درخواست انجام تمرین دانشجویی با متلب

شرح پروژه

تمرین اول: درخت تصمیم

هدف از این تمرین، استفاده از درخت تصمیم جهت کلاس­بندی[1] داده­های دیتاست شیشه است. برای این منظور می­توانید از matlab یا python استفاده کنید.

1-    داده

داده­های مورد نیاز برای این تمرین را از لینک زیر دریافت نمایید:

https://archive.ics.uci.edu/ml/datasets/Glass+Identification

همانطور که در راهنمای داده­ها هم توضیح داده شده است، هر سطر از فایل متنی داده­ها مربوط به یک نمونه است که اولین عدد شماره نمونه (برای ساخت مدل حذف شود)، 9 عدد بعدی ویژگی­های هر نمونه و آخرین عدد برچسب داده است. هر نمونه می­تواند به یکی از 7 کلاس تخصیص یابد.

2-  پیش پردازش

داده­ها را به دو دسته مستقل برای آموزش و تست تقسیم نمایید. 80% داده­ها را فاز آموزش و 20% باقیمانده را برای فاز تست اختصاص دهید.

3- ساخت درخت تصمیم

با استفاده از داده­های بخش آموزش و دستورات از پیش آماده در ابزارهای معرفی شده، یک درخت تصمیم بسازید و آن را روی داده­های تست آزمایش کنید.

4-  گزارش

خروجی کار شما علاوه بر کدهای نوشته شده، شامل یک گزارش خواهد بود. گزارش شامل توضیحات اولیه­ای از درخت تصمیم، تمامی مراحل پیاده سازی، نتایج و ... باشد.

تمرین دوم: خوشه بندی[2]

هدف از این تمرین، خوشه­بندی داده­ها با اشتفاده از داده­های دیتاست شیشه است. برای این منظور می­توانید از matlab یا python استفاده کنید.

1-    داده

داده­های مورد نیاز برای این تمرین را از لینک زیر دریافت نمایید:

https://archive.ics.uci.edu/ml/datasets/Glass+Identification

همانطور که در راهنمای داده­ها هم توضیح داده شده است، هر سطر از فایل متنی داده­ها مربوط به یک نمونه است که اولین عدد شماره نمونه (برای ساخت مدل حذف شود)، 9 عدد بعدی ویژگی­های هر نمونه و آخرین عدد برچسب داده است. هر نمونه می­تواند به یکی از 7 کلاس تخصیص یابد.

2-  پیش پردازش

برای این تمرین نیازی به پیش پردازش نمی باشد.

3- خوشه بندی داده­ها

با استفاده از کل داده­ها و الگوریتم kmeans، داده­ها را به 7 دسته تقسیم کنید. جهت اطلاع از میزان درستی کار، کافی است از NMI (Normalized Mutual Information) و ACC (Accuracy مخصوص خوشه بندی استفاده کنید.

4-  گزارش

خروجی کار شما علاوه بر کدهای نوشته شده، شامل یک گزارش خواهد بود. گزارش شامل توضیحات اولیه­ای از خوشه بندی، تمامی مراحل پیاده سازی، نتایج و ... باشد.

تمرین سوم: شبکه عصبی[3]

هدف از این تمرین، مدلسازی داده­های دیتاست شیشه با استفاده از شبکه عصبی می باشد. برای این منظور می­توانید از matlab یا python استفاده کنید.

1-    داده

داده­های مورد نیاز برای این تمرین را از لینک زیر دریافت نمایید:

https://archive.ics.uci.edu/ml/datasets/Glass+Identification

همانطور که در راهنمای داده­ها هم توضیح داده شده است، هر سطر از فایل متنی داده­ها مربوط به یک نمونه است که اولین عدد شماره نمونه (برای ساخت مدل حذف شود)، 9 عدد بعدی ویژگی­های هر نمونه و آخرین عدد برچسب داده است. هر نمونه می­تواند به یکی از 7 کلاس تخصیص یابد.

2-  پیش پردازش

داده­ها را به دو قسمت تقسیم کنید. 80% داده­ها را برای آموزش و 20% دیگر را برای تست اختصاص دهید.

3- ساخت شبکه عصبی

برای کلاس بندی داده­ها، یک شبکه عصبی رو به جلو[4] با استفاده از دستورات پیش فرض زبان های معرفی شده، یک مدل بر روی داده­های آموزش بسازید. مدل خود را 3 بار و برای تعدادنرون­های مخفی مختلف تست کنید.

4-  گزارش

خروجی کار شما علاوه بر کدهای نوشته شده، شامل یک گزارش خواهد بود. گزارش شامل توضیحات اولیه­ای از خوشه بندی، تمامی مراحل پیاده سازی، نتایج و ... باشد

مهارت ها و تخصص های مورد نیاز

درباره کارفرما

کاربر78250

عضویت پنج سال پیش

1 پروژه ثبت شده ،

0 پروژه در حال انجام ،

0 پروژه آماده دریافت پیشنهاد ،

نرخ پذیرش پیشنهاد 0%