ترجمه شماره 11 - خوشه‌بندی سلسله‌مراتبی آنلاین

On-line hierarchical clustering

خوشه‌بندی سلسله‌مراتبی آنلاین

فرمت ترجمه مقاله : word – قابل ویرایش

تعداد صفحات ترجمه مقاله : 10 صفحه

دانلود اصل مقاله – رایگان

قیمت : ۱۵۰۰۰ تومان

 

چکیده

اکثر تکنیک‌های استفاده شده در ادبیات برای خوشه‌بندی سلسله‌مراتبی بر اساس عملیات آفلاین هستند. ایده‌ی اصلی این مقاله، پیشنهاد یک الگوریتم جدید برای خوشه‌بندی سلسله‌مراتبی آنلاین با یافتن k نزدیک‌ترین شی به هر شی معرفی شده تاکنون است و این k نزدیکترین شی به طور مداوم با رسیدن یک شی جدید بروزرسانی می‌شوند. در آخرین شی، ما اشیا و k نزدیکترین شی را داریم که مرتب شده‌اند تا دندوگرام سلسله‌مراتبی را تولید کنند. با استفاده از نتایج برنامه‌ی الگوریتم جدید بر روی داده‌های حقیقی و ترکیبی و استفاده از آزمایشات شبیه‌سازی، نشان می‌دهیم که تکنیک جدید کاملاً کاراست و از بسیاری جنبه‌ها، بهتر از روش‌های سلسله‌مراتبی آفلاین قدیمی است.

ترجمه شماره 10 - یک الگوریتم بهبود یافته برای خوشه‌بندی واحد آنلاین

An Improved Algorithm for Online Unit Clustering

یک الگوریتم بهبود یافته برای خوشه‌بندی واحد آنلاین

فرمت ترجمه مقاله : word – قابل ویرایش

تعداد صفحات ترجمه مقاله : 12 صفحه

دانلود اصل مقاله – رایگان

قیمت : 15000 تومان

چکیده

ما مسئله‌ی خوشه‌بندی واحد آنلاین که اخیراً در WAOA’06 معرفی کردیم را در یک بعد بررسی می‌کنیم: با داشتن یک دنباله از n نقطه روی خط، هدف، بخش‌بندی نقاط به حداقل تعداد زیرمجموعه‌هایی است که هر یک در یک بازه‌ی واحد قرار بگیرند. ما یک الگوریتم تصادفی‌شده‌ی آنلاین ارائه می‌کنیم که به نرخ رقابتی مورد انتظار 11/6 در مقابل حریفان فراموشکار دست می‌یابد و نرخ قبلی 15/8 را بهبود می‌بخشد. این کار، به سرعت منجر به حدود بالای بهبود یافته برای مسئله در دو بعد یا بیشتر می‌شود.

ترجمه شماره 9 – استخراج سلسله‌مراتبی ویژگی فضایی و زمانی با استفاده از خوشه‌بندی آنلاین بازگشت کننده

Hierarchical spatiotemporal feature extraction using recurrent online clustering

استخراج سلسله‌مراتبی ویژگی فضایی و زمانی با استفاده از خوشه‌بندی آنلاین بازگشت کننده

فرمت ترجمه مقاله : word – قابل ویرایش

تعداد صفحات ترجمه مقاله : 22 صفحه

دانلود اصل مقاله – رایگان

قیمت : 25000 تومان

مقدمه

یادگیری عمیق ماشین، یک چارچوب جامع برای استخراج ویژگی‌های معنادار از مشاهدات پیچیده به شیوه‌ای بدون نظارت فراهم می‌آورد. اکثریت معماری‌های عمیق یادگیری توصیف شده در ادبیات، اصولاً روی استخراج ویژگی‌های فضایی تمرکز دارند. با این حال، در دنیای واقعی، دریافت وابستگی‌های زمانی در مشاهدات برای ارجاع دقیق، حیاتی است. این مقاله، یک بهبود برای DeSTIN معرفی می‌کند که یک معماری عمیق یادگیری ترکیبی است که هر لایه‌ی آن شامل چندین نمونه از یک گره‌ی عادی است که برای نمایش الگوهای فضایی و زمانی در داده‌ها بر اساس یک الگوریتم خوشه‌بندی بازگشت کننده‌ی جدید یاد می‌گیرد. بر خلاف معماری‌های عمیق اصلی مثل شبکه‌هایی با اعتقاد قوی که آموزش لایه به لایه فرض می‌شود، هر گره در معماری پیشنهادی به طور مستقل و به موازات آموزش می‌بینند. به علاوه، جریان اطلاعات بالا به پایین و پایین به بالا، به ساده‌سازی شکل‌گیری ویژگی‌های غنی کمک می‌کند. یک تنظیم نیمه نظارت با دستیابی به نتایج جدید روی بنچ مارک طبقه‌بندی MNIST نشان داده می‌شود. یک پیاده‌سازی GPU بعداً با تأکید بر ویژگی‌های مقیاس‌پذیری چارچوب پیشنهادی بحث می‌شود.

