امروزه با گسترش سیستم های پایگاه داده و حجم بالای داده های ذخیره شده در آنها، به داده کاوی نیاز است تا بتوان الگوهای مفید در داده ها را شناسایی کرد و با در اختیار قرار دادن اطلاعات به کاربران و جستجوگران به آنها در اتخاذ تصمیمات مهم و حیاتی کمک نمود. یکی از شاخه های مهم داده کاوی، دنباله کاوی است که در پی آن است که الگوهای متوالی را که بین رویدادهای مختلف وجود دارد، بیابد. الگوریتم های کلاسیک دنباله کاوی برای پردازش داده های عددی کاربرد ندارند و تنها داده های باینری را پردازش می کنند، لذا در مواجهه با داده های عددی، آنها را به صورت باینری تحت پردازش قرار خواهند داد که منجر به از دست رفتن اطلاعات خواهد شد. به کمک مجموعه-های فازی می توان از این مشکل جلوگیری کرد. امروزه با بوجود آمدن مسائلی همچون کنترل ترافیک شبکه، نوع جدیدی از داده بنام جریان داده بوجود آمده است که الگوریتم های کاوش در این نوع مسائل با محدودیت های سرعت و حافظه روبرو هستند. لذا در این پایان نامه بر آن هستیم تا با ارائه الگوریتمی عمومی که قابلیت کاوش الگوهای دنباله ای در جریان داده های عددی و غیرعددی داراست و مجموعه دقیق الگوهای دنباله ای را با سرعت بیشتر نسبت به الگوریتم های موجود مورد کاوش قرار می دهد، مشکلات الگوریتم های پیشین در این زمینه را حل کنیم. در فصل مربوط به معرفی الگوریتم، با مقایسه این الگوریتم با روش های موجود و بررسی الگوریتم ارائه شده در حالات مختلف تحقق این امر را نشان خواهیم داد.

بازیابی تصویر مبتنی بر محتوا یک زمینه تحقیقاتی است که هدف آن تسهیل فرایند جستجو و بازیابی تصاویر بر اساس ویژگیهای بصری تصاویر مانند رنگ، شکل و بافت، در پایگاه داده های بزرگ تصویری است. نیاز روزافزون به سیستمهای بازیابی تصویر در زمینه های چندرسانه ای مانند جلوگیری از جرم، تحصیل، اطلاعات جغرافیایی و ... باعث شده است که بازیابی تصویر یکی از موضوعات جذاب برای تحقیق باشد. با وجود ویژگیهای متنوعی که امروزه در سیستمهای بازیابی تصاویر، از آنها برای توصیف محتوای تصاویر استفاده می شود، انتخاب از میان این ویژگیها یکی از مراحل مهم برای طراحی یک سیستم بازیابی تصویر است. اما کدامیک از این ویژگیها برای توصیف تصاویر موجود در یک پایگاه داده خاص، به منظور کلاس بندی و بازیابی تصاویر، مناسب تر هستند؟ کاهش تعداد ویژگیها و انتخاب موثرترین آنها در کلاس بندی و بازیابی تصاویر هنوز فرایندی چالش برانگیز است. یکی از انواع روشها برای برآورده کردن این نیاز، روشهای انتخاب ویژگی نام دارد. گشتاورها یکی از انواع ویژگی های شکل تصاویر هستند، که کاربرد زیادی در کلاس بندی و تشخیص اشیا در تصاویر دارند. در این پایان نامه مسئله انتخاب ویژگی های مفید در کلاس بندی و بازیابی تصاویر، از میان ویژگیهای شکل مبتنی بر گشتاورها مورد بررسی قرار گرفته است. روشهای ارائه شده در این پایان نامه شامل روشی جدید برای وزن دهی ویژگیهای مبتنی بر گشتاور و روشهایی برای انتخاب زیرمجموعه ای از ویژگیها بر اساس وزنهای نسبت داده شده به آنهاست. در سیستم بازیابی تصویر پیاده سازی شده در این پایان نامه، از گشتاور legendre به عنوان ویژگی شکل و از پایگاه داده شکل coil-20 برای تحلیل روشها استفاده شده است. نتایج مقایسه روش وزن دهی ارائه شده و الگوریتم relieff نشان می دهد که روش ارائه شده تاثیر بهتری در کارایی فرایند انتخاب ویژگی و بازیابی تصاویر دارد، از این رو کیفیت کلی سیسـتم بازیابی تصویر را بهبود می بخشد.

به طور کلی در شرایط واقعی تقاضا تحت تاثیر عوامل مختلفی قرار دارد. در سال های اخیر تلفیق سیاست های بازاریابی و سیاست های مدیریت موجودی با در نظر گرفتن تقاضا به صورت وابسته به برخی پارامترها مانند قیمت فروش و یا هزینه بازاریابی مورد توجه محققین بوده است کیفیت خدمات فروش و پس از فروش از جمله مهم ترین پارامترهای اثرگذار بر رضایت مشتریان و در نتیجه بر تقاضا است که تاکنون در مدل های موجودی در خصوص تاثر آن بر تقاضا مطالعه چندانی صورت نگرفته است. هزینه های سیستم موجودی از جمله هزینه واحد و ..به طور معمول به مقدار تولید و یا اندازه انباشته وابسته هستند. از سوی دیگر پارامترهای هزینه در مدل های موجودی و پارامترهایی مانند حسایت تقاضا نسبت به عوامل اثرگذار بر آن و ..در مسایل واقعی با عدم قطعیت همراه می باشند و نظریه مجموعه های فازی رویکردی مناسب برای مواجهه با این عدم قطعیت به شمار می رود. در این تحقیق به منظور بررسی تاثیرات قیمت بازاریابی و خدمات بر تقاضا در مدل های موجودی مدل هایی با فرض تقاضا به صورت تابعی از قیمت هزینه بازاریابی و کیفیت خدمات و نیز فرض هزینه واحد به صورت تابعی از مقدار سفارش اقتصادی در شرایط مجاز بودن کمبودب در محیط فازی و هیپریدی ارایه شده است. به طور کلی تعیین نتایج مدل فازی با استفاده از توابع عضویت فازی اطلاعات بیشتری را در اختیار مدیران و تصمیمم گیرندگان قرار می دهد به همین دلیل با استفاده از تکنیک های بهینه سازی فازی و برنامه ریزی هندسی نتایج مدل های فازی ارایه شده به صورت فازی و با استفاده از توابع عضویت تقریبی فازی تعیین شده اند.

انتخاب کنش خوب، موضوع اصلی در هر گام تصمیم گیری برای رسیدن به موفقیت در سیستم های طبیعی و مصنوعی به شمار می رود و از این رو انتخاب کنش خوب در سیستم های نیمه رویت پذیر به منظور رسیدن به راه حل های بهتر، ضروری به نظر می رسد. اکثر تحقیقات در حوزه یادگیری ماشین نیز بر دو پایه اصلی بهبود کیفیت و کاهش زمان یادگیری متمرکز هستند. یکی از روش های موجود برای یادگیری در حوزه یادگیری تقویتی، الگوریتم تکرار سیاست می باشد که این روش در فرآیندهای نیمه رویت پذیر مارکوف، به صورت تقریبی و مبتنی بر گسترش می باشد. در این پایان نامه، بکارگیری الگوریتم تکرار سیاست مبتنی بر رجحان در سیستم نیمه رویت پذیر مارکوف با توجه به زمان داخلی پیشنهاد شده است. برای ارزیابی روش پیشنهادی از سه محیط آموزشی ماشین-کوهستان، پاندول معکوس و ماز استفاده شده است. نتایج آزمایش ها نرخ بالای موفقیت را در الگوریتم تکرار سیاست مبتنی بر رجحان که در آن از رتبه بند به عنوان سیاست یادگیری استفاده می شود، نسبت به الگوریتم سنتی تکرار سیاست تقریبی که در آن از نگاشت به عنوان سیاست یادگیری استفاده می شود، نشان می دهند. همچنین اجرای هر روش بر روی هر یک از محیط های شبیه سازی شده در فضای مارکوف رویت پذیر و نیمه رویت پذیر، نتایج تقریبا یکسانی را از خود برجای گذاشته است.

