دانلود حل مسائل یادگیری ماشین با پایتون بخش 2

حل مسائل یادگیری ماشین با پایتون بخش 2

فرمت فایل دانلودی: .zip
فرمت فایل اصلی: ipynb, pdf, csv
تعداد صفحات: 15
حجم فایل: 415 کیلوبایت
قیمت: 160000 تومان

توضیحات:

حل مسائل یادگیری ماشین با پایتون بخش 2.

7-دادهQ7_data.csvرا در نظر بگیرید.70درصد داده را برای آموزش و30درصد دادهرا برای تست در نظر بگیرید.یک مدل براساس رگرسیون خطی ایجاد کنید وپس از آموزش این مدل

(الف) معیار خطاMAEوRMSEرا براساس داده های تست به دست آورید.
(ب)میزان اهمیت ویژگیهای ورودی (F1,F2,F3)را تخمین خروجی به دست آورید (ضرایب این ویژگی در مدل رگرسیون خطی)
8-یک شبکه عصبی پرسپترون چند الیه با سه ورودی،4نرون در لایه پنهان و یک نرون در لایه خروجی در نظر بگیرید.مشابه با مساله قبل، شبکه عصبی را بر رویداده مساله قبل (Q7_data.csv)اعمال کنید
(الف)معیار خطاMAEوRMSEرا براساس داده های تست به دست آورید(نرخ یادگیری را0.2در نظر بگیرید).
(ب)معیارهای بخش الف را برای نرخ های یادگیری زیر به دست آوریدو نتیجه را در جدولارائه کنید و به صورت نمودار هم رسم کنید

9-مجموعه داده ایPV_Data.csvرا در نظر بگیرید.در این مجموعه داده ای اطلاعات کنتورهای هوشمندبرق تعدادی مشتری ارائه شده است.داده های این جدول بر اساس کیلووات بر ساعت است.هدف این است که بر اساس این داده ها تشخیص دهیم آیا یک مشتری از برق فتوولتاییک (برق با استفاده از پنل خورشیدی) استفاده می کند یا خیر؟ اطلاعات ورودی شامل پنج ویژگیBattery،Load، Generation،GridوSOCاست. جزییات این پنج ویژگی در زیر ارائه شده است.

پرداخت با کلیه کارتهای عضو شتاب امکان پذیر است.

دانلود سایر پروژه

دانلود حل مسائل یادگیری ماشین با پایتون بخش 2

حل مسائل یادگیری ماشین با پایتون بخش 2

فرمت فایل دانلودی: .zip
فرمت فایل اصلی: ipynb, pdf, csv
تعداد صفحات: 15
حجم فایل: 415 کیلوبایت
قیمت: 160000 تومان

توضیحات:

حل مسائل یادگیری ماشین با پایتون بخش 2.

7-دادهQ7_data.csvرا در نظر بگیرید.70درصد داده را برای آموزش و30درصد دادهرا برای تست در نظر بگیرید.یک مدل براساس رگرسیون خطی ایجاد کنید وپس از آموزش این مدل

(الف) معیار خطاMAEوRMSEرا براساس داده های تست به دست آورید.
(ب)میزان اهمیت ویژگیهای ورودی (F1,F2,F3)را تخمین خروجی به دست آورید (ضرایب این ویژگی در مدل رگرسیون خطی)
8-یک شبکه عصبی پرسپترون چند الیه با سه ورودی،4نرون در لایه پنهان و یک نرون در لایه خروجی در نظر بگیرید.مشابه با مساله قبل، شبکه عصبی را بر رویداده مساله قبل (Q7_data.csv)اعمال کنید
(الف)معیار خطاMAEوRMSEرا براساس داده های تست به دست آورید(نرخ یادگیری را0.2در نظر بگیرید).
(ب)معیارهای بخش الف را برای نرخ های یادگیری زیر به دست آوریدو نتیجه را در جدولارائه کنید و به صورت نمودار هم رسم کنید

9-مجموعه داده ایPV_Data.csvرا در نظر بگیرید.در این مجموعه داده ای اطلاعات کنتورهای هوشمندبرق تعدادی مشتری ارائه شده است.داده های این جدول بر اساس کیلووات بر ساعت است.هدف این است که بر اساس این داده ها تشخیص دهیم آیا یک مشتری از برق فتوولتاییک (برق با استفاده از پنل خورشیدی) استفاده می کند یا خیر؟ اطلاعات ورودی شامل پنج ویژگیBattery،Load، Generation،GridوSOCاست. جزییات این پنج ویژگی در زیر ارائه شده است.

پرداخت با کلیه کارتهای عضو شتاب امکان پذیر است.

دانلود سایر پروژه

دانلود پاورپوینت توسعه شبکه های عصبی مصنوعی

پاورپوینت توسعه شبکه های عصبی مصنوعی

فرمت فایل دانلودی: .zip
فرمت فایل اصلی: ppt
تعداد صفحات: 33
حجم فایل: 484 کیلوبایت
قیمت: 50000 تومان

توضیحات:
پاورپوینت با موضوع توسعه شبکه های عصبی مصنوعی، در قالب ppt و در 33 اسلاید، قابل ویرایش.

