خواهشمندیم از لیست پروژه ها‏، پروژه مورد نظر خود را انتخاب کنید.

  شماره موضوع عنوان زبان آخرین مهلت توضیحات فایل وضعیت پروژه
11 برنامه نویسی موبایل یادگیری ماشین Android and iOS 1397/09/23 هزینه پرداختی توافقی می باشد. قسمت اول پروژه شامل مراحل زیر می باشد: 1. The desired number of measurements? 2. Show 3D figure of body with those measurement parts 3. Show the Body Fat Percentage Error ابتدا تعداد اندازه گیری بدن سوال می شود، و تصاویر مربوط به آن بخش ها، برای فرد نمایان می شود، تا مقدار اندازه گیری ها را وارد کند. مثلا 4 اندازه گیری توسط کاربر اگر انتخاب شود، تصویر چهار اندازه گیری مهم بدن نمایان می شود که کاربر مقدار آن ها را وارد کند. قسمت دوم، یک کار یادگیری ماشین است که برای آن دیتاست لازم ارسال خواهد شد تا بر اساس آن کار یادگیری ماشین به برنامه اضافه شود. نحوه اعلام همکاری: پروژه مورد نظر را انتخاب کنید، دکمه تایید و ارسال بزنید و اطلاعات تماس را وارد کنید. لطفا قسمت "خدمات ما" در سایت را نیز مشاهده بفرمایید. در انتظار همکاری
10 کاربرد یادگیری ماشین در پیش بینی هزینه برق پیش بینی قیمت برق بر اساس صورت های مالی با استفاده از SVM MATLAB یا Python یا ++C یا Java 1397/09/13 هزینه پرداختی توافقی می باشد. هدف کدنویسی مقاله ضمیمه شده می باشد. اطلاعات بیشتر به عنوان راهنما در قالب یک فایل زیپ ضمیمه شده اند. فایل انجام شد
9 ترکيب الگوريتم هاي فراابتکاري و شبکه هاي باور عميق بهينه سازي و تنظيم هوشمند پارامترهاي شبکه هاي باور عميق Deep Belief Networks در پردازش تصاوير با حجم محاسباتي بالا MATLAB یا Python یا ++C یا Java 1397/11/21 هزینه پرداختی توافقی می باشد. هدف کدنویسی مقاله ضمیمه شده و ارایه آموزش های لازم می باشد. فقط برای برنامه نویسی سی، سورس پروژه و آدرس سایت آن موجود است که به زبان C و در سیستم عامل Linux می باشد، هدف آن است یک آموزش ویدئویی از مراحل انجام آن بر اساس مقاله "Fine-Tuning Deep Belief Networks Using Harmony" با توضیح کامل از تمام مراحل پیاده سازی مقاله و کدنویسی های سورس موجود، تهیه و ارایه شود. قبل از آن، به عنوان مقدمه، یک فیلم آموزشی از سیستم عامل لینوکس ارایه شود و یک مرجع بسیار مناسب معرفی شود. برای برنامه نویسی متلب، تمام موارد بالا ولی به جای لینوکس، در محیط ویندوز و در محیط برنامه نویسی MATLAB برنامه نویسی لازم مربوط به مقاله انجام شود و آموزش تصویری از مراحل آن ارایه شود. اطلاعات بیشتر به عنوان راهنما در قالب یک فایل زیپ ضمیمه شده اند. فایل در انتظار همکاری
8 مباحث تئوری و عملی یادگیری عمیق ماشین در پردازش تصاویر تشریح تئوری ها و پیاده سازی چند کاربرد یادگیری ژرف در مقالات پژوهشی اخیر پردازش تصاویر MATLAB یا Python یا ++C یا Java 1397/11/21 هدف کدنویسی مقاله ضمیمه شده و ارایه آموزش های لازم می باشد. لطفا بر اساس فصل سوم فایل ضمیمه شده، قسمت 8 آن، توضیحات تئوری لازم به همراه کدنویسی همراه با آموزش تصویری از مراحل آن را برای مرجع [42] ارایه نمایید. بهتر است برای مقایسه ها، از جدول ها (شکل ها/نمودارهای) استفاده شده در مقالات استفاده نمایید. قسمت اول) کدنویسی محیط متلب مطلوب است. و اگرکتابخانه های لازم محیط متلب نیز باشد در آن نیز قابل انجام می شود. برای قسمت سوم هم از CodeBlocks استفاده کنید در برنامه نویسی - همچنین توصیه نامه یا گواهی همکاری تخصصی برای همکار صادر خواهد شد. فایل در انتظار همکاری
7 یادگیری عمیق رسیدن به جواب های بهتر در تشخیص دیابت از روی تصاویر چشم مبتنی بر یادگیری ژرف (عمیق) MATLAB یا Python یا ++C یا Java 1397/11/21 هدف کدنویسی مقاله ضمیمه شده و ارایه آموزش های لازم می باشد. پیاده سازی عملی مقاله پروژه 5 سایت "Convolutional Neural Networks for Diabetic Retinopathy" و رسیدن به جواب هاب بهتر مدنظر است. این پروژه، فقط پیاده سازی و رسیدن به جواب های بهتر با ضبط و تهیه فیلم ویدئویی از نمایش جواب نهایی و گزارشی تصویری به هدف آموزش مراحل مختلف پیاده سازی ها می باشد. در خود مقاله بخش سخت افزار آن پیشنهاداتی کرده، در عین حال پیشنهاد شرکت آن است پارامترهای تاثیر گذار یا روش را تغییر دهید تا به جوابی بهتر برسید. برای بخش اجرایی و گرفتن جواب در حوزه یادگیری عمیق، به طور کلی، داشتن کارت گرافیکی با قابلیت پشتیبانی CUDA و قابلیت محاسباتی compute capability 6.x می باشد. حافظه کارت گرافیکی برای اغلب کارهای یادگیری عمیق 8GB کافی است جهت اجرای روش مبتنی بر شبکه های عصبی کانولوشن شامل پیکره بندی آن و آماده سازی. - همچنین توصیه نامه شرکت از طریق ایمیل برای دانشگاه های خارج کشور و کار بابت همکاری تخصصی با فراز دانش کیوان ارایه خواهد شد. فایل در انتظار همکاری
6 کاربرد هوش مصنوعی در یادگیری ژرف (عمیق) بهبود عملکرد مدل های یادگیری شبکه های عصبی ژرف (عمیق) با الگوریتم های فراابتکاری MATLAB یا Python یا ++C یا Java 1397/11/21 هدف کدنویسی مقاله ضمیمه شده و ارایه آموزش های لازم می باشد. ترکیب الگوریتم رقابت استعماری با شبکه عصبی کانولوشن در ساخت مدل یادگیری عمیق (کدنویسی محیط متلب و آموزش تصویری از مراحل آن) در این خصوص یک مقاله با عنوان "Simulated Annealing Algorithm for Deep Learning" ضمیمه شده با نتایج آن مقایسه نمایید و از دیتاست آن و 2 دیتاست اشاره شده در ردیف بعدی جدول، استفاده نمایید. از مجموعه داده اشاره شده داخل مقاله انیلینگ به عنوان دیتاست استفاده نمایید. در مقاله انیلینگ صفحه 139 پاراگراف دوم اشاره شده به حجم داده ها، لطفا بررسی شود با امکانات سخت افزاری موجود، امکان پیاده سازی آن هست - برنامه نویسی و آموزش مراحل آن برای رقابت استعماری با یادگیری عمیق بر اساس مقاله، پیچیده و سخت نباشد خیلی راحت و قابل فهم باشه به عنوان مثال یک الگوریتم رقابت استعماری ضمیمه شده است که بهتر است از آن استفاده نمایید. طراحی این شبکه در صفحه 141 مقاله انیلینگ قسمت شماره 4 آن اشاره شده به نوع معماری که برای دیتاست است و اینکه توسعه می یابد لطف طبق مقاله انجام شود. درست است هدف ترکیب رقابت استعماری با شبکه عصبی کانولوشن است ولی توابع هدف موردنظر، همان توابع هدفی است که در مقاله انیلینگ اشاره شدند و در صفحه 141 مقاله پاراگراف های پایانی و صفحه 142 پاراگراف اول به آن ها اشاره شده است. منابعی به عنوان راهنما در قالب یک فایل زیپ ضمیمه شده اند. فایل در انتظار همکاری
5 یادگیری عمیق کدنویسی تشخیص دیابت از روی تصاویر چشم مبتنی بر یادگیری ژرف (عمیق) MATLAB یا Python یا ++C یا Java 1397/11/21 هدف کدنویسی مقاله ضمیمه شده و ارایه آموزش های لازم می باشد. پیاده سازی عملی و کدنویسی مربوط به مقاله "Convolutional Neural Networks for Diabetic Retinopathy" به همراه آموزش تصویری از مراحل آن و رسیدن به جوابهای اشاره شده در مقاله مدنظر می باشد. پیشنهاد شرکت برای داشتن امکانات سخت افزاری در حوزه یادگیری عمیق، به طور کلی، داشتن کارت گرافیکی با قابلیت پشتیبانی CUDA و قابلیت محاسباتی compute capability 6.x می باشد. حافظه کارت گرافیکی برای اغلب کارهای یادگیری عمیق 8GB کافی است جهت اجرای روش مبتنی بر شبکه های عصبی کانولوشن شامل پیکره بندی آن و آماده سازی. پس هدف این قسمت صرفا کدنویسی و پیاده سازی عملی آن می باشد نه رسیدن به جواب های بهتر. یک مقاله دیگر نیز ضمیمه شده است که می توانید به عنوان راهنما استفاده نمایید. فایل در انتظار همکاری
4 هوش مصنوعی الگوریتم بهینه سازی چند هدفه مبتنی بر معیار ارزیابی IGD بهبود یافته MATLAB یا Python یا ++C یا Java 1397/11/21 هدف کدنویسی مقاله ضمیمه شده و ارایه آموزش های لازم می باشد. کد نویسی مربوط به مقاله "A Multi-objective Evolutionary Algorithm Based on an Enhanced Inverted Generational Distance Metric" بر اساس معیار مطرح شده در مقاله IGD-NS مدنظر است. بهتر است برای مقایسه ها، از جدول های شماره II و III مقاله اول یعنی " A Multi-objective Evolutionary Algorithm Based on an Enhanced Inverted Generational Distance Metric" استفاده نمایید. همچنین ارایه توصیه نامه شرکت از طریق ایمیل برای دانشگاه های خارج کشور و کار بابت همکاری تخصصی با فراز دانش کیوان ارایه خواهد شد. فایل در انتظار همکاری
3 الکترونیک دیجیتال طراحی و شبیه سازی یک مدار معکوس کننده مبتنی بر تکنولوژی CNTFET-32nm HSPICE 1396/02/07 هدف طراحی و شبیه سازی یک مدار منطقی ساده مانند یک معکوس کننده مبتنی بر مدل های ترانزیستوری CNTFET - 32nm در محیط HSPICE با اندازه گیری و نمایش توان و تاخیر مدار است. نحوه اعلام همکاری: پروژه مورد نظر را انتخاب کنید (زدن تیک)، سپس دکمه تایید و ارسال، اطلاعات تماس را وارد کنید، در بخش "پیام" شماره کارت خود را وارد کنید. و در آخر دکمه "ارسال". بعد از آن وضعیت پروژه به "در حال بررسی همکاران" تغییر خواهد کرد. فایل انجام شد
2 کاربرد هوش مصنوعی در الکترونیک بهینه سازی هوشمند مدار منطقی معکوس کننده و دی فلیپ فلاپ با ترانزیستور های CNTFET HSPICE 1396/02/15 قسمت اول) بهینه سازی 2 هدفه (توان و تاخیر) یک مدار منطقی معکوس کننده ساده مبتنی بر CNTFET-32nm با الگوریتم NSGA-II، قسمت دوم) بهینه سازی 2 هدفه (توان و تاخیر) یک مدار فلیپ فلاپ Master-Slave D-Flip Flap اشاره شده در مقاله، مبتنی بر تکنولوژی CNTFET 32nm با الگوریتم NSGA-II. اطلاعات راهنما برای این پروژه، به صورت فایل زیپ ضمیمه شده است. نحوه اعلام همکاری: پروژه مورد نظر را انتخاب کنید (زدن تیک)، سپس دکمه تایید و ارسال، اطلاعات تماس را وارد کنید، در بخش "پیام" شماره کارت خود را وارد کنید. و در آخر دکمه "ارسال". بعد از آن وضعیت پروژه به "در حال بررسی همکاران" تغییر خواهد کرد. دقت کنید پس از دریافت فایلهای برنامه نویسی پروژه همراه با آموزش های تصویری از مراحل آن، و رفع سوالات یا ابهامات ممکن از شما، هزینه مربوطه به همین شماره کارت واریز خواهد شد. (توصیه نامه یا گواهی همکاری تخصصی برای همکاران صادر خواهد شد. فایل انجام شد
1 هوش مصنوعی الگوریتم های بهینه سازی چند هدفه مبتنی بر رقابت استعماری MATLAB 1396/06/08 قسمت اول) کد نویسی مربوط به مقاله "MOICA-A novel multi-objective approach based on imperialist competitive algorithm" و قسمت دوم) کدنویسی مربوطه به مقاله "Hybrid ICA–PSO algorithm for continuous optimization" است. تنظیمات بهینه سازی چندهدفه برای مقایسه می توانند بر اساس جدول 9 و 10 مقاله دوم یعنی هیبرید رقابت استعماری و بهینه سازی گروه ذرات Hybrid ICA-PSO با 40000 بار ارزیابی (FEs) انجام شوند. جمعیت کل، تعداد امپراطور ها و سایر تنظیمات بهینه سازی چند هدفه نیز از مقاله دوم می توانند استفاده شوند. توابع تست می توانند توابع تست اشاره شده در مقاله اول MOICA باشند معیارهای مقایسه 2 الگوریتم حاصل شامل IGD و NHV باشند. لطفا با توجه به حساسیت پروژه از نظر کیفیت و رسیدن به جواب مطلوب و پیاده سازی دقیق مقاله MOICA و Hybrid ICA-PSO تمام تلاش خود را در طی مهلت پروژه بکنید. - همچنین توصیه نامه شرکت از طریق ایمیل برای دانشگاه های خارج کشور و کار بابت همکاری تخصصی با فراز دانش کیوان ارایه خواهد شد. فایل انجام شد

 
آموزش Farshid Keivanian (ارسال پیام ضروری به مدیر عامل)