مقاله دسته بندی و پیش بینی ارقام مقاوم و حساس به مگس زیتون با استفاده از یادگیری ماشین

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

  مقاله دسته بندی و پیش بینی ارقام مقاوم و حساس به مگس زیتون با استفاده از یادگیری ماشین دارای ۸ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله دسته بندی و پیش بینی ارقام مقاوم و حساس به مگس زیتون با استفاده از یادگیری ماشین  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله دسته بندی و پیش بینی ارقام مقاوم و حساس به مگس زیتون با استفاده از یادگیری ماشین،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله دسته بندی و پیش بینی ارقام مقاوم و حساس به مگس زیتون با استفاده از یادگیری ماشین :

تعداد صفحات:۸

چکیده:

مگس میوه زیتون Bactroceraoleae که تا سال ۱۳۸۳ آفت قرنطینه ای خارجی زیتون محسوب می شد، در حال حاضر خطرناک ترین آفت زیتون در کشور ما می باشد و بنابراین، شناسایی ارقام مقاوم و حساس به آفت فوق بسیار حیاتی و مهم است. در دهه اخیر شاهد پیشرفت قابل ملاحظه ای در ژنتیک مولکولی و داده پردازی بیولوژیکی هستیم. ابزارها و روش های محاسباتی در دهه اخیر شاهد پیشرفت قابل ملاحظه ای در ژنتیک مولکولی و داده پردازی بیولوژیکی هستیم. ابزارها و روش های محاسباتی و الگوریتم های مختلفی برای تجزیه و تحلیل اطلاعات و به تصویر کشیدن یافته های بیولوژیکی انجام گرفته است. روش های تئوریکی، تحلیلی، مدلینگ ریاضی و شبیه سازی کامپیوتری برای مطالعه سیستم های بیولوژیکی، رفتاری و حتی اجتماعی ایجاد شده است. الگوریتمها، مدل ها شیوه های مختلفی برای یافتن ارتباط میان افراد بوجود آمده و گسترش یافته است. یادگیری مدل های SMV و Bayse تکنیک های رایج یادگیری ماشین می باشند ک به دلیل سادگی و کارآمدی به شکل گسترده ای در مسائل مربوط به یادگیری ماشینی استفاده می شود. در این بررسی، برای اولین بار از شیوه های مختلف داده کاوی و یادگیری ماشین برای تعیین طبقه بندی کننده ای که می تواند ارقام مقاوم و حساس ب مگس میوه در زیتون را بر اساس داده های بدست آمده از مارکرهای مولکولی RAPD و ISSR متمایز نماید، استفاده شده است. همچنین با استفاده از یادگری ماشین به پیش بینی ارقام مقاوم و حساس پرداخته شده است. از میان ۴۰۰ آلل مورد بررسی ۵ آلل از مارکر RAPD و ۴ آلل از مارکر ISSR بیشترین پتانسیل برای دسته بندی را دارند. الل UBC807a7 بهترین الل برای پیش بینی بر اساس درختان تصمیم می باشد.