یادگیری تقویتی عبارت است از قالب بندی یک مسئله به فرم یادگیری از طریق تعامل برای رسیدن به هدف. زمانی که فضای حالات و یا کنش ها پیوسته و یا خیلی بزرگ شود استفاده از عناصر حافظه برای نگه داری ارزش حالات بسیار زیاد خواهد شد. این مسئله در رابطه با زمانی که در طول یادگیری ارزش کنش ها به دست آورده می شود، بحرانی تر خواهد شد. علاوه بر حافظه مصرفی مسئله ، داده و زمان لازم برای پر کردن آنها نیز مهم است. بنابراین مسئله تعمیم پیش خواهد آمد.روش پیشنهاد شده برای مسائل یادگیری تقویتی با فضای پیوسته ای از حالت ها و کنش ها مناسب است. در این روش از شبکه عصبی خودسازمان ده dignet برای نمایش فضای حالت و کنش استفاده شده است.استفاده از این شبکه سبب می شود در یک فضای پیوسته، عامل بتواند با استفاده از یک حافظه مصرفی مناسب ،میزان داده و زمان قابل قبول به هدف دست یابد.در پیشنهاد این پایان نامه مفاهیم اساسی یک مسئله یادگیری تقویتی و همچنین یک شبکه عصبی خودسازمان ده dignet بررسی می شود، و ساختار این شبکه به عنوان یک روش خوشه بندی کارا برای حل چالش پیوستگی فضای حالات و کنش ها ،در مسئله یادگیری تقویتی پیشنهاد می شود و کارایی آن بررسی و مقایسه می شود.

پیشرفت سریع دستگاه های مکان یابی و تکنولوژی های ارتباطی، باعث ایجاد حجم انبوهی از داده های اشیاء متحرک در کاربردهای مختلف شده است. برای استخراج دانش از این حجم انبوه داده، نیاز به روش های ویژه ای است. به این ترتیب داده کاوی اشیاء متحرک حوز? مهمی در داده کاوی است. خوشه بندی داده های مسیر، موضوع مورد توجهی در این حوزه است. در این پایان نامه، چارچوب جدیدی برای خوشه بندی داده-های مسیر ارائه می شود. این چارچوب شامل سه مرحله است: پیش پردازش، کاهش و خوشه بندی. در فاز پیش پردازش، مسیرها با استفاده از یک روش تخمین منحنی ساده سازی و سپس قطعه مسیرها از مسیرهای ساده شده استخراج می شوند. در نمایش قطعه مسیرها از یک کد جهت استفاده می شود. در فاز کاهش مجموع? قطعه مسیرها، با استفاده از روشی که برای میانگین گیری از قطعه مسیرها پیشنهاد شده است، کاهش می یابد. نقش اصلی مرحل? کاهش، افزایش کارایی فاز خوشه بندی است.در فاز خوشه بندی، قطعه مسیرها با استفاده از روش پیشنهادی خوشه بندی مبتنی بر چگالی محلّی، خوشه بندی می شوند. در کنار چارچوب پیشنهادی، تابع فاصله ای برای قطعه مسیرها تعریف شده است که در فاز خوشه بندی به کار می رود. ارزیابی تجربی نشان می-دهد که چارچوب پیشنهادی، کیفیت خوشه بندی را بهبود می دهد.

الگوریتم های کلاسیک برای حل مشکلات در مقیاس بزرگ سازگار نیستند. روش ‎های کلاسیک و‎ ‎مستقیم‎ ‎با‎ ‎توجه‎ ‎به‎ ‎ابعاد‎ ‎ماتریس‎،‎ ‎برای‎ ‎حل دستگاه‎ ‎به‎ ‎زمان‎ ‎اجرای‎ ‎مشخصی‎ ‎نیاز‎ ‎دارند‎ ‎اما‎ ‎با‎ ‎افزایش‎ ‎ابعاد‎ ‎ماتریس، ‎تعداد اعمال‎ ‎محاسباتی‎ ‎به‎ ‎سرعت‎ ‎افزایش‎ ‎می یابند‎. ‎بنابراین اگرچه دقت روش های مستقیم از روش های تصادفی و تکراری بیشتر است ولی این روش ها به دلیل پیچیدگی محاسباتی بسیار زیاد، در ماتریس هایی با اندازه بزرگ کارایی ندارند. سادگی، سرعت و دقت مناسب الگوریتم های تصادفی، دلایل مناسبی برای به کارگیری آن ها در بسیاری از مسائل مطرح اعم از داده کاوی، جبرخطی و نظریه ی اعداد می باشند. برای بسیاری از برنامه های کاربردی، الگوریتم تصادفی، ساده ترین و سریع ترین الگوریتم در دسترس می باشد.

