دانلود مقاله تجزیه و تحلیل داده ها

مقاله تجزیه و تحلیل داده ها مقاله تجزیه و تحلیل داده ها

دسته بندی	پژوهش ها
فرمت فایل	doc
حجم فایل	15 کیلو بایت
تعداد صفحات فایل	24

مقاله تجزیه و تحلیل داده ها

بخشهایی از متتن:

مقدمه

در این فصل ما قصد داریم به تجزیه و تحلیل داده ها از طریق آمار توصیفی بپرازیم.

این فصل به گونه ای است که ما میتوانیم به استخراج داده ها از طریق جدولی که برای پرسشنامه تهیه میگردد آماری را مشاهده کنیم که از پرسشنامه هایی که تهیه کرده ایم بدست می آید.

...

جدول شماره8برای سوال8
اهمیت کدام گزینه بیشتر است	تاثیر یادگیری بر درک مطلب	تاثیر انگیزه بر یادگیری	تاثیر انگیزه بر افزایش       علاقه مندی
	9	9	12

در این جدول 9نفر به گزینه تاثیر یادگیری بر درک مطلب‘9نفربه تهثیر انگیزه بر یادگیری‘و12نفر به تاثیرانگیزه بر افزایش علاقه مندی پاسخ داده اند.

جدول شماره9برای سوال9
کدام یک از روشهای مقابل میتواند بر افزایش یادگیری و درک مطلب تاثیر بیشتری داشته باشد	مطالعه کتابهایی در این مورد	انجام دادن کار تحقیقی	استفاده از   رسانه ها	تصادفی با موضوعی برخورد کردن
	14	6	3	7

در این جدول آمار نشان میدهد که مطالعه کتابهایی در این مورد میتواند تاثیر بیشتری داشته باشد.

جدول شماره10برای سوال10
تا چه اندازه در ایران به رابطه بین انگیزه و یادگیری توجه میشود	خیلی زیاد	زیاد	کم	خیلی کم
	-	3	17	10

در این جدول 3نفر به گزینه زیاد! 17نفر به گزینه کم و10نفر گزینه خیلی کم را تا ءید کرده اند این آمار نشان میدهد که متاسفانه در ایران کم یا خیلی کم به رابطه بین انگیزه و یادگیری توجه میکنند.

...

دانلود مقاله تجزیه و تحلیل داده ها به وسیله شبکه های عصبی مصنوعی

مقاله تجزیه و تحلیل داده ها به وسیله شبکه های عصبی مصنوعی مقاله تجزیه و تحلیل داده ها به وسیله شبکه های عصبی مصنوعی

دسته بندی	پژوهش
فرمت فایل	doc
حجم فایل	13 کیلو بایت
تعداد صفحات فایل	20

مقاله تجزیه و تحلیل داده ها به وسیله شبکه های عصبی مصنوعی

بخشهایی از متن مقاله:

از حدود 1940 بطور همزمان اما جداگانه ، از سویی نوروفیزیولوژیستها سعی میکردند سیستم یادگیری و تجزیه و تحلیل مغز را کشف کنند و از سویی  ریاضیدانان تلاش می کردند تا مدل ریاضی بسازند که قابلیت  فراگیری و تجزیه تحلیل عمومی مسائل را دارا باشد. از آن زمان ، بارها این اتفاق افتاد که ریاضیدانان یافته های نوروفیزیولوژیستها را پیاده سازی کردند، بدون این که بدانند چرا، و در عمل مشاهده کردند که سیستم پیاده شده کارایی شگفت انگیز سیستم طبیعی را دارد. پس از آن توانستند منطق زیربنایی سیستم طبیعی را درک کنند. اگر چه از همان ابتدا، ریاضیدانان توانسته بودند مدل ریاضی یک سلول عصبی یا نورون را بسازند، اما تا حدود 1974 که دانش مربوط به نوع  اتصال این واحدهای شبه نورونی به یکدیگر تکامل لازم را نیافته بود. امروزه برنامه های کاربردی متعددی دردسترس هستند که با این روش کار میکنند. اگر چه کاربرد این برنامه ها بویژه برای افراد عادی کمی مشکل است، اما محققین روز به روز بیشتر و بیشتر آنها را به کار می گیرند. برای تجزیه و تحلیل یک سیستم پیچیده بوسیله روش شبکه های عصبی، نیاز به دانش زیادی درباره سیستم مورد مطالعه نمی باشد، چون عمل تجزیه و تحلیل و یادگیری در مغز شبکه اتفاق می افتد نه در مغز محقق، اما به هر حال بهره گیری از دانش کلی درباره طرز کار این شبکه ها برای کاربران آنها ضروری است، چرا که تنظیمات ساده و کلی در این برنامه ها وجود دارند که آگاهی از آنها برای ساختن یک مدل موفق ضروری است.

شبکه های عصبی مصنوعی در واقع مثلثی هستند که 3 ضلع مفهومی دارند: 1- سیستم تجزیه و تحلیل داده ها، 2- نورون یا سلول عصبی 3- شبکه یا قانون کار گروهی نورونها.  در یک تعریف کلاسیک، هایکین می گوید: شبکه عصبی عبارت است از مجموعه ای عظیم از پردازشگرهای موازی که استعداد ذاتی برای ذخیره اطلاعات تجربی و بکارگیری آن دارند و این شبکه دست کم از دو بابت شبیه مغز است: 1- مرحله ای موسوم به یادگیری دارد 2- وزن های سیناپسی جهت ذخیره دانش به کار می روند.

 وظیفه شبکه های عصبی یادگیری است. تقریبا چیزی شبیه یادگیری یک کودک خردسال. یادگیری در شبکه های عصبی رایج به شکل Supervised یا یادگیری تحت نظارت است. والدین تصاویر حیوانات مختلف را به کودک نشان می دهند و نام هرکدام رابه کودک می گویند.

...

طرز کار مدل سلول عصبی :

 مدل ریاضی یک سلول عصبی که از روی الگوی ریاضی آن ساخته شده است Perceptron نامیده می شود. خطوط ورودی (Input) سیگنالهای تحریکی یا مهاری را به جسم سلولی می آورند که همان پارامترهای تعریف کننده سیستم هستند. مثلا فرض کنیم که غلظت یک ماده  0.6 mol/lit است ، این عدد یکی از پارامترهای تعریف کننده نمونه دارویی ما است، پس این پارامتر بعنوان یک سیگنال الکتریکی با شدت 0.6 به یک کانال ورودی می رود. در ابتدای هر کانال ورودی یک ضریب عددی وجود دارد که شدت تحریک در این عدد ضرب می شوند و حاصل آن که یک Weighted Input نامیده می شود اگر مثبت باشد یک سیگنال تحریکی و اگر منفی باشد یک سیگنال مهاری بر جسم سلولی است. میزان کلیه این سیگنالهای تحریکی یا مهاری که از ورودی های مختلف به جسم سلولی می رسند با هم بصورت خطی جمع می شود (Linear Combination of Weighted Inputs). اگر این حاصل جمع از میزان آستانه یا Threshold کمتر باشد سلول عصبی خاموش می ماند، و در غیر این صورت سلول شلیک میکند (Fire) و جریان الکتریکی ثابتی در خروجی (یا خروجی ها) ایجاد می کند.