عنوان کامل پروژه:

پروژه بهبود صحت سیستم‌های توصیه‌گر با استفاده از یادگیری ترکیبی در زمینه هوش مصنوعی با استفاده از نرم افزار MATLAB‌ و به همراه فیلم آموزشی نرم افزار MATLAB‌

با رشد روزافزون اینترنت و شبکه‌های رایانه‌ای، جامعه دستخوش دگرگونی‌هایی در تمامی زمینه‌ها شده است. خریدهای خود را به صورت برخط انجام می‌دهیم، اطلاعات مورد نیاز را از طریق موتورهای جستجو جمع‌آوری می‌کنیم، و بخش قابل توجهی از زندگی اجتماعی ما به اینترنت و شبکه‌های اجتماعی وابسته است. از طرفی با توجه به حجم بسیار زیاد اطلاعات، فرایند تصمیم‌گیری، انتخاب اطلاعات یا پیدا کردن کالای مورد نظر برای کاربران دشوار شده است و نیاز به سیستم‌هایی داریم تا بتوانند مناسب‌ترین خدمات و محصولات را به کاربر توصیه کنند که یکی از نرم‌افزارهایی که در این حوزه بکار گرفته می شود نرم افزار MATLAB می باشد. سیستم هایی که این وظیفه را انجام می‌دهند سیستم‌های توصیه‌گر نامیده می‌شوند. سیستم‌های توصیه‌گر (پیشنهادگر) با تحلیل رفتار کاربران و جمع‌آوری اطلاعات آنان، توصیه‌هایی متناسب با نیاز کاربران پیشنهاد می‌دهند. یکی از الگوریتم‌های به کار رفته در این سیستم‌ها در نرم افزار MATLAB، روش پالایش مشارکتی می‌باشد. مهم‌ترین بخش الگوریتم پالایش مشارکتی به تعیین شباهت بین کاربران اختصاص دارد. در تمامی روش‌های تعیین شباهت از یک مجموعه همسایگی برای انجام پیشنهاد استفاده می‌شود. اما به دلیل خلوت بودن ماتریس امتیازات و مشکل شروع سرد ممکن است در کاربران همسایه‌ی کاربر فعال، هیچ فردی به آیتم مورد نظر امتیاز نداده باشد. در این پژوهش در صورت یافت نشدن امتیاز به آیتم مورد نظر در میان همسایگان، امتیاز داده شده به آیتم مورد نظر را به صورت یک سری زمانی درآورده و با استفاده از این سری عمل پیش‌بینی را انجام می‌دهیم. به منظور بهبود نتایج پیش بینی، از یادگیری ترکیبی مبتنی بر انفیس  (سیستم عصبی فازی تطبیقی) استفاده می کنیم. همچنین ضریب همبستگی پیرسون  برای تعیین شباهت در یافتن مجموعه همسایگی بهینه، بهبود می‌یابد. آزمایشات بر روی مجموعه داده MovieLens در نرم افزار متلب ( MATLAB ) انجام گرفته است.

اهمیت پژوهش:

سیستم­های پیشنهادگر، سیستم­های تاثیر­گذار در راهنمایی و هدایت کاربر، در میان حجم عظیمی از انتخاب­های ممکن، برای رسیدن به گزینه مفید و مورد علاقه وی هستند، به ­گونه‌ای که این فرایند برای همان کاربر شخصی­‌سازی شده باشد. از مهم­ترین چالش­ هایی که سیستم­های توصیه ­گر با آن مواجه هستند می­توان در نرم افزار MATLAB به انتخاب معیار شباهت بهینه، خلوت بودن 1ماتریس امتیاز­ات و مساله شروع سرد 2، اشاره کرد که باعث بروز مشکلاتی در روند پیشنهاد­دهی می­ شود و صحت پیشنهادات را کاهش می­‌دهد. در این پژوهش خطای سیستم­‌های پیشنهاد­گر با استفاده از روش پیشنهادی به طرز چشم­گیری کاهش یافته است.

اهداف پژوهش:

1- بهبود صحت سیستم­های پیشنهاد­گر پالایش مشارکتی

2- ارائه روشی جدید و کارآمد­تر به ­منظور محاسبه شباهت میان کاربران

3- ارائه روش بهبود یافته برای یادگیری ترکیبی مبتنی بر سیستم عصبی فازی تطبیقی

4- قابل اجرا در سیستم­های دنیای واقعی

آنچه در این کد خواهید آموخت:

1- نحوه محاسبه معیار شباهت پیرسون بهبودیافته

2- نحوه ایجاد سری زمانی

3- نحوه ایجاد سری زمانی با میانگین متحرک 

4- تخمین امتیاز با استفاده از ANFIS

5- محاسبه امتیاز نهایی با استفاده از یادگیری ترکیبی با وزن های پویا 

نکات و الزامات:

1- این  برنامه در همه نسخه های MATLAB 2012  و نسخه های بعدی قابل اجرا است

2- خروجی ها در همه نسخه های MATLAB قابل مشاهده است

3- آشنایی اولیه با سری های زمانی

4- آشنایی با ANFIS