دانلود پاورپوینت “ ریاضی دوم راهنمایی ( حجم ) ”

اختصاصی از فی دوو دانلود پاورپوینت “ ریاضی دوم راهنمایی ( حجم ) ” دانلود با لینک مستقیم و پر سرعت .

دانلود پاورپوینت “ ریاضی دوم راهنمایی ( حجم ) ” در 22 اسلاید

مقاله افزایش حجم اطلاعات ذخیره شده

اختصاصی از فی دوو مقاله افزایش حجم اطلاعات ذخیره شده دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین مطلب*

 

فرمت فایل:Word (قابل ویرایش و آماده پرینت)

 

تعداد صفحه:15

فهرست و توضیحات:

مقدمه:

تعیین میزان مرتبط بودن هر مستند به نیاز اطلاعاتی کاربر:

تفاوت بازیابی داده و بازیابی اطلاعات:

ذخیره وبازیابی اطلاعات

تعاریف اولیه:

نوع موجودیت:

 با افزایش حجم اطلاعات ذخیره شده در منابع مختلف قابل دسترس، بحث بازیابی این اطلاعات اهمیت ویژه ای یافته است. بازیابی اطلاعات دقیقا به فرایند استخراج مجموعه اطلاعات مورد نظر فرد اطلاق می شود. اطلاعات بازیابی شده می توانند تمامی منابع ممکن باشند. مانند متن، تصویر، صوت، ویدئو، و ...

هم اکنون بازیابی اطلاعات در حوزه ی متن توجه بیشتری از محققان را به خود جلب کرده است. مسلما همه ی شما هم با سیستم های بازیابی اطلاعات از اینترنت کار کرده اید. سیستم های Google ، MSN ، Yahoo سه نمونه از محبوب ترین این سیستم ها هستند.

مدل کردن کل اطلاعات برای بازیابی اطلاعات اولین کاری که هر سیستم باید انجام دهد این است که مدلی برای توصیف و تعیین شباهت میان اطلاعاتی که در اختیار دارد تعریف کند. سه مدل مهم در حوزه ی بازیابی اطلاعات مدل دودویی، مدل برداری، و مدل احتمالی هستند.

در مدل دودویی هر مستند یا document ، بصورت کیفی پر از تعدادی کلمه در نظر گرفته می شود. (Bag or word) در مدل برداری، هر مستند را به صورت برداری از کلمات در نظر می گیریم و در واقع، در این مدل، فضایی چند بعدی که ابعاد آنرا کلمات تشکیل می دهند ایجاد می کنیم. و سپس هر مستند در این فضا بصورت یک بردار نمایش داده می شود. موئلفه های این بردار مستند، در واقع وزن هایی هستند که نشان می دهند هر یک از کلمات چقدر در متمایز کردن مستند دخیل هستند. در مدل احتمالی ، به هر مستند احتمالی اختصاص داده می شود که مربوط بودن آن مستند را به نیاز کاربر به صورت احتمالی بین صفر و یک بیان می کند.

 بعد از تعریف این مدل، سیستم اکنون آماده است که نیاز اطلاعاتی کاربر را دریافت کند. معمولا کاربران نیاز اطلاعاتی خود را در قالب چندین کلمه و یا عبارات معمولی به سیستم بیان می کنند. سیستم سپس بر اساس مدلی که اطلاعات را در آن مدل کرده است، میزان مرتبط بودن هر مستند را با نیاز اطلاعاتی کاربر محاسبه می کند و آن مستنداتی که از همه مربتط تر تشخیص داده شده اند را به عنوان خروجی باز می گرداند.

در مدل دودویی، نیاز اطلاعاتی کاربر بصورت عبارتی منطقی با عملگر های AND , OR, NOT بیان می شود و هر مستندی که این عبارت در مورد آن صحیح باشد بازیابی می شود. مثلا اگر نیاز اطلاعاتی بصورت Iran AND Oil بیان شود، تمامی مستنداتی که کلمه ی Iran و Oil را با هم دارند به کاربر نمایش داده می شوند. متاسفانه در مدل دودویی مستند یا مرتبط است و یا نیست. هیچ معیاری برای سنجش میزان مرتبط بودن وجود ندارد. مثلا دو مستندی که یکی تماما در مورد ایران و نفت بحث می کند و دیگری در مورد اقتصاد جهانی صحبت می کند و فقط از نام ایران و نفت به عنوان مثالی در یک جمله استفاده کرده است، از نظر سیستم تفاوتی نیست. در صورتیکه در واقع مستند اول بیشتر به نیاز کاربر مربوط است.

در مدل برداری، برای سنجش میزان مرتبط بودن مستندات و نیاز اطلاعاتی کاربر، سیستم دقیقا به مانند قبل نیاز اطلاعاتی کاربر را هم به فضای چند بعدی از کلمات می برد و در نتیجه برای سنجش میزان شباهت میان این دو بردار می توان از زاویه ای که این دو بردار با هم می سازند استفاده کرد. مستنداتی که با نیاز اطلاعاتی کاربر دقیقا هم جهت هستند مسلما نسبت کلماتشان به همان نسبت کلمات نیاز اطلاعاتی است و در نتیجه مرتبط تر خواهند بود. برتری این مدل این است که به ما درجه ای از مرتبط بودن را می دهد.

در مدل احتمالی هم به ازای هر نیاز اطلاعاتی، تمامی مستندات بر اساس احتمال اینکه این مستند با نیاز اطلاعاتی مرتبط باشد مرتب می شوند و لیست مستندات در نهایت به صورت درجه بندی شده (مانند مدل برداری) به کاربر نمایش داده می شود به نحوی که اولین مستندی که کاربر می بیند از همه بیشتر احتمال دارد که به نیاز او مرتبط باشد.

 بین بازیابی اطلاعات و بازیابی داده تفاوت های زیادی وجود دارد. داده ها ابهام ندارند. اما اطلاعات نیاز به تفسیر دارد و در نتیجه مبهم می شوند. سیستم بازیابی داده نیاز به رفع این ابهام ها را ندارد اما در سیستم بازیابی اطلاعات باید هر چه بهتر اطلاعات را مدل کنیم تا ابهام ها در درک اطلاعات توسط سیستم کمتر شوند. برای همین است که بر خلاف سیستم های بازیابی داده که کارایی سیستم از نظر سرعت و فضا به عنوان معیار ارزیابی در نظر گرفته می شود، در سیستم های بازیابی اطلاعات، معیار دقت و یادآوری و معیارهایی شبیه به آنها بیشتر به عنوان معیار ارزیابی سیستم به کار
 می روند.

معیار های ارزیابی معیار دقت به حاصل تقسیم تعداد مستندات بازیابی شده ی واقعا مرتبط ، به تعداد کل مستندات بازیابی شده گفته می شود. و معیار یادآوری هم به حاصل تقسیم تعداد مستندات بازیابی شده ی مرتبط، به تعداد کل مستندات مرتبطی که در مجموعه ی اطلاعاتی موجود بوده است.

تحقیق در مورد شعر حجم شعر حرف های قشنگ نیست

اختصاصی از فی دوو تحقیق در مورد شعر حجم شعر حرف های قشنگ نیست دانلود با لینک مستقیم و پر سرعت .

ینک پرداخت و دانلود *پایین مطلب*

فرمت فایل:Word (قابل ویرایش و آماده پرینت)

تعداد صفحه9

فهرست مطالب

شعر حجم شعر حرف های قشنگ نیست

گزیده حرفهایی درباره بیانیه شعر حجم :

متن بیانیه « شعر حجم » با امضای یدالله رویایی ، پرویز اسلام پور ، بهرام اردبیلی و 000

شعر حجم از سالهای 46 و 47 رسما” موجودیت خود را اعلام کرد و یدالله رویایی و تنی چند از شاعران در آن سالها بیانیه شعر حجم را نوشتند که برای نخستین بار در نشریه ادبی بارو( 1348 ) منتشر شد .

یدالله رویایی در این باره می نویسد : به دنبال سه ماه بحث و گفت و گو و نشستن های مدیری که در کافه نکیسا ، خانه رویایی ، خانه اردبیلی ، خانه اسلام پور و خانه نصیبی صورت گرفت ، سرانجام در آخرین و طولانی ترین جلسه خود در منزل اسلام پور « بیانیه شعر حجم » تایید و امضاء شد .

