در این وبلاگ بیشتر سعیم بر این خواهد بود که به مطالب عملی در زمینه های مختلف دانش و کاربرد کامپیوتری آن را بپردازم

مخصوص موبایل :غزلیات خواجوی کرمانی

کلی بازتاب (0) نظرات (1)   

كمال الدين ابوالعطا محمود مرشدی در سال (679 ه‍ ق) متولد شد. او از بزرگان و خواجگان كرمان بود و به همين دليل بعدها به نام (خواجوی كرمانی) مشهور شد و نام (خواجو) را به تخلص خود برگزيد. هنوز پسر بچه ای بيش نبود كه شايستگی خود را با سرودن قصيده تاريخ حمام یزد نشان داد. اين قصيده بر ديوارهای اين بنا نقش شد و براي هميشه باقي ماند. او پس از آنكه دوران كودكی را در زادگاه خود پشت سر گذاشت در پی كسب علم و كمال به سير آفاق و انفس پرداخت و قسمت اعظم زندگی اش را پياده به سير و سياحت گذراند. در همين سالها با حافظ دوستی و ارتباط نزديك يافت و به سال و تجربه شعری بر حافظ پيشی داشت.
خواجو را به دليل هنر نمايی هايش در عالم شعر «نخل بند شاعران» لقب داده اند. ديوان او دارای وجه های ممتاز است كه شامل نغز و معما هم هست و بعلاوه قصيده هاي زيادی در نعت ائمه (ع) و بالاخص حضرت علی (ع) سروده است. در غزلياتش از سبك عراقی و سعدی پيروی كرده و خود از حافظ به عنوان استاد خويش نام مي برد. كتابش با تفكرات شروع نمي شود بلكه وي با داستانهای دو زوج دلباخته «همای و همايون» و «گل و نوروز» آغاز سخن مي كند. خواجو مداح «سلطان ابوسعيد خان چنگيزي» بوده، سپس بواسطه حضور در خدمت جمعی از مشايخ از آن كار دست كشيد و طريق انزوا پيش گرفت.
از آثار اوست: ديوان بزرگی شامل 20 هزار بيت و 6 مثنوی به نامهای:
سام نامه
همای و همايون: در سال (732 ه‍ ق) به نام «بهادر خان» و «غياث الدين محمدوزير» منظم شده است.
گل و نوروز: در سال 742 ه‍ ق بنام پسر پادشاه خراسان.
روضة الانوار: به نام «شمس الدين محمد» وزير شاه نوشته است.
كمال نامه: كه مطالب عرفانی دست به نام خود شاه نوشته شده است.
گوهر نامه: به نام يكي ديگر از شاهان به نام «بهاء الدين» نوشته شد. به سال (746 ه‍ ق)
5
مثنوی اخير روی هم خمسه خواجو را تشكيل مي دهند. كه ابيات آن حدود 11 هزار بيت است.
خواجو به سال 750 ه‍ ق، در شيراز بدرود حيات گفت و در «تنگ الله اكبر» مشرف بر دروازه قرآن فعلی شيراز به خاك سپرده شد.
در لینک زیر, غزل های زیبا و لطیف خواجوی کرمانی جهت استفاده در موبایل آورده شده است.

غزلیات خواجوی کرمانی امیدوارم از این غزلیات به نحو خوبی بهره ببرید

Dataset مربوط ایمیلهای Spam با عنوان Enron

آنتولوژی در مباحث مربوط به دانش بازتاب (0) ارسال نظر   

در این پست خیلی مختصر در مورد معرفی یک دیتاست از ایمیلهای spam صحبت خواهم کرد.

نام این دیتاست Enron است واز اینجا قابل دانلود است.

این دیتاست در پروژه ای با نام CALO Project جمع اوری شده است.و بعد ها توسط  Leslie Kaelbling در MIT خریداری و به کاربرده شده است.

این دیتا ست حاوی 619,446 پیام می باشدکه این پیام ها به 158 کاربر متعلق هستند.برخی از پیام های خاص کابران مذکور را از دیتاست فوق حذف کرده اند ونهایتا به 200399 پیام منتهی شده که به طور متوسط به ازای هر کاربر 757 پیام وجود دارد.

اصولا این دیتاست به عنوان یک Benchmark برای دسته بندی ایمیلها ایجاد شده است.

دو مقاله درمعرفی و توضیح این دیتاست ارائه شده است که از اینجا و اینجا قابل دانلود هستند.

استنتاج در درخت فازی ID3

آنتولوژی در مباحث مربوط به دانش بازتاب (0) نظرات (4)   

مرحله آخربعد ازایجاد درخت ، استفاده از این درخت است که در حقیقت همان ارائه ورودی به درخت و استنتاج و تصمیم گیری برای مشخص کردن کلاس مربوط به آن است که مطابق مثال آورده شده در شکل زیر به صورت زیر انجام می گیرد :

ابتدا به دو نکته توجه بفرمایید : اولا اینکه در شکل فوق Ai مشخص کننده هر کدام از ویژگی ها، جهت تست می باشد وFij یک مجموعه فازی است که به عنوان برچسب لبه ها مشخص شده است. اعداد روی لبهای درخت مشخص کننده میزان تعلق داده تست به هر کدام از مجموعه های فازی می باشند.ثانیا اینکه در استنتاج این درخت ، برخلاف درخت تصمیم معمولی که فقط از یک شاخه روند تصمیم گیری ادامه می یابد دراینجا از همه شاخه های درخت روند ادامه می یابد تا به برگها برسیم.همان طور که ازشکل فوق پیداست در استنتاج فازی درطول لبه ها ، از ریشه تا برگ، از عملگر ضرب استفاده می شود (aggregation) و برای مشخص کردن کلاس نهایی داده تست در برگها ، از عملگر جمع استفاده می شود . به عنوان مثال در شکل فوق ، میزان تعلق داده تست به کلاس C1 برابر .69 و میزان تعلق آن به کلاس C2 برابر است با .31 و بنابراین داده را می توان متعلق به کلاس C1 دانست چراکه میزان تعلق داده تست به این کلاس ازمیزان تعلقش به کلاس C2 بیشتراست. 

مرجع مورد استفاده :

M.Umano,et al.,”Fuzzy Decision Trees by  Fuzzy ID3 Algorithm and Its Application to Diagnosis Systems”, IEEE ,1994        

 

یک مرحله از اجرای الگوریتم تولید درخت

آنتولوژی در مباحث مربوط به دانش بازتاب (0) ارسال نظر   
مثال اجرای یک مرحله از الگوریتم:

جدول زیر را به عنوان داده های تعلیم در نظر بگیرید

مجموعه های فازی زیر از روی جدول فوق و توسط فرد خبره به دست آمده اند:

از روی مجموعه های فوق توابع عضویت فازی به دست می آیند که یک نمونه از آن را در زیر نشان داده ایم:

حال مقادیر عضویت هر داده را از ضرب μ (در D) در مقدار تعلق آن داده به مجموعه های فازی Low وMiddle وHigh از Height به دست می آوریم. می توان این عمل را در شکل زیر مشاهده کرد:

حال با استفاده جدول و فرمولهای مذکور به محاسبه G(Ai,D) می پردازیم:|D| = 5.5, IDc1I = 2.2 ,and |Dc2| = 3.3پس داریم

 

و از جدول ابتدایی خواهیم داشت: 

که در نتیجه داریم:

مشابها آنتروپی دیگر زیر مجموعه ها به صورت زیر به دست خواهند آمد: 

و در نهایت  داریم :

به همان صورت فوق عمل کرده و G را برای دیگر ویژگیها محاسبه می کنیم که به مقادیر زیر منتهی می شوند:

بنابراین ویژگی hair color که بیشترین G را دارد برای تقسیم D استفاده می شود.با ایجاد گره های فرزند ، درختی به صورت زیر به دست می آید:

 

برای زیر مجموعه های D1 و D2 مراحل فوق از ابتدا تکرار می شود تا شرط توقف برقرار شود.یک مساله مهم دیگر بعد از ا یجاد این درخت باقی می ماند و آن اینکه چگونه به برگها نام کلاسها را اختصاص دهیم؟ برای این مساله سه راه حل ارائه شده است:1)      نام کلاسی را به برگ ایجاد شده اختصاص می دهیم که بیشترین مقدار تعلق را داشته باشد2)      به گره برگ نام همه کلاسها را اختصاص می دهیم  اما با میزان تعلق به دست آمده به ازای هر کلاس.بعد از به دست آمدن درخت باید عمل نرمال سازی نیز انجام گیرد . به عنوان مثال برای گره سمت راست درخت زیر که یکی از برگها می باشد به صورت زیر عمل می شود :

مرحله آخر استفاده از این درخت است که در حقیقت همان ارائه ورودی به درخت و استنتاج و تصمیم گیری برای مشخص کردن کلاس مربوط به آن است که درپست بعدی با یک مثال به آن می پردازیم

 

 

الگوریتم ایجاد درخت تصمیم فازی ID3

آنتولوژی در مباحث مربوط به دانش بازتاب (0) ارسال نظر   
الگوریتم ایجاد درخت فازی :1)ریشه را ایجاد کن و تمامی داده ها را در آن قرار بده.2)اگر گره t با مجموعه فازی داده D شرایط زیر را  داشته باشد الگوریتم خاتمه می یابد:

2-1)نسبت مجموعه داده در یک کلاس مثلاCk بیشتر یا مساوی یک مقدار آستانه شود.به صورت زیر:

2-2) مجموع تعلقات یک مجموعه داده کمتر از یک حد آستانه شود. به صورت زیر: 2-3)هیچ ویژگی دیگری جهت دسته بندی وجود نداشته باشد3) اگر شرایط فوق برقرار نباشد پس گره فوق برگ نیست و به صورت زیر برگهایی ایجاد می شود  3-1) به ازای هر ویژگی Ai ، Information Gain (G(Ai,D))را به صورتی که در ادامه می آید ، محاسبه کن . آن ويژگی که مقدار G(Ai,D) آن از همه بیشتر است را انتخاب کن.3-2) D را با توجه به Amax به D1, D2, . . ., Dm  زیرمجموعه تقسیم کن  به گونه ای که مقدار تعلق داده در Dj از ضرب مقدار تعلق آن در D و مقدار Fmax,j مربوط به آن ويژگی در D به دست می آید.3-3) گره های جدید tl, t2 , ..., tm  را برای زیر مجموعه های فازی D1, D2, . . ., Dm بساز و هر لبه از گره t به tj را با مجموعه فازی را با Fmax,j برچسب بزن3-4) به جای D ،Dj را در نظر بگیر و کار را از مرحله 2 از سر بگیربرای محاسبه مقدار G(Ai,D) باید از فرمول زیر استفاده کرد:

 

که

ونحوه محاسبه متغیرهای فوق به صورت زیر می باشد:

 

یک مرحله از اجرای الگوریتم فوق را در پست بعدی ارائه می کنم

Converted to use with ITS. Powered by FUMblog