[صفحه اصلی ]   [ English ]  
بخش‌های اصلی
صفحه اصلی::
درباره دانشگاه::
درباره روابط عمومی::
معرفی افراد::
فرآیندهای کاری::
تماس با ما::
اخبار دانشگاه::
افتخارات دانشگاه::
سایت های مرتبط::
تسهیلات پایگاه::
اخبار ورودی های جدید سال 99::
آرشیو ماهنامه خبری وزارت علوم::
آرشیو گزارش های تصویری::
تور مجازی::
::
آرشیو نشریه پیام

AWT IMAGE

AWT IMAGE

نشریه پیام شماره 86

نشریه پیام شماره 85
نشریه پیام شماره 84

نشریه پیام شماره 83

نشریه پیام شماره 82

نشریه پیام شماره 81

نشریه پیام شماره 80

آرشیو نشریه پیام

..
آرشیو خبرنامه الکترونیک دانشگاه

AWT IMAGE

خبرنامه شماره ۳۳۵

خبرنامه شماره ۳۳۴

خبرنامه شماره ۳۳۳

خبرنامه شماره ۳۳۲

خبرنامه شماره ۳۳۱

خبرنامه شماره ۳۳۰

خبرنامه شماره ۳۲۹

خبرنامه شماره ۳۲۸

خبرنامه شماره ۳۲۷

خبرنامه شماره ۳۲۶

خبرنامه شماره ۳۲۵

آرشیو خبرنامه الکترونیک

..
حدیث هفته

 قال علی علیه ‏السلام :
زَکاهُ العِلمِ بَذلُهُ لِمُستَحِقِّهِ وَإجهادُ النَّفسِ فِی العَمَلِ بِهِ؛
زکات دانش، آموزش به کسانی که شایسته آنند و کوشش در عمل به آن است.
(غرر الحکم و درر الکلم،ص391)

 

..
آرشیو خبرنامه آموزش عالی
..
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
:: دفاعیه دکتری در دانشکده مهدسی صنایع ::
 | تاریخ ارسال: 1400/4/15 | 
دفاعیه دکتری در دانشکده مهدسی صنایع

 
بابک نوری‌مقدم (دانشجوی دکتری رشته مهندسی فناوری اطلاعات- تجارت الکترونیکی)، ۱۹ تیرماه ۱۴۰۰ از رساله دکتری خود با عنوان «بهبود روشهای یادگیری دسته جمعی برای دسته ‌بندی اشیا و به کارگیری آن در حوزه کلان داده ‌ها» به صورت مجازی دفاع خواهد می کند.
چکیده این رساله که راهنمایی ان را دکتر مهدی غضنفری و مشاوره اش را دکتر محمد فتحیان بروجنی بر عهده داشته اند به شرح زیر است. ضمنا این جلسه دفاعیه ساعت ۱۷ برگزار می شود. برای ورود به جلسه دفاع از طریق لینک زیر وارد شوید:
 
http://meeting.iust.ac.ir/
 

چکیده
پیشرفت ‌های دنیای دیجیتال در عصر فناوری اطلاعات سبب تحولات اساسی در زندگی روزمره بشر گشته است. امروز حجم انبوهی از انواع داده ‌ها با سرعت سرسام ‌آوری تولید و ذخیره می‌ شوند. داده‌­ های امروزی مانند داده ‌­های میکروآرایه DNA دارای ویژگی ­های همچون: نامتوازن بودن، تعداد ویژگی­‌ های بسیار زیاد و ... می باشند. نحوه مدیریت چنین داده‌ هایی سبب پیدایش بحثی با عنوان کلان داده‌ شده است. در میان یکی از روش‌های تحلیل داده، مدل یادگیری جمعی است که امروزه به دلیل ویژگی ‌هایی همچون قابلیت تعمیم بالا، ساختار منعطف و .... در میان محققین از اقبال خوبی برخوردار شده و مطالعات بسیاری در این حوزه در حال انجام است. در این رساله، در راستای بهبود کارایی یادگیری جمعی در دسته ‌­بندی داده ­ها که بر بستر کلان داده‌­ ها نیز قابلیت پیاده­‌ سازی داشته باشد، ابتدا به مرور ادبیات و شناسایی شکاف ­های موجود در آن پرداخته شد. شناسایی شکاف­ ها، زمینه مناسبی جهت مطالعه برروی انواع روش­های ساخت مدل ­های یادگیری جمعی را فراهم آورد. سپس جهت توسعه مدل یادگیری جمعی پیشنهادی، یک رویکرد توسعه‌­ای گام به گام در نظر گرفته شد. نتایج هر گام براساس معیارهای متنوع سنجش و برای توسعه گام بعدی مورد استفاده قرار گرفته است.
ایجاد تنوع در دسته ‌­بندی های پایه و کاهش ابعاد در اولین گام به عنوان چالش در نظر گرفته شد که برای حل آن یک راهکار لفاف مبتنی بر الگوریتم فراابتکاری چندهدفه جنگل ارائه شد. جهت بهبود فرآیند جستجو در روش لفاف یک الگوریتم فراابتکاری جدید چندهدفه جنگل با در نظر گرفتن مفاهیم آرشیو، انتخاب منطقه‌ای نظریه آشوب و... ارائه شده است، که توانایی رقابت با سایر روش­های مشابه از نظر اهداف کاهش ابعاد و بهبود کارایی دسته ‌­بندی، دارای پیچیدگی زمانی کمتری نیز می ­‌باشد. در ادامه برای مواجهه داده ­‌های با ابعاد بالا، راهکار ترکیبی مبتنی بر فیلتر چندگانه و لفاف چندهدفه ارائه شد. جهت کاهش فضای جستجوی روش لفاف، یک رویکرد فیلترچندگانه جدید با در نظر گرفتن ترکیب روش­ های تک متغیره و چند متغیره ارائه شده است که با کاهش فضای جستجو امکان انتخاب ویژگی­ های برجسته و مهم را برای روش لفاف فراهم می­‌آورد. از طرفی روش لفاف چندهدفه علاوه بر حل مسئله انتخاب ویژگی، پارامترهای مدل دسته‌­ بندی را بهینه­‌ سازی می ­‌کند. در سومین گام جهت ساخت مدل یادگیری جمعی، راهکاری نوآورانه ­‌ای برای انتخاب اعضای سازنده مدل یادگیری جمعی از میان پاسخ ­های جبهه پارتو و ترکیب نتایج اعضای سازنده برای ارائه خروجی نهایی ارائه داده شد. در گام نهایی مدل یادگیری جمعی پیشنهادی برای افزایش مقیاس‌­ پذیری و توانایی مواجهه با داده‌­ های حجیم بر بستر اکوسیستم هدوپ پیاده ‌­سازی شد. ارائه مدل یادگیری جمعی مبتنی بر انتخاب ویژگی و کاهش ابعاد بر بستر کلان داده جزء مهمترین نوآوری ­های این تحقیق می ­‌باشد. نتایج آزمایشات،  موید مزایای رویکرد پیشنهادی در استفاده از پردازش موازی و همچنین بهبود کیفیت دسته­‌ بندی بر اساس دقت و صحت دسته­ بندی می‌­ باشد.
 
کلمات کلیدی: مدل یادگیری جمعی، کلان داده، مدل دسته ­بندی، انتخاب ویژگی، الگوریتم فراابتکاری چندهدفه، فیلتر چندگانه، روش لفاف
نشانی الکترونیکی دانشجو: babaknouriit۸۵gmail.com
 
 
دفعات مشاهده: 177 بار   |   دفعات چاپ: 36 بار   |   دفعات ارسال به دیگران: 0 بار   |   0 نظر

CAPTCHA
   
سایر مطالب این بخش سایر مطالب این بخش نسخه قابل چاپ نسخه قابل چاپ ارسال به دوستان ارسال به دوستان

کلیه حقوق مادی ومعنوی این سایت متعلق به دانشگاه علم وصنعت ایران میباشد .هرگونه برداشت با ذکر منبع ، بلامانع است.

Persian site map - English site map - Created in 0.09 seconds with 48 queries by YEKTAWEB 4331