رکوردهای مرتبط با این شخص

بهبود مدل WAV2VEC برای تشخیص خودکار مکالمه فارسی (1402) / بیگی ، فرشاد، نویسنده

نوع مدرک: متون چاپی سرشناسه بیگی ، فرشاد، نویسنده شماره بازیابی : ‭COM A ‭42 1402 عنوان : بهبود مدل WAV2VEC برای تشخیص خودکار مکالمه فارسی عنوان موازی : Improved Automatic Speech Recognition using WAV2VEC model ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1402 صفحه شمار: 69ص شابک/شاپا 25533 یادداشت پایان نامه کارشناسی ارشد: رشته مهندسی کامپیوتر گرایش هوش مصنوعی و رباتیکز شناسه افزوده : نصر اصفهانی ، ابراهیم، استاد راهنما یراقی ، شکوفه، استاد مشاور توصیفگرها تشخیص مکالمه خودکار، یادگیری عمیق، یادگیری انتقالی ، درAutomatic Speech Recognition, Deep Learning, Transfer Learning, Word Error Rate, Wav2vec Modelصد خطای کلمه، مدل wav2vec چکیده : در فناوری‌های دنیای امروز، تشخیص خودکار مکالمه یکی از زمینه‌های بسیار حیاتی در حوزه پردازش مکالمه محسوب می‌شود. با توجه به این که بررسی جزئیات فنی سیستم مدل wav2vec و نقش آن در بهبود درصد خطای کلمه در زمینه ی تبدیل مکالمه به متن می‌پردازد. نشخیص مکالمه ی خودکار به عنوان یکی از مهم‌ترین زمینه‌های هوش مصنوعی، امکان تشخیص و تفسیر مکالمه انسان را توسط کامپیوترها فراهم می‌کند. این فناوری برای انجام وظایف مختلفی از جمله ترجمه زنده، سیستم‌های پاسخ‌گویی به صدا و ابزارهای تایپ صوتی استفاده می‌شود. سیستم wav2vec، به عنوان یکی از پیشروهای اخیر در حوزه سخن‌شناسایی خودکار، با بهره‌گیری از مدل‌های عمیق یادگیری ماشین و یادگیری انتقالی، توانایی بالایی در تشخیص و ترجمه مکالمه انسانی را به متن دارد. این سیستم مبتنی بر مدل‌های تبدیل اندازه‌های طیفی صوت به متن بوده و با استفاده از داده‌های آموزشی بزرگ، می‌تواند بهبود چشمگیری در نرخ خطا در تبدیل مکالمه به متن داشته باشد. فرآیند توسعه و بهینه‌سازی کد سیستم wav2vec به‌منظور کاهش نرخ خطا در تبدیل مکالمه به متن به‌طور جامع بررسی و با استفاده از داده‌های متنوع و فنون مختلف یادگیری ماشین، موفقیت‌آمیز ترین روش‌ها برای کاهش نرخ خطا شناسایی و ارزیابی شده است. با استفاده از مجموعه داده Common Voice 11، نتایج این تحقیق نشان می‌دهد که با بهره‌گیری از تکنولوژی wav2vec، نرخ خطای تبدیل مکالمه به متن به‌طور معناداری از (30.12٪) به (28.018٪) کاهش یافته که کاهش قابل توجهی از درصد خطای کلمه است که باعث می¬شود تشخیص خودکار مکالمه با دقت بالاتری به سرانجام برسد لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=14370 زبان مدرک : فارسی

 فهرست موجودی مدرک

شماره ثبت	شماره بازیابی	نام عام مواد	محل نگهداری	بخش	وضعیت ثبت	وضعیت امانت
25533	‭COM A ‭42 1402	پایان‌نامه	دانشگاه شهید اشرفی اصفهانی	مرکزی	اسناد مرجع	غیر قابل امانت

تشخیص خودکار مواد بازیافتی با استفاده از مدل یاد گیری عمیق (1402) / طهماسیان ، آرائیک، نویسنده

نوع مدرک: متون چاپی سرشناسه طهماسیان ، آرائیک، نویسنده شماره بازیابی : ‭COM soft ‭75 1402 عنوان : تشخیص خودکار مواد بازیافتی با استفاده از مدل یاد گیری عمیق عنوان موازی : Automatic Waste Detection using Deep Neural Network ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1402 صفحه شمار: 74ص شابک/شاپا 25544 یادداشت پایان نامه کارشناسی ارشد: در رشته مهندسی کامپیوتر گرایش نرم افزار شناسه افزوده : نصر اصفهانی ، ابراهیم، استاد راهنما یراقی ، شکوفه، استاد مشاور توصیفگرها تفکیک زباله، تشخیص شئ، شبکه عصبی کانولوشن، الگوریتم YOLO  Waste Management, Object Detection, Convolution Neural Network, , YOLO Algorithm چکیده : زباله، به عنوان یک چالش گسترده با پیامدهای زیست‌محیطی، اجتماعی و اقتصادی، در اشکال مختلف بر جوامع تأثیر می‌گذارد. مدیریت نادرست زباله می‌تواند به عنوان عامل اصلی تخریب محیط‌زیست ظاهر شود، زیرا مکان‌های دفن زباله باعث آلودگی خاک و آب، تهدید اکوسیستم‌ها و سلامت انسان‌ها می‌شوند. آسیب‌های از زباله، به ویژه پلاستیک در اقیانوس‌ها، به حیات دریایی آسیب می‌زند و گازهای گلخانه‌ای ناشی از تجزیه زباله‌های آلی، تغییرات آب و هوایی را تشدید می‌کند. مدیریت هوشمند زباله با استفاده از فناوری‌های یادگیری عمیق و بینایی رایانه‌ای، عملیات مرتب‌سازی و بازیافت را بهبود می‌بخشد و به کاهش زباله‌ها و استفاده پایدار از منابع کمک می‌کند. یکی از الگوریتم های تشخیص اشیاء الگوریتم YOLO است که با سرعت و دقت بالا می تواند به صورت بلادرنگ اشیاء را تشخیص دهد. مدل پیشنهادی در این تحقیق نسخه YOLOv8 از این الگوریتم است و این مدل بر روی مجموعه داده WaRP آموزش داده شده است که شامل 28 نوع کلاس برای انواع مواد بازیافتی است. نتایج بدست آمده مدل دقت 0.719، فراخوانی 0.614، میانگین دقت متوسط50 0.64 و میانگین دقت متوسط95-50 0.53 می باشد لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=14381 زبان مدرک : فارسی

 فهرست موجودی مدرک

شماره ثبت	شماره بازیابی	نام عام مواد	محل نگهداری	بخش	وضعیت ثبت	وضعیت امانت
25544	‭COM soft ‭75 1402	پایان‌نامه	دانشگاه شهید اشرفی اصفهانی	مرکزی	اسناد مرجع	غیر قابل امانت

حفظ حریم خصوصی در داده¬های پزشکی با استفاده از شبکه¬های عصبی کانولوشن (1403) / وکیلی ، بهارو، نویسنده

نوع مدرک: متون چاپی سرشناسه وکیلی ، بهارو، نویسنده شماره بازیابی : ‭COM A ‭48 1403 عنوان : حفظ حریم خصوصی در داده¬های پزشکی با استفاده از شبکه¬های عصبی کانولوشن عنوان موازی : Privacy protection in medical data using convolutional neural networks ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1403 صفحه شمار: 96ص شابک/شاپا 25887 یادداشت پایان نامه کارشناسی ارشد/رساله دکتری رشته هوش مصنوعی شناسه افزوده : نصر اصفهانی ، ابراهیم، استاد راهنما زمین کار ، مینا، استاد مشاور توصیفگرها حفظ حریم خصوصی، امنیت، داده¬کاوی، شبکه¬های عصبی کانولشن، ماشین بردار پشتیبان  Privacy, security, data mining, convolutional neural networks, support vector machine چکیده : حفظ حریم خصوصی به عنوان یکی از اصول اساسی در مدیریت داده‌های پزشکی، اهمیت بالایی دارد، چرا که این داده‌ها حاوی اطلاعات حساس و شخصی بیماران هستند. با این حال، چالش‌های زیادی در زمینه حفظ حریم خصوصی وجود دارد که مهم¬ترین آن‌ها شامل دسترسی غیر مجاز به داده‌ها، نشت اطلاعات، و سوءاستفاده‌های احتمالی از داده‌های شخصی می‌باشد. این چالش‌ها نه تنها تهدیدی برای امنیت اطلاعات بیماران هستند، بلکه می‌توانند اعتبار سیستم‌های بهداشتی و درمانی را نیز تحت تأثیر قرار دهند. برای مقابله با این چالش‌ها، روش‌های مختلفی پیشنهاد شده است که از جمله آن‌ها می‌توان به رمزنگاری داده‌ها، سیاست‌های قانونی سختگیرانه، یادگیری فدرال، و یادگیری انتقالی اشاره کرد. این روش‌ها به‌طور مؤثری می‌توانند امنیت داده‌ها را افزایش دهند و از دسترسی غیر مجاز به اطلاعات حساس جلوگیری کنند. ترکیب فناوری‌های پیشرفته نظیر شبکه‌های عصبی کانولوشن (CNN) و ماشین بردار پشتیبان (SVM) به‌عنوان یک رویکرد نوآورانه در حفظ حریم خصوصی می‌تواند تأثیر قابل توجهی داشته باشد. در این ترکیب، شبکه‌های عصبی برای استخراج و یادگیری ویژگی‌های پیچیده از داده‌های پزشکی استفاده شده و ماشین بردار پشتیبان برای طبقه‌بندی و پیش‌بینی داده‌ها به کار گرفته می‌شود. در این پژوهش جهت حفظ حریم خصوصی از یک فرآیند سه مرحله¬ای استفاده گردیده است که در مرحله¬ی نخست عملیات پیش¬پردازش به منظور بهبود داده¬ها صورت گرفته است، بعد از عملیات فوق، استخراج الگو توسط شبکه¬ی عصبی کانولوشن صورت گرفته است و در نهایت عملیات طبقه¬بندی براساس ماشین بردار پشتیبان برای جلوگیری از دسترسی¬های غیر مجاز استفاده گریدده است. نتایج حاصل از آزمایش¬ها نشان¬دهنده¬¬ی کارایی قابل قبول روش پیشنهادی در حفظ حریم خصوصی داده¬¬ها می¬باشد لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=14723 زبان مدرک : فارسی

 فهرست موجودی مدرک

شماره ثبت	شماره بازیابی	نام عام مواد	محل نگهداری	بخش	وضعیت ثبت	وضعیت امانت
25887	‭COM A ‭48 1403	پایان‌نامه	دانشگاه شهید اشرفی اصفهانی	مرکزی	اسناد مرجع	غیر قابل امانت

مدلی برای پیشبینی موفقیت کسب‌وکارهای نوپا با یادگیری ماشین خودکار: مطالعه موردی روی کسبوکارهای نوپا سایت بلینک (1404) / مرتضوی پناه ، رضا، نویسنده

نوع مدرک: متون چاپی سرشناسه مرتضوی پناه ، رضا، نویسنده شماره بازیابی : ‭COM soft ‭87 1404 عنوان : مدلی برای پیشبینی موفقیت کسب‌وکارهای نوپا با یادگیری ماشین خودکار: مطالعه موردی روی کسبوکارهای نوپا سایت بلینک عنوان موازی : A Model for Predicting the Success of Startup Ventures Using Automated Machine Learning: A Case Study on Blink Website Startups ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1404 صفحه شمار: 100ص شابک/شاپا 26037 یادداشت پایان‌نامه کارشناسی ارشد :رشته مهندسی کامپیوتر گرایش نرم افزار شناسه افزوده : یراقی ، شکوفه، استاد راهنما نصر اصفهانی ، ابراهیم، استاد مشاور توصیفگرها کسب‌وکارهای نوپا، استارتاپ، پیش‌بینی موفقیت، یادگیری ماشین خودکار  Startups, Entrepreneurial Ventures, Success Prediction, Automated Machine Learning (AutoML) چکیده : در سال‌های اخیر، استارتاپ‌ها به یکی از مهم‌ترین محرک‌های رشد اقتصادی و نوآوری تبدیل شده‌اند؛ با این حال، نرخ شکست بالای آن‌ها در سال‌های ابتدایی فعالیت، نیاز به مدل‌های پیش‌بینی دقیق و داده‌محور را برجسته ساخته است. بخش عمده‌ای از پژوهش‌های پیشین در این حوزه بر داده‌های بین‌المللی و اطلاعات مرحله‌ی رشد و پسارشد استارتاپ‌ها تکیه داشته‌اند؛ داده‌هایی که در اکوسیستم بومی ایران به‌ویژه در مراحل ابتدایی فعالیت شرکت‌ها قابل دسترس نیست و این امر، امکان بهره‌گیری از این مدل‌ها را محدود می‌سازد. هدف این پژوهش، توسعه‌ی یک مدل بومی برای پیش‌بینی موفقیت یا عدم موفقیت استارتاپ‌های ایرانی با استفاده از یادگیری ماشین خودکار است؛ رویکردی که با خودکارسازی انتخاب مدل، تنظیم ابَراپارامترها و ارزیابی عملکرد، امکان ساخت مدل‌هایی پایدار، دقیق و عاری از مداخله‌های انسانی را فراهم می‌کند. داده‌های این تحقیق از منابع داخلی، به‌ویژه پلتفرم بلینک، استخراج شده و بر ویژگی‌های قابل دسترس در مراحل اولیه فعالیت استارتاپ‌ها تمرکز دارد؛ از جمله سال تأسیس، عضویت در شتاب‌دهنده، دسته‌ی کسب‌وکار، وضعیت فعالیت، تیم اولیه و شاخص‌های حضور آنلاین. مدلسازی با استفاده از ابزار H2O-AutoML انجام شد و مجموعه‌ای از مدل‌ها به‌صورت خودکار تولید و ارزیابی گردید. معیار اصلی سنجش، AUC بود که با توجه به ماهیت نامتوازن داده‌ها، توانایی آن در تفکیک صحیح کلاس‌ها، و پایداری نسبت به تغییر آستانه‌های تصمیم، انتخاب شد. مدل نهایی منتخب (GBM Model 17)، با مقدار AUC برابر با 91/0 و F1-Score برابر با 86/0 عملکرد مطلوبی در پیش‌بینی موفقیت استارتاپ‌ها نشان داد. همچنین تحلیل اهمیت ویژگی‌ها نشان داد که متغیرهایی مانند صنعت فعالیت استارتاپ و موقعیت جغرافیایی بیشترین تأثیر را در پیش‌بینی دارند. نتایج این پژوهش نشان می‌دهد که بهره‌گیری از یادگیری ماشین خودکار می‌تواند ابزار قابل اتکایی برای تصمیم‌سازی در اکوسیستم استارتاپی ایران باشد. مدل توسعه‌یافته می‌تواند به‌عنوان سیستم پشتیبان تصمیم برای سرمایه‌گذاران خطرپذیر، شتاب‌دهنده‌ها، نهادهای حمایتی و سیاست‌گذاران مورد استفاده قرار گیرد و به تخصیص بهینه منابع، کاهش ریسک سرمایه‌گذاری و شناسایی زودهنگام استارتاپ‌های با پتانسیل موفقیت کمک کند لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=14873 زبان مدرک : فارسی

 فهرست موجودی مدرک

شماره ثبت	شماره بازیابی	نام عام مواد	محل نگهداری	بخش	وضعیت ثبت	وضعیت امانت
26037	‭COM soft ‭87 1404	پایان‌نامه	دانشگاه شهید اشرفی اصفهانی	مرکزی	اسناد مرجع	غیر قابل امانت

مدیریت مصرف برق مشترکین شرکت توزیع برق استان چهارمحال و بختیاری به وسیله الگوریتم های پیش بینی یادگیری ماشین (1403) / کیوانی ، محمدرضا، نویسنده

نوع مدرک: متون چاپی سرشناسه کیوانی ، محمدرضا، نویسنده شماره بازیابی : ‭M lnp ‭116 1403 عنوان : مدیریت مصرف برق مشترکین شرکت توزیع برق استان چهارمحال و بختیاری به وسیله الگوریتم های پیش بینی یادگیری ماشین عنوان موازی : Managing electricity consumption of subscribers of Chaharmahal and Bakhtiari Province Electricity Distribution Company using machine learning prediction algorithms ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1403 صفحه شمار: 90ص شابک/شاپا 25739 یادداشت پایان نامه برای دریافت درجه کارشناسی ارشد(M.A.): رشته مدیریت صنعتی گرایش شناسه افزوده : جنتیان ، نسیبه، استاد راهنما نصر اصفهانی ، ابراهیم، استاد مشاور توصیفگرها مدیریت مصرف برق، الگوریتم های پیش بینی یادگیری ماشین،رگرسیون،متغیر وابسته،متغیر مستقل  Power consumption management, machine learning prediction algorithms, regression, dependent variable, independent variable   چکیده : این پژوهش به بررسی و پیشبینی مصرف برق مشترکین شرکت توزیع برق استان چهارمحال و بختیاری با استفاده از الگوریتم‌های یادگیری ماشین پرداخته است. هدف اصلی این پژوهش، بهینه‌سازی مصرف برق و کاهش هزینه‌ها از طریق پیش‌بینی دقیق الگوهای مصرف مشترکین است. در این راستا، از دو الگوریتم اصلی درخت تصمیم و تقویت گرادیان مفرط برای مدلسازی و پیشبینی استفاده شده و عملکرد این الگوریتم¬ها با معیارهای ارزیابی مختلف سنجیده شده است. نتایج نشان داد که روش پیشنهادی در مقایسه با روش های قبلی برای پیش مصرف برق مشترکین بهتر عمل می‌کند. این تحقیق همچنین به ارائه راهکارهایی برای مدیریت بهتر مصرف برق پرداخته و پیشنهادهایی برای بهینه¬سازی مصرف در این استان ارائه کرده است. با توجه به تغییرات اقلیمی و رشد جمعیت، این پیش¬بینی¬ها میتوانند به کاهش خطرات ناشی از قطعی برق و افزایش بهره¬وری مصرف کمک کنند لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=14575 زبان مدرک : فارسی

 فهرست موجودی مدرک

شماره ثبت	شماره بازیابی	نام عام مواد	محل نگهداری	بخش	وضعیت ثبت	وضعیت امانت
25739	‭M lnp ‭116 1403	پایان‌نامه	دانشگاه شهید اشرفی اصفهانی	مرکزی	اسناد مرجع	غیر قابل امانت

پیش بینی درگیری غدد لنفاوی زیر بغل برای بیماران مبتلا به سرطان سینه به کمک یادگیری انتقالی (مطالعه موردی داده های کلینیک دکتر رسول فاتحی فرد در شهر اصفهان) (1403) / رضازادگان ، مریم، نویسنده

نوع مدرک: متون چاپی سرشناسه رضازادگان ، مریم، نویسنده شماره بازیابی : ‭COM A ‭48 1403 عنوان : پیش بینی درگیری غدد لنفاوی زیر بغل برای بیماران مبتلا به سرطان سینه به کمک یادگیری انتقالی (مطالعه موردی داده های کلینیک دکتر رسول فاتحی فرد در شهر اصفهان) عنوان موازی : Predicting Axillary Lymph Node Involvment in Breast Cancer Patients Using Transfer Learning(A case Study of Data from Dr.Rasoul Fatehi Fard’s Clinic in Isfahan) ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1403 صفحه شمار: 76ص شابک/شاپا 25869 یادداشت پایان‌نامه کارشناسی‌ارشد :رشته مهندسی کامپیوتر گرایش هوش مصنوعی شناسه افزوده : نصر اصفهانی ، ابراهیم، استاد راهنما یراقی ، شکوفه، استاد مشاور توصیفگرها سرطان سینه، عکس سونوگرافی ، غدد لنفاوی زیر بغل ، یادگیری عمیق، شبکه‌های عصبی کانولوشنی پیش آموزش دیده  Breast cancer, ultrasound imaging, axillary lymph nodes, deep learning, pre-trained convolutional neural networks چکیده : سرطان سینه یکی از شایع‌ترین انواع سرطان است که از پستان شروع شده و با رشد غیرقابل‌کنترل سلول‌ها منجر به تشکیل تومور می‌شود. این بیماری می‌تواند از طریق گره‌های لنفاوی گسترش یابد و معمولاً با تصویربرداری مانند ماموگرافی و سونوگرافی تشخیص داده می‌شود. تشخیص زودهنگام این بیماری بسیار حیاتی است . درگیری غدد لنفاوی زیربغل می‌تواند نشان‌دهنده پیشرفت سرطان باشد. بررسی دقیق این غدد پیش از جراحی به پزشکان کمک می‌کند تا تصمیمات درمانی بهتری بگیرند. هدف از این پژوهش پیش بینی درگیری غدد لنفاوی زیر بغل قبل از عمل جراحی برای بیماران مبتلا به سرطان سینه با کمک یادگیری انتقالی است .در این پژوهش دیتاست توسط پژوهشگر جمع آوری شده که شامل 502 تصویر سونوگرافی از بیماران کلینیک دکتر فاتحی فرد میباشد .برای این امر، از مدل‌های مختلف یادگیری عمیق مبتنی بر شبکه های عصبی پیش آموزش دیده استفاده شده است که این شبکه ها شامل InceptionV3 ، MobileNet V2 ، VGG16 میباشد در نهایت برای دقت بیشتراز مدل ترکیبی شبکه های عصبی پیش آموزش دیده استفاده شده است . برای ارزیابی نتایج این پژوهش از روشهای دقت، صحت، فراخوانی و امتیاز F1 استفاده شده است که نتایج نشان داد که مدل روش پیشنهادی نسبت به مدل‌های شبکه عصبی پیش آموزش دیده عملکرد بهتری داشته است.دقت برای مدل InceptionV3 برابر 0.76 ، برای مدل MobileNet V2 برابر 0.65 ، برای مدل VGG16 برابر 0.65 و برای مدل پیشنهادی 0.77 بدست آمد. این پژوهش قبل از عمل جراحی به پزشکان به عنوان یک سیستم تصمیم یاب برای تصمیم گیری در مورد برداشتن غدد لنفاوی یا نمونه برداری از غدد لنفاوی نگهبان کمک میکند لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=14705 زبان مدرک : فارسی

 فهرست موجودی مدرک

شماره ثبت	شماره بازیابی	نام عام مواد	محل نگهداری	بخش	وضعیت ثبت	وضعیت امانت
25869	‭COM A ‭48 1403	پایان‌نامه	دانشگاه شهید اشرفی اصفهانی	مرکزی	اسناد مرجع	غیر قابل امانت