کشاورزی فضایی دیگر یک موضوع علمی تخیلی نیست. به لطف ظهور هوش مصنوعی (AI) کشاورزی فضایی به سرعت در حال تبدیل شدن به واقعیت است. این زمینه نوظهور کشاورزی فضایی مبتنی بر هوش مصنوعی پتانسیل عظیمی برای رشد و پایداری دارد و وعده می دهد که آینده کشاورزی را متحول کند. مفهوم کشاورزی فضایی شامل […]
کشاورزی فضایی مبتنی بر هوش مصنوعی Read More »
تصاویر پیچیده و زیبای جهان که توسط تلسکوپ فضایی جیمز وب (JWST) ثبت و منتشر میشود، چیزی بیش از پیکسلهای زیبایی است که به صفحههای کامپیوتر یا گوشیهای هوشمند راه پیدا میکنند. این تصاویر نشان دهنده دیتاهای علمی هستند؛ حجم بسیار زیادی دیتا. می توان گفت که تلسکوپ فضایی جیمز وب تقریباً ۲۳۵ گیگابایت دیتای
نقش مهم یادگیری ماشین در کاوش جهان Read More »
تحقیقات جدید دانشگاه جورجیا نشان میدهد که از هوش مصنوعی و یادگیری ماشین میتوان برای یافتن “سیارات فراخورشیدی” استفاده کرد. سیارات فراخورشیدی به سیاراتی گفته میشود که در خارج از منظومه شمسی قرار دارند. اطلاعاتی که از این طریق به دست میآید میتواند نحوه شناسایی و کشف سیارات جدید توسط دانشمندان را تغییر دهد. “جیسون
تمرکز هوش مصنوعی برای یافتن سیارات فراخورشیدی Read More »
در درس های اخیر به موضوع قوانین انجمنی پرداخته شد. در این درس قوانین انجمنی را در نرم افزار IBM SPSS Modeler پیاده سازی می کنیم: Pallet Bar 🡺Graphs🡺Web Pallet Bar 🡺Field Ops🡺 Partition Pallet Bar 🡺Output🡺 Table Pallet Bar 🡺 Modelling 🡺Association🡺Apriori Pallet Bar 🡺Graphs🡺 Distribution
پیاده سازی قوانین انجمنی در نرم افزار Read More »
الگوریتم Apriori با هدف تولید قوانین انجمنی، در دو مرحله شناسایی مجموعه اقلام مکرر و تولید قوانین توسعه یافته است. در گام اول، به منظور شناسایی مجموعه اقلام مکرر، نیازمند دانستن پارامتر حداقل پشتیبانی (min Support) می باشد. پشتیبانی (Support) : نسبتی از تمامی تراکنش ها که در آنها یک قلم یا ترکیبی از اقلام
معرفی الگوریتم Apriori Read More »
در ابتدای مبحث قوانین انجمنی باید گفت که مدل های اکتشافی در فرآیند داده کاوی که با عنوان مدل های توصیفی (Descriptive Models) نیز شناخته می شود، در دسته یادگیری بدون نظارت قرار می گیرد. الگوهای تکرار شونده، یکی از انواع الگوهای جذاب در مجموعه داده ها می باشد که شامل ترکیبی از اقلام یا
مقدمه ای بر قوانین انجمنی و بیان 2 گام اصلی در شناسایی الگوها Read More »
هدف خوشه بندی ایجاد گروه هایی از داده هاست که اعضای درون هر گروه دارای بیشترین شباهت (کمترین پراکندگی) و اعضای بین گروه ها دارای کمترین شباهت (بیشترین پراکندگی) باشند. بنابراین اندازه گیری کارایی مدل های خوشه بندی را می توان بر اساس همین هدف به دست آورد. در واقع اغلب معیارهای ارزیابی خوشه بندی
ارزیابی خوشه بندی؛ معرفی 4 معیار Read More »
الگوریتم DBSCAN یا همان Density Based Spatial Clustering of Applications with Noise رایج ترین الگوریتم خوشه بندی مبتنی بر تراکم می باشد که در مقابل نویز و داده های پرت مقاوم می باشد. همچنین با توجه به ساختار این الگوریتم، جهت شناسایی الگوهای پیچیده و غیرکروی مورد استفاده قرار می گیرد. ایده اصلی در این
الگوریتم K-Means یکی از پرکاربردترین و محبوب ترین الگوریتم های خوشه بندی افرازی می باشد. در این الگوریتم، با در نظر گرفتن تعداد خوشه به اندازه K، الگوریتم سعی در تقسیم بندی داده ها در k خوشه می کند بطوریکه تمامی رکوردهای درون یک خوشه به مرکز آن خوشه نزدیکتر از مراکز خوشه های مجاور
همانطور که از اسم این الگوریتم مشخص است، این روش سلسله مراتبی از خوشه ها ایجاد می کند. در قدم اول هریک از رکوردها را به عنوان یک خوشه در نظر می گیرد. سپس نزدیکترین رکورد ها (شبیه ترین ها) را در یک سطح بالاتر در خوشه دیگری قرار می دهد و این عمل را
خوشه بندی سلسله مراتبی و بیان 4 رویکرد Read More »
برای دریافت مشاوره رایگان، فرم زیر را پر کنید تا کارشناسان ما با شما تماس بگیرند.
