پروژه های آماده یادگیری ماشین (Machine learning)

نمایش 10–18 از 49 نتیجه

28%

پیش‌بینی بیماری قلبی با استفاده از داده‌های UCI و یادگیری ماشین در پایتون
موضوع این پروژه آماده، پیش‌بینی بیماری قلبی با استفاده از داده‌های UCI و یادگیری ماشین در پایتون می باشد. UCI Heart Disease مقدمه در این پروژه، هدف پیش‌بینی وجود بیماری قلبی مبتنی بر داده‌های پاکسازی‌شده مجموعه «Heart Disease» از منبع معتبر UCI است. این مجموعه داده شامل اطلاعات پزشکی افراد مختلف، از جمله سن، وضعیت فشار خون، غلظت کلسترول، نوع درد قفسه سینه، نتایج تست‌های مربوط به قلب و دیگر ویژگی‌های بالینی است. مسأله اصلی، مدل‌سازی و تشخیص این بیماری به صورت دوکلاسی (داشتن یا نداشتن بیماری قلبی) است؛ به گونه‌ای که بتوان بر اساس اطلاعات هر فرد، احتمال ابتلا یا عدم ابتلا را تخمین زد و تصمیمات کلینیکی را بهبود بخشید. روش‌شناسی روند کار پروژه به چهار مرحله اصلی تقسیم گردید که شامل تحلیل اکتشافی داده‌ها (EDA)، پیش‌پردازش، مدل‌سازی و ارزیابی بود. در هر مرحله، با هدف ایجاد یک مسیر شفاف برای بهبود کیفیت مدل نهایی، از ابزارهای تحلیلی و یادگیری ماشین بهره گرفته شد. در مرحله اول، پس از بارگذاری داده‌ها از منبع اصل، کیفیت و صحت اطلاعات بررسی شد و مقادیر گمشده و مقادیر نامعتبر، جایگزین و حذف شدند تا داده‌ها آمادگی لازم برای تحلیل را پیدا کنند. همچنین به کمک نمودارهای آماری از جمله هیستوگرام (Distribution) و Boxplot، توزیع و احتمال وجود داده‌های پرت یا غیرعادی مورد بررسی قرار گرفت. ارتباط میان ویژگی‌ها نیز به‌وسیله همبستگی (Correlation) تصویریابی شد تا وابستگی‌های کلیدی کشف شوند.
289,000 تومان افزودن به سبد خرید
فاطمه سوری

0

800
5%

پیش‌بینی پیشرفت دیابت با رگرسیون در پایتون
موضوع این پروژه آماده، پیش‌بینی پیشرفت دیابت با رگرسیون در پایتون می باشد. جهت دانلود اطلاعات بیشتر بر روی لینک زیر کلیک کنید:
189,000 تومان افزودن به سبد خرید
فاطمه سوری

0

856
15%

پیش‌بینی زودهنگام نارساخوانی در برنامه نویسی R
موضوع این پروژه آماده، پیش‌بینی زودهنگام نارساخوانی در برنامه نویسی R می باشد. The Predictive Power of Low APGAR Scores and Amplitude Rise Time Sensitivity as Early Indicators of Dyslexia: A Study on Their Interaction with Familial Risk ۱٫ Introduction Research over the years has sought to identify early indicators of dyslexia to enable timely interventions. Among various potential markers, the APGAR scores and sensitivity to amplitude rise time in infancy have emerged as promising candidates. This study aims to explore whether these factors can reliably predict dyslexia, both independently and in conjunction with familial risk. ۲٫ Background Dyslexia is a prevalent neurodevelopmental disorder characterized by difficulties in word recognition, spelling, and decoding skills, despite adequate intelligence and educational opportunities. It affects approximately 5-10% of the population, making it one of the most common learning disabilities among children and adults (Lyon et al., 2003). The early identification of dyslexia is crucial for timely interventions that can significantly improve long-term academic outcomes. Despite the genetic component of dyslexia, which indicates a strong familial risk, not all children with familial predisposition develop the disorder. This has led researchers to explore additional early markers that could enhance prediction accuracy beyond familial risk alone.
169,000 تومان افزودن به سبد خرید
فاطمه سوری

0

887
23%

پیش‌بینی کدورت تصفیه‌خانه با شبکه عصبی در پایتون
موضوع این پروژه آماده، پیش‌بینی کدورت تصفیه‌خانه با شبکه عصبی در پایتون می باشد. عنوان پروژه: مدلسازی پیش‌بینی تغییرات کدورت ورودی و خروجی تصفیه‌خانه بر اثر بارش در حوضه آبریز با استفاده از شبکه عصبی مصنوعی صورت پروژه (خلاصه و مرتب): این پروژه شامل پیش‌بینی کدورت آب ورودی و خروجی تصفیه‌خانه بر اساس داده‌های روزانه پنج ساله و میزان بارش است. در این پروژه از شبکه عصبی مصنوعی (ANN) برای مدل‌سازی و پیش‌بینی استفاده می‌شود. مراحل انجام پروژه شامل جمع‌آوری و پردازش داده‌ها، تقسیم داده به مجموعه آموزش و تست، طراحی و آموزش شبکه عصبی، ارزیابی مدل و ارائه پیش‌بینی‌ها است. ویژگی‌های پروژه: داده‌ها روزانه و بازه پنج ساله هستند پیش‌بینی بر اساس کدورت ورودی و خروجی تصفیه‌خانه و بارش استفاده از ANN در پایتون ارائه توضیحات مرحله‌به‌مرحله و مستندسازی کد
229,000 تومان افزودن به سبد خرید
فاطمه سوری

0

865
25%

پیش‌بینی میزان کلر آب با شبکه عصبی MLP در پایتون
موضوع این پروژه آماده، پیش‌بینی میزان کلر آب با شبکه عصبی MLP در پایتون می باشد. جهت دانلود اطلاعات بیشتر بر روی لینک زیر کلیک کنید:
149,000 تومان افزودن به سبد خرید
فاطمه سوری

0

869
20%

پیش‌بینی نمره نهایی دانش‌آموزان با مدل‌های رگرسیون در پایتون
موضوع این پروژه آماده، پیش‌بینی نمره نهایی دانش‌آموزان با مدل‌های رگرسیون در پایتون می باشد. جهت دانلود اطلاعات بیشتر بر روی لینک زیر کلیک کنید:
159,000 تومان افزودن به سبد خرید
فاطمه سوری

0

799
15%

تحقیق انگلیسی مدل‌های تحلیل قابلیت اطمینان مبتنی بر متغیرهای کمکی
این پروژه یک تحقیق آماده با موضوع، مدل‌های تحلیل قابلیت اطمینان مبتنی بر متغیرهای کمکی (PHM، ALT و غیره) در ۱۰ صفحه ورد و ۳۲ اسلاید پاورپوینت می باشد. در ادامه قسمتی از این تحقیق را خواهیم داشت: قابلیت اطمینان به‌عنوان یکی از ارکان اصلی مهندسی سیستم‌ها، نقش تعیین‌کننده‌ای در تضمین عملکرد پایدار و ایمن محصولات صنعتی دارد. در دنیای امروز که سیستم‌ها پیچیده‌تر، داده‌ها حجیم‌تر و شرایط عملیاتی متغیرتر شده‌اند، روش‌های سنتی تحلیل قابلیت اطمینان دیگر پاسخگوی نیازهای نوین مهندسی نیستند. ازاین‌رو، مدل‌های مبتنی بر Covariate و داده‌محور اهمیت ویژه‌ای یافته‌اند؛ چراکه این مدل‌ها قادرند تأثیر متغیرهای محیطی، عملیاتی و طراحی را بر احتمال خرابی سیستم‌ها به‌صورت پویا تحلیل کنند. مدل‌های کلاسیک مانند Weibull و Exponential، پایه‌گذار درک آماری از زمان خرابی‌اند، درحالی‌که مدل‌های نیمه‌پارامتریک مانند Cox PHM امکان بررسی اثر عوامل متعدد بر نرخ خطر را فراهم می‌سازند. در کنار این‌ها، آزمون‌های عمر تسریع‌شده (ALT) با شبیه‌سازی شرایط سخت‌تر، پیش‌بینی عمر مؤلفه‌ها را تسریع می‌کنند. پیشرفت‌های اخیر در یادگیری ماشین و داده‌های بزرگ نیز افق‌های جدیدی در تحلیل قابلیت اطمینان گشوده‌اند، به‌گونه‌ای که مدل‌های به‌روزرسانی‌شونده و هوشمند می‌توانند رفتار سیستم‌ها را در زمان واقعی پایش و پیش‌بینی کنند. بنابراین، ترکیب روش‌های آماری و الگوریتم‌های یادگیری ماشین، گامی مؤثر در جهت توسعه سیستم‌های پایا، ایمن و اقتصادی محسوب می‌شود(رام و فام،۲۰۲۰).
169,000 تومان افزودن به سبد خرید
فاطمه سوری