تا کنون روش های مختلفی برای حل مسائل یادگیری تقویتی ارائه شده است و در طول سال های اخیر تسریع روش های حل، یک مساله چالش برانگیز بوده است. برای حل مسائل یادگیری تقویتی از فرآیند تصمیم گیری مارکوف (mdp) استفاده می شود و تا کنون مطالعات زیادی برای بکاربردن روش های مختلف شکل دهی در این حوزه جهت تسریع فرآیند یادگیری انجام شده است، حال اگر با عدم قطعیت در محیط مواجه باشیم (این عدم قطعیت می تواند در مشاهدات، انتقالات و محیط باشد)، محیط مورد بررسی یک محیط نیمه رویت پذیر می شود و مساله تبدیل به فرآیند مارکوف نیمه رویت پذیر (pomdp) می شود که تصمیم گیری در این محیط بغرنج تر خواهد بود و پیدا کردن سیاست بهینه در این حالت از پیچیدگی و سربار محاسباتی بالایی برخوردار خواهد بود. از اینرو بهبود روش های حل این مسائل باعث بهبود تصمیم گیری در محیط هایی با عدم قطعیت می شود، هدف این پایان نامه کاهش مشکلات موجود از طریق بکاربردن روش های شکل دهی است که با استفاده از ویژگیهای ذاتی محیط منجر به تسریع فرآیند یادگیری شوند. در حال حاضر در حل مسائل pomdp یک راه حل قطعی وجود ندارد و روش های موجودبرای حل، تقریبی از راه حل را ارائه می کنند که همراه با سربار محاسباتی بالایی است. هدف این پژوهش این است که با استفاده از شکل دهی پاداش ها سربار محاسباتی کاهش داده شود و از این طریق یادگیری تسریع شود. روش های شکل دهی پاداش پیشنهاد شده مستقل از روش حل pomdp می باشد و از هر یک از روش های حل pomdp می توان برای حل مساله مورد بررسی استفاده کرد که این نشان دهنده جامعیت این روش پیشنهادی است. هم چنین بر خلاف سایر روش های موجود شکل دهی در محیط pomdpکه در آن ها تابع شکل دهی به صورت مساله محور طراحی شده، توابع پیشنهادی در این پایان نامه مستقل از مساله بوده و از ویژگی های ذاتی و ساختاری موجود در محیط pomdp برای شکل دهی استفاده می کنند. از اینرو تابع پیشنهادی قابل پیاده سازی روی مسائل مختلف و بهمراه الگوریتم های مختلف حل مسائل pomdp هستند.

