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

در شبكه هاي عصبي پرسپترون چند لايه يكي از پارامترهاي طبقه بند، سايز يا تعداد گره‌هاي هر لايه از شبكه مي‌باشد. اكثر مسايل طبقه بندي با استفاده از يك شبكه عصبي پرسپترون

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

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

  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

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