نگاهی به چیستی کمیته اخلاقی هوش مصنوعی گوگل بعد از خریداری استارتاپ DeepMind

کمیته اخلاقی هوش مصنوعی گوگل در سال 2014 و درست زمانی ایجاد شد که این شرکت اقدام به خرید استارتاپ لندنی DeepMind (فعال در این حوزه) کرد و هنوز هم که هنوز است مشخص نشده اعضای این کمیته چه کسانی هستند.

گوگل این هیئت را به درخواست شرکت DeepMind و بعد از آن ایجاد نمود که بنیانگذاران این استارتاپ 400 میلیون پوندی اعلام کردند تنها در صورتی قرارداد فروش را امضا خواهند کرد که گوگل به اصول اخلاقی مربوط به این فناوری پایبند باشد.

سمینار شماره 2 – سمینار کارشناسی ارشد رشته مهندسی کامپیوتر – موضوع : فشرده سازی تصویر

سمینار کارشناسی ارشد مهندسی کامپیوتر

موضوع : فشرده سازی تصویر

فرمت فایل ها : WORD , PDF , POWERPOINT

تعداد صفحات فایل گزارش  : 74 صفحه

تعداد اسلایدهای فایل ارائه پاورپوینت : 36 اسلاید

سمینار مربوطه تمام قواعد نگارشی از جمله نیم فاصله ها ، فهرست مطالب ، فهرست اشکال ، فهرست جداول ، تورفتگی خط اول ، فاصله ها بین لبه های صفحه و … رعایت شده است.

قیمت : 48000 تومان

 

چکیده

در سال های اخیر، توسعه و تقاضا برای محصولات چند رسانه ­ای به سرعت رشد افزاینده­ای پیدا کرده است. این تقاضا برای کمک به محدودیت در پهنای باند شبکه و فضای ذخیره­ سازی می­باشد. بنابراین، نظریه فشرده­ سازی داده­ها برای کاهش افزونگی داده­ ها و کمک به صرفه ­جویی در فضای سخت­ افزاری و پهنای باند انتقال، بیشتر و بیشتر مورد توجه قرار گرفته است.]7[

در علوم کامپیوتر و تئوری اطلاعات، فشرده ­سازی داده­ها و یا کد کردن منابع، فرایند رمزگذاری اطلاعات با استفاده از بیت کمتر امکان­ پذیر می­باشد. اطلاعات دیجیتال را می توان، از هر نوعی که باشد، فشرده­ سازی[1] نمود. نحوه عملیات پردازش فشرده­ سازی، بسته به پهنای باند مورد نیاز برای انتقال داده ­ها، با حذف اطلاعات اضافی، امکان انتقال داده های بیشتری را در یک زمان واحد می دهد.

برای ذخیره‌سازی تصاویر باید حجم اطلاعات را تا جایی که ممکن است، کاهش داد و اساسا" تمام روش‌های فشرده‌سازی، کنار گذاردن بخش‌هایی از اطلاعات و داده‌ها است؛ و این ضریب یا نسبت فشرده‌سازی است که میزان و درصد کنار گذاشتن اطلاعات را مشخص می­کند.

از آنجایی که تصاویر دیجیتال نیازمند تعداد زیادی بیت برای نمایش هستند و در نمایش متعارف خود معمولا شامل مقدار قابل ملاحظه ­ای افزونگی می­باشند، تکنیک­ های فشرده سازی تصویر باعث کاهش تعداد بیت­های مورد­نیاز برای نمایش یک تصویر می­شود و این کار را به کمک افزونگی­ های آنها انجام می­دهد.]3[

فشرده‌سازی تصویر از این اصل مهم تبعیت می‌کند، که چشم انسان حد فاصل دو عنصر تصویری نزدیک به هم را یکسان دیده و تمایز آنها را نمی‌تواند تشخیص دهد. در مورد تصاویر متحرک، اطلاعات از یک فریمبه فریم دیگر فقط زمانی تغییر می­کند که اطلاعات پیکسل آن تغییر کرده باشد؛ یعنی اطلاعات زمینه ثابت و اطلاعات جسم متحرک به صورت مجزا ذخیره یا ارسال می­شود به این ترتیب اطلاعات زیادی که ثابت هستند فقط در یک فریم ثبت می­شوند و در فریم­های بعدی از آن استفاده می­شود .

امروزه روش‌هایی متعدد و پیشرفته برای فشرده‌سازی وجود دارد. فشرده­سازی را می توان به دو گروه عمده تقسیم نمود. با اتلاف[2] و بدون اتلاف[3]. در فشرده سازی بدون اتلاف ، تصویر ذخیره شده بدون از دست دادن کمترین داده­ای، خود تصویر است، اما در فشرده­سازی با اتلاف، تصویر ذخیره شده خود تصویر اصلی نیست، بلکه شبیه آن است، که اطلاعاتی را از دست داده است.

[1] Compression

[2] Lossy

[3] Lossless

ادامه مطلب را مشاهده نمایید...

پروژه شماره 9 - بررسی توابع فعالیت مختلف در شبکه پرسپترونی چند لایه برای کاربرد تقریب تابع - پیاده سازی متلب

بررسی توابع فعالیت مختلف در شبکه پرسپترونی چند لایه برای کاربرد تقریب تابع

شبکه هایی که از یک نرون ساخته شده اند، دارای محدودیت هایی می باشند. این شبکه ها توانایی پیاده سازی توابع غیرخطی را ندارند. به عنوان مثال توسط این شبکه ها نمی توان تابع XOR را پیاده سازی نمود.

برای حل این مشکل شبکه های دیگری پیشنهاد شد که به شبکه های پرسپترون چندلایه معروف است.

شبکه های پرسپترون چند لایه از یک لایه ورودی، تعدادی لایه پنهان و یک لایه خروجی تشکیل شده است.

در این شبکه ها شرایط زیر وجود دارد:

• نرون های هر لایه تنها به نرون های لایه بعدی متصل می باشند.

• هر نرون به تمامی نرون های لایه بعد متصل می باشد.

• نرون های لایه ورودی عملی را انجام نمی دهند و همگی وزنی ثابت و برابر یک دارند. این نرون ها تابع فشرده سازی ندارند. تمامی نرون ها به غیر از لایه ورودی جمع کننده بوده و هر نرون می تواند تابع فشرده سازی مستقلی داشته باشد.

• هر نرون می تواند دارای بایاس مستقل باشد.

• تعداد لایه های پنهان مشخص نمی باشد.

در شبکه های پرسپترون چندلایه، تعداد لایه های پنهان می تواند هر تعداد باشد. البته در بیشتر کاربردها یک لایه پنهان کفایت می کند. در برخی مواقع نیز دو لایه پنهان یادگیری را ساده تر می کند. در حالتی که تعداد لایه های پنهان بیش از یک لایه باشد باید الگوریتم های یادگیری را برای تمامی لایه ها تعمیم داد. روش عملی برای تخمین تعداد واحدها (نورون ها) در هر لایه پنهان در دست نیست. بدین منظور باید از روش های سعی و خطا استفاده کرد تا به مقدار میانگین خطای کل مطلوب رسید.

در این پروژه شبکه پرسپترونی چند لایه را برای کاربرد تقریب تابع پیاده سازی شده است.توابع داده شده در جدول از طریق واسط کاربری برای تابع فعالیت واحدها انتخاب می شود.در کاربرد تقریب تابع تعدادی نمونه آموزشی از تابع هدف ایجاد و در اختیار شبکه قرار داده می شود.

کد برنامه : متلب (Matlab)

گزارش پیاده سازی : ندارد

• در کاربرد تقریب تابع کاربر قادر می باشد تابعی را از یک مجموعه تابع از پیش تعریف شده در پروژه انتخاب کند.
• نمایش شکل تابع فعالیت بکار رفته و نمایش خطای شبکه در مرحله یادگیری
• نمایش تابع اصلی، داده های آموزشی تولید شده و تابع تقریب زده شده توسط شبکه

مجموع توابع پیاده سازی شده :

دریافت کامل کد برنامه( ایمیل خود را با دقت وارد نمایید)

قیمت : 25000 تومان

پروژه شماره8 - شبکه کوهونن یا خودسازمانده (SOM) - پیاده سازی متلب

شبکه کوهونن یا خودسازمانده  (SOM)

شبکه خودسازمانده برای تخمین توزیع داده های ورودی(تشخیص شکل داده های ورودی پیاده سازی شده است).

