به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت
جستجوی مقالات مرتبط با کلیدواژه

classification algorithm

در نشریات گروه فنی و مهندسی
تکرار جستجوی کلیدواژه classification algorithm در مقالات مجلات علمی
  • سید محمدجواد امیرحسینی، آرش خسروی، محمدجواد نجفی

    امروزه که برخی مردم در حال سرمایه گزاری در بازارهای مالی آنلاین هستند، تحلیل و برسی و پیش بینی قیمت سهام برای خریدوفروش با سود بیشتر از اهمیت بسیار زیادی برخوردار است. لذا این مقاله درصدد آن برآمده تا بتوان برنامه ای تهیه و تنظیم شود که بتواند قیمت سهام های را پیشبینی کند و به ما اطلاعات بدهد که چه زمانی بهترین زمان برای خرید یا فروش است. این کار به کمک اندیکاتور ها و طبق اتفاقاتی که در گذشته برای یک سهم افتاده استانجام می شود و به کمک یادگیری ماشین به فرمولی به دست می آید که قیمت سهام را در آینده پیشبینی کند و به کاربران اطلاع دهد که الان باید یک سهم را بخرد، بفروشد یا هیچ کاری انجام ندهد. اما در این تحقیق این کار را بسیار پیشرفته تر یعنی با ترکیب چند اندیکاتور انجام شده و سپس با الگوریم های یادگیری ماشین امتحان شده. طبق نتایج بدست آمده در بعضی سهم ها کاربران می توانند قیمت را بسیار با دقت بالا پیشبینی کنند و سود بالایی از معاملات خود در بازار های مالی آنلاین به دست بیاورند.

    کلید واژگان: اندیکاتور، ماشین لرنیگ، الگوریتم های طبقه بندی، برچسب
    Seyed MuhammadJavad Amirhussaini, Arash Khosravi, MohammadJavad Najafi

    Today, when some people are investing in online financial markets, analyzing and predicting stock prices for buying and selling with more profit is very important. Therefore, this article aims to prepare and adjust a program that can predict stock prices and give us information on when is the best time to buy or sell. This work is done with the help of indicators and according to what happened to a share in the past, and with the help of machine learning, a formula is obtained that predicts the price of shares in the future and informs users that they should buy a share now. , sell or do nothing. But in this research, this work is done in a much more advanced way, that is, by combining several indicators, and then it is tested with machine learning algorithms. According to the results obtained in some shares, users can predict the price very accurately and get high profit from their transactions in online financial markets.

    Keywords: Indicator, Machine learning, Classification algorithm, lable
  • Oladosu Oladimeji *, Olayanju Oladimeji

    Breast cancer is the second major cause of death and accounts for 16% of all cancer deaths worldwide. Most of the methods of detecting breast cancer are very expensive and difficult to interpret such as mammography. There are also limitations such as cumulative radiation exposure, over-diagnosis, false positives and negatives in women with a dense breast which pose certain uncertainties in high-risk population. The objective of this study is Detecting Breast Cancer Through Blood Analysis Data Using Classification Algorithms. This will serve as a complement to these expensive methods. High ranking features were extracted from the dataset. The KNN, SVM and J48 algorithms were used as the training platform to classify 116 instances. Furthermore, 10-fold cross validation and holdout procedures were used coupled with changing of random seed. The result showed that KNN algorithm has the highest and best accuracy of 89.99% and 85.21% for cross validation and holdout procedure respectively. This is followed by the J48 with 84.65% and 75.65% for the two procedures respectively. SVM had 77.58% and 68.69% respectively. Although it was also discovered that Blood Glucose level is a major determinant in detecting breast cancer, it has to be combined with other attributes to make decision as a result of other health issues like diabetes. With the result obtained, women are advised to do regular check-ups including blood analysis in order to know which of the blood components need to be worked on to prevent breast cancer based on the model generated in this study.

