| LEADER |
06197nam a2200337 4500 |
| 001 |
1990908 |
| 041 |
|
|
|a eng
|
| 100 |
|
|
|9 662941
|a السكر، غدير وليد محمد رشاد
|e مؤلف
|g AL Sukkar, Ghadeer Walid Mohmed Rashad
|
| 245 |
|
|
|a Negatively Correlated Simple Deterministic Reservoir Networks for Time Series Prediction
|
| 246 |
|
|
|a الشبكات العصبية الاصطناعية المحددة البسيطة المترابطة سلبا للتنبؤ بسلاسل الوقت
|
| 260 |
|
|
|a عمان
|c 2017
|
| 300 |
|
|
|a 1 - 53
|
| 336 |
|
|
|a رسائل جامعية
|
| 502 |
|
|
|b رسالة ماجستير
|c الجامعة الاردنية
|f كلية الدراسات العليا
|g الاردن
|o 15337
|
| 520 |
|
|
|a يعد التنبؤ واحد من أهم تقنيات التنقيب بالبيانات حيث يهدف إلى التنبؤ ببعض القيم على أساس التسلسل السابق للقيم. يوجد العديد من أساليب التعلم الآلي التي يمكن استخدامها للقيام بعملية التنبؤ. في هذه الأيام هناك العديد من المشاكل في مستويات مختلفة من التعقيد تحتاج إلى استخدام أحد تقنيات التنبؤ للقيام بحلها. الشبكات العصبية (NNs) هي واحدة من نماذج التعلم الآلي، التي يمكن أن تستخدم لغايات التنبؤ حيث تعمل على تقليل معدل الخطأ في التنبؤ بحيث يصبح أقرب من الحد الأدنى الأمثل للمعدل الذي يؤدي إلى زيادة دقة حل هذه المشاكل. مشاكل السلاسل الزمنية واحدة من أهم المشاكل التي تحتاج إلى القيام بعملية التنبؤ، حيث تحتاج إلى التنبؤ بتسلسل القيم المستقبلية. يعد التنبؤ بتسلسل القيم المستقبلية عملية معقدة، حيث يصبح من الضروري تحسين عملية التنبؤ من أجل تقليل معدل الخطأ مما يزيد من دقة حل المشكلة والتنبؤ بقيم المستقبل بشكل أفضل. يعد حل مشاكل السلاسل الزمنية واختيار نموذج التعلم الآلي المناسب لحل هذا النوع من المشاكل عملية صعبة نوعا ما، حيث لكل نموذج من نماذج التعلم الآلي هيكل خاص به يختلف عن هياكل نماذج التعلم الآلي الأخرى. وله أيضا درجة مختلفة من التعقيد. تقدم تقنيات التعلم الجماعي عددا من المزايا بالمقارنة مع النموذج المنفرد من نماذج التعلم الآلي، حيث لديها إمكانية تحسين أداء النموذج وتقليل اعتماده على بيانات التدريب. ارتباط التعلم السلبي (NCL) هو واحد من النماذج التعلم الجماعي التي تعمل على تكوين مجموعة من الشبكات المترابطة سلبا، حيث أظهرت النتائج أن هذا النموذج له نتائج أداء جيدة عندما تم تطبيقه على العديد من المشاكل المتعلقة بالزمن. تطبق هذه الرسالة ارتباط التعلم السلبي (NCL) على مجموعة من نماذج الشبكات العصبية الاصطناعية البسيطة مثل: خزان خط التأخير (DLR)، خزان خط التأخير مع التغذية الراجعة (DLRB). خزان الدورة البسيط (SCR). وخزان الدورة مع القفزات المنتظمة (CRJ) على عدد من مشاكل سلاسل زمنية. الأهمية الرئيسية لهذا العمل هو أن ارتباط التعلم السلبي (NCL) يجعل جميع الشبكات تعمل في نفس الوقت على مجموعة بيانات التدريب نفسها. تظهر نتائج هذا العمل أن هذه النماذج البسيطة المترابطة سلبا لها أداء جيد عندما تمت مقارنتها بنماذج التعلم الآلي الأخرى وتقنية المجموعة المسطحة. وتظهر أيضا أن خزان الدورة مع القفزات المنتظمة (CRJ) المرتبط باستخدام الارتباط التعلم السلبي (NCL) له أداء متفوق عندما تمت مقارنته مع النماذج البسيطة الأخرى (DLR, DLRB, SCR) المترابطة سلبا. خزان الدورة مع القفزات المنتظمة (CRJ) المنفرد، خزان الدورة مع القفزات المنتظمة (CRJ) باستخدام المجموعة المسطحة، وأيضا مع مجموعة من نماذج التعلم الآلي المستخدمة في الأعمال السابقة لحل هذا النوع من المشاكل مثل أقرب عدد من الجيران (KNN)، شعاع الدعم الآلي (SVN). (AdaBoosting). ونموذج التعبئة (Bagging). على اغلب مشاكل السلاسل الزمنية.
|
| 653 |
|
|
|a الشبكات العصبية
|a الشبكات الاصطناعية
|a التعلم الآلي
|a ذكاء الويب
|a تقنيات التنبؤ
|a السلاسل الزمنية
|
| 700 |
|
|
|a السيد، رزق
|g Al-Sayyed, Rizik Hamdan
|e مشرف
|9 662666
|
| 700 |
|
|
|9 565666
|a الروضان، على عبدالله
|g Rodan, Ali Abdallah
|e مشرف
|
| 856 |
|
|
|u 9802-001-008-15337-T.pdf
|y صفحة العنوان
|
| 856 |
|
|
|u 9802-001-008-15337-A.pdf
|y المستخلص
|
| 856 |
|
|
|u 9802-001-008-15337-C.pdf
|y قائمة المحتويات
|
| 856 |
|
|
|u 9802-001-008-15337-F.pdf
|y 24 صفحة الأولى
|
| 856 |
|
|
|u 9802-001-008-15337-1.pdf
|y 1 الفصل
|
| 856 |
|
|
|u 9802-001-008-15337-2.pdf
|y 2 الفصل
|
| 856 |
|
|
|u 9802-001-008-15337-3.pdf
|y 3 الفصل
|
| 856 |
|
|
|u 9802-001-008-15337-4.pdf
|y 4 الفصل
|
| 856 |
|
|
|u 9802-001-008-15337-5.pdf
|y 5 الفصل
|
| 856 |
|
|
|u 9802-001-008-15337-R.pdf
|y المصادر والمراجع
|
| 930 |
|
|
|d y
|
| 995 |
|
|
|a Dissertations
|
| 999 |
|
|
|c 1241295
|d 1241295
|
