مقالات اولین کنفرانس داده کاوی ایران

لیست مقالات

Data Mining Algorithms

• فاصله اطلاعاتی و کاربرد آن در سریهای زمانی
• Applying Genetic Algorithm for Allocating Students to the Dormitory Rooms
• تشخیص زاویه نورپردازی در تصاویر چهره با رویکرد یادگیری قوانین تصمیم گیری
• روش یادگیری دسته بند فازی Emmff و بکارگیری آن در داده های پزشکی
• Solving Minimum Steiner Tree Problem Using Generalized Distributed Learning Automata
• Data Mining Process Using Clustering: A Surve
• تطبیق پارامترهای خوشه بندی مورچه ای به کمک cla-pso
• An Efficient Algorithm for Clustering of Convex and Non-Convex Data
• طراحی و توسعه یک سیستم داده کاوی مبتنی بر شبکه های عصبی مصنوعی ART1 برای استخراج ویژگیهای تکنولوژی اختراعات ثبت شده (پتنت ها(
• A New Clustering Method Using Ant Colony Optimization Algorithm
• An Agent-based Method for Predicting Monthly Maximum & Minimum Quote Prices

Data Mining Applications

• طراحی تصادفی و بهبود شکل بطری با استفاده از الگوریتم ژنتیک بر اساس نمونه های دلخواه مشتری
• بکارگیری قوانین همبستگی و آنالیزکلاستردر آسیب شناسی افت تحصیلی دانشجویان دانشگاه صنعتی امیرکبیر
• کاربرد دسته بندی فازی در سیستم آموزشی هوشمند تحت وب
• طراحی و پیاده سازی عامل هوشمند تصمیم یار توریست
• Data mining in telecommunications and studying its status in iran telecom companies and operators
• بررسی تفکیک پذیری پتانسیل های برانگیخته بینایی تک ثبت بر حسب نوع تحریک
• رهیافت کاربردی تکنیکهای پردازش زبان طبیعی و خوشه بندی به منظور آنالیز medline اطلاعات در داده کاوی پایگاه داده طولی مقالات زیست – پزشکی
• دسته بندی داده های ژنتیکی گیاهان به کمک شبکه های عصبی
• Incident management in motor vehicle accidents: Application of data mining

Data Mining Integration

• استخراج دانش از پایگاه های داده تحت وب عمیق با استفاده از Correlation Mining
• بازیابی هوشمندانه منابع در شبکه گرید
• مصور سازی و تحلیل فرآیند جستجوی فضای جواب توسط الگوریتم ژنتیک در حل مسائل بهینه یابی ترکیبی پیچیده با استفاده از خوشه بندی فضای جستجو
• توسعه فرآیند و طراحی نرم افزار چهار مرحله ای داده کاوی برای اکتشاف دانش در پایگاه های داده ای اختراعات ثبت شده با هدف پیش بینی تکنولوژی
• داده کاوی توزیع شده در شبکه های peer to peer – مسئله ی محرمانگی اطلاعات و راهکاری با کمک نظریه بازیها
• داده‌کاوی موازی و توزیع شده مبتنی بر سرویس بر روی گرید
• Effect of Candidate Hashing and Transaction Trimming in Distributed Mining of Association Rules
• A Novel Method for Parallel Video Data Mining

Data Mining Process

• استخراج اطلاعات از صفحات وب بر اساس ساختار آنها
• شناسایی اثرکف دست بااستفاده از مدل HMAX
• ارائه یک روش مبتنی بر منطق فازی برای استخراج داده معتبر
• پاسخ دهی به پرس و جو به صورت مشارکتی به کمک پایگاه داده چند سطحی
• انباره های داده: مفاهیم ملزومات و معماری
• داده کاوی, ابزاری برای تهیه اطلاعات مورد نیاز در تصمیم گیری بر اساس نظریه بازیها
  

Data Mining Tasks

• الگوریتم جدید اتوماتای یادگیر پیوسته تکاملی برای حل مسائل بهینه‌سازی با نویزی تصادفی
• بررسی سنجش اعتباری مشتریان اعتباری بانک ملی در سطح تهران با استفاده از مدل‌های داده‌کاوی
• Music Pattern Mining: A Machine Learning Approach via Neural Networks and a Music Style Classification Technique
• طبقه بندی تصاویر بر اساس الگوهای بصری مشترک
• بکارگیری تحلیل های داده کاوی مکان محور در شناسایی و اندازه گیری روند تغییرات تقاضای خدمات امدادی در سطح شهر
• Modified k-means algorithm for clustering stock market companies
• افزایش کارایی الگوریتم های خوشه بندی مبتنی بر روش یادگیری تقویتی
• Parallel Mining of All None-Derivable Frequent Itemsets
• رتبه بندی قوانین استخراج شده از داده کاوی به کمک تکنیک

 نوشته شده توسط لادن در سه شنبه 90/3/24 و ساعت 4:20 عصر | نظرات دیگران()

برنامه‌سازی تکاملی

برنامه سازی تکاملی (به انگلیسی: Evolutionary programming)، یکی از چهار الگوی الگوریتم های تکاملی است.برنامه سازی تکاملی در زمینه بهینه سازی توابع پیوسته، بدون استفاده از عمل نو ترکیبی (Recombination) کاربرد دارد.

منابع  

• http://en.wikipedia.org/wiki/Evolutionary_programming

 نوشته شده توسط لادن در سه شنبه 90/3/24 و ساعت 4:13 عصر | نظرات دیگران()

الگوریتم های تکاملی

الگوریتم های تکاملی(به انگلیسی: Evolutionary algorithms )، زیر مجموعه‌ای از محاسبات تکاملی است و در شاخه هوش مصنوعی قرار می‌گیرد.

الگوریتم های تکاملی شامل الگوریتم هایی جهت جستجو است که در آنها عمل جستجو از چندین نقطه در فضای جواب می باشد.

الگوریتم های تکاملی عبارتند از:

• الگوریتم ژنتیک
• برنامه سازی ژنتیکی
• برنامه سازی تکاملی
• استراتژی تکامل

روش‌های الگوریتم تکاملی 

این الگوریتم ها از برخی مکانیزم‌های طبیعی الهام گرفته اند که عبارتند از: تولید، جهش، ترکیب و انتخاب.
راه حل‌های منتخب برای مسائل بهینه‌سازی نقش اجزا را ایفا می‌کنند و تابع هزینه از میان این اجزا و افراد، تصمیم می‌گیرد که چه راه حل‌هایی باقی بمانند. تکامل جمعیت با بکار بردن موارد بالا همچنان ادامه می‌یابد تا به یک جواب خوب (و نه بهینه)برسد.

منابع 

• Ashlock, D. (2006), Evolutionary Computation for Modeling and Optimization, Springer, ISBN 0-387-22196-4.

Bäck, T. (1996), Evolutionary Algorithms in Theory and Practice: Evolution Strategies, Evolutionary Programming, Genetic Algorithms, Oxford Univ. Press

 نوشته شده توسط لادن در سه شنبه 90/3/24 و ساعت 4:9 عصر | نظرات دیگران()

محاسبات تکاملی

محاسبات تکاملی (رایانش تکاملی) شاخه‌ای از هوش مصنوعی (یا به طور خاص‌تر هوش محاسباتی) است که شامل مسایل بهینه‌سازی ترکیبی می‌شود.

محاسبات تکمیلی شامل چهار زیر گروه اصلی می‌باشد.

• 1- الگوریتم ژنتیک (Genetic algorithm)
• 2- روند تکاملی (Evolutionary Strategy)
• 3- برنامه سازی ژنتیکی (Genetic programming)
• 4- برنامه سازی تکاملی (Evolutionary programming)

منابع

• K.A. De Jong, Evolutionary computation: a unified approach. MIT Press, Cambridge MA, 2006

Eiben, A., Smith, J.: Introduction to Evolutionary Computing. 2 edn. Natural Computing Series. Springer 2007

 نوشته شده توسط لادن در سه شنبه 90/3/24 و ساعت 4:6 عصر | نظرات دیگران()

محاسبات نرم

محاسبات نرم (Soft Computing) به مجموعه‌ای از شیوه‌های جدید محاسباتی در علوم رایانه، هوش مصنوعی، یادگیری ماشینی و بسیاری از زمینه‌های کاربردی دیگر اطلاق می‌شود. در تمامی این زمینه‌ها به مطالعه، مدل‌سازی و آنالیز پدیده‌های بسیار پیچیده‌ای نیاز است که شیوه‌های علمی دقیق در گذشته به حلّ آسان، تحلیلی، و کامل آنها موفّق نبوده‌اند.

نکته‌ها و چرائی‌های فلسفی

در مقایسه با تدابیر علمی نرم، روش‌های علمی بکار رفته در سده‌های پیشین، تنها از عهده مدل‌سازی و آنالیز سامانه‌های نسبتاً ساده در مکانیک، فیزیک، و برخی از زمینه‌های کاربردی و مهندسی برآمده‌اند. مسائل پیچیده‌تری همچون سامانه‌های وابسته به علوم زیست‌شناسی و پزشکی، علوم اجتماعی، علوم انسانی، علوم مدیریت و نظایر آنها بیرون از قلمرو اصلی و توفیق‌آفرین روشهای ریاضی و تحلیلی دقیق باقی مانده‌بودند. شایان ذکرست که خصایص سادگی و پیچیدگی اموری هستند نسبی، و به‌طور یقین، اغلب مدل‌سازی‌های ریاضی و علمی موفّق در گذشته هم، به مفهوم مطلق کلام، بسیار پر اهمّیّت و پیچیده بوده‌اند.

محاسبات نرم با تقبل نادقیق بودن و با محور قرار دادن ذهن انسان به‌پیش می‌رود. اصل هدایت کننده محاسبات نرم بهره‌برداری از خاصیت عدم دقیق بودن جهت مهار کردن مسأله و پایین آوردن هزینه راه‌حل است.

محاسبات نرم را می‌شود حاصل تلاشهای جدید علمی دانست که مدل‌سازی، تحلیل، و در نهایت کنترل سیستم‌های پیچیده را با سهولت و موفّقیت زیادتری امکان‌پذیر می‌سازد. به عنوان مهم‌ترین شاخه‌های این محاسبات، باید منطق فازی، شبکه‌های عصبی مصنوعی، و الگوریتم ژنتیک را نام‌برد.

برخلاف شیوه‌های محاسباتی سخت که تمامی همّت و توان خود را به دقیق‌بودن، و در جهت مدل‌نمودن کامل حقیقت معطوف می‌دارند، روش‌های نرم بر اساس تحمّل نادقیق‌نگری‌ها، حقایق جزیی و ناکامل، و فقدان اطمینان استوار گردیده‌اند. درک هر چه روشن‌تر از چرایی، چگونگی، و نیز فلسفه? این‌گونه محاسبات جدید است که افق‌های جدید در علوم پیچیده آینده را روشن‌می‌سازد.

یکی از بزرگ‌ترین زمینه‌های کاربرد محاسبات نرم در ایجاد و گسترش وب معانی گرا خواهد بود.

محاسبات نرم در مقایسه با محاسبات سخت

به زبان ساده علمی، روش‌های سخت برآمده از طبیعت و نحوه رفتار ماشین است، ولی، در مقابل، شیوه‌های نرم به انسان و تدابیر اتخاذ شده از سوی ذهن او به منظور حل و فصل مسائل اختصاص پیدا می‌کند.

منابع 

• محاسبات نرم: جمع سیستم‌های تکاملی، عصبی، و فازی باهم (انگلیسی)
• سیتم‌های هوشمند کنترل با استفاده از روش‌های محاسبات نرم (انگلیسی)

 نوشته شده توسط لادن در شنبه 90/3/21 و ساعت 9:6 صبح | نظرات دیگران()