Data Experts
1.45K subscribers
213 photos
61 videos
38 files
171 links
متخصصین داده - مطالب علم داده و نرم‌افزارها و آموزش‌های این حوزه
Admin :
@javad_vahdat

YouTube:
https://www.youtube.com/@dataexperts
Download Telegram
Forwarded from Deleted Account
همان طور که ملاحظه می‌نماییم متغیر‌های 1)هزینه خرید کالای بادوام،2) هزینه خوراکی ،3) سن سرپرست خانوار، 4) مساحت سطح زیر بنا ، 5) هزینه خرید کالای متفرقه، 6) هزینه ارتباطات 7) هزینه غذای آماده، 8)هزینه مسکن به عنوان متغیرهای تاثیر گذار روی درآمد خانوار در درخت رده بندی ظاهر شده‌اند، و اعتبار مدل
60 .می‌باشد.
در این درخت رده بندی متغیر پاسخ درآمد رده بندی شده چارکی 2800 خانوار نمونه ای این 5 استان می‌باشد .


1)if هزینه خرید کالای با دوام<32 & if 28≤ هزینه خوراکی <47 & if هزینه ارتباطات<7.6 & if هزینه غذای آماده <2.3 & if مساحت سطح زیر بنا <135
2)if هزینه خرید کالای با دوام<32 & if هزینه خوراکی <28
رده دوم درآمدی:
1) if 32≤ هزینه خرید کالای با دوام<49 & if هزینه خوراکی ≥28 & if هزینه ارتباطات≥7.6 if هزینه غذای آماده ≥2.3
2) if 32≤ هزینه خرید کالای با دوام<49 & if هزینه خوراکی ≥28 & if هزینه ارتباطات<7.6
& if هزینه غذای آماده ≥2.3
3) if 32≤ هزینه خرید کالای با دوام<49 & if هزینه خوراکی ≥28 & if هزینه ارتباطات<7.6
& if هزینه غذای آماده <2.3 & if مساحت سطح زیر بنا ≥135
4) if 32≤ هزینه خرید کالای با دوام<49 & if 28≤ هزینه خوراکی <47 &سرپرست خانوار سن <37
5) if هزینه خرید کالای با دوام<49 & if هزینه خوراکی ≥47 & if مساحت سطح زیر بنا <78
6) if هزینه خرید کالای با دوام<49 & if هزینه خوراکی ≥47 & if مساحت سطح زیر بنا ≥78
& if هزینه ارتباطات<4.3 & if هزینه مسکن < 58
7) if 49≤ هزینه خرید کالای با دوام<115 & سرپرست خانوار سن ≥48& if هزینه خرید کالای متفرقه <4.5
& if هزینه ارتباطات<2.6
رده سوم درآمدی:

1) if 32≤ هزینه خرید کالای با دوام<49 & if 28≤ هزینه خوراکی <47 & سرپرست خانوار سن ≥37
2) if هزینه خرید کالای با دوام<49 & if هزینه خوراکی ≥47 & if مساحت سطح زیر بنا ≥78
& if مساحت سطح زیر بنا ≥135 & & if 4.3≤ هزینه ارتباطات<10 & سرپرست خانوار سن <66
3) if هزینه خرید کالای با دوام<49 & if هزینه خوراکی ≥47 & if مساحت سطح زیر بنا ≥135
& if هزینه ارتباطات<4.3 &هزینه مسکن ≥58
4) if 49≤ هزینه خرید کالای با دوام<115 & سرپرست خانوار سن <48
5) if 49≤ هزینه خرید کالای با دوام<115 & سرپرست خانوار سن ≥48 & if هزینه خرید کالای متفرقه <4.5 &
if 2.6≤ هزینه ارتباطات<9.1
رده چهارم درآمدی:

