نتایج جستجو

29938

نتیجه یافت شد

مرتبط ترین ها

اعمال فیلتر

به روزترین ها

اعمال فیلتر

پربازدید ترین ها

اعمال فیلتر

پر دانلودترین‌ها

اعمال فیلتر

پر استنادترین‌ها

اعمال فیلتر

تعداد صفحات

2994

انتقال به صفحه



فیلترها/جستجو در نتایج    

فیلترها

سال

بانک‌ها




گروه تخصصی











متن کامل


مرکز اطلاعات علمی SID1
اطلاعات دوره: 
  • سال: 

    1391
  • دوره: 

    4
تعامل: 
  • بازدید: 

    297
  • دانلود: 

    97
چکیده: 

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

آمار یکساله:   مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید 297

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesدانلود 97
عنوان: 
اطلاعات دوره: 
  • سال: 

    1382
  • دوره: 

    3
  • شماره: 

    (ویژه نامه 10)
  • صفحات: 

    57-58
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    573
  • دانلود: 

    0
چکیده: 

مقدمه: نظر به اینکه سیستم آموزشی فعلی جهت دانشجویان گروه پزشکی به نحوی است که دانشجویان بیشتر زمان آموزش خود را در چارچوب برنامه های رسمی محدود به شرایط تصنعی و کلاسیک طی می کنند، در نتیجه میزان رضایت از کیفیت آموزش به روش موجود و کاربرد آموخته ها در شرایط واقعی نیاز به بررسی و حتی تغییر در رویکرد حاضر دارد.مرور مطالعات: با مطالعه تاریخچه خدمات و آموزش جامعه نگر و جامعه محور در می یابیم که حدود یک قرن پیش به صورت Service learning ارایه خدمات و آموزش به فراگیران همزمان در بستر جامعه انجام می پذیرفت. از اوایل 1900 تاکنون، آموزش دهندگان متوجه اهمیت ارتباط خدمات با اهداف آموزش شده اند و درطی قرن از 1960 تا 1970 در نتیجه S.L گذشته این مفهوم در آموزش جایگاه خود را حفظ کرده است. اغلب برنامه های فعالیت دانشجویان در جامعه در راستای اهداف آموزش توسعه یافت. این S.L اساس اعتقاد و مشابه نگرش ساختار گراهاست که معتقدند تولید و ساخت دانش در افراد از دانش و تجربیات پایه و مقدماتی شروع می شود بطرف فرایند یادگیری، تفسیر و بحث پیرامون اطلاعات جدید در زمینه اجتماع و محیط فردی پیش می رود. در حقیقت مفهوم یادگیری دو طرفه اساس و وجه تمایز تجربه ناشی از آموزش به روش دانشجویان به اهداف آموزشی دروس خود با مشارکت در برنامه های ارایه خدمت در شرایط واقعی دست می یابند و جامعه نیز مستقیما از آن بهره مند می شود. در این روش هم فراگیر و هم جامعه بهره مند می شوند. و فراگیران فعالانه به تولید محصول و خدمت مرتبط با اهداف آموزش می پردازند. با توسعه نگرشها، باورها و رفتارها در ارتباط با جامعه، شهروندانی مطلع و نیروی کار تولیدی تربیت می کنند. در این روش اساس کار دریافت باز خورد از جامعه و مدرسان است که به فراگیران فرصت می دهد دانش جدید خود را با دیگران مطرح کند و آموخته های خود را برای دیگران معنی دار کنند.بحث: در آموزش سنتی مردم بر خدماتی که دریافت میکنند، هیچ گونه کنترلی ندارند، فراگیران نیز قدرت مداخله و کاربرد آموخته های خود را ندارند ولی در این آموزش، تمام ابعاد نیازهای مردم دیده می شود و فراگیران با مشارکت مردم روی نیازها کار می کنند، مردم بر ارایه خدمات نظارت دراند. انریش می گوید: یادگیری فراگیران از طریق خواندن کتابهای قطور در اطاقهای در بسته ایجاد نمی شود، بلکه باید درهای پنجره ها را باز کرد و به دنبال تجربه بود. در نهایت به کمک SL فرصتی برای آزمون مسوولیت پذیری، تبدیل شدن به یک شهروند خوب را برای فراگیران در حین دستیابی به اهداف آموزش و ارایه خدمت به مردم ایجاد نماییم.

آمار یکساله:   مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید 573

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesدانلود 0 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesاستناد 0 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesمرجع 0
اطلاعات دوره: 
  • سال: 

    2023
  • دوره: 

    1
  • شماره: 

    1
  • صفحات: 

    4-9
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    49
  • دانلود: 

    0
چکیده: 

Nursing care during dialysis involves managing symptoms and preventing complications among patients undergoing hemodialysis or peritoneal dialysis. In this regard, to improve the quality of nursing care during dialysis, several approaches were developed to enhance hemodialysis adequacy and prevent complications,however, machine learning (ML) emerged as a methodological approach for eval-uating hemodialysis adequacy and complications. The current study aims to analyze ML approach in predicting and managing hemo-dialysis by R programming language analysis to provide a therapeutic concept for hemodialysis management in critical nursing care. An R programming language was used to perform the logical analysis of the data. ML algorithms based on usage rate included logistic regression (LR), Support Vector machine (SVM), Extreme Gradient Boosting (XGBoost), Random Forest (RF), Complement Naive Bayes (CNB), Takagi-Sugeno-Kang fuzzy system (G-TSK-FS), k-nearest neighbors' classifier (KNN), Stochastic gradient descent (SGD), Linear Discriminant Analysis (LDA), and Multi-adaptive neural-fuzzy system (MANFIS). Also, the use of ML in nursing care during hemodialysis is categorized into three indications for predicting hemodialysis adequacy, complications, and vascular access performance. Using ML in hemodialysis nursing care is a growing research interest. The main application areas are the prediction of hemodialysis adequacy, complications, and vascular access performance. LR and SVM are practical ML algorithms for constructing AI tools to improve hemodialysis management.

آمار یکساله:   مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید 49

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesدانلود 0 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesاستناد 0 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesمرجع 0
Scientific Information Database (SID) - Trusted Source for Research and Academic Resources
نویسندگان: 

VASOU JOUYBARI M. | Ataie E. | Bastam M.

اطلاعات دوره: 
  • سال: 

    1401
  • دوره: 

    52
  • شماره: 

    3
  • صفحات: 

    195-204
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    152
  • دانلود: 

    73
چکیده: 

Distributed Denial of Service (DDoS) attacks are among the primary concerns in internet security today. machine learning can be exploited to detect such attacks. In this paper, a multi-layer perceptron model is proposed and implemented using deep machine learning to distinguish between malicious and normal traffic based on their behavioral patterns. The proposed model is trained and tested using the CICDDoS2019 dataset. To remove irrelevant and redundant data from the dataset and increase learning accuracy, feature selection is used to select and extract the most effective features that allow us to detect these attacks. Moreover, we use the grid search algorithm to acquire optimum values of the model’s hyperparameters among the parameters’ space. In addition, the sensitivity of accuracy of the model to variations of an input parameter is analyzed. Finally, the effectiveness of the presented model is validated in comparison with some state-of-the-art works.

آمار یکساله:   مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید 152

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesدانلود 73 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesاستناد 0 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesمرجع 0
نویسندگان: 

MITCHELL T.M.

نشریه: 

COMMUNICATIONS OF THE ACM

اطلاعات دوره: 
  • سال: 

    1999
  • دوره: 

    42
  • شماره: 

    11
  • صفحات: 

    0-0
تعامل: 
  • استنادات: 

    1
  • بازدید: 

    105
  • دانلود: 

    0
کلیدواژه: 
چکیده: 

آمار یکساله:   مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید 105

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesدانلود 0 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesاستناد 1 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesمرجع 0
نویسندگان: 

اطلاعات دوره: 
  • سال: 

    2019
  • دوره: 

    1192
  • شماره: 

    -
  • صفحات: 

    127-137
تعامل: 
  • استنادات: 

    1
  • بازدید: 

    87
  • دانلود: 

    0
کلیدواژه: 
چکیده: 

آمار یکساله:   مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید 87

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesدانلود 0 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesاستناد 1 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesمرجع 0
Scientific Information Database (SID) - Trusted Source for Research and Academic Resources
نویسندگان: 

نشریه: 

Front Health Inform

اطلاعات دوره: 
  • سال: 

    2021
  • دوره: 

    10
  • شماره: 

    65
  • صفحات: 

    0-0
تعامل: 
  • استنادات: 

    1
  • بازدید: 

    33
  • دانلود: 

    0
کلیدواژه: 
چکیده: 

آمار یکساله:   مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید 33

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesدانلود 0 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesاستناد 1 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesمرجع 0
نشریه: 

SCIENTIA IRANICA

اطلاعات دوره: 
  • سال: 

    2020
  • دوره: 

    27
  • شماره: 

    6 (Transactions A: Civil Engineering)
  • صفحات: 

    2645-2656
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    98
  • دانلود: 

    0
چکیده: 

This article presents a review of selected articles about structural engineering applications of machine learning (ML) in the past few years. It is divided into the following areas: structural system identification, structural health monitoring, structural vibration control, structural design, and prediction applications. Deep neural network algorithms have been the subject of a large number of articles in civil and structural engineering. There are, however, other ML algorithms with great potential in civil and structural engineering that are worth exploring. Four novel supervised ML algorithms developed recently by the senior author and his associates with potential applications in civil/structural engineering are reviewed in this paper. They are the Enhanced Probabilistic Neural Network (EPNN), the Neural Dynamic Classification (NDC) algorithm, the Finite Element machine (FEMa), and the Dynamic Ensemble learning (DEL) algorithm.

آمار یکساله:   مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید 98

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesدانلود 0 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesاستناد 0 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesمرجع 0
نویسندگان: 

BHATTACHARYA B. | SOLOMATINE D.P.

نشریه: 

NEURAL NETWORKS

اطلاعات دوره: 
  • سال: 

    2006
  • دوره: 

    19
  • شماره: 

    2
  • صفحات: 

    208-214
تعامل: 
  • استنادات: 

    1
  • بازدید: 

    159
  • دانلود: 

    0
کلیدواژه: 
چکیده: 

آمار یکساله:   مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید 159

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesدانلود 0 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesاستناد 1 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesمرجع 0
اطلاعات دوره: 
  • سال: 

    1397
  • دوره: 

    14
  • شماره: 

    5
  • صفحات: 

    380-385
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    441
  • دانلود: 

    504
چکیده: 

در این مطالعه تراز آب زیرزمینی منطقه کبودر آهنک واقع در استان همدان، ایران با استفاده از مدل های مادفلو، ماشین آموزش نیرومند (ELM) و ویولت-ماشین آموزش نیرومند WA-ELM)) شبیه سازی می شود. تجزیه و تحلیل نتایج مدل سازی نشان می دهد که مدل های عددی تراز آب زیرزمینی را با دقت قابل قبولی شبیه سازی می کنند. به عنوان مثال مقادیر ضریب همبستگی و شاخص پراکندگی برای مدل مادفلو به ترتیب مساوی 0. 917 و 0. 0004 بدست آمد. سپس با ترکیب های ورودی مختلف و با استفاده از گام زمانی صحیح، به صورت تاخیرهای متفاوت 10 مدل مختلف برای مدل های ELM و WA-ELM تعریف می شود. با ارزیابی کلیه توابع فعال سازی مدل ELM، تابع فعال سازی sigmoid مقادیر تراز آب زیرزمینی را با دقت بیشتری پیش بینی می کند. همچنین Daubechies2 به عنوان خانواده ویولت مدل های WA-ELM انتخاب می شود. بر اساس نتایج مدل های عددی مختلف، مدل WA-ELM به عنوان مدل برتر در پیش بینی تراز آب زیرزمینی انتخاب می شود. برای مدل برتر مقادیر ضریب همبستگی و ضریب نش به ترتیب برابر 0. 959 و 0. 915 محاسبه شده است.

آمار یکساله:   مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید 441

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesدانلود 504 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesاستناد 0 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesمرجع 0
litScript
telegram sharing button
whatsapp sharing button
linkedin sharing button
twitter sharing button
email sharing button
email sharing button
email sharing button
sharethis sharing button