[صفحه اصلی ]   [ English ]  
بخش‌های اصلی
مدیریت دانشکده::
درباره دانشکده::
قطب علمی" بهســــا"::
درباره مهندسی صنایع::
معرفی افراد::
امور آموزش::
امور پژوهش::
مرکز کامپیوتر::
دانشجویان::
اخبار دانشکده::
تقویم دانشکده::
تسهیلات پایگاه::
::
شعار دانشگاه علم و صنعت ایران

AWT IMAGE

..
مرام‌نامه اساتید
..
منشور اخلاقی دانشجویان
..
دفاعیه‌ها و سمینارها

AWT IMAGE

AWT IMAGE

AWT IMAGE 

AWT IMAGE

AWT IMAGE

..
..
مطالب علمی
..
راهنمــای تصویب پروپــوزال دانشجویان کارشنــاسی ارشد
..
برنامه 8 ترمه (مقطع کارشناسی)

AWT IMAGE

..
امروز: یکشنبه مورخ 25 مهر 1400
AWT IMAGE
AWT IMAGE
AWT IMAGE
AWT IMAGE
AWT IMAGE
AWT IMAGE
AWT IMAGE
AWT IMAGE

جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
آخرین مطالب سایر بخش‌ها
:: تلاوت قرآن توسط قاری بین المللی استاد پورزرگری در مسجد الشهداء دانشگاه /۱۹مهر۱۴۰۰
:: برگزاری جلسه مجازی حوزه معاونت فرهنگی و اساتید مشاور دانشکده ها/ ۱۹مهر۱۴۰۰
:: پاسخ سوالات مورد ابتلای بیمه شدگان تکمیلی
:: تقدیر سردبیر نشریه تخصصی و معتبر سیستم‌های مکانیکی و پردازش سیگنال از استاد فقید دکتر حمید احمدیان
:: مراسم گرامیداشت اربعین حسینی، هفته دفاع مقدس و سالگرد تدفین شهدای دانشگاه / ۴ مهر ۱۴۰۰
..
نظرسنجی
نقطه قوت سایت دانشکده صنایع کدام گزینه است؟
درج اطلاعیه های آموزشی
درج اخبار کنفرانس ها و همایش ها
درج اخبار دانشجویان و عمومی
امکانات سایت( ارسال پیام، پرسش،نظر و...)
   
..
:: دفاعیه دکتری ::
 | تاریخ ارسال: 1400/4/9 | 
بابک نوری‌مقدم دانشجوی دکتری رشته مهندسی فناوری اطلاعات- تجارت الکترونیکی، از رساله خود با عنوان «بهبود روشهای یادگیری دسته جمعی برای دسته‌بندی اشیا و به کارگیری آن در حوزه کلان داده‌ها»‏ به راهنمایی آقای دکتر غضنفری ۱۹ تیر ماه ‏‏۱۴۰۰ ساعت ۱۷ به صورت مجازی دفاع خواهد نمود‎.
لینک شرکت در جلسه دفاع:
نشانی الکترونیکی: babaknouriit۸۵gmail.com
استاد راهنما: آقای دکتر غضنفری
استاد مشاور: آقای دکتر فتحیان 
اساتید داور داخلی: آقای دکتر ماکویی- آقای دکتر حائری
اساتید داور خارجی: آقای دکتر ناجی-خانم دکتر علیزاده

چکیده
پیشرفت‌های دنیای دیجیتال در عصر فناوری اطلاعات سبب تحولات اساسی در زندگی روزمره بشر گشته است. امروز حجم انبوهی از انواع داده‌ها با سرعت سرسام‌آوری تولید و ذخیره می‌شوند. داده‌­های امروزی مانند داده‌­های میکروآرایه DNA دارای ویژگی­های همچون: نامتوازن بودن، تعداد ویژگی­‌های بسیار زیاد و ... می­‌باشند. نحوه مدیریت چنین داده‌های سبب پیدایش بحثی با عنوان کلان داده‌ شده است. در میان یکی از روش‌های تحلیل داده، مدل یادگیری جمعی است که امروزه به دلیل ویژگی‌های 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 دسته‌­بندی داده­ها که بر بستر کلان داده‌­ها نیز قابلیت پیاده­‌سازی داشته باشد، ابتدا به مرور ادبیات و شناسایی شکاف­های موجود در آن پرداخته شد. شناسایی شکاف­ها، زمینه مناسبی جهت مطالعه برروی انواع روش­های ساخت مدل­های 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 دسته‌­بندهای پایه و کاهش ابعاد در اولین گام بعنوان 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 دسته‌­بندی، دارای پیچیدگی زمانی کمتری نیز می­‌باشد. در ادامه برای مواجهه داده­‌های با ابعاد بالا، راهکار ترکیبی مبتنی بر فیلترچندگانه و لفاف چندهدفه ارائه شد. جهت کاهش فضای جستجوی روش لفاف، یک رویکرد فیلترچندگانه جدید با در نظر گرفتن ترکیب روش­های تک متغیره و چند متغیره ارائه شده است که با کاهش فضای جستجو امکان انتخاب ویژگی­های برجسته و مهم را برای روش لفاف فراهم می­‌آورد. از طرفی روش لفاف چندهدفه علاوه بر حل مسئله انتخاب ویژگی، پارامترهای مدل دسته‌­بندی را بهینه­‌سازی می­‌کند. در سومین گام جهت ساخت مدل یادگیری جمعی، راهکاری نوآورانه­‌ای برای انتخاب اعضای سازنده مدل یادگیری جمعی از میان پاسخ­های جبهه پارتو و ترکیب نتایج اعضای سازنده برای ارائه خروجی نهایی ارائه داده شد. در گام نهایی مدل یادگیری جمعی پیشنهادی برای افزایش مقیاس‌­پذیری و توانایی مواجهه با داده‌­های حجیم بر بستر اکوسیستم هدوپ پیاده‌­سازی شد. ارائه مدل یادگیری جمعی مبتنی بر انتخاب ویژگی و کاهش ابعاد بر بستر کلان داده جزء مهمترین نوآوری­های این تحقیق می­‌باشد. نتایج آزمایشات،  موید مزایای رویکرد پیشنهادی در استفاده از پردازش موازی و همچنین بهبود کیفیت دسته­‌بندی براساس دقت و صحت دسته­‌بندی می‌­باشد.
کلیدواژه ها: الگوریتم فراابتکاری چندهدفه | مدل یادگیری جمعی | کلان داده | مدل دسته بندی | انتخاب ویژگی | فیلترچندگانه | روش لفاف |
دفعات مشاهده: 233 بار   |   دفعات چاپ: 12 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 و معنوی این سایت متعلق به دانشکده مهندسی صنایع دانشگاه علم و صنعت ایران می‌باشد. نقل هرگونه مطلب با ذکر منبع بلامانع می‌باشد.

Persian site map - English site map - Created in 0.11 seconds with 56 queries by YEKTAWEB 4331