جمع آوری و نگهداری حجم بزرگی از داده های مرتبط در کاربردهای گوناگون تجاری و صنعتی، این فرصت را به صاحبان داده می دهد تا بتوانند با استفاده از روش های پیچیده داده کاوی به تحلیل و استخراج دانش موجود در این داده های خام پرداخته و از نتایج حاصل در راستای رشد و ترقی خود و یافتن برتری نسبت به رقبا، استفاده کنند. تمایز کاوی یکی از روش های جدید داده کاوی است که هدف آن کشف کردن تمایزهای میان دو یا چند مجموعه داده می باشد. این دانش به تازگی مورد مطالعه پژوهشگران قرار گرفته است. داده کاوی با هدف حفظ محرمانگی زمینه پژوهش ها نوینی است که به بررسی اثرهای جانبی بکارگیری روش های داده کاوی در نفوذ به محرمانگی افراد یا سازمان ها می پردازد. در این راستا، تاکنون پژوهش های با محوریت حفاظت از محرمانگی انجام پذیرفته است. هدف از این پژوهش ها بدست آوردن اطمینان از جامعیت استفاده از داده کاوی در عین محرمانه ماندن اطلاعات کاربران است. تمایز کاوی با هدف حفظ محرمانگی همانند داده کاوی به بررسی اثرهای جانبی بکارگیری روش های تمایزکاوی در نفوذ به محرمانگی افراد یا سازمان ها می پردازد. در بین تحقیقاتی که تا کنون انجام شده است، تحقیقاتی پیرامون محرمانگی در تمایز کاوی وجود ندارد و یا به ندرت یافت می شود. پرسش اصلی این است که نتایج مفید و معتبر در فرآیند تمایزکاوی، بدون آنکه محرمانگی داده ها مورد تهدید واقع شود، چگونه دستیابی پذیرند. در واقع از یک سو باید به کمک روش هایی از استخراج دانش حساس جلوگیری کرد و از سوی دیگر دقت نمود که این کار بر روی کیفیت دانش غیر حساس استخراج شده از پایگاه داده تأثیر منفی نگذارد. مساله حفاظت کامل از محرمانگی اطلاعات با حفظ کیفیت داده ها، از جمله مسائل np-hard می باشد. بنابراین در بسیاری از موارد یافتن جواب قطعی برای آن کاری بسیار زمانبر و در پاره ای از اوقات تقریبا غیر ممکن است. بدین منظور در این پژوهش سعی بر آن شده است که‎ ‎حفظ‎ ‎محرمانگی‎ ‎داده ها‎ ‎در‎ ‎مقابل‎ ‎فرآیند‎ ‎استخراج‎ ‎نوعی از الگوی تمایزی به نام الگوی پدیدارشونده ‏ میان دو مجموعه داده مورد توجه قرار گیرد و برای آن الگوریتم هایی ارائه می گردد تا علاوه بر جلوگیری از افشاء اطلاعات حساس، کیفیت و اصالت داده ها نیز محفوظ باقی بماند. این الگوریتم ها از تابع بهینه سازی با چندین هدف سود برده و پنهان سازی الگوهای پدیدارشونده حساس را با ساختار درختی کارا، درخت zbdd انجام می دهد. درخت zbdd ساختاری کارا برای یافتن الگوهای پدیدارشونده است که پیچیدگی زمانی کمی نسبت به سایر روش های ارایه شده دارد. این ساختار به خصوص برای داده های تنک مناسب است. کارایی الگوریتم های پیشنهادی با انجام آزمایش و مقایسه های مختلف نشان داده شده است

در این مستند با بیان اهمیت کشف و مدیریت استفاده از دانش، با تعریفی از شبکه های اجتماعی، تاریخچه و تحلیل آن بیان می گردد. شبکه های اجتماعی ساختارهائی مبتنی بر گراف در علم ریاضیات هستند که از گره ها و یال ها تشکیل شده اند. پدیده هائی چون توزیع دنباله سنگین و جهان کوچک در شبکه های اجتماعی وجود دارد. سرمایه اجتماعی بحثی است که با ظهور اینترنت و تعاملات اجتماعی گسترده جایگاه خاصی را در جهان آینده خواهد داشت. سیستم های شبکه اجتماعی به دو صورت برون خط و برخط می تواند وجود داشته باشد. سیستم اجتماعی برون خط به تحلیل داده های جمع آوری شده می پردازد. درحالیکه سیستم های برخط موجود تلاش در ایجاد ارتباطات گسترده اجتماعی در موضوعات مختص خود دارند. تحلیل شبکه های اجتماعی براساس اطلاعات اتصالات و محتوای گره ها صورت می پذیرد و معیارهای بسیاری برای شبکه های اجتماعی وجود دارد. با توجه به گسترش استفاده از شبکه های اجتماعی، موضوعات بسیاری در رابطه با حفظ حریم خصوصی افراد شرکت کننده در این شبکه ها مطرح می گردد. مستعارسازی و گمنام سازی دو روش اصلی برای حفظ حریم خصوصی است. پس از اعمال روش های گمنام سازی بر روی داده ها و انتشار آن ها، برنامه های مختلف از این داده های منتشر شده به صورت های مختلف استفاده می کنند. گمنام سازی می بایست به صورتی اعمال شود تا این برنامه ها با کارایی بالا از این داده ها استفاده نموده و نتایج برنامه ها پس از اعمال داده های اصلی و داده های گمنام سازی شده اختلاف ناچیزی داشته باشند و گمنام سازی اطلاعات نتایج برنامه ها را تا حد امکان تغییر ندهد. در انتها مدلی برای حفظ حریم خصوصی شبکه های اجتماعی براساس گمنام سازی داده های آن ارائه می شود، که سعی می کند کارائی برخی از برنامه ها را نیز حفظ نماید. با بیان نقاط ضعف و قدرت دو الگوریتم که در این حوزه به تازگی معرفی شده، الگوریتم fnka و برخی از مشتقات آن ارائه و نتایج گمنام سازی با آن روی چند مجموعه داده های شبکه اجتماعی بررسی می گردد.