1) if هزینه خرید کالای با دوام<49 & if هزینه خوراکی ≥47 & if مساحت سطح زیر بنا ≥78 & if 4.3≤ هزینه ارتباطات<10 & سرپرست خانوار سن ≥66
2) if هزینه خرید کالای با دوام<49 & if هزینه خوراکی ≥47 & if مساحت سطح زیر بنا ≥78 & if هزینه ارتباطات≥10
3) if هزینه خرید کالای با دوام≥115
4) if 49≤ هزینه خرید کالای با دوام<115 & سرپرست خانوار سن ≥48& if هزینه خرید کالای متفرقه ≥4.5
5) if 49≤ هزینه خرید کالای با دوام<115 & سرپرست خانوار سن ≥48 & if هزینه خرید کالای متفرقه <4.5
& if هزینه ارتباطات≥4.3

@R_Experts
@Data_Experts

https://telegram.me/Data_Experts
https://telegram.me/R_Experts
Forwarded from Deleted Account
Forwarded from Deleted Account
#R_COD
deeper.tree<- rpart(INCOME_C4 ~ ., data = train.data3[,-1], method = "class", cp = .00001, minsplit =5)

options(digits=8)

printcp(deeper.tree)

which.min(deeper.tree$cptable[,"xerror"])


options(digits=8)

X.E=deeper.tree$cptable[8:19,"xerror"]

options(digits=8)

X.S=deeper.tree$cptable[8:19,"xstd"]

CP.OPT=X.E+X.S

which.min(CP.OPT)


OPT.POINT=abs(deeper.tree$cptable[c(1:9,11:29),"xerror"] -deeper.tree$cptable[10,"xerror"])


which.min(OPT.POINT)





cv.tree31<-rpart(INCOME_C4~.,data = train.data3[,-1] ,method = "class", 

cp = 0.005876592, minsplit =5,xval =5, model=TRUE)         

prp(cv.tree31,type =0,extra = 1,under = T,split.font = 1,

varlen = -10,cex=.7,box.palette=c("mediumvioletred"))

cv.tree31.pred.train <- predict(cv.tree31,train.data3[,-1],type = "class")

confusionMatrix(cv.tree31.pred.train,train.data3[,-1]$INCOME_C4)

cv.tree31v<-rpart(INCOME_C4~., data = valid.data3[,-1] ,method = "class", cp =0.005876592 , minsplit =5,

xval =5, model=TRUE)

prp(cv.tree31v,type =0,extra = 1,under = T,split.font = 1,

varlen = -10,cex=.7,box.palette=c("mediumvioletred"))



#Validation

cv.tree31.pred.valid <- predict(cv.tree31v,valid.data3[,-1],type = "class")

confusionMatrix(cv.tree31.pred.valid,valid.data3[,-1]$INCOME_C4)

@R_Experts
@Data_Experts

https://telegram.me/Data_Experts
https://telegram.me/R_Experts
Forwarded from |R| Experts (|-| ®️[- /_ /\ [- !)
This media is not supported in your browser
VIEW IN TELEGRAM
What will happen?💣 We coming soon... @R_Experts @Data_Experts
#پایتون را در #علم_داده چگونه استفاده کنیم؟

link review


❇️ @Data_Experts
This media is not supported in your browser
VIEW IN TELEGRAM
@Data_experts
🔴There are 360 degrees in a circle. Why? Do you think this is arbitrary? A pattern develops when bisecting a circle. The resulting angle always reduces to 9. Is there a divine code embedded in our number system? Yes. Let's examine the sum of the anglesin regular polygons. Meaningles numerology? Or divine symmetry. We observed that when we bisect a circle. The resulting angle always reduces to nine. Converging into a singularity. Conversly, our polygons revealed the exact opposite. Their vectors communicate an outward divergence. The nine reveals a linear duality. It is both the singularity and the vacuum. Nine models everything and nothing simultane ously. What do I mean by that? The sum of all digits excluding nine is 36. 1+2+3+4+5+6+7+8=36 (3+6=9). Paradoxically, nine plus any digit returns the same digit 9+5=14 (1+4=5). So nine quite literally equals all the digits (36) and nothing (0).
@data_experts
ابزارهایی که برای #علم_داده باید دانست

