چکیده این پژوهش با هدف کاربرد رهیافت های هوش تجاری در بهبود تصمیم گیری مدیران بانکی انجام گرفت. این پژوهش از حیث هدف از نوع کاربردی و از نظرگردآوری داده ها از نوع، توصیفی پیمایشی است. جامعه آماری در این پژوهش مدیران کلیه ی شعب موسسه اعتباری ثامن استان های گیلان و مازندران است. 52مدیر شعب استان های گیلان و مازندران به عنوان نمونه آماری انتخاب شدند. روش نمونه گیری به صورت تصادفی ساده است. ابزار اصلی مورد استفاده در این تحقیق، پرسشنامه است. پرسشنامه هوش تجاری دارای مولفه های یکپارچگی داده ها، قابلیت های تحلیلی، کیفیت محتوای اطلاعاتی، کیفیت دسترسی به اطلاعات، استفاده از اطلاعات در فرآیند کسب و کار، فرهنگ تصمیم گیری تحلیلی می باشد و برای سنجش تصمیم-گیری مدیران از 5 سوال استفاده شد. داده های پژوهش با نرم افزارهای spss و matlab تحلیل گردید. نتایج تحلیل آماری نشان داد که بین استفاده از هوش تجاری و تصمیم گیری مدیران موسسه اعتباری ثامن ارتباط معنادار وجود دارد. همچنین یافته های تحقیق نشان داد که وضعیت مدیران شعب در متغیرهای هوش تجاری و تصمیم گیری مطلوب است. کلید واژه: هوش تجاری، بهبود تصمیم گیری مدیران، موسسه اعتباری ثامن، فرهنگ تصمیم گیری

یکی از شاخه های علم یادگیری ماشین که به علت ذات همسایگی سلولی و تاثیرپذیری همسایگی و همچنین سلولی بودن تصویر به مقدار زیادی در پردازش تصویر نفوذ کرده است، مبحث آتوماتای سلولی است. از آنجا که آتوماتای سلولی دارای رفتاری پویا می باشد می توان از آن برای بهسازی تصویر استفاده نمود.آتوماتای یادگیر سلولی از زمان ارائه تاکنون در کاربردهای بسیار زیادی به کار گرفته شده است. از جمله مهم ترین کاربردهای آن شناسایی و بهبود لبه های تصاویر است که از مهمترین جنبه های بهسازی تصویر نیز به شمار میرود.در این پژوهش روشهای مختلف لبه یابی و بهبود لبه مبتنی بر آتوماتای یادگیر سلولی مورد بررسی قرار گرفته و الگوریتمهایی جهت بهبود عملکرد آنها ارائه میگردد. در قسمت اول این پژوهش روشهای پیشنهادی بهبود لبه های به دست آمده در فاز پیش پردازش مبتنی بر آتوماتای یادگیر سلولی ارائه میگردد. سپس نتایج حاصل از هر یک از روش ها نمایش داده میشود.در قسمت دوم پژوهش مشاهده میشود که روش پیشثنهادی عملکرد خوبی در بهبود لبه های استخراج شده در فاز پیش پردازش دارد. همچنین از دو دیدگاه کیفی و کمی به ترتیب با برخی روش های پیشین بهبود لبه مبتنی بر آتوماتای یادگیر سلولی مقایسه میشود.نتایج آزمایشها نشان میدهد که الگوریتم یشنهادی از منظر بصری تصاویر بهتری را در مقایسه با روشهای پیشین بهبود لبه ارائه می دهد.همچنین از منظرکمی نیز روش پیشنهادی از کارایی بالاتری برخوردار است.

گندزدایی داده فرآیندی است که از طریق اصلاح تراکنش ها به اشتراک گذاری داده های تراکنشی بین سازمان ها کمک می کند و نگرانی های افراد و سازمان ها درباره فاش سازی الگوهای حساس را کاهش می دهد، این فرآیند پایگاه داده را به یک نسخه اصلاح شده تبدیل می کند تا الگوهای حساس از داده ها استخراج نشوند و بنابراین محرمانگی داده ها در برابر کاوش قوانین انجمنی حفظ می شود. این فرآیند تلاش دارد تا تاثیر گندزدایی بر روی سودمندی داده ها را از طریق کمینه کردن تعداد اثرات مخرب بیشینه کند. یافتن یک راه حل بهینه برای این فرآیند که همه الگوهای حساس را پنهان و هیچ اثرجانبی ایجاد نکند یک مسئله اساسی است. این پژوهش یک الگوریتم گندزدایی داده ها بنام پنهان سازی مبتنی بر ضریب تاثیر(hif) پیشنهاد می دهد که تلاش دارد تا با استفاده از ترکیب راه حل های بهینه در رویکردهای اکتشافی و بردارمجاورت به یک راه حل برای بیشینه کردن سودمندی داده ها، دقت داده ای و کارایی دست پیدا کند بطوری که تاثیر گندزدایی بر روی مجموعه فقره های غیرحساس را کنترل می کند.

در این پایان نامه بر روی لحاظ کردن سیستم توصیه گر در محیط محاسبات ابری جهت پیشنهاد سرویس نرم افزاری مناسب تر به مشتریان با توجه به توافق سطح سرویس و کیفیت سرویس در لایه نرم افزار به عنوان سرویس تحقیق شده است. برای این منظور ویژگی های کیفی برای اندازه گیری کیفیت لایه نرم افزار به عنوان سرویس شناسایی می شود. جهت نزدیک تر شدن پیشنهاد ها به نظر مشتری از توافق سطح سرویس به عنوان یک فاکتور کلیدی در وزن دهی استفاده می گردد و سپس به کمک این وزن ها به مقایسه بین ارائه دهندگان مختلف نرم افزار به عنوان سرویس و ارزیابی کیفیت ارائه شده توسط آن ها می پردازد و سرویس مناسب تر و نزدیک تر به نظر مشتری را به کمک رویکرد فیلترینگ مشارکتی پیشنهاد می دهد. نتایج آزمایش ها نشان می دهد که روش پیشنهادی عملکرد قابل قبولی داشته و دقت بالایی از خود نشان می دهد.

از آنجایی که شناخت شخصیت افراد در علوم مختلفی همچون مدیریت، آموزش و ... حائز اهمیت می باشد لذا شناخت شخصیت افراد همواره مورد توجه محققان بوده است. بررسی های انجام شده نشان می دهد که اطلاعات لازم جهت شناخت شخصیت افراد از طریق دسترسی به شبکه های اجتماعی آن ها در جامعه ی ایرانی تا کنون مورد بحث قرار نگرفته است. گسترش روز افزون دسترسی به اینترنت، منجر به محبوبیت شبکه های اجتماعی و تعاملات هرچه بیشتر انسان ها با یکدیگر در فضای مجازی شده است لذا تأثیر فضای مجازی بر رفتار اجتماعی انسان و نیز تعاملی که کاربر در شبکه های اجتماعی دارد می تواند معیار خوبی از رفتار کاربر در زندگی واقعی باشد. این امر نشانگر ضرورت پژوهش و بیانی نو از ارائه ی راهکاربرای شناخت شخصیت افراد است. هدف از این تحقیق ارائه ی مدلی جهت پیش بینی شخصیت افراد با استفاده از اطلاعات موجود در پروفایل فیس بوکشان می باشد. به این منظور پرسشنامه ی پنج عامل بزرگ شخصیتی که مطابق با فرهنگ ایرانی تعدیل شده است توسط وب سایتی در اختیار کاربران قرار گرفت و همزمان برنامه های جهت دریافت اطلاعات آنان از صفحه ی فیس بوکشان طراحی گردید. در پایان این مرحله، اطلاعات کامل پرسشنامه های و پروفایلی 144 نفر برای مدل سازی به کار گرفته شد. با استفاده از داده های موجود مدلهای رگرسیونی و شبکه های عصبی جهت پیش بینی شخصیت افراد طراحی گردید. نتایج حاصل از مدل رگرسیونی غیرخطی، بعد شخصیتی سازگاری را با میانگین خطای2.21 (rmse) و مدل شبکه های عصبی آن را با میانگین خطای 2.197 پیش بینی میکند. همچنین آنالیز دقیق داده ها رابطه ی همبستگی مثبتی بین بعد شخصیتی گشاده رویی با تعداد عکس های موجود در پروفایل کاربر و نیز رابطه ی همبستگی مثبتی بین بعد شخصیتی باوجدان و تعداد اشتراک گذاری کاربران نشان می دهد.

