اندیشه کاوی به دسته بندی متن ها بر اساس تمایل مندرج در آن ها می پردازد و به عنوان زیر رشته ای جدید از پردازش زبان طبیعی، بازیابی اطلاعات و متن کاوی محسوب می شود. دانستن عقاید افراد در یک حوزه خاص نقش مهمی در تصمیم گیری های آن حوزه ایفا می کند. بنابراین فناوری اندیشه کاوی برای کاربردهای علمی، قلمرو وسیعی دارد. اندیشه کاوی در سه سطح قابل بررسی می باشد. اندیشه کاوی در سطح سند، در سطح جمله و در سطح ویژگی. در این پژوهش، به دلیل کاربردی بودن اندیشه کاوی در سطح ویژگی، دو روش برای این منظور ارائه شده است. روش اول یک روش نیمه ناظر خود راه انداز به منظور استخراج ویژگی ها و گسترش لغت نامه اندیشه کاوی بوده و روش دوم استخراج ویژگی ها مبتنی بر تکرار است. روش های پیشنهادی شامل چهار گام اصلی است. در گام نخست لغت نامه اندیشه کاوی برای زبان فارسی ایجاد می شود. گام دوم مرحله پیش پردازش شامل یکسان سازی نگارشی، تقطیع، ایجاد برچسب های ادات سخن و برچسب وابستگی نحوی اسناد است. گام سوم استخراج ویژگی ها با استفاده از دو روش پیشنهادی است و در گام چهارم ویژگی های به دست آمده در مرحله قبلی اصلاح شده و در نهایت قطبیت ویژگی ها تعیین می گردد. برای ارزیابی روش های پیشنهادی، مجموعه عقاید کاربران در دو حوزه دانشگاه و تلفن همراه جمع آوری شده و نتایج حاصل از دو روش با یکدیگر مقایسه می شوند.

در این پایان نامه، روش های تجزیه ی ماتریس های باینری و صحیح را با استفاده از روش های proximus و imf بررسی کرده، سپس کاربردهای این روش ها در خوشه بندی داده ها با ابعاد بالا، داده کاوی، حذف نویز، زیست شناسی و تشخیص ویژگی های داده ها مورد مطالعه قرار گرفته و محاسن و معایب روش ها با هم مقایسه شده است. با استفاده از الگوریتم proximus می توان یک ماتریس باینری را به طور تقریبی به دو ماتریس باینری تجزیه کرد. روش imf یک ماتریس صحیح را از طریق تقریب رتبه - یک به طور تقریبی به یک ماتریس باینری و یک ماتریس صحیح تجزیه می کند. در این راستا ابتدا روش های تجزیه ی svd و sdd را بیان می کنیم. روش svd یک روش تجزیه و فشرده سازی ماتریس است که یک تقریب رتبه - پایین بهینه را ارائه می دهد. در این روش می توان یک ماتریس حقیقی m×n مانند a را به صورت a=x?y^t تجزیه کرد که در آن x و y ماتریس های متعامد و ? یک ماتریس قطری از مقادیرتکین a به صورت نزولی می باشد. در روش تجزیه ی نیمه گسسته ی sdd، ماتریس a به صورت a=xdy^t تجزیه می شود. در این روش درایه های ماتریس های x و y محدود به مجموعه ی {1,0,1-} می شوند و ماتریس قطری d شامل مقادیر حقیقی مثبت است.

موضوع این پایان نامه مساله ی بازیابی اطلاعات با استفاده از کاربرد جبرخطی می باشد که در مورد رتبه بندی صفحات وب، کاربرد مقادیر ویژه و بردار ویژه برای یافتن صفحات که مورد تقاضای استفاده کننده می باشد بحث می شود.ورودی اول مساله تعدادی سند متنی که از موضوعات مختلف بدست آمده است می باشد. ورودی دوم نیز یک پروسه ی سوال است. هدف ما این است که سوال را در اسناد جستجو نموده و سند مرتبط با آن را پیداکنیم.با استفاده از جبر خطی بازیابی اطلاعات را به گونه ای انجام می دهیم که درصد خطا به کمترین مقدار خود برسد.در این راستا تجزیه ی qr، svd و سپس sdd را بیان می کنیم. به طور خلاصه می توان گفت پردازشی انجام شده است که در آن الگوریتم بازیابی اطلاعات، موجب کارایی موثرتر آن در حوزه ی بازیابی اسناد موثر می باشد.

چکیده ندارد.

حل دستگاه معادلات خطی، مسئله اساسی جبرخطی است که در بسیاری از مسائل علمی، مهندسی و اقتصادی وجود دارد. در این پایان نامه، شرایط وجود و یکتایی روش تجزیه ی wz مورد بررسی قرار گرفته که تضمین می کند این تجزیه برای ماتریس های اکیداً قطر غالب و معین مثبت بدون هیچ روش محورگیری وجود دارد. چندین روش محورگیری از تجزیه wz ارائه شده و تحلیل خطای محاسباتی در این روش مورد بررسی قرار گرفته است. کاربرد این روش در حل زنجیرهای مارکوف مورد مطالعه قرار گرفته و دو روش برای پیاده سازی تجزیه wz در زنجیرهای مارکوف ارائه شده است.