بیوانفورماتیک، مطالعات مجموعه گستره ی ژنوم، ژن، اسنیپ، مولدهای کمین فصلی

داده کاوی علم استخراج اطلاعات از انباری از داده ها است، یکی از مهم ترین انواع داده ی در دسترس گراف است. به عنوان مثال از داده های شبکه اجتماعی، فعل انفعالات بین پروتئین ها، پیوند بین مولکول ها، داده های موجود از تراکنش های بانکی و.... می توان به عنوان داده های گرافی نام برد. داده های گراف معمولاً با عدم قطعیت همراه هستند، این عدم قطعیت می تواند روی رأس ها، یال ها و یا هر دوی آن ها باشد. همچنین داده هایی وجود دارند که از حجم بسیار عظیمی برخوردار بوده و در آن واحد کل پایگاه داده در دسترس نیست،یعنی داده ها به شکل جریان وارد شده و در هر زمان فقط داده های مربوط به آن زمان در دسترس است. به دلیل حجم عظیم داده ها نگه داری آن ها در حافظه امری معقول نمی باشد. یافتن زیرساختارهای تکراری در انواع مسائل همواره مورد توجه بوده و کاربردهای فراوانی داشته است. گراف های تکراری در داده های گرافی باعث می شود الگوهایی کشف شوند و این الگوها در آینده بسیار مورد استفاده قرار گیرد. الگوریتم های محدودی برای یافتن زیر گراف تکراری از جریان داده ها و یافتن زیر گراف های تکراری از پایگاه داده با در نظر گرفتن عدم قطعیت ارائه شده است. اما تا کنون سه مسأله ی بیان شده در بالا(یافتن زیر گراف های تکراری، داده های جریانی و عدم قطعیت در داده ها) هم زمان در هیچ پژوهشی مورد مطالعه قرار نگرفته است. در این پژوهش الگوریتمیبراییافتنزیر گراف های تکراری از جریان داده با در نظر گرفتن عدم قطعیت ارائه شده است. این الگوریتم در به دست آوردن الگوهایتکراری در تراکنش های بانکی، یافتن مشتریان خاص شرکت ها، خرید و فروش سهام، شبکه های اجتماعی، تعاملات بین پروتئین ها و سایر داده های گرافی کاربرد دارد. نتیجه ی الگوریتم پیشنهادیروییک مجموعه داده آزمایش شده و در انتها ارائه گردیده است.

پژوهش حاضر با هدف پیش بینی موفقیت کشورهای شرکت کننده در بازی های المپیک با استفاده از روش های هوشمند انجام شد. این پژوهش، در دو مرحله کیفی و کمی انجام شد. در مرحله اول پژوهش مصاحبه های کیفی نیمه ساختارمند و عمیق با 28 نفر از نخبگان آگاه از موضوع پژوهش به صورت غیرتصادفی هدفمند انجام شد. انجام مصاحبه ها تا حداشباع نظری ادامه یافت. مصاحبه ها نشان داد 193 شاخص می تواند پیش بینی کننده موفقیت کشورها در بازی¬های المپیک باشد. تحلیل یافته ها با استفاده از روش کدگذاری باز، محوری و انتخابی انجام شد و 5 مولفه سیاسی، اقتصادی، اجتماعی و فرهنگی، فناوری و ورزشی به صورت الگوی نظری (pest+s) در سه سطح کلان، متوسط و خرد طبقه بندی شدند. پس از شناسایی شاخص¬ها، اطلاعات شاخص های انتخاب شده برای 42 کشور منتخب به صورت غیرتصادفی در دسترس در بازه زمانی 40 ساله از بازی¬های المپیک 1976 مونترال تا 2012 لندن جمع¬آوری گردید. شاخص 22 گانه شامل جمعیت شهری، هزینه آموزش و پرورش، ساختار سنی، تولید واقعی ناخالص داخلی، سرانه تولید ناخالص داخلی، تراز بازرگانی، نرخ بیکاری، جمعیت کل، نرخ تورم، تعادل حساب جاری، امید به زندگی، هزینه بهداشت و درمان، صادرات فناوری های نوین، ارائه مقالات در حوزه فناوری های نوین، کاربران اینترنت، هزینه نظامی، مساحت کشورها، حضور زنان در کرسی های مجلس، میزیانی المپیک، مجموع میزبانی های المپیک، تعداد ورزشکاران حاضر در بازی های المپیک و مدت زمان نهادینه شدن کمیته ملی المپیک در کشورها به عنوان متغیرهای پیش بین و رتبه کشورها براساس مدال طلا به عنوان متغیر ملاک در نظر گرفته شد. در مرحله بعد، برای آزمون مدل مفهومی، علاوه بر کشور ایران، دو کشور آرژانتین و ایالات متحده آمریکا به صورت تصادفی انتخاب شدند تا شاخص های 22 گانه پیش بینی شده با مقادیر واقعی در سال 2012 مقایسه گردد. در این تحقیق از سه روش رگرسیون خطی، شبکه¬های تابع پایه شعاعی (rbf) و شبکه¬های پرسپترون چندلایه (mlp) استفاده شد. نتایج نشان داد در مقایسه مقادیر واقعی با مقادیر پیش¬بینی شده در سال 2012، روش mlp نسبت به روش های rbf و رگرسیون از خطای کمتری در پیش بینی شاخص های 22 گانه برخوردار است. همچنین در خصوص مقایسه رتبه واقعی و رتبه پیش بینی شده 42 کشور منتخب در سال 2012، روش mlp از ضریب خطای مطلق میانگین کمتری نسبت به روش¬های rbf و رگرسیون برخوردار بود. در مرحله نهایی، شاخص¬های 22 گانه در سال 2016 تخمین زده شد و رتبه کشورهای منتخب در المپیک 2016 ریودوژانیرو پیش¬بینی شد. با استناد به نتایج تحقیق، کشورهای ایالات متحده آمریکا، چین و انگلستان در بازی¬های المپیک 2016 در رتبه اول تا سوم قرار خواهند گرفت. همچنین جمهوری اسلامی ایران نیز در بین تیم¬های شرکت کننده در جایگاه 21 قرار خواهد گرفت. با استفاده از الگوی نظری (pest+s) و مدل شبکه¬های عصبی، برای سیاستگذاران ورزش کشورها این امکان فراهم است تا از شاخص ها و مولفه های شناسایی شده در برنامه ریزی های آتی خود جهت شرکت موفق تر در بازی های المپیک استفاده نمایند. همچنین برای هر کشور این امکان فراهم است تا برای توسعه ورزش و کسب کرسی های بین المللی با توجه به امکانات و منابع بالقوه کشور و مقایسه با کشورهای دیگر، سیاست های مناسبی اتخاذ نمایند.

جمع آوری و نگهداری حجم بزرگی از داده های مرتبط به هم در کارهای گوناگون تجاری و صنعتی این فرصت را به صاحبان داده می دهد که با به کار بستن روش های داده کاوی به تحلیل داده ها و استخراج دانش موجود در آن بپردازند و از نتایج این کار در راستای بهبود کار خود و برتری بر رقیبان بهره برداری کنند.تمایز کاوی یک از روش های نو در داده کاوی است که به کشف تفاوت های چند مجموعه از داده می پردازد. در این پایان نامه بحث پیچیدگی محاسبه را به اختصار مرور کرده ایم و پس از شرح پیچیدگی روش های پیشین برای حفاظت دانش؛ روش نو بر پایه ی آنتروپی و حساب تغییرات برای حفاظت از دانش محرمانه در پایگاه داده های تمایزی ارائه داده ایم که سرعت بسیار بالایی دارد.