❇️ @Data_Experts
آینده #علم_داده در یک تصویر
❇️ @Data_Experts
If you are looking for a great way of searching for #rstats resources, look no further! Rseek - the R search tool! https://rseek.org
موتور جستجوی نرم افزار R برای پیدا کردن مطالب آموزشی مخصوص نرم افزار R راه اندازی شد

❇️ @Data_Experts
طراحی هوش مصنوعی برای تولید داده‌های آموزشی پروژه‌های یادگیری ماشین

https://www.zoomit.ir/2019/2/26/313287/superb-ai-generates-customized-training-data-machine-learning-projects/


@data_experts
بررسی روشهای تحلیل بیگ دیتا و استفاده از روش گرد کردن

کارلو آبنوسیان

@Data_experts
Let go of the past behind you. Right ahead, lies a new beginning. Make it a memorable experience. Happy New Year.

با سلام عید نوروز رو خدمت همه عزیزان تبریک عرض میکنم به امید سالی بهتر و پر از اتفاقات خوب برای همه دوستان گرامی


@Data_Experts
Happy New Year

با آرزوی بهترینها و سالی خوش و خرم . انجام شده با نرم افزار R

@Data_Experts
⬛️⬛️⬛️ الگوریتم عنکبوت اجتماعی

@data_experts
الگوریتم بهینه سازی عنکبوت اجتماعی Social Spider Algorithm یا SSA یک الگوریتم بهینه سازی جدید می باشد که در دوسال اخیر ارایه شده است. در میان حیوانات معمولا دیده می شود که عنکبوت به یک موضوع تحقیقاتی مهم در مهندسی مصنوعی برای سال های بسیاری بوده است. رفتار جستجوگر عنکبوت اجتماعی را می توان به عنوان جنبش جمعی عنکبوت ها به سمت محل منبع غذایی توصیف کرد. عنکبوت ارتعاشات منتشر شده در وب (تارهای عنکبوت) را برای تعیین جهت بالقوه یک منبع غذایی دریافت و تحلیل می کند.

