{
    "metadata": {
        "dataset_id": "shahroodut-thesis",
        "record_id": "Q196",
        "title": "یادگیری کمی افزایشی در جریان داده",
        "publisher": "دانشگاه صنعتی شاهرود",
        "owner": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "license": "CC-BY-4.0",
        "license_url": "https://creativecommons.org/licenses/by/4.0/",
        "license_text": "استفاده، بازنشر، تحلیل، پردازش و بهره برداری پژوهشی، آموزشی و صنعتی با ذکر منبع دانشگاه صنعتی شاهرود مجاز است.",
        "publication_date": "1400",
        "last_update": "2026-07-11",
        "language": "fa",
        "format": "application/json",
        "contact": "thesis@shahroodut.ac.ir",
        "access": {
            "fulltext_available": "true",
            "public_access": "true"
        }
    },
    "data": {
        "thesis_id": "Q196",
        "title": "یادگیری کمی افزایشی در جریان داده",
        "degree": null,
        "faculty": "مهندسی کامپیوتر ",
        "year": 1400,
        "authors": [
            {
                "name": "الهام احمدی",
                "role": "پدیدآور اصلی"
            },
            {
                "name": "هدی مشایخی",
                "role": "استاد راهنما"
            },
            {
                "name": "مرضیه رحیمی",
                "role": "استاد مشاور"
            }
        ],
        "keywords": [
            "یادگیری کمی",
            "جریان داده",
            "رده‌بندی",
            "یادگیری افزایشی",
            "درخواست برچسب"
        ],
        "abstract": "در سال‌های اخیر، یادگیری در حوزه جریان داده توجه بسیاری از محققان و متخصصان را به خود جلب کرده است ولی با این‌حال، یادگیری کمی تا حد زیادی ناشناخته باقی‌مانده است. در برخی از برنامه‌های کاربردی که باید توزیع نظرات مثبت و منفی را به دست آوریم، استفاده از یادگیری کمی بسیار مفید واقع‌شده است. همچنین با کمک این روش می‌توان خصوصیات عمومی خاصی را در مورد جمعیت یک شبکه به دست آورد و با تجزیه‌وتحلیل احساسات افراد، اطلاعات کاربردی مفیدی را استخراج کرد. یادگیری کمی شباهت زیادی با طبقه‌بندی دارد و هردو کار گروه‌بندی داده‌ها را انجام می‌دهند ولی اهداف و کاربرد آن‌ها متفاوت است. در مسائل یادگیری کمی به دنبال تعیین کلاس نمونه‌ها نیستیم و تنها آمار کلی داده‌ها مدنظر است و هدف این است که تخمینی از توزیع داده‌ها را ارائه دهد. الگوریتم‌های اخیر در حوزه‌ی یادگیری کمی در جریان داده با کمک تغییر مفهوم و با استفاده از درخواست برچسب برای بخش بزرگی از نمونه‌های جدید واردشده و با روش‌های انتخاب نمونه ارائه‌شده است. در این تحقیق ایده این است که برچسب زیرمجموعه کوچک‌تری از نمونه‌های اخیر را درخواست کنیم و مدل رده‌بند را با کمک چند کلاسه‌بند متفاوت به‌صورت افزایشی تشکیل دهیم. آزمایش‌های ما نشان می‌دهد که با وجود کاهش درخواست برچسب از نمونه‌های اخیر و حتی حذف آن، می‌توان دقت مدل را حفظ کرده یا بهبود بخشید.",
        "repository": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "note": "حقوق مادی و معنوی متعلق به دانشگاه صنعتی شاهرود می باشد.",
        "download_url": "https://shahroodut.ac.ir/fa/thesis/files/somefiles/sf_Q196.pdf"
    },
    "dictionary": {
        "thesis_id": "شناسه پایان نامه",
        "title": "عنوان پایان نامه",
        "degree": "مقطع تحصیلی",
        "faculty": "دانشکده",
        "year": "سال دفاع",
        "authors": "پدیدآورندگان",
        "keywords": "کلیدواژه ها",
        "abstract": "چکیده",
        "repository": "محل نگهداری",
        "note": "یادداشت",
        "download_url": "آدرس فایل پایان نامه"
    }
}