این پایان نامه با موضوع “طبقه بندی ساختار پروتئین با استفاده از رویکرد سلسله مراتبی و یادگیری ماشین” می باشد. کلیه سورس و فایل های شبیه سازی پس از خرید محصول، قابل دانلود است. همچنین تعداد صفحات این پایان نامه 58 صفحه با رعایت قالب استاندارد دانشگاه می باشد. کلیه نکات نگارشی مطابق با استاندارهای پژوهشی انجام شده است.

امکانات اصلی این پایان نامه پس از خرید عبارتند از:
– فایل Word, pdf پایان نامه
– سورس شبیه سازی شده با رپیدماینر
– فایل دیتاست پایان نامه
–  فایل مقایسه در اکسل

توجه 1: شبیه سازی همین موضوع، در سایت موجود می باشد که می توانید بصورت جداگانه خریداری نمایید.(جهت خرید کلیک نمایید)
توجه 2: در صورت نیاز به پایان نامه، پروپوزال یا شبیه سازی مشابه با این محصول و همچنین اصلاحات پس از خرید پایان نامه فوق کافی است با تیم پشتیبانی “ماکان تزیز” از طریق پیامک یا واتساپ ارتباط برقرار نمایید.

هدف این تحقیق پیش بینی ساختار ثانویه پروتئین با استفاده از داده کاوی سلسله مراتبی است. خوشه  بندی سلسله مراتبی، نمایش بهتری از دانش، به کاربر ارائه می دهد. با توجه به اینکه این تحقیق از نوع تحقیق نظری می باشد، لذا روش تحقیق، توصیفی کتابخانه‌ای است و بر مبنای مطالعات انجام شده و ارائه الگوی جدید است. تکنیک مورد استفاده نوع سلسله مراتبی از داده‌کاوی می باشد که کاربرد آن در پیش‌بینی ساختار پروتئین‌ها ارائه می‏گردد.

در این تحقیق خوشه بندی بندی سلسله مراتبی با درخت تصمیم، ترکیب گردید و به منظور شبیه سازی  و بررسی نتایج، از زبان برنامه نویسی متلب و نرم‌افزار متلب 2013 استفاده شد. مجموعه داده مورد استفاده در این تحقیق، مجموعه داده scop است. که مشتمل بر 248271 رکورد و 11 کلاس می باشد. روش پیشنهادی در این تحقیق به این صورت است که، به علت تعداد رکوردهای زیاد در مجموعه داده مورد استفاده در این تحقیق، ابتدا از خوشه بندی استفاده شده تا نمونه های مشابه داخل خوشه های یکسان قرار گیرند. در حقیقت خوشه بندی جهت کاهش فضای جستجو، قبل از اعمال طبقه بندی، صورت گرفته است.

ادامه توضیحات کلی

سپس با انتخاب نماینده هایی از هر خوشه و سپس اعمال طبقه بندی روی این نماینده ها، کلاس متعلق به کل اعضای خوشه به دست آمد. تعداد خوشه های درنظر گرفته شده در این تحقیق، 20، 25 و 30 می باشد. همچنین تعداد نماینده های در نظر گرفته شده برای این تعداد خوشه ها به ترتیب برابر 10، 20 و 25 است. سپس این نماینده ها با استفاده از درخت تصمیم طبقه بندی شد. در نهایت کلاس تعیین شده برای هر خوشه، پیش بینی می گردد. با توجه به نتایج حاصل از شبیه سازی ها، نتیجه مربوط به خطای روش پیشنهادی نسبت به روش درخت تصمیم بدون اعمال خوشه-بندی کمتر است. همچنین در نظر گرفتن تعداد خوشه بیشتر و انتخاب تعداد نماینده بیشتر از هر یک از خوشه ها، نتیجه بهتری حاصل نموده است.