پروژه وب کاوی (Web Data Mining)

پروژه وب کاوی (Web Data Mining)

فرمت فایل دانلودی: .docx
فرمت فایل اصلی: docx
تعداد صفحات: 66
حجم فایل: 195
قیمت: : 5000 تومان

بخشی از متن:
مقدمه:
با توسعه سیستم های اطلاعاتی، داده به یکی از منابع پراهمیت سازمان ها مبدل گشته است. بنابراین روش ها و تکنیک هایی برای دستیابی کارا به داده، اشتراک داده، استخراج اطلاعات از داده و استفاده از این اطلاعات، مورد نیاز می باشد. با ایجاد و گسترش وب و افزایش چشمگیر حجم اطلاعات، نیاز به این روش ها و تکنیک ها بیش از پیش احساس می شود. وب، محیطی وسیع، متنوع و پویا است که کاربران متعدد اسناد خود را در آن منتشر می کنند. در حال حاضر بیش از دو بیلیون صفحه در وب موجود است و این تعداد با نرخ 7.3 میلیون صفحه در روز افزایش می یابد. با توجه به حجم وسیع اطلاعات در وب، مدیریت آن با ابزارهای سنتی تقریبا غیر ممکن است و ابزارها و روش هایی نو برای مدیریت آن مورد نیاز است. به طور کلی کاربران وب در استفاده از آن با مشکلات زیر روبرو هستند: ...

فهرست مطالب:
1- مقدمه       
داده کا وی و visualization در اینترنت
وب کا وی در E-commerce
2- وب کاوی و زمینه های مرتبط
2-1- وب کاوی و داده کاوی
2-2- وب کاوی و بازیابی اطلاعات
2-3- وب کاوی و استخراج اطلاعات
2-4- وب کاوی و یادگیری ماشین
3- تکنیکهای  وب کاوی
4- انواع وب کاوی
5- چالش های وب کاوی
6- مراحل وب کاوی
6-1- مرا حل  جستجو
6-2- پرد ا زش  روی  نتا یج
6-3- جنبه های  وا سط  کا ر بر
6-4- خروجیهای  Web Data Mining
6-5- پیاده سازیهای Web Data Minig
7- کاوش پایگاه داده های وب
7-1 جستجو در پایگاه داده ها در وب
7-2 داده کاوی شیئی- رابطهای
7-3 اشتراک داده در مقابل داده کاوی در وب
7-4 کاوش پایگاههای دادة نیمه ساخت یافته
7-5 کاوش و سپس ادغام
8-کاوش محتوا در وب
8-1- انواع کاوش محتوا در وب
8-1-1- طبقه بندی
8-1-2- خوشه بندی
8-1-3 سایر انواع کاوش محتوا در وب
8-2- رویکردهای کاوش محتوا در وب
8-3 الگوریتم های کاوش محتوا در وب
8-3-1 درخت تصمیم
 8-3-2 شبکه عصبی
8-3-3 سایر الگوریتم های کاوش
9- کاوش ساختار وب
9-1- مدل های بازنمایی ساختار وب
9-1-1- مدل های مبتنی بر گراف
9-1-2- مدل های مارکو
9-2- الگوریتم های کاوش ساختار وب
9-2-1- HITS
9-2-2- Page Rank
9-2-3- الگوریتم جریان بیشینه
9-2-4- Average Clicks
9-3- کاربردهای کاوش ساختار وب
9-3-1- تشخیص اجتماعات وب
9-3-2- پیمایش وب
10- کاوش استفاده از وب
10 -1- انواع داده های استفاده از وب
10 -1-1- داده های سرورهای وب
10-1-2- داده های سرورهای پراکسی
10-1-3- داده های کلاینت
10-2- پیش پردازش داده های استفاده از وب
10-2-1- پاکسازی داده
10-2-2- تشخیص و بازسازی نشست
10-2-3- بازیابی ساختار و محتوا
10-2-4- قالب بندی داده
10-3- روش های کاوش استفاده از وب
10-3-1- قوانین انجمنی
10-3-2- الگوهای ترتیبی
10-3-3- خوشه بندی
10-4- کاربردهای کاوش استفاده از وب
10-4-1- خصوصی سازی محتوای وب
10-4-2- پیش بازیابی
10-4-3- بهبود طراحی سایت های وب
11- بازیابی اطلاعات و داده کاوی در وب
11-1- موتورهای جستجوگر  
11-2 ماژولهای موتورهای جستجو
1-3- کاوش وب  برای موتورهای جستجو 
11-4 پویش داده های چند گانه وب
11-5- کاوش متن 
11-6- کاوش مستقیم روی داده های غیرساخت یافته   
11-7- کاوش تصویر
11-8- کاوش ویدئو
Audio 11-9-کاوش
11-10- کاوش مستقیم داده با فرمت صدا
12- کاربردهای وب کاوی
12-1- تجارت الکترونیکی
12-2- موتورهای جستجو
12-3- حراجی در وب
13- نتیجه گیری
14- فهرست منابع

