تولید انرژی (مقاله رایگان pdf)

چکیده
            این مقاله در درجه اول در نظر دارد یک GIS (سیستم اطلاعات جغرافیایی) مبتنی بر روش داده کاوی را برای انتخاب بهینه مکان و تعیین ظرفیت تجهیزات نصب شده به منظور راه اندازی سیستم های تولید برق زیست توده پراکنده در زمینه برنامه ریزی انرژی غیرمتمرکز را برای مناطق روستایی توسعه دهد. مکان های بهینه در یک گروه از روستاها توسط تطبیق ظرفیت ثابت موردنیاز با تقاضای برق برای به حداقل رساندن هزینه های انتقال انرژی زیست توده ای از منابع پراکنده به سیستم تولید برق و هزینه های توزیع برق از سیستم تولید برق به مراکز تقاضا یا روستاها بدست می آیند. این روش که استفاده از آن مورد تایید قرار گرفته است، برای توسعه یک طرح بهینه به منظور اجرای سیستم های قدرت مبتنی بر زیست توده پراکنده برای رفع نیازهای برق روستایی منطقه تومکور در هند که متشکل از 2700 روستا اجرا شده است. روش الگوریتم خوشه بندی K-medoid  کل ناحیه را به خوشه هایی از روستاها تقسیم می کند و سیستم های تولید برق زیست توده ای را در medoid ها قرار می دهد . مقدار بهینه k با تکرار اجرای الگوریتم در کل فضای جستجو برای مقادیر مختلف k همراه با تطبیق محدودیت های عرضه درخواستی تعیین می شود. مقدار بهینه k بطوری انتخاب شده است که کل هزینه نصب سیستم، هزینه های انتقال زیست توده ای و انتقال و توزیع را به حداقل برساند. یک منطقه کوچکتر، شامل 293 روستا برای مطالعه حساسیت نتایج به پارامترهای عرضه و تقاضای متفاوت انتخاب شده بود. نتایج حاصل از خوشه بندی بر روی یک نقشه GIS برای این منطقه ارائه شده اند.

شناسایی الگوهای مشابه (مقاله رایگان pdf)

چکیده

          استخراج الگوهای مکرر یک کار، کلیدی برای کشف اطلاعات مفید است. با وجود کیفیت راه حل های داده شده توسط الگوریتم های یافتن الگوهای مکرر ، اکثر آنها با چالش چگونگی کاهش تعداد الگوهای مکرر بدون از دست رفتن اطلاعات مواجه می شوند. یافتن مجموعه های مکرر این مشکل را با کشف یک مجموعه کاهش یافته از مجموعه مکرر، به نام مجموعه های مکرر بسته، که از آن می توان تمام مجموعه الگوی مکرر را بازیابی کرد، حل می کند. با این حال، برای یافتن نمونه های مکرر مشابه، که در آن تعداد الگوها حتی از مجموعه یابی مکرر بزرگتر هستند، این مشکل هنوز حل نشده است. در این مقاله، ما مفهوم یافتن الگوی مشابه مکرر بسته را برای کشف تعدادی از الگوهای مکرر مشابه بدون از دست دادن اطلاعات معرفی می کنیم. علاوه بر این،یک الگوریتم جدید یافتن الگوی مشابه مکرر بسته با نام CFSP-Miner پیشنهاد شده است. الگوریتم، الگوهای مکرر را با عبور از یک درخت که شامل تمام الگوهای مشابه شبیه بسته است، می یابد. برای انجام این کار به صورت موثر، چندین لم برای پر کردن فضای جستجو معرفی و اثبات شده است. نتایج نشان می دهد که CFSP-Miner کارآمدتر از الگوریتم های مورد استفاده یافتن الگوی مشابه مکرر است، مگر اینکه در مواردی که تعدادی از الگوهای مشابه مکرر و الگوهای مشابه مکرر بسته تقریبا برابر باشند. با این حال، CFSP-Miner قادر به پیدا کردن الگوهای مشابه بسته،  تولید اندازه کاهش یافته از الگوی مشابه مکرر کشف شده بدون از دست دادن اطلاعات است. همچنین، CFSP-Miner در حین عملکرد قابل قبول در حین اجرا، مقیاس پذیری خوبی را نشان می دهد.

پایگاه داده توزیع شده (مقاله رایگان pdf)

مدیران برنامه‌های کاربردی وب به‌طور سنتی، به‌هنگام تقاضای برنامه‌ای بیش از ظرفیت پایگاه‌داده، دو راه بیشتر ندارند: مقیاس‌گذاری با افزایش قدرت سرورهای شخصی، یا مقیاس‌گذاری با اضافه کردن سرورهای بیشتر. برای بسیاری از پایگاه‌داده‌های رابطه‌ای، مقیاس‌گذاری با افزایش قدرت سرورهای شخصی گزینه عملی‌تری بود. اخیرا پایگاه‌داده‌های رابطه‌ای، گزینه‌ی خوشه‌بندی را فراهم نمی‌کردند، درحالی‌که پردازنده و حافظه عرضه شده توسط یک سرور به‌طور مداوم و به‌صورت تصاعدی و بنا به قانون Moore در حال افزایش بود. در نتیجه، مقیاس‌گذاری با اضافه کردن سرورهای بیشتر نه‌تنها عملی نیست بلکه لازم هم نیست. 

