دانلود پایان نامه داده کاوی و کاربرد آن در تشخیص بیماری ها ( دیابت )

مروری بر داده کاوی و بررسی شبکه های عصبی‎

چندین دهه است که شرکت ها اطلاعات را جمع آوری می نمایند تا با ایجاد یک پایگاه داده انبوه اطلاعات را ذخیره کنند، با این حال که اطلاعات در دسترس آنها قرار دارد فقط تعداد کمی از شرکت ها قادر شده اند به ارزش واقعی ذخیره شده در آنها پی ببرند سوال این شرکتها این است که چگونه میتوان به ارزش واقعی این اطلاعات دست یافت؟ پاسخ آن داده کاوی است، که امروزه در بسیاری از صنعتها از جمله پزشکی، آموزش، ورزش و بسیاری از صنایع دیگر مورد استفاده قرار میگیرد. تکنیکهای بسیاری جهت داده کاوی وجود دارد از جمله شبکه های عصبی مصنوعی، رگرسیون، درخت تصمیم و غیره. همچنین طراحی شده است اشاره SAS که توسط شرکت JMP نرم افزارهایی نیز برای داده کاوی ایجاد شده است که میتوان به نرم افزار کرد. این مقاله به معرفی داده کاوی و برخی از روشهای داده کاوی و همچنین محیطهایی که از داده کاوی بهره میبرند به همراه نرم افزار های آن پرداخته است.

فهرست :

چکیده

مقدمه

داده کاوی

تکنیک های داده کاوی

دسته بندی

رگرسیون گیری

خوشه بندی

تجمع و همبستگی

درخت تصمیم گیری

ویزگی های درخت تصمیم

الگوریتم ژنتیک

شبکه های عصبی مصنوعی

ساختار شبکه عصبی

نورون

معماری شبکه عصبی

شبکه های پیش خور تک لایه

انواع یادگیری در شبکه های عصبی مصنوعی

داده کاوی در پزشکی

داده کاوی در سلامت

نرم افزار های داده کاوی

نتیجه گیری

مراجع

علوم تربیتی 10. جدول زمانی دوره تحصیلی دانشگاه با الگوریتم ژنتیک

جدول زمانی دوره تحصیلی دانشگاه با الگوریتم ژنتیک
چکیدهاین مقاله به شرح فعالیت های الگوریتم ژنتیکی هیبریدی در ارتباط با نمونه های واقعی مسئله جدول زمانی دوره اموزش دانشگاهی می پردازد. ما جدول زمانی آزمایشی را در محیط کاملا محدود مد نظر قرار می دهیم، که در ارتباط با آن تعریف رسمی داده می شود. تکنیک های ارائه راه حل متناسب با مسئله به همراه اپراتورهای ژنتیک مربوطه و الگوریتم جستجوی محلی تعریف می گردد. روش مطرح شده در این مقاله با موفقیت برای جدول زمانی در نهادهای پژوهشی مورد استفاده قرار گرفته و دارای قابلیت ایجاد جدول زمانی برای نمونه های مرتبط به مسائل پیچیده تر می باشد.

برق 34. طراحی بهینه شبکه برق برای یک مزرعه بادی بزرگ دریایی بر اساس رویکرد الگوریتم ژنتیک اصلاح شده

طراحی بهینه شبکه برق برای یک مزرعه بادی بزرگ دریایی بر اساس رویکرد الگوریتم ژنتیک اصلاح شده
چکیده- توسعه روز افزون مزارع بادی در مقیاس بزرگ دریایی در سراسر جهان باعث ظهور بسیاری از چالش های فنی و اقتصادی جدید شده است. هزینه سرمایه شبکه‌ برقی که از مزارع بادی بزرگ دریایی پشتیبانی می‌کند، بخش قابل ‌‌توجهی از هزینه کل مزارع بادی را تشکیل می‌دهد. لذا، یافتن طراحی بهینه شبکه برق یک وظیفه خیلی مهم است که در این مقاله به آن پرداخته می‌شود. در این مقاله یک مدل هزینه توسعه یافته است که هزینه‌های دقیق‌تر و واقعی‌تر ترانسفورماتورها، پست‌ها و کابل‌ها را در بر می‌گیرد. همین موضوع باعث شده است مدل جدید ارائه شده نسبت به روش‌های موجود مبسوط‌تر و بهتر باشد. همچنین از یک الگوریتمی استفاده شده است که مبتنی است بر الگوریتم ژنتیک بهبودیافته و شامل الگوریتم خاصی است که حین طراحی آرایه‌های شعاعی، سطح مقطع‌های گوناگون کابل‌ها را هم در نظر می‌گیرد. رویکرد ارائه شده توسط یک مزرع بادی بزرگ دریایی آزموده شده است؛ نتایج آزمون نشان می‌دهد که الگوریتم معرفی‌شده طراحی‌های بهینه معتبری از شبکه برق را فراهم می‌کند. 

الگوریتم ژنتیک و حل مسئله TSP

در این مقاله ابتدا الگوریتمهای ژنتیک را معرفی کرده و مراحل انجام چنین الگوریتمهایی توضیح داده می شود. بعد از اینکه یک دید کلی نسبت به الگوریتمهای ژنتیک پیدا کردیم به مساله TSP میپردازیم. ابتدا چند روشی که برای حل مسئله TSP ارائه شده است را بیان می کنیم و بعد سعی می کنیم الگوریتمهای ژنتیک مختلفی را برای این مساله مطرح کنیم و  پس بررسی می کنیم که کدام یک از این الگوریتمهای ژنتیک بهتر از بقیه روشها جواب می دهند. در پایان نیز مقایسه ای بین  الگوریتمهای ژنتیک و دیگر الگوریتمها انجام می دهیم.