داده كاوي

در داده های جریانی[1]، نمونه ها به مرور زمان دریافت می شوند در حالیکه تعداد ویژگی ها ثابت می باشد. اما در ویژگی های جریانی، تعداد داده های یادگیری ثابت می باشد ولی ویژگی ها بصورت دینامیک تولید می شوند و الگوریتم یادگیری به مرور زمان ویژگی ها را دریافت می دارد [31، 32]. در […]

مفهوم الگوهای نوظهور برای استخراج دانش از پایگاه داده ها توسط Dong و Li پیشنهاد شده است تا تغییرات قابل توجه بین کلاس ها را به تصویر بکشند [1]. یک الگوی نوظهور، ترکیب عطفی بین ویژگی هایی است که میزان احتمال حضور آن در یک کلاس نسبت به دیگر کلاس ها بطور قابل توجهی تغییر

 کلاسه بندی[1] یکی از وظایف اساسی در داده کاوی[2] است که بطور وسیعی در زمینه یادگیری ماشین[3]، شبکه های عصبی[4] و تشخیص الگو[5] مورد مطالعه واقع شده است. ورودی، مجموعه ای از نمونه های آموزشی[6] است که شامل چندین ویژگی[7] است. ویژگی ها با توجه به دامنه مقادیرشان به دو دسته ویژگی های گسسته[8] و

تاریخچه هوش مصنوعی توانایی یادگیری منحصر به سیستم‌های زنده نیست بلکه در مدل‌های شبکه عصبی نیز قابل دسترس است. گرچه مفهوم یادگیری ماشین‌ برخلاف باورهای معمول ما از کامپیوترها است، زیرا اغلب فرض می‌شود که کامپیوترها تنها قادر به اعمالی هستند که برایشان برنامه ریزی شده است و خود توانایی تطبیق با محیط را ندارند.

2-2-1- حسون معمولي(Bloch, 1795) Saurida tumbil خانواده: كيجار ماهيان نام فارسي: حسون معمولي مشخصات: – بدن كشيده و لوله‌اي شكل. – چندين رديف دندان در هر دو فك كه حتي هنگام بسته بودن دهان قابل رويت هستند. – يك تكه كوچك از دندانها روي استخوان تيغه مياني بيني. – درازترين شعاع باله پشتي 4 برابر

از زمانی که سیگنال های EEG ثبت شد محققین سعی در استفاده از این سیگنال ها برای کاربرد های مختلف داشتند. در ابتدای کار از این سیگنال ها فقط برای کاربرد های پزشکی استفاده می کردند مانند تشخیص انواع بیماری ها که رایج ترین آنها بیماری صرع است . اما بعد ها از این سیگنال

به طور کلی پايگاه داده­های آسيب پذيری­ها را می­توان به دو دسته تقسيم کرد. اول پايگاه داده­های عمومی مانند [1]CVEو [2]OSVDBدوم پايگاه داده­های سازندگان نرم افزارها مانند [3]MFSA. در پايگاه داده­های عمومی اطلاعات آسيب پذيری­ها از نرم افزارهای مختلف و متنوعی موجود است و اين گزارش­ها عموماً مربوط به محصولاتی با کاربری زياد است. اطلاعات

تعدادی سيستم­های نمره دهی آسيب پذيری­ها که توسط سازمان­های تجاری و غير تجاری مديريت می­شوند، وجود دارند. هريک از اين سازمان­ها متريک­های خاص خود را دارند و در آنچه اندازه­گيری می­کنند با يکديگر متفاوت هستند. برخی از مهمترين اين سيستم­ها عبارتند از CERT/CC، تحليل آسيب پذيری SANS، سيستم نمره دهی رده بندی مايکروسافت، و [1]CVSS؛

انتخاب ويژگی، تکنيک انتخاب زيرمجموعه­ای از ويژگی­های مرتبط است، که هدف آن ساختن يک مدل يادگيری قوی­تر می­باشد. در يادگيری ماشين و آمار از عناوينی مثل انتخاب متغيير، کاهش ويژگی­ها، انتخاب صفت يا انتخاب زيرمجموعه­ای از متغييرها به جای انتخاب ويژگی نيز استفاده می­شود (12). انتخاب ويژگی با حذف ويژگی­های بی­ربط و کاهش ابعاد ويژگی­های