Amoozesh.kamel.Barnameh.Nevisi.Android.pdf
26.2 MB
کتاب آموزش کامل برنامه نویسی اندروید (فارسی) یک کتاب خوب برای کسانی که میخوان برنامه نویسی اندروید یاد بگیرند 661 صفحه
#کتاب #برنامه_نویسی #اندروید
#programming #Android
@Computer_IT_Engineering
#کتاب #برنامه_نویسی #اندروید
#programming #Android
@Computer_IT_Engineering
9 main programs in AI.pdf
77.9 KB
کدهای الگوریتم ژنتیک در متلب
#کد #الگوریتم_فراابتکاری #ژنتیک
#GA #Genetic_algortihm
@Computer_IT_Engineering
#کد #الگوریتم_فراابتکاری #ژنتیک
#GA #Genetic_algortihm
@Computer_IT_Engineering
Binary GA.rar
1.1 KB
کدهای الگوریتم ژنتیک باینری در متلب
#کد #الگوریتم_فراابتکاری #ژنتیک
#GA #Genetic_algortihm
@Computer_IT_Engineering
#کد #الگوریتم_فراابتکاری #ژنتیک
#GA #Genetic_algortihm
@Computer_IT_Engineering
GA.rar
11.5 KB
کدهای الگوریتم ژنتیک و حل مسائل مختلف در متلب
#کد #الگوریتم_فراابتکاری #ژنتیک
#GA #Genetic_algortihm
@Computer_IT_Engineering
#کد #الگوریتم_فراابتکاری #ژنتیک
#GA #Genetic_algortihm
@Computer_IT_Engineering
Data-Mining-and-Text-Mining-with-R.pdf
34.7 MB
کتاب داده کاوی و متن کاوی با R (فارسی) 305 صفحه
#کتاب #آموزش #داده_کاوی #متن_کاوی
#Data_mimimg #Text_mining #_R
@Computer_IT_Engineering
#کتاب #آموزش #داده_کاوی #متن_کاوی
#Data_mimimg #Text_mining #_R
@Computer_IT_Engineering
🌟چالشها و خصوصیات کلان داده🌟
حجم داده (Volume): حجم داده های درون سازمان و خارج آن به مدد پدیده اینترنت، دستگاه های الکترونیکی و موبایل ها، زیر ساخت های شبکه و سایر منابع هر ساله رشد نمایی دارد و پیش بینی شده است که تا سال ۲۰۲۰ ما ده زتابایت داده در جهان خواهیم داشت.
نرخ تولید (Velocity): داده ها از طریق برنامه های کاربردی و سنسورهای بسیار زیادی که در محیط وجود دارند با سرعت بسیار زیاد و به صورت بلادرنگ تولید می شوند که اغلب باید در لحظه پردازش و ذخیره شوند.
@Computer_IT_Engineering
تنوع (Variety): انواع منابع داده و تنوع در نوع داده بسیار زیاد می باشد که در نتیجه ساختارهای داده ای بسیار زیادی وجود دارد و بیشتر حجم داده دنیا هم بیساختار و بسیار متنوع است. بخشی از دادهها امروزه در بانکهای اطلاعاتی، بخشی در صفحات وب، بخشی به صورت XML و JSON و بقیه نیز در فایلها با قالب های متفاوت ذخیره شده اند که عمل پردازش آنها را پیچیده میکند.
صحت (Veracity): با توجه به اینکه داده ها از منابع مختلف دریافت میشوند، ممکن است نتوان به همه آنها اعتماد کرد. مثلا در یک شبکه اجتماعی، ممکن است نظرهای زیادی در خصوص یک موضوع خاص ارائه شود. اما اینکه آیا همه آنها صحیح و قابل اطمینان هستند، موضوعی است که نمیتوان به سادگی از کنار آن در حجم بسیار زیادی از اطلاعات گذشت.
@Computer_IT_Engineering
اعتبار (Validity): با فرض اینکه دیتا صحیح باشد، ممکن است برای برخی کاربردها مناسب نباشد یا به عبارت دیگر از اعتبار کافی برای استفاده در برخی از کاربردها برخوردار نباشد.
نوسان (Volatility): سرعت تغییر ارزش داده های مختلف در طول زمان میتواند متفاوت باشد. در کاربردهایی نظیر تحلیل ارز و بورس، داده با نوسان زیادی مواجه هستند و داده ها به سرعت ارزش خود را از دست میدهند و مقادیر جدیدی به خود می گیرند. اگرچه نگهداری اطلاعات در زمان طولانی به منظور تحلیل تغییرات و نوسان داده ها حائز اهمیت است. افزایش دوره نگهداری اطلاعات، مسلما هزینه های پیاده سازی زیادی را دربر خواهد داشت که باید در نظر گرفته شود.
@Computer_IT_Engineering
نمایش (Visualization): یکی از کارهای مشکل در حوزه کلان داده، نمایش اطلاعات است. اینکه بخواهیم کاری کنیم که حجم عظیم اطلاعات با ارتباطات پیچیده، به خوبی قابل فهم و قابل مطالعه باشد از طریق روش های تحلیلی و بصری سازی مناسب اطلاعات امکان پذیری است.
ارزش (Value): آیا هزینه ای که برای نگهداری داده و پردازش آنها میشود، ارزش آن را از نظر تصمیم گیری دارد یا نه و ارزش و فایده موردنظر را برای یک سازمان خواهند داشت؟
@Computer_IT_Engineering
حجم داده (Volume): حجم داده های درون سازمان و خارج آن به مدد پدیده اینترنت، دستگاه های الکترونیکی و موبایل ها، زیر ساخت های شبکه و سایر منابع هر ساله رشد نمایی دارد و پیش بینی شده است که تا سال ۲۰۲۰ ما ده زتابایت داده در جهان خواهیم داشت.
نرخ تولید (Velocity): داده ها از طریق برنامه های کاربردی و سنسورهای بسیار زیادی که در محیط وجود دارند با سرعت بسیار زیاد و به صورت بلادرنگ تