سری زمانی‌ به‌ مجموعه‌ای از دادهها گفته‌ می‌ شود که‌ در طول زمان ثبت‌ شدهاند. برای مثال، می‌ توان به‌ سری زمانی‌ قیمت‌ یک‌ سهم‌ در بازار سهام، میزان بارش باران در یک‌ ناحیه‌ و ... اشاره کرد. یکی‌ از مهمترین‌ اهداف تحلیل‌ سری های زمانی‌، پیش‌ بینی‌ مقادیر آینده آن است‌. روش های آماری متعددی برای پیش‌ بینی‌ سریهای زمانی‌ مانند روش استفاده از مدل های تحلیل‌ سری زمانی‌ میانگین‌ متحرک جمع‌ بسته‌ اتورگرسیو، مدل میانگین‌ متحرک جمع‌ بسته‌ اتورگرسیو فصلی‌ و روش های تجزیه‌ موجک‌ معرفی‌ شدهاند. در کنار روش های آماری، شبکه‌های عصبی‌ نیز ابزاری قدرتمند برای پیش‌ بینی‌ سری های زمانی‌ هستند. به‌ دلیل‌ توانایی‌ شبکه‌های عصبی‌ در مدل سازی روابط‌ و الگوهای پیچیده در دادهها، پیش‌ بینی‌ سری های زمانی‌ با استفاده از آن ها بسیار مورد توجه‌ محققان حوزه های مختلف‌ قرار گرفته‌ و به‌ یک‌ موضوع تحقیقاتی‌ محبوب تبدیل‌ شده است‌. استفاده از شبکه‌های عصبی‌ پیچشی‌ برای پیش‌ بینی‌ سری های زمانی‌، به‌ عنوان یک‌ روش موثر برای تحلیل‌ و پیش‌بینی‌ الگوهای تکراری در دادههای زمانی‌، شناخته‌ شده است‌. این‌ شبکه‌ها طراحی‌ شدهاند تا الگوهای مختلف‌ را در دادههای زمانی‌ تشخیص‌ دهند و بتوانند با استفاده از این‌ الگوها، پیش‌بینی‌ های دقیقی‌ برای مقادیر آینده دادهها ارائه‌ کنند. شبکه‌های عصبی‌ بازگشتی‌ با حافظه‌ طولانی‌ کوتاه مدت (LSTM) و شبکه‌های عصبی‌ بازگشتی‌ با دروازههای بازگردان GRU، دو نوع شبکه‌ عصبی‌ هستند که‌ به‌ دلیل‌ قابلیت‌ حفظ‌ حافظه‌ در طول زمان، برای پیش‌بینی‌ سری های زمانی‌ مفید هستند. این‌ شبکه‌ها، با استفاده از یک‌ واحد حافظه‌، اطلاعات قبلی‌ را در خود نگه‌ می‌ دارند و با توجه‌ به‌ این‌ اطلاعات، پیش‌بینی‌ بعدی را انجام می‌ دهند. در این‌ پایان نامه‌، پیش‌ بینی‌ سریهای زمانی‌ با شبکه‌ عصبی‌ پیچشی‌ و شبکه‌های عصبی‌ LSTM و GRU بررسی‌ می‌ شود. عملکرد این‌ شبکه‌ها در دقت‌ پیش‌ بینی‌ مورد مقایسه‌ قرار می‌گیرد. همچنین‌ عملکرد آن ها با روش های آماری از قبیل‌ SARIMA مقایسه‌ می‌شود.کلید واژگان. پیش‌ بینی‌ سری های زمانی‌، حافظه‌ طولانی‌ کوتاهـمدت، شبکه‌های عصبی‌، شبکه‌های عصبی‌ بازگشتی‌، شبکه‌های عصبی‌ پیچشی‌، واحد بازگشتی‌ دروازهدار.

چکیده در بسیاری از مسائل مربوط به استنباط بیزی، با مدل­هایی روبرو می‌شویم که از پیچیدگی­های خاصی برخوردار هستند و نیاز به محاسبه توابع درستنمایی دارند. به طوریکه محاسبه این توابع سخت و یا غیرممکن می‌باشد. به همین دلیل چنین پیچیدگی­هایی باعث می­شود به دست آوردن تابع توزیع پسین که زیربنای استنباط­های بیزی است قابل محاسبه نباشد. بنابراین، از روش­های شبیه­سازی در برآورد مدل به عنوان یک راه­حل کاربردی می­توان استفاده نمود. از طرف دیگر، یکی از روش‌های شبیه‌سازی که برای استنتاج‌های آماری مورد استفاده قرار می‌گیرد، روش محاسبه بیزی تقریبی (ABC) است.   عملکرد این روش با استفاده از الگوریتم ساده­ی رد و پذیرش است که می‌توان با به کار بردن آن و با کمک آماره خلاصه ساز، تقریب مناسبی برای توزیع پسین ایجاد نمود. با این حال، وجود آماره خلاصه­ساز در این روش می‌تواند به عنوان یک چالش مطرح شود که برای رفع آن نیاز است که تابع توزیع تجربی را به دست آورده و برای بررسی دقت آن از معیار اطلاع کولبک – لیبلر (K L) که از طریق طبقه­بندی به دست می­آید، استفاده نمود. همچنین می‌توان روش‌های طبقه­بندی یادگیری ماشین را با روش ABC ترکیب کرد و نتایج را با داده­های واقعی و شبیه سازی مورد مقایسه قرار داد. از طرف دیگر، با به کارگیری یک هسته رد و پذیرش مناسب و   یک وزن دهی نمایی، از کاربرد آستانه پذیرش بی­نیاز خواهیم شد. از آن­جایی که در سال­های اخیر، هر دو جنبه نظری و کاربردی این روش مورد استقبال گسترده پژوهشگران آماری قرار گرفته است، لذا هدف این پژوهش، معرفی الگوریتم محاسبه بیزی تقریبی با استفاده از یک معیار و بررسی برخی مباحث نظری و کاربردی آن در مثال­های واقعی و شبیه­سازی شده می­باشد. کلید واژه‌ها: استنباط بیزی، تابع درستنمایی، توزیع پسین، محاسبه بیزی تقریبی، معیار اطلاع کولبک- لیبلر   

یکی از عوامل مهم در بررسی آموزش، پیش‌بینی پیشرفت ‌تحصیلی است و استفاده از فنون داده‌کاوی یکی از راه‌کار‌های نوین پیش‌بینی پیشرفت ‌تحصیلی است. در این پایان‌نامه، فنون داده‌کاوی در دو بخش روش‌های ساده شامل درخت‌ تصمیم، جنگل تصادفی، $K$-نزدیک‌ترین همسایه و بخش روش‌های پیچیده‌تر شامل ماشین ‌بردار ‌پشتیبان و شبکه عصبی مورد مطالعه قرار گرفته‌اند. همچنین دقت این روش‌ها بر روی مجموعه داده‌های مربوط به دانشجویان دانشگاه رازی از سال 1375 تا 1401 در مقطع کاردانی و کارشناسی مورد بررسی و مقایسه قرار گرفته است. از روش‌های بررسی شده جنگل تصادفی بیشترین دقت پیش‌بینی را نتیجه داده است اما از لحاظ سرعت پاسخ‌دهی هزینه محاسباتی بالایی دارد. روش $K$-نزدیک‌ترین همسایه از لحاظ دقت خیلی نزدیک به روش جنگل تصادفی است با این تفاوت که زمان اندکی لازم است تا خروجی‌ها حاصل شوند.   

هدف ما در این پایان‌نامه، مقایسه‌ی پنج روش رده‌بندی، بیز ساده، ماشین بردار پشتیبان، شبکه‌ی عصبی مصنوعی، رگرسیون لجستیک و جنگل تصادفی بر روی داده‌های سرطان سینه برای تشخیص نوع تومور سرطانی خوشخیم و بدخیم می‌باشد تا بهترین روش را با توجه به معیارهای ارزیابی دودویی، صحت، دقت، حساسیت، تشخیص، امتیازF1 و ضریب همبستگی ماتیو انتخاب کنیم. معیار اصلی مقایسه دقت مدل می‌باشد سپس سایر معیارها مورد توجه قرار خواهد گرفت.  

روش های شبه نیوتن قطری 

مدل‌های سری زمانی گاوسی اغلب از طریق چگالی طیفی‌شان مشخص می‌شوند. چنین مدل‌هایی به‌دلیل ماهیت غیرتنک ماتریس کوواریانس چالش‌های محاسباتی متعددی را به‌ وجود می‌آورند. برای چنین مدل‌هایی تقریب سریع احتمال FFT را ‌آورده و برای تصحیح خطای تقریبی از IS استفاده می‌شود. همچنین نشان داده می‌شود وقتی حجم نمونه به سمت بی‌نهایت می‌رود واریانس وزن‌های IS به صفر می‌رسد. نشان داده می‌شود که توزیع پسین معمولا چند نمایی است. برای نمونه‌گیری از توزیع پسین تقریبی روش مونت کارلو دنباله‌ای بر اساس دنباله نوردیدن به‌کار می‌رود. در پایان عمل‌کرد کلی روش مورد مطالعه برای مجموعه داده‌های واقعی و شبیه‌سازی شده بررسی   می‌شود.

یکی از مباحث مهم در مبحث برآوردها استخراج نمونه از فرایند هایی است که شکل پیچیده ای دارند، ازجمله این فرایند ها می توان به فرایند دیریکله-پواسون دو پارامتری و گاوس-معکوس نرمال شده اشاره کرد. در این پایان نامه هدف ارائه روش هایی برای نمونه گیری تقریب هایی از این نوع فرایند ها می باشد که از سادگی و کارایی خوبی برخوردار هستند. به همین دلیل از روش شکست چوب که برای اهداف شبیه سازی کارآمد است استفاده می شود. سپس تقریب های به دست آمده از دو فرایند دیریکله-پواسون دو پارامتری و گاوس-معکوس نرمال شده را با هم مقایسه می کنیم. و در پایان الگوریتم های ساده و در عین حال کارآمد را با شبیه سازی تقریب هایی از دو فرایند ذکر شده مورد بررسی قرار داده و اجرا می کنیم.  

برآورد تابع بقا با استفاده از تابع کوپولا برای توزیع رایلی معکوس شده

امروزهاستفادهازتوابعکوپو?درمدل هایآماریافزا?شچشمگ?ریپ?داکردهاست.اگرچهتوابعکوپو? مزا?ای خوب? دراستنباط آماری دارند، اما زمان? که با ب?شاز دومتغ?رروبه روم? شوند، بامشک?ت محاسبات?ز?ادیمواجههستند. ازا?نروبااستفادهازمدل هایگراف?ک?م? توانساختارکوپو?های چندبعدی را با وابستگ? ساختارهای درخت مارکف تحل?ل و بررس? نمود. از طرف? د?گر، چون با افزا?شابعادمتغ?رهاساختارا?نمدل هایگراف?ک?پ?چ?دهوزمان برم? شوند،لذام? توانبادرنظر ب?زیقرارداد،به طوریکهم? توانبرایدرخت ًگرفتنشرا?ط?ا?نمدل هارادر?کچارچوبکام? وپارامترهاید?گروابستهبهدرخت،توز?عپ?ش?نتعر?فکردوسپستوز?ع پس?نآنهاراازطر?ق آم?خته ایازساختاردرختبدستآورد. امادرمواردیمتناسببامتغ?رهاساختارهایدرختمربوط بهآنهاباتع??نشکلبسته ایازتوز?ع هایپس?نروبهروخواهندشد،برایرفعا?نمشکلازروش های شب?ه سازیمونتکارلویزنج?رمارکفکهامروزهکاربردوس?ع?دارندکمکگرفتهم? شود. درا?ن رسالهبااستفادهازا?نروش هابهمقا?سه یپ?شنهادها??ازساختارهایدرختپرداختهشدهاست.

در این پایان ­نامه، کاربرد مدل­ هایبیز ناپارامتری در وظایف پردازش زبان طبیعی مورد مطالعه قرار داده شده­ اند. ابتدا روش ­هایبیز ناپارامتری براساس رایج ­ترین توزیع پیشین یعنی فرایند دیریکله مورد مطالعهقرار گرفته­ اند. سپس نمایش­ های متفاوت از فرایند دیریکله مانند طرح کیسه پولیا،فرایند رستوران چینی و ساختار استیک بریکینگ معرفی شده ­اند. در ادامه به معرفی دو فرایند تولید شده توسط فرایند­های دیریکلهیعنی فرایند­هایدیریکله­ سلسله مراتبی و فرایند­های پیتمن یور پرداخته شده است. در پایان 4 راه­ حلپیشنهادی بیز ناپارامتری در وظایف پردازش زبان طبیعی از جمله تقسیم­ بندی کلمه،استخراج عبارت و صف­ بندی، تجزیه­ مستقل از متن و مدل­سازی زبان ارائه شده ­اند.

برآورد تابع بقا و عوامل موثر بر بیماران مبتلا به سرطان پستان در عراق از سال 2014 تا 2016  

هدف اصلی از این پایان نامه دسته بندی خانواده‏ی هیلبرت C*–مدول‏ها می‏باشد. در C*–مدول‏ها سه گونه از مفهوم تعامد تعریف شده است که عبارتنداز B– تعامد وSB-تعامدکه توسط بیرخوف-جیمز تعریف شده است وتعامد معمولی که در مفهوم ضرب داخلی تعریف شده است.حال می‏خواهیم خانواده‏ی هیلبرت C*–مدول‏هایی که دو مفهوم از سه مفهوم فوق بر هم تطابق دارند را دسته بندی کنیم یعنی پاسخ به سوالات زیر:1-در چه خانواده ای ازهیلبرت C*–مدول‏ها   -تعامدوSB-تعامد منطبق می‏شوند. 2-در چه خانواده ای از هیلبرت C*-مدول‏ها،‏تعامدوB-تعامد منطبق می‏شوند.3-در چه خانواده ای از هیلبرت C*-مدول‏ها تعامد وSB-تعامد منطبق می‏شوند.

  امنیت یکی از ارکان موجودات زنده و احساس امنیت یکی از اساسیترین نیازهای نوع بشر است. امروزه با گستری وسایل ارتباطی و حجم اطلاعات مبادله شده در شبکههای رایانهای و همچنین توسعه و پیشرفتهای صنعت مخابرات ند رسانه ای، مفهوم مخابرات تصویری متحول شده است. امنیت رسانه های دیجیتال یکی از مسائل مهم و مطرا جامعه رمزنگاری در دنیای امروز است. با توجه به کاربرد روزافزون رایانه و گستری زیرساخت های ارتباطی مثل شبکههای سیار و اینترنت، حفظ محرمانگی و تایید صحت تصاویر روز به روز اهمیت بیشتری مییابد. با توجه به کاربرد روزافزون اینترنت و افزایش حجم اطلاعات مبادله شده، حفظ امنیت و تایید صحت مخابره شده که میتواند کاربردهایی در امور تجاری، نظامی و حتی پزشکی داشته باشند نیز روز به روز اهمیت بیشتری میابد. در جهان دیجیتال امروزی امنیت تصاویر دیجیتال بیش از پیش اهمیت پیدا کرده است. در سالهای اخیر سرعت زیادی در رشد انتقال تصاویر دیجیتال از طریق کامپیوتر بویژه اینترنت صورت گرفته است.به عنوان مثال ما در این پایاننامه از یک روی رمزنگاری تصویر صحبت میکنیم که در امور پزشکی که مرتبط با عکسبرداری از بیماران میباشد و همچنین صحت و امنیت اطلاعات بیمار از اهمیّت بالایی برخوردار است، استفاده میشود. این روی از رمزنگاری مبتنی بر میدان گالواست و ما آن را به طور کامل پیادهسازی کرده و علاوه بر بیان نقاط ضعف آن، راهی برای بهبود کارایی این روی را بیان میکنیم