تحقیق و پاورپوینت یادگیری ماشین مبتنی بر انتقال به ماشین مجازی لایو بهینه از طریق پیوند WAN 

توضیحات

عنوان: یادگیری ماشین مبتنی بر انتقال به ماشین مجازی لایو بهینه از طریق پیوند WAN 

• فصل اول:  مقدمه
• یادگیری ماشین
• انواع الگوریتم‌های یادگیری ماشین
•  یادگیری تحت نظارت
• یادگیری بدون نظارت
• یادگیری شبه نظارتی
• مجازی سازی
• انواع مجازی سازی
• مجازی سازی مبتنی بر فضای ذخیره‌سازی
• مجازی سازی مبتنی بر دسکتاپ
• مجازی سازی مبتنی بر شبکه
• مجازی سازی نرم‌افزارهای کاربردی
• مجازی سازی مبتنی بر سرور
• شبکه‌های WAN
• ویژگی شبکه‌های WAN
• معرفی خط اجاره در شبکه‌های WAN
• DSL و شبکه‌های WAN
• فصل دوم:  یادگیری ماشین مبتنی بر انتقال به ماشین مجازی لایو بهینه از طریق پیوند WAN
• انتقال ماشین مجازی لایو و استراتژی های مورد استفاده
• موتور مانیتورینگ
• موتور پردازش
• فصل سوم:  نتیجه‌گیری و ارزشیابی
• راه انداری و تستError! Bookmark not defined
• مقایسه با استراتژی‌های موجودError! Bookmark not defined
• تاثیر تاخیر بر روی سیستم
• اثرات تغییر سطح آستانه بر روی سیستم
• الگوریتم پیش‌بینی
• روش‌های فشرده‌سازی داده‌هاError! Bookmark not defined
• پیشنهادات و روش‌های توسعه‌ در آینده

چکیده:

در این سمینار ما در پی یادگیری ماشین و پیاده‌سازی براساس ماشین مجازی هستیم که این پیاده‌سازی در زیر ساخت شبکه‌های پبوند WAN شکل می‌گیرد و پیوسته در تلاش برای کاهش خرابی و عدم اتلاف بسته های انتقالی هستیم و همچنین مقایسه روش‌های مختلف انتقال چگونگی روند انتقال را در برنامه خود داریم،که یک انتقال موفق با کمترین میزان خرابی و اتلاف بسته چگونه صورت می‌پذیرد. انجام تحقیق 

فصل اول

«مقدمه»

• یادگیری ماشین

ماشین لرنینگ یا همان یادگیری ماشین یکی از کاربردهای هوش مصنوعی (AI) است که سیستم ها را قادر می‌سازد بطور خودکار و از طریق تجربه و بدون برنامه ریزی، یاد بگیرند و خود را بهبود بخشند. تمرکز این تکنولوژی بر توسعه برنامه‌های کامپیوتری می‌باشد که به داده‌ها دسترسی دارند و می‌توانند از این داده‌ها استفاده بکنند تا خودشان یاد بگیرند[1]. کشف اخیری که گوگل در حال استفاده از یادگیری ماشین برای کمک به پردازش برخی از نتایج جستجوی خود است، جذب علاقه از طریق سوالات در مورد این زمینه در هوش مصنوعی است.

فرض می‌کنیم که یک فردی صاحب یک حیوان خانگی مثل سگ شده است و هر روز در ساعت معینی برای وی غذا می‌برد. هر روز این فرد در راس ساعت 11 قبل ازظهر تکه‌ای گوشت را با خود بهمراه داشته و به این حیوان می‌دهد. بعد از 10 روز این حیوان یاد می‌گیرد که این فرد(بدلیل حس بویایی سگ و شنیدن بوی فرد) راس ساعت 11 قبل ازظهر به وی غذا خواهد داد و راس ساعت 11 قبل ازظهر منتظر فرد خواهد شد. سگ رفتار خود را طبق این الگو تنظیم می‌کند. هر روز در همان ساعت، هیجان‌زده شده و کنار در می‌نشیند. سپس با رسیدن فرد مذکور دیوانه‌وار پارس می‌کند. طبیعتاً انحرافاتی نیز در این بین رخ می‌دهد و گاهی همسر فرد مذکور می‌آید که غذا نمی‌آورد یا اینکه بعضی‌وقت‌ها فرد مذکور دیرتر از همیشه می‌رسد. به‌علاوه این که جمعه‌ها که به تعطیلات آخر هفته و پیک نیک می‌روند خبری از غذا نیست. یا اینکه تصور کنید که شما یک مربی آموزش طراحی سایت هستید و می خواهید برای تعیین بهترین میزان یادگیری کارآموزان خود تلاش کنید و به این نتیجه برسید که چه راهکاری در کمترین زمان ممکن موجب تحقق آن میشود. دقیقا در مبحث یادگیری ماشین نیز چنین رویکردی نیاز است. به‌طور کلی، یک برنامه‌ رایانه‌ای که یادگیری ماشینی را به کار می‌برد، داده‌ها را تحلیل کرده و به دنبال یک الگو یا روند زیربنایی می‌گردد. این برنامه می‌بایست از این الگوها استفاده کرده و مدل پیش‌بینی‌کننده‌ای ایجاد کند که از داده‌های دریافت‌شده، یاد بگیرد. سیستم های یادگیری ماشین ها از سه بخش اصلی تشکیل شده است که عبارتند از: سیستم که پیش بینی یا شناسایی می کند، سیگنالها یا عوامل استفاده شده توسط سیستم برای تصمیم گیری آن و در نهایت اینکه سیستم که پارامترها را تنظیم می کند، نگاهی به تفاوت های پیش بینی ها در مقابل نتایج واقعی می‌اندازد که این سه بخش به ترتیب مدل، سیستم و یادگیرندگی نام می‌گیرند[2]. برای ساخت مدل یک پیش بینی که سیستم یادگیری ماشین از آن استفاده می کند را نیازمند هستیم. این مدل ابتدا باید توسط یک انسان حداقل با یک مثال خاص به سیستم داده شود.مثلا استاد به مدل یادگیری ماشین پیش بینی میکند که انتظار دارد دانشجویان بعد از پنج ساعت مطالعه به نمره کامل آزمون برسند. اکنون که مدل تنظیم شده و اطلاعات واقعی زندگی وارد شده است، استاد ممکن است چهار نمره آزمون از دانشجویان مختلف را به همراه ساعت هایی که هر یک از آنها مورد مطالعه قرار می گیرد وارد کند. داده هایی مانند این مورد که به یک سیستم یادگیری ماشین داده می شود، اغلب به نام “مجموعه آموزش” یا “داده های آموزشی” نامیده می شوند، زیرا توسط یادگیرنده در سیستم یادگیری ماشین برای آموزش خود برای ایجاد یک مدل بهتر استفاده می شود. یادگیرنده به نمرات نگاه می کند و ببینید که چقدر دور از مدل هستند. بعد از آن ریاضیات بیشتری برای تنظیم پیش فرض های اولیه استفاده می شود. پیش بینی جدید دوباره انجام می شود، به طوری که انتظار می رود که زمان بیشتری را صرف کسب نمره عالی کند. در حال حاضر سیستم دوباره اجرا می شود، این بار با مجموعه ای از نمرات جدید. نمرات واقعی در مقایسه با مدل تجدید نظر شده توسط یادگیرنده مقایسه شده است. بنابراین، یادگیرنده یک بار دیگر پارامترها را تنظیم می کند تا مدل را تغییر شکل دهند. مجموعه ای دیگر از داده های آزمون وارد می شود. مقایسه دوباره اتفاق می افتد، و یادگیرنده دوباره مدل را تنظیم می کند. همانطور که اشاره شد، یادگیری ماشین بیش از هرچیزی به یادگیری و استمرار نیاز دارد. پس رعایت و توجه به این موضوع از اهتمام بالایی برخوردار است.

توجه:

برای دانلود فایل کامل ورد لطفا اقدام به خرید نمایید.

لینک دانلود فایل بلافاصله پس از خرید بصورت اتوماتیک برای شما ایمیل می گردد.