مغز پیچیده ترین عضو بدن انسان است و مطالعه روی آن توجه دانشمندان را به خود جلب کرده است. در این میان، تشخیص و مقابله با بیماری های مغزی مسئله ای است که اهمیت زیادی دارد و محتاج تحلیل و بررسی رفتارهای مغز است. از میان بیماری های مغزی، صرع، جمعیت زیادی را در سرتاسر دنیا آزار می دهد و سیگنال های الکتروانسفالوگرام در حال حاضر بهترین راه برای مشاهده و بررسی رفتار مغز بیماران صرعی هستند. اما این سیگنال ها نامانا و غیر خطی هستند و در نتیجه، مطالعه ی آن ها به کارگیری تئوری اطلاعات را می طلبد. از سوی دیگر انجام یک عمل جراحی موفق بر روی بیماران مبتلا به صرع نیازمند تشخیص آن بخش از مغز است که حمله ی صرعی موضعی از آنجا شروع می شود. گام اول برای این تشخیص نیز تمیز سیگنال های سالم از سیگنال هایی است که حین حمله ی صرعی موضعی گرفته شده اند. در این پایان نامه روشی برای کلاس بندی سیگنال های سالم از سیگنال های مبتلا به حمله ی صرعی موضعی بر اساس یادگیری مبتنی بر تئوری اطلاعات ارائه شده است. در این روش استخراج ویژگی از سیگنال ها با استفاده از آنتروپی تقریبی انجام شده و کلاس بندی ویژگی های استخراج شده توسط ماشین بردار پشتیبان کمترین مربعات صورت گرفته است. تحلیل ها و نتایج نشان می دهند که کلاس بندی انجام شده برتری هایی را نسبت به تحقیقات موجود دارد و پتانسیلی برای تشخیص سیگنال های سالم و ناسالم است.

هدف از یادگیری تقویتی انجام دادن کاری و یا رسیدن به هدفی بدون دریافت اطلاعات مستقیم بیرونی است به گونه ای که عامل یادگیرنده به بیشترین سود یا پاداش برسد، این نوع یادگیری، بر اساس پاداش ها و تنبیه ها است. یادگیری تقویتی یکی از رویکردهایی است که برای حل مسائل تصمیم گیری رویت پذیر و نیمه رویت پذیر مارکوف به کار می رود. حالت نیمه رویت پذیر در واقع زمانی اتفاق می افتد که با عدم قطعیت در محیط مواجه باشیم (این عدم قطعیت می تواند در مشاهده ها، انتقال حالت ها و محیط باشد)، که تصمیم گیری در این محیط دشوارتر از حالت رویت پذیر خواهد بود و پیدا کردن سیاست بهینه در این حالت از پیچیدگی و سربار محاسبه ای بالایی برخوردار خواهد بود. یکی از راه حل های پیشنهاد شده برای یادگیری وظایف پیچیده، روش شکل دهی است. دیدگاه مطرح در این روش آن است که عامل یادگیرنده از کارهای ساده آغاز کند و به تدریج بر پیچیدگی کارها تا حل وظیفه اصلی بیافزاید و این فرآیند یادگیری را ادامه دهد. فرآیند افزایش تدریجی پیچیدگی به صورت قابل ملاحظه ای سختی این گونه مسائل یادگیری را کاهش می دهد. هدف این پایان نامه ارائه روشی مبتنی بر شکل دهی کنش ها به منظور بهبود یادگیری تقویتی در محیط های نیمه رویت پذیر است. نتایج به دست آمده از آزمایش های مختلف نشان دهنده کارآیی توابع پیشنهادی این پایان نامه در محیط های تست مورد بررسی می باشد.

در این پایان نامه تلاش شده تا طرحی برای شبکه های عصبی مصنوعی ارائه شود که هم از نظر ساختار، هم به لحاظ فرآیند آموزش و هم از جهت پذیرش انواع گوناگون داده های ورودی به شبکه های عصبی زیستی شباهت داشته باشد. در نتیجه طرحی برای به کارگیری یادگیری تقویتی در شبکه های عصبی بازگشتی ساخته شده از عصب های دندانه ای ارائه شده است که توانایی پردازش داده های موازی و جریان های داده را همزمان دارد.

چکیده ندارد.

چکیده ندارد.

چکیده ندارد.

چکیده ندارد.