شناسایی و الویت بندی عوامل حیاتی موفقیت در پیاده سازی سیستم‌های هوش تجاری با روش TOPSIS -مطالعه موردی شرکت‌های کوچک و متوسط ایرانی-دانلود پایان نامه رشته مهندسی فناوری اطلاعات

دانلود پایان نامه

عنوان پایان نامه :

 شناسایی و الویت بندی عوامل حیاتی موفقیت در پیاده سازی سیستم‌های هوش تجاری با روش TOPSIS -مطالعه موردی  شرکت‌های کوچک و متوسط ایرانی-

یک صفحه از متن پایان نامه فقط برای نمونه :

 

2-1.1.    انباره داده‌ها

انباره‌داده‌ها مجموعه‌ای از داده‌های کسب‌وکار مرتبط است که سازمان‌دهی و تایید اعتبار شده است، به گونه‌ای که می‌تواند برای پشتیبانی از تصمیم‌گیری‌های کسب‌وکار تحلیل شود. علت محبوبیت انباره‌داده‌ها به دلیل داده‌هایی است که از پایگاه‌داده‌هایی استخراج شده است که پراکنده و گاهی ناهمگون و در برخی مواقع خارج از سازمان هستند. انباره‌داده‌ها موضوع‌گرا هستند.آن‌ها وابسته به زمان هستند، به این معنی که آن‌ها به یک نقطه از زمان در سیستم اطلاعاتی نگاه لحظه دارند و قابل به‌روزرسانی نیستند به طوری که یکپارچگی تاریخی در نقطه‌ای که نگاه شده حفظ شود.

انباره‌داده‌ها، برخط نیستند، بدین معنی که آن‌ها در سیستم‌های مختلفی اقامت دارند که درحال ذخیره‌سازی یک عکس فوری از داده‌ها هستند.انبارداده‌های جدید به طور مدام با داده‌های حیاتی کسب‌وکار به‌روزرسانی می‌شوند تا اطمینان حاصل شود که داده‌ها در دقیقه در دسترس تصمیم‌سازان قرار دارند. حساسیت داده‌ها قبلا توسط سازمانی که از انباره‌داده‌ها استفاده می‌نماید، تعیین شده است.داده‌ها تاریخی هستند، خلاصه‌ای از تراکنش‌های قبلی که زمان تحلیل می‌توانند دانش ارزشمندی را زمان تصمیمات مدیریتی به ارمغان آورند. این تصمیمات بر اساس تاریخچه کسب‌وکار که انباره‌داده نگهداری می‌کند، تهیه شده است.انباره‌داده مولفه اصلی از سیستم‌های هوش تجاری است [22].

یک انباره‌داده که به خوبی پیاده‌سازی شده باشد، به راحتی قابل استفاده است، بازیابی اطلاعات در آن با سرعت انجام می‌گیرد، اطلاعات بیشتری را ذخیره می‌سازد، بهره‌وری را افزایش می‌دهد، باعث اتخاذ تصمیمات بهتری می‌شود، مزیت رقابتی سازمان را افزایش می‌دهد.نتیجه این که نقش اصلی انباره‌داده‌ها فراهم آوردن درکی از مشکلات، فرصت‌ها و عملکرد بر مبنای هوش تجاری که تصمیم‌سازی را سهولت می‌بخشد [23].

2-1.2.    ابزارهای استخراج و انتقال داده

فرآیندها و ابزارهای استخراج و انتقال داده در برابر استخراج داده‌ها از یک یا چندین سیستم منبع مسئول هستند، به گونه‌ای که داده‌ها با قالب گوناگون را به داده با قالب استاندارد تبدیل می‌کنند و سپس این داده را در انباره‌داده‌ها بارگذاری می‌کنند.راه‌حل‌های استخراج و انتقال داده به سه مرحله مجزا تقسیم می‌شود تا داده‌ها را از منابع مختلف جمع‌آوری و تبدیل نموده و سپس نتیجه را در انباره‌داده ذخیره کند. این سه مرحله در قسمت بعد شرح داده شده است.

 

 

دانلود  رایگان فایل دموی این پایان نامه(فقط حاوی ده صفحه از صفحات پایان نامه با فرمت ورد): 

پایان نامه شناسایی و الویت بندی عوامل حیاتی موفقیت در پیاده سازی سیستم‌های هوش تجاری با روش TOPSIS -مطالعه موردی شرکت‌های کوچک و متوسط ایرانی-

دانلود  رایگان فایل دموی این پایان نامه(فقط حاوی ده صفحه از صفحات پایان نامه با فرمت pdf): 

پایان نامه شناسایی و الویت بندی عوامل حیاتی موفقیت در پیاده سازی سیستم‌های هوش تجاری با روش TOPSIS -مطالعه موردی شرکت‌های کوچک و متوسط ایرانی-

برای دیدن جزئیات بیشتر ، خرید و دانلود آنی فایل متن کامل با فرمت ورد می توانید به لینک زیر مراجعه نمایید:

 دانلود از لینک زیر

 لینک متن کامل پایان نامه رشته مهندسی فناوری اطلاعات با عنوان شناسایی و الویت بندی عوامل حیاتی موفقیت در پیاده سازی سیستم‌های هوش تجاری با روش TOPSIS -مطالعه موردی  شرکت‌های کوچک و متوسط ایرانی-

ترکیب وب سرویس‌ها مبتنی بر معیار‌های کیفیت سرویس‌ با استفاده از رویکرد فرا مکاشفه‌ای-پایان نامه رشته فناوری اطلاعات

دانلود پایان نامه

عنوان پایان نامه :  

ترکیب وب سرویس‌ها مبتنی بر معیار‌های کیفیت سرویس‌ با استفاده از رویکرد فرا مکاشفه‌ای

یک صفحه از متن پایان نامه فقط برای نمونه :

 

 

  • انتخاب سرویس[1] : در ترکیب سرویس‌ها ابتدا باید آنان را انتخاب و رتبه بندی کرد. خروجی الگوریتم انتخاب و رتبه بندی لیستی از سرویس‌ها می‌باشد که این سرویس‌ها نیازهای عملکردی و غیر عملکردی کاربران را بر اساس معیارهای کاربر برآورده می‌سازد.
  • ایجاد مدل فرآیندی[2] : در ایجاد ترکیبی از سرویس‌ها باید بتوانیم تعیین کنیم که چه سرویس‌هایی، در چه زمانی و توسط چه کسانی اجرا شوند و اجزای آن چه وابستگی با هم داشته باشند. در نتیجه خروجی این مرحله این است که چگونه بین سرویس‌هایی که برای برآورده سازی نیازهای کاربران کشف و انتخاب شده‌اند هماهنگی ایجاد کنیم و این امر می‌تواند توسط روش‌های دستی، نیمه خودکار و خودکار صورت گیرد.
  • تایید و ارزیابی مدل فرایندی[3] : ممکن است که سرویس‌ها قابلیت و کارکردهای مشابه ای داشته باشند و این احتمال وجود دارد که حالت‌های مختلفی از ترکیب سرویس‌ها برای برآورده سازی نیازهای کاربر به وجود آید بنابراین سرویس مرکب باید مورد ارزیابی قرار گرفته و سرویسی انتخاب شود که هم نیازهای عملیاتی و هم نیازهای غیرعملیاتی کاربران را برآورده سازد. یکی از راه های رایج برای ارزیابی استفاده از یک تابع ارزیابی و رتبه بندی می‌باشد که در آن کاربران برای هر کدام از معیارهای کیفی وزنی را در نظر می‌گیرند و این‌گونه ترکیب‌های مختلف رتبه بندی می‌شوند. همچنین باید اعتبارسنجی از صحت عملکرد سرویس مرکب و تعامل وب سرویس‌ها با یکدیگر در یک ترکیب صورت پذیرد تا در زمان اجرای سرویس مرکب ایجاد شده بن بستی رخ ندهد.
  • تحقق یافتن[4] : در این مرحله تمرکز بر جزئیات فنی پیاده سازی سرویس می‌باشد. در این مرحله سرویس‌هایی که در مراحل قبل شناسایی و طراحی شده‌اند تولید و تست می‌شوند و پیاده سازی‌های مختلف از سرویس‌ها با زبان‌های برنامه نویسی مختلفی نوشته می‌شوند.

 

  • استقرار یافتن[5] : در این مرحله مشکلات نصب، پیکربندی و مدیریت سرویس‌ها مورد بررسی قرار گرفته و نمونه سرویس در محیط اجرای سرویس نشان داده می‌شود.
  • انتشار یافتن[6] : در این مرحله اطلاعات توصیفی سرویس‌ها انتشار می‌یابد. معمولاً این اطلاعات در یک سند توصیف سرویس ارائه می‌شود و سرویس‌ها می‌توانند توسط کاربران بالقوه شناسایی شوند. مستند توصیف سرویس شامل موارد زیر می‌باشد: سرویس چه کاری را انجام می‌دهد، کجا می‌توان آن را یافت و چگونه می‌توان آن را فراخوانی کرد.

[1] Service selection

[2] Process model creation

[3] Process model validation

[4] Realization

[5] Deployment

[6] Publishing

دانلود  رایگان فایل دموی این پایان نامه(فقط حاوی ده صفحه از صفحات پایان نامه با فرمت ورد):

 ترکیب وب سرویس‌ها مبتنی بر معیار‌های کیفیت سرویس‌ با استفاده از رویکرد فرا مکاشفه‌ای

برای دیدن جزئیات بیشتر ، خرید و دانلود آنی فایل متن کامل با فرمت ورد می توانید به لینک زیر مراجعه نمایید:

 دانلود از لینک زیر  

ترکیب وب سرویس‌ها مبتنی بر معیار‌های کیفیت سرویس‌ با استفاده از رویکرد فرا مکاشفه‌ای

دانلود پایان نامه با موضوع فناوری اطلاعات: مدیریت دانش مشتریان بانک مهر اقتصاد با استفاده از تکنیکهای داده‌کاوی

دانلود پایان نامه

عنوان پایان نامه :  

مدیریت دانش مشتریان بانک مهر اقتصاد با استفاده از تکنیکهای داده‌کاوی

یک صفحه از متن پایان نامه فقط برای نمونه :

 

کاربردهای داده‌کاوی

امروزه کاربردهای بسیار زیادی از داده‌کاوی در بسیاری از زمینه­ها از جمله بازاریابی، علوم پزشکی، شرکت­های بیمه و مخابرات، شرکت­های تبلیغاتی و همه سازمان­هایی که به علت تراکنش­های بالا و سروکار داشتن با مشتریان، دارای پایگاه داده‌های بزرگ می­باشند، شناخته شده است.

