از پارسکدرز بیشترین بهره را ببرید و رویای کاری خود را زندگی کنید.
پنج سال پیش منتشر شده
تعداد بازدید: 1115
کد پروژه: 72790
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
بودجه
5,000 تومان تا 100,000 تومان
مهلت برای انجام
3روز
وضعیت مناقصه
بسته
درباره کارفرما
عضویت پنج سال پیش
قادر به انجام این پروژه هستید؟
مهلت ارسال پیشنهاد قیمت برای این پروژه تمام شده است
به رایگان یک حساب کاربری بسازید
مهارتها و تخصصهای خود را ثبت کنید، رزومه و نمونهکارهای خود را نشان دهید و سوابق کاری خود را شرح دهید.
به شیوهای که دوست دارید کار کنید
برای پروژههای دلخواه در زمان دلخواه پیشنهاد قیمت خود را ثبت کنید و به فرصتهای شغلی منحصر به فرد دسترسی پیدا کنید.
با اطمینان دستمزد دریافت کنید
از زمان شروع کار تا انتهای کار به امنیت مالی شما کمک خواهیم کرد. وجه پروژه را از ابتدای کار به امانت در سایت نگه خواهیم داشت تا تضمین شودکه بعد از تحویل کار دستمزد شما پرداخت خواهد شد.
میخواهید شروع به کار کنید؟
یک حساب کاربری بسازید
بهترین مشاغل فریلنسری را پیدا کنید
رشد شغلی شما به راحتی ایجاد یک حساب کاربری رایگان و یافتن کار (پروژه) متناسب با مهارتهای شما
است.
پیدا کردن کار (پروژه)
تماشای دمو روش کار