    Keywords: Classification Algorithm, Breast Cancer, data mining, Machine learning
  • افسانه بنی طالبی دهکردی، محمدرضا سلطان آقایی*، فرساد زمانی بروجنی

    شبکه های نرم افزارمحور، معماری جدیدی از شبکه های کامپیوتری بوده که از هدایت کننده مرکزی استفاده می کنند. این شبکه ها متکی بر نرم افزار هستند و از این رو، حملات امنیتی گوناگونی می تواند از طریق اجزای مختلف شبکه بر ضد آن ها صورت گیرد. یکی از این نوع حملات، حمله منع سرویس توزیع شده است. این حمله یکی از جدی ترین تهدیدات در دنیای شبکه های کامپیوتری است و بر روی کارایی شبکه، تاثیرمی گذارد. در این پژوهش یک روش تشخیص حملات منع سرویس توزیع شده به نام «حمله یاب» در شبکه های نرم افزارمحور ارایه شده است. این سامانه مبتنی بر ترکیب روش های آماری و یادگیری ماشین است. در روش آماری از آنتروپی مبتنی بر آی پی مقصد و توزیع نرمال با استفاده از حد آستانه انعطاف پذیر، برای تشخیص حملات استفاده شده است، توزیع نرمال، یکی از مهم ترین توزیع های احتمال پیوسته در نظریه احتمالات است. در این توزیع، میانگین آنتروپی و انحراف استاندارد در تشخیص حملات تاثیر دارند. در بخش یادگیری ماشین، با استخراج ویژگی های مناسب و استفاده از الگوریتم های کلاس بندی نظارت شده، دقت تشخیص حملات منع سرویس توزیع شده بالا می رود. مجموعه داده های مورد استفاده در این پژوهش، ISCX-SlowDDoS2016، ISCX-IDS2012، CTU-13 و ISOT هستند. روش پیشنهادی حمله یاب با چند روش دیگر مقایسه شده است که نتیجه مقایسه نشان می دهد که روش حمله یاب با دقت 65/99 و نرخ هشدار غلط، 12/0 برای مجموعه داده UNB-ISCX و دقت تشخیص 99٫84 و نرخ هشدار غلط 0٫25 برای مجموعه داده 13-CTU دقت و کارایی بالایی نسبت به سایر روش های دیگر دارد.

    کلید واژگان: حملات منع سرویس توزیع شده، شبکه های نرم افزارمحور، آنتروپی، توزیع نرمال، الگوریتم های کلاس بندی
    A. Banitalebi Dehkordi, M. R. Soltanaghaie *, F. Zamani Boroujeni

    The software defined network (SDN) is a new computer architecture, where the central controller is applied. These networks rely on software and consequently, their security is exposed to different attacks through different components therein. One type of these attacks, which is the latest threat in computer network realm and the efficiency therein, is called the distributed denial of services (DDoS). An attempt is made to develop an attack- detector, through a combined statistical and machine learning method. In the statistical method, the entropy, based on destination IP and normal distribution in addition to dynamic threshold are applied to detect attacks. Normal distribution is one of the most important distributions in the theory of probability. In this distribution the entropy average and standard deviation are effective in attack detection. As for the learning algorithm, by applying the extracted features from the flows and supervised  classification algorithms, the accuracy of attack detection increases in such networks. The applied datasets in this study consist of: ISCX-SlowDDoS2016، ISCX-IDS2012, CTU-13 and ISOT. This method outperforms its counterparts with an accuracy of 99.65% and 0.12 false positive rate (FPR) for the UNB-ISCX dataset, and with an accuracy of 99.84% and 0.25 FPR for CTU-13 dataset.

    Keywords: Distributed Denial of Service, Software Defined Network, entropy, Normal Distribution, Classification Algorithm
  • R. Satpathy, V. B. Konkimalla, J. Ratha
    The present work was designed to classify and differentiate between the dehalogenase enzyme to non–dehalogenases (other hydrolases) by taking the amino acid propensity at the core, surface and both the parts. The data sets were made on an individual basis by selecting the 3D structures of protein available in the PDB (Protein Data Bank). The prediction of the core amino acid were predicted by IPFP tool and their structural propensity calculation was performed by an in-house built software, Propensity Calculator which is available online. All datasets were finally grouped into two categories namely, dehalogenase and non-dehalogenase using Naïve Bayes, J-48, Random forest, K-means clustering and SMO classification algorithm. By making the comparison of various classification methods, the proposed tree method (Random forest) performs well with a classification accuracy of 98.88 % (maximum) for the core propensity data set. Therefore we proposed that, the core amino acid propensity could be approved as a novel potential descriptor for the classification of enzymes.
    Keywords: Core Propensity, Classification Algorithm, Random Forest, Protein Data Bank, Dehalogenase, Non, dehalogenases
نکته
  • نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
  • کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
  • در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال