مروری بر داده کاوی و بررسی شبکه های عصبی
چندین دهه است که شرکت ها اطلاعات را جمع آوری می نمایند تا با ایجاد یک پایگاه داده انبوه اطلاعات را ذخیره کنند، با این حال که اطلاعات در دسترس آنها قرار دارد فقط تعداد کمی از شرکت ها قادر شده اند به ارزش واقعی ذخیره شده در آنها پی ببرند سوال این شرکتها این است که چگونه میتوان به ارزش واقعی این اطلاعات دست یافت؟ پاسخ آن داده کاوی است، که امروزه در بسیاری از صنعتها از جمله پزشکی، آموزش، ورزش و بسیاری از صنایع دیگر مورد استفاده قرار میگیرد. تکنیکهای بسیاری جهت داده کاوی وجود دارد از جمله شبکه های عصبی مصنوعی، رگرسیون، درخت تصمیم و غیره. همچنین طراحی شده است اشاره SAS که توسط شرکت JMP نرم افزارهایی نیز برای داده کاوی ایجاد شده است که میتوان به نرم افزار کرد. این مقاله به معرفی داده کاوی و برخی از روشهای داده کاوی و همچنین محیطهایی که از داده کاوی بهره میبرند به همراه نرم افزار های آن پرداخته است.
فهرست :
چکیده
مقدمه
داده کاوی
تکنیک های داده کاوی
دسته بندی
رگرسیون گیری
خوشه بندی
تجمع و همبستگی
درخت تصمیم گیری
ویزگی های درخت تصمیم
الگوریتم ژنتیک
شبکه های عصبی مصنوعی
ساختار شبکه عصبی
نورون
معماری شبکه عصبی
شبکه های پیش خور تک لایه
انواع یادگیری در شبکه های عصبی مصنوعی
داده کاوی در پزشکی
داده کاوی در سلامت
نرم افزار های داده کاوی
نتیجه گیری
مراجع
الگوریتم بهینه سازی توده ذرات ( PSO )
الگوریتم PSO یک الگوریتم جستجوی اجتماعی است که از روی رفتار اجتماعی دسته‌های پرندگان مدل شده است. در ابتدا این الگوریتم به منظور کشف الگوهای حاکم بر پرواز همزمان پرندگان و تغییر ناگهانی مسیر آنها و تغییر شکل بهینه‌ی دسته به کار گرفته شد . در PSO، ذرات در فضای جستجو جاری می‌شوند. تغییر مکان ذرات در فضای جستجو تحت تأثیر تجربه و دانش خودشان و همسایگانشان است. بنابراین موقعیت دیگر توده ذرات روی چگونگی جستجوی یک ذره اثر می‌گذارد . نتیجه‌ی مدل‌سازی این رفتار اجتماعی فرایند جستجویی است که ذرات به سمت نواحی موفق میل می‌کنند. ذرات از یکدیگر می‌آموزند و بر مبنای دانش بدست آمده به سمت بهترین همسایگان خود می‌روند اساس کار PSO بر این اصل استوار است که در هر لحظه هر ذره مکان خود را در فضای جستجو با توجه به بهترین مکانی که تاکنون در آن قرار گرفته است و بهترین مکانی که در کل همسایگی‌اش وجود دارد، تنظیم می‌کند.
شبکه های عصبی مصنوعی
در این نوشتار به معرفی شبکه های عصبی زیستی و شبکه های عصبی مصنوعی و ساختارهای آنها می پردازیم.در ابتدا نرونهای شبکه های عصبی زیستی معرفی شده و طرز کار آنها نشان داده شده است.سپس مدل مصنوعی این نرونها و ساختار آنها،مدل ریاضی آنها،شبکه های عصبی مصنوعی و نحوه آموزش و بکارگیری این شبکه ها نشان داده شده است.تمرکز بیشتر بر نوعی از این شبکه ها به نام شبکه های عصبی مصنوعی چند لایه می باشد.سپس الگوریتم ژنتیک که جزو پرکاربردترین الگوریتمهای پیاده سازی شبکه عصبی مصنوعی است مورد بررسی قرار گرفته است.
شبکه های عصبی مصنوعی از مباحث جدیدی است که دانشمندان علوم کامپیوتر به آن علاقمند شده اند و برای پیشرفت هرچه بیشتر علوم کامپیوتر وقت و هزینه زیادی را صرف آن کرده و می کنند.این موضوع یا ایده گرفتن از سیستم عصبی بدن انسان و با هدف شبیه سازی هرچه بیشتر کامپیوتر به انسان شکل گرفت و تاحال به خوبی پیش رفته است.همچنین در سالیان اخیر شاهد حرکتی مستمر از تحقیقات صرفا تئوری به تحقیقات کاربردی بخصوص در زمینه پردازش اطلاعات برای مساولی که برای آنها راه حلی موجود نیست و یا به راحتی قابل حل نیستند بوده ایم. باعنایت به این امر علاقهای فزاینده در توسعه تئوریکی سیستمهای دینامیکی هوشمند مدل آزاد2که مبتنی بر داده های تجربی می باشند-ایجاد شده است .ANNها جزء این دسته از سیستمهای مکانیکی قرار دارند که با پردازش روی داده های تجربی،دانش یا قانون نهفته در ورای داده ها را به ساختار شبکه منتقل می کنند.به همین خاطر به این سیستم ها هوشمند گفته می شود.زیرا براساس محاسبات روی داده های عددی یا مثالها قوانین کلی را یاد می گیرند.این سیستمها در مدل سازی ساختار نرو سیتاپتیکی3 مغز بشر می کوشند.البته این سخن اغراق آمیز می باشد.دانشمندان هرچه بیشتر درمورد مغز بشر تحقیق می کنند و می آموزند،بیشتر در می یابند که مغز بشر دست نیافتنی است.در حقیقت در مورد مغز و ساختار سیستم عصبی انسان اطلاعات زیادی به دست آمده است ولی پیاده سازی ساختاری با پیچیدگی مغز انسان براساس اطلاعاتی و تکنولوژی که امروزه وجود دارد غیر ممکن می باشد.
فهرست :
فصل اول مقدمه
شبکه عصبی زیستی
سابقه تاریخی
آیده پیدایش شبکه های عصبی مصنوعی
شبکه های عصبی در مقابل کامپیوترهای معمولی
تفاوت شبکه های عصبی با روش های محاسباتی متداول (سیستم های خبره)
مزایای استفاده از شبکه های عصبی مصنوعی
معایب استفاده از شبکه های عصبی مصنوعی
کاربردهای شبکه های عصبی مصنوعی
توپولوژی شبکه های عصبی مصنوعی
انواع یادگیری شبکه های عصبی مصنوعی
نحوه عملکرد شبکه های عصبی مصنوعی
انواع شبکه عصبی مصنوعی
شبکه هاپفیلد
شبکه پروسپترون چند لایه
خروجی پروسپترون
نقش تابع در خروجی شبکه
توانایی پروسپترون
توابع بولی و پروسپترون
اضافه کردن بایاس
آموزش پروسپترون
الگوریتم یادگیری پروسپترون
شبکه کوهونن
فصل دومالگوریتمهای یادگیری شبکه های عصبی مصنوعی
الگوریتم ژنتیک
کاربردهای الگوریتم ژنتیک
به دنبال تکامل
ایده ی اصلی استفاده از الگوریتم ژنتیک
درباره علم ژنتیک
تاریخچه علم ژنتیک
تکامل طبیعی (قانون انتخاب طبیعی داروین)
رابطه تکامل طبیعی با روشهای هوش مصنوعی
الگوریتم جستجو
الگوریتمهای جستجوی ناآگاهانه
جستجوی لیست
جستجوی درختی
جستجوی گراف
الگوریتمهای جستجوی آگاهانه
جستجوی خصمانه
مسائل NPHARD
هیوریستیک
انواع الگوریتمهای هیوریستیک
فصل سوم
الگوریتم ژنتیک
مکانیزم الگوریتم ژنتیک
عملگرهای الگوریتم ژنتیک
چارت الگوریتم به همراه شبه کد آن
تابع هدف
روشهای کد کردن
کدینگ باینری
کدینگ جایگشتی
کدگذاری مقدار
کدینگ درخت
نمایش رشته ها
انواع روش های تشکیل رشته
بازگرداندن رشته ها به مجموعه متغیرها
تعداد بیتهای متناظر با هر متغیر
جمعیت
ایجاد جمعیت اولیه
اندازه جمعیت
محاسبه برازندگی(تابع ارزش)
انواع روشهای انتخاب
انتخاب چرخ رولت
انتخاب حالت پایدار
انتخاب نخبه گرایی
انتخاب رقابتی
انتخاب قطع سر
انتخاب قطعی بریندل
انتخاب جایگزینی نسل اصلاح شده
انتخاب مسابقه
انتخاب مسابقه تصادفی
انواع روشهای ترکیب
جابه جایی دودویی
جابه جایی حقیقی
ترکیب تک نقطه ای
ترکیب دو نقطه ای
ترکیب n نقطه ای
ترکیب یکنواخت
ترکیب حسابی
ترتیب
چرخه
محدّب
بخش_نگاشته
احتمال ترکیب
تحلیل مکانیزم جابجایی
جهش
جهش باینری
جهش حقیقی
وارونه سازی بیت
تغییر ترتیب قرارگیری
وارون سازی
تغییر مقدار
محک اختتام اجرای الگوریتم ژنتیک
انواع الگوریتمهای ژنتیکی
الگوریتم ژنتیکی سری
الگوریتم ژنتیکی موازی
مقایسه الگوریتم ژنتیک با سیستمهای طبیعی
نقاط قوّت الگوریتمهای ژنتیک
محدودیت‌های GAها
استراتژی برخورد با محدودیت‌ها
استراتژی اصلاح عملگرهای ژنتیک
استراتژی رَدّی
استراتژی اصلاحی
استراتژی جریمه‌ای
بهبود الگوریتم ژنتیک
چند نمونه از کاربردهای الگوریتمهای ژنتیک
فصل چهارم
مقدمه
حلّ معمای هشت وزیر
جمعیت آغازین
تابع برازندگی
آمیزش
جهش ژنتیکی
الگوریتم ژنتیک و حلّ مسألۀ فروشندۀ دوره‌گرد
حل مسأله TSP به وسیله الگوریتم ژنتیک
مقایسه روشهای مختلف الگوریتم و ژنتیک برای TSP
نتیجه گیری
حلّ مسأله معمای سودوکو
حل مسأله
تعیین کروموزم
ساختن جمعیت آغازین یا نسل اول
ساختن تابع از ارزش
ترکیب نمونه‌ها و ساختن جواب جدید
ارزشیابی مجموعه جواب
ساختن نسل بعد
مرتب سازی به کمک GA
صورت مسأله
جمعیت آغازین
تابع برازندگی
انتخاب
ترکیب
جهش
نتیجه گیری
فهرست منابع