انجام پروژه داده کاوی (Data Mining)
09367292276
09367292276
azsoftir@gmail.com
azsoft.ir

09367292276

09367292276
azsoftir@gmail.com
azsoft.ir

موسسه همیارپروژه با داشتن ده ها مجری متخصص در حوزه انجام پروژه داده کاوی آماده است تا پروژه های شرکتی شما عزیزان را با کیفیتی عالی انجام دهد.جهت سفارش پروژه داده کاوی با شماره تماس بگیرید و یا به آیدی تلگرامی @hamyarprozheir پیام دهید.قیمت دهی برای پروژه های داده کاوی منصفانه انجام خواهد شد.
داده کاوی چیست؟

داده کاوی علمی است که به استخراج اطلاعات پنهان یا روابط در حجم زیادی از داده ها از طریق نرم افزارهای رپیدماینر، کلمنتاین، پایتون و متلب می پردازد. داده کاوی شاخه توسعه یافته از علم آمار می باشد. داده کاوی فراتر از علم آمار است و امکاناتی را در اختیار شما قرار می دهد که علم آمار قادر به انجام آن نمی باشد.
اهمیت علم داده کاوی:

    از تصمیمات احساسی جلوگیری می کند و باعث می شود تا واقع بینانه تصمیم گیری کنید.
    محیط سال های گذشته ی شرکت شما را بازبینی می کند.
    نشان دادن تصمیماتی که در سال های گذشته منجر به سود گشته اند.
    جلوگیری کردن از گرفتن تصمیمات غیر شفاف و در نتیجه زیان بار .

خدمات مشابه همیارپروژه:

انجام پروژه داده کاوی با کلمنتاین (Clementine)

انجام پروژه داده کاوی با پایتون (Python)

انجام پروژه های پایتون Python

انجام پروژه وکا Weka

انجام پروژه های رپیدماینر(Rapid miner)

انجام پروژه داده کاوی با متلب (Matlab)
برای انجام پروژه داده کاوی باید چه کار کنم ؟

با توجه به تجربه چندین ساله موسسه همیارپروژه در انجام پروژه های داده کاوی و داشتن ده ها مجری و استاد توانمند در این حوزه، میتوانیم به شما تضمین دهیم که هرگونه پروژه بزرگ و کوچک در زمینه داده کاوی را میتوانیم برایتان انجام دهیم.کافیست یکبار امتحان کنید. در نتیجه جهت سفارش انجام پروژه های داده کاوی، باید سفارش خود را از طریق لینک های زیر ثبت نمایید و یا با شماره تماس های ذکر شده در سایت، تماس حاصل نمایید.
انجام پروژه های داده کاوی:
09367292276
09367292276
azsoftir@gmail.com
azsoft.ir

09367292276

09367292276
azsoftir@gmail.com
azsoft.ir

به دلیل اینکه اکثر پروژه های دریافتی سایت همیار پروژه، پروژه هایی با داده های حجیم هستند، ما سعی میکنیم پروژه ها را با قیمت مناسب و به همراه گزارش و آموزش به شما ارائه دهیم تا بتواند آن را یاد بگیرد و  ارائه دهد. حتی اگر شما درخواست فیلم آموزشی بدهد، برای او فیلمی آموزشی از نحوه اجرای پروژه داده کاوی ارائه خواهیم داد.

انجام تحلیل داده پروژه پایانی از طریق داده کاوی:

انجام تحلیل داده پروژه پایانی داده کاوی از جمله مهمترین وظایف دانشجویان در مقاطع تحصیلات تکمیلی می باشد. گروه همیارپروژه با داشتن متخصصین و اساتیدی مجرب در زمینه انجام تحلیل داده پروژه پایانی داده کاوی ، از ابتدای شروع کار ، همراه شما عزیزان می باشد.
چرا پروژه داده کاوی خود را به همیارپروژه بسپاریم ؟

گروه همیارپروژه با داشتن تجربه ای ۸ ساله در انجام پروژه های داده کاوی و داشتن متخصصینی از بهترین دانشگاه های کشور و انجام صدها پروژه کوچک و بزرگ شرکتی مطمئن ترین گزینه برای انجام پروژه داده کاوی شما عزیزان می باشد. یکبار ما را امتحان کنید!
زمان و کیفیت انجام پروژه داده کاوی به چه صورت خواهد بود؟

انجام پروژه های داده کاوی در همیارپروژه طبق زمان درخواستی مشتری تنظیم میگردد، اما سعی می شود که در کمترین زمان ممکن تحویل داده شود.

کیفیت در انجام پروژه های داده کاوی از اصلی ترین اهداف گروه همیار پروژه می باشد. بالاترین کیفیت در پروژه هواره هدف همیارپروژه بوده است.
مراحل انجام پروژه های داده کاوی در همیارپروژه به چه صورت خواهد بود؟

    ارسال پروژه داده کاوی برای ما توسط مسیرهای ذکر شده در سایت.
    ارسال پروژه شما توسط ما برای مجریان مرتبط با پروژه.
    پیشنهاد و تعیین بهترین قیمت و زمان .
    درصورت موافقت شما اخذ نصف هزینه ابتدای کار از شما.
    در جریان گذاشتن شما طی مراحل انجام پروژه تان.
    ارسال نتایج برای شما پس از پایان پروژه تان از طریق فیلم و عکس.
    اخذ مابقی هزینه از شما درصورت تاییدتان.
    ارسال فایل نهایی پروژه برای شما.
    مهلت ۷۲ ساعته برای شما جهت بررسی پروژه و در صورت اشکال و ایراد، اطلاع به ما جهت رفع آن.
09367292276
09367292276
azsoftir@gmail.com
azsoft.ir

09367292276

09367292276
azsoftir@gmail.com
azsoft.ir

نمونه پروژه های آماده داده کاوی:
ه کاوی و شبکه عصبی تا مقطع دکتری
گروه تحلیل داده دیپ تیپ، تهران ، تلفن:

انجام انواع پروژه های علم داده و دیتا ساینس اعم از هوش مصنوعی ،متن کاوی ، پردازش تصویر، یادگیری ماشین، یادگیری عمیق و شبکه عصبی و داده کاوی. پیاده سازی مقاله و پایان نامه تا مقطع دکتری با پایتون. آموزش از راه دور مباحث علم داده و داده کاوی به دانشجویان و علاقه مندان در تهران و سایر استان ها و خارج کشور توسط اساتید مجرب دانشگاهی(دیپ تیپ deeptip).
دیروز: ‪۲۲:۲۰‬
آموزش پردازش تصویر و بینایی ماشین


انجام کلیه پروژه های پردازش تصویر و بینایی ماشین **انجام پروژ های پردازش تصویر برای کسر از خدمت سربازی**
‪۴‬ روز پیش
مشاوره و انجام پروژه های مربوط به داده کاوی ،MISو حوزه ها
کیان، تهران

-مشاوره انجام پایان نامه های کارشناسی ارشد -مشاوره و انجام در زمینه ارائه مقالات در معتبرترین کنفرانس و ژورنالها
‪۶‬ روز پیش
انجام و مشاوره پروژه های داده کاوی با نرم افزار کلمنتای
شریفی، تهران ، تلفن: 09367292276

جام و مشاوره پروژه های داده کاوی با نرم افزار کلمنتاین clementine - متلب matlab - فورتون و رپیدماینر .forton اجرای پروژه های داده کاوی در نرم افزارهای کلمنتاین - متلب - فورتون و... در اسرع وقت
‪۴‬ هفته پیش
انجام برنامه نویسی پایتون

انجام پروژه های داده کاوی و آماری
انجام پروژه های داده کاوی

پایاپروژه مفتخر است با سابقه 5 ساله در انجام پروژه های داده کاوی، شما کاربران عزیز را در انجام پروژه های خود همراهی نماید. بالاترین کیفیت و نازلترین قیمت همواره هدف ما بوده است. جهت سفارش پروژه خود با شماره تماس حاصل نمایید یا از طریق آی دی تلگرام @paya001 با ما در ارتباط باشید.
پخش‌کننده صوت

برای افزایش یا کاهش صدا از کلیدهای بالا و پایین استفاده کنید.
پایاپروژه چه پروژه های داده کاوی را می تواند انجام دهد؟

    انجام پروژه های آمار با داده کاوی
    انجام پروژه های نرم افزار داده کاوی
    انجام پروژه های پیاده سازی داده کاوی
    انجام پروژه های داده کاوی با پایتون
    قیمت مناسب پروژه های داده کاوی

داده کاوی چیست:

داده کاوی «Data Mining» به معنای کاوش معادن داده می باشد. یعنی استخراج اطلاعات با ارزش از معادن بزرگ داده. در واقع داده کاوی حجم انبوهی از اطلاعات را همانند یک معدن می داند. از نظر تفاوت آمار با داده کاوی، حجم اطلاعات قابل تحلیل آن است. همچنین در استفاده از هوش مصنوعی و روش مدلسازی نیز متفاوتند. داده کاوی از اهمیت بالاتری نسبت به آمار برخوردار است. و امکاناتی که دارد، آمار قادر به انجام آن نیست.

روش هاییکه برای داده کاوی بکار می روند بدلیل محاسبات آنها، اغلب پر هزینه می باشند. علم داده کاوی برای نمایش الگوهای موجود دربین داده ها مورد کاربرد قرار می گیرد.
خدمات پایاپروژه در زمینه داده کاوی:

انجام پروژه های داده کاوی با متلب

انجام پروژه های داده کاوی با پایتون

انجام پروژه های رپیدماینر

انجام پروژه های برنامه نویسی

انجام پروژه های پایتون

انجام پروژه های آمار
انجام پروژه های کمک درسی داده کاوی:
09367292276
09367292276
azsoftir@gmail.com
azsoft.ir

09367292276

09367292276
azsoftir@gmail.com
azsoft.ir

سایت پایاپروژه مفتخر است تا با تجربه ۵ ساله خود، بعنوان سایت معتبر در زمینه انجام پروژه ها به فعالیت خود بپردازد. ما سعی داریم تا پروژه ها را با قیمت مناسب به همراه گزارش عملکرد و آموزش به شما عزیزان ارائه دهیم. تا شما بتوانید کامل مطالب را یاد گرفته و آن را برای اساتید خود ارائه کنید. همچنین در صورت درخواست شما کاربران عزیز میتوانیم فیلم آموزشی از نحوه اجرای پروژه داده کاوی نیز برای شما آماده کنیم. هدف اصلی ما جلب رضایت شما عزیزان می باشد و در این زمینه از هیچگونه فعالیتی کوتاهی نخواهیم کرد.

چرا پروژه داده کاوی خود را به پایاپروژه بسپاریم ؟

موسسه پایاپروژه با داشتن تجربه ای 6 ساله در انجام پروژه های داده کاوی و همچنین با دارا بودن متخصصینی از بهترین دانشگاه های کشور و انجام صدها پروژه کوچک و بزرگ دانشجویی و شرکتی گزینه مطمئنی برای شما عزیزان جهت انجام پروژه های داده کاوی می باشد، یکبار ما را امتحان کنید !
زمان و کیفیت انجام پروژه های داده کاوی چه مدت است؟

بحث زمان در انجام پروژه های داده کاوی شما عزیزان مسئله مهمی است. به همین دلیل سایت پایاپروژه با توجه به زمان درخواستی شما سعی دارد تا کمترین زمان ممکن را برای انجام پروژه تان در نظر بگیرد. نکته مهمتر اینکه کیفیت در انجام پروژه های داده کاوی همواره هدف اصلی گروه پایاپروژه می باشد. پس اطمینان داشته باشید که متخصصان ما در این زمینه حساسیت کافی داشته و نهایت تلاش خود را در این امر دارند.
به چه صورت از انجام پروژه داده کاوی مطمئن شوم؟

کیفیت بالای تیم پایاپروژه باعث شده تا مشتریان عزیزمان نیز به ما اطمینان داشته باشند. و بدون نیاز به سایت های دیگر پروژه خود را به ما بسپارند. اگر شما تا بحال تجربه همکاری با سایت ما را نداشته اید، پیشنهاد می کنیم برای یکبار هم که شده به ما اعتماد کنید تا شاهد موفقیت پروژه تان باشید.
راه های ثبت سفارش پروژه داده کاوی:

 انجام پروژه های داده کاوی

 

داده کاوی به معنی تحلیل و بررسی داده های مختلفی است که امروزه مورد استقبال قرار گرفته است می توانید با داده کاوی های بزرگ و کوچک را تحلیل و بررسی کنید و از آن الگو برداری کنیدداده های که ارزشمند ترین اطلاعات یک کسب و کار است که باید از آن محافظت کرد ، اگر پروژه داده کاوی دارید می توانید در مجموعه رایا پروژه آن را با بهترین کیفیت و در زمانی که تعیین کرده اید انجام دهید.

 
 داده کاوی چیست ؟

 

انجام پروژه های داده کاوی - رایا پروژه

 

یکی از روش‌های استخراج اطلاعات از داده ‌های خام داده کاوی است ؛ به عملکرد استخراج کردن  و اکتشاف  هم بستگی ‌ها و الگو های مفید از بین حجم بسیاری از داده‌ های خام که با استفاده از الگوریتم و ساز وکارهای هوشمند انجام می شود  Data Mining  یا داده کاوی می‌گویند، به زبان ساده ، انجام پروژه داده کاوی استخراج کردن دانش از بین مجموعه‌ای از داده‌ ها را داده‌ کاوی می گویند ؛ داده­ کاوی شامل استفاده از ابزار­های پیشرفته تحلیل داده به منظور کشف کردن الگو­های معتبر، از قبل نا­شناخته و روابط در مجموعه داده­ های بزرگ است. این ابزار­ها، مدل های آماری، الگوریتم ­های ریاضی و متد­ های یادگیری ماشین می­ باشند. داده ­کاوی فراتر از جمع ­آوری و مدیریت داده است، و شامل تجزیه و تحلیل و پیشگویی می باشد . عنوان دیگر آن کشف دانش در پایگاه داده می باشد .

 
 تاریخچه و پیشینه داده کاوی چیست ؟

 

در تاریخ  سال ۱۹۶۰، کارشناس های آمار از اصطلاحات صید داده  Data Fishing و لایروبی داده Data Dredging برای ارجاع به کارهای خود تحلیل داده Data Analytics استفاده می‌کردند. اصطلاح  کلمه «داده‌کاوی» در حدود تاریخ  سال ۱۹۹۰ در جوامع پایگاه ‌داده به کار برده شد  و شهرت بسیار زیادی را به دست آورد . عنوان بهتر  برای فرآیند داده‌کاوی، کشف دانش از داده است.

 
 ساز مان ها و نرم افزار های داده کاوی چیست ؟

 09367292276
09367292276
azsoftir@gmail.com
azsoft.ir

09367292276

09367292276
azsoftir@gmail.com
azsoft.ir

 نرم‌افزار SPSS

 نرم‌افزار

 نرم ‌افزار RapidMiner

 زبان برنامه‌ نویسی آر (R)

زبان برنامه ‌نویسی پایتون

 زبان برنامه‌ نویسی متلب

 نرم افزار Orange

نرم افزار Manhout

 
کاربرد های داده کاوی چیست ؟
 

به‌ دست آوردن اطلاعات کاربردی

تمرکز کردن بر روی داده ‌های بزرگ

کشف کردن الگوی میان داده‌ ها

پیش‌ بینی کردن تا  حدودی  از نتایج

تشخیص  دادن کلاهبرداری

تحلیل کردن  تجارت سهام

پیش‌بینی کردن  کسب‌و‌کار

شبکه ‌های اجتماعی

تحلیل کردن مشتریان

تجارت الکترونیک

خودروهای خودران

خطرات درمان ‌های جدید

پژوهش ‌های فضایی

سلامت عمومی : فعالیت در جهت گسترش دادن  فرهنگ بهداشت عمومی با مناسب ترین قیمت در مناطق مختلف دنیا

آموزش: فعالیت داشتن در جهت بهبود کیفیت سیستم آموزشی و هدایت کردن صحیح دانش آموزان

ساخت و عمران: فعالیت داشتن در جهت تسهیل راه سازی و کاربرد الگوهای بهینه سازی شهری با توجه به افزایش یافتن  جمعیت.

مدیریت ارتباط با مشتریان  CRM : فعالیت  داشتن در زمینه بهبود روابط سازمان ها با مشتریان و در نهایت افزایش یافتن  بهره‌وری.

تحقیقات بازار خرید: این مورد به دنبال شناسایی کالاهای مرتبط با سبد خرید مشتری است تا امکان خرید آن‌ها را افزایش دهد.

 
 مراحل داده کاوی چیست  ؟

 

انتخاب داده های مورد نیاز از بین انبوهی از داده ها

پردازش اولیه و پاکسازی داده ها

تبدیل داده و کشف کردن الگو ها

انجام دادن فرایند داده کاوی

ارائه دادن و نمایش اطلاعات

رسیدن به دانش مورد نیاز

 09367292276
09367292276
azsoftir@gmail.com
azsoft.ir

09367292276

09367292276
azsoftir@gmail.com
azsoft.ir

نرم افزارهای داده کاوی

 

نرم افزارهای وجود دارند که می‌توانیم با آنها داده‌کاوی کنیم که ما در ابتدای مقاله به آن اشاره کردیم چون می توانید با استفاده از نرم افزارهای متلب و Weka کافی خود را انجام دهید همچنین یکی دیگر از مواردی که می توانیم با استفاده از آن به راحتی متوانید  داداه کاوی کنید زبان برنامه نویسی r است ،  از دیگر نرم افزار های این حوزه می توان به نرم افزارSPSS اشاره کرد که یکی از بهترین پروژه های این حوزه به شمار می رود.

 
 مشکلات و معایبی که در داده کاوی داریم چیست ؟

 

نداشتن اطمینان کامل  به اطلاعات خروجی

حجم بسیار بالای داده ‌های موجود در ورودی

کارکردن با بعضی از سیستم‌ها و روش‌های داده‌کاوی سخت و نیازمند دانش بسزایی می باشد .

بعضی از مسئله های  داده‌ کاوی حریم خصوصی و حتی امنیت کاربران  را تحت تاثیر قرار می‌ دهند .

روش‌ های داده‌کاوی ۱۰۰٪ درست نیستند. بنابراین ممکن است در بعضی شرایط نتایج بسیار بدی را خواهند داشت .

 
تاثیرات مثبت فرایند داده کاوی چیست ؟

 

بهبود درآمد سازمان ‌ها و کاهش هزینه‌های آن‌ها

تحلیل کردن  سبد خرید

تشخیص دادن  کلاهبرداری ها

پیش‌بینی کردن گرایش‌ های آینده

کمک کردن  در تصمیم‌گیری

 
تاثیرات منفی فرایند داده کاوی چیست ؟

 

استفاده ‌های احتمالی از اطلاعات

درست نبودن احتمالی داده ‌ها

حریم خصوصی و امنیت کاربران

حجم عجیب داده‌ها

هزینه بالا در مرحله  پیاده ‌سازی

 با خیال راحت انجام پروژه های داده کاوی  خود را به ما بسپارید .

 چرا رایا پروژه ؟

انجام پروژه های داده کاوی با توجه به اهدف و نیازهای شما عزیزان تحویل پروژه های  داده کاوی در کوتاه ترین زمان ارائه عالی ترین و با کیفیت ترین خدمات با مناسب ترین هزینه پشتیبانی 48 ساعته رایگان از پروژه شما دسترسی بسیار آسان و راحت

 رایا پروژه  با افتخار آماده پذیرفتن و انجام پروژه های داده کاوی شما توسط تیم و افرادی متخصص ومجرب وبا تجربه و مهارت چندین ساله در زمینه های مختلف انجام پروژه های داده کاوی می باشد .

 
انجام پروژه های داده کاوی با بهترین کیفیت در رایا پروژه

 

رایا پروژه تنها مرجع رسمی انجام پروژه های داده کاوی در ایران است که با تیم که در این مجموعه در حال فعالیت هستند میتوانند پروژه های مربوط به داده کاوی  شما عزیزان را با بهترین کیفیت و در زمانی که از سوی شما تعریف شده است تحویل بدهند ، ثبت پروژه در مجموعه رایا پروژه میتوان از خدمات مشاوره رایگان نیز برخوردار می‌شود و همچنین پروژه های دریافتی شما تا ۴۸ الی ۷۲ ساعت پشتیبانی رایگان می‌شود و اگر مورد در پروژه ها رخ داده باشد متخصصان ما در سریع ترین زمان ویرایش خواهد کرد

 09367292276
09367292276
azsoftir@gmail.com
azsoft.ir

09367292276

09367292276
azsoftir@gmail.com
azsoft.ir

 نکات قابل توجه در رابطه با انجام پروژه های داده کاوی

 

 پروژه های داده کاوی شما توسط یک تیم پویا وبا تجربه چندین ساله انجام می شود.

  پروژه های داده کاوی شما با کیفیت عالی و تضمین شده انجام می شود.

  پروژه های داده کاوی شما در کمترین زمان و مناسب ترین قیمت انجام می شود.

 پس از اتمام پروژه های داده کاوی  شما عزیزان ، پروژه شما دارای  48 ساعت پشتیبانی رایگان می باشد.

 
 خدمات رایا پروژه در زمینه  انجام پروژه های  داده کاوی

 

 انجام پروژه های Data Mining در مهندسی

 انجام پروژه های Data Mining در انسانی

 انجام پروژه های Data Mining

 انجام پروژه های Data Mining با برنامه نویسی پایتون

 انجام پروژه های Data Mining با برنامه نویسی آر  R

 انجام پروژه های Data Mining با برنامه نویسی متلب

 انجام پروژه های Data Mining با برنامه نویسی اس پی اس اس SPSS

 انجام پروژه های Data Mining  با نرم افزار WEKA

 انجام پروژه های Data Mining  با نرم افزار RapidMiner

رایا پروژه با دارا بودن بهترین متخصصان داده کاوی ، شما در هر جای این کشور عزیز که  باشین بهتون عالی ترین خدمات رو ارائه خواهد داد.

در ارائه دادن خدمات پروژه ها ، کمترین قیمت و بالاترین کیفیت ، دستور کارماست .

« ممنون از انتخاب و اعتماد شما سروران گرامی  »
ندین ساله در انجام پروژه داده کاوی است که می تواند تمامی پروژه های موجود را با بهترین کیفیت و مناسب ترین قیمت برایتان انجام دهد.همیار پیپر به لطف مجری های تحصیل کرده در بهترین دانشگاه های داخل کشور و سایر نقاط جهان موفق به کسب رزومه ای درخشان در انجام پروژه های داده کاوی گردیده است که ضامن کیفیت در انجام پروژه هاست.برای سفارش پروژه داده کاوی میتوانید از طریق واتس اپ یا تلگرام با شماره اقدام نمایید.

آیدی تلگرام ما جهت ثبت سفارش می باشد.همین حالا سفارش دهید.
داده کاوی :
09367292276
09367292276
azsoftir@gmail.com
azsoft.ir

09367292276

09367292276
azsoftir@gmail.com
azsoft.ir

داده کاوی علم استخراج اطلاعات از میان حجم انبوهی از داده ها میباشد.داده کاوی شاخه توسعه یافته از علم آمار می باشد. داده کاوی فراتر از علم آمار است و امکاناتی را در اختیار شما قرار می دهد که علم آمار قادر به انجام آن نمی باشد.داده کاوی به استخراج اطلاعات پنهان یا روابط در حجم زیادی از داده ها از طریق نرم افزارهای رپیدماینر، کلمنتاین، پایتون و متلب می پردازد.
چه پروژه هایی با داده کاوی در همیارپیپر انجام میشود:

انجام پروژه دانشجویی داده کاوی

انجام پروژه درسی داده کاوی

انجام پروژه کلاسی داده کاوی

انجام پروژه متلب داده کاوی

انجام پروژه تجاری متلب
پروژه های دیگری که قابل انجام است :

انجام پروژه های یادگیری ماشین

انجام پروژه های متلب

انجام پروژه های پردازش تصویر

انجام پروژه های هوش مصنوعی

انجام پیاده سازی مقاله
زمان بندی پروژه داده کاوی در چگونه است؟

زمان بندی پروژه داده کاوی توسط کارفرما تعیین می گردد.ممکن است پروژه شما فوری باشد و یا زمان زیادی برای انجامش داشته باشید.درصورت فوری بودن ما سعی می کنیم در اسرع وقت کار را برایتان انجام دهیم و معمولا هزینه برای انجام پروژه های فوری کمی بیشتر از پروژه هایی با زمان بیشتر تعیین می گردد.اگر پروژه شما چند مرحله ای باشد و بصورت زمانبندی شما پروژه داده کاوی شما را تحویل خواهیم داد و با تایید هر مرحله سراغ مرحله بعدی می رویم و درصورت نیاز به اصلاح در هر مرحله این کار را برای شما انجام می دهیم.
هزینه ارسال سفارش پروژه

برای پیاده سازی مدل های داده کاوی در SSAS از دو نوع داده ای استفاده می شود. یک نوع فیزیکی که در ساختار داده کاوی کاربرد دارد و دیگری نوع منطقی است که برای ستون های مورد استفاده در مدل بکار می رود. به زبان ساده تر در زمان ایجاد یک مدل داده کاوی برای ستون های انتخاب شده از جداول دو نوع داده ای Data Type و Content Type خواسته می شود که اولی به عنوان نوع فیزیکی و دومی به عنوان نوع منطقی برای SSAS شناخته می شود.
در ادامه به شرح هر یک از آن ها خواهم پرداخت اما قبل از آن به عبارات و تعارف زیر توجه کنید.

Data Type: از آن به عنوان نوع داده ای نام برده می شود که نشان دهنده نوع رکوردهای یک ستون خاص در جدول است.Content Type: از آن به عنوان نوع محتوایی نام برده می شود که بیانگر شرح حالت و نوع منطقی رکوردهای ستون است.Column: ستون های هر جدول است.Row: به سطرهای هر جدول گفته می شود.Case Table: منظور از آن جدول اصلی و پایه است.Nested Table: منظور از آن جدول کمکی یا تودرتو است.Input: به ستون های ورودی انتخاب شده برای مدل گفته می شود.Predictable: به ستون هایی که باید پیش بینی بر اساس آن ها انجام شود گفته می شود. از آن ها به عنوان ستون های قابل پیش بینی نیز یاد می شود.

در زمان ساخت مدل، نوع داده ای هر ستون در قسمت Data Type مشخص می شود که این کار باعث می شود تا الگوریتم اطلاعاتی از داده های هر ستون بدست آورد و در پردازش آن ها بکار گیرد. در داده کاوی هر نوع داده ای یک یا چند نوع محتوایی را پشتیبانی می کند. Content Type رفتار محتوای ستون ها را به SSAS توصیف می کند. برای مثال اگر داده های یک ستون در وقفه های زمانی خاصی مانند روزهای هفته تکرار شوند می توان نوع محتوایی مربوط به آن ستون را برابر با Cyclical قرار داد.برخی از الگوریتم های داده کاوی برای اینکه به خوبی کار کنند حساسیت زیادی به مشخص بودن این انواع دارند مانند الگوریتم بیز که نمی تواند از نوع محتوایی Continus برای مقادیر ورودی استفاده کند.

Data Typeهنگام ساخت مدل داده کاوی در SSAS باید نوع داده ای هر ستون مشخص شود. در واقع نوع داده ای مشخص کننده ی متنی یا عددی بودن داده های موجود در ستون است. موتور داده کاوی از این اطلاعات برای مشخص کردن نحوه پردازش استفاده می کند.هر نوع داده ای یک یا چند نوع محتوایی را پشتیبانی می کند. برای مثال اگر داده های موجود در یک ستون عدد باشند می توانید در قسمت Data Type آن نوع Numeric یا Text را انتخاب کنید. اگر نوع Numeric را انتخاب کنید در آن صورت برای Content Type نوع های Continuous و Discretize قابل انتخاب هستند.جدول زیر نوع های داده ای و محتوایی قابل پشتیبانی را نشان می دهد.

09367292276
09367292276
azsoftir@gmail.com
azsoftir.com09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

Content Type
همانطور که پیش تر گفته شد نوع محتوایی برای SSAS به عنوان یک نوع منطقی شناخته می شود که بیانگر رفتار محتوای ستون ها است. در ادامه به شرح هر یک از انواع Content Type می پردازم. Discrete: این نوع نشان دهنده این است که ستون مورد نظر شامل تعداد محدودی از مقادیر است. برای مثال ستون جنسیت را در نظر بگیرید، مقادیر این ستون یا مرد است یا زن، به ستون هایی که این نوع مقادیر را در خود دارند Discreteگفته می شود. این نوع مقادیر نظم و ترتیب خاصی ندارند و نمی توانند حاکی از مسئله ای باشند و با اینکه ممکن است گاهی اوقات عددی هم باشند، نمی توانند ما را به مقصود خاصی برسانند. مثل شماره تلفن که عدد است اما کاربردی در محاسبات ندارند. Continuous: این نوع بیانگر داده های عددی نامحدود است که در یک مقیاس خاصی میان مقادیر وجود دارد. همانطور که در مورد نوع Discreteمتوجه شدید، این نوع محدود و قابل شمارش است اما مقادیر Continuous مقادیر عددی در رنج بزرگ و نامحدود می باشند. یک ستون با رکوردهایی از درجه حرارت مثال مناسبی برای این نوع است.
Discretized: این نوع بیانگر فرایند قرار دادن یک مجموعه از تعداد محدودی از مقادیر Continuous در یک گروه است. به عبارت دیگر نوعdiscretized گروهی از داده های مشتق شده از ستون Continuous را شامل می شود. می توان داده ها را به صورت دستیdiscretized کرد.
Key: همانطور که از نام این نوع مشخص است، به معنای یونیک بودن رکوردها در هر سطر است. معمولا در جداول اصلی (Case Tables) کلید به صورت عددی یا متنی مشخص می شود. انتخاب نوع Key برای ستون به معنای عدم آنالیز برروی آن ستون است و فقط جهت پیگیری رکوردها استفاده می شود. جداول تودرتو (Nested Tables) نیز ستون کلید دارند اما معنای Key در این جداول کمی متفاوت با قبلی است. در جداول تودرتو زمانی یک ستون را به عنوان Key معرفی می کنیم که قصد داشته باشیم تا از خصوصیات آن ستون برای آنالیز استفاده کنیم. با این حال مقادیر ستون این جدول باید جدول اصلی یونیک باشد. برای مثال اگر قصد آنالیز محصولات خریداری شده ی مشتریان را دارید، باید در قسمت Content Type مربوط به ستون CustomerID در جدول اصلی نوع Key را انتخاب کنید و همین کار را برای ستون PurchasedProducts در جدول تودرتو انجام دهید.
key sequence: از این نوع فقط در الگوریتم خوشه بندی زنجیره ای استفاده می شود و بیانگر و توصیف کننده ی رویدادهای پیوسته و زنجیره ای در ستون است.

key time: از این نوع فقط در الگوریتم سری زمانی استفاده می شود و به معنای این است که مقادیر این ستون در واحد زمان نمایش داده می شوند.

09367292276
09367292276
azsoftir@gmail.com
azsoftir.com09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

Cyclical: رکوردهای موجود در این نوع بیانگر وجود یک مجموعه ی گردشی است برای مثال روزهای هفته یک مجموعه گردشی است زیرا هفت روز هفته مرتبا تکرار می شود. ستون های cyclical را با نوع های ordered discrete نیز مشخص می کنند.
Ordered: این نوع معمولا مشخص کننده ی ستون هایی است که مقادیر آن ها به صورت زنجیره ای است.

– پروژه داده کاوی با rapid miner

– پایان نامه داده کاوی با rapid miner

– پایان نامه داده کاوی با متلب Matlab

– پروژه داده کاوی با کلمنتاین

– انجام پروژه با نرم افزار کلمنتاین

– انجام پروژه با نرم افزار Clementine

09367292276
09367292276
azsoftir@gmail.com
azsoftir.com09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

انجام پروژه های داده کاوی (Data Mining) در زمینه های رده بندی (Classification)، خوشه بندی (Clustering)، پیش بینی (Prediction)، انتخاب ویژگی (Feature Selection) و قواعد انجمنی (Association Rules) با استفاده از روش ها و الگوریتم های مختلفی نظیر:
۱ -Ann)شبکه عصبی مصنوعی)

۲ - شبکه های عصبی مصنوعی (RBF)

09367292276
09367292276
azsoftir@gmail.com
azsoftir.com09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

۳ - درخت تصمیم--هرس درخت تصمیم--درخت تصمیم با شاخص جینی و آنتروپی
۴ - بگینگ  و بوستینگ
۵ - ماشین بردار پشتیبان
۶-ماشین بردار پشتیبان با بهینه ساز ازدحام ذرات
۸ - سیستم استنباط بیزین
۱۰-الگوریتم ژنتیک , ازدحام ذرات
۱۱-الگوریتم های فراابتکاری
۱۲-قواعد همسایگی با fp-growth,apriory
۱۳-تحلیل نتایج با رسم نمودار Roc
۱۴-انواع مختلف روش های انتخاب ویژگی:شاخص ریلیف، ازدحام ذرات،شاخص جینی و ...
۱۵-انواع روش های نمونه برداری و بیش نمونه گیری
۱۶-روش های حل مشکل رده نامتوازن

۱۷-تشخیص داده پرت با کانزدیکترین همسایه)

09367292276
09367292276
azsoftir@gmail.com
azsoftir.com09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

Knn

۱۸-تشخیص داده پرت محلی
انجام پروژه های رپیدماینر در کوتاهترین زمان ممکن با کمترین قیمت با مشاوره وآموزش اجرای پروژه
انجام پروژه های داده کاوی با مشاوره و آموزش اجرا جهت ارایه پروژه
در صورت ارایه پروژه فیلم آموزشی کار با نرم افزار و اجرای پروژه تحویل داده خواهد شد.
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com09367292276
09367292276
azsoftir@gmail.com

در این قسمت برخی از ابزارهای متن کاوی که اکثر آنها رایگان هستند معرفی می کنیم.

    پلاگین استخراج اطلاعات در rapidMiner
    rapidMiner یک فریم ورک کد باز معروف است یا به عبارتی یک workbench تحلیلات کسب و کار کامل با تمرکز شدید بر داده کاوی، متن کاوی و predictive analytics است. این ابزار از مجموعه گسترده ای از تکنیک های توصیفی و پیش بینانه برای ارائه آگاهی کافی به کاربر برای انجام تصمیم گیری مناسب تر استفاده می کند. این پلتفرم نرم افزاری توسط شرکتی با همین نام به عنوان محیطی یکپارچه برای یادگیری ماشین، متن کاوی، داده کاوی، predictive analytics و  business analytics توسعه داده شده است.
    RapidMiner Studio روی هم رفته بیش از ۱۵۰۰ عملیات برای همه کارهای مربوط به تحلیل داده حرفه ای انجام میدهد از تقسیم داده تا تحلیل مبتنی بر بازار این ابزار در بردارنده همه ابزارهایی است که برای اینکه بتوان از داده به نحو مفید استفاده کرد می باشد . به علاوه ابزارهایی برای متن کاوی، وب کاوی، automatic sentiment Analysis در فروم های بحث در اینترنت (sentiment analysis و opinion mining) و همین طور تحلیل سری های زمانی و پیش بینی هم در این ابزار وجود دارد.

09367292276
09367292276
azsoftir@gmail.com
azsoftir.com09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

    Information Extraction Plugin استفاده از تکنیک های استخراج اطلاعات در RapidMiner را میسر می کند. می توان از آن به عنوان اینترفیسی میان زبان طبیعی و IE یا روش های داده کاوی با استرخاج اطلاعات ارزشمند از اسناد یاد کرد.
    Extension متن کاوی در rapidminer از یک کلاس خاص برای کار با اسناد استفاده می کند: Document-class. این کلاس کل اسناد در ترکیب با متا اطلاعات دیگر را دربردارد. در مورد متن کاوی اسناد به نشانه های منحصر به فرد تقسیم می شوند که برای دسته بندی کل اسناد استفاده می شود. برای اهداف استخراج اطلاعات سند نشانه گذاری می شود (tokenize) و ترتیب این نشانه های حفظ می شود بنابراین نشانه گذارهایی در آن تعبیه شده که قادر به پردازش مجموعه های نمونه (examplesets)  استخراج شده از کلاس های اسناد هستند. به کاربردن این نشانه گذارها منجر به یک صفحه گسترده (spreadsheet) می شود که دربردارنده نشانه ها با یک ترتیب خاص یعنی همان طور که در سند یافت شده اند می باشد. هر نشانه شامل یک شماره خاص است که نشان می دهد از کدام واحد عمومی ایجاد شده است. برای مثال هر word-token یک جمله خاص دربردارنده شماره جمله است در حالی که  هر sentence-token از یک سند شامل شماره سند است.

09367292276
09367292276
azsoftir@gmail.com
azsoftir.com09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

    در این فرایند متن کاوی، یک سند لود می شود ، به exampleset ای حاوی نمونه ای که متن کامل سند را دارد تبدیل می شود و دو نشانه گذار (tokenizers) متن را به چندین نشانه (مثال یا نمونه ها) تبدیل می کند. سومین عملگر متن را به جمله ها تقسیم می کند و چهارمین عملگر جملات را به کلمات تبدیل می کند. پس از به اتمام رسیدن فرایند دیتاست به دست آمده حاوی نمونه هایی است که هر یک کلمه ای را نگهداری می کنند. به علاوه کلمات دربردارنده شماره جملات هستند و امکان دسترسی به همه کلمات یک جمله را میسر می کنند.
    دانلود نرم افزار رپدماینر 5.3
    NetOwl Extractor
    NetOwl Extractor ابتدا برای پرتقاضاترین برنامه های اطلاعاتی دولتی ساخته شد و مبتنی بر زبان شناسی محاسباتی پیشرفته و پردازش زبان طبیعی است. با آنالیز هوشمندانه ساختار و محتوای درون متن این ابزار می تواند به دقت اطلاعات کلیدی را شناسایی کند. این ابزار یک سیستم ایندکس گذاری اتوماتیک است که عبارات اصلی را در متن پیدا و کلاسیفای می کند مانند نام های شخصی، نام شرکت ها، نام مکان ها، تاریخ ها و … این ابزار همه نامه های یکسان را پیدا کرده و نام ها را به موجودیت مشابه به آن لینک می دهد. تشخیص دینامیک را با جستجوی استاتیک ترکیب می کند تا به دقت بالا رسیده و با سرعت بالایی به نتیجه برسد.
    TextAnalyst: natural language text analysis software

09367292276
09367292276
azsoftir@gmail.com
azsoftir.com09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

    TextAnalyst یک سیستم متن کاوی است که تعدادی تابع آنالیز مهم را با تکیه بر استفاده از یک شبکه معنایی ایجاد شده خودکار از متن مورد بررسی ، پیاده می کند. مزیت اصلی آن در برابر سایر سیستم های بازیابی اطلاعات و تحلیل متن این است که می تواند شبکه معنایی یک متن را به طور کامل و بصورت خودکار بدون نیاز به از پیش توسعه دادن یک دیکشنری موضوعی خاص توسط انسان درآورد. کاربر مجبور نیست به این ابزار هیچ اطلاعات پس زمینه ای از موضوع بدهد سیستم این دانش را بصورت خودکار به دست می آورد پس با این حساب از یکی از تکنیک های یادگیری ماشین بی ناظر استفاده می کند.
    Intelligent Miner for Text
    مربوط به شرکت IBM software است . این ابزار مجموعه جامعی از ابزارهای تحلیل متن و جستجوی متن ارائه می کند:
    The Language Identi¯cation tool: این ابزار بصورت خودکار زبان سند را پیدا می کند می توانید آن را برای پوشش دادن زبان های دیگر آموزش دهید (از روش های یادگیری ماشین با ناظر (کلسیفایینگ) می توان استفاده کرد).

09367292276
09367292276
azsoftir@gmail.com
azsoftir.com09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

    The Feature Extraction tool: این ابزار آیتم های لغت را در متن پیدا می کند خودش بصورت خودکار این کار را انجام می دهد و نیازی نیست شما محدوده ای که مربوط به لغت است را برای آن تعیین کنید.
    The Summarizer tool این ابزار کلمات و جملات را در سند آنالیز می کند و از سند یک خلاصه ایجاد می کند.
    The Topic Categorization tool  این ابزار بصورت خودکار اسناد را به مقوله ها، تاپیک ها یا زمینه هایی که از قبل تعیین کردید نسبت می دهد.
    The Clustering tools این ابزار مجموعه ای از اسناد را به گروه ها یا کلاسترهایی تقسیم می کند. اعضای هر کلاستر به هم شبیه هستند زیرا از ویژگی های مشترکی برخوردارند. این کلاسترهای از قبل تعیین شده نیستند.
    ICrossReader
    تنها اسناد بسیار مرتبط را در www پیدا می کند. متن های داخلی یک پایگاه داده غیر ساخت یافته را اسکرین کرده و اطلاعات را کلاستر معنایی می کند.
    Yahoo Planet

09367292276
09367292276
azsoftir@gmail.com
azsoftir.com09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

    در این ابزار چندین مقوله برتر به عنوان برنامه های جداگانه گرفته می شود و برای هر یک از آنها یک کلاسیفایر خودکار ساخته می شود.
    Dataset
    این ابزار از دیتابیس های رابطه ای و Focused Informa-tion Retrieval استفاده می کند. تکنولوژی RDB یا دیتابیس رابطه ای با قابلیت های منحصر به فرد این ابزار برای مدیریت متن ترکیب شده و استفاده می شود. این ابزار، ابزارهای بازیابی و جستجوی جامعی فراهم می کند که می تواند آیتم ها را تقریبا بصورت آنی با کلمات، عبارات و … پیدا کند.
    Texis
    این ابزار تنها SQL RDBMS کاملا یکپارچه است که به صورت هوشمندانه پایگاه داده هایی را که شامل متون زبان طبیعی ، دیتا تایپ های استاندارد، تصاویر، ویدئو، صوت و سایر داده ها هستند کوئری و مدیریت می کند. می توانید در آن متن را با هر اندازه ای ذخیره کنید و این اطلاعات را با زبان طبیعی بپرسید.
    نرم افزار Text analytics می تواند با پس و پیش کردن و تبدیل کلمات و اصطلاحات و عبارات داده های غیر ساخت یافته به مقادیر عددی که بدین ترتیب پس از آن بتواند آنها را با داده های ساخت یافته موجود در دیتابیس لینک کند و با روش های داده کاوی تحلیل کند در این زمینه کمک کند.  سازمان ها می توانند با یک رویکرد تکرارگونه از Text analytics برای آگاهی یافتن از ارزش های محتوایی خاص مانند احساس، عاطفه و شدت و  ارتباط استفاده نمایند. از آنجایی که تکنولوژی Text analytics هنوز به عنوان یک تکنولوژی درحال ظهور محسوب می شوند، نتایج و عمق تحلیل ها می تواند از فروشنده ای به فروشنده دیگر تغییرکند.
    GATE
    GATE معماری عمومی Text Engineering است و یک جعبه ابزار کد باز برای پردازش زبان طبیعی و مهندسی زبان است. این ابزار یک سیستم استخراج اطلاعات به نام ANNIE دارد که در بردارنده مجموعه ای از ماژول هاست مانند tokenizer، یک gazetteer، یک تقسیم کننده جمله، یک part of speech tagger و … .
    Carrot2
    این ابزار یک چارچوب کلاسترینگ نتایج جستجو و متن است. این ابزار می تواند به طور اتوماتیک مجموعه های کوچکی از اسناد، نتایج جستجو یا خلاصه اسناد را بر اساس زمینه آنها کلاستر کند.
    SAS Text Analytics
    SAS یک نرم افزار تحلیل متن جامع است برای کشف و استخراج اطلاعات از متن. این ابزار از مدلسازی آماری پیشرفته ، پردازش زبان طبیعی، و تکنولوژی های زبان شناختی پیشرفته برای کشف الگوها از هر متن به هر زبان استفاده می کند. این ابزار در سیستم های اخطار فوری، هوش شهری، امنیت بیمار و عملکرد محتوای دیجیتال استفاده می شود.نمونه هایی دیگر از نرم افزارهای متن کاوی
    ۱-Copernic Summarizer

09367292276
09367292276
azsoftir@gmail.com
azsoftir.com09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

    ۲- Wizdoc
    ۳-Insight Discoverer Categorizer
    ۴- Insight Discoverer Clusterer
    ۵- TextAnalyst
    ۶-

در بسیاری از کاربردهای پردازش طبیعی زبان ۱برچسب زنی اجزای سخن نیاز است . برچسب زنی تعیین برچسب دستوری برای یک کلمه در یک متن است . ورودی این سیستم متن است و خروجی آن کلمه ها با تگ های مناسب است [۴].

