دانلود و نمایش مقالات مرتبط با مقاله ترجمه شده یادگیری ماشین 2020::صفحه 1
دانلود بهترین مقالات isi همراه با ترجمه فارسی
نتیجه جستجو - مقاله ترجمه شده یادگیری ماشین 2020

تعداد مقالات یافته شده: 3
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
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi