-
مقاله
1 - دستهبندی دادههای دوردهای با ابرمستطیل موازی محورهای مختصاتفصلنامه فناوری ایران , شماره 25 , سال 7 , بهار-تابستانیکی از زمینههای فعالیت در یادگیری ماشین و شناسایی الگو یادگیری با ناظر میباشد. در یادگیری با ناظر برچسب دادههای آموزشی موجود است. در مسایل دوردهای، هدف محاسبه فرضیهای است که بتواند به بهترین شکل ممکن و با کمترین مقدار خطا دادههای با دو ردهی مثبت و منفی را از یکدیگ چکیده کاملیکی از زمینههای فعالیت در یادگیری ماشین و شناسایی الگو یادگیری با ناظر میباشد. در یادگیری با ناظر برچسب دادههای آموزشی موجود است. در مسایل دوردهای، هدف محاسبه فرضیهای است که بتواند به بهترین شکل ممکن و با کمترین مقدار خطا دادههای با دو ردهی مثبت و منفی را از یکدیگر جدا کند. انواع روشهای یادگیری با ناظر پیشنهاد شده است. به عنوان مثال میتوان به درختهای تصمیم، یادگیر SVM و روشهای نزدیکترین همسایه اشاره کرد. در این مقاله بر عملکرد درختهای تصمیم متمرکز میشویم. عملکرد درخت تصمیم مشابه پیدا کردن ابرصفحههای تقسیمکننده در فضای d بعدی است، بطوریکه دادههای موجود را به درستی ردهبندی کند و تا حد ممکن ردهبندی صحیح دادههای آینده را نیز بدست آورد. دیدگاه هندسی عملکرد درخت تصمیم ما را به مفهوم تفکیکپذیری در هندسه محاسباتی نزدیک میکند. از بین کلیه الگوریتمهای تفکیکپذیری موجود، مساله محاسبه مستطیل با حداکثر اختلاف دو رنگ را مطرح میکنیم. این مساله ارتباط نزدیکی با مساله درخت تصمیم در یادگیری ماشین دارد. در ادامه الگوریتم محاسبه مستطیل با حداکثر اختلاف دو رنگ را در یک، دو، سه و d بعد پیاده سازی میکنیم. نتیجه پیادهسازی نشاندهنده آن است که این الگوریتم، الگوریتمی قابل رقابت با الگوریتم شناخته شده C4.5 است. پرونده مقاله -
مقاله
2 - دستهبندی دادههای دو ردهای با ابرمستطیل موازی محورهای مختصاتفصلنامه فناوری اطلاعات و ارتباطات ایران , شماره 25 , سال 7 , پاییز-زمستان 1394یکی از روشهای یادگیری در یادگیری ماشین و شناسایی الگو، یادگیری با ناظر است. در یادگیری با ناظر و در مسایل دو ردهای، برچسب دادههای آموزشی موجود و شامل دو رده مثبت و منفی میباشند. هدف الگوریتم یادگیری با ناظر، محاسبه فرضیهای است که بتواند با کمترین مقدار خطا، دادههای م چکیده کاملیکی از روشهای یادگیری در یادگیری ماشین و شناسایی الگو، یادگیری با ناظر است. در یادگیری با ناظر و در مسایل دو ردهای، برچسب دادههای آموزشی موجود و شامل دو رده مثبت و منفی میباشند. هدف الگوریتم یادگیری با ناظر، محاسبه فرضیهای است که بتواند با کمترین مقدار خطا، دادههای مثبت و منفی را از یکدیگر جدا کند. در این مقاله، از بین کلیه الگوریتمهای یادگیری با ناظر، بر عملکرد درختهای تصمیم متمرکز میشویم. دیدگاه هندسی درخت تصمیم ما را به مفهوم تفکیکپذیری در هندسه محاسباتی نزدیک میکند. از بین کلیه الگوریتمهای تفکیکپذیری موجود و مرتبط با درخت تصمیم، مساله محاسبه مستطیل با حداکثر اختلاف دو رنگ را مطرح میکنیم و الگوریتم را در یک، دو، سه و m بعد پیادهسازی میکنیم که m تعداد ویژگیهای دادهها را نشان میدهد. نتیجه پیادهسازی نشاندهنده آن است که این الگوریتم، الگوریتمی قابل رقابت با الگوریتم شناخته شده C4.5 است. پرونده مقاله -
مقاله
3 - "دانا"- عاملي با قابليت درک و اجراي نوشتار فارسيفصلنامه مهندسی برق و مهندسی کامپيوتر ايران , شماره 14 , سال 6 , تابستان 1387از فرآيند فهميدن متون نوشتهشده زبان طبيعي معمولاً با نام درک متن ياد ميشود. درک متن ميتواند شامل فرآيندها و کاربردهاي متفاوتي باشد. يکي از کاربردهاي سيستمهاي درک، درخواست انجام کنش در مواجهه با جملات امري است که در سيستمهاي محاورهاي و رباتيک کاربردهاي زيادي دارد. چکیده کاملاز فرآيند فهميدن متون نوشتهشده زبان طبيعي معمولاً با نام درک متن ياد ميشود. درک متن ميتواند شامل فرآيندها و کاربردهاي متفاوتي باشد. يکي از کاربردهاي سيستمهاي درک، درخواست انجام کنش در مواجهه با جملات امري است که در سيستمهاي محاورهاي و رباتيک کاربردهاي زيادي دارد. پيش از اين کارهايي در مورد پردازش زبان فارسي انجام شده است ولي به موضوع درک متن کمتر پرداخته شده است. در این مقاله گزارشي از پيادهسازي يک سيستم درک متن فارسي ارائه میگردد. این سيستم یک جمله امری یا پرسشی را دریافت میکند و پس از انجام مراحل تحلیل ساختواژی، نحوي و معنايي بر روی آن، ساختار ويژگي و قاب حالت جمله دريافتي را ميسازد. این سیستم قادر به انجام فرامين کاربر و پاسخ به پرسشهاي او است. نتايج به دست آمده از انجام اين پروژه ميتواند براي ايجاد انواع ديگري از سيستمهاي پردازش زبان طبيعي مانند سيستمهاي پاسخ به سؤالات و ترجمه ماشيني استفاده شود. پرونده مقاله