این علم می­تواند پیش­بینی‌هایی با دقت بالا برای سازمان­ها انجام دهد، همچنین به مدیران و متخصصان و کارشناسان کمک می‌کند که بتوانند آینده شرکت و کسب و کار خود را با دقت‌های بسیار بالا پیش­بینی کنند، داده‌کاوی به مراکز صنعتی کمک می‌کند که درک و بینش صحیحی از نحوه کارکرد دستگاه‌های صنعتی پیچیده خود بدست آورند. در واقع داده‌کاوی ابزاری بسیار کارا برای استفاده از داده‌هایی است که تولید می‌شوند اما استفاده‌ای از آن‌ها نمی‌شود.

داده‌کاوی علمی است که باعث تغییر و تحول در هر صنعت و کسب و کاری می‌شود و اکنون بسیاری از شرکت‌های معتبر در سرتاسر دنیا توانسته‌اند با استفاده از روش‌های داده‌کاوی سود سالیانه خود را به اندازه چشم گیری افزایش دهند تا جایی که این شرکت‌ها در کنار واحدهایی مانند تحقیق و توسعه، تکنولوژی اطلاعات، برنامه­ریزی و غیره، اقدام به تأسیس واحدهای داده‌کاوی نموده‌اند.

همچنین کاربردهای زیادی از داده‌کاوی در زمینه صنعت بانکداری شناخته و بکار گرفته شده است. از این میان می­توان به کاربرد این ابزار در بازاریابی و مدیریت ارتباط با مشتریان (نظیر پروفایل سازی جهت جذب، حفظ و توسعه مشتری، مراقبت از مشتری، تحلیل روی‌گردانی مشتری)، کاربرد داده‌کاوی در کشف تقلب و سوءاستفاده­های مالی (مانند فساد مالی، سوءاستفاده از دارایی­ها و تقلب در گزارش­گری مالی)، کاربرد داده‌کاوی در پیش­بینی عملکرد بانک، داده‌کاوی جهت ارزیابی اعتبار مشتریان بانک و داده‌کاوی جهت ارزیابی عملکرد بانک­ها اشاره نمود [1].

 

دانلود  رایگان فایل دموی این پایان نامه(فقط حاوی ده صفحه از صفحات پایان نامه با فرمت ورد):

 مدیریت دانش مشتریان بانک مهر اقتصاد با استفاده از تکنیک¬های داده‌کاوی

برای دیدن جزئیات بیشتر ، خرید و دانلود آنی فایل متن کامل با فرمت ورد می توانید به لینک زیر مراجعه نمایید:

 دانلود از لینک زیر  

مدیریت دانش مشتریان بانک مهر اقتصاد با استفاده از تکنیکهای داده‌کاوی

دانلود پایان نامه ارشد رشته فناوری اطلاعات: مدیریت دانش مشتریان بانک مهر اقتصاد با استفاده از تکنیکهای داده‌کاوی

دانلود پایان نامه

عنوان پایان نامه :  

مدیریت دانش مشتریان بانک مهر اقتصاد با استفاده از تکنیکهای داده‌کاوی

یک صفحه از متن پایان نامه فقط برای نمونه :

 

فهرست مطالب

فصل اول.. 1

1-1- مقدمه.. 2

1-2- تعريف مسئله.. 3

1-3- ضرورت انجام تحقيق.. 7

1-4- مراحل انجام تحقيق.. 8

1-5- محدوده تحقيق.. 9

1-6- اهداف تحقيق.. 9

1-7- ساختار پایان‌نامه.. 10

فصل دوم.. 12

2-1- مقدمه.. 13

2-2- مديريت دانش.. 14

2-2-1- دانش چيست؟.. 15

2-2-2- هرم دانش.. 15

2-2-3- انواع دانش.. 16

2-2-3-1- دانش صريح.. 16

2-2-3-2- دانش ضمنی.. 16

2-2-4- مديريت دانش چیست؟.. 17

2-2-5- استراتژی‌های مديريت دانش.. 18

2-2-5-1- استراتژی اجتماعی سازی (تبدیل دانش پنهان به پنهان)   19

2-2-5- 2- استراتژی برونی سازی (پنهان به آشکار).. 19

2-2-5- 3- استراتژی ترکیب­سازی (آشکار به آشکار).. 20

2-2-5- 4- استراتژی درونیسازی (آشکار به پنهان).. 20

2-2-6-معایب عدم بهرهگیری از دانش در سازمان.. 20

2-2-7- اهداف مدیریت دانش.. 21

2-2-8- مدل­های مديريت دانش.. 21

2-3- مديريت دانش مشتری.. 23

2-3-1- انواع دانش مشتری.. 24

2-3-2- مدل مدیریت دانش مشتری.. 28

2-4- مديريت ارتباط با مشتری.. 29

2-4-1- مديريت ارتباط مشتريان در نظام بانکی.. 32

2-4-2- مدیریت ارتباط با مشتری: اهداف، مزایا و چالش‌ها.. 33

2-5- مقايسه مفاهيم CKM و KM و CRM.. 34

2-6- تاریخچه‌ای از بانک و بانکداری.. 37

2-7-  سير تحول فناوري اطلاعات در صنعت بانكداري.. 38

2-7-1 دوره اول: اتوماسيون پشت باجه.. 38

2-7-2- دوره دوم: اتوماسيون جلوي باجه.. 38

2-7-3- دوره سوم: اتصال مشتريان به حساب‌هایشان.. 38

2-7-4- دوره چهارم: یکپارچه‌سازی سیستم‌ها و مرتبط كردن مشتريان با تمامي عمليات بانكي.. 39

