اکتشاف و پردازش هوشمند دانش
سال:1402 | دوره:4 | شماره:8 |تعداد مقالات:6

یک سیستم خودتطبیق می تواند ساختار و رفتار خود را در زمان اجرا، بر اساس درکش از محیط و از خودش و نیازمندی هایش، اصلاح کند. یکی از عناصر کلیدی در توسعه این سیستم ها، منطق خودتطبیقی آن است که زمان و نحوه تطبیق سیستم را رمزگذاری می کند. هنگام توسعه منطق تطبیق، مهندسان با چالش عدم قطعیت زمان طراحی مواجه اند. برای تعریف زمان تطبیق سیستم، باید تمام حالات محیطی بالقوه را پیش بینی کنند. پیش بینی تمام تغییرات محیطی بالقوه اغلب به دلیل اطلاعات ناقص در زمان طراحی، غیرممکن است. یادگیری تقویتی برخط، با یادگیری اثربخشی عملیات تطبیق، از طریق تعامل سیستم با محیط در زمان اجرا، مشکل عدم قطعیت زمان طراحی را برطرف، و توسعه منطق خودتطبیقی را بطور خودکار درمی آورد. عناصر یادگیری تقویتی، در حلقه MAPE-K سیستم های خودتطبیق ادغام می شود. روشهای یادگیری تقویتی برخط موجود در سیستم های خودتطبیق، دانش آموخته شده را در قالب تابع ارزش نمایش می-دهند و دو نقص دارند که درجه خودکارسازی و توسعه را محدود می کند: 1-نیازمند تنظیم دقیق نرخ اکتشاف بصورت دستی هستند 2-برای تقویت توسعه پذیری، ممکن است نیاز به کمی سازی حالت های محیط به صورت دستی باشد. در این مقاله برای خودکارسازی فعالیت های فوق از یادگیری تقویتی عمیق، استفاده شد. در این یادگیری، دانش در قالب یک شبکه عصبی، در وزن های شبکه عصبی پنهان است. نتایج آزمایشات از سرعت همگرایی بالای یادگیری حکایت دارد.

بیشترین نوع بیماری های قلبی شامل بیماری مادرزادی قلبی، نارسایی قلبی، کاردیومیوپاتی، بیماری روماتیسمی قلب، تنگی ریوی و بیماری عروق کرونر است. تشخیص بیماری های قلبی_ عروقی از طریق علائم، یک چالش بزرگ در شرایط جهانی فعلی است و اگر به موقع تشخیص داده نشود، ممکن است عامل مرگ و میر شود. به دلیل دسترسی محدود پزشکان متخصص قلب به مناطق دورافتاده، یک سیستم پشتیبان تصمیم گیری هوشمند با رویکرد رایانش مه می تواند به عنوان یک راهکار موثر در بهبود تشخیص بیماری های قلبی_ عروقی استفاده شود. هدف این مقاله ارائه یک سیستم تصمیم یار هوشمند به منظور بهبود تشخیص بیماری های قلبی_ عروقی براساس رایانش مه است. در ابتدا، اطلاعات و پرونده های پزشکی 100 بیمار جمع آوری می شوند. سپس داده های ورودی، باید پاکسازی و نرمالسازی شوند و بر اساس الگوریتم های استخراج ویژگی، ویژگی ها استخراج و انتخاب و وزن دهی می شوند. بعد از آن با استفاده از الگوریتم ماشین بردار پشتیبان، داده ها طبقه بندی می شوند. نتایج نشان می دهد که معیار دقت در روش های پیشنهادی بالاتر از مقاله پایه است. در روش پیشنهادی ممتیک-ژنتیک دقت 93 درصد و در روش پیشنهادی گراف کاوی-ژنتیک دقت 91 درصد و در مقاله پایه دقت 86 درصد می باشد. روش های پیشنهادی توانسته سطح بیشتری را نسبت به مقاله پایه در منحنی ROC ارائه شده پوشش دهد. در روش ممتیک-ژنتیک در نقطه صفر مقدار TPR=0. 38 بوده و در روش گراف کاوی-ژنتیک در نقطه صفر مقدار TPR=0. 2 است. درحالیکه در مقاله پایه، TPR مقدار آن صفر درنظرگرفته شده است. همچنین روش ممتیک-ژنتیک سریع تر می تواند به مقدار یک در TPR برسد. نقطه ای که به مقدار 1 رسیده است، 0. 4 می باشد. خطای میانگین مربعات روش های پیشنهادی عملکرد بهتری نسبت به مقاله پایه داشته و برای روش ترکیبی ممتیک-ژنتیک و گراف کاوی-ژنتیک مقادیر 11و 15درصد را به خود اختصاص داده است.