بسیاری از برچسب زن ها با روش های مختلفی طراحی می شوند تا با دقت و عملکرد بالاتری برسند . این برچسب زن ها از روابط بین کلمه ای ۲و واژه نامه ۳استفاده می کنند [۱] . بر چسب زنی نقش بسیار مهمی در بسیاری از سیستم های NLP ایفا میکند مانند ساده سازی برنامه های پیچیده . اگر چه هر برچسب زن در بسیاری از زبان ها قابل استفاده است ولی در هر زبان خصوصیاتی هست که برچسب زن باید با توجه به آن ها طراحی شود . [۱] بر چسب ها شامل اطلاعات دستوری بسیار زیادی مانند : کمیت ، شخص ، جنسیت و … در مورد کلمه و همسایه های آن هستند .[۲] روش ها و مدل های زیادی برای برچسب زنی ارائه شده است که به دو قسمت کلی تقسیم می شوند :روش اول از بررسی و تفسیر آماری پیروی می کند و روش دوم از دانسته های انسانی و یادگیری ماشین۴ استفاده می کند .
در زبان فارسی دو مجموعه متنی شناخته شده وجود دارد : پایگاه داده زبان شناسی فارسی (Assi, 1997) و پیکره متنی زبان فارسی (Bijankhan, 2002; Mohseni, 2008) . مورد دوم در دوقسمت دسته بندی شده است : کلمات تفسیر شده و تفسیر نشده . قسمت تفسیر شده که حدود ۱۰% را در بر می گیرد به صورت دستی برچسب زده شده است . هدف ما بر چسب زنی برای قسمت تفسیر نشده (حدود ۹۰% مجموعه) است تا یک مجموعه ی ۱۰۰ میلیونی از کلمات بر چسب زده شده ایجاد شود.[۳]
کارهای مرتبط

09367292276
09367292276
azsoftir@gmail.com
azsoftir.com09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

اولین کاری که برروی برچسب زنی در زبان فارسی توسط (Assi & Abdolhoseini, 2000) بر پایه روشی که توسط (Schuetze, 1995) پیشنهاد شده ، انجام شده است . ایده ی این است که تمامی همسایه های کلمه در دو آرایه ی کلمات راست و کلمات چپ جمع آوری شود . کلمات با تکرار کم حذف می شوند ، چون دیده شده است که کلمات نادر آرایه های خالی دارند .نوع کلمات به شباهت توزیع شده بستگی دارد و هر دسته به صورت دستی برچسب گذاری می شود . این مجموعه ۴۵ برچسب دارد . دقت گذارش شده به این صورت است : دقت در اعداد ، دسته های مختلف افعال و اسم ها بین ۶۹ تا ۸۳ % می باشد و در حالت کلی ، دقت قسمت خودکار سیستم ۵۷٫۵% می باشد . در هر حال نویسنده اقرار می کند در حالی که برچسب های فارسی به کلمات مبهم بر می گردد ، سیستم پیشنهادی قادربه ابهام زدایی از کلماتی مانند کلمات با تکرار کم نیست . در ضمن دقت سیستم برای دسته هایی مانند صفت ها و قید ها بسیار کم است . [۳] تحقیق دیگری برروی برچسب زن های فارسی توسط (Megerdoomian, 2004) انجام شده است . از نتایج آزمایشات گزارشی در دست نیست . نویسنده تنها به چالش هایی که برای برنامه نویسی برچسب زن زبان فارسی ایجاد می شود اشاره کرده است .[۳] در (Mohseni, 2008) یک سیستم برچسب زنی برپایه ی مدل Markov مرتبه ی اول برروی مدل قدیمی پیکره اجرا شده است . در این مقاله برخی جنبه های ریخت شناسی فارسی و بعضی مشکلات در گسترش یک سیستم برچسب زنی ارائه شده است . [۳] در (Mojgan Seraji) یک برچسب زن آماری برای یک زبان فارسی ارائه شده است . نتایج آزمایش نشان می دهد که دقتی در حدود ۹۶٫۹% دارد که بهترین نتیجه گزارش شده برای زبان فارسی است . پایه ی این روش بر Hidden Markov Models می باشد که به کاربر اجازه می دهد تا برچسب زنی با ویژگی های متفاوت داشته باشد . این برچسب زن بر اساس حدس زدن برچسب مناسب با توجه به برچسب های قبلی و فعلی عمل می کند . نکته ی مثبت در مورد این الگوریتم برچسب زنی برای کلماتی است که تا بحال دیده نشده است . برروی کلمات یک آنالیز زبان شناسی انجام می شود تا لیست برچسب های قابل استفاده برای این کلمه را کم کند که نه تهنا باعث افزایش سرعت عملکرد سیستم می شود بلکه به شدت دقت را افزایش می دهد . به عبارت دیگر انالیزور زبان شناسی برچسب های ممکن را تولید می کند ، تا بر اساس الگوریتم های حدس زنی وزن دهی شود . [۶]
Markov Models

احتمال یک جمله از کلمات
w1 w2…wn{ w }_{ 1 }\ { w }_{ 2 } …{ w }_{ n }w1 w2...wn

با استفاده از برچسب زن به صورت
P(w1w2…wn,t1t2…tn)P({ w }_{ 1 }{ w }_{ 2 }…{ w }_{ n } ,t_{ 1 }t_{ 2 } …t_{ n })P(w1w2...wn,t1t2...tn)

است.که با توجه به قضیه ی Bayes به صورت زیر می شود :
P(wn∣w1w2…wn,t1t2…tn)P(tn∣w1w2…wn,t1t2…tn)P(w1w2…wn,t1t2…tn−۱)P({ w }_{ n }|{ w }_{ 1 } { w }_{ 2 } … { w }_{ n } , t_{ 1 }t_{ 2 } …t_{ n })P({ t }_{ n }|{ w }_{ 1 }{ w }_{ 2 } …{ w }_{ n } , t_{ 1 } t_{ 2 } …t_{ n })P({ w }_{ 1 }{ w }_{ 2 } …{ w }_{ n }, t_{ 1 } t_{ 2 } …t_{ n-1 })P(wn∣w1w2...wn,t1t2...tn)P(tn∣w1w2...wn,t1t2...tn)P(w1w2...wn,t1t2...tn−۱)

با استفاده از دو رابطه ی ساده مشخص می شود که احتمال کلمه ی
wn{w}_{n}wn

09367292276
09367292276
azsoftir@gmail.com
azsoftir.com09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

فقط به
tn{t}_{n}tn

آن و به Kکلمه ی مقدم بر آن بستگی دارد :
P(wn∣tn)P(tn∣tn−k…tn−۱)P(w1w2…wn,t1t2…tn−۱)P({ w }_{ n }|t_{ n })P({ t }_{ n }|t_{ n-k }…t_{ n-1 })P({ w }_{ 1 }{ w }_{ 2 }…{ w }_{ n },t_{ 1 } t_{ 2 } … t_{ n-1 })P(wn∣tn)P(tn∣tn−k...tn−۱)P(w1w2...wn,t1t2...tn−۱)

با ساده سازی و تابع بازگشتی قضیه ی Bayes این فرمول حاصل می شود :
P(w1w2…wn,t1t2…tn−۱)=∏i=1nP(wi∣ti)P(ti∣ti−k…ti−۱)P({ w }_{ 1 }{ w }_{ 2 }…{ w }_{ n },t_{ 1 }t_{ 2 }…t_{ n-1 })\quad =\quad \prod _{ i=1 }^{ n } P({ w }_{ i }|t_{ i })P({ t }_{ i }|t_{ i-k }…t_{ i-1 })P(w1w2...wn,t1t2...tn−۱)=∏i=1nP(wi∣ti)P(ti∣ti−k...ti−۱)

احتمال این مدل تنها به K کلمه ی قبلی بستگی دارد که به Markov Model مرتبه ی k شناخته می شود . در برچسب زنی بیشتر از مرتبه ی اول Markov Model و از مرتبه ی دوم Markov Model استفاده می شود .
انواع برچسب زن

الگوریتم های برچسب زنی مختلفی وجود دارد که هرکدام سعی می کند معایب الگوریتم قبلی را از بین ببرد . در (Megerdoomian, 2004) الگوریتم های برچسب زنی به دو دسته تقسیم می شوند :[۵]

09367292276
09367292276
azsoftir@gmail.com
azsoftir.com09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

برچسب زن های آماری: این الگوریتم های برچسب زنی بر اساس احتمال عمل می کنند . این الگوریتم ها معمولا از پیکره های برچسب زده شده استفاده می کنند . این ها احتمالات برچسب کلمه ها را با استفاده از اسناد برچسب زده شده یاد می گیرند . زمانی که این برچسب زن ها با یک کلمه ناشناخته روبرو می شوند از اطلاعات توزیع شده کلمه برای پیشنهاد یک برچسب برای آن استفاده می کنند . برچسب زن های اماری دقت بالایی دارند اما کارایی آن ها به سختی قابل ارتقا است . به علاوه از یک پیکره برچسب زده شده استفاده می کند که در بعضی زبان ها موجود نیست . [۵]

برچسب زن های قانونمند : این برچسب زن ها برچسب مناسب را با استفاده از قواعد دستوری و زبان شناسی انتخاب می کنند . در این برچسب زن ها از یادگیری استفاده نمی شود . از انجا که این برچسب زن ها از قواعد استفاده می کنند ، برای یرچسب زنی کلمات ناشناخته ناتوان هستند اما برای کلمات شناخته شده معمولا دقیق هستند .[۵] نوع دیگری از برچسب زن ها نیز در(Shamsfard) معرفی شده است که ترکیبی از این دو حالت است . [۱] با توجه یه اینکه برچسب زن های آماری دقت بالایی دارند در این مقاله از این نوع برچسب زن ها استفاده می شود ، البته همان طور که گفته شد معایبی نیز دارند .
پیش پردازش

مرحله اول برای تشکیل لغت نامه بیرون کشیدن کلمات از پیکره است . برای اجرای این عمل ، لازم است تا حدود و مرز کلمات شناسایی شود . در زبان فارسی مرز کلمات به خوبی مشخص نیست زیرا کلمات زیادی وجود دارد که از بیشتر از یک بخش تشکیل شده اند و این بخش ها با white space از هم جدا می شوند . به همین دلیل ابهاماتی برای برای تشخیص کلمات در زبان فارسی وجود دارد . برای ساده سازی عملیات جداسازی کلمات نقطه ها و white space به عنوان جدا کننده درنظر گرفته می شوند . برای جداسازی کلمات یک سری قوانین وضع می کنیم که باید رعایت شود : [۱]

    “می” که در اول بسیاری از فعل ها می آید باید به صورت جدا نوشته شود .
    “ها” که یک نشانه ی جمع است باید به صورت جدا نوشته شود .
    “بی” که یک پیشوند منفی ساز است باید به صورت جدا نوشته شود .

پیاده سازی

09367292276
09367292276
azsoftir@gmail.com
azsoftir.com09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

برای مجموعه ی داده ها ۵ از پیکره ی بیجن خان که حاوی ۲٫۶ میلیون کلمه و ۵۵۰ برچسب است ، استفاده شده است . از آنجا که این مجموعه دارای ۵۵۰ برچسب است و باعث ایجاد مشکلات فراوان و عدم دقت می شود ۳۸ برچسبی که بیشترین تکرار را دارند مورد استفاده قرار می گیرد . جدول زیر تعداد تکرار برچسب ها و احتمال آنها را نشان می دهد :
برچسب های پرتکرار و احتمال وقوع آنها
برچسب های پرتکرار و احتمال وقوع آنها
لیست برچسب ها
لیست برچسب ها

در پیکره ی بیجن خان فقط کلمات و برچسب آنها وجود دارد اما ار آنجا که احتمال وقوع هر برچسب برای ما مهم است با این کد احتمال وقوع برچسب ها استخراج شده است .
در این فاز بررسی ها و پیاده سازی های اولیه ، داده ها و فرم آنها برای استفاده و مراحل اجرای کار مشخص شد ، در فاز بعد پیاده سازی کامل به همراه بررسی میزان دقت الگوریتم انجام می شود.
پیاده سازی نهایی

مراحل پیاده سازی یه این ترتیب است که اول متن را نرمال سازی می کنیم همان طور که در این مورد در بخش پیش پردازش بحث شده بود . سپس کلمات را تشخیص داده و در اصطلاح Tokenize می کنیم و سپس با اجرای PosTagger بر چسب مربوط به هر کلمه مشخص می شود .
کد
البته در این فاز کار پیاده سازی توسط بنده انجام نشده و صرفا کد های Hazm بررسی شده است و کد های موجود در Git نیز همین کدهاست ، اما بیشتر وقت در این فاز به بررسی Machin Learning در پردازش طبیعی زبان داده شده است . چون مبحث بسیار سنگینی بود و پیش نیاز های متعددی برای یادگیری داشت متاسفانه فرصت کافی برای پیاده سازی وجود نداشت . دو منبع ۷ و ۸ را به منظور یادگیری ، یادگیری ماشین انتخاب کرده ام
کارهای آینده

با توجه به پیشرفت تکنولوژی ها به خصوص در نحوه ی ارتباط با کاربر یا همان رابط کاربری ، امروزه استفاده از پردازش طبیعی زبان بسیار گسترش یافته است . به خصوص در زمینه ی هوش مصنوعی و دستیار هوشمند شخصی(Inteligent Personal Assistant) کاربرد تبدیل گفتار به متن با استفاده از پردازش طبیعی زبان بسیار گسترش یافته است . همان طور که بررسی شد دو مدل برچسب زنی یعنی آماری و ساختار هر کدام معایب و مزایایی دارند که در مورد آنها صحبت شده است ، اما مواردی که از ترکیبی از این دو مدل بهره گرفته اند بسیار دقت و کارایی بیشتری داشته اند ، به شخصه احساس می کنم ترکیب این دو روش آینده ی برچسب زنی خواهد بود . همچنین استفاده از روش هایی که فارغ از نوع زبان به برچسب زنی می پردازند می تواند بسیار مفید باشد زیرا هر کدام از زبان ها معایب زیادی دارند که بسیار پیشبرد کار را مشکل می کنند ، در مورد معایب زبان فارسی بحث شده است . بهره گیری از نکاتی که عرض شد می تواند مقالات و برنامه های آینده را بهبود ببخشد .
مراجع

09367292276
09367292276
azsoftir@gmail.com
azsoftir.com09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

    Mehrnoush Shamsfard , Hakimeh Fadaee A Hybrid Morphology-Based POS Tagger for Persian NLP Research Laboratory , Faculty of Electrical & Computer Engineering, Shahid Beheshti University, Tehran, Iran.
    Jurafsky D. and Martin J. H. (1999). Speech and language Processing. Prentice Hall, September 28.
    Mahdi Mohseni, Behrouz Minaei-bidgoli , A Persian Part-Of-Speech Tagger Based on Morphological Analysis , Iran University of Science and Technology.
    Ali Azimizadeh, Mohammad Mehdi Arab, Saeid Rahati Quchani, Persian part of speech tagger based on Hidden Markov Model , ,Islamic Azad University of Mashhad, Iran.
    Megerdoomian, K. (2004). Developing a Persian part-of-speech tagger. In Proceedings of First
    Workshop on Persian Language and Computers. Iran.
    Mojgan Seraji, A Statistical Part-of-Speech Tagger for Persian ,Department of Linguistics and Philology Uppsala University, Sweden
    Machin Learning in Action , Peter Harrington , Manning , 2012
    Machin Learning for Natural Lnaguage Processing , Mrtin Emms , Saturino Luz , 2007

    Natural Language Processing (NLP)

    inter-word relation

    lexicon

    Machine Learning

  (Hidden Markov Models)

مدلهای مخفی مارکوف
معرفی

مدلهای مارکوف مخفی اولین بار در یک سری از مقالات آماری توسط Leonard E. Baum و نویسندگان دیگر در نیمه ۱۹۶۰مطرح گردید. اولین کاربرد آن در شناسایی گفتار بود که در نیمه ۱۹۷۰شروع گردید. درنیمه ۱۹۸۰برای آنالیز رشته های بیولوژیکی بخصوص DNA استفاده گردید. از آن زمان بعنوان زمینه ای از بیوانفورماتیک درنظر گرفته شد.

آندری آندرویچ مارکوف

آندری آندرویچ مارکوف٬ فارغ التحصیل دانشگاه سنت پترزبورگ در سال ۱۸۷۸ بود. وی در سال ۱۸۸۶ مدرک پروفسوری خود را دریافت کرد. کارهای زودهنگام مارکوف در تئوری اعداد٬ آنالیز٬ حدود انتگرال ها٬ همگرایی سری ها٬ دنباله کسرها و … بسیار اساسی بود
بعد از سال ۱۹۰۰ ٬ مارکوف تحت تأثیر استاد خود چبیشف٬ از روش دنباله های کسرها در تئوری احتمالات استفاده کرد.وی هم چنین در مورد رشته های متغیرهای وابسته متقابل٬ مطالعاتی انجام داد.با این امید ثابت کردن قوانین حدی در احتمالات در حالات کلی آنها.او قضیه حد مرکزی را با در نظر گرفتن فرض های کامل آن٬ اثبات کرد
مارکوف به دلیل مطالعاتش پیرامون زنجیرهای مارکوف که رشته هایی از متغیرهای تصادفی هستند٬ معروف است.در زنجیرهای مارکوف٬ متغیر بعدی توسط متغیر کنونی مشخص می شود ولی از راهی که تا کنون طی شده است مستقل است.
مدلهای مخفی مارکوف ابتدا در سال‌های اواخر ۱۹۶۰ و اوایل ۱۹۷۰ معرفی و مورد مطالعه قرار گرفت. روش‌های آماری منبع مارکوف یا مدلسازی مارکوف پنهان بطور روزافزونی در سال‌های اخیر متداول گردید. برای این امر دو دلیل بسیار قوی وجود دارد.

09367292276
09367292276
azsoftir@gmail.com
azsoftir.com09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

اولاً مدل‌ها در ساختمان ریاضی خیلی غنی هستند و در اینصورت می‌توانند مبنائی نظری برای استفاده در محدودهء وسیعی از کاربردها را تشکیل دهند. ثانیا” مدل‌ها، در هنگامی که بطور صحیحی بکار برده می‌شوند، در عمل برای کابردهای مهم خیلی خوب کار می‌کنند..
چرا مخفی؟

اطلاق کلمه مخفی, به موضوع مورد بحث ما به این دلیل است که در باره مسائلی صحبت می‌کنیم که طریقه انجام آنها از دید ما پنهان است و البته ماهیت پارامتری آماری دارد. یعنی اینکه نه تنها نمی‌دانیم نتیجه چه خواهد بود, بلکه نوع اتفاق و احتمال آن اتفاق نیز باید از پارامترهایی که در دسترس است, نتیجه‌گیری شود. مانند پرتاب سکه در یک جعبه در بسته, یا جایی دور از دید ما. یعنی مدل حاصل یک مدل تصادفی با یک فرآیند تصادفی زیرین است که از دید ناظر, غیر قابل مشاهده (مخفی) است و تنها توسط مجموعه ای از فرآیندهای تصادفی که دنباله مشاهدات را تولید می کنند قابل استنتاج (به جای مشاهده) است.