2-7-5- بانكداري الكترونيك.. 39

2-8- داده‌کاوی.. 40

2-8-1- مقايسه روش‌های آماری و داده‌کاوی.. 40

2-8-2- مفهوم داده‌کاوی.. 42

2-8-3- داده‌کاوی و کشف دانش.. 44

2-8-4- فرايند داده‌کاوی.. 45

2-8-5- معرفی روش‌های داده‌کاوی.. 51

2-8-5-1- دسته‌بندی.. 53

2-8-5-2- درخت تصمیم.. 53

2-8-5-3- شبکه‌های عصبی.. 55

2-8-5-4- پیش بینی.. 56

2-8-5-5- خوشه‌بندی.. 56

2-8-5-5- انواع خوشه‌بندی.. 57

2-8-5-5-2- معیارهای ارزیابی در خوشه‌بندی.. 59

2-8-5-6- تحلیل انحراف.. 60

2-8-5-7- قواعد وابستگی (انجمنی).. 61

2-8-5-8- تحلیل توالی.. 61

2-8-6- نرم‌افزار داده‌کاوی.. 62

2-8-7- کاربردهای داده‌کاوی.. 63

2-8-7-1- داده‌کاوی در صنعت بانكداری.. 63

2-9- پیشینه تحقیق.. 65

2-9-1- کاربرد داده‌کاوی در بخش‌بندی و مدل‌سازی رفتاری مشتریان در صنعت بانکداری.. 66

2-9-2- کاربرد داده‌کاوی در ارزیابی اعتبار مشتریان.. 68

2-9-3- کاربرد داده‌کاوی در زمینه کشف تقلب.. 69

2-9-4- کاربرد داده‌کاوی در تحلیل روی‌گردانی مشتری.. 69

2-10- جمع‌بندی مطالب فصل.. 74

فصل سوم.. 76

3-1- مقدمه.. 77

3-2- روش پیشنهادی.. 77

3-2-1- چارچوب تحقیق.. 77

3-2-2- انتخاب متغیرها.. 79

3-2-3- آماده‌سازی و پیش‌پردازش داده‌ها.. 80

3-2-3-1- نرمال سازی داده‌ها.. 81

3-2-4- تعیین تعداد بهینه خوشه‌ها.. 81

3-2-5- خوشه‌بندی.. 82

3-2-5-1- انواع خوشه‌بندی.. 83

3-2-5-2- خوشه‌بندی به روش K-Means. 84

3-2-5-1-1- مزایای استفاده از الگوریتم خوشه‌بندی K-Means. 85

3-2-5-1-2-  محدودیت‌های الگوریتم K-Means. 85

3-2-5-2- خوشه‌بندی به روش WK-Means. 86

3-2-5-3- خوشه‌بندی به روش A-H-Means. 87

3-2-6- ارزیابی خوشه‌ها به روش  مجموع مربع خطاها و انتخاب بهترین روش.. 88

3-2-7- به‌کارگیری دانش حاصل از خوشه‌بندی.. 90

3-3- روش‌های جمع آوری اطلاعات.. 90

3-4- جمع‌بندی مطالب فصل.. 90

فصل چهارم.. 92

4-1- مقدمه.. 93

4-2- معرفی بانک مهر اقتصاد.. 93

4-3- موضوع و فعالیت بانک.. 94

4-4- محاسبات تحقیق.. 94

4-4-1- گام انتخاب و جمع آوری متغیرهای ورودی.. 95

4-4-2- گام آماده‌سازی و پیش‌پردازش داده‌ها.. 96

4-4-3-گام تعیین تعداد بهینه خوشه‌ها.. 97

4-4-4- گام خوشه‌بندی داده‌ها.. 97

4-4-4-1- خوشه‌بندی به روش K-Means. 98

4-4-4-2- خوشه‌بندی به روش WK-Means. 100

4-4-4-3- خوشه‌بندی به روش A-H-Means. 100

4-4-5- ارزیابی خوشه‌ها به روش  مجموع مربع خطاها و انتخاب بهترین روش.. 101

4-4-6-گام به‌کارگیری دانش حاصل از خوشه‌بندی.. 102

4-5- نتایج تحقیق.. 104

4-6- جمع‌بندی مطالب فصل.. 106

فصل پنجم.. 107

5-1- مقدمه.. 108

5-2- خلاصه تحقیق.. 108

5-3- نتیجه‌گیری.. 109

5-4- زمینه‌های پیشنهادی، راهکارها و پیشنهاد‌ات جهت پژوهش‌های آتی   110

منابع و مآخذ.. 126

 

 

 

 

فهرست جدول‌ها

جدول 2-1 انواع مختلف تبدیلات دانش.. 19

جدول 2-2 مقایسه مفاهیم مدیریت دانش، مدیریت ارتباط با مشتری و مدیریت دانش مشتری.. 35

جدول 2-3 مقایسه روش‌های تحلیل آماری و داده‌کاوی.. 41

جدول 2-4 فعالیت‌های مربوط به فازهای CRISP-DM و خروجی هر فعالیت   50

جدول 2-5 نمونه داده‌های مورد نیاز در یک مسئله مدل‌سازی به روش دسته‌بندی.. 54

جدول 2-6 معیارهای محاسبه شباهت در خوشه‌بندی.. 59

جدول 2-7 معیارهای محاسبه فاصله در خوشه‌بندی.. 60

جدول 2-8 پژوهش‌های انجام‌گرفته در زمینه کاربرد داده‌کاوی در صنعت بانکداری.. 71

جدول 3-1 متغیرهای تحقیق.. 80

جدول 4-1 نمونه ده‌تایی از داده‌های مربوط به مشتریان بانک مهر اقتصاد.. 95

جدول 4-2 متغیرهای نرمال شده.. 96

جدول 4-3 وزن نسبی متغیرهای تحقیق.. 100

جدول 4-5 مقادیر مجموع مربع خطاها در الگوریتم‌های مختلف خوشه‌بندی   101

جدول 4-6 دسته‌بندی مشتریان بر مبنای ویژگی‌های رفتاری مشابه   103

جدول 4-7 اطلاعات مربوط به خوشه‌بندی مشتریان بانک مهر اقتصاد به روش K-Means. 104

 

 

 

فهرست تصاویر و نمودارها

شکل 2-1 سلسله‌مراتب دانش.. 16

شکل 2-2 دانش صریح فقط بخش کوچکی از دانش را تشکیل می‌دهد.   17

شکل 2-3 مدل مدیریت دانش پروبست و رمهارد.. 22

شکل 2-4 چارچوب خوشه انگور جهت نوع شناسی دانش مشتری.. 26

شکل 2-5 مدل مدیریت دانش مشتری.. 28

شکل 2-7 گام‌های فرایند تولید دانش از پایگاه داده‌ها.. 44

شکل 2-8 متدولوژي فرآيند استاندارد ميان صنعتي داده‌کاوی (CRISP-DM)   47

شکل 2-9 دسته‌بندی کلی عملکردهای داده‌کاوی.. 52

شکل 2-11 نیروهای رقابتی پورتر.. 64

شکل 3-1 چارچوب تحقیق.. 78

شکل 4-1 خوشه اول، الگوریتم K-Means. 98

شکل 4-2 خوشه دوم، الگوریتم K-Means. 98

شکل 4-3 خوشه سوم، الگوریتم K-Means. 99

شکل 4-4 خوشه چهارم، الگوریتم K-Means. 99

شکل 4-5 خوشه پنجم، الگوریتم K-Means. 99

 

 


 

دانلود  رایگان فایل دموی این پایان نامه(فقط حاوی ده صفحه از صفحات پایان نامه با فرمت ورد):

 مدیریت دانش مشتریان بانک مهر اقتصاد با استفاده از تکنیک¬های داده‌کاوی

برای دیدن جزئیات بیشتر ، خرید و دانلود آنی فایل متن کامل با فرمت ورد می توانید به لینک زیر مراجعه نمایید:

 دانلود از لینک زیر  

مدیریت دانش مشتریان بانک مهر اقتصاد با استفاده از تکنیکهای داده‌کاوی

دانلود پایان نامه در باره فناوری اطلاعات: ارائه مدلی امن برای سیستمهای مدیریت فرآیند کسب وکار در محیط های سرویسگرا

دانلود پایان نامه

عنوان پایان نامه : 

ارائه مدلی امن برای سیستمهای مدیریت فرآیند کسب وکار در محیط های سرویسگرا

یک صفحه از متن پایان نامه فقط برای نمونه :

 

 

امنیت و معماری سرویس­گرا

برنامه­های کاربردی سرویس­گرا نیاز دارند تا به منظور اداره بسیاری از نیازمندی­های امنیتی سنتی برای حفاظت از اطلاعات و اطمینان از آنکه دسترسی به منطق تنها برای آن‌هایی که مجاز هستند تضمین شده­است. اما اصول امنیت از نگاه آی.بی.ام[1] عبارتند از : هویت سنجی، اعتبارسنجی، اختیارسنجی، رازداری، جامعیت، بازرسی و تطبیق، مدیریت سیاست­ها و دسترس­پذیری. ضمن آنکه این اصول در هر معماری، از جمله معماری سرویس­گرا وجود دارند، از نظر آی.بی.ام برخی جنبه­ها و ملاحظات دیگر بین معماری سرویس­گرا و امنیت هستند که باید مورد توجه قرار گیرند. به دلیل ماهیت سست اتصال عناصر معماری سرویس­گرا و عملکرد آن­ها فراتر از مرزهای سازمانی، امنیت در این معماری دارای مشکلات بیشتری می­باشد؛ لذا باید ملاحظات زیر را در نظر گرفت[32]:

  • امنیت یک نیازمندی کسب­وکار است نه یک تکنولوژی. یعنی نیازهای امنیتی نیز مانند نیازهای وظبفه­مندی یک کسب­وکار باید در مراحل مختلف خودکارسازی منطق راه­حل دیده شده و در مواقع لازم، اعمال شود.
  • محیط معماری سرویس­گرا چالش­های امنیتی خود را به همراه دارد، و عبارتند از:
  • نیاز به انتشار شناسه­های کاربران و سیستم­ها در طول محیط (مثلاً به منظور اعتبارسنجی یا اختیارسنجی). هر موجودیت در معماری سرویس­گرا یک شناسه برای اعلام هویت خود دارد؛ لذا باید این شناسه را از مفهوم سرویس تفکیک نمود.

[1] IBM

 

دانلود  رایگان فایل دموی این پایان نامه(فقط حاوی ده صفحه از صفحات پایان نامه با فرمت ورد):

 ارائه مدلی امن برای سیستم¬های مدیریت فرآیند کسب¬و¬کار در محیط¬های سرویس¬گرا

برای دیدن جزئیات بیشتر ، خرید و دانلود آنی فایل متن کامل با فرمت ورد می توانید به لینک زیر مراجعه نمایید:

 دانلود از لینک زیر 

ارائه مدلی امن برای سیستمهای مدیریت فرآیند کسب وکار در محیط های سرویسگرا

ارائه یک مدل جدید یادگیری به منظور آموزش طبقه‌بندی‌کننده‌های سریال

دانلود پایان نامه

عنوان پایان نامه :

 ارائه یک مدل جدید یادگیری به منظور آموزش طبقه‌بندی‌کننده‌های سریال

یک صفحه از متن پایان نامه فقط برای نمونه :

چکيده

 

 

ارائه یک مدل جدید یادگیری به منظور آموزش طبقه‌بندی‌کننده‌های سریال

 

 

 

امروزه ایجاد و آموزش بهینه دسته‌بندی‌کننده های مستحکم و سریع به یکی از مهمترین دغدغه‌های علم هوش مصنوعی و به ویژه حوزه یادگیری ماشین بدل شده است. با رشد روز افزون در حجم و سرعت تولید داده، نیاز به تولید دسته‌بندی‌کننده‌های دقیق و سریع بیش از پیش حس می شود و در واقع یک چالش محسوب می شود. روش‌های یادگیری جمعی طی سالیان اخیر اثبات کرده‌اند که برای رفع مشکلات یاد شده گزینه‌های مناسبی هستند.

روش‌های یادگیری جمعی، گروهی از مدل های ضعیف را تولید می‌کنند که با تلفیق مناسب و هوشمندانه خروجی آنها می توان به یک دسته‌بندی‌کننده قوی دست یافت. این روش‌ها زمانی که از الگوریتم‌های تقویتی در ساختار سریال بهره می‌برند، کارایی به مراتب بالاتری از خود نشان می‌دهند.

استفاده از شیوه تقسیم-و-تسخیر یا همان separate-and-conquer در زمان آموزش هر لایه از ساختار سریال، دلیل قدرت یادگیر‌های جمعی سریال می‌باشد؛ علاوه بر آن، تعیین مرزهای تصمیم موارد جزیی در دور‌های نخست ساختار سریال انجام می‌شود و در دور‌های آتی این مرز پالایش شده و موارد سخت‌تر را در بر خواهد گرفت. عملکرد مدل کلاسیک ساختار سريال، در مواجهه با مسائل دوکلاسه، به این صورت است که نمونه‌های غیر هدف که در لایه‌های اولیه یاد گرفته می‌شوند از سیستم حذف شده و با نمونه‌های سخت‌تر جایگزین می‌شوند؛ که می‌توان از این استراتژی با نام bootstrapping یاد کرد. با این روند، یادگیری بهینه کلان-به-جزیی یا همان learning coarse-to-fine حاصل می‌شود.

در این مطالعه، یک مدل نوین برای آموزش طبقه‌بندی‌کننده‌های سريال ارایه شده است که از روش وارسی اعتبار در ساختار آن استفاده شده است. در روش پیشنهادی، درصدی از داده‌های درست دسته‌بندی‌شده در لایه‌ نخست ساختار به منظور حفظ عمومیت سیستم، برای آموزش به لایه بعدی فرستاده می‌شود و این روند برای لایه‌های بعدی ادامه خواهد یافت. بدین ترتیب، مدل ارائه شده در مقابل داده‌های نویزی بسیار مقاوم بوده و انحراف معیار نرخ خطای آزمایش آن، از روش‌های رقیب کمتر می‌شود.

دانلود  رایگان فایل دموی این پایان نامه(فقط حاوی ده صفحه از صفحات پایان نامه با فرمت ورد): 

ارائه یک مدل جدید یادگیری به منظور آموزش طبقه‌بندی‌کننده‌های سریال

برای دیدن جزئیات بیشتر ، خرید و دانلود آنی فایل متن کامل با فرمت ورد می توانید به لینک زیر مراجعه نمایید:

 دانلود از لینک زیر

 ارائه یک مدل جدید یادگیری به منظور آموزش طبقه‌بندی‌کننده‌های سریال

ارائه الگوریتم زمانبندی مهاجرت ماشین های مجازی جهت بهینه سازی همزمان مصرف انرژی و تولید آلاینده ها در شبکه محاسباتی ابر-پایان نامه ارشد کامپیوتر

دانلود پایان نامه

عنوان پایان نامه :

 ارائه الگوریتم زمانبندی مهاجرت ماشین های مجازی جهت بهینه سازی همزمان مصرف انرژی و تولید آلاینده ها در شبکه محاسباتی ابر

یک صفحه از متن پایان نامه فقط برای نمونه :

مجازی سازی

تحقیقات اخیر بیشتردر زمینه مجازی سازی  روی  بهینه سازی نظارت بر عملکرد بهتر I/O  تاکید می کنند. تلاش های محققان [30,31,32]   بر روی تاثیر زمانبندی vm بر عملکرد مجازی سازی I/O متمرکز شده است.

Ongaro و همکاران بر روی تاثیر VMM بر عملکرد ورودی/ خروجی[1] مطالعه کردند و ایده ای مبنی بر مرتب کردن پردازنده [2]  ها در صف اجرایی  بر پایه اعتبار با قیمانده باضافه اعتبار موجود ارائه داده اند. همچنین الگوریتم بهینه سازی جهت  زمانبندی توزیع عادلانه ورودی/خروجی ارائه دادند. اما این زمانبندی توجهی به مسئله بار کاری و تخصیص مجدد  ماشین های مجازی ندارد .

زمانبند کار- آگاه[3] برروی توسعه عملکرد ورودی خروجی تاکید می کند [33] .این زمانبند توجهی به مکانیزم های بار کاری ناهمگن و وزن های مختلف ندارد. همچنین تلاش خود را بر بهره برداری بر پایه اطلاعات ورودی خروجی متمرکز می کند و تصمیمی راجع به ماشین های مجازی میهمان نمی گیرد.

زمانبند S  [34] دانش برنامه های کاربردی زمان واقعی[4] را جهت پشتیبانی از زمان پاسخگویی زمانبندی می کند. در این مقاله به جای قرار دادن  پردازنده مجازی  در انتهای صف اجرایی , آنها وضعیتی را محاسبه می کنند که پردازنده  مجازی برپایه تاخیر درج می شود .

Liao و همکاران [35]  یک مجازی سازی I/O  کارا را برای سیستم های شبکه ای  پیشنهاد دادند . این کار بوسیله زمانبند برپایه cache و اعتبار باقیمانده درایو I/O برنامه ریزی شده است.

VSched  [36]  ماشین های مجازی را با استفاده از مدل  برنامه ریزی دوره ای زمانبندی کرد که می تواند براساس بارکاری و زمان واقعی بصورت موازی اجرا شود.

تمامی این کارهای ذکر شده تشخیص داده اند که زمانبندی ماشین مجازی تاثیر زیادی روی زمان پاسخگویی I/O  دارد.

 

[1] -Input/Output(I/O)

[2] -Cpu

[3] -Task-aware

[4] -real-time

دانلود  رایگان فایل دموی این پایان نامه(فقط حاوی ده صفحه از صفحات پایان نامه با فرمت ورد): 

ارائه الگوریتم زمانبندی مهاجرت ماشین های مجازی جهت بهینه سازی همزمان مصرف انرژی و تولید آلاینده ها در شبکه محاسباتی ابر

برای دیدن جزئیات بیشتر ، خرید و دانلود آنی فایل متن کامل با فرمت ورد می توانید به لینک زیر مراجعه نمایید:

 دانلود از لینک زیر

 ارائه الگوریتم زمانبندی مهاجرت ماشین های مجازی جهت بهینه سازی همزمان مصرف انرژی و تولید آلاینده ها در شبکه محاسباتی ابر

ارائه یک مدل جدید یادگیری به منظور آموزش طبقه‌بندی‌کننده‌های سریال

دانلود پایان نامه

عنوان پایان نامه :

 ارائه یک مدل جدید یادگیری به منظور آموزش طبقه‌بندی‌کننده‌های سریال

یک صفحه از متن پایان نامه فقط برای نمونه :

چکيده

 

ارائه یک مدل جدید یادگیری به منظور آموزش طبقه‌بندی‌کننده‌های سریال

امروزه ایجاد و آموزش بهینه دسته‌بندی‌کننده های مستحکم و سریع به یکی از مهمترین دغدغه‌های علم هوش مصنوعی و به ویژه حوزه یادگیری ماشین بدل شده است. با رشد روز افزون در حجم و سرعت تولید داده، نیاز به تولید دسته‌بندی‌کننده‌های دقیق و سریع بیش از پیش حس می شود و در واقع یک چالش محسوب می شود. روش‌های یادگیری جمعی طی سالیان اخیر اثبات کرده‌اند که برای رفع مشکلات یاد شده گزینه‌های مناسبی هستند.

روش‌های یادگیری جمعی، گروهی از مدل های ضعیف را تولید می‌کنند که با تلفیق مناسب و هوشمندانه خروجی آنها می توان به یک دسته‌بندی‌کننده قوی دست یافت. این روش‌ها زمانی که از الگوریتم‌های تقویتی در ساختار سریال بهره می‌برند، کارایی به مراتب بالاتری از خود نشان می‌دهند.

استفاده از شیوه تقسیم-و-تسخیر یا همان separate-and-conquer در زمان آموزش هر لایه از ساختار سریال، دلیل قدرت یادگیر‌های جمعی سریال می‌باشد؛ علاوه بر آن، تعیین مرزهای تصمیم موارد جزیی در دور‌های نخست ساختار سریال انجام می‌شود و در دور‌های آتی این مرز پالایش شده و موارد سخت‌تر را در بر خواهد گرفت. عملکرد مدل کلاسیک ساختار سريال، در مواجهه با مسائل دوکلاسه، به این صورت است که نمونه‌های غیر هدف که در لایه‌های اولیه یاد گرفته می‌شوند از سیستم حذف شده و با نمونه‌های سخت‌تر جایگزین می‌شوند؛ که می‌توان از این استراتژی با نام bootstrapping یاد کرد. با این روند، یادگیری بهینه کلان-به-جزیی یا همان learning coarse-to-fine حاصل می‌شود.

در این مطالعه، یک مدل نوین برای آموزش طبقه‌بندی‌کننده‌های سريال ارایه شده است که از روش وارسی اعتبار در ساختار آن استفاده شده است. در روش پیشنهادی، درصدی از داده‌های درست دسته‌بندی‌شده در لایه‌ نخست ساختار به منظور حفظ عمومیت سیستم، برای آموزش به لایه بعدی فرستاده می‌شود و این روند برای لایه‌های بعدی ادامه خواهد یافت. بدین ترتیب، مدل ارائه شده در مقابل داده‌های نویزی بسیار مقاوم بوده و انحراف معیار نرخ خطای آزمایش آن، از روش‌های رقیب کمتر می‌شود.

دانلود  رایگان فایل دموی این پایان نامه(فقط حاوی ده صفحه از صفحات پایان نامه با فرمت ورد): 

%d8%b7%d8%b1%d8%a7%d8%ad%db%8c-%d9%88-%d9%be%db%8c%d8%a7%d8%af%d9%87-%d8%b3%d8%a7%d8%b2%db%8c-%d9%86%d9%88%d8%b9%db%8c-%d9%be%d9%86%d9%84-%d9%84%d9%85%d8%b3%db%8c-%d9%85%d8%a7%d8%af%d9%88%d9%86-%d9%82 %d8%a7%d8%b1%d8%a7%d8%a6%d9%87-%db%8c%da%a9-%d9%85%d8%af%d9%84-%d8%ac%d8%af%db%8c%d8%af-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d8%a8%d9%87-%d9%85%d9%86%d8%b8%d9%88%d8%b1-%d8%a2%d9%85%d9%88%d8%b2

برای دیدن جزئیات بیشتر ، خرید و دانلود آنی فایل متن کامل با فرمت ورد می توانید به لینک زیر مراجعه نمایید:

 دانلود از لینک زیر

 ارائه یک مدل جدید یادگیری به منظور آموزش طبقه‌بندی‌کننده‌های سریال

ارائه یک مدل جدید یادگیری به منظور آموزش طبقه‌بندی‌کننده‌های سریال

پایان نامه

عنوان پایان نامه :

 ارائه یک مدل جدید یادگیری به منظور آموزش طبقه‌بندی‌کننده‌های سریال

یک صفحه از متن پایان نامه فقط برای نمونه :

امروزه ایجاد و آموزش بهینه دسته‌بندی‌کننده های مستحکم و سریع به یکی از مهمترین دغدغه‌های علم هوش مصنوعی و به ویژه حوزه یادگیری ماشین بدل شده است. با رشد روز افزون در حجم و سرعت تولید داده، نیاز به تولید دسته‌بندی‌کننده‌های دقیق و سریع بیش از پیش حس می شود و در واقع یک چالش محسوب می شود. روش‌های یادگیری جمعی طی سالیان اخیر اثبات کرده‌اند که برای رفع مشکلات یاد شده گزینه‌های مناسبی هستند.

روش‌های یادگیری جمعی، گروهی از مدل های ضعیف را تولید می‌کنند که با تلفیق مناسب و هوشمندانه خروجی آنها می توان به یک دسته‌بندی‌کننده قوی دست یافت. این روش‌ها زمانی که از الگوریتم‌های تقویتی در ساختار سریال بهره می‌برند، کارایی به مراتب بالاتری از خود نشان می‌دهند.

استفاده از شیوه تقسیم-و-تسخیر یا همان separate-and-conquer در زمان آموزش هر لایه از ساختار سریال، دلیل قدرت یادگیر‌های جمعی سریال می‌باشد؛ علاوه بر آن، تعیین مرزهای تصمیم موارد جزیی در دور‌های نخست ساختار سریال انجام می‌شود و در دور‌های آتی این مرز پالایش شده و موارد سخت‌تر را در بر خواهد گرفت. عملکرد مدل کلاسیک ساختار سريال، در مواجهه با مسائل دوکلاسه، به این صورت است که نمونه‌های غیر هدف که در لایه‌های اولیه یاد گرفته می‌شوند از سیستم حذف شده و با نمونه‌های سخت‌تر جایگزین می‌شوند؛ که می‌توان از این استراتژی با نام bootstrapping یاد کرد. با این روند، یادگیری بهینه کلان-به-جزیی یا همان learning coarse-to-fine حاصل می‌شود.

در این مطالعه، یک مدل نوین برای آموزش طبقه‌بندی‌کننده‌های سريال ارایه شده است که از روش وارسی اعتبار در ساختار آن استفاده شده است. در روش پیشنهادی، درصدی از داده‌های درست دسته‌بندی‌شده در لایه‌ نخست ساختار به منظور حفظ عمومیت سیستم، برای آموزش به لایه بعدی فرستاده می‌شود و این روند برای لایه‌های بعدی ادامه خواهد یافت. بدین ترتیب، مدل ارائه شده در مقابل داده‌های نویزی بسیار مقاوم بوده و انحراف معیار نرخ خطای آزمایش آن، از روش‌های رقیب کمتر می‌شود.

 

واژه­های کلیدی: یادگیری ماشین، الگوریتم­های یادگیری جمعی، coarse-to-fine learning، یادگیر‌های جمعی سريال، separate-and-conquer

دانلود  رایگان فایل دموی این پایان نامه(فقط حاوی ده صفحه از صفحات پایان نامه با فرمت ورد):

ارائه یک مدل جدید یادگیری به منظور آموزش طبقه‌بندی‌کننده‌های سریال

برای دیدن جزئیات بیشتر ، خرید و دانلود آنی فایل متن کامل با فرمت ورد می توانید به لینک زیر مراجعه نمایید:

 دانلود از لینک زیر

 ارائه یک مدل جدید یادگیری به منظور آموزش طبقه‌بندی‌کننده‌های سریال