دانلود و نمایش مقالات مرتبط با مقاله ترجمه شده یادگیری ماشین 2017::صفحه 1
بلافاصله پس از پرداخت دانلود کنید
نتیجه جستجو - مقاله ترجمه شده یادگیری ماشین 2017

تعداد مقالات یافته شده: 3
ردیف عنوان نوع
1 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
2 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
3 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
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی