پیاده سازی عینا همانند یک مقاله (Q1-Q4 JCR) در حوزه مهندسی فوتونیک که با یادگیری ماشین پیاده سازی ش…

پیاده سازی عینا همانند یک مقاله (Q1-Q4 JCR) در حوزه مهندسی فوتونیک که با یادگیری ماشین پیاده سازی شده است🔸 پروژه ویژه#python, #article_rewriting, #machine_learning, #mathematics, #physics عنوان پروژه: بازتولید یک مقاله جدید یادگیری ماشین در حوزه فیزیک و فوتونیکبرای انجام یک پروژه پژوهشی فشرده، به همکاری فردی مسلط به Python، یادگیری ماشین، تحلیل داده و ترجیحاً فوتونیک نیاز دارم. پروژه باید مرحله‌به‌مرحله، مستند، بازتولیدپذیر و همراه با انتقال کامل دانش انجام شود تا بتوانم تمام بخش‌های کد، روش و نتایج را شخصاً توضیح دهم و دفاع کنم.مرحله اول پروژه، انتخاب و بازتولید مستقل یک مقاله ژورنالی معتبر با شرایط زیر است:- مقاله پژوهشی ژورنالی Q1 تا Q4 باشد.- سال انتشار آن بین 2023 تا 2026 باشد.- موضوع مقاله مستقیماً به فیزیک یا مهندسی فوتونیک و یادگیری ماشین مربوط باشد.- ترجیحاً با مدل‌سازی جانشین، پیش‌بینی عملکرد قطعات فوتونیکی، فوتونیک مجتمع، MZI، میکرورینگ، فیبر نوری یا طیف‌سنجی ارتباط داشته باشد.- دیتاست دقیق و اصلی مقاله همین اکنون قابل دریافت باشد.- کد رسمی یا پیاده‌سازی عمومی مقاله در GitHub، Papers with Code یا سایر منابع اینترنتی وجود نداشته باشد.- مدل مقاله با استفاده از Python و کتابخانه‌هایی مانند Scikit-learn، TensorFlow یا PyTorch به‌صورت مستقل پیاده‌سازی شود.- همان preprocessing، تقسیم‌بندی داده، hyperparameterها و معیارهای مقاله تا حد امکان رعایت شوند.- معیارها، جدول‌ها و نمودارهای اصلی مقاله بازتولید شوند.- اختلاف نتایج بازتولیدشده با مقاله ترجیحاً از حدود 1 تا 2 درصد بیشتر نباشد.- استفاده از داده جایگزین، داده ساختگی، دست‌کاری داده یا کپی‌کردن کد دیگران قابل قبول نیست.پیش از شروع پیاده‌سازی، لازم است 3 تا 5 مقاله کاندید همراه با مدارک زیر ارائه شوند:1. عنوان، DOI، سال و مدرک Quartile مجله2. لینک مقاله و دیتاست دقیق3. بررسی مستند نبودن کد عمومی4. مشخص‌کردن جدول‌ها، نمودارها و معیارهایی که بازتولید خواهند شد5. ارزیابی امکان اجرا با CPU یا سخت‌افزار معمولی6. ریسک‌های بازتولید، از جمله نبود seed، split یا جزئیات preprocessingهیچ مقاله‌ای پیش از بررسی و تأیید این مرحله انتخاب نخواهد شد.مرحله دوم، طراحی و اجرای یک بهبود علمی و واقعاً نوآورانه روی همان دیتاست است. این بهبود نباید صرفاً افزودن یک مدل آماده دیگر به مدل‌های مقاله باشد. ایده می‌تواند شامل معماری یا ensemble هدفمند، استخراج ویژگی فیزیکی، قید فیزیکی، روش نمونه‌برداری، تحلیل عدم‌قطعیت، بهبود تعمیم خارج از توزیع یا روش علمی مشابه باشد. تازگی ایده باید با جست‌وجوی مستند در منابع علمی بررسی شود. مدل پیشنهادی باید در معیارهای اصلی، هم از نتایج مقاله و هم از پیاده‌سازی پایه بهتر عمل کند و مقایسه منصفانه با split و protocol یکسان انجام شود.خروجی‌های موردنیاز:- فایل PDF مقاله پایه- دیتاست اصلی و مستندات آن- Jupyter Notebook تمیز و قابل‌اجرا برای پیاده‌سازی پایه- فایل‌های CSV شامل تمام نتایج عددی- نمودارهای باکیفیت مربوط به بازتولید و مقایسه- ثبت seed، نسخه کتابخانه‌ها، تنظیمات و زمان اجرا- گزارش پژوهشی تحلیلی حدود 14 تا 15 صفحه- شرح مقاله، داده، preprocessing و مدل پایه- مقایسه دقیق اعداد بازتولیدشده با اعداد مقاله- - جدول و نمودار مقایسه روش پایه - تحلیل خطا، محدودیت‌ها، چالش‌ها و درس‌های آموخته‌شده-  انتقال دانش و توضیح  بخش‌های مهم کدساختار تحویل باید منظم و به‌صورت زیر باشد:Project_Final.zip├── Report/│   ├── Project_Report.pdf│   └── Based_Paper.pdf├── Base_Implementation/│   ├── code_base.ipynb│   ├── figures_base/│   └── results_base.csv├── ── Datasets/    └── dataset filesکیفیت علمی و امکان ب... توسط خریدار: کاربر149362اطلاعات بیشتر:parscoders.com/project/615063/%D9%BE%DB%8…