کاربردکاوی وب (مقاله رایگان pdf)

چکیده

          کاربردکاوی وب شامل سه مرحله اصلی است: قبل از پردازش، کشف دانش و تجزیه‌وتحلیل الگو. اطلاعات به‌دست آمده از تجزیه‌وتحلیل می‌تواند توسط مدیران وب‌سایت برای مدیریت کارآمد و شخصی از وب‌سایت خود استفاده شود و در نتیجه نیازهای خاص جوامع خاصی از کاربران می‌تواند برآورده شود و سود افزایش یابد. همچنین، کاربردکاوی وب تشخیص الگوهای پنهان نهفته در ورود داده‌های وب است. این الگوها نشان‌دهنده‌ی رفتار کاربر در حال جستجو است که می‌تواند برای تشخیص انحراف در رفتار کاربر در بانکداری مبتنی بر وب و برنامه‌های کاربردی دیگر که در آن حریم خصوصی داده‌ها و امنیت آن‌ها اهمیت زیادی برخوردار است به کار رود. روش پیشنهادی داده‌های وب‌سایت پلی‌تکنیک دکتر T.M.A.PAI را پردازش، کشف و تجزیه‌وتحلیل می‌کند. مدل ترکیبی براساس عصبی-فازی برای کشف دانش از لاگ وب استفاده شده است.

نیازمندی های اطلاعاتی (مقاله رایگان pdf)

چکیده

            در حالی که مهندسی نیازمندی های سیستم های معاملاتی با هدف کشف عملکرد سیستم در نظر گرفته می شود، مهندسی نیازمندی های انبار داده ها قصد دارد محتوای اطلاعاتی انبار داده را کشف کند. اگر چه مفاهیم اهداف، تصمیمات، فرآیندهای کسب و کار، رویدادهای تجاری برای تعیین زمینه برای کشف اطلاعات مورد استفاده قرار گرفته است، این حرکت از جهت به دست آوردن اطلاعات مربوط، بدون هدف و بدون قابلیت پی گیری اطلاعات می باشد. ما چهار تکنیک استخراج را پیشنهاد می کنیم که از نگرانی های مدیر در طول تصمیم گیری استنباط می شوند و راهنما و قابلیت پی گیری را فراهم می کنند. اینها یک مجموعه از این فرم را تشکیل می دهند که هر یک مجموعه اطلاعات کشف شده را تقویت می کند. در نتیجه، امکان از دست دادن الزامات از دست رفته کاهش می یابد در نتیجه برای مهندسی نیازمندی های موثرتر ساخته می شود.

تشخیص نفوذ شبکه (مقاله رایگان pdf)

چکیده

           تشخیص نفوذ شبکه فرآیند شناسایی فعالیت مخرب در یک شبکه با تحلیل رفتار ترافیک شبکه است. تکنیک های داده کاوی به طور گسترده ای در سیستم تشخیص نفوذ  (IDS) برای تشخیص ناهنجاری ها استفاده می شود. کاهش ابعاد نقش حیاتی در IDS بازی می کند، زیرا شناسایی ناهنجاری ها از ویژگی ترافیک شبکه با ابعاد بزرگ، فرایندی زمان بر است. انتخاب مشخصه بر سرعت تحلیل و کار پیشنهادی، استفاده از فیلتر و روش مبتنی بر پوشش با استفاده از الگوریتم firefly در انتخاب ویژگی تاثیر می گذارد. ویژگی های حاصل از آن به طبقه بندی C4.5 و شبکه های بیزین  (BN) با مجموعه داده KDD CUP 99 منتهی می شود. نتایج تجربی نشان می دهد که 10 ویژگی برای تشخیص نفوذ، نشان دهنده کفایت دقت بهبود یافته است. کار پیشنهادی با کارهای موجود نشان داده شده است که نشان دهنده پیشرفت قابل ملاحظه ای است.

ساخت مدل های طبقه بندی (مقاله رایگان pdf)

چکیده

             سرمایه انسانی از نگرانی‌ها برای مدیریت شرکت‌هایی است که علاقه بسیاری برای استخدام پرسنل واجد شرایط دارند که انتظار می‌رود به‌خوبی کار کنند. به‌تازگی، علاقه رو به رشدی در داده‌کاوی به‌وجود آمده است، که در آن هدف کشف دانش درست و نفع بالا برای کاربران است. در این مقاله، تکنیک‌های داده‌کاوی برای ساخت یک مدل طبقه‌بندی برای پیش‌بینی عملکرد کارکنان استفاده می‌شود. برای ساخت مدل طبقه‌بندی، روش‌های داده‌کاوی CRISP-DM به‌تصویب رسیدند. درخت تصمیم به‌عنوان مهمترین ابزار داده‌کاوی برای ایجاد مدل طبقه‌بندی مورد استفاده قرار گرفت، که در آن چندین قانون طبقه‌بندی تولید شد. برای اعتباربخشی به الگوی تولید شده، چندین آزمایش با استفاده از داده‌های واقعی جمع آوری شده از چندین شرکت انجام شده است. مدل برای پیش‌بینی عملکرد متقاضیان جدید در نظر گرفته شده است.

بهداشت و درمان هوشمند (مقاله رایگان pdf)

چکیده

         رشد تعداد و ظرفیت دستگاه‌های تلفن‌همراه مانند تلفن‌های‌همراهی که همراه با دسترسی گسترده‌ به حسگر‌های زیستی ارزان قیمت هستند سبب فراهم‌سازی فرصتی بی سابقه برای برنامه‌های کاربردی در زمینه بهداشت و درمان شده است. در این مقاله ما یک رویکرد جدید برای پردازش تطبیقی آگاه از وضعیت (SAAP) جریان داده‌ها برای تجزیه و تحلیل هوشمند داده‌ها به شکل بی‌درنگ ارئه داده‌ایم. پیاده‌سازی و ارزیابی از فریمورک برای یک برنامه‌ نظارت بر سلامتی توصیف شده است.

داده‌ های بزرگ (مقاله رایگان pdf)

چکیده

        یادگیری ماشین (ML) به‌طور مداوم قدرت خود را در طیف گسترده‌ای از برنامه‌های کاربردی نشان می‌دهد. این مسئله در سال های اخیر تا حدودی با توجه به ظهور داده‌های بزرگ بیشتر مورد توجه قرار گرفته است. الگوریتم ML هرگز بهترین عملکرد خود را نداشت تا اینکه توسط داده‌های بزرگ به چالش کشیده شد. داده‌های بزرگ، الگوریتم ML را قادر به کشف الگوهای دقیقتر و پیش‌بینی به موقع تر و دقیق تر از قبل کردند. از سوی دیگر، چالش‌های بزرگی در ML مانند مقیاس‌پذیری مدل و محاسبات توزیع شده مطرح کرد. در این مقاله، یک چارچوب از ML در داده‌های بزرگ (MLBiD) برای هدایت بحث به فرصت‌ها و چالش‌های آن معرفی خواهد شد. چارچوب ML محور، شامل مراحل پیش پردازش، یادگیری و ارزشیابی است. علاوه براین، چارچوب شامل چهار جزء دیگر، مانند داده‌های بزرگ، کاربران، دامنه و سیستم است. مراحل ML و اجزای MLBiD برای شناسایی فرصت‌های مرتبط و چالش‌ها و روشن کردن مسیر کاری آینده در بسیاری از موارد ناشناخته و یا در پژوهش حاضر ارائه شده است. 

طراحی گیمیفیکیشن (مقاله رایگان pdf)

چکیده 

        شخصی سازی یک روند رو به رشد در پژوهش بازی وار سازی  است، و چند تن از محققین پیشنهاد دادند که سیستم های بازی نمایی شده  باید مشخصه‌های شخصی را در نظر بگیرند. به هر حال، ایجاد طراحی‌های بازی انگاری شده  خوب یک تلاش فشرده است چرا که این موارد و سیستم‌های طراحی شده در تعامل با هر کاربر تنها به بار کاری اضافه می کنند. ما انتخاب محتوای شخصی سازی مبتنی بر الگوریتم یادگیری ماشین را برای بررسی بخشی از این مشکل پیشنهاد دادیم و یک فرآیند را برای ایجاد طراحی‌های شخصی ارائه دادیم که خودکار سازی بخشی از اجرا را اجازه می دهد. فرآیند بر اساس چارچوب Deterding’s 2015 برای طراحی‌های بازی نمایی شده، از دیدگاه اتمی مهارت‌های ذاتی، با مراحل اضافی برای انتخاب استراتژی شخصی سازی و ایجاد الگوریتم است. سپس فرآیند را با اجرای بازی نمایی شخصی شده برای یک محیط یادگیری همکاری پشتیبانی شده تشریح می شود، ما از نوع کاربر گیمیفیکیشن برای شخصی سازی و اکتشافاتی برای طراحی موثر گیمیفیکیشن برای طراحی کلی استفاده می کند. نتایج فرآیند طراحی استفاده شده یک مجموعه قواعد اگاه از زمینه، گیمیفیکیشن شخصی سازی شده برای محیط‌های همکاری است. در آخر، ما متدی را برای تفسیر مجموعه قواعد گیمیفیکیشن برای الگوریتم دسته بندی قابل خواندن توسط ماشین با استفاده از القاکننده قانون CN2 ارائه می دهیم.