به متلب سایت امتیاز مثبت بدهید.

فیلم آموزشی خوشه بندی یا Clustering با الگوریتم رقابت استعماری (به زبان فارسی)

فیلم آموزشی خوشه بندی یا Clustering با استفاده از الگوریتم رقابت استعماری (به زبان فارسی)

 

الگوریتم رقابت استعماری یا Imperialist Competitive Algorithm (به اختصار ICA) یکی از جدیدترین الگوریتم های بهینه سازی هوشمند است که در حوزه هوش محاسباتی و محاسبات تکاملی معرفی شده است. جان مایه اصلی این الگوریتم، شبیه سازی فرآیند سیاسی استعمار است. به همان صورت که الگوریتم ژنتیک تکامل زیستی را شبیه سازی می کند، در الگوریتم رقابت استعماری، از تکامل سیاسی استفاده شده است. این الگوریتم در سال ۲۰۰۷ معرفی شده است و تا کنون در کاربردهای فراوان و زمینه های تحقیقاتی متنوعی، به عنوان ابزار بهینه سازی مورد استفاده قرار گرفته است. قدرت بالای این الگوریتم، به خصوص در برخورد با مسائل پیوسته، باعث شده است که الگوریتم رقابت استعماری به عنوان یکی از ابزارهای مهم در زمینه بهینه سازی به حساب بیاید.

 

در راستای پوشش نیازهای علمی جامعه هوش محاسباتی ایران، بسته کاملی از فیلم های آموزشی الگوریتم رقابت استعماری توسط متلب سایت تهیه شده اند که می توانند به عنوان مرجع کاملی برای دانشجویان و دانشپژوهان مورد استفاده قرار بگیرند. بخشی از این مجموعه آموزشی، که در این پست قصد معرفی آن را داریم، مربوط به حل مسأله خوشه بندی (کلاسترینگ) یا Clustering با استفاده از الگوریتم رقابت استعماری است. برای کسب اطلاعات بیشتر در خصوص این فیلم آموزشی، ادامه مطلب را ببینید.

 

ادامه مطلب

برچسب ها: , , , , , , , , ,

اگر این مطلب را پسندیده اید، آن را به اشتراک بگذارید:

فیس بوکتوئیترخوشمزه (دلیشس)دیگفرندفیدگوگلگوگل ریدر (گودر)گوگل بازاستامبلبالاترینکلوبدنبالهیاهو مسنجرارسال در قالب پست الکترونیکی
  • نوشته شده توسط: مدیر امور آموزش
  • در تاریخ: ۹ فروردین ۱۳۹۱
  • ۳ نظر
  • روشی جدید در خوشه بندی اطلاعات با استفاده از ترکیب الگوریتم کشورهای استعماری و k-means – پایان نامه

     

     

    خانم الهه طاهریان فرد، در پایان نامه کارشانسی ارشد خود در دانشگاه شیراز زیر نظر دکتر نیکنام و دکتر روستا، با ترکیب الگوریتم رقابت استعماری و روش k-means، روش جدید و کارآمدی برای خوشه یابی (کلاسترینگ – Clustering)، معرفی کرده است. نتایج حاصل از این کار پژوهشی در قالب چندین مقاله در معتبرترین ژورنالهای مرتبط با این حوزه منتشر شده اند. در ادامه این پست، بخشهای خلاصه شده ای از متن پایان نامه ایشان را منتشر می کنیم.

    ادامه مطلب

    برچسب ها: , , , , , , , , , , , , , , , ,

    اگر این مطلب را پسندیده اید، آن را به اشتراک بگذارید:

    فیس بوکتوئیترخوشمزه (دلیشس)دیگفرندفیدگوگلگوگل ریدر (گودر)گوگل بازاستامبلبالاترینکلوبدنبالهیاهو مسنجرارسال در قالب پست الکترونیکی
  • نوشته شده توسط: eag
  • در تاریخ: ۳۰ آبان ۱۳۹۰
  • ۲ نظر
  • دانلود کد کلاسیفایر (طبقه بندی کننده) بهینه گوسی با تخمین گوسی توابع چگالی احتمال

    فرض کنید که ما متنی را روی کاغذ داریم و می‌خواهیم آن را وارد رایانه کنیم. اولین روشی که به ذهن می‌رسد این است که متن را به تایپیست بدهیم تا با کامپیوتر تایپ کند. اما آیا می‌شود عین همان متن را وارد رایانه بکنیم تا نیازی به تایپ نباشد؟ بله! این کار از لحاظ علمی در دو فاز مهم انجام می پذیرد. فاز یک: استخراج ویژگی ها از تصاویر. فاز دوم: استفاده از یک روش طبقه بندی. هر فاز به نوبه خود دارای اهمیت خاصی بوده و موقیت درعمل طبقه بندی نیاز به دانش کافی در هریک از آنها دارد. یکی از تکنیکهای کلاسیک به کار رفته در فاز طبقه بندی، استفاده از کلاسیفایر (طبقه بندی کننده) گوسی با تخمین گوسی توابع چگالی احتمال است. ادامه مطلب را ببینید.

    ادامه مطلب

    برچسب ها: , , , ,

    اگر این مطلب را پسندیده اید، آن را به اشتراک بگذارید:

    فیس بوکتوئیترخوشمزه (دلیشس)دیگفرندفیدگوگلگوگل ریدر (گودر)گوگل بازاستامبلبالاترینکلوبدنبالهیاهو مسنجرارسال در قالب پست الکترونیکی
  • نوشته شده توسط: eag
  • در تاریخ: ۲۹ فروردین ۱۳۸۸
  • يك نظر