بخشی از متن پاورپوینت:
ANNها:
معماری
یک ANN شامل مجموعه ای از Elementهای در حال پردازش (نرون) است که به عنوان یک گراف متصل تفسیر می شود که هر نود (نرون) i یک تابع انتقال fi را دربر دارد.

ANNها
به کلاس های انتشار روبه جلو و
بازگشتی مطابق اتصالشان تقسیم می شوند.
یادگیری در ANNها
یادگیری در ANNها به طور معمولی با استفاده از مثالهای آموزشی (training) صورت می گیرد، چون با سازگار کردن وزن های ارتباطی در شبکه های تکراری حاصل می شود.
یادگیری در ANNها به سه دسته تقسیم می شود:
یادگیری با ناظر (supervised learning)
یادگیری بدون ناظر (unsupervised learning)
یادگیری تقویتی (reinforcement learning)

فهرست مطالب:
مقدمه‏ای بر شبکه‏های عصبی
مقدمه‏ای بر الگوریتم‏های تکاملی
تکامل شبکه‏های عصبی مصنوعی
آموزش وزن‏ها
طراحی معماری
آموزش و طراحی معماری شبکه‏های عصبی
آموزش قوانین یادگیری

پرداخت با کلیه کارتهای عضو شتاب امکان پذیر است.

دانلود سایر پروژه

دانلود کد متلب ارایه روشی بهبود یافته برای بهینه سازی، بر مبنای الگوریتم ازدحام ماهیهای مصنوعی (AFSA)

کد متلب ارایه روشی بهبود یافته برای بهینه سازی، بر مبنای الگوریتم ازدحام ماهیهای مصنوعی (AFSA)

فرمت فایل دانلودی: .rar
فرمت فایل اصلی: .m
حجم فایل: 1 کیلوبایت
قیمت: 31500 تومان

توضیحات:
کد متلب ارایه روشی بهبود یافته برای بهینه سازی، بر مبنای الگوریتم ازدحام ماهیهای مصنوعی (AFSA).

این فایل حاوی کد برنامه متلب برای پیاده سازی  یک الگوریتم جدید و بهبود یافته الگوریتم ازدحام ماهیهای مصنوعی با هدف بهبود مدل های شبکه عصبی و مقایسه آن با الگوریتم(PSO) می باشد.

الگوریتم ازدحام ماهی های مصنوعی (artificalt fish-swarm algrithm) الگوریتمی از نوع تکاملی ، ابتکاری و بر گرفته از تئوریهای هوش جمعی می باشد که از رفتار های اجتماعی کلونی های ماهی در طبیعت الهام گرفته است . الگوریتم AFSA یک تکنیک توسعه یافته از الگوریتم ژنیک است و تا حدودی ساختار و مفاهیم پایه ای مشابه مانند کروموزوم،ژن، جمعیت، تکامل ، جهش و...در هر دوی آنها موجود است. ازویژگی ها و مزایای نسبی تکنیک AFSA میتوان به انعطاف پذیری و تحمل پذیری خطای بالا، عدم حساسیت به مقادیر اولیه و سرعت همگرایی بالا اشاره کرد. الگوریتم ازدحام ماهی ها، بطور ویژه ، در کاربردهای بهینه سازی، مانند آموزش شبکه های عصبی پیشرو ، بهینه سازی ترکیبی و تخمین پارامترها استفاده می شود.

این محصول، کد برنامه متلب برای پیاده سازی یک الگوریتم جدید و بهبود یافته الگوریتم ازدحام ماهیهای مصنوعی است و هدف آن بهبود مدل های شبکه عصبی، در مقایسه با الگوریتم بهینه سازی ازدحام ذرات ((PSO میباشد .ابتدا دو الگوریتم PSO و AFSA با شخصات اصلی زیر تعریف شده:
* برای دستیابی به مقاسیه ای منصفانه ، تعداد جمعیتها (20) و دوره های تکرار(200) برای هر دو الگوریتم یکسان در نظر گرفته شده .
* برای تولید ذرات وتعیین سرعت اولیه در هر دو الگوریتم از روش مقداردهی تصادفی استفاده شده، که در است که برای انجام مراحل بهینه سازی، تابع نمونه (f (x بهمراه متغیرها یی با مقادیر آزمایشی بعنوان ورودیهای شبکه ، تعریف شده. تابع و مقادیر متغیرهای ورودی با توجه به سناریو قابل تغییر است.). در نهایت ، کدنویسی برای شبیه سازی هر دو الگوریتم انجام گرفته.
چون در اینگونه الگوریتمها ، مقداردهی برای تولید ذرات اولیه بصورت random صورت میپذیرد،در هر بار اجرا نتایج بدست آمده با توجه به تغییر مقادیر پارامترهای ورودی ، تغییر خواهد کرد. لذا ، برای بررسی عملکرد ، باید برنامه را دفعات مشخصی اجرا کنیم ، در نهایت با روش شمارش نتایج شاخص fitness و یا معدل گیری از نتایج ، عملکرد را بررسی کنیم. مسلما" هر چه تعداد دفعات اجرا بیشتر شود، نتیجه حاصل شده ،از دقت بالاتری برخوردار خواهد بود.
برای نمونه ، برنامه 100 مرحله متوالی اجرا شد و نتایج بدست آمده برای شاخص شایستگی بررسی شد. عملکرد الگوریتم ازدحام ماهی مصنوعی پیشنهادی ، به روش شمارش نتایج نهایی ، در 61 مورد از 100 مورد اجرا، بهتر از الگوریتم استاندارد بهینه سازی ازدحام ذرات (pso) بدست آمد. تلاش شده برنامه دارای ساختاری روان و انعطاف پذیر داشته و وابستگیها سلسله مراتبی تعریف شود تا توسعه ساده آن برای سناریوهای مختلف بهینه سازی ، خصوصا" ارتقای عملکرد انواع مدلهای شبکه های عصبی با اعمال کمترین تغییرات ،فراهم شود. کدهای اصلی دارای کامنت انگلیسی میباشد.

برای اجرای برنامه، پس از خارج کردن فایل فشرده دانلودی از حالت فشرده، پوشه حاوی کدهای برنامه که شامل سه mfile میباشد را به current folder نرم افزار متلب کپی کنید و فایل با نام main.m را Run نمایید. نتایج محاسباتی در command window و نتایج گرافیکی مقایسه دو الگوریتم pso و AFSA است بصورت منحنی در پنجره فیگور نمایش داده میشود.

پرداخت با کلیه کارتهای عضو شتاب امکان پذیر است.

دانلود سایر پروژه

دانلود تحقیق شبکه عصبی مصنوعی

تحقیق شبکه عصبی مصنوعی

فرمت فایل دانلودی: .docx
فرمت فایل اصلی: docx
تعداد صفحات: 24
حجم فایل: 199 کیلوبایت
قیمت: 60000 تومان

توضیحات:
تحقیق با موضوع شبکه های عصبی مصنوعی، در قالب فایل Word و در حجم 24 صفحه، همراه با فهرست منابع.

بخشی از متن:
در حالت کلی، یک شبکه عصبی زیستی از مجموعه یا مجموعه‌ای از نورون‌های به صورت فیزیکی به هم متصل یا از لحاظ عملکردی به هم وابسته تشکیل شده‌است. هر نورون می‌تواند به تعداد بسیار زیادی از نورون‌ها وصل باشد و تعداد کل نورون‌ها و اتصالات بین آن‌ها می‌تواند بسیار زیاد باشد. اتصالات، که به آن‌ها سیناپس گفته می‌شود، معمولاً از آکسون‌ها و دندریت‌ها تشکلیل شده‌اند. هوش مصنوعی و مدل سازی شناختی سعی بر این دارند که بعضی از خصوصیات شبکه‌های عصبی را شبیه سازی کنند. این دو اگرچه در روش‌هایشان به هم شبیه هستند اما هدف هوش مصنوعی حل مسائل مشخصی است در حالی که هدف مدل سازی شناختی ساخت مدل‌های ریاضی سامانه‌های نورونی زیستی است. روشی برای محاسبه است که بر پایه اتصال به هم پیوسته چندین واحد پردازشی ساخته میشود. شبکه از تعداد دلخواهی نرون تشکیل میشود که مجموعه ورودی را به خروجی ربط میدهند. هر نورون می‌تواند به تعداد بسیار زیادی از نرون‌ها وصل باشد و تعداد کل نرون‌ها و اتصالات بین آن‌ها می‌تواند بسیار زیاد باشد.(Hagan, Demuth, & Beale, 1996)

فهرست مطالب:
مقدمه‌   
هوش‌ مصنوعی‌ و هوش‌ انسانی‌   
شبکه‌های عصبی زیستی   
تاریخچه شبکه‌های عصبی مصنوعی   
شبکه عصبی   
نورون مصنوعی   
شبکه عصبی مصنوعی(ANN)   
ساختار شبکه‌های عصبی   
تقسیم بندی شبکه‌های عصبی   
قابلیت های شبکه عصبی   
کاربرد شبکه‌های عصبی   
انواع شبکه عصبی   
شبکه عصبی پرسپترون   
پرسپترون تک لایه   
یادگیری یک پرسپترون   
توابع بولی و پرسپترون   
شبکه عصبی هاپفیلد   
شبکه عصبی همینگ   
شبکه عصبی تأ خیر زمانی   
شبکه انتشار رو به عقب   
معایب شبکه‌های عصبی   
استفاده از شبکه های عصبی مصنوعی در تکمیل، انگیزش و طراحی مخازن نفت و گاز   
روشهای شبکه عصبی برای پیش بینی تولید چاه نفت   
شبکه های عصبی و کاربرد آنها در مهندسی کنترل
References

پرداخت با کلیه کارتهای عضو شتاب امکان پذیر است.

دانلود سایر پروژه