مثال :
متوجه شدن وضع آب و هوا از طریق جلبک

انواع مدل

    مدلهای قطعی

Deterministic Patterns

    مدلهای غیر قطعی

09367292276
09367292276
azsoftir@gmail.com
azsoftir.com09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

Non-deterministic patterns
مدل مخفی مارکوف

مدل مخفی مارکوف یک سری متناهی از حالتهاست، که با یک توزیع احتمال پیوسته است

در یک حالت خاص، توسط توزیع احتمال پیوسته یک خروجی یا مشاهده می تواند بدست اید. حالات از خارج مخفی هستند از این رو مدل مخفی مارکوف نامیده شده است. مدل مخفی مارکوف، یک مدل آماری است که در آن  پارامترهای مخفی را از پارامترهای مشاهده شده مشخص می نماید.پارامترهای بیرون کشیده شده برای آنالیزهای بعدی می توانند استفاده شوند.به عنوان مثال برای دستور العمل های بازشناسی الگو..
در مدل مارکوف معمولی،وضعیت به طور مستقیم توسط مشاهده گر  قابل مشاهده است.بنابراین حالت انتقال احتمالات تنها پارامترها هستند.در مدل مخفی  مارکوف  ، وضعیت به طور مستقیم قابل مشاهده نیست، اما متغییرهای تحت تاثیر با وضعیت قابل مشاهده هستند.هر حالت یک توزیع احتمالات دارد برای خروجی ممکن که گرفته شود.بنابراین ترتیب گرفته های ایجاد شده توسط HMM اطلاعاتی در رابطه با حالت توالی میدهد. مدل های مخفی مارکوف برای دستورالعمل در شناسایی الگوهای موقت مانند گفتار،دست خط، شناسایی ایما و اشاره، بیو انفورماتیک و… معروف هستند.
پارامترهای اصلی مدل مارکوف

    مجموعه حالت‌هایی که ممکن است اتفاق بیفتد.
    مجموعه تصمیماتی که می‌توان در حالت‌های مختلف گرفت.
    مجموعه نتایجی که ممکن است متعاقب هر تصمیم‌گیری بدست آید.
    منافع و ارزش افزوده این تصمیم‌گیری در مقایسه با تصمیمات ممکن دیگر

با گرفتن مناسب‌ترین تصمیم, بهترین راه حل برای مسئله مطرح شده را تشخیص داده, و به بهترین حالت بعدی ممکن رسید. این راه حل, بصورت یک تابع ارزش نشان داده می شود که در هر حالت (موجود), بهترین حالت بعدی (مطلوب) توسط آن تعیین می‌شود.
معماری مدل مخفی مارکوف

هر شکل بیضی بیانگر یک مقدار متغیر تصادفی است که مقادیری را می پذیرد. x(t) مقدار متغیر تصادفی است که مقدار تغییرپذیرش در واحد زمان مخفی است. y(t) مقدار متغیر تصادفی است که مقدارش در زمان t قابل مشاهده است.

09367292276
09367292276
azsoftir@gmail.com
azsoftir.com09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

از دیاگرام مشخص است که مقدار x(t) به مقدار  x(t − ۱)  وابسته است.که این را خاصیت مارکوف می نامند.

بطورمشابه، مقدار y(t) نیز به x(t) وابسته است.
فرآیند مارکوف

دیاگرام زیر، حالتهای مخفی و قابل مشاهده مثال آب و هوا را نشان می‌دهد. این دیاگرام اظهار می‌دارد که حالتهای مخفی در آب و هوای صحیح توسط یک فرآیند مارکوف ساده دستور اول، مدل شده‌اند و بنابراین  آنها همه به همدیگر متصل شده‌اند.
اتصال بین حالتهای مخفی و قابل مشاهده، احتمال تولید یک حالت خاص قابل مشاهده را که تحت تاثیر فرآیند مارکوف در حالت مخفی ویژه بوده، نمایش می‌‌دهد. بنابراین روشن است که همه احتمالات که توسط حالت قابل مشاهده وارد می‌شوند با عدد ۱ جمع می‌شوند، از این رو در مورد بالا، مجموع احتمال آفتابی و ابری و بارانی می‌شود. بنابراین علاوه بر ماتریس احتمالات که فرآیند مارکوف را توصیف می کنند، ما ماتریس دیگری داریم، مصطلح به ماتریس اغتشاش که شامل احتمالات حالتهای قابل مشاهده است که حالتهای مخفی ویژه در آن پنهان است. برای مثال آب و هوا ، ماتریس اغتشاش اینگونه باشد:
اجزای مدلهای مخفی مارکوف

    بردار احتمال حالت اولیه
    ماتریس تغییر حالت
    ماتریس اغتشاش

هر احتمالی در ماتریس تغییر حالت و اغتشاش به زمان وابسته نمی باشد. برای همین، ماتریس‌ها هنگامی که سیستم درگیر تغییر زمان می‌شود، وابسته به زمان تغییر نمی‌کنند. در  عمل این یکی از غیر واقعی ترین فرضیات مدل مارکوف درباره فرآیند های واقعی است.

مرتبه مدل مارکوف

09367292276
09367292276
azsoftir@gmail.com
azsoftir.com09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

    مدل مارکوف مرتبه صفر

مدل مارکوف از مرتبه صفر مانند یک توزیع احتمال چند جمله ای می باشد. چگونگی تخمین پارامترهای مدل مارکوف مرتبه صفر و همچنین پیچیدگی مدل مشخص و قابل حل است و در کتاب‌های آمار و احتمالات وجود دارد.

    مدل مارکوف مرتبه اول

احتمال یک وضعیت به احتمال وضعیت قبلی آن (از نظر زمانی) بستگی دارد, به بیان دیگر احتمال وضعیت‌های ممکن, مستقل نیستند.

    مدل مارکوف مرتبه M

مرتبه یک مدل مارکوف برابر است با طول حافظه ای که مقادیر احتمال ممکن برای حالت بعدی به کمک آن محاسبه می شود. برای مثال، حالت بعدی در یک مدل مارکوف از درجه ۲ (مدل مارکوف مرتبه دوم) به دو حالت قبلی آن بستگی دارد.
فرضیات تئوری مدل مخفی مارکوف

    فرض مارکوف

به بیان دیگر فرض می شود که حالت بعدی تنها به حالت فعلی بستگی دارد. مدل حاصل از فرض مارکوف یک مدل HMM مرتبه صفر می باشد.در حالت کلی، حالت بعدی می تواند با k حالت قبلی وابسته باشد.

    فرض ایستایی  (stationarity)

در اینجا فرض می شود که احتمال انتقال در بین حالات از زمان واقعی رخداد انتقال مستقل است.

    فرض استقلال خروجی

در این حالت فرض می شود که خروجی (مشاهدات) فعلی به صورت آماری از خروجی قبلی مستقل است. می توان این فرض را با داشتن دنباله ای از خروجی ها مانند بیان نمود
برای اینکه مدل HMM در دنیای واقعی قابل استفاده باشد باید سه مساله مهم حل شود :

    مساله ارزیابی
    مساله کدگشایی
    مساله یادگیری

انواع مدلهای مخفی مارکوف و HMM پیوسته

    مدل ارگودیک
    مدل چپ به راست
    مدل موازی چپ به راست

الگوریتم ها

    الگوریتم forward یا پیشرو
    الگوریتم viterbi یا ویتربی
    الگوریتم forward-backward یا

پیشرو- پسرو
کاربردهای  HMM

09367292276
09367292276
azsoftir@gmail.com
azsoftir.com09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

    طبقه بندی رشته ها با HMM
    تولید مسیرهای چندگانه
    شناسایی گفتار
    شناسایی کلمات جداگانه
    مدلسازی و یادگیری
    مدلسازی و ارزیابی عملکرد جراحی با استفاده از مدل‌های مخفی مارکف
    نرم افزار تشخیص گفتار از روی حرکات لب
    زنجیره‌های مارکوف در برنامه‌ریزی نیروی انسانی و پیش‌بینی آن در شرکت ملی ذوب‌آهن
    ارزیابی قابلیت اطمینان منبع قدرت شبکه الکترونیکی جهن کاربردهای ایمنی

محدودیت‌های فرآیند مارکوف

در مدل مخفی مارکوف، فر‎آیند هایی وجود دارند که رشته قابل مشاهده احتمالات به یک فرآیند مارکوف لایه زیرین مرتبط است. در چنین مواردی، تعداد حالتهای قابل مشاهده ممکن است از تعداد حالتهای مخفی متفاوت باشد.

یک مشکل واقعی دیگر، تشخیص گفتار است. صدایی که ما می‌شنویم، از طریق تارهای صوتی، اندازه گلو، وضعیت قرار گرفتن زبان و خیلی موارد دیگر تولید می‌گردد

هر کدام از این فاکتورها، با تاثیرات متقابل روی هم صدای یک کلمه را ایجاد می‌کنند و صداهایی که یک سیستم تشخیص گفتار، نشان می‌دهد، صدای تغییر یافته از تغییرات فیزیکی در صحبت کردن فرد می‌باشد. بعضی دستگاههای تشخیص گفتار، تولید گفتار داخلی را بعنوان رشته حالتهای پنهان در نظر می گیرند و صدای منتج از این سیستم‌ها، یک رشته از حالات قابل مشاهده می‌باشند  که بوسیله فرایند گفتار تولید شده‌اند و در بهترین حالت صحیح ( مخفی ) قرار دارند..

جعبه ابزار مدل مخفی مارکوف در مطلب

این جعبه ابزار یک استنباط ویادگیری را برای HMM با خروجی های گسسته (dhmm’s) ،خروجی های گوسین(ghmm’s) ،یا مخلوطی از خروجی های گوسین(mhmm’s) ساپورت میکند.همچنین ورودی های گسسته را ساپورت میکند.

 

تهیه و تنظیم: سمیرا نصر

کارشناسی ارشد مجازی رشته مدیریت فناوری اطلاعات درپزشکی

09367292276
09367292276
azsoftir@gmail.com
azsoftir.com09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

دانشکده مهندسی پزشکی دانشگاه صنعتی امیرکبیر

کاربرد فناوری اطلاعات در پزشکی