الگوریتم شبکه عصبی CGRU بر پایه یادگیری عمیق(deep convolutional GRU)

برنامه نویسی با زبانهای مختلف ، طراحی سایت و نرم افزار

برای تخمین یک پارامتر ، چندین پارامتر ورودی دارم، که این پارامترها در برآورد پارامتر خروجی موثر هستند. در این راستا با توجه به خصوصیات الگوریتم کانوشنال روش بازگشتی CGRU بر پایه یادگیری عمیق باید استفاده شود. در واقع الگوریتم‌های شبکه عصبی کانولوشنال (CNN) و واحد بازگشتی دروازه‌ای (GRU) را بر اساس رویکرد GRU کانولوشنال عمیق (DCGRU) ترکیب می‌کند. در این زمینه یک مقاله به پیوست ایفاد میگردد. از دوستانی که مسلط به الگوریتم شبکه عصبی هستند لطفا بررسی نمایند. نگران هزینه هم نباشید در صورتی که مشابه با مقاله کدنویسی انجام شود بالاترین پیشنهاد هزینه را خواهم پذیرفت.

0 پیشنهاد 1,500,000 تومان 4 سال پیش

مهارت ها

malware classification using deep learning + lstm + cnn

برنامه نویسی با زبانهای مختلف ، طراحی سایت و نرم افزار

این پروژه مربوط به شناسایی بدافزار ها با استفاده از یادگیری عمیق می باشد. مقاله پایه جهت انجام کار ضمیمه شده است.(fig1,fig5 موجود در فایل base.pdf معماری کلی را نشان می دهد.) (تفاوت اینکار با مقاله پایه در این است که در مقاله ضمیمه شده بین کلاس های مختلف بدافزار ها اقدام به دسته بندی کرده اما خروجی اینکار یک مسئله دودویی مبنی بر اینکه در نهایت یک فایل سالم است یا مخرب می باشد.) فایل های مورد نیاز جهت انجام کار در صورت پیدا شدن مجری در اختیارشان قرار خواهد گرفت. دادگان ورودی: دادگان شامل دو پوشه مجزا می باشد (فایل های سالم و فایل های مخرب) که البته منظور از فایل، فایل اجرایی (فرمت exe) نیست بلکه محتوای هر پوشه شامل بایت ها(.bytes) و فایل اسمبلی(.asm) مربوط به یک فایل سالم به خصوص یا یک فایل مخرب به خصوص می باشد. شرح کار: در این کار قصد بر آن است تا یک مجموعه فایل سالم(ورودی .bytes و .asm) (در حال حاضر ۱۰۰۰ تا سمپل) با یک مجموعه فایل مخرب (در بحث تعداد فایل مخرب محدودیت وجود ندارد بنا به نیاز تا حدی که overfit رخ ندهد) به عنوان ورودی به شبکه داده شود و خروجی آن یک تشخیص باینری مبنی بر این که فایل جدید دیده شده مخرب است یا سالم می باشد. معماری شبکه: این شبکه از دو بخش تشکیل میشود بخش اول که با فرمت .bytes فایل ها سر و کار دارد و بعد از تبدیل این فایل ها به تصویر با آن شبیه به یک مسئله پردازش تصویر برخورد می کند (استفاده از cnn جهت یادگیری) بخش دوم کار فایل های اسمبلی را به عنوان ورودی شبکه گرفته و با مسئله به چشم یک مسئله پردازش زبان برخورد می کند(lstm) در نهایت با جمع بندی نتیجه حاصله از این دو مرحله فایل جدید را در یکی از دو دسته سالم یا مخرب قرار می دهد. توضیحات مکمل: اینجانب بخش کارهای مربوط به تبدیل فایل باینری به تصاویر و بخشی از کارهای مربوط به بخش اول معماری (cnn) را انجام داده ام و در صورت پیدا شدن مجری لینک های کمکی به منظور کمک جهت از صفر شروع نکردن کار را برایشان ارسال خواهم کرد. علت ثبت این پروژه این است که حوزه اصلی کار من هوش مصنوعی نبوده به همین دلیل فرایند کد زنی در فریم ورک هایی نظیر کراس و تنسورفلو برایم زمان بر می باشد. در صورت پذیرش پروژه نیاز به تعامل جهت برطرف کردن مشکلات احتمالی وجود دارد.

0 پیشنهاد 2,000,000 تومان 4 سال پیش

مهارت ها

پروژه یادگیری عمیق( 21277)+

کمک آموزشی

تا جمعه هفته آینده فرصت داریم تشخیص پلاک با دیتاست انگلیسی حداقل دقت ۸۰ درصد و استفاده از LSTM سلام این پروژه هزینش با یادگیری عمیق چقد میشع تا جمعه هفته آینده ام وقت دارم +++

0 پیشنهاد 300,000 تومان 4 سال پیش

مهارت ها

: پروژه یادگیری عمیق با پایتون (20429)+

کمک آموزشی

سلام وقت بخیر عنوان : تشخیص و سگمنت بندی تصاویر ارگان های مجرادار مثل معده و کولون به استفاده از حاشیه نگاری خودکار تصاویر و به کمک الگوریتم سلسله مراتبی یادگیری عمیق u-net و الگوریتم بهینه سازی .... با پایتون بهتره چون تمامی کدها سایر مقالات تو این ضمینه به زبان پایتون نوشته شده است - و میشه از آنها استفاده کرد dataset هم موجود است ممنون میشم زودتر جواب بدین 3 ماه 5799

0 پیشنهاد 700,000 تومان 4 سال پیش

مهارت ها

پروژه یادگیری عمق با پایتون(20138)+

کمک آموزشی

پروژه یادگیری عمق با پایتون با سلام یک پروژه داشتم که از روش LSTM که یکی از روش های یادگیری عمیق هست انجام میشه. دیتا ست را خودتون بسازید براساس توزیع پواسون. کد هم به زبان پایتون لطفا نوشته بشه. آیا قبول زحمت میکنید؟ چندین سرور داریم که با فاصله های جغرافیایی از هم و برای رسیدگی به درخواست های خودرو ها ، در کنار جاده ها نصب شده اند. خودروها در حال حرکت هستند و درخواست هایشان را برای پردازش به سرورها میفرستند. هدف از این پروژه پیش بینی بار کاری در آینده نزدیک (مثلا یک یا پنج دقیقه آینده ) است که به این سرو ها می‌رسد. برای اینکار از روش LSTM multivariate استفاده می‌کنیم. سه مدل درخواست داریم که هر کدام ددلاین، میزان محاسبات و حافظه مخصوص به خود را نیاز دارد(در کل سه ددلاین داریم). میزان بارکاری (تعداد درخواست ها و ویژگی هایشان که گفته شد) که در گذشته به سرورها رسیده به عنوان ورودی مدل استفاده می‌کنیم. خروجی مدل: تعداد درخواست ها با کمترین ددلاین که به هر سرور در آینده نزدیک میرسند خواهد بود. همچنین خروجی مدل تعداد کل درخواست ها با ویژگی هایشان که در آینده نزدیک به هر سرور میرسند باشد. نکته مهم: میزان درخواست هایی که به سرورهای همسایه در گذشته رسیده نیز به عنوان ورودی برای پیش بینی بارکاری سرور استفاده می‌شود. دیتاست: یعنی انواع درخواست ها که به سرور ها قبلا رسیده را با استفاده از توزیع پواسون بسازید به طوری که در طول شبانه روز نرخ لامبدا تغییر کند. (چون در ساعات مختلف از شبانه روز تعداد خودروها در جاده ها متغییر است) به زبان پایتون لطفا نوشته شود. سپاس +++

0 پیشنهاد 500,000 تومان 4 سال پیش

مهارت ها