در مقاله آورده شده در زیر از این رفتار طبیعی برای انجام بهینه سازی در فضای جستجو به روش SSA استفاده شده است. در SSA فضای جستجو مسئله بهینه سازی را به عنوان یک وب چند بعدی عنکبوت در نظر می شود. هر موقعیت در وب نشان دهنده یک راه حل عملی برای مسله بهینه سازی می باشد و هر راه حل عملی برای مسله بهینه سازی موردنظر، یک موقعیت در این وب است. وب همچنین به عنوان رسانه انتقال ارتعاشات تولید شده توسط عنکبوت عمل می کند. هر عنکبوت در وب دارای یک موقعیت و یک برازش (Fitness) است که نشان دهنده بالقوه یافتن یک منبع غذایی در آن موقعیت می باشد. عنکبوت می تواند آزادانه در وب حرکت کند، اما وب را نمی تواند ترک کند. هنگامی که یک عنکبوت به موقعیت جدیدی حرکت نماید، یک ارتعاش تولید می کند که در سراسر وب منتشر می شود. هر لرزش عنکبوت دارای اطلاعاتی از یک عنکبوت است و دیگران این اطلاعات ارتعاش را دریافت می کنند.
@data_experts
⬛️⬛️⬛️ الگوريتم ماهی‌های مصنوعی
@data_experts
الگوريتم دسته ماهی هاي مصنوعی (AFSA) يك مدل محاسباتی تكاملی است كه مبتنی بر الگوريتم های هوش جمعی و بر گرفته شده از طبيعت مي باشد.عملكرد اين الگوريتم بر اساس جستجوی تصادفی است.
اساس کار AFSA بر پایه‌ی توابعی است که از رفتارهاي اجتماعی دسته‌ی ماهی‌ها در طبیعت برگرفته شده‌اند. در دنیاي زیر آب، ماهی‌ها می‌توانند مناطقی را پیدا کنند که داراي غذاي بیشتري است، که این امر با جستجوي فردي یا گروهی ماهی‌ها محقق می‌شود. مطابق با این ویژگی، مدل ماهی مصنوعی با رفتارهاي حرکت آزادانه، جستجوي غذا، حرکت گروهی و دنباله‌روي ارائه شده است که به وسیله‌ی آنها فضاي مسئله جستجو می‌شود. ﻣﻔﻬﻮم ﺑﻬﻴﻨﻪﺳﺎزی ﺑﺪﻳﻦ ﺻﻮرت اﺳﺖ ﻛﻪ در ﺑﻴﻦ ﭘﺎراﻣﺘﺮﻫﺎی ﻳﻚ ﺗﺎﺑﻊ ﺑﻪ دﻧﺒﺎل ﻣﻘﺎدﻳﺮی ﺑﺎﺷﻴﻢ ﻛﻪ ﺗﺎﺑﻊ را ﻛﻤﻴﻨﻪ ﻳﺎ ﺑﻴﺸﻴﻨﻪ میﻧﻤﺎﻳﻨﺪ. ﻛﻠﻴﻪ ﻣﻘﺎدﻳﺮ ﻣﻨﺎﺳﺐ ﺟﻬﺖ اﻳﻦ اﻣﺮ را، راه ﺣﻠﻬﺎی ﻣﻤﻜﻦ و ﺑﻬﺘﺮﻳﻦ ﻣﻘﺪار از اﻳﻦ ﻣﻘﺎدﻳﺮ را راه ﺣﻞ ﺑﻬﻴﻨﻪ ﻣﻲﻧﺎﻣﻨﺪ.
اﻟﮕﻮرﻳﺘﻢﻫﺎی ﺑﻬﻴﻨﻪﺳﺎزی ﻫﺮ دو ﻧﻮع ﻣﺴﺎﺋﻞ ﺑﻴﺸﻴﻨﻪﺳﺎزی و ﻛﻤﻴﻨﻪﺳﺎزی را ﭘﻮﺷﺶ ﻣﻲدﻫﻨﺪ. ﺑﻬﻴﻨﻪﺳﺎزی ﻛﺎرﺑﺮدﻫﺎی زﻳﺎدی دارد از ﺟﻤﻠﻪ در ﺗﺨﺼﻴﺺ ﻣﻨﺎﺑﻊ، زﻣﺎنﺑﻨﺪیﻫﺎ، ﺗﺼﻤﻴﻢﮔﻴﺮیﻫﺎ و … . روﺷﻬﺎی ﻣﺨﺘﻠﻔﻲ ﺑﺮای ﺑﻬﻴﻨﻪﺳﺎزی وﺟﻮد دارد. ﻳﺎﻓﺘﻦ راه ﺣﻞ ﺑﺮای ﻣﺴﺎﺋﻠﻲ که از نوع NP می باشند ﺑﺴﻴﺎر ﻣﺸﻜﻞ اﺳﺖ. اﻟﮕﻮرﻳﺘﻢﻫﺎﻳﻲ از ﺟﻤﻠﻪ اﻟﮕﻮرﻳﺘﻢﻫﺎی ﻫﻮشﺟﻤﻌﻲ ﺗﺎ ﺣﺪی اﻳﻦ ﻣﺸﻜﻞ را ﺣﻞ ﻧﻤﻮده اﻧﺪ. ﺗﻮﺳﻂ اﻳﻦ ﻧﻮع اﻟﮕﻮرﻳﺘﻢﻫﺎ راهﺣﻞﻫﺎﻳﻲ ﭘﻴﺪا ﻣﻲﺷﻮﻧﺪ ﻛﻪ ﺗﻘﺮﻳﺒﺄ ﺑﻪ ﺟﻮاب ﻧﺰدﻳﻜﻨﺪ. ﻫﻮش ﺟﻤﻌﻲ ﻧﻮﻋﻲ روش ﻫﻮش ﻣﺼﻨﻮﻋﻲ اﺳﺖ ﻛﻪ ﻣﺒﺘﻨﻲ ﺑﺮ رﻓﺘﺎرﻫﺎی ﺟﻤﻌﻲ در ﺳﺎﻣﺎﻧﻪﻫﺎی ﻧﺎﻣﺘﻤﺮﻛﺰ و ﺧﻮدﺳﺎﻣﺎﻧﺪه ﺑﻨﻴﺎن ﺷﺪه اﺳﺖ. اﻳﻦ ﺳﺎﻣﺎﻧﻪﻫﺎ ﻣﻌﻤﻮﻻً از ﺟﻤﻌﻴﺘﻲ از ﻋﺎﻣﻞﻫﺎی ﺳﺎده ﺗﺸﻜﻴﻞ ﺷﺪه اﻧﺪ ﻛﻪ ﺑﻄﻮر ﻣﺤﻠﻲ ﺑﺎ ﻳﻜﺪﻳﮕﺮ و ﺑﺎ ﻣﺤﻴﻂ ﺧﻮد در ﺗﻌﺎﻣﻞ ﻫﺴﺘﻨﺪ. ﺑﺎ وﺟﻮد اﻳﻨﻜﻪ ﻣﻌﻤﻮﻻً