• شبکه کوهونن برای دو حالت یک بعدی و دو بعدی با اندازه متغیر پیاده سازی شده است.
• خروجی های شبکه خودسازمانده، نمایش روند یادگیری شبکه می باشد.

دریافت کامل کد برنامه( ایمیل خود را با دقت وارد نمایید)

قیمت : 15000 تومان

پروژه شماره 7 - شبکه همینگ – پیاده سازی متلب

شبکه همینگ

شبکه همینگ برای تشخیص شبیه ترین الگوی ذخیره شده به الگوی ورودی پیاده سازی شده است.

کد برنامه : متلب (Matlab)

گزارش پیاده سازی : ندارد

امکانات این پروژه عبارتست از :

• قابلیت ورود دستی داده ها وجود دارد.
• داده هایی از قبل آماده شده و امکان لود آنها در پروژه پیاده سازی شده است.
• قابلیت ورود داده های تصادفی و اعمال نویزهای مختلف به داده های ورودی وجود دارد.
• امکان ذخیره سازی و لود وزن ها و پارامترهای شبکه باید وجود دارد.

خروجی های شبکه همینگ عبارتند از:

• نمایش الگوهای ذخیره شده
• نمایش الگوی ورودی
• نمایش شبیه ترین الگو تعیین شده توسط شبکه

دریافت کامل کد برنامه( ایمیل خود را با دقت وارد نمایید)

قیمت : 25000 تومان

سمینار شماره 1 - سمینار کارشناسی ارشد رشته مهندسی کامپیوتر - موضوع : استگانوگرافی یا نهان نگاری

سمینار کارشناسی ارشد مهندسی کامپیوتر

موضوع : استگانوگرافی یا نهان نگاری

فرمت فایل ها : WORD , PDF , POWERPOINT

تعداد صفحات فایل گزارش  : 78 صفحه

تعداد اسلایدهای فایل ارائه پاورپوینت : 32 اسلاید

سمینار مربوطه تمام قواعد نگارشی از جمله نیم فاصله ها ، فهرست مطالب ، فهرست اشکال ، فهرست جداول ، تورفتگی خط اول ، فاصله ها بین لبه های صفحه و ... رعایت شده است.

چکیده

امروزه با پیشرفت و گسترش رایانه ­ها و شبکه ­های جهانی، تامین امنیت و تضمین عدم دسترسی غیر مجاز به اطلاعات محرمانه افراد و سازمان­های مختلف بیشتر از پیش احساس می­شود. از این رو در این گزارش سمینار، سعی شده است تا معرفی از روش نهان­ نگاری اطلاعات (استگانوگرافی[1]) ارائه کرده و روش­های مختلف آن را در سال­های اخیر بیان کنیم.

ادامه مطلب را مشاهده کنید ...

پروژه شماره 6 -دسته بندی داده های دو کلاسه با استفاده از پردازشگر پرسپترون و آدلاین - پیاده سازی متلب

 دسته بندی داده های دو کلاسه با استفاده از پردازشگر پرسپترون و آدلاین

داده ها دو بعدی و متعلق به دو کلاس مختلف هستند؛ که امکان ورود داده های مربوط به دو کلاس مختلف با استفاده از ماوس و با تعیین مختصات نقاط وجود دارد.

کد برنامه : متلب (Matlab)

گزارش پیاده سازی : ندارد

این پیاده سازی شامل موارد ذیل می باشد :

• امکان لود داده های از قبل ذخیره شده و یا ذخیره سازی داده های وارد شده توسط کاربر وجود دارد.
• امکان ورود دستی وزن های شبکه وجود دارد.
• امکان تولید تعداد دلخواه داده تصادفی با کلیک بر روی صفحه ورود داده وجود داشته، و واریانس، تعداد و کلاس نمونه ها از ورودی خوانده می شود.
• امکان تنظیم پارامترهای واحدهای پردازشگر و الگوریتم های یادگیری آنها از طریق واسط کاربری در اختیار کاربر قرار داده شده است.
• قابلیت ذخیره سازی و لود وزن های شبکه وجود دارد

دریافت کامل کد برنامه( ایمیل خود را با دقت وارد نمایید)

قیمت : 15000 تومان