بررسی تأثیر مدیریت کیفیت زنجیره تأمین و تسهیم دانش بر عملکرد زنجیره تأمین با نقش میانجی نوآوری (مطالعه موردی: ذوب آهن اصفهان) (1399) / یاراحمدی ، بهرام، نویسنده
نوع مدرک: متون چاپی سرشناسه یاراحمدی ، بهرام، نویسنده ردهبندی کنگره : M lnp 67 1399 عنوان : بررسی تأثیر مدیریت کیفیت زنجیره تأمین و تسهیم دانش بر عملکرد زنجیره تأمین با نقش میانجی نوآوری (مطالعه موردی: ذوب آهن اصفهان) عنوان موازی : Investigating the Impact of Supply Chain Quality Management and Knowledge Sharing on Supply Chain Performance (Case study: Isfahan Steel Company) ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1399 صفحه شمار: ح، 96ص شابک/شاپا 23817 یادداشت پایان نامه کارشناسی ارشد: مدیریت صنعتی گرایش تولید و عملیات شناسه افزوده : نعمت بخش ، ناصر، استاد راهنما طلایی ، حمیدرضا، استاد مشاور توصیفگرها مدیریت کیفیت زنجیره تأمین تسهیم دانش نوآوری عملکرد زنجیره تأمین Supply chain quality management knowledge sharing, innovation supply chain performance چکیده : در دنیای رقابتی امروز، رقابت از سطح شرکت¬ها به رقابت میان زنجیره تامین آن¬ها کشیده شده است و برخورداری از یک زنجیره تامین کارا و چالاک، به¬عنوان یک مزیت رقابتی بسیار مهم و تعیین¬کننده در عرصه رقابت محسوب می¬شود. در این راستا با کشیده شدن رقابت از سطح شرکت¬ها به سطح زنجیره تامین آن¬ها، کیفیت و مدیریت کیفیت نیز باید از سطح شرکت¬ها به سطح زنجیره تامین آن¬ها منتقل شود و شرکت¬ها ناگزیرند برای برخورداری از یک مدیریت کیفیت موثر و کارآمد که کیفیت محصول نهایی به مشتریان را تضمین نماید، فراسازمانی عمل کنند. بر این اساس هدف از پژوهش حاضر بررسی تأثیرات توأمان مدیریت کیفیت زنجیره تأمین و مقوله تسهیم دانش بر عملکرد زنجیره تأمین با توجه به نقش میانجی نوآوری بوده است که تاکنون در کشور بررسی نشده است و از لحاظ هدف کاربردی و از لحاظ ماهیت توصیفی- پیمایشی است. جامعه آماری این پژوهش مدیران، معاونین و کارشناسان فنی شرکت ذوب آهن اصفهان می¬باشند. داده¬ها با ابزار پرسشنامه استاندارد مدیریت کیفیت زنجیره تأمین جمع¬آوری گردیده که روایی و پایایی آن برابر با 89/0 بوده است. پژوهش حاضر از روش کمی و با استفاده از توزیع پرسشنامه بین 217 نفر از مدیران، معاونین و کارشناسان فنی در زنجیره تأمین صنایع ذوب آهن اصفهان انجام شده و تجزیه و تحلیل داده¬ها با استفاده از روش مدل¬سازی معادلات ساختاری با نرم¬افزار Smart PLS صورت گرفته است. یافته¬ها نشان می¬دهد که مدیریت کیفیت زنجیره تأمین و تسهیم دانش بر نوآوری تأثیر مثبت و معناداری دارند و نوآوری به¬طور مثبت و معناداری بر عملکرد زنجیره تأمین تأثیرگذار است. هم¬چنین متغیر میانجی نوآوری بر عملکرد زنجیره تأمین تأثیر مثبت و معناداری دارد لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=13032 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 23817 M lnp 67 1399 پایاننامه دانشگاه شهید اشرفی اصفهانی مرکزی اسناد مرجع غیر قابل امانت
نوع مدرک: متون چاپی سرشناسه موسوی ، جمال، نویسنده ردهبندی کنگره : COM soft 30 1399 عنوان : بررسی علل حوادث در شرکت ملی حفاری با استفاده از تکنیک های داده کاوی عنوان موازی : Investigating the Causes of Accidents at the National Iranian Drilling Company using Data Mining Techniques ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1399 صفحه شمار: 102ص شابک/شاپا 23361 یادداشت پایان نامه کارشناسی ارشد: مهندسی نرم افزار شناسه افزوده : نعمت بخش ، ناصر، استاد راهنما یراقی ، شکوفه، استاد مشاور توصیفگرها دادهکاوی شرکت ملی حفاری علل حوادث پیشگیری حوادث Data Mining National Iranian Drilling Company Causes Of Accident Accident prevention چکیده : شرکت ملی حفاری ایران یکی از شرکتهای بزرگ ایران در زمینه خدمات حفاری نفت و گاز ایرانی است ، که در سال 1979 به عنوان یک شرکت تابعه از شرکت ملی نفت ایران تأسیس شد. در شرکت ملی حفاری با توجه به نوع کار در صنعت حفاری و مخاطرههای آن به کار گرفتن کامل مقررات و ضوابط ایمنی اجتنابناپذیر است و اگر رعایت نشود هزینههای بسیاری به دنبال دارد، همچنین منابع انسانی ارزشمندترین سرمایه هر سازمانی است و وظیفه ایمنی؛ زمینهسازی، آگاهی-بخشی، فرهنگسازی و پیشگیری از وقوع حوادث در حین کار است و اجرای دقیق شاخصهای آن، میتواند در ارتقاء جایگاه شرکت در سطح ملی و منطقهای تأثیر مستقیم داشته باشد بنابراین باید با استفاده از روشهای امروزی بتوان این حوادث را پیشبینی و کنترل کرد .
دادهکاوی فرآیند استخراج اطلاعات (قوانین و الگوها) ضمنی، غیر بدیهی، از قبل ناشناخته و بالقوه مفید از دادهها در پایگاه داده است ، در این پژوهش سعی بر آن است با استفاده از الگوریتمهای درخت تصمیم پیشبینی دقیقی از حوادث ازجمله حوادث جانی (فوتی ، نقص¬عضو، جزئی) حوادث مالی (آسیب وسایل) و حوادث آتشسوزی در شرکت ملی حفاری انجام گیرد و همچنین عوامل مؤثر بر حوادث در شرکت ملی حفاری را با استفاده از الگوریتمهای دادهکاوی، پیدا و جهت کنترل آن اقدام گردد . تحلیل انجام شده، دیدگاه جدیدی نسبت به پیچیدگی و عوامل حوادث در محیط کاری شرکت ملی حفاری را فراهم میکند که به نوبه خود اطلاعات ارزشمندی برای اقدامات پیشگیرانه توسط دولت در این شرکت ارائه میکندلینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=12673 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 23361 COM soft 30 1399 پایاننامه دانشگاه شهید اشرفی اصفهانی مرکزی اسناد مرجع غیر قابل امانت بررسی عوامل موثر در تشدید بیماری استرپتوکوکوزیس در مزارع پرورش ماهی قزلآلا با استفاده از روشهای داده کاوی (1399) / جهانبازی ، مسلم، نویسنده
نوع مدرک: متون چاپی سرشناسه جهانبازی ، مسلم، نویسنده ردهبندی کنگره : COM soft 37 1399 عنوان : بررسی عوامل موثر در تشدید بیماری استرپتوکوکوزیس در مزارع پرورش ماهی قزلآلا با استفاده از روشهای داده کاوی عنوان موازی : Investigating the factors influencing the exacerbation of streptococcus in salmon farms using data mining methods ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1399 صفحه شمار: و، 73ص شابک/شاپا 23783 یادداشت پایان نامه کارشناسی ارشد: مهندسی کامپیوتر گرایش نرم افزار شناسه افزوده : نعمت بخش ، ناصر، استاد راهنما سلیمانی نیسیانی ، بهزاد، استاد مشاور توصیفگرها استرپتوکوکوزیس دادهکاوی الگوریتمهای دادهکاوی متدولوژی CRISP-DMو انتخاب ویژگی Streptococcosis Data Mining Data Mining Algorithms CRISP-DM Methodology Feature Selection چکیده : امروزه، دادهکاوی یکی از تکنیکهای پرکاربرد میباشد که پـردازش خـود را روی دادههـای انبـوه انجام میدهد. دادهکاوی نه تنها موجب استفاده بهینه از انبوه دادههای ذخیره شده توسط سیستمهای کلینیک شده، بلکه موجب کشف دانش موجود در میان این دادهها نیز شده است. با توجه به فراوانی دادههای پزشکی و بیماریها، این موضوع میتواند بستر مناسبی برای به کارگیری تکنیکهای مختلف دادهکاوی باشد.