امروزه مدیریت مبتنی بر محتوای متون، به علت رشد سریع و در دسترس قرار گرفتن متون به شکل دیجیتالی، از اهمیت زیادی برخوردار است. از طرفی دیگر یکی از روش های مهم در سازمان دهی اطلاعات، دسته بندی اسناد زبان طبیعی در دسته های از قبل مشخص شده است. با توجه به اهمیت موضوع و کاری که در این زمینه برای زبان های دیگر دنیا انجام شده است، نیاز به دسته بندی متون فارسی به خوبی احساس می شود. در سال های اخیر، الگوریتم های زیادی برای دسته بندی اسناد، پیشنهاد شده است. اغلب کارهای انجام شده بر روی اسناد انگلیسی بوده و در چند مورد برای زبان های عربی و چینی نیز کارهایی انجام شده است. یکی از جدیدترین و کاراترین روش هایی که در دهه ی اخیر جهت دسته بندی معرفی شده است دسته بندی با استفاده از قواعد انجمنی است که به دسته بندی انجمنی معروف است. دسته بندی انجمنی یکی از روش های کاوش داده ها است که قواعد انجمنی و دسته بندی را جهت ساخت مدل های دسته بندی کارا، باهم ترکیب می کند. موضوع دسته بندی انجمنی، در سال های اخیر توجه خاصی را از سوی پژوهشگران مختلف جلب خود کرده است، بخصوص که با استفاده از آن می توان دسته بندهایی که دارای دقت بالا و قوانین ساده و کارآمد هستند را تولید کرد. یکی از چالش های اصلی الگوریتم های دسته بندی انجمنی موجود، انبوه بسیار زیاد قوانین تولید شده توسط این الگوریتم ها است. بسیاری از این قوانین تولید شده افزونه و گمراه کننده هستند و اگر در مدل دسته بندی گنجانده شوند دقت مدل را تا حد زیادی کاهش می دهند. در این پژوهش، یک روش جدید برای فیلتر کردن این قوانین افزونه و افزایش دقت دسته بند مبتنی بر قواعد انجمنی، ارائه شده است. در پژوهش پیش رو یک روش فیلترینگ پله ای 3 مرحله ای برای فیلتر کردن قوانین انجمنی تولید شده، ارائه شده است که قوانین افروزنه و ضدونقیض را طی 3 مرحله، فیلتر کرده و درنهایت قوانینی را برای ساخت مدل دسته بندی انتخاب می کند که داری بالاترین قدرت تشخیص بوده و در ضمن تعداد زیادی از نمونه های آموزشی را پوشش می دهند. این کار ضمن فیلتر کردن انبوه زیادی از قوانین افزونه که بنا به دلایل مختلف ممکن است باعث دسته بندی نادرست یا ابهام در مدل دسته بندی شوند، باعث افزایش دقت مدل دسته بندی حاضر، نسبت به نمونه های قبلی شده است. درنهایت یک مدل دسته بندی انجمنی برای دسته-بندی اسناد فارسی طراحی و پیاده سازی شده است که می تواند دسته ی اسناد آزمایشی را با دقت بالایی پیش بینی کند. آزمایش ها روی پیکره متنی همشهری2، به منظور ارزیابی تأثیر روش پیشنهادی بر روی دقت مدل دسته بندی انجام پذیرفته است. نتایج نشان می دهد که مدل دسته بندی به دست آمده عملکرد قابل قبول و دقت بسیار بالایی دارد.

امروزه بازاریابی اینترنتی به اندازه ایی رواج پیدا کرده است که می توان آن را در نرم افزارهای مختلف گوشی های هوشمند نیز مشاهده نمود. بازاریابی و نیاز مبرم به تحلیل روند بازار از جمله چالش های بزرگی است که شرکتها، با آن مواجه هستند. حال استفاده از روشهایی که بتواند این روندها را تنها با تحلیل بخش کوچکی از داده ها (شناسایی گره کلیدی) استخراج نماید، بسیار حائز اهمیت می باشد. روش های متنوعی برای محاسبه درجه اهمیت گره های کلیدی در شبکه اجتماعی وجود دارد. براساس این درجات، روند ها یا سیر تحول در رفتارهای کاربران استخراج خواهند شد. در حقیقت در این مطالعه از اطلاعات شبکه های اجتماعی برای پیش بینی حرکات مشتری استفاده شده است و با معرفی یک الگوریتم جایگزین برپایه الگوریتم های استخراج الگوهای توالی بر توالی های استخراج شده توسط پیمایش اول عمق گراف شبکه اجتماعی استخراج شده اند، حجم گراف را جهت استخراج سریعتر روند ها کاهش داده است. رویکرد نوآورانه به منظور مدیریت شبکه های اجتماعی بزرگ، و مدیریت گره های کم خاصیت با تلفیق ساختار الگوهای توالی بر پیکره پالایش شبکه اجتماعی و در نتیجه کاهش چشمگیر سربار محاسباتی استخراج روند و افزایش در سرعت محاسبه آنها است (علی الخصوص در شبکه های پویا که با تولید حجم وسیعی از داده ها روبرو هستیم). نتایج این روش نوین پیشنهادی در مطالعه موردی واقعی روی پایگاه داده بزرگ و پویای تویتر شامل اطلاعات ارتباطی کاربران این شبکه که در طی شش ماه متوالی با تلفن همراه خود پیامهایی را ردوبدل کرده اند، می باشد. پالایش و کاهش حجم شبکه اجتماعی، شکاف قابل توجه ایی را در میان مقادیر شبکه کاهش یافته و شبکه اصلی ایجاد می-نماید که این موضوع در عملکرد مدل پیشنهادی این مقاله در نظر گرفته شده و بهبود این شکاف با الگوریتم همتای دیگر به نام smi مورد مقایسه قرار گرفته است. این مقاله نشان می دهد که الگوریتم پیشنهادی با ردیابی گره های با مرکزیت میانی پایین توانسته در کنار اینکه تعداد بسیاری از گره ها را حذف و سربار محاسباتی را به شدت کاهش دهد، شکاف میان مقادیر مرکزیت میانی را به حداقل برساند.