Thesis

دسته بندی داده های چند برچسبی با استفاده از سامانه های دسته بندی یادگیرنده

Abstract(in Persian; no English abstract is available)

دسته بندی یکی از مهمترین فرآیندهای مورد مطالعه در حوزه یادگیری ماشین و داده کاوی است که در برنامه های کاربردی فراوانی از جمله دسته بندی متن، تشخیص پزشکی، بیوانفورماتیک و... مورد استفاده قرار می گیرد. مسائل دسته بندی را می توان براساس تعداد برچسب های منتسب به هر یک از داده ها به دو دسته کلی مسائل دسته بندی تک برچسبی و مسائل دسته بندی چند برچسبی تقسیم کرد. در مسائل دسته بندی تک برچسبی، هر داده دارای یک برچسب منحصر به فرد است. اکثر مطالعات صورت گرفته در حوزه یادگیری ماشین مربوط به این نوع مسائل دسته بندی بوده است. اما مسائل مهم زیادی وجود دارد که حل آنها مستلزم انجام دسته بندی چند برچسبی است. در این مسائل، هر داده ممکن است به بیش از یک برچسب منتسب شود. سامانه های دسته بندی یادگیرنده (lcs) یک اسلوب ایجاد و استنتاج قوانین هستند که از الگوریتم ژنتیک به عنوان ساز و کار اولیه جستجو استفاده می کنند. این اسلوب ها به دنبال یک مجموعه از قوانین قابل اطمینان و با درجه صحت بالا هستند. اگرچه فعالیت های مختلفی برای انجام دسته بندی توسط سامانه های دسته بندی یادگیرنده انجام شده است اما اکثر این فعالیت ها نیز برای دسته بندی داده های تک برچسبی بوده و در مورد دسته بندی چند برچسبی این تحقیقات در اول راه قرار دارد. هدف اصلی این تحقیق، ایجاد یک مجموعه قوانین با استفاده از lcs برای دسته بندی داده های چند برچسبی است که نتایجی کارآمد و قابل مقایسه با سایر روش های دسته بندی چند برچسبی داشته باشد. در این تحقیق از xcs به عنوان سامانه پایه استفاده شده و بخش های عمده آن برای ایجاد امکان مواجهه با داده های چند برچسبی مورد تغییر قرار گرفته است. برای این منظور دو روش مختلف بازنمایی دانش برای مسائل دسته بندی چند برچسبی، روش پاداش دهی متناسب با این مسائل و یک ساز و کار کشف قوانین که با استفاده از یک مکانیزم رای گیری برای lcs و با بهره گیری از تجربیات قبلی سامانه ی کشف را هدایت می کند معرفی شده است.

Supervisors and advisors

ستار هاشمی، علی حمزه، اقبال منصوری، شهرام جعفری

Similar theses

Similar items

  • دسته بندی داده های جریانی فازی با استفاده از تحلیل پوششی داده ها

    Articleمدیریت توسعه و تحولامینه توحیدی، دانشجوی کارشناسی ارشد ، دانشگاه آزاد اسلامی، واحد قزوین ،گروه مهندسی صنایع ، قزوین،ایران محمدامین ادیبی، استادیار دانشگاه آزاداسلامی، واحد قزوین،گروه مهندسی صنایع ، قزوین، ایران علیرضا علی نژاد، دانشیار ،دانشگاه آزاد اسلامی، واحد قزوین، گروه مهندسی صنایع، قزوین،ایران

    در این تحقیق یک روش دسته بندی داده های غیرقطعی از نوع فازی که از جمله چالش برانگیزترین حوزه های تحلیل داده محسوب می شود، ارائه شده است. در واقع حجم بالا و پیچیدگی روش های تحلیل داده مانع از توسعه روش هایی جهت تحلیل داده های فازی می شود. با این حال در برخی حوزه های دیگر همچون برنا

  • دسته بندی پرسش ها با استفاده از ترکیب دسته بندها

    Articleپردازش علائم و داده هاهادی قائمی، hadi ghaemi ferdowsi university of mashhad (fum) campus, azadi sq., mashhad, khorasan razavi, iran. 9177948974آزمایشگاه فناوری وب معنایی دانشگاه فردوسی مشهد،مشهد،ایران محسن کاهانی، mohesn kahani ferdowsi university of mashhad (fum) campus, azadi sq., mashhad, khorasan razavi, iran. 9177948974آزمایشگاه فناوری وب معنایی دانشگاه فردوسی مشهد،مشهد،ایران

    هدف از تولید و گسترش سیستم های پرسش و پاسخ، ایجاد پاسخ دقیق برای پرسش داده شده به زبان طبیعی می باشد. یکی ازمهم ترین بخش های سیستم های پرسش و پاسخ دسته بندی پرسش است. عمل دسته بندی پرسش، پیش بینی نوع پاسخ مورد نیاز برای پرسش داده شده به زبان طبیعی می باشد. کارهای انجام شده در این

  • بررسی کارایی شبکه عصبی مصنوعی در برآورد بار معلق رودخانه با استفاده از داده های دسته بندی شده

    Article2015نشریه محیط زیست و مهندسی آبهمایون فقیه، عطا امینی، فرزانه حیدری، کیوان خلیلی

    بار رسوب جریان، شاخص مفیدی در پیش­بینی فرسایش خاک در حوزه­های آبخیز است؛ بنابراین تدوین مدلی برای برآورد بار رسوب می­تواند در مدیریت و اجرای پروژه­های آبخیزداری و مهندسی رودخانه مفید باشد. در این پژوهش روش دسته­بندی داده­ها به­عنوان راه­کاری برای افزایش دقت شبکه عصبی مصنوعی در تد

  • دسته بندی و پیش بینی وضعیت تحصیلی دانشجویان با استفاده از تکنیک های داده کاوی

    Articleنامه آموزش عالیسمیه حیدری، مدرس دانشکده مهندسی صنایع دانشگاه آزاد اسلامی واحد پرند مسعود یقینی، عضو هیئت علمی دانشگاه علم و صنعت ایران

    داده کاوی و کشف الگوها و دانش نهفته در داده های سیستم های آموزشی کمک شایانی به تصمیم گیرندگان عرصه آموزش عالی جهت بهبود فرآیند های آموزشی نظیر برنامه ریزی، ثبت نام، ارزیابی و مشاوره می نماید. هدف مقاله حاضر، دسته بندی و پیش بینی وضعیت تحصیلی دانشجویان با استفاده از تکنیک های داده

  • دسته بندی و پیش بینی کلاله سه شاخه و چند شاخه زعفران با استفاده از ابزار های آماری یادگیری ماشینی بدون نظارت

    Articleزراعت و فناوری زعفرانامیرحسین بیکی، استادیارگروه زیست شناسی، دانشکده علوم پایه، دانشگاه قم

    زعفران یک گیاه تریپلوئید و عقیم است که در همه کشورها به عنوان یک ادویه و گیاه دارویی مورد استفاده قرار می گیرد. کلاله مهم ترین قسمت گیاه زعفران می باشد. تاکنون هیچ روش مطمئن مولکولی برای شناسایی و پیش بینی گونه های دارای کلاله سه و چند شاخه ارائه نشده است. در این بررسی بر اساس نش

  • تعیین تیپ سنگی با استفاده از دسته بندی چندبعدی داده های لاگ

    Article2007نشریه دانشکده فنیوحید توکلی، عبدالحسین امینی

    زون بندی سازندهای مخزنی در میادین نفتی از اهمیت زیادی برخوردار است. به همین منظور تعیین تیپهای سنگی1 با خصوصیات مخزنی معین، از اولویتهای مطالعه مخازن است. تعیین تیپ سنگی می تواند بر اساس انواع داده های در دسترس صورت گیرد، اما از آنجا که داده های لاگ تقریباً برای همه چاهها وجود دا