ﻫﻴﭻ ﻛﻨﺘﺮل ﺗﻤﺮﻛﺰﻳﺎﻓﺘﻪ ای، ﭼﮕﻮﻧﮕﻲ رﻓﺘﺎر ﻋﺎﻣﻞﻫﺎ را ﺑﻪ آﻧﻬﺎ ﺗﺤﻤﻴﻞ ﻧﻤﻲﻛﻨﺪ، ﺗﻌﺎﻣﻼت ﻣﺤﻠﻲ آﻧﻬﺎ ﺑﻪ ﭘﻴﺪاﻳﺶ رﻓﺘﺎری ﻋﻤﻮﻣﻲ ﻣﻲاﻧﺠﺎﻣﺪ. ﻣﻮﻓﻖ ﺗﺮﻳﻦ روشﻫﺎی ﻫﻮش ﻣﺼﻨﻮعی ﺟﻤﻌﻲ ﻛﻪ ﺗﺎﻛﻨﻮن ﺑﻮﺟﻮد آﻣﺪه اﻧﺪ، روش ﺑﻬﻴﻨﻪﺳﺎزی ﮔﺮوه ﻣﻮرﭼﻪﻫﺎ، روش ﺑﻬﻴﻨﻪﺳﺎزی دﺳﺘﺔ ذرات و روش ﺑﻬﻴﻨﻪﺳﺎزی ﮔﺮوه ﻣﺎﻫﻲﻫﺎ ﻛﺎرﺑﺮد اﻳﻦ اﻟﮕﻮرﻳﺘﻢﻫﺎ در اﻧﻮاع زﻣﻴﻨﻪﻫﺎی ﺗﺤﻘﻴﻘﺎت ﻋﻠﻤﻲ ﻧﺸﺎن دﻫﻨﺪه ﻋﻤﻠﻲ ﺑﻮدن و وﻳﮋﮔﻲﻫﺎی ﻣﻄﻠﻮب آﻧﻬﺎ اﺳﺖ. از ﺟﻤﻠﻪ وﻳﮋﮔﻲﻫﺎی اﻳﻦ اﻟﮕﻮرﻳﺘﻢﻫﺎ ﻣﻲﺗﻮان ﺑﻪ ﻣﻘﻴﺎسﭘﺬﻳﺮی، ﺗﺤﻤﻞﭘﺬﻳﺮی ﺧﻄﺎ، ﺳﺎزﮔﺎری، ﺳﺮﻋﺖ، اﺳﺘﻘﻼل داﺧﻠﻲ، ﻣﻮازی ﺑﻮدن و … اﺷﺎره ﻛﺮد. ﻛﺎرﺑﺮد ﻋﻤﺪة اﻳﻦ اﻟﮕﻮرﻳﺘﻢﻫﺎ در ﺣﻞ ﻣﺴﺎﺋﻞ ﺑﻬﻴﻨﻪﺳﺎزی ﻣﻲﺑﺎﺷﺪ.
الگوریتم دسته ﻣﺎﻫﻲﻫﺎی ﻣﺼﻨﻮﻋﻲ (AFSA (Artificial Fish Swarm Algorithm گونه ای از اﻟﮕﻮرﻳﺘﻢﻫﺎی برگرفته شده از طبیعت و اﻟﮕﻮرﻳﺘﻢﻫﺎی ﻫﻮش ﺟﻤﻌﻲ ﻣﻲﺑﺎﺷﺪ که توسط دکتر Li Xiao Lei در سال ۲۰۰۲ ارائه شده است. اﻳﻦ اﻟﮕﻮرﻳﺘﻢ ﻳﻚ ﺗﻜﻨﻴﻚ ﺟﺪﻳﺪ مبتنی ﺑﺮ رﻓﺘﺎرﻫﺎی ﺟﻤﻌﻲ اﺳﺖ ﻛﻪ از رﻓﺘﺎرﻫﺎی اﺟﺘﻤﺎﻋﻲ دسته ﻣﺎهیﻫﺎ در ﻃﺒﻴﻌﺖ اﻟﻬﺎم ﮔﺮﻓﺘﻪ ﺷﺪه اﺳﺖ. این اﻟﮕﻮرﻳﺘﻢ دارای ﺗﻮاﻧﺎیی ﺑﺎﻻیی در ﮔﺬﺷﺘﻦ از ﺑﻬﻴﻨﻪﻫﺎی ﻣﺤﻠﻲ و دﺳﺘﻴﺎﺑﻲ ﺑﻪ ﺑﻬﻴﻨﺔ ﺳﺮاﺳﺮی ﻣﻲﺑﺎﺷﺪ. ﻫﻤﭽﻨﻴﻦ دارای وﻳﮋگیﻫﺎی ﺳﺮﻋﺖ ﻫﻤﮕﺮاﻳﻲ ﺑﺎﻻ، ﻏﻴﺮﺣﺴﺎس ﺑﻮدن ﺑﻪ ﻣﻘﺎدﻳﺮ اوﻟﻴﻪ، اﻧﻌﻄﺎفﭘﺬﻳﺮی و ﺗﺤﻤﻞﭘﺬﻳﺮی ﺧﻄﺎی ﺑﺎﻻیی اﺳﺖ. اﻳﻦ اﻟﮕﻮرﻳﺘﻢ در ﻛﺎرﺑﺮدﻫﺎی ﺑﻬﻴﻨﻪﺳﺎزی از ﺟﻤﻠﻪ ﺗﺨﻤﻴﻦ ﭘﺎراﻣﺘﺮﻫﺎ، ﺑﻬﻴﻨﻪﺳﺎزی ﺗﺮکیبی، ﻳﺎدﮔﻴﺮی ﺷﺒﻜﻪﻫﺎی عصبی ﭘﻴﺸﺮو و … ﺑﻪ ﻛﺎر رﻓﺘﻪ اﺳﺖ. در دﻧﻴﺎی زﻳﺮ آب، ﻣﺎﻫﻲﻫﺎ ﻣﻲﺗﻮاﻧﻨﺪ ﻣﻨﺎطقی را ﭘﻴﺪا ﻛﻨﻨﺪ ﻛﻪ دارای ﻏﺬای ﺑﻴﺸﺘﺮی اﺳﺖ، ﻛﻪ اﻳﻦ اﻣﺮ ﺑﺎ ﺟﺴﺘﺠﻮی ﻓﺮدی ﻳﺎ ﮔﺮوهی ﻣﺎهی‌ها ﻣﺤﻘﻖ میﺷﻮد. ﺑﻨﺎﺑﺮاﻳﻦ در دﻧﻴﺎی زﻳﺮ آب، ﻣﻌﻤﻮﻻً در ﺟﺎﻳﻲ ﺗﻌﺪاد ﻣﺎﻫﻲ ﺑﻴﺸﺘﺮی وﺟﻮد دارد ﻛﻪ دارای ﻏﺬای ﺑﻴﺸﺘﺮی اﺳﺖ. ﻣﻄﺎﺑﻖ ﺑﺎ اﻳﻦ وﻳﮋگی، ﻣﺪل ماهی مصنوعی (AF) با چند رفتار از جمله رفتارهای حرکت آزادانه (AF Move)، جستجوی غذا (AF Prey)، حرکت گروهی (AF Swarm) و دﻧﺒﺎﻟﻪروی (AF Follow) ارائه شده است. یک AF ﻣﻮﺟﻮدﻳﺖ ﺳﺎﺧﺘﮕﻲ از ﻣﺎﻫﻲ واﻗﻌﻲ ﻣﻲﺑﺎﺷﺪ ﻛﻪ در ﺗﺤﻠﻴﻞ و ﺗﻔﺴﻴﺮ ﻣﺴﺎﺋﻞ از آن اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ. محیطی که AF در آن زﻧﺪﮔﻲ ﻣﻲﻛﻨﺪ اﺳﺎﺳﺎً فضای راه حل و حوزه های AF های دیگر است. درجه ﺗﺮاﻛﻢ ﻏﺬا در ﻣﻨﻄﻘﺔ آبی ﺗﺎﺑﻊ ﻫﺪف AFSA می باشد. و وضعیت AF ﻣﻨﻔﺮد ﻣﺘﻐﻴﺮ ﺑﻬﻴﻨﻪﺳﺎزی اﺳﺖ و ﺷﺎﻣﻞ رﻓﺘﺎرﻫﺎی ﺣﺮﻛﺖ آزاداﻧﻪ، ﺣﺮﻛﺖ ﺟﻤﻌﻲ، رﻓﺘﺎر ﺟﺴﺘﺠﻮی ﻏﺬا و رﻓﺘﺎر دﻧﺒﺎﻟﻪروی اﺳﺖ ﻛﻪ ﺑﺎ اﻳﻦ راهﻫﺎ ﻣﺎ ﻣﻲﺗﻮاﻧﻴﻢ راهﺣﻞ را ﻛﺎوش و ﺟﺴﺘﺠﻮ ﻛﻨﻴﻢ. در ﻃﻮل ﻓﺮآﻳﻨﺪ ﺑﻬﻴﻨﻪﺳﺎزی AFSA، اﻃﻼﻋﺎت ﻓﺮدی و محیطی، ﻛﺎﻣﻼً ﺟﻬﺖ ﺟﺴﺘﺠﻮ ﺗﺎ رﺳﻴﺪن ﺑﻪ ﺗﻮازن اﺳﺘﻔﺎده ﻣﻲﺷﻮﻧﺪ. در ﻧﻬﺎﻳﺖ، AF ﺑﻪ ﻣﻜﺎﻧﻲ میرﺳﺪ ﻛﻪ درﺟﺔ ﺗﺮاﻛﻢ و ﻏﻠﻈﺖ ﻏﺬا در آﻧﺠﺎ ﺑﻴﺸﺘﺮﻳﻦ (بهینه ﺳﺮاﺳﺮی) ﺑﺎﺷﺪ. AF ﻣﻔﺎﻫﻴﻢ ﺧﺎرجی را از ﻃﺮﻳﻖ ﺑﻴﻨﺎیی درک میﻛﻨﺪ.
@data_experts
نکنیک های کاهش بعد
@Dataexpert