حافظه طولانی کوتاه-مدت (به انگلیسی: Long short-term memory) یا به اختصار ال‌اس‌تی‌ام (تلفظ تحت‌اللفظی LSTM)، یک معماری شبکه عصبی بازگشتی (یک شبکه عصبی مصنوعی) است که در سال ۱۹۹۷ میلادی توسط سپ هوخرایتر و یورگن اشمیدهوبر ارائه شد، و بعداً در سال ۲۰۰۰ میلادی توسط فیلیکس ژرس بهبود داده شد.

در علوم مختلف، به یک توالی یا دنباله از متغیرهای تصادفی که در فاصله های زمانی ثابت نمونه برداری شده باشند، اصطلاحاً سری زمانی یا پیشامد تصادفی در مقطع زمان می‌گویند. به عبارت دیگر منظور از یک سری زمانی مجموعه‌ای از داده‌های آماری است که در فواصل زمانی مساوی و منظمی جمع‌آوری شده باشند. روش‌های آماری ای که این گونه داده‌های آماری را مورد استفاده قرار می‌دهد مدل های تحلیل سری‌ زمانی نامیده می‌شود. مانند فروش فصلی یک شرکت طی سه سال گذشته. یک سری زمانی مجموعهٔ مشاهدات تصادفی ای است که بر اساس زمان مرتب شده باشند. مثال‌های آن در اقتصاد و حتی رشته‌های مهندسی دیده می‌شود.

این کد نحوه انجام پیش بینی جدول زمانی را با استفاده از مدل LSTM نشان می دهد.

پرسپترون چند لایه یا به اختصار MLP می توانند برای پیش بینی سری زمانی استفاده شوند. چالشی در استفاده از MLP برای پیش بینی سری زمانی در تهیه داده ها وجود دارد. به طور خاص، مشاهدات تأخیر (لگ) مشاهداتی باید به بردارهای اجزا مسطح شود. در این آموزش، شما می آموزید که چگونه مجموعه ای از مدل های MLP را برای طیف وسیعی از مسائل پیش بینی سری زمانی استاندارد ایجاد کنید. هدف این آموزش ارائه نمونه های مستقل از هر مدل در مورد هر نوع مسئله سری زمانی به عنوان الگویی است که می توانید آن را کپی کرده و برای مشکل پیش بینی سری زمانی خاص خود تطبیق دهید.

درباره این پروژه:

عنوان دقیق تر این پروژه عبارت است از:

بررسی ارتباط خشکسالی اقلیمی با افت کیفیت آب زیرزمینی، با استفاده از روش طبقه بندی پردازش گاوسی شاخص‌های SPI و GRI، به منظور صحت یابی پیش بینی بلند مدت رقوم بارش و سطح آب، به دو روش حالت ثابت زنجیره مارکف (MC) و شبکه عصبی مصنوعی پس انتشار خطا (ANN-BP).

در این مطالعه، به منظور ایجاد یک بستر تصمیم سازی و کاهش عدم اطمینان مبانی مهندسی مدیریت منابع آب، و بخصوص مدیریت بهینه منابع آب شرب زیرزمینی، از روش زنجیره مارکف و مشخصا استخراج رقوم شرایط ثابت بلند مدت اقلیمی روش MC برای دو شاخص هواشناسی SPI و آب زیرزمینی GRI، و همچنین از روش موازی شبکه عصبی مصنوعی پس انتشار (BP) در محیط کدنویسی پایتون برای دست یابی به رقوم بارش سالیانه و سطوح آب زیرزمینی در شش سال 1395 تا 1400 در 609 دشت مطالعاتی کشور ایران استفاده شد؛ سپس ارقام محاسبه شده به روش هوش مصنوعی به منظور دستیابی به پراکنش مکانی، در محیط سیستم اطلاعات جغرافیایی به همراه ارقام درصد بهینه شده روش شرایط ثابت اقلیمی زنجیره مارکف، پهنه بندی شد. 

خوش آمدید به بخش پنجم مبحث یادگیری ماشین از مجموعه آموزش Python. تا به اینجا، محتوای آموزشی رگرسیون را پوشش می دهد. پیش از این، ما داده ها را جمع آوری کرده ایم، آن ها کمی اصلاح شده، طبقه بندی شده آموزش داده و حتی طبقه بندی ها آزمون شده اند. در این قسمت، ما قصد داریم از طبقه بندی ها استفاده کنیم تا در واقع برخی از پیش بینی ها برای ما انجام شود. کد تا این لحظه که ما استفاده می کنیم به صورت زیر است:

بر اساس آموزش قبلی ریاضی یادگیری ماشین، بر پایه اطلاعات قیمت سهام ما رگرسیون را انجام خواهیم داد. کد تا این نقطه به صورت زیر بود:

استان یزد در فلات مرکزی با پراکندگی و فاصله زیاد تعدادی از شهرها نسبت به مرکز استان، از لحاظ میزان بارندگی خشک‌ترین استان کشور محسوب می‌شود؛ به طوری که میانگین بارندگی بلندمدت استان 106 میلی‌متر است که این میانگین در 15 سال اخیر به 90 میلی متر کاهش یافته است.

خشکسالی‌های متوالی در 15 سال گذشته، افت شدید سفره‌های آبی را در پی داشته که منجر به ورود آب‌های شور به سفره آبی و متعاقب آن افت کیفیت را نیز سبب شده است و این، تأمین آب استان را با چالش جدی روبرو ساخته است، به طوری که حفر بیش از یکصد حلقه چاه به منظور تأمین آب شرب از دست رفته نتوانسته بر وضعیت شکننده پیش آمده غالب شود، به گونه ای که هر زمان که برای خط انتقال مشکلی پیش آمده شهرهای برخوردار از آب انتقالی با بحران جدی روبرو شده‌اند.

دانش و تکنیک های هوش مصنوعی در سال های گذشته رشد قابل ملاحظه ای داشته است، به طوری که حجم زیادی از اطلاعات در علوم کامپیوتر را به خود اختصاص داده است. محققین زیادی در حال حاضر مشغول فعالیت در این زمینه میباشند. تاریخچه هوش مصنوعی با بازی ها و مسائلی پیوند دارد که در سده ها و دهه های گذشته مورد توجه قرار گرفته و بررسی شده اند. بازی هایی مانند شطرنج و معمای puzzle-8 و مسائلی مانند پاندول وارونه و فروشنده دوره گرد که بعضی ها قبل از پیدایش کامپیوتر بررسی شده اند وبا پیشرفت علوم کامپیوتر، توانایی بازی کامپیوتر در مقابل انسان موضوع جالبی بود که باعث پیشرفت های زیادی در هوش مصنوعی و تکنیک های آن گردید. هم اکنون نیز کار بر روی بسیاری از این مسائل ادامه دارد و چه از نظر تئوری و چه از نظر عملی حل بیشتر این مسائل راهگشای بسیاری از مشکلات هوش مصنوعی است.

الگوریتم PSO یک الگوریتم جستجوی اجتماعی است که از روی رفتار اجتماعی دسته‌های پرندگان مدل شده است. در ابتدا این الگوریتم به منظور کشف الگوهای حاکم بر پرواز همزمان پرندگان و تغییر ناگهانی مسیر آنها و تغییر شکل بهینه‌ی دسته به کار گرفته شد. در PSO، particleها در فضای جستجو جاری می‌شوند. تغییر مکان particleها در فضای جستجو تحت تأثیر تجربه و دانش خودشان و همسایگانشان است. بنابراین موقعیت دیگر particleهای Swarm روی چگونگی جستجوی یک particle اثر می‌گذارد. نتیجه‌ی مدل‌سازی این رفتار اجتماعی فرایند جستجویی است که particleها به سمت نواحی موفق میل می‌کنند. Particleها در Swarm از یکدیگر می‌آموزند و بر مبنای دانش بدست آمده به سمت بهترین همسایگان خود می‌روند.