحلیل و ارزیابی کارایی سیستم‌های ASR در محیط‌های داخلی دنیای واقعی طراحی شده است. دو مسیر (Track) جداگانه پیشنهاد شده است: یک وظیفه مجموعه واژگان کوچک با جابجایی کم گوینده و یک وظیفه مجموعه واژگان متوسط بدون جابجایی گوینده. ما درباره منطق چالش فوق بحث کرده و یک توضیح با جزئیات از مجموعه داده‌ها، وظایف و نتایج کارایی پایه را برای هر مسیر ارائه می‌دهیم.
کلمات کلیدی: ASR نویز قوی | چالش CHiME
مقاله ترجمه شده
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi