روند کار سیستمهای محتوا محور به این صورت است که ابتدا براساس نحوه امتیازدهی کاربر به اقلام مختلف، نمایهای از علائق او ساخته میشود. سپس بر اساس میزان تطابق خصوصیات اقلام با […]
روند کار روش محتوا محور جهت ارتقاء روش فیلترینگ اشتراکی بیشتر بخوانید »
فیلترینگ اشتراکی علاوه بر کاربرد وسیع آن و مزایایی که از آن برخوردار است شامل معایبی نیز میباشد که در ادامه به توضیح تعدادی از آنها میپردازیم. 2-10-1- پراکنده بودن داده[1]
تشخیص میزان علائق کاربران نسبت به اقلام متفاوت یکی از مهمترین وظایف فیلترینگ اشتراکی میباشد. هر بار که کاربری در مورد قلمی خاص ابراز علاقه میکند مقدار جدیدی در نمایه او اضافه
متدهای فیلترینگ اشتراکی به دو گروه کلی فیلترینگ اشتراکی مبتنی بر همسایگی[1] یا مبتنی بر حافظه[2] و فیلترینگ اشتراکی مبتنی بر مدل[3] تقسیم میشوند.[12] الگوریتمهای موجود در گروه فیلترینگ اشتراکی مبتنی بر
وظایف فیلترینگ اشتراکی به دو دسته ارائه پیشنهاد به کاربران و پیشبینی امتیاز اقلام دیده نشده تقسیم میشوند که در ادامه هر کدام را به تفکیک توضیح خواهیم داد. پیشنهاد در این
فیلترینگ اشتراکی یکی از بهترین راهکارها در سیستمهای پیشنهادگر میباشد. این روش به خاطر استفادهاش در سایتهای تجارت الکترونیک مانند AMAZOONو NETFLIX به خوبی شناخته شده است. این متد کاربرانی که علائقشان
تست فریدمن [52]، یک تست نا پارامتری است[1]. این تست الگوریتم های گوناگون را روی هر مجموعه داده به صورت جداگانه، رتبه بندی میکند. بهترین الگوریتم رتبه یک، دومین بهترین الگوریتم، رتبه دو
ارزیابی دقت الگوریتمهای چندکلاسه، به علت تعداد زیاد مجموعه دادههای مورد آزمایش و تعداد متنوع روشهای اعمال شده و همچنین خصوصیات مجموعه دادهها که هم شامل دادههای متوازن و هم دادههای نامتوازن
در بسیاری از مواقع، یک دستهبندیکننده سريال تنها نمی تواند همه تغییرپذیریهای[1] ممکن درونکلاسی[2] را برای کلاس هدف مدیریت کند [49]. در نتیجه، عمومیت[3] دستهبندیکننده سريال در مواجهه با مجموعه دادههای پیچیده، به
مشکل تغییرپذیری درونکلاسی برای کلاس هدف و همچنین معایب استفاده از چندین دستهبندیکننده سريال به طور همزمان، در روش ارائه شده توسط لینهارت و همکاران [49] برطرف شد. روش آنها یک ساختار درختی
الگوریتم AdaBoost.ECC، از بسیاری جهات شبیه AdaBoost.OC است. تفاوت اصلی این دو الگوریتم این است که، AdaBoost.ECC ارزش را بر اساس شبه خطا در هر دور از اجرای الگوریتم، محاسبه نمیکند؛ بلکه
الگوریتمهای AdaBoost.OC و AdaBoost.ECC، قوانین روش ECOC را با یادگیری جمعی تقویتی ادغام کرده و به کمک این استراتژی، توانستهاند بر معایت روش AdaBoost.M2 فائق آیند. روشهای یادگیری تقویتی مبتنی بر ECOC،
اولین الگوریتم تعمیم یافته AdaBoost برای حل مسائل چندکلاسه، الگوریتمAdaBoost.M1 [36] است. نیاز به تولید خطای وزندار بهتر از در هر دور از اجرای الگوریتم AdaBoost ، اولین مانعی بود که در
رایجترین تکنیکهای تجزیه کلاسی، روشهای یکی-در مقابل-یکی[1] (OAO) و یکی-در مقابل-همه[2] (OAA) است [27,28]. [1] One-against-one [2] One-against-all یکی-در مقابل-همه(OAA) روش یکی-در مقابل-همه، k دسته بندی کننده را برای یک مساله k–کلاسه
در دو دهه اخیر شاهد ازدیاد ارایه گونههای مختلف از الگوریتم AdaBoost هستیم که تعدادی از آنها عبارتند از: الگوریتمRealBoost [22] که خروجی یادگیرها را بر اساس درجه اطمینان آنها بسط میدهد،
[19] یک روش کلی برای بهبود دقت یادگیرهای ضعیف، توسط یک پروسه تکرارشونده است. شپیر در سال 1990 اثبات کرد که یادگیرهای ضعیف، که عملکرد آنها اندکی بهتر از حدس تصادفی است،
اکثر تحقیقات در زمینه یادگیری ماشین متمرکز بر مسائل دوکلاسه هستند. شماری از تکنیکهای موفق و معروف یادگیری ماشین، نظیر طبقهبندیکنندههای تقویتی[1]، بردارهای پشتیبان[2] [5] و روش RIPPER [6] در اصل برای مسائل دوکلاسه
القای دستهبندیکننده ها هنگامی که تعداد دادههای آموزشی به طرز چشمگیری زیاد باشد با مشکل روبهرو خواهد شد. این پدیده باعث به وجود آمدن مرزهای کلاس[1] پیچیده میشود؛ یادگیری دقیق این مرزها،
اصلیترین زمینه تحقیقاتی در حوزه یادگیری ماشین، شناسایی الگو[1] است؛ یعنی استخراج اطلاعات و الگوهای تکرار شونده از داده ورودی[2]، که این اطلاعات برای انجام تصمیمگیری در مورد دادههای نادیده[3] کاربرد دارد.
فوق لیسانس مهندسی برق در کانادا ، آمادگی خود جهت آموزش و انجام پروژه های متلب MATLAB و سیمولینک simulink و پایتون python را اعلام می کند. متقاضیان می توانند به ایمیل
لینک دانلود BeagleBone Black یک پلت فرم کم هزینه، و و با پشتیبانی توسعه انجمن، برای توسعه دهندگان و علاقه مندان است. این پلت فرم، لینوکس را در کمتر از 10
Bash یک پوسته یونیکس و زبان دستوری است که به عنوان یک نرم افزار رایگان جایگزین پوسته Bourne، به وسیله بریان فوکس و برای پروژه GNU نوشته شده است. با اولین انتشار
پردازش داده های بزرگ با آپاچی اسپارک اسپارک چیست؟ آپاچی اسپارک یک فریم ورک متن باز برای پردازش داده های بزرگ است که بر پایه سرعت، استفاده آسان و تحلیل های