پروژه شبکه عصبی

پروژه شبکه عصبی

فرمت فایل دانلودی: .docx
فرمت فایل اصلی: docx
تعداد صفحات: 61
حجم فایل: 1285
قیمت: : 3000 تومان

بخشی از متن:
چکیده:
شبکه‌های عصبی مصنوعی از مباحث جدیدی است که دانشمندان علوم کامپیوتر به آن علاقمند شده‌اند و برای پیشرفت هرچه بیشتر علوم کامپیوتر وقت و هزینه بسیاری را صرف آن کرده و می‌کنند. این موضوع با ایده گرفتن از سیستم عصبی بدن انسان و با هدف شبیه‌ سازی هرچه بیشتر کامپیوتر به انسان شکل گرفت و تا حال به خوبی پیشرفته است. از جمله کاربردهای این بحث می‌توان از شناسایی الگوها، پردازش تصویر و رویت، هوش مصنوعی، کنترل رباتها و موارد بسیار دیگر نام برد. ما در این مقاله پس از مقدمه به مسائل در خور شبکه‌های عصبی مصنوعی و نیز کاربردهای آن خواهیم پرداخت, در ادامه Perceptron ها را که یکی از مهمترین الگوریتم‌های شبکه‌های عصبی مصنوعی می‌باشد معرفی می‌کنیم.

فهرست مطالب:
چکیده
مقدمه
بیان مسئله
ایده پیدایش شبکه‌های عصبی مصنوعی
بررسی سلولهای مغزی افراد
توپولوژی شبکه
تاریخچه شبکه‌های عصبی مصنوعی
چرا از شبکه های عصبی استفاده می کنیم
مزیتهای دیگر شبکه های عصبی
شبکه‌های عصبی در مقایسه با کامپیوترهای سنتی
نورون مصنوعی
ساختار شبکه‌های عصبی
تقسیم بندی شبکه‌های عصبی
کاربرد شبکه‌های عصبی
معایب شبکه‌های عصبی
نرم افزارهای شبکه های عصبی
انواع یادگیری برای شبکه های عصبی
هوش جمعی
مدل سازی کلاسیک
مدل سازی شبکه ی عصبی
معایب ANN  ها
یک شبکه عصبی جدید و کاربرد آن
روش مدلسازی دینامیک
نتایج مدلسازی
نتیجه فصل
نتایج تجربی
حساسیت به شرط اولیه
تغییرات طیف
نتیجه فصل
منابع

پاورپوینت ارزیابی روش رگرسیون در پیشبینی حجم ترافیک و مقایسه آن با روش شبکه عصبی

پاورپوینت ارزیابی روش رگرسیون در پیشبینی حجم ترافیک و مقایسه آن با روش شبکه عصبی

 

چکیده :

—دادهکاوی فرآیند تجزیه و تحلیل داده ها و تبدیل آن به اطلاعات مفید است. در این فرآیند از ابزارهای متفاوتی استفاده می شود، یکی از این ابزارها استفاده از رگرسیون در این فرآیند است. رگرسیون روشی برای مدلسازی و تحلیل داده های عددی است. این روش برای پیشبینی مقادیر آینده ی متغیر وابسته، آزمودن نظریه ها، و تحلیل پدیده شناختی پدیده ها به کار میرود. این روش به کاربر اجازه می دهد تا از ابعاد مختلف به تجزیه و تحلیل داده ها، دسته بندی آنها و خلاصه آنها به روابط شناخته شده بپردازد. در حوزه حمل و نقل که همواره با حجم انبوهی از داده ها مواجه می باشد، پردازش داده ها و داده کاوی اهمیت شایانی دارد. در این تحقیق ضمن بررسی پیشبینی حجم ترافیک به بررسی روش رگراسیون در فرآیند مدلسازی پرداخته می شود. سپس از این روش برای پیشبینی حجم برونشهری محور ساری- قائمشهر و محور بابل – قائمشهر استفاده میشود. و صحت مدل استفاده شده در مقایسه با روش شبکه عصبی اعتبارسنجی شده است. نتایج حاصل از تحقیق، قدرت بالای رگرسیون در را در پیشبینی های ترافیکی نشان می دهد.

کلمات کلیدی: حمل و نقل، پیشبینی حجم ترافیک، رگرسیون، شبکه عصبی