0

800
5%

تحقیق چالش ها و الزامات توسعه مدل زبانیبزرگ (LLM) فارسی
فهرست مطالب اختصارها ۳ چکیده ۴ فصل یک ۵ مقدمه ۵ ۱-۱ پس‌زمینه ۵ ۲-۱ اهمیت پایان‌نامه ۶ ۳-۱ اهداف پایان‌نامه ۷ ۴-۱ ساختار پایان‌نامه ۸ فصل دوم ۱۰ چالش‌های توسعه مدل زبانی بزرگ فارسی ۱۰ ۱-۲ چالش‌های فنی ۱۰ ۱-۱-۲ قدرت محاسباتی و نیازهای سیستمی ۱۲ ۲-۱-۲ پردازش و ذخیره‌سازی داده ۱۲ ۲-۲ پیچیدگی‌های زبانی ۱۳ ۲-۲-۱ قواعد و نحو زبان فارسی ۱۴ ۲-۲-۲ واژگان و ویژگی‌های خاص فارسی ۱۵ ۳-۲ دسترس‌پذیری داده‌ها ۱۶ ۱-۳-۲ کمبود داده‌های استاندارد ۱۶ ۲-۳-۲ مشکلات مربوط به تنوع گویش‌ها و لهجه‌ها ۱۷ ۴-۲ مسائل فرهنگی و اخلاقی ۱۸ ۱-۴-۲ تعصبات زبانی و فرهنگی ۱۹ ۲-۴-۲ مسائل اخلاقی مرتبط با مدل‌های زبانی بزرگ ۱۹ فصل سوم ۲۱ الزامات توسعه مدل زبانی بزرگ فارسی ۲۱ ۱-۳ نیازهای داده‌ای ۲۱ ۱-۱-۳ نوع و حجم داده‌های مورد نیاز ۲۲ ۲-۱-۳ روش‌های جمع‌آوری و پیش‌پردازش داده‌ها ۲۳ ۲-۳ تکنیک‌های مدل‌سازی ۲۳ ۱-۲-۳ الگوریتم‌ها و تکنیک‌های مناسب برای زبان فارسی ۲۴ ۲-۲-۳ روش‌های اصلاح و بهینه‌سازی مدل‌ها ۲۵ ۳-۳ منابع محاسباتی ۲۶ ۱-۳-۳ نیازهای سخت‌افزاری ۲۶ ۲-۳-۳ زیرساخت‌های نرم‌افزاری و محیط‌های پردازشی ۲۸ ۴-۳ آموزش و ارزیابی مدل ۳۱ ۱-۴-۳ روش‌های آموزش مدل‌های زبانی بزرگ ۳۲ ۲-۴-۳ ابزارهای ارزیابی عملکرد مدل ۳۴ فصل چهارم ۳۶ اقدامات آینده و نتیجه‌گیری ۳۶ ۱-۴ فرصت‌های بهبود ۳۷ ۱-۱-۴ روش‌های افزایش دقت و کارایی مدل ۳۷ ۲-۱-۴ راهکارهای کاهش هزینه‌های محاسباتی ۳۹ ۲-۴ همکاری‌ها و مشارکت‌ها ۴۰ ۱-۲-۴ همکاری‌های آکادمیک و تحقیقاتی ۴۱ ۲-۲-۴ مشارکت با صنایع و سازمان‌های دولتی ۴۴ ۳-۴ کاربردها و چشم‌اندازها ۴۵ ۱-۳-۴ کاربردهای مدل زبانی بزرگ فارسی در حوزه‌های مختلف ۴۶ ۲-۳-۴ پیش‌بینی‌های آینده و چشم‌انداز تکنولوژیک ۴۸ ۴-۴ نتیجه‌گیری و پیشنهادات ۵۰ منابع ۵۲ چکیده توسعه مدل‌های زبان بزرگ فارسی به‌عنوان ابزاری حیاتی در حوزه پردازش زبان طبیعی و هوش مصنوعی، پتانسیل بالایی در بهبود کارایی و دقت در حوزه‌های مختلف از جمله تجارت، آموزش، سلامت، خدمات عمومی و فرهنگ دارد. این مدل‌ها می‌توانند با پردازش داده‌های متنی و گفتاری فارسی، تجربه کاربران و کیفیت خدمات را ارتقاء دهند. با این حال، این فرایند با چالش‌هایی از قبیل نیاز به داده‌های گسترده، منابع محاسباتی قوی، و هزینه‌های بالای آموزش و ارزیابی مدل‌ها مواجه است. همکاری‌های آکادمیک و صنعتی، استفاده از تکنیک‌های فشرده‌سازی و بهینه‌سازی مدل‌ها، و بهره‌گیری از حمایت‌های دولتی می‌تواند به کاهش این چالش‌ها کمک کند. آینده مدل‌های زبان بزرگ فارسی نویدبخش پیشرفت‌های قابل‌توجه در کاربردهای متنوع و ارائه راهکارهایی برای پاسخگویی به نیازهای جامعه است. پیشنهاد می‌شود این مدل‌ها با اولویت‌بندی نیازهای محلی و همکاری‌های گسترده در راستای توسعه یک چارچوب ملی برای استفاده مؤثر و بهینه از مدل‌های زبان فارسی پیش بروند. کلمات کلیدی: مدل زبان بزرگ فارسی، پردازش زبان طبیعی، هوش مصنوعی، داده‌های متنی، بهینه‌سازی مدل.
189,000 تومان افزودن به سبد خرید
فاطمه سوری

