آموزش

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

ART [1]يا همان تئوري رزونانس تطبيقي، توسط گراسبرگ[2]، به عنوان تئوري شناختي پردازش اطلاعات درانسان، در سال  1976(م)، ابداع شد. در 1987(م) در رويكردي جهت حل مسئله پايداري – انعطاف پذيري[3] در

يادگيري بر اساس تطابق نمونه هاي جديد با نمونه هاي ديده شده در اكثر طبقه بندها الگوريتم آموزش بر اساس نوعي اصلاح خطا در خروجي بوده و الگوريتم سعي در كم كردن

منظور از اعمال PCA كاهش ابعاد فضاي ویژگی است. با مولفه هاي اساسي بدست آمده از اعمال PCA بر روي يك مجموعه داده، فضاي جديدي ایجاد می شود كه داراي ابعادي برابر

بازشناسي چهره در يك جمله بدين صورت تعريف مي شود: اخذ تصوير چهره و شناسايي آن با توجه به نمونه‌هايي كه قبلاً به سيستم آموزش داده شده است. تحقيقات در زمينه بازشناسي