پروپوزال مهندسی کامپیوتر بهبود دقت پیش‏بینی یال در شبکه های اجتماعی با رویکرد خوشه بندی با استفاده از داده کاوی

مشاوره در انجام پایان نامه و پروپوزال ارشد و دکتری، انجام پایان نامه ارشد و دکتری ادیب مشاور، انجام پایان نامه، انجام پایان نامه ارشد، انجام پایان نامه کارشناسی ارشد، انجام رساله دکتری، انجام پایان نامه دکتری

در نمونه پروپوزال ارشد مهندسی کامپیوتر به دنبال ارائه طرحی جهت یادگیری دانشجویان ارشد با ساختار کلی پروپوزال هستیم که دانشجو بتواند با مطالعه پروپوزال در روند انجام پایان نامه ارشد آشنایی پیدا کند و توان تدوین پروپوزال و پایان نامه را داشته باشد.از آنجایی که دانشجویان در مقطع ارشد آشنایی اولیه ای با روند انجام پروپوزال و انجام پایان نامه ندارند و در این مسیر نیازمند مشاوره در انجام پایان نامه هستند بنابراین سعی شده است که با ارائه موضوعات پایان نامه،نمونه پروپوزال ارشد و نمونه پایان نامه ارشد دانشجویان را در این مسیر یاری رسانده و آشنایی لازم را در این مسیر کسب نمایند.لازم است که دانشجویان عزیر با دقت نمونه موضوعات پایان نامه و نمونه پروپوزال ها و پایان نام های ارائه شده را با دقت مطالعه نموده و با نمونه برداری از هر قسمت به تدوین پروپوزال و پایان نامه خود اقدام نمایند.امید است که در این راه بتوانیم همواره مشاور و همراه شما باشیم .

در قسمت دفاعیه پایان نامه نیز نمونه پاورپوینت ارشد قرار داده هست که دانشجویان بتوانند جهت اماده سازی پاورپوینت دفاع پایان نامه استفاده نمایند.یک دفاع موفق منوط به مطالعه با دقت پایان نامه و رفع اشکال پایان نامه و سپس ارائه پاورپوینت با قسمت های پایان نامه همراه با آرامش در زمان دفاع می باشد.موسسه ادیب مشاور همواره در تمامی این مراحل در کنار شما عزیزان خواهد بود.

- بيان مسأله اساسي تحقيق به طور كلي (شامل تشريح مسأله و معرفي آن، بيان جنبه‏هاي مجهول و مبهم، بيان متغيرهاي مربوطه و منظور از تحقيق) :

بسیاري از پدیده هاي واقعی را می توان به صورت شبکه اي از موجودیت ها و ارتباط بین آنها نشان داد. این گونه مدل سازي پدیده هاي طبیعی، که از آن با عنوان دانش شبکه نیز یاد می شود، منجر به پیدایش زمینه تحقیقاتی شبکه‏هاي پیچیده شده است. در این شبکه ها، معمولا تعداد گره ها و همینطور تعداد لینک هاي با معنا بسیار زیاد است. در سالهای اخیر، تعداد کاربران شبکه های اجتماعی[1] به طور چشمگیری افزایش یافته است. عوامل متعددی از جمله در دسترس بودن حجم زیادی از داده ها، نمایش داده و ... باعث افزایش اهمیت مطالعه شبکه های اجتماعی شده است. در شبکه های اجتماعی داده ها قریب به اتفاقnoisy ، توزیع شده، بدون ساختار و پویا هستند.

برخی از شبکه های اجتماعی شامل کاربران و پیوندهای اجتماعی میان آنها است که از این اطلاعات برای تجزیه و تحلیل وشبکه استفاده می شود. یکی از مسائل مهم در تجزیه و تحلیل شبکه های اجتماعی برآورد نزدیکی بین کاربران مختلف است. پیش‏بینی پیوند، یک کاربرد مهم برآورد نزدیکی است[1]. بسیاری از روش‏های پیش‏بینی پیوند برای شبکه های اجتماعی مبتنی بر روشهای بدون نظارت هستند که این روشها یا محلی هستند و از تمام ساختار شبکه بهره نبرده‏اند، که باعث محدودیت دقت پیش‏بینی می شود یا روش‏های تشخیص ساختار کلی مسیر در یک شبکه هستند، که از لحاظ محاسباتی برای شبکه‏های بزرگ گران است و یا روشهای خوشه بندی که هم از لحاظ دقت و هم محاسبات نتایج بهتری از روشهای قبلی دارند.

شبکه اجتماعی مجموعه ای از گره‌ هاست که توسط یک یا چند نوع خاص از وابستگی مانند ایده‌ها، تبادلات مالی، روابط دوستانه و خویشاوندی، پیوند‌های وب، به هم متصل اند[2]. از نمونه های مطرح شبکه های اجتماعی می‏توان به شبکه همکاري هنرپیشگان سینما، شبکه تماس هاي تلفنی، شبکه ارتباطی افراد از طریق ایمیل هاي ارسال شده  بین آنها، و شبکه نویسندگان همکار در مقالات علمی اشاره کرد.  شبکه های اجتماعی تماس‏های تلفنی نوع خاصی از شبکه های اجتماعی می باشد که در آن یک یا چند عضو در یک اجتماع از طریق ابزارهایی چون تلفن همراه با یکدیگر ارتباط برقرار می نمایند. هم اکنون دو نوع سرویس شبکه اجتماعی وجود دارد. نوع اول همان شبکه های اجتماعی تحت وب هستند که امکان دسترسی از طریق تلفن همراه را نیز فراهم کرده اند و نمونه های بارز آن فیس بوک و مای اسپیس است. نوع دوم سرویس های محلی و منطقه ای است که اپراتور های تلفن همراه فراهم می‏کنند و بر اساس سرویس هایی مانند پیامک و MMS کار می کنند. با رشد روز افزون در استفاده از تلفن همراه و تبلت، افراد بیشتری از این طریق به شبکه های اجتماعی متصل، به اشتراک گذاری و به جستجوی محتوی می‏پردازند. در این راستا، گراف این شبکه ها برخلاف شکل گیری به صورت سنتی، براساس مکان و فواصل موجود صورت می‏پذیرد[3].

این گراف به صورتG(V,E)  مدل می شود که در آن V  نماینده گره های شبکه اجتماعی، E نماینده لینک‏ها در ارتباطات اجتماعی می باشد. این ارتباط از طریق روابط اجتماعی (دوستی ها و همکاری ها) شکل پیدا می کند. روابط دوستانه می تواند براساس رفتارهای اجتماعی مشترک دیده شود. روابط می‏تواند بطور مستقیم(1 hop) و یا غیر مستقیم(k hop) تعریف شود. با توجه به علایق مختلف هر کاربر چند پیوند بین هر گره میتواند تعریف شود.

مسئله پیش‏بینی لینک یا پیشنهاد پیوند موضوعی است که به طور وسیعی در سال های اخیر در سطح شبکه های اجتماعی مورد مطالعه قرار گرفته است. آقای لیبن و همکاران در سال 2007 در[4] نشان داده اند که استفاده از برچسب زمانی تعاملات گذشته، به طور قابل توجهی باعث بهبود عملکرد پیش‏بینی پیوند می شود. در مقاله اقای بک استروم و همکاران در سال 2011 در [5] یک سرویس پیشنهادی برای اشتراک گذاری مطالب نظیر به نظیر معرفی شده است که ایده اصلی آن پیشنهاد دوست و یا دوستانی با آگاهی بیشتر نسبت به موضوع می باشد. با توجه به نتایج، نشان داده شده است که این ایده موجب بهبود کارایی و دقت می شود. در بحث پیش‏بینی پیوند، با محدودیت هایی چون پویایی شبکه رو به رو هستیم، کارهای مختلفی در این حوزه انجام شده است. در  مقاله آقای زوو و همکاران در سال 2011 در [6] روشی برای افزایش کارایی و دقت با استفاده از معیارهای توپولوژیکی متعدد (با توجه به محدودیت های زمانی) ارائه شده است. در این روش از نظر زمانی مجموعه داده به دو مجموعه آموزشی و آزمایش تقسیم شده، پنج روش یادگیری روی داده ها اعمال می شود. نتایج به دست آمده نشان می دهد، استفاده از رویکرد یادگیری سبب افزایش دقت پیش‏بینی تا 90% می شود. در مقاله آقای بلیس و همکاران در سال [7] با استفاده از رویکرد آماری جهت پیش‏بینی پیوند استفاده شده است بر این اساس شبکه در بازه های زمانی تعیین شده ایی نمونه برداری شده و پس از استخراج ویژگی های توپولوژیکی و درجات هر گره، ماتریس واریانس و ماتریس مجاورت تشکیل شده و در نهایت با روش‏های آماری به پیش‏بینی پیوند می پردازد.

درمقاله اقای سارکر و همکاران در سال 2011 در  [8]یک مرحله پیش پردازش مطابق دو گام همسایگی با توجه به همسایگی هر گره در نظر گرفته شده و نتایج در دو مرحله، مرحله اول بدون اعمال پیش پردازش و مرحله دوم با اعمال پیش پردازش گزارش شده است. نشان داده شده که با حذف پیوند های اضافی، می توان به پیش‏بینی دقیق تری دست یافت.

برخی از ویژگی ها در شبکه های اجتماعی عبارتند از :

درجه اجتماعی[2]: درجه اجتماعی بودن که با تعداد دوستان و یا تعداد اتصالات به یک گره نشان داده می شود. [9]

مشابهت اجتماعی[3]: تعداد دوستان مشترک ما بین هر دو گروه[10].

 

 

د - اهمیت و ضرورت انجام تحقيق (شامل اختلاف نظرها و خلاءهاي تحقيقاتي موجود، ميزان نياز به موضوع، فوايد احتمالي نظري و عملي آن و همچنين مواد، روش و يا فرآيند تحقيقي احتمالاً جديدي كه در اين تحقيق مورد استفاده قرار مي‏گيرد:

درك ساده و پشتوانه تئوریک قوي برگرفته از نظریه گراف از یکسو، و پیدایش کاربردهاي تازه منطبق با ساختار شبکه‏ها از سوي دیگر سبب شده است شبکه هاي اجتماعی در بسیاري از کاربردها مورد مطالعه محققان قرار گیرد. در حالیکه اکثر مطالعات اخیر به بررسی ویژگی هاي ساختاري و توپولوژیکی شبکه هاي اجتماعی پرداخته اند، خصوصیات پویاي این شبکه ها کمتر مورد توجه بوده است. یکی از دلایل این گرایش این است که در اغلب موارد رفتار شبکه متاثر از ساختار و توپولوژي آن است. به عنوان مثال، توپولوژي یک شبکه اجتماعی بر چگونگی انتشار اطلاعات تاثیر مستقیم دارد.

از چالشهای مهم مسئله پیش بینی پیوند می توان به موارد زیر اشاره کرد:

  • خلوت بودن شبکه:

‌یکی از ویژگی های ذاتی شبکه های اجتماعی، داشتن میلیون ها گره است اما در یک زمان نمونه برداری چون t، شبکه خلوت است و چگالی پیوند های بین گره ها کم است[11] ؛خلوتی به این معنا است که گره های موجود در این شبکه ها تنها با کسر کوچکی از تمامی گره های شبکه ارتباط دارند.

 

  • مقیاس شبکه ها:

یکی دیگر از چالش های اصلی پیش بینی پیوند مربوط به رشد شبکه های اجتماعی از نظر مقیاس می باشد. شبکه‏ هایی مانند فیس بوک، مای اسپیس و غیره از نظر اندازه خیلی بزرگ و ذاتا بصورت پویا هستند، به همین دلیل روش های موجود از نظر مقیاس و سازگاری با پویایی شبکه، جوابگوی این نوع شبکه ها نیستند. در مقالات مختلف به نوعی سعی در بهبود این مشکل شده است[12].

  • پویایی شبکه :

امروزه بسیاری از شبکه ها همچون شبکه های اجتماعی، بصورت پویا می باشند؛ این شبکه ها از طریق افزودن یال های جدیدی که معرف وجود تراکنش های جدید میان گره های شبکه می باشند، به سرعت رشد کرده و تغییر می یابند[13].

 

در این تحقیق ما قصد داریم پیش بینی لینک را در شبکه های اجتماعی بر اساس خوشه بندی و رویکرد داده کاوی ارائه دهیم. سپس زمان پیش بینی را محاسبه کرده و این فرضیه را به اثبات می رسانیم که این روش با حفظ نسبی دقت و صحت که یکی از چالش های مهم پیش بینی پیوند است، نسبت به روشهای قبلی پیش بینی سریعتری خواهد بود .

 

 

 

ه- مرور ادبیات و سوابق مربوطه (بيان مختصر پیشینه تحقيقات انجام شده در داخل و خارج کشور پيرامون موضوع تحقیق و نتايج آنها و مرور ادبیات و چارچوب نظري تحقیق):

 

در مقاله آقای لی بین در سال 2007 [14] مسئله پیش بینی پیوند در شبکه های پیچیده بررسی شده و با هدف آگاهی از میزان تاثیر ساختار شبکه اجتماعی بر صحت پیش بینی لینک با رویکرد خوشه بندی، شش معیار شباهت از جمله 1- همسایگان مشترک، 2- شاخص آدم آدار، 3- شاخص تخصیص منابع، 4- شاخص کتز، 5- رتبه ریشه، 6- قدم زنی تصادفی بر روی شبکه اجتماعی پرسش و پاسخ[4] و همچنین شبکه همکاری علمی مقایسه کرده اند. روش خوشه بندی بصورت توزیع تصادفی یال‏ها در گروه‏های مختلف می‏باشد. نتایج بدست آمده نشان می دهد که تغییر اطلاعات خوشه ها، صحت روشهای پیش بینی لینک را بهبود می‏بخشد و برای پیش بینی در خوشه با تراکم بالا، معیار شاخص تخصیص منابع و برای خوشه با تراکم پایین معیار پیاده روی تصادفی نتایج بهتری دارد.

در مقاله آقای کوینت در سال 2006 در مقاله اقای لویسر در سال 2010 در [15] برای داشتن پیش بینی دقیق‏تر با این دیگاه که بیشتر تحقیقات انجام شده در این موضوع توجه خاصی به معیارهای محلی داشته و کمتر به معیارهای سراسری توجه شده است، با ترکیب معیار‏های محلی و سراسری، با رویکرد خوشه بندی اطلاعات عضویت گره‏ها در گروه را نیز در نظر گرفته‏اند. رویکرد خوشه بندی بر مبنای نزدیکی گره‏ها در یک محدوده در مجموعه داده شبکه برهم کنش پروتئین ها می باشد در واقع این مقاله نشان می دهد که هر خوشه مثل گروه عمل کرده و می‏توان از روابط بین گره‏ها در یک خوشه بزرگتر برای پیش بینی دقیق‏تر استفاده کرد ولی دقت پیش بینی به دقت خوشه ها کوچکتر بستگی دارد.

در مقاله آقای زوو در سال 2009 در [16] بر حسب همسایگی گره ها با رویکرد خوشه بندی، شبکه اجتماعی را به یک زیر شبکه که بیشتری ارتباط را با گره‏های دیگر داشته است تبدیل می کند و سپس با استفاده از معیار شباهت محلی به پیش بینی یال پرداخته شده است. همچنین در مقاله آقای پن در سال 2010 در [17] بر حسب ترکیب اطلاعات محلی گره و اطلاعات شباهت سراسری نشان  داده شده است که علاوه بر اطلاعات خوشه بندی باید هر دو اطلاعات محلی و سراسری نیز توجه کرد که میزان تاثیر گزاری هر یک از معیارها با پارامتر θ مشخص می شود. مقدار پارامترعددی در بازه [1و0] است. که هرچه این مقدار بیشتر باشد به ویژگی های محلی بیشتر توجه می‏شود و برعکس. در مقاله آقای شارما در سال 2011 مطابق با مرجع [14] از یک دسته بند دودویی استفاده شده است که پیوند های موجود به عنوان نمونه های مثبت دسته بندی و پیوندی که بین جفت گره ها وجود ندارند به عنوان نمونه های منفی کلاس بندی شده اند سپس ویژگی استخراج شده و از svm استفاده شده است. در کار آقای زوو در سال 2009 در [15] از روش KNN استفاده شده که در آن مجموعه دیتاست inf05 به عنوان داده های آموزشی و مجموعه دیتاست inf06 به عنوان داده های آزمایشی استفاده شده است. با نگاه یادگیری، رویکرد های مختلفی از بکار گیری یادگیرنده ها مطرح شده است.  همچنین در کاری دیگر از آقای زوو در سال 2011 در [17]  یک روش خوشه‏بندی که در شبکه های با مقیاس پایین[5] بر حسب میزان همسایگی گره ها در نظر گرفته شده است به این صورت که هرچه تعداد همسایگی مشترک دو گره بیشتر باشد احتمال اینکه آن دو گره در یک کلاستر باشند بیشتر است. از بین کلاستر های موجود بهترین کلاستر را یافته و الگوریتم پیش بینی لینک را روی آن کلاستر اعمال می کند.

 

محقق روش کار مزایا معایب
 [18] احتمال ایجاد پیوند جدید به طور مستقیم با درجه گره متناسب است. پیچیدگی محاسباتی کم دقت و صحت پایین
 [19] تعداد همسایگان مشترک دو گره را بدست می آورد. صحت و دقت خوب در گراف با تراکم بالا درنظر گرفتن فقط ویژگی‏های مشابهت محلی
 [20] برای هر همسایه مشترک وزنی در نظر می گیرد. گره با درجه

کوچکتر وزن بیشتری دارد.

صحت و دقت نسبتا

خوب برای شبکه های کوچک

زمان اجرای طولانی
 [21] علاوه بر اطلاعات محلی و شباهت هر گره، اطلاعات عضویت آن گره در جامعه را نیز در نظرگرفته اند. درنظر گرفتن روابط بین گره ها وابستگی دقت پیش بینی به دقت تشخیص جوامع
 

[22]

با رویکرد خوشه بندی و در نظر گرفتن خلوت بودن شبکه و استخراج یک خوشه به عنوان خوشه اصلی و با استفاده از ویژگی های مربوط به همبندی شبکه به پیش بینی یال در شبکه اجتماعی پرداخته است. استفاده از ویژگی های جدید از قبیل کاهش واریانس و درجه عدم تعادل توپولوژیک برای بالا بردن کارایی استفاده کرده اند. با در نظر گرفتن زیرگراف از گراف اصلی بسیاری از اطلاعات از دست رفته است.
 [23] پیاده‏روی تصادفی با شروع از گره مبدا به سمت گره مقصد و راه اندازی مجدد. مناسب برای شبکه

های اجتماعی کم تراکم و کوچک

حافظه مصرفی و هزینه محاسباتی بالا

 

 

و – جنبه جديد بودن و نوآوري در تحقيق:

نوآوری های این پژوهش در مرحله استخراج ویژگی درنظر گرفته می شود که با معرفی چند ویژگی جدید مربوط به موقعیت قرارگیری گره ها، پویایی گره‏ها و ترکیب آنها با ویژگی های توپولوژیکی جهت بالا بردن دقت پیش بینی لینک ها پرداخت که در کارهای قبلی فقط به تعدادی از ویژگی های توپولوژیکی توجه شده و یک تصویر لحظه ایی از اطلاعات شبکه درنظر گرفته می شود. ما در این بخش در نظر داریم با رویکرد ترکیب ویژگی های توپولوژیکی با موقعیت قرارگیری گره‏ و پویایی گره‏ها به انتخاب موثرترین ویژگی ها پرداخته و در مرحله یادگیری موجب یادگیری بهتر با صحت بیشتر شده تا در مرحله آزمایش نتایج دقیق تری داشته باشیم.

- اهداف مشخص تحقيق (شامل اهداف آرماني، کلی، اهداف ويژه و كاربردي):

 

- در این پایانامه هدف اصلی پیش بینی لینک در شبکه های اجتماعی با رویکرد داده کاوی است که در این راستا به دنبال این هستیم که با استخراج ویژگی های توپولوژیکی (همچون ویژگی مشابهت محلی و مشابهت سراسری)، و ترکیب آنها با ویژگی های موقعیتی و پویایی گره‏ها و اعمال رویکرد های مناسب داده کاوی به دقت بالایی در پیش بینی پیوند دست پیدا کنیم.

 

مراحل اجرای کار جهت پیش بینی پیوندها در شبکه های اجتماعی عبارت است از:

  • مرحله پیش پردازش جهت حذف گره های زائد.
  • مرحله استخراج ویژگی و انتخاب ویژگی ها
  • پیش بینی پیوند با استفاده از رویکرد داده کاوی

مرحله استخراج ویژگی

در این مرحله با استخراج تمامی ویژگی های مربوط به توپولوژی و موقعیتی و پویایی شبکه اجتماعی و اندازه گیری میزان تاثیر هر یک از ویژگی ها در پیش بینی سعی در بالا بردن دقت پیش بینی می شود.

مرحله یادگیری

در این پایانامه به جهت وجود چندین دسته ویژگی از جمله ویژگی های توپولوژیکی، ویژگی های زمانی، ویژگی های وابسته به موقعیت افراد و استفاده همزمان از آنها، به جای استفاده از یک دسته بند می خواهیم از چندین یادگیرنده، که هر یک روی یک دسته مشخصی از ویژگی ها آموزش می بینند، استفاده کنیم و در نهایت با ترکیب دسته بندها، به دسته بند نهایی برسیم و بتوانیم دقت پیش بینی را افزایش دهیم. به جهت بهبود سرعت اجرایی پیش بینی پیوند، یادگیرنده ها بطور همزمان روی سه دسته ویژگی ها اعمال شده تا سرعت پیش بینی بالایی داشته باشیم.

 

 

ح – در صورت داشتن هدف كاربردي، نام بهره‏وران (سازمان‏ها، صنايع و يا گروه ذينفعان) ذكر شود (به عبارت دیگر محل اجرای مطالعه موردی):

 

 

ط-  سؤالات تحقیق:

 

  • میزان تاثیر گره های زائد، در دقت پیش بینی پیوند های جدید چقدر خواهد بود؟
  • ویژگی های توپولوژیکی هر گره در شبکه، چگونه در راستای ایجاد پیوند های جدید با یکدیگر تعامل برقرار می کنند؟
  • کدام دسته از ویژگی ها، جهت پیش بینی پیوند های جدید، از اولویت بالاتری برخوردار هستند؟
  • چگونه می توان با رویکرد ترکیب دسته بندها، به دقت بالاتری جهت پیش بینی پیوند ها دست یافت؟

 

ی-  فرضيه‏ هاي تحقیق:

 

برای معرفی شبکه های پویا، مجموعه از تصاویر لحظه ایی شبکه در طی زمان های مختلف استفاده می کنیم.

هر گره در موقعیت جدیدی که قرار می‏گیرد جهت گزارش موقعیت جدید تیکت ارسال می کند.

 

ک- تعريف واژه‏ها و اصطلاحات فني و تخصصی (به صورت مفهومی و عملیاتی):

شبکه اجتماعی ، پیش بینی لینک، پیش بینی لینک های آینده

 

  • روش شناسی تحقیق:

 

الف- شرح كامل روش تحقیق بر حسب هدف، نوع داده ها و نحوه اجراء (شامل مواد، تجهيزات و استانداردهاي مورد استفاده در قالب مراحل اجرايي تحقيق به تفكيك):

تذكر: درخصوص تفكيك مراحل اجرايي تحقيق و توضيح آن، از به كار بردن عناوين كلي نظير، «گردآوري اطلاعات اوليه»، «تهيه نمونه‏هاي آزمون»، «انجام آزمايش‏ها» و غيره خودداري شده و لازم است در هر مورد توضيحات كامل در رابطه با منابع و مراكز تهيه داده‏ها و ملزومات، نوع فعاليت، مواد، روش‏ها، استانداردها، تجهيزات و مشخصات هر يك ارائه گردد.

مطالعه مقالات معتبر در زمینه ی شبکه ی اجتماعی و ساختار های هر یک از آن ها و مزایا و معایب هر یک از آن ها ،کتاب ها و پایانامه های مرتبط که چگونگی ارتباط لینک ها در هر شبکه توسط الگوریتم ها و استخراج ویژگی ها بیان شده .

 

ب-  متغيرهاي مورد بررسي در قالب یک مدل مفهومی و شرح چگونگی بررسی و اندازه گیری متغیرها:

 

ویژگی های توپولوژی

احتمال ایجاد لینک

 

ج –  شرح کامل روش (ميداني، كتابخانه‏اي) و ابزار (مشاهده و آزمون، پرسشنامه،  مصاحبه،  فيش‏برداري و غيره) گردآوري داده‏ها :

کتابخانه ای و  استفاده از شبکه های اجتماعی و دیتاست دانشگاه استنفورد

 

 

هـ - روش‌ها و ابزار تجزيه و تحليل داده‏ها:

 

با اعمال الگوریتم های یادگیری  ماشین بردار پشتیبان روی مجموعه داده های بدست آمده و مقایسه خروجی آنها با مقالات دیگر

شبیه سازی الگوریتم پیشنهادی با استفاده از Java و ابزارهای نرم افزارهای Weka انجام می شود. با استفاده از مجموعه داده انتخابی 9 ویژگی مربوط به ساختار شبکه اجتماعی را انتخاب و بر روی آنها الگوریتم یادگیری اعمال می شود. برای ارزیابی، از معیارهایی چون دقت و صحت و بازخوانی و مقایسه این معیارهای با مقالات دیگر انجام می شود.

 

 

[1] Social network

[2] Social Degree of a node

[3] Social Similarity

[4] Question-Answering Bulletin Boards

[5] Scale Free Network

 

پروپوزال مهندسی کامپیوتر تلفیق الگوریتم ژنتیک و منطق فازی برای خوشه بندی نابرابر در شبکه های حسگر بیسیم

آموزش تخصصی انجام پایان نامه مهندسی کامپیوتر، شبکه حسگر بیسیم

پروپوزال مهندسی کامپیوتر ردیابی هدف متحرک در شبکه حسگر بی‌سیم با استفاده از الگوریتم بهینه‌سازی کوکو

پروپوزال مهندسی کامپیوتر ارائه چارچوب و مدلی برای امنیت داده های حجیم

پروپوزال مهندسی کامپیوتر ارائه‌ی یک روش تخصیص منابع جهت انتخاب طیف در شبكه­‌هاي  بي‌سيم راديوشناختی در محیطهای پویاچ

 

خدمات ادیب مشاور در زمینه رشته مهندسی کامپیوتر

ارائه موضوع پایان نامه مهندسی کامپیوتر

تدوین مقاله در رشته مهندسی کامپیوتر

مشاوره در تدوین پروپوزال مهندسی کامپیوتر

مشاوره و آموزش در پایان نامه مهندسی کامپیوتر

انجام شبیه سازی در رشته مهندسی کامپیوتر

استخراج مقاله در  رشته مهندسی کامپیوتر

استفاده از نرم افزارهای تخصصی همچون نرم افزار متلب، نرم افزار R، نرم افزار STATA، نرم افزار MATLAB، نرم افزار Vensim، نرم افزار LINGO، نرم افزار NS2

 

مشاوره تخصصی انجام پایان نامه ارشد

یکی از مهمترین وظایف دانشجویان در مقاطع تحصیلات تکمیلی (کارشناسی ارشد و دکتری) انجام پایان نامه می باشد. فقر اساتید خبره در زمینه های مختلف علمی تحقیقاتی در برخی دانشگاه های داخلی و خارجی موجب سردرگمی دانشجویان عزیز گردیده است، موسسه ادیب مشاور مفتخر است که در پاسخ به این نیاز طی ده سال فعالیت به تعداد بیشماری از دانشجویان ارشد و دکتری خدمات مشاوره تخصصی ارايه داده است.

به طور کلی انجام پایان نامه کاری زمان بر است که دانش و تجربه زیادی نیازمند است. موسسه ادیب مشاور با چندین سال تجربه در عرصه مشاوره و با در اختیار داشتن متخصصین و اساتیدی با تجربه آماده مشاوره و آموزش پایان نامه در کلیه رشته های دانشگاهی می باشد.

علاوه بر این موسسه ادیب مشاور، در زمینه شبیه سازی مقالات، پایان نامه ها و انجام پروژه ها با برنامه نویسی نیز به دانشجویان کشور عزیزمان خدمات لازم را ارائه می کند. این خدمات شامل تحلیل آماری، پیاده سازی با انواع نرم افزارهای مهندسی، برنامه نویسی با انواع زبان های برنامه نویسی و تهیه پرسش نامه می شود.

به طور کلی سر فصل های خدمات موسسه ادیب مشاور عبارتند از:

مشاوره پروپوزال در رشته مدیریت، حسابداری، مهندسی برق قدرت، مهندسی برق الکترونیک، مهندسی کامپیوتر و روانشناسی و دیگر رشته ها

مشاوره پایان نامه در رشته مدیریت، حسابداری، مهندسی برق قدرت، مهندسی برق الکترونیک، مهندسی کامپیوتر و روانشناسی و دیگر رشته ها

استخراج مقاله از پایان نامه در رشته مدیریت، حسابداری، مهندسی برق قدرت، مهندسی برق الکترونیک، مهندسی کامپیوتر و روانشناسی و دیگر رشته ها

انجام پایان نامه کامپیوتر، پروپوزال مهندسی کامپیوتر

اگر برای هریک از موارد فوق نیاز به مشاوره رایگان دارید، همین الان با ما تماس بگیرید.