مبانی و پیشینه نظری روش تحلیل پوشش داده ها

توضیحات فصل دوم مقاله کارشناسی ارشد (پیشینه و مبانی نظری پژوهش) همراه با منبع نویسی درون متنی به شیوه APA جهت استفاده فصل دو مقاله توضیحات نظری کامل در مورد متغیر پیشینه داخلی و خارجی در مورد متغیر مربوطه و متغیرهای مشابه رفرنس نویسی و پاورقی دقیق و مناسب منبع انگلیسی وفارسی دارد (به شیوه APA) نوع فایل word در37 صفحه و قابل ویرایش با فر

دسته بندی	بورس و کالا
بازدید ها	18
فرمت فایل	docx
حجم فایل	607 کیلو بایت
تعداد صفحات فایل	39

فروشنده فایل

کد کاربری 7188

تمام فایل ها

روش تحلیل پوشش داده ها

روش تحلیل پوشش داده ها (DEA) که رویکرد ناپارامتریک برآورد توابع مرزی است برای اولین بار توسط چارنز، کوبر و رودز (1987) معرفی شد. این محققین مفاهیم پیشنهادی فارل را رواج دادند و از آن پس در مقالات زیادی این روش به کار گرفته شد. در این روش بدون در نظر گرفتن شکل تبعی خاصی برای توابع، از برنامه ریزی خطی (LP) و در نظر گرفتن نهاده ها و ستانده های بسیار متفاوت استفاده شده است و اقدام به یک سری بهینه یابی می شود و مقدار کارایی واحدهای مورد بررسی تحت دو فرض بازدهی ثابت و متغیر به مقیاس تعیین می شود. در روش DEA شکل های متفاوتی مانند شکل نسبی، شکل فزاینده و شکل پوششی (یا فراگیر) وجود دارد که در هرکدام از اینها در تعیین کارایی واحدهای مورد بررسی به روش خاصی عمل می شود. به این منظور از روش های مختلفی مانند یک مرحله ای، دو مرحله ای و چند مرحله ای استفاده می شود.

دو مدل بسیار اساسی در روش DEA وجود دارد که به مدل های CCR و BCC معروف هستند که به ترتیب معرفی می شوند. اگر فرض شود که بانکی دارای n شعبه بود و هرکدام از شعب با استفاده از m نهاده مقدار r ستانده را تولید کنند در این حالت میزان کارایی فنی یک شعبه منفرد با نام DMU به شرح زیر است:

در این مدل که با فرض بازدی ثابت به مقیاس CRS و با نگرش به نهاده ها طراحی شده است، λیک بردارN*1 شامل اعداد ثابت است که وزنهای مجموعه مرجع را برای شعب ناکارا نشان می دهد. مقادیر اسکالر به دست آمده برای θکارایی واحدها خواهد بود که شرط 1≥ θ را تامین می کند. مدل برنامه ریزی خطی فوق بایستی Nبار و هر بار برای یکی از شعب حل شود و در نتیجه میزان کارایی برای هر شعبه به دست می آید. اگر 1= θباشد به این معنی است که شعبه مورد نظر روی مرز تولید یکسان (تولید مرزی) بوده و بنا به نظریه فارل دارایی کارایی صد در صد است. اما فرض بازدهی ثابت به مقیاس زمانی مناسب است که همه واحدها در مقیاس بهینه عمل نمایند (در قسمت منحنی هزینه متوسط بلند مدت) ولی مسایل متفاوتی نظیر اثرات رقابتی محدودیت ها کارکردهای ضعیف مدیریتی و نظیر اینها باعث می شود که واحدها در مقیاس بهینه فعالیت نکنند از این رو بانکر چانز و کوپر مدل قبلی CCR را به گونه ای بسط دادند که بازدهی متغیر به مقیاس VRS^[3] را نیز در نظر بگیرد. می توان مدل BCC را با افزودن یک قید تحدب به شکل N'I λ=1به جای λ≥0به دست آورد. برای محاسبه کارایی مقیاس یک شعبه باید از هر دو مدل CRS (هدف بلند مدت) و VRS (هدف کوتاه مدت) استفاده کرد و با تقسیم کارایی بدست آمده از حالت CCR برحالت BCC کارایی مقیاس شعبه مورد نظر به دست می آید. مهمترین ایراد روش DEA در نظر نگرفتن عوامل تصادفی است. (حقیقت و نصیری، 1382)

---

. Linear programming

1. constant returns to scale

2. variable returns to scale

مبانی و پیشینه نظری روش تحلیل پوشش داده هاروش تحلیل پوشش داده هاتحلیل پوشش داده ها

پایان نامه معرفی داده کاوی در پایگاه داده ها

پایان نامه جهت اخذ درجه کارشناسی

عنوان کامل: بررسی و داده کاوی در پایگاه داده ها.

دسته: فناوری اطلاعات وکامپیوتر

فرمت فایل: WORD (قابل ویرایش)

تعداد صفحات پایان نامه:  77

فهرست مطالب: جهت مشاهده فهرست مطالب این پایان نامه اینجا کلیک نمایید

______________________________________________________

بخشی از مقدمه:

در دو دهه‌ی قبل توانایی‌های فنی بشر برای تولید و جمع آوری داده‌ها به سرعت افزایش یافته است. عواملی نظیراستفاده گسترده از بارکد برای تولیدات تجاری، به خدمت گرفتن کامپیوتر در کسب و کار، علوم، خدمات دولتی و پیشرفت در وسایل جمع آوری داده، از اسکن کردن متون و تصاویر تا سیستم های سنجش از دور ماهواره ای، در این تغیرات نقش مهمی دارند.

بطور کلی استفاده همگانی از وب و اینترنت به عنوان یک سیستم اطلاع رسانی جهانی، ما را مواجه با حجم زیادی از داده و اطلاعات می کند. این رشد انفجاری در داده های ذخیره شده، نیاز مبرم وجود تکنولوژی های جدید و ابزارهای خودکاری را ایجاد کرده که به صورت هوشمند به انسان یاری می رسانند تا این حجم زیاد داده را به اطلاعات و دانش تبدیل کند. داده کاوی بعنوان یک راه حل برای این مسائل مطرح می باشد. در یک تعریف غیر رسمی، داده کاوی فرآیندی است خودکار برای استخراج الگوهایی که دانش را بازنمایی می کنند که این دانش به صورت ضمنی در پایگاه داده های عظیم، انبار داده و دیگر مخازن بزرگ اطلاعات ذخیره شده است. داده کاوی بطور همزمان از چندین رشته علمی بهره می برد. نظیر: تکنولوژی پایگاه داده، هوش مصنوعی، یادگیری ماشین، شبکه های عصبی، آمار، شناسایی الگو، سیستم های مبتنی بر دانش، حصول دانش، بازیابی اطلاعات، محاسبات سرعت بالا و بازنمایی بصری داده. داده کاوی در اواخر دهه ی 1980 پدیدار گشته، در دهه ی 1990 گام های بلندی در این شاخه از علم برداشته شده و انتظار می رود در این قرن به رشد و پیشرفت خود ادامه دهد.

واژه های «داده کاوی» و «کشف دانش در پایگاه داده» اغلب به صورت مترادف یکدیگر مورد استفاده قرار می گیرند.

تکامل تکنولوژی پایگاه داده و استفاده فراوان آن در کاربردهای مختلف، سبب جمع آوری حجم فراوانی از داده ها شده است. این داده های فراوان باعث ایجاد نیاز برای ابزارهای قدرتمند برای تحلیل داده ها گشته زیرا در حال حاضر به لحاظ داده ثروتمند هستیم ولی دچار کمبود اطلاعات می باشیم. ابزارهای داده کاوی داده ها را آنالیز می کنند و الگوهای داده ای را کشف می کنند که می توان از آن در کاربردهایی نظیر: تعیین استراتژی برای کسب و کار، پایگاه دانش و تحقیقات علمی و پزشکی استفاده کرد. شکاف موجود بین داده ها و اطلاعات سبب ایجاد نیاز برای ابزارهای داده کاوی شده است تا داده های بی ارزشی را به دانشی ارزشمند تبدیل کنیم.

امروزه نامگذاری داده کاوی بسیار عمومیت پیدا کرده است، البته اسامی دیگری نیز برای این فرآیند پیشنهاد شده که بعضا بسیاری متفاوت با واژه ی داده کاوی است نظیر: استخراج دانش از پایگاه داده، آنالیز داده/الگو، باستان شناسی داده و لایروبی داده ها. کشف دانش در پایگاه داده فرآیند شناسایی درست، ساده، مفید و نهایتا الگوها و مدل های قابل فهم در داده ها می باشد. داده کاوی مرحله ای از فرآیند کشف دانش می باشد و شامل الگوریتم های مخصوص داده کاوی است بطوریکه تحت محدودیت های مؤثر محاسباتی قابل قبول، الگوها و یا مدل ها را در داده کشف می کند. به بیان ساده تر، داده کاوی به فرآیند استخراج دانش ناشناخته، درست و بالقوه مفید از داده اطلاق می شود. تعریف دیگر اینست که داده کاوی گونه ای از تکنیکها برای شناسایی اطلاعات و یا دانش تصمیم گیری از قطعات داده می باشد به نحوی که با استخراج آنها در حوزه های تصمیم گیری، پیش بینی، پیشگویی و تخمین مورد استفاده قرار می گیرد. داده ها اغلب حجیم اما بدون ارزش می باشند، داده به تنهایی قابل استفاده نیست بلکه دانش نهفته در داده ها قابل استفاده می باشد. به این دلیل اغلب به داده کاوی، تحلیل داده ای ثانویه گفته می شود.

جهت دانلود محصول اینجا کلیک نمایید

ترجمه مقاله جمع آوری داده ها در شبکه های سنسوری خودرویی شهری

عنوان انگلیسی مقاله: Delay-bounded data gathering in urban vehicular sensor networks

عنوان فارسی مقاله: جمع آوری داده ها در شبکه های حسگر خودرویی شهری ، مبتنی بر روش محدود به تأخیر

دسته: فناوری اطلاعات - کامپیوتر

فرمت فایل ترجمه شده: WORD (قابل ویرایش)

تعداد صفحات فایل ترجمه شده: 29

جهت دانلود رایگان نسخه انگلیسی این مقاله اینجا کلیک نمایید

ترجمه ی سلیس و روان مقاله آماده ی خرید می باشد.

_______________________________________

چکیده ترجمه:

شبکه های سنسوری بین خودرویی  را می توان یک جریان شبکه ای جدید و نوظهور دانست، که برای اپلیکیشن های متعددی در محیط های خودرویی مطلوب بوده و در آن می توان از سنسور های خودرویی به عنوان منابع داده ای و سیستم های ارتباطی بین خودرویی برای انتقالات استفاده کرد. در این مقاله قصد داریم راه حلی را برای جمع آوری داده ها از یک موقعیت جغرافیایی خاص ارائه دهیم که مبتنی بر شبکه های سنسوری خودرویی می باشد. متد پیشنهادی ما، بازه ی زمانی ای را که در طول آن می توان پروسه ی جمع آوری داده ها را ادامه داد ترفیع و بهبود داده و استراتژی های ارسال بسته های داده ای به سمت جلو از طریق هاپ های چند گانه را، مشابه با پروتکل های مسیر یابی محدود به تأخیر، تغییر می دهد. شبیه سازی ها نشان می دهند که راه حل پیشنهادی ما، از نظر کارائی در جمع آوری داده ها، نسبت به سایر راه حل ها بهتر عمل کرده است.

واژگان کلیدی: 

محدود به تأخیر ، جمع آوری داده ها، شبکه های سنسوری خودرویی

1.مقدمه

پژوهش ها و فعالیت های مرتبط با محاورات داده ای خودرویی، در طی سالیان اخیر در حوزه ی صنعت خودرو و جامعه ی پژوهشی با شتاب بیشتری در حال حرکت بوده است. در  چند سال اخیر، خودروها قادر بوده اند با استفاده از نقاط دسترسی در کنار جاده ها با سایر خودرو ها به محاوره و مبادله ی داده ها بپردازند. ارتباطات خودرویی، باعث فراهم شده سرویس های ایمنی و مفیدی برای رانندگان و مسافرین شده است. تکنولوژی ها و استاندارد هایی که این مسیر را نیز تسهیل ساخته اند، به زودی به ابزارهایی واقعی و ضروری مبدل گشتند: تا زمان نوشتن این مقاله، تکنولوژی رادیویی  IEEE 802.11p که برای ارتباطات خودرویی طراحی گردیده است، اخیراٌ مورد پذیرش قرار گرفته است[1].

 سیستم های ارتباطی بین خودرویی(IVC) ، مبتنی بر ارتباطات مستقیم بین خودروها می باشند و از این رو باعث بروز شبکه های بین خودرویی (VANET)  گردیده اند تا بتوانند پاسخگوی نیازهای کلاس عمده ای از اپلیکیشن های ارتباطی مانند اپلیکیشن های مرتبط با امنیت خودرو و جاده، مدیریت ترافیک، سرگرمی[4]، جمع آوری و انتشار داده ها[5] و غیره باشند.

جهت دانلود محصول اینجا کلیک نمایید

پروژه داده کاوی در بانکداری الکترونیکی

پایان نامه جهت اخذ درجه کارشناسی

عنوان کامل: داده کاوی در بانکداری الکترونیکی

دسته: مهندسی کامپیوتر

فرمت فایل: WORD (قابل ویرایش)

تعداد صفحات: 95

فهرست مطالب: جهت مشاهده فهرست مطالب این پایان نامه اینجا کلیک نمایید

________________________________________________________

بخشی از مقدمه:

بسیاری از شرکت‌ها و موسسات دارای حجم انبوهی از اطلاعات هستند. با گسترش سیستمهای پایگاهی و حجم بالای داده ها ی ذخیره شده در این سیستم ها ، به ابزاری نیازاست تا بتوان این داده ها راپردازش کرد و اطلاعات حاصل از آن را در اختیار کاربران قرار داد.معمولا کاربران پس از طرح  فرضیه ای بر  اساس گزارشات مشاهده شده به اثبات یا رد آن می پردازند ، در حالی که امروزه به روشهایی نیازداریم که به اصطلاح به کشف دانش  بپردازند یعنی روشهائی که با کمترین دخالت کاربر و به صورت خودکار الگوها و رابطه های منطقی را بیان نمایند.یکی از روشهای بسیار مهمی که با آن می توان الگوهای مفیدی را در میان داده ها تشخیص داد،داده کاوی است ،این روش که با حداقل دخالت کاربران همراه است اطلاعاتی را در اختیار آنها وتحلیل گران قرار میدهد تا براساس آنها تصمیمات مهم و حیاتی در سازمانشان اتخاذ نمایند .باید توجه داشت که اصطلاح داده کاوی زمانی به کار برده می شود که با حجم بزرگی از داده ها ، در حد مگا یا ترابایت ، مواجه باشیم . در تمامی منابع داده کاوی بر این مطلب تاکید شده است . هر چه حجم داده ها بیشتر و روابط میان آنها پیچیده تر باشد دسترسی به اطلاعات نهفته در میان داده ها مشکل تر می شود و نقش داده کاوی به عنوان یکی از روشهای کشف دانش ،آشکارتر می گردد.

1.2. تعریف مسائله و بیان سوال های اصلی تحقیق

یکی از مباحث  مهم در بانکداری الکترونیکی بحث مدیریت ارتباط با مشتری می باشد. به عبارتی کامل تر مدیریت ارتباط با مشتری یک روش ، یک نظام و از همه مهم تر یک راهبرد در کسب و کار است که هدف آن طبقه بندی مشتریان و مدیریت  آن ها به منظور بهینه سازی ارزش مشتری در دراز مدت ، و بهرگیری سازمان از آن است .مدیریت ارتباط با مشتری ،  در واقع در فرایند های پیدا کردن مشتری ، نزدیک شدن به آن ، مدیریت و ایجاد رضایت در مشتریان و نگهداری آن ها است]1[.ادلیستن این فرایند را تحت عنوان چرخه حیات مشتری این گونه بیان می کند:بدست آوردن مشتری ، افزایش ارزش مشتریان و نگهداری مشتریان خوب.

برای هر مشتری ،سازمان باید قادر باشد به سوالاتی نظیر زیر پاشخگو باشد؟

1-آیا مشتری سود ده است؟

2-چرا مشتری این کسب و کار را با سازمان انجام می دهد؟

3-مشتری چه چیزی را دوباره سازمان دوست دارد؟

4-آیا مشتری این کسب و کار را با رقبای سازمان هم انجام می دهد؟

جهت دانلود محصول اینجا کلیک نمایید

پروژه کاربرد داده کاوی در تجارت الکترونیک

پایان نامه جهت اخذ درجه کارشناسی

عنوان کامل: کاربرد داده کاوی در تجارت الکترونیک

دسته: فناوری اطلاعات

فرمت فایل: WORD (قابل ویرایش)

تعداد صفحات: 151

جهت مشاهده فهرست مطالب این پایان نامه اینجا کلیک نمایید

________________________________________________________

بخشی از مقدمه:

از هنگامی که رایانه در تحلیل و ذخیره سازی داده ها بکار رفت (1950) پس از حدود 20 سال، حجم داده ها در پایگاه داده ها دو برابر شد. ولی پس از گذشت دو دهه و همزمان با پیشرفت فن آوری اطلاعات(IT)  هر دو سال یکبار حجم داده ها، دو برابر شده و همچنین تعداد پایگاه داده ها با سرعت بیشتری رشد نمود. این در حالی است که تعداد متخصصین تحلیل داده ها با این سرعت رشد نکرد. حتی اگر چنین امری اتفاق می افتاد، بسیاری از پایگاه  داده ها چنان گسترش یافته‌اند که شامل چندصد میلیون یا چندصد میلیارد رکورد ثبت شده هستند.امکان تحلیل و استخراج اطلاعات با روش های معمول آماری از دل انبوه داده ها مستلزم چند روز کار با رایانه های موجود است.[3]حال با وجود سیستم های یکپارچه اطلاعاتی، سیستم های یکپارچه بانکی و تجارت الکترونیک، لحظه به لحظه به حجم داده ها در پایگاه داده های مربوط اضافه شده و باعث به وجود آمدن حانبارهای عظیمی از داده ها شده است.این واقعیت، ضرورت کشف و استخراج سریع و دقیق دانش از این پایگاه داده ها را بیش از پیش نمایان کرده است، چنان که در عصر حاضر گفته می شود اطلاعات طلاست. هم اکنون در هر کشور، سازمان، شرکت و غیره برای امور بازرگانی، پرسنلی، آموزشی، آماری و غیره پایگاه داده ها ایجاد یا خریداری شده است. به طوری که این پایگاه داده ها برای مدیران، برنامه ریزان، پژوهشگران جهت، تصمیم گیری های راهبردی، تهیه گزارش های مختلف، توصیف وضعیت جاری خود و سایر اهداف می تواند مفید باشد. بسیاری از این داده ها از نرم افزارهای تجاری، مثل کاربردهای مالی، ERPها، CRMها و web log ها، می آیند. نتیجه این جمع آوری داده ها این می‌شود که در سازمانها، داده ها غنی ولی دانش ضعیف، است. جمع آوری داده ها، بسیار انبوه می‌شود و بسرعت اندازه آن افزایش می یابد و استفاده عملی از داده ها را محدود می سازد.[2]داده‌کاوی استخراج و تحلیل مقدار زیادی داده بمنظور کشف قوانین و الگوهای معنی دار در آنهاست. هدف اصلی داده کاوی، استخراج الگوهایی از داده ها، افزایش ارزش اصلی آنها و انتقال داده ها بصورت دانش است.

داده‌کاوی، بهمراه OLAP، گزارشگری تشکیلات اقتصادی(Enterprise reporting) و ETL، یک عضو کلیدی در خانواده محصول Business Intelligence(BI)، است.[2Error! Reference source not found.]

حوزه‌های مختلفی وجود دارد که در آنها حجم بسیاری از داده در پایگاه‌داده‌های متمرکز یا توزیع شده ذخیره می‌شود. برخی از آنها به قرار زیر هستند: [6Error! Reference source not found.]

•کتابخانه دیجیتال: یک مجموعه سازماندهی شده از اطلاعات دیجیتال که بصورت متن در پایگاه‌داده‌های بزرگی ذخیره می شوند.

•آرشیو تصویر: شامل پایگاه‌داده بزرگی از تصاویر به شکل خام یا فشرده.

•اطلاعات زیستی: بدن هر انسانی از 50 تا 100 هزار نوع ژن یا پروتئین مختلف ساخته شده است. اطلاعات زیستی شامل تحلیل و تفسیر این حجم عظیم داده ذخیره شده در پایگاه‌داده بزرگی از ژنهاست.

جهت دانلود محصول اینجا کلیک نمایید