آموزش

روند سلسله مراتبی تحلیلی ، یک تکنیک اخذ تصمیم چند معیاری است که بطور گسترده ای برای چارچوب بندی و حل مسائل تصمیم گیری، بکار برده می شود، این روش، با استفاده

این مدل [7]، یک روش ساده ولی منعطف است که برای بررسی ناسازگاری­ هایی که در آنها دو و یا تعداد بیشتری تصمیم گیرنده در رابطه با یک موضوع، اختلاف دارند، طراحی

در این مدل، عامل­های موجود در محیط با یکدیگر رقابت و راه­حل­هایی را برای مقادیر متغیرهای تصمیم برای عامل رفع ناسازگاری فراهم می­کنند و این عامل یک راه­حل را از میان آنها

در این مدل، تابع هدف به صورت یک تابع خطی از متغیر­های تصمیم در نظر گرفته می­شود که این متغیرها به وسیله­ی عامل­های مختلف موجود در مسئله فراهم می­گردد. صورت کلی این

مقدمه رفع ناسازگاری، یک استراتژی، جهت انتخاب ترتیب اجرای قوانین است هنگامی که بیش از یک قانون بتواند اجرا شود. به طور کلی، در سیستم­هایی که رفع ناسازگاری در روند استنتاج آنها

به طور کلی، اخذ تصمیم، یکی از مهم­ترین و حساس­ترین فعالیت­هایی است که در هر سازمان و یا تشکیلاتی صورت می­گیرد] 48[. برای پشتیبانی و حمایت از این روند پیچیده، دسته­ی متنوعی

کلاسه­بند Knn، یک الگوریتم کلاسه­بندی تنبل[1] یا مبتنی بر نمونه[2] است. بر خلاف سایر الگوریتم­های کلاسه­بندی ها، این الگوریتم هیچ مرحله آموزشی[3] نداشته و نمونه­های آموزشی را تا وارد شدن نمونه تست،

کلاسه بند بیزین ساده، یک مدل احتمالی است که بجای یافتن تابع جداکننده، احتمال شرطی میزان تعلق هر ویژگی به هر کدام از کلاس ها و احتمال هر کلاس در نظر گرفته

فرض می­کنیم که نمونه های آموزشی مربوط به کلاس های مختلف به صورت خطی جدا پذیراند[1]. در این صورت می توان بدون داشتن هیچ دانشی در مورد توزیع نمونه های آموزشی، بین

درخت الگوی مکرر گسترش یافته ساختارهای مبتنی بر درخت های پیشوندی[1] است [15، 16]. درخت الگوی مکرر نمایش فشرده ای از داده است که اطلاعات کاملی از داده های اصلی را در

روش کلاسه بندی بر اساس مجموع الگوهای نوظهور  CAEP[1][21] از آنجایی که الگوهای نوظهور، دانش تمایز بین کلاس های مختلف را نشان می دهد، آنها در ایجاد کلاسه بندی دقیق بسیار موثر

در مقایسه با قوانین انجمنی، الگوهای نوظهور قادر هستند که تمایلات نوظهور[1] در مجموعه داده های با محدودیت زمانی[2] را استخراج کنند و یا تمایزات مفید بین کلاس های مختلف را کشف

هدف از کلاسه بندی قوانین استخراجی، استخراج کردن مجموعه کوچکی از قوانین است تا یک کلاسه بند دقیق ساخته شود. الگوریتم های استخراج قانون مانند Apriori [61] و FPgrowth [15، 16] بکار

نفوذ دسته: این روش بر این فرض استوار است که یک تشکل دربرگیرنده چندین مجموعه همپوشان از زیرگراف‌های کاملا متصل است و تشکل‌ها را با جستجو در دسته‌های مجاور تشخیص می‌دهد. در

از جهات مختلفی می‌توان گراف ها و شبکه ها را دسته بندی کرد. در واقع این دسته بندی ها نمایان گر ویژگی های مشترک اعضای آنها می‌باشد. به عنوان مثال، از لحاظ

تاریخچه تعداد علومی که بتوان به وضوح زمانی را برای شروع آنها تعیین کرد زیاد نیست. نظریه گراف که یکی از بنیان های ریاضی دانش شبکه ها است در سال 1736 میلادی

همگام با پيشرفت و توسعه شبكه هاي عصبي مبتني بر FAM، بخصوص در پانزده سال اخير، كاربردها و رويكردهاي نويني در استفاده عملي از آن ها ظهور كرده است. يكي از نخستين

متدهاي مختلف آموزش FAM نظير تك كراري[1]، كامل[2] و آموزش همراه با مجموعه ارزيابي[3] در [27 و 16] به تفصيل مورد بحث قرار گرفته اند. در روش تك تكراري همه الگوهاي آموزش

پس از طرح الگوريتم و ساختار FAM در مجامع بين المللي و كنفرانس هاي علمي در سال 1992 ميلادي، پيشرفت و نوآوري در زمينه بهينه سازي الگوريتم و پيكربندي اين شبكه ها