بسیاری از بیماریهای باکتریایی ماهی، مسبب تلفات و ضرر اقتصادی بالا در مزارع پرورش قزلآلای رنگین کمان میباشند از این رو شناخت بیماریهای باکتریایی و باکتریهای بیماریزا یکی از مهمترین راهها جهت کنترل و پیشگیری از بروز بیماریهای باکتریایی است. استرپتوکوکوزیس یک بیماری عفونی باکتریایی است که در اکثر مراکز تکثیر و پرورش ماهیان سردابی قزلآلای رنگین
کمان کشور مشاهده شده است. در بروز و همه گیری این بیماری عواملی از جمله دما، فصل، PH و... در بروز بیماری نقش دارند. این مطالعه با هدف شناسایی عوامل خطر محیطی و ارزیابی میزان تاثیر گذاری آنان در بروز استرپتوکوکوزیس وارائه پیشنهادهای اجرایی برای کنترل بیماری در استان چهارمحال بختیاری اجرا گردید. این تحقیق از 10 مزرعه منتخب از مجموعه مراکز تکثیر و پرورش ماهیان سردآبی استان چهارمحال بختیاری، با بکارگیری طرحهای آماری استاندارد، در یک بازه زمانی یک ساله و با فواصل فصلها به ثبت عوامل اپیدمیولوژیک مؤثر بر بروز بیماری اقدام گردید.
سـپس بـرای کار با دادهها از متدولوژی CRISP-DM استفاده شد. دادهها در دو قسمت مورد مدلسازی و ارزیابی قرار گرفتند: انتخاب دادهها پس از پیشپردازش دادهها و انتخاب ویژگی. در ادامـه بـرای مدلسازی از سه الگوریتم درخت تصمیمگیری، شبکه عصـبی مصـنوعی و KNN در دو حالـت انتخاب دادهها پس از پیشپردازش دادهها و انتخاب ویژگی استفاده شد. بـا اسـتفاده از روش ارزیابی متقابل جهت ارزیابی مدلسازیهای انجام شد، روش درخت تصمیم بالاترین دقت (86.96%) را کسب کرده که در مقایسه با سایر پژوهشهای که تا کنون صورت گرفته است نتیجه بالاتری است (ابوالفصل سپهداری با صحت 20%) و به عنوان مدل برتر انتخاب شده است. بـا روش KNN نیز دقت قابل قبولی (79.11%) بدست آمده است. همچنین با استفاده از انتخاب ویژگی با الگوریتم درخت تصمیم توانسته شد دقت خوب (85.54%) بدست آورده شودلینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=12999 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 23783 COM soft 37 1399 پایاننامه دانشگاه شهید اشرفی اصفهانی مرکزی اسناد مرجع غیر قابل امانت بررسی میزان تاثیر امنیت و پایداری شبکه های اجتماعی بر کسب و کارهای دیجیتالی (1401) / بدیعی گورتی ، زینب، نویسنده
نوع مدرک: متون چاپی سرشناسه بدیعی گورتی ، زینب، نویسنده ردهبندی کنگره : COM soft 68 عنوان : بررسی میزان تاثیر امنیت و پایداری شبکه های اجتماعی بر کسب و کارهای دیجیتالی عنوان موازی : Investigating the relationship between social network security and the sustainability of internet businesses ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1401 صفحه شمار: 108ص شابک/شاپا 24731 یادداشت پایاننامه کارشناسی ارشد: رشته کامپیوتر گرایش نرمافزار شناسه افزوده : نعمت بخش ، ناصر، استاد راهنما توصیفگرها کسب و کار، کسب و کار دیجیتالی، شبکه¬های اجتماعی، امنیت شبکه¬های اجتماعی، پایداری شبکه¬های اجتماعی، امنیت اینترنتی Business, Digital business, Social networks, Security of social networks, Stability of social networks, Internet security چکیده : شبکه¬های اجتماعی با بیش از 4.89 میلیارد کاربر، یکی از جدیدترین و پرمخاطب¬ترین سرویس¬های -اینترنتی هستند که از جنبه¬های متعددی قابل ارزیابی بوده و به عنوان نسل جدیدی از پایگاه¬ها داده¬ها به شمار می¬آیند. توسعه فضای مجازی بر حوزه¬های مختلف کسب و کار و زندگی اثر گذاشته و به علت نبودن محدودیت در استفاده و فعالیت در این شبکه¬ها، مدیران کسب و کار از این شبکه¬ها و امکانات آنها برای آگاه کردم مردم از محصولات خود، شناخت برند و گسترش کسب و کارشان استفاده می¬کنند. شبکه¬های اجتماعی تحولات بزرگی را در حوزه کسب و کار و بازاریابی اینترنتی ایجاد کرده است. با توجه به سرعت تاثیرگذاری بر فضای کسب وکار، صاحبان کسب وکار به دنبال برندسازی و محکم کردن جایگاه خود در فضای مجازی به عنوان یک برند معتبر و محکم کردن جایگاه خود هستند. برای تحقق این اهداف مهم-ترین مسئله حفظ امنیت و حریم خصوصی است که با افزایش تهدیدهای امنیتی یک ساختار امن در شبکه¬های اجتماعی ضروری به نظر می رسد. از طرف دیگر تداوم و پایداری کسب وکار منوط به محرمانه بودن و در دسترس بودن این شبکه¬هاست چرا که حذف یا دسترس نبودن آنها حتی می تواند باعث فنای همیشگی یک کسب و کار و قطع ارتباط آن با مشتریان خود شود. ساختار داده¬های رسانه¬های اجتماعی ساختار نیافته و به شکل متن، صدا، تصویر و ویدئو هستند. از آنجایی که رسانه¬های اجتماعی حجم عظیمی از داده¬های بلادرنگ را ارائه می¬کنند روش¬های آمار سنتی برای تجزیه و تحلیل این داده¬های عظیم نامناسب و غیرممکن است. بنابراین تکنیک¬های داده¬کاوی نقش مهمی برای غلبه بر این مشکل داشته و تهدیدهای اجتماعی را توصیف می¬کنند.
در این پژوهش از یک مجموعه داده بزرگ از نوع خبری از سایت های خبری معروف گوگل نیوز و یاهو نیوز و بازخورد آنها در شبکههای اجتماعی فیسبوک٬ گوگل پلاس و لینکدین استفاده شده است. این داده ها مربوط به یک دوره 8 ماهه بین نوامبر 2015 تا ژوئیه 2016 است. 93،239 خبر در چهار موضوع مختلف اقتصاد، مایکروسافت، اوباما و فلسطین در سال 2016 منتشر شده است که تعداد 33،928 خبر مربوط به داده¬های حوزه اقتصاد است که در این پژوهش از این داده¬ها استفاده شده است. ضمن تجزیه و تحلیل داده¬های در دسترس و با استفاده از 5 الگوریتم یادگیری ماشین و با دو سناریوی ساده و استخراج ویژگی، واکنش به پیام به کمک داده¬کاوی پیش¬بینی شده است. در نهایت با استفاده از سه معیار دقت، صحت و فراخوانی (بازیابی) نتایج مقایسه و الگوریتم یادگیری عمیق با مقادیر صحت ٪58، فراخوانی ٪53 و دقت ٪56 در حالت سناریوی استخراج ویژگی نسبت به سایر الگوریتم های یادگیری مقادیر بهتری را ارائه کرده است. طبق نتایج بدست آمده اخبار مرتبط با پایداری بیشتر از امنیت اهمیت داشته و همچنین اخبار مرتبط با پایداری و بدون امنیت بیشترین میزان واکنش و حس را در بین مردم دارند که به خودی خود نشان از تاثیر بالای پایداری نسبت به امنیت در کسب ¬وکارهای دیجیتالی داردلینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=13797 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 24731 COM soft 68 پایاننامه دانشگاه شهید اشرفی اصفهانی مرکزی اسناد مرجع غیر قابل امانت بهبود تشخیص بقای کودکان در پیوند مغز استخوان با استفاده از تکنیکهای یادگیری ماشین گروهی و انتخاب ویژگی (1401) / بهارلوئی ، فاطمه، نویسنده
نوع مدرک: متون چاپی سرشناسه بهارلوئی ، فاطمه، نویسنده ردهبندی کنگره : COM soft 58 عنوان : بهبود تشخیص بقای کودکان در پیوند مغز استخوان با استفاده از تکنیکهای یادگیری ماشین گروهی و انتخاب ویژگی عنوان موازی : Improving The Diagnosis Of Children Survival In Bone Marrow Transplantation Using Ensemble Machine Learning Techniques And Feature Selection ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1401 صفحه شمار: 85ص شابک/شاپا 24543 یادداشت پایان نامه کارشناسی ارشد :رشته مهندسی کامپیوترگرایش نرم افزار شناسه افزوده : نعمت بخش ، ناصر، استاد راهنما زمین کار ، مینا، استاد مشاور توصیفگرها پیوند مغز استخوان، رای گیری اکثریت تطبیقی، شبکه عصبی، انتخاب ویژگی فیلتر Bone marrow transplantation, Adaptive Majority Voting, Neural Network, Filter Feature Selection چکیده : پیوند مغز استخوان که به آن پیوند سلولهای بنیادی خونساز نیز گفته میشود؛ سلولهای سالم را جایگزین سلولهای ناسالم مغز استخوان میکند. اخیرا پیوند مغز استخوان، به عنوان یک روش نجات دهنده برای درمان طیف وسیعی از اختلالات ناشی از مغز استخوان و انواع کمی از سرطانها به شمار میآید. بیمارانی که تحت این جراحی هستند با عوامل خطر متعددی که احتمال حیات آنها را کاهش میدهد مواجه هستند. از اینرو ارائه راهکارهای مبتنی بر هوش مصنوعی در راستای تشخیص نرخ بقای بیماران با در نظر داشتن عوامل موثر بر آن، به شدت مورد توجه قرار گرفته است. در سالهای اخیر از روشهایی مثل جنگل تصادفی، k نزدیکترین همسایه، شبکه بیزی و روشهایی از این دست برای تشخیص بقای بیماران پیوند مغز استخوان استفاده شده، اما بررسی روشهای گروهی و روشهای شبکه عصبی در این بین نادیده گرفته شده است. از اینرو در این تحقیق از ترکیب 5 روش مختلف شامل شبکه عصبی Dense، جنگل تصادفی، درخت تصمیم، ماشین بردار پشتیبان و K نزدیکترین همسایه برای تشخیص بقای بیماران پیوند مغز استخوان استفاده شده است. در این مدل برای ترکیب روشهای فوق، تکنیک رای گیری اکثریت تطبیقی پیشنهاد شده است که در آن 3 مورد از 5 الگوریتم فوق که دارای بهترین نتایج هستند با یکدیگر ترکیب میشوند. از طرف دیگر برای کاهش پیچیدگیهای محاسباتی مدل از سه روش انتخاب ویژگی فیلتر مختلف شامل روش Relief ، NCA و sequential برای انتخاب زیر مجموعه بهینه از ویژگیها استفاده شده است. نتایج بررسیهای مدل بر روی پایگاه داده Bone marrow دریافت شده از مخزن UCI نشان میدهد مدل میتواند به صحت بالغ بر 99% دست یابد که متعلق به روش رای گیری اکثریت تطبیقی با دو روش انتخاب ویژگی NCA و Relieff است. در بین روشهای انفرادی شبکه Dense در مقایسه با روشهای یادگیری ماشین سنتی عملکرد موفقتری از خود نشان داده است. همچنین روش توانسته بالغ بر 3% تشخیص نرخ بقای بیماران پیوند مغز استخوان را در مقایسه با مدلهای پیشین بهبود دهد لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=13618 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 24543 COM soft 58 پایاننامه دانشگاه شهید اشرفی اصفهانی مرکزی اسناد مرجع غیر قابل امانت
نوع مدرک: متون چاپی سرشناسه قاسمی ، فؤاد، نویسنده ردهبندی کنگره : COM soft 6 1396 عنوان : بهبود تشخیص بیماری های قلبی با استفاده از تکنیک های دادهکاوی ناشر: دانشگاه شهید اشرفی اصفهانی : بی نا سال نشر : 1395 صفحه شمار: ن، 95ص شابک/شاپا 22726 یادداشت پایان نامه کارشناسی ارشد : مهندسی کامپیوتر گرایش مهندسی نرمافزار شناسه افزوده : نعمت بخش ، ناصر، استاد راهنما سلیمانی نیسیانی ، بهزاد، استاد مشاور توصیفگرها بیماری عروق کرونر دادهکاوی تکنیکهای دادهکاوی ویژگیهای موثر متدولوژیCoronary Artery Disease Data Mining Data Mining Techniques Effective Features CRISP-DM Methodology چکیده : استفاده از تکنیکهای دادهکاوی در زمینه پزشکی رشد روز افزونی داشته است. دادهکاوی نه تنها موجب استفاده بهینه از انبوه دادههای ذخیره شده توسط سیستمهای کلینیک شده، بلکه موجب کشف دانش موجود در میان این دادهها نیز شده است.بیماریهای قلبی عروقی امروزه بسیار معمول است و یکی از دلایل اصلی مرگ و میر است. در میان انواع مختلف این بیماریها، تشخیص درست و به موقع بیماری عروق کرونر (CAD) بسیار مهم است. بهترین و دقیقترین روش تشخیص بیماری عروق کرونر در حال حاضر آنژیوگرافی است که دارای عوارض جانبی زیاد و پر هزینه است. بنابراین محققان به دنبال روشهای ارزان و با دقت بالا برای تشخیص این بیماری هستند. مطالعات موجود از ویژگیهای جمعآوری شده از بیماران و الگوریتمهای مختلف دادهکاوی برای افزایش دقت استفاده کردهاند. در این پایاننامه یک مجموعه داده، شامل چندین ویژگی مهم و موثر جدید برای تشخیص بیماری عروق کرونر به همراه تعدادی از ویژگیهای مهم مورد استفاده در مطالعات قبلی جمعآوری شده است. مجموعه داده موجود در این پایاننامه، از 303 مراجعهکننده به صورت تصادفی به بیمارستان شهید رجایی تهران که مشکوک به داشتن بیماری عروق کرونر بودند جمعآوری شده است. در میان نمونهها، 87 نمونه سالم و 216 نمونه بیمار بودند. چندین روش دادهکاوی روی مجموعه داده اجرا شد و توسط معیارهای مختلفی کارایی الگوریتمها مورد ارزیابی قرار گرفت و پس از روش ارائه شده در این مطالعه در نهایت دقت 99.67% در تشخیص بیماری عروق کرونر به دست آمد که بالاترین دقت به دست آمده در مطالعات انجام شده تاکنون میباشد. با توجه به مدلهای استفاده شده مشخص شد که 3 ویژگی از 58 ویژگی تاثیر بسزایی در جهت تشخیص بیماری عروق کرونر و جداکنندگی CAD از Normal دارند لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=1114 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 22726 COM soft 6 1396 پایاننامه دانشگاه شهید اشرفی اصفهانی مرکزی اسناد مرجع غیر قابل امانت بهبود تشخیص حیات و مرگ بیماران قلبی با استفاده از روشهای یادگیری ماشین و انتخاب ویژگی (1401) / مزروعی ، فائزه، نویسنده
نوع مدرک: متون چاپی سرشناسه مزروعی ، فائزه، نویسنده ردهبندی کنگره : COM soft 47 عنوان : بهبود تشخیص حیات و مرگ بیماران قلبی با استفاده از روشهای یادگیری ماشین و انتخاب ویژگی عنوان موازی : Improving the Prediction of Survival and Failure of Heart Patients using Machine Learning and Feature Selection ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1401 صفحه شمار: 77ص شابک/شاپا 24532 یادداشت پایان نامه کارشناسی ارشد :رشته مهندسی کامپیوترگرایش نرم افزار شناسه افزوده : نعمت بخش ، ناصر، استاد راهنما زمین کار ، مینا، استاد مشاور توصیفگرها شبکه عصبی پرسپترون، تشخیص بقای بیماران قلبی، انتخاب ویژگی، عدم توازن داده Perceptron Neural Network, Survival Diagnosis of Cardiac Patients, Feature Selection, Data Imbalance. چکیده : بیماریهای قلبی عروقی، مجموعهای از اختلالات هستند که عامل اصلی ناتوانی و مرگ زودرس در سراسر جهان محسوب میشوند. اغلب بیماریها از جمله بیمارهای قلبی، بواسطه تشخیص زودهنگام قابل کنترل و درمانپذیر هستند؛ اما حجم رو به رشد بیمارهای مختلف در سراسر جهان معضلی در تشخیص به موقع آنها است که عامل اصلی طراحی سیستمهای هوش مصنوعی و یادگیری ماشین در راستای کمک به پزشکان است. اکثر سیستمهای ارائه شده در این خصوص مبتنی بر تکنیکهای یادگیری ماشین سنتی مثل درخت تصمیم، جنگل تصادفی و روشهایی از این قبیل هستند؛ که در دادههای پزشکی به دلیل ماهیت چالش برانگیز آنها مثل عدم توازن دادهها، عملکرد چندان موفقی از خود نشان نمیدهند. از اینرو در این تحقیق یک روش تشخیص بقای بیماران قلبی مبتنی بر شبکه عصبی چند لایه پرسپترون طراحی شده است که در آن به چالش عدم توازن دادهها توجه شده است. در این روش برای رفع این مشکل از تکنیک بیش نمونهگیری Borderline SMOTE استفاده شده است. همچنین برای رسیدن به بهترین نتایج یک مرحله انتخاب ویژگی مبتنی بر الگوریتم حداقل افزونگی- حداکثر همبستگی طراحی شده است؛ که میتواند منجر به رسیدن به بهترین دادههای بالینی بیماران شود. نتایج ارزیابی مدل پیشنهاد شده بر روی دادههای heart failure در مخزن UCI، نشان میدهد مدل پیشنهادی در تشخیص بقای بیماران به صحت 96.33% و دقت 95.22% دست یافته است؛ که در مقایسه با 6 روش یادگیری ماشین سنتی بطور میانگین بالغ بر 11% صحت را بهبود داده است لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=13606 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 24532 COM soft 47 پایاننامه دانشگاه شهید اشرفی اصفهانی مرکزی اسناد مرجع غیر قابل امانت بهبود سرعت و هزینه تکثیر پویا در سیستمهای توزیعی با استفاده از راهکارپیشنهادی بر پایه تکثیر گروهی مبتنی بر معدل دسترسی (1396) / فاطمی آذرخوارانی ، مصطفی، نویسنده
نوع مدرک: متون چاپی سرشناسه فاطمی آذرخوارانی ، مصطفی، نویسنده ردهبندی کنگره : COM soft 19 1398 عنوان : بهبود سرعت و هزینه تکثیر پویا در سیستمهای توزیعی با استفاده از راهکارپیشنهادی بر پایه تکثیر گروهی مبتنی بر معدل دسترسی ناشر: دانشگاه شهید اشرفی اصفهانی : بی نا سال نشر : 1396 صفحه شمار: ز، 96ص شابک/شاپا 22739 یادداشت پایان نامه کارشناسی ارشد : مهندسی نرم افزار شناسه افزوده : نعمت بخش ، ناصر، استاد راهنما سلیمانی ، بهزاد، استاد مشاور توصیفگرها گرید داده تکثیر داده پویا گروهی از فایلها الگوی دسترسی هزینه دسترسی گراف اتصالData Grid Dynamic Data Replication Dynamic Data Replication Group of Files Access Pattern Access Cost Connection Graph چکیده : در سالهای اخیر تکنولوژی گرید رشد چشمگیری داشته بهطوریکه در اکثر تحقیقات و آزمایشهای علمی مورد استفاده قرار گرفته است. چالشهای بزرگی که درگرید داده وجود دارد، نیاز به دسترس پذیری بالا، کارآیی بالا و مصرف پهنای باند پایین میباشد. تکثیر دادهها، استراتژی یا روشی است که با استفاده از آن میتوان مسائلی از قبیل دسترسی به دادهها به صورت کارا و با قابلیت دسترس پذیری بالا را حل کرد. استراتژی روی معماری های مختلف گرید داده اجرا میشود. در محیطی که از تکثیر استفاده میشود با افزایش تعداد نسخههای تکرار شده از فایلها و با بهتر شدن محلی بودن دادهها، کارآیی سیستم بهبودخواهد یافت. در این پایان نامه، روشهای مختلف تکثیر داده پویا در شبکههای گرید داده بررسی شده و یک راهکار تکثیر داده پویا درگریدپیشنهاد میشودکه با بهرهگیری از عوامل مؤثر برتکثیر دادهها، موجب کاهش زمان اجرای کارها، کاهش مصرف پهنای باند و کاهش هزینه میشود. راهکارپیشنهادی مبتنی بر این فرضیه اصلی میباشدکه بر اساس تاریخچه دسترسی فایل، فایلهای مورد علاقه کارهای مختلف درگریدداده (سازمان های مجازی) یکسان میباشند و همچنین طبق فرضیه اول، این راهکار یک گراف اتصال برای هر گروه از فایلهای مرتبط به هرگرید سایت را میسازد و مجموعه ای از فایلها را به صورت گروهی که مورد درخواست گرید سایت میباشند را تکثیر میکند. این راهکار در شبیهساز اپتورسیم پیادهسازی شده است و نتایج حاصل از شبیهسازی نشان میدهد که پارامترهایی مانند میانگین زمان اجرای کارها کاهش، تعداد نسخههای تکثیری را نیز کاهش و بهرهوری(استفاده موثر از شبکه) را به میزان قابل قبول بهبود بخشیده است. در این راهکار میزان بهبود در میزان استفاده موثر از شبکه نسبت به الگوریتم PDDRA حدود 3% ،زمان اجرای کار نسبت به همین الگوریتم حدود 5% بهبود و تعداد تکثیر نسخه های تکثیری نسبت به الگوریتم PDDRA در بهترین حالت حدود 32% میباشد لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=1471 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 22739 COM soft 19 1398 پایاننامه دانشگاه شهید اشرفی اصفهانی مرکزی اسناد مرجع غیر قابل امانت بهبود صحت پیشبینی بقای بیماران مبتلا به سپسیس با استفاده از شبکههای عصبی پیشخور آبشاری و روش نمونه گیری (1401) / کیانی ، فرناز، نویسنده
نوع مدرک: متون چاپی سرشناسه کیانی ، فرناز، نویسنده ردهبندی کنگره : COM soft 60 عنوان : بهبود صحت پیشبینی بقای بیماران مبتلا به سپسیس با استفاده از شبکههای عصبی پیشخور آبشاری و روش نمونه گیری عنوان موازی : Improving the Accuracy of Survival Prediction of Patients with Sepsis Using Cascading Feedforward Neural Networks and Resampling Method ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1401 صفحه شمار: 83ص شابک/شاپا 24545 یادداشت پایان نامه کارشناسی ارشد :رشته مهندسی کامپیوترگرایش نرم افزار شناسه افزوده : نعمت بخش ، ناصر، استاد راهنما زمین کار ، مینا، استاد مشاور توصیفگرها بیماری سپسیس، باز نمونهگیری، شبکه عصبی پیشخور آبشاری، بیش نمونهگیری Sepsis Disease, Resampling, Cascade Feedforward Neural Network, Oversampling. چکیده : بیماری سپسیس حاصل از پاسخ بدن بیمار، به عفونت است که با مرگ و میر بالا همراه است. درمان و کنترل این بیماری به شدت وابسته به زمان است، به این معنی که تشخیص زود هنگام آن نرخ بقای بیمار را افزایش داده و در مقابل تاخیر در درمان باعث افزایش مرگ و میر ناشی از آسیب غیرقابل برگشت به اندامها میشود. در سالهای اخیر بدلیل حیاتی بودن این موضوع روشهای مختلفی مبتنی بر هوش مصنوعی و یادگیری ماشین ارائه شده است. اکثر روشهای جدید مبتنی بر الگوریتمهای سنتی مثل ماشین بردار پشتیبان، بیز ساده و از این دست هستند. این روشها در دادههای پزشکی که عموما نامتوازن هستند چندان موفق عمل نمیکنند. از اینرو در این تحقیق از شبکههای عصبی برای تشخیص بقای بیماران سپسیس استفاده شده است. در مدل پیشنهاد شده از شبکه عصبی پیشخور آبشاری برای تشخیص بقا استفاده شده و همچنین از دو نوع تکنیک باز نمونهگیری شامل بیش نمونهگیری و کم نمونهگیری برای رفع مشکل عدم توازن دادهها بهره برده شده است. نتایج تجربی بر روی دادههای بیماران مبتلا به سپسیس در مخزن UCI نشان میدهد که مدل پیشنهاد شده در بخش Primary توانسته است به صحت 94.9% دست یابد که متعلق به ترکیب شبکه عصبی آبشاری و الگوریتم بیش نمونهگیری SMOTE است. همچنین ترکیب دو روش فوق توانسته است در دادههای بخش Study به صحت 84.8% دست یابد. نتایج نشان میدهد در رتبه دوم ترکیب شبکه عصبی و تکنیک کم نمونهگیری قرار میگیرد و در آخر در مدل پیشنهادی کمترین نتایج متعلق به شبکه عصبی آبشاری است که بر روی دادههای نامتوازن اصلی ارزیابی شده است لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=13620 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 24545 COM soft 60 پایاننامه دانشگاه شهید اشرفی اصفهانی مرکزی اسناد مرجع غیر قابل امانت بهبود فرآیند تشخیص ناهنجاری داده¬ای در الگوریتم های خوشهبندی در دادههای بزرگ (1401) / جلالپور ، زهره، نویسنده
نوع مدرک: متون چاپی سرشناسه جلالپور ، زهره، نویسنده ردهبندی کنگره : COM soft 49 عنوان : بهبود فرآیند تشخیص ناهنجاری داده¬ای در الگوریتم های خوشهبندی در دادههای بزرگ عنوان موازی : Improving the detecting data Anomaly in clustering algorithms on big data ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1401 صفحه شمار: 66ص شابک/شاپا 24534 یادداشت پایان نامه کارشناسی ارشد:رشته مهندسی کامپیوتر گرایش نرم افزار شناسه افزوده : نعمت بخش ، ناصر، استاد راهنما یراقی ، شکوفه، استاد مشاور توصیفگرها خوشه بندی، داده های پرت، ناهنجاری های داده ها، داده های حجیم Clustering, Big Data چکیده : خوشهبندی یکی از شاخههای یادگیری بدون نظارت میباشد و فرآیند خودکاری است که در طی آن، نمونهها به دستههایی که اعضای آن مشابه یکدیگر میباشند تقسیم میشوند. خوشهبندی با نمونه¬های دیگر تقسیم داده¬ها از جمله طبقهبندی متفاوت است. در طبقهبندی نمونههای ورودی برچسبگذاری شده¬اند ولی در خوشهبندی نمونههای ورودی دارای برچسب اولیه نمیباشند و این موضوع پیچیدگی ساختاری و نحوه¬ی استفاده از خوشه-بندی را با چالش¬های متعددی رو به رو کرده است. یکی از مشکلات عمده خوشه¬بندی خصوصاً در داده¬های بزرگ داده¬های پرت و ناهنجاری¬ها هستند. دادههای پرت در بعضی مواقع میتوانند عملکرد نهایی مدل را با اختلال رو به رو کند و خوشه¬بندی در قالب پیش¬پردازش ظاهر شود و در بعضی مواقع هم خود مسئله تشخیص دادههای پرت و به نوعی تشخیص ناهنجاری است که در آن ما به دنبال یافتن دادههایی هستیم که الگویی متفاوت از دیگر داده¬ها را دارند. در کنار داده¬های پرت باید به ناهنجاری¬های داده¬ای نیز اشاره کرد. در واقع ناهنجاری¬ها نمونهها، رویدادها یا مشاهداتی هستند که با الگوها یا دیگر نمونههای موجود در مجموعه داده مطابقت نداشته باشند. ناهنجاریها را میتوان در حالت کلی در سه دسته¬ی ناهنجاریهای نقطه ای، ناهنجاریهای زمینهای، ناهنجاریهای تجمعی قرار داد. روش پیشنهادی در این تحقیق از دو بخش پیش پردازش و تشخیص و جداسازی تشکیل شده است. در بخش پیش¬پردازش یک مرحله پاکسازی (حذف داده¬های گم شده و غیره) نرمال سازی داده¬ها (یکسان سازی مقیاس داده¬ها) و کاهش ابعاد بردارهای ویژگی انجام شده است و در بخش تشخیص و جداسازی، پس از خوشه¬بندی داده¬ها مرتب سازی و برچسب¬زنی انجام شده است. ارزیابی روش پیشنهادی با داده¬های Crime in Atlanta نشان می¬دهد که روش پیشنهادی در مقایسه با دو روش OCSVM و رگرسیون با معیار دقت، زمان و منابع مصرفی بهبود چشمگیری داشته است لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=13609 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 24534 COM soft 49 پایاننامه دانشگاه شهید اشرفی اصفهانی مرکزی اسناد مرجع غیر قابل امانت بهبود نقض SLA جهت افزایش بهره وری انـرژی در تخصیص منابع برای سرویس (1394) / سپهریان ، سید مهدی، نویسنده
نوع مدرک: متون چاپی سرشناسه سپهریان ، سید مهدی، نویسنده ردهبندی کنگره : COM soft 3 1396 عنوان : بهبود نقض SLA جهت افزایش بهره وری انـرژی در تخصیص منابع برای سرویس ناشر: دانشگاه شهید اشرفی اصفهانی : بی نا سال نشر : 1394 صفحه شمار: 99ص شابک/شاپا 22723 یادداشت پایان نامه کارشناسی ارشد : کامپیوتر گرایش مهندسی نرم افزار شناسه افزوده : نعمت بخش ، ناصر، استاد راهنما خیام باشی ، محمد رضا، استاد مشاور توصیفگرها رایانش ابری تخصیص منابع بهرهوری انرژی سرویسهای بلادرنگ سرویسهای مجازیcloud computing resources allocation utilizing energy Real-time services virtual services چکیده : رایانش ابری، مدل محاسبات جدیدی استکه سرویسهای متنوعی را بر اساس تقاضای کاربران و بهصورت پرداخت به ازای استفاده ارائه میدهد. دسترسی به سرویسهای ابری که در قالب منابع سختافزاری و نرمافزاری ارائه میشوند،بهصورت فراگیر و یا حداقل تعامل با تأمینکنندگان سرویسها امکانپذیر است. جنبههای مختلف کیفیت سرویس از قبیل دسترسپذیری و کارایی باید از سوی تأمینکنندگان مورد ضمانت قرار گیرند.گسترش سریع کاربردهای ابری و رقابت میان تأمینکنندگان برای ارائه سرویس با بهترین سطح کیفی،منجر به ایجاد مراکز دادهی بزرگشده است. بهرهبرداری از این نوع مراکز داده به دلیل مصرف زیاد انرژی، هزینههای عملیاتی بسیاری در پی دارد. افزایش دما، کاهش قابلیت اطمینان سیستم، تولید گاز دیاکسید کربن و تأثیرات نامطلوب زیستمحیطی از دیگر دغدغههایی است که مصرف زیاد انرژی در مراکز دادهی ابری حاصل میشود.در این پژوهش، روشی برای تخصیص منابع برای سرویسهای ابری بلادرنگ با رویکرد به حداقل رساندن مصرف انرژی همزمان با کاهش توافقنامه سطح سرویس پیشنهادشده است، چندین روش برای عرضه ماشینهای مجازی و میزبانها ارائهشده که هدف آنها کاهش مصرف انرژی و تجمیع ماشینهای مجازی است. راهکار پیشنهادیدستیابی به یک محیط رایانش سبز استکه تحت تأثیر متغیرهایی در طی زمان، با تغییر در میزان مصرف منابع شبکه رفتار مرکز داده را تغییر میدهد. از منابع تأثیرگذار بر این متغیرها، پردازنده مرکزی، دیسک درایو و کارت شبکه هستند که میتوانند در بررسی نقش داشته باشند. برای دستیابی به هدف کاهش مصرف انرژی در سرورها باید پس از یافتن الگوریتمهای مناسب ازجمله هیوریستیک تطبیقی و توابع مکاشفهای تطبیقی از لیست میزبانان، میزبانی که دچار ازدحام شده را انتخاب و یا میزبانی که دچار کم باری شده را انتخاب و به نقشهی مهاجرت اضافه میکند و طبق سیاستهای انتخاب ماشین مجازی، ماشین مجازی که نیازمند مهاجرت میباشد را انتخاب میکند و با فراخانی الگوریتم جستجوی سطل یا (Modified Best Fit Decreasing(MBFD، با توجه به وجود سه منبع CPU, RAM و کارت شبکه ماشین مجازی را در مکان جدید منتقل خواهد کرد و درنهایت موجب کاهش مصرف انرژی و کاهش تعداد میزبانهای فعال و کاهش نقض SLA خواهد بود.نتایج ارزیابی هم که از این روش بهدستآمده با توجه به دو سیاست تشخیص ازدحام به روش ایستا و تطبیقی مبتنی بر انحراف مطلق میانه نشان میدهد که در حالت ایستا بازه تعداد میزبانهای خاموش شده بهینه در سه ترکیب میانگین زمان انتخاب ماشین مجازی، میانگین زمان انتخاب میزبان و میانگین زمان تخصیص دوباره برابر 13683، 15597، 12605 عدد بوده و در حالت تطبیقی مبتنی بر انحراف مطلق میانه برابر 15002، 17463 و 12543عدد بوده که نسبت به میانگین سیستمهای خاموش شده رشد نسبتاً بهینهتری را درپی داشته است و میزان تغییرات درنقض توافقنامه بهینه سطح سرویس درروش آستانه درهر سه ترکیب برابر 4/4%، 5/1%، 85/4% ایجادشده و درروش آستانه تطبیقی در هر سه ترکیب برابر %3.3 و 4.3% و 5% میزان تغییرات درنقض توافقنامه بهینه سطح سرویس را نشان میدهد لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=1117 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 22723 COM soft 3 1396 پایاننامه دانشگاه شهید اشرفی اصفهانی مرکزی اسناد مرجع غیر قابل امانت بهبود پیشبینی وضعیت تحصیلی دانشجویان با کمک تکنیکهای دادهکاوی و الگوریتمهای یادگیریماشین (1398) / شیرعلیزاده دزفولی ، محمد، نویسنده
نوع مدرک: متون چاپی سرشناسه شیرعلیزاده دزفولی ، محمد، نویسنده ردهبندی کنگره : COM soft 28 1398 عنوان : بهبود پیشبینی وضعیت تحصیلی دانشجویان با کمک تکنیکهای دادهکاوی و الگوریتمهای یادگیریماشین عنوان موازی : Improving Prediction of Academic Status of Students Using Data Mining Techniques and Machine Learning Algorithms ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1398 صفحه شمار: ح، 108ص یادداشت پایان نامه کارشناسی ارشد: مهندسی نرم افزار شناسه افزوده : نعمت بخش ، ناصر، استاد راهنما سلیمانی نیسیانی ، بهزاد، استاد مشاور توصیفگرها دادهکاویآموزشی طبقهبندی پیشبینی وضعیت تحصیلی جنگل تصادفی شبکه عصبی عمیق Educational Data Mining Classification Educational Prediction, Random Forest Deep Neural Network چکیده : مراکز آموزشی و دانشگاهی به طور خاصی بر روی عملکرد دانشجویان نظارت داشته و به آن اهمیت داده و به دنبال کشف و شناسایی عوامل تأثیرگذار و ارائهی رویکردی در راستای ارتقای سطح تحصیلی دانشجویان میباشند. دادهکاویآموزشی یک مبحث تحقیقاتی نوظهور میباشد که در راستای ارتقا سطح تحصیلی، به مراکز آموزشی کمک میکند تا وضعیت دانشجویان خود را پیشبینی و ارزیابی کنند. دستاوردهای آکادمیک برای مؤسسات آموزش عالی در سرتاسر دنیا دغدغهی بزرگی هستند. امروزه فضـای رقابتی شدیدی در دانشگاههای مختلف و مراکز آموزشی حاکم شده اسـت. یکی از چالشهای جدی در مدیریت امـور آموزشـی دانشـگاهها، پیشبینی وضعیت تحصیلی دانشجویان در نیمسال آینده بهمنظور شناسایی دانشجویانی است که دچار افت تحصیلی شده و ادامه تحصیل با مشکل مواجه خواهد شد. این پژوهش به بررسی عوامل تأثیرگذار در تشخیص و پیشبینی وضعیت تحصیلی دانشجویان از دو بعد آموزشی و الگوریتمی میپردازد. در این پژوهش از 37657 داده دانشجویان تمامی مقاطع دانشگاه شهید اشرفی اصفهانی با 27 ویژگی مختلف، در بین سالهای 85 الی96 هجری شمسی، استفادهشده و پس از انجام مراحل پیشپردازش، از شش الگوریتم (درخت تصمیم، جنگل تصادفی، شبکه عصبی عمیق، نزدیکترین همسایه، بیزینساده و رگرسیون لجستیک) در جهت پیشبینی وضعیت تحصیلی هر دانشجو، از اعمال روشهای شناسایی صفتهای مؤثر جهت کشف مهمترین عوامـل تأثیرگذار بـر پیشـرفت تحصیلی استفادهشده است. سپس نتایج مدلهای یادگیری و دادهکاوی مختلف، توسط معیارهای مهم و عام این حوزه، مورد ارزیابی قرارگرفته و مقایسه شده است. زبان برنامهنویسی پایتون و کتابخانههای یادگیری ماشین آن، جهت پیادهسازی آزمایشهای این تحقیق استفادهشده است. با استفاده از روشهای انتخاب صفتهای مؤثر مشخص شد که 3 ویژگی (تعداد واحد گذرانده شده، تعداد واحد اخذشده و معدل نهایی) تأثیرگذارترین ویژگی در میان 26 ویژگی موجود در جهت پیشبینی وضعیت نهایی هر دانشجو میباشد. درنهایت مشخص شد که از بین مدلهای بررسیشده، مدل جنگلتصادفی با صحت کلی 96.26 درصد و با در نظر گرفتن تمامی ویژگیها، بهترین نتیجه و مدل شبکه عصبی عمیق در معیارهای دقت و فراخوانی به ترتیب با کسب نتایج 92.81 درصد و 92 درصد بهترین عملکرد را به خود اختصاص داده است لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=12613 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 23298 COM soft 28 1398 پایاننامه دانشگاه شهید اشرفی اصفهانی مرکزی اسناد مرجع غیر قابل امانت بهبود کیفیت دادههای معنایی بر روی لبه اینترنت اشیا برای رسیدن به مقیاس پذیری (1399) / برخورداری ناغانی ، علیرضا، نویسنده
نوع مدرک: متون چاپی سرشناسه برخورداری ناغانی ، علیرضا، نویسنده ردهبندی کنگره : COM soft 43 1399 عنوان : بهبود کیفیت دادههای معنایی بر روی لبه اینترنت اشیا برای رسیدن به مقیاس پذیری عنوان موازی : Semantic Data Quality Improvement On The Edge Of Internet Of Things To Reach Scalability ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1399 صفحه شمار: 65ص شابک/شاپا 23912 یادداشت پایان نامه کارشناسی ارشد: مهندسی نرم افزار کامپیوتر شناسه افزوده : نعمت بخش ، ناصر، استاد راهنما توصیفگرها اینترنت اشیا وب معنایی پردازش لبه شهرپایدارهوشمند کیفیت دادهها Internet of Things Semantic Web Edge Computing Smart Sustainable City Data Quality چکیده : در سالهای اخیر شاهد رشد فزاینده مهاجرت مردم به شهرها و افزایش شهر نشینی در سطح جهان بودهایم. بر اساس پیش بینی سازمان ملل 55 درصد مردم حال حاضر کره زمین در شهرها زندگی میکنند و پیش بینی میشود این عدد به 68 درصد تا سال 2050 افزایش یابد .بر اساس آمار رسمی مرکز آمار این رقم در ایران حدود 73 درصد تا سال 1395 بوده است که نشان دهنده نیاز مبرم به تدوین و اجرای سیاستهای کلان متناسب با چالشهای پیش روی این روند میباشد. یکی از بهترین راه کارها برای مقابله با چالشهای پیش روی شهر نشینی استفاده از تکنولوژیهای فناوری اطلاعات و ارتباطات برای تحقق شهر هوشمند پایدار میباشد. شهر هوشمند با گرههای ناسازگار به خاطر وجود پروتکلهای نا همگون، قالب بندی متفاوت دادهها و رابطهای سرویس مختلف چالش برانگیز میباشد. تکنولوژیهای وب معنایی با تسهیل کردن استدلال اطلاعات کاربردی از چندین منبع اطلاعات ناهمگن و تقویت قابلیت همکاری در بین برنامهها و سیستمهای مختلف به عنوان یک راهکار برای این چالش در نظر گرفته شدهاند. راه کارهای فعلی به دلیل نیازمندی به منابع محاسباتی بالا با توجه به حجم بالای دادههای تولید شده توسط دستگاههای اینترنت اشیا کاربردی نیستند. در این پژوهش یک راهکار برای انتقال محاسبات از ابر به لبه اینترنت اشیا ارائه شده است. همچنین عمل بهبود کیفیت دادهها در جهت رسیدن به کارایی بالاتر پیشنهاد داده شده است که نشان دهنده بهبود عملکرد سیستم از نظر تاخیر پاسخ و سایز داده ها شده است لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=13110 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 23912 COM soft 43 1399 پایاننامه دانشگاه شهید اشرفی اصفهانی مرکزی اسناد مرجع غیر قابل امانت
نوع مدرک: متون چاپی سرشناسه اکبری ، زهرا، نویسنده ردهبندی کنگره : COM soft 62 عنوان : تشخیص بیماری آریتمی قلبی با استفاده از مدل یادگیری ماشین عنوان موازی : Diagnosis of arrhythmic disease using machine model ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1401 صفحه شمار: 72ص شابک/شاپا 24547 یادداشت پایاننامه کارشناسی ارشد :رشته مهندسی کامپیوترگرایش نرم افزار شناسه افزوده : نعمت بخش ، ناصر، استاد راهنما یراقی ، شکوفه، استاد مشاور توصیفگرها بیماری آریتمی قلبی، مدلهای یادگیری ماشین، دستگاه الکتروکاردیوگراف cardiac arrhythmia disease, machine learning models, electrocardiograph device چکیده : بیماری آریتمی قلبی یکی از شایعترین بیماریهای قلبی است که رشد سریع بیماری، اثرات، عوارض و هزینههای جبران ناپذیری بر شخص و جامعه به همراه دارد. همین موضوع باعث شده که جامعه پزشکی به دنبال روشهایی برای تشخیص درست و به موقع این بیماری باشند تا با شناسایی زودهنگام، از این بیماری جلوگیری کنند. تکنیکهای دادهکاوی در زمینه پزشکی مخصوصا در تشخیص بیماریهای قلبی رشد چشمگیری داشته است. به صورتیکه استفاده از این تکنیکها بر روی حجم زیادی از داده باعث کشف دانش و الگوهای پنهان موجود در بین این دادهها شده و به تشخیص به موقع بیماری کمک میکند. هدف در این پایاننامه تشخیص بیماری آریتمی قلبی با استفاده از روشهای یادگیری ماشین است. به صورتیکه با استفاده از ترکیب تکنیکها و مدلهای یادگیری ماشین با مدل ترکیبی و پیادهسازی آنها روی مجموعه داده آزمایشی، روشی برای پیشبینی زودهنگام و تشخیص بیماری آریتمی قلبی با بالاترین دقت طراحی شود. مجموعه داده استفاده شده در این پایاننامه، جهت تشخیص بیماری آریتمی قلبی از دادههای مرکز UCI است؛ که از بیمارستانهای سطح کشور سوئد جمعآوری شده است. این مجموعه داده آریتمی قلبی شامل اطلاعات 452 بیمار و دارای 279 ویژگی است. در این پایاننامه هدف تشخیص هایپرپارامترهای بهینه روشهای یادگیری ماشین و استفاده از آنها به عنوان ورودی مدل ترکیبی است تا روشی با بالاترین نرخ دقت در تشخیص بیماری آریتمی قلبی پیدا شود. در نهایت نتایج ارزیابی به ما نشان میدهد که با پیداکردن هایپرپارامترهای بهینهی روش درخت تصمیم و استفاده از این هایپرپارامترهای بهینه به عنوان ورودی مدل ترکیبی بستهبندی میتوان به بهینهترین روش با نرخ دقت (00/1) رسید. همچنین این روش در مقایسه با نتایج قبلی توانسته است بالغ بر 7% نرخ دقت را بهبود بخشد لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=13622 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 24547 COM soft 62 پایاننامه دانشگاه شهید اشرفی اصفهانی مرکزی اسناد مرجع غیر قابل امانت
نوع مدرک: متون چاپی سرشناسه حیدری زاده ، علی، نویسنده ردهبندی کنگره : COM soft 59 عنوان : حملات سایبری در اینترنت اشیاء و اقدامات متقابل با آن عنوان موازی : Cyber attacks in the Internet of Things and countermeasures ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1401 صفحه شمار: 123ص شابک/شاپا 24544 یادداشت پایان نامه کارشناسی ارشد: کامپیوترگرایش: نرم افزار شناسه افزوده : نعمت بخش ، ناصر، استاد راهنما توصیفگرها اینترنت اشیاء، حریم خصوصی، قابل دسترس بودن داده ها ، محرمانه بودن اطّلاعات ، ادغام اطّلاعات ، تهدید¬ها، پروتکل ها Internet of Things, Privacy, Data accessibility, Confidentiality of information, Information integration, fulmination, protocols چکیده : اشیاء هوشمند متصل به اینترنت که اصطلاحاً اینترنت اشیاء را تشکیل میدهند، تعامل انسانها با جهان را متحول میکنند از آﻧﺠﺎﯾﯽ ﮐﻪ ﻓﻨﺎوری ﺑﻪ ﻫﻤﻪ ﺟﺎ ﻣﯽ رﺳﺪ، ﻫﺮ ﮐﺴﯽ ﻣﯽ ﺗﻮاﻧﺪ از آن ﺳﻮء اﺳﺘﻔﺎده ﮐﻨﺪ، و ﻫﻤﯿﺸﻪ ﺣﻔﻆ اﻣﻨﯿﺖ آن ﺿﺮوری اﺳﺖ. در اﯾﻦ ﮐﺎر ﻣﺎ ﯾﮏ ﻣﻌﻤﺎری ﺗﺸﺨﯿﺺ اﻧﮑﺎر ﺳﺮوﯾﺲ برای 6LoWPAN ارائه
می کنیم،که توسط پروتکل استاندارد IETF ﻃﺮاﺣﯽ ﺷﺪه و ﺑﻪ ﻋﻨﻮان ﯾﮏ ﻻﯾﻪ توافق شده دﺳﺘﮕﺎهﻫﺎی ﮐﻢ ﻣﺼﺮف را ﻗﺎدر می سازد ﺗﺎ ﺑﺎ اﯾﻨﺘﺮﻧﺖ ارﺗﺒﺎط ﺑﺮﻗﺮار ﮐﻨﻨﺪ. ﻫﺪف ﺷﻨﺎﺳﺎﯾﯽ ﺣﻤﻼت DOSﺑﺮ اﺳﺎس پروتکل 6LoWPANاﺳﺖ. ﺑﻪ ﻣﻨﻈﻮر ارزﯾﺎﺑﯽ ﻋﻤﻠﮑﺮد ﻣﻌﻤﺎری ﭘﯿﺸﻨﻬﺎدی، پیاده سازی اوﻟﯿﻪ ﺗﮑﻤﯿﻞ ﺷﺪ و در ﺑﺮاﺑﺮ ﯾﮏ ﺣﻤﻠﻪDOS واﻗﻌﯽ ﺑﺎ اﺳﺘﻔﺎده از ﯾﮏ ﺳﯿﺴﺘﻢ ﺗﺴﺖ ﻧﻔﻮذ آزﻣﺎﯾﺶ ﺷﺪ.حتی با گسترده شدن این سیستم می توان حملات پیچیده تری را شناسایی کند. همانطور که می دانید دستگاه های بی سیم به وسایل ضروری زندگی ما تبدیل شده اند و از این نظر امنیت این وسایل بسیار مهم می باشد. یک دشمن می تواند از نقاط ضعف دستگاه ها استفاده کرده و آن ها را مختل کند. این روش آسیب های موجود در شبکه های حسگر بی سیم را بررسی می کند و راه ها و اقدامات موجود را تحلیل می کند . یکی از مشکلات شبکه 6LoWPAN کمبود منابع پردازنده و حافظه است. این روش آسیب های موجود در شبکه های حسگر بی سیم را بررسی می کند و آن ها را تحلیل می کند.در نتیجه یک روش جدید برای شناسایی حملاتDOS در شبکه های6LoWPAN ارائه
می کند. لازم به ذکر است که برنامه های گفته شده در سیستم عامل لینوکس انجام شده است و پلتفرم ebbits جزء پروژه های اتحادیه ی اروپا است و برای ایران قابل مشاهده نیستلینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=13619 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 24544 COM soft 59 پایاننامه دانشگاه شهید اشرفی اصفهانی مرکزی اسناد مرجع غیر قابل امانت