وسایل آموزش الکترونیکی باید بر اساس روانشناسی فراگیران توسعه یابد. مطالعات زیادی در مورد ماهیت یادگیری و عوامل موثر بر آن انجام شده است. یکی از موارد روانشناختی که باید مورد توجه قرار گیرد، رابط کاربری در آموزش الکترونیکی است، زیرا رابط کاربری (UI) نقطه تعامل کاربر و بدنه آموزشی است. امکان استفاده از یک اپلیکیشن و آسانی یادگیری استفاده از آن، مسائلی هستند که تحت تاثیر رابط کاربری می باشند. اگر چنین همبستگی ناموفق باشد، ممکن است اهداف آموزش محقق نشود، حتی اگر محتوای آموزشی به خوبی انتخاب شده باشد و کاربر مایل به یادگیری باشد. به همین دلیل، موضوعات اصلی در همبستگی موفق، که باید در طراحی رابط کاربری برای آموزش الکترونیکی و اپلیکیشن های آموزشی مورد توجه قرار گیرد، در کانون این مطالعه قرار دارد. هدف از پژوهش حاضر بررسی قواعد طراحی رابط کاربری گرافیکی برای طراحی اپلیکیشن‏های آموزشی ایرانی می‏باشد. در این مطالعه به بررسی صد اپلیکیشن آموزشی منتشر شده در فروشگاه گوگل با امتیاز بین 4 تا 5 پرداخته شده است. اپلیکیشن ها از نظر سیستم طراحی، فونت، رنگ های اصلی، آیکون ها و دیگر موارد بررسی شده اند. همچنین پرسشنامه ای جهت آگاهی از میزان اهمیت هر کدام از این موارد از نظر مخاطبان طراحی شد و بین 169 نفر پخش شده و نتایج نیز با استفاده از SPSS تحلیل و بررسی شده است. نتایج نشان داد که اپلیکیشن های موفق از سبک طراحی، فونت، رنگ و آیکون های مشابهی استفاده می‏کنند که می توان از آن ها به عنوان یک الگوی مناسب بهره برد.

تحقیق حاضر به بررسی رابطه فرهنگ سازمانی با کیفیت زندگی کاری و مدیریت روابط با مشتری در بین کارکنان سازمان تامین اجتماعی می پردازد.، که در نوع خود جدید می باشد. در این تحقیق از مدل رابینز برای اندازه گیری فرهنگ سازمان و مدل والتون برای کیفیت کاری و مدل سین و همکاران برای مدیریت روابط با مشتریان (CRM) استفاده شده است. جامعه آماری تحقیق شامل کارکنان سازمان تامین اجتماعی خراسان رضوی در شعب هفتگانه مشهد می باشد که تعداد آنها 750 نفر و برای حجم نمونه تحقیق با توجه به جدول مورگان 254 نفر در نظر گرفته شده است. ابزار گردآوری پرسشنامه استاندارد بوده که از روایی لازم برخوردار و پایایی آن با استفاده از ضریب آلفای کرونباخ محاسبه گردید که نشان از همسانی درونی پرسشنامه ها می باشد. نتایج بدست آمده بر اساس آزمون مدل معادلات ساختاری حاکی از وجود رابطه معنادار و مثبت بین فرهنگ سازمانی با مدیریت روابط با مشتریان و کیفیت زندگی کاری و همچنین رابطه معنادار و مثبت کیفیت زندگی کاری با مدیریت روابط با مشتریان بود. علاوه بر این نتایج نشان داد که کیفیت زندگی کاری رابطه رفاه ذهنی سهامداران و مدیریت روابط با مشتریان را میانجیگری می کند.

یکی از مهم ترین اولویت های کشورهای پیشرفته دنیا استفاده از تصمیم گیری ماشین به جای انسان است. یکی از حوزه هایی که نیازمند این زمینه است، حوزه سلامت است. به این منظور مشخص کردن چاقی و لاغری افراد می تواند در مطالعه و بررسی وضعیت سلامت یک جامعه و اتخا ذ سیاست های نظام سلامت بسیار مفید واقع شود. تصاویر افراد به عنوان پایگاه داده پژوهش از چند محیط مختلف که فاصله دوربین و فرد در تمامی آن ها یکسان بوده تهیه شده اند. سپس پس زمینه تصویر با استفاده از تفریق پس زمینه حذف می شود. ویژگی های تصویر که ویژگی های مورفولوژیکی تصویر را شامل می شود از تصویر استخراج شده و به دو دسته بند داده می شود تا عملیات دسته بندی صورت پذیرد. افراد به سه دسته چاق، متوسط و لاغر تقسیم شدند. در این مقاله، دو دسته بند ماشین بردار پشتیبان، K-نزدیک ترین همسایه بر روی سه نوع مجموعه تصویر خام، فیلتر شده و نویزدار شده اعمال شده است. تصاویر با استفاده از روش فیلتر پایین گذر گاوسین با فرکانس های مختلف فیلتر شده با استفاده از دو روش نویز فلفل نمک و نویز گاوسین نویز دار شده اند. در تصاویر نرمال بالاترین دقت مربوط به روش ماشین بردار پشتیبان با دقت 7/91 درصد، در تصاویر فیلتر شده بالاترین دقت مربوط به روش K-نزدیکترین همسایه با 3/83 درصد و در تصاویر نویز دار شده بالاترین دقت مربوط به روش ماشین بردار پشتیبان با 75 درصد بود. نتایج حاصل از این مقاله نشان داد که با روش پیشنهادی ارائه شده علاوه بر اینکه می توان افراد یک جامعه را از لحاظ چاقی و لاغری دسته بندی کرد به دقت بالاتری نسبت به بیشتر روش هایی که تا کنون ارائه شده اند، رسید. با توجه به راهکارها و نتایج این پژوهش با افزایش تصاویر افراد علاوه بر بالا بردن دقت به سطح کاربردی تری خواهد رسید.

از آنجایی که تشخیص اولیه و زودهنگام این بیماری بسیار مهم و حیاتی است و روش های معمول مورد استفاده در صنعت پزشکی نیازمند صرف زمان و هزینه زیادی برای تشخیص این بیماری است، پیش بینی دقیق این بیماری به یک چالش تبدیل شده است. با توجه به حجم عظیم داده های بیمارستانی که هر روز بر حجم آن افزوده می شود، اهمیت داده کاوی که یکی از تکنیک های مهم برای کشف دانش و الگوهای پنهان است، بیشتر می شود. مطالعات بسیاری بر اساس داده کاوی برای پیش بینی بیماری قلبی انجام شده است. هر کدام با توجه به راه حل خود اهدافی مانند افزایش سرعت، افزایش دقت، کاهش حجم محاسبات و ضریب خطا را دنبال می کنند. هدف این تحقیق افزایش قابلیت اطمینان و دقت تشخیص بیماری قلبی با استفاده از تکنیک انتخاب ویژگی توسط الگوریتم های فراابتکاری برای استخراج ویژگی های مفید و کاهش بار محاسباتی است و برای ارزیابی روش پیشنهادی از الگوریتم های یادگیری ماشینی استفاده می کنیم.