در آن ایام این نام ها شرکت داشته اند : پرویز اسلام پور ( شاعر ) ، محمود شجاعی ( شاعر و نمایشنامه نویس ) ، بهرام اردبیلی ( شاعر ) فیروز ناجی ( شاعر ) ، هوشنگ آزادی ور ( شاعر و سینماگر ) ، فریدون رهنما ‌( شاعر و سینماگر ) ، نصیب نصیبی ( سینماگر ) ، پرویز زاهدی ( نویسنده ) ، محمدرضا اصلانی ( شاعر و سینماگر ) ، علی مراد فدایی نیا ( قصه نویس ) ، یدالله رویایی ( شاعر ) و 000

از میان شاعرانی که قرار بود آن بیانیه را امضا کنند و نکردند ، محمدرضا اصلانی بدون تایید امضا نکرد و فریدون رهنما با تایید بیانیه مخالف اصل امضا کردن بود . بیژن الهی و هوشنگ چالنگی در آن زمان در سفر بودند و بعد از انتشار آن به اصرار الهی به تعویق افتاد ، پی گیری اخذ امضا متوقف ماند .

مدل پیشرفته برای پیش بینی کارآمد حجم کار در ابر *

اختصاصی از فی دوو مدل پیشرفته برای پیش بینی کارآمد حجم کار در ابر * دانلود با لینک مستقیم و پر سرعت .

تعداد صفحه : 17

برآورد و پیش بینی حجم کار یکی از حوزه های تحقیقاتی مورد توجه در محاسبات ابری است. دلیل این موضوع مزایای متعدد آن است، که عبارتند از QoS (کیفیت سرویس)، مقیاس پذیری منابع به صورت خودکار، و زمان بندی وظایف/کارها. پیش بینی دقیق حجم کار برنامه های کاربردی در ابر بسیار دشوار است بویژه اگر آنها به شدت با هم متفاوت باشند. برای پرداختن به این موضوع، راه حل های موجود یا از روش های آماری استفاده می کنند، که به طور موثر الگوهای تکراری را شناسایی می کنند اما در پیش بینی بلند مدت خیلی دقیق نیستند و یا از روش های یادگیری استفاده می کنند، که یک مدل پیش بینی پیچیده را توسعه می دهند اما عمدتا قادر به تشخیص الگوهای غیر معمول نیستند. برخی از راه حل ها از ترکیبی از هر دو روش استفاده می کنند. با این حال، هیچ یک از آنها به موضوع جمع آوری اطلاعات به منظور بهبود دقت پیش بینی نمی پردازند. ما یک مدل پیشرفته برای پیش بینی حجم کار در ابر (AME-WPC) پیشنهاد می کنیم، که ترکیبی از روش های آماری و یادگیری است، و موجب بهبود دقت و صحت پیش بینی حجم کار برای برنامه های محاسبات ابری می شود و می تواند به صورت پویا به یک سیستم خاص اِعمال شود. روش های یادگیری از یک مجموعه داده آموزشی توسعه یافته استفاده می کنند، که ما از طریق تجزیه و تحلیل عوامل سیستم تعریف می کنیم که دارای تاثیر قوی در حجم کار نرم افزار است. ما مشکل پیش بینی حجم کار را از طریق طبقه بندی و همچنین رگرسیون حل می کنیم و راه حل خود را با استفاده از روش یادگیری ماشینی جنگل تصادفی در هر دو - داده های آموزشی مبنا و توسعه یافته تست می کنیم. به منظور بررسی مدل پیشنهادی، ما آزمون های تجربی خود را با روش یادگیری ماشینی KNN مقایسه می کنیم (K-نزدیکترین همسایه). نتایج تجربی نشان می دهند که ترکیب روش های آماری و یادگیری به طور قابل توجهی موجب بهبود دقت پیش بینی حجم کار در طول زمان می شود.

رستوران

اختصاصی از فی دوو رستوران دانلود با لینک مستقیم و پر سرعت .

رستوران

پلان نما

حجم اولیه با اتو کد

dwg