0

874
25%

تحقیق دسته بندی تراکنشها مالی و تشخیص تقلب با تحلیل جریان داده های کلان
این پروژه یک تحقیق آماده با موضوع، دسته بندی تراکنشها مالی و تشخیص تقلب با تحلیل جریان داده های کلان در ۱۴ اسلاید پاورپوینت و ۱۱ صفحه ورد می باشد. در ادامه قسمتی از این تحقیق را خواهیم داشت: مقدمه با رشد خدمات الکترونیک در حوزه مالی و افزایش استفاده از درگاه‌های پرداخت غیرحضوری در سطح جهان، روش‌های مبارزه با پول‌شویی نیز پیشرفت چشمگیری داشته‌اند، به‌طوری که امروزه با بهره‌گیری از نرم‌افزارهای هوشمند، امکان ردیابی تراکنش‌های رمز ارزها نیز فراهم شده است. دسته‌بندی تراکنش‌ها یکی از روش‌های مؤثر برای تسریع فرآیند مبارزه با پول‌شویی در شبکه‌های بانکی به شمار می‌رود. در راستای مقابله با پول‌شویی، روش‌های مبتنی بر یادگیری ماشین با نظارت، یادگیری ماشین بدون نظارت و یادگیری عمیق اهمیت ویژه‌ای دارند و اثربخشی بالایی از خود نشان می‌دهند. با توجه به اینکه پول‌شویی همچنان یکی از چالش‌های مهم اقتصاد جهانی محسوب می‌شود، دولت‌ها در سراسر جهان اقدامات سخت‌گیرانه‌ای برای پیشگیری از جرائم مالی اعمال می‌کنند. این وضعیت نیاز فزاینده‌ای به سیستم‌های پیشرفته ضد پول‌شویی در صنایع مختلف، از جمله بانکداری، بورس، بیمه، خدمات مالی و بازار سرمایه ایجاد کرده است. پول‌شویی به فرآیند پنهان‌کردن منشأ غیرقانونی وجوه و مشروع جلوه دادن آن‌ها اطلاق می‌شود [۱]. کشف جرائم مالی به یک اولویت اساسی برای دولت‌ها تبدیل شده و با توسعه فناوری‌های نوین و ارتباطات جهانی، روش‌های کلاهبرداری نیز به سرعت در حال تغییر و تکامل هستند که زیان‌های قابل‌توجهی به کسب‌وکارهای قانونی وارد می‌کنند. وجوه حاصل از فعالیت‌های مجرمانه یا غیرقانونی، مانند قاچاق مواد مخدر، قاچاق انسان، رشوه و فرار مالیاتی، به‌عنوان «پول کثیف» شناخته می‌شوند. فرآیند پول‌شویی می‌تواند به‌عنوان «پاک‌سازی پول کثیف» تعریف شود [۳-۲].
149,000 تومان افزودن به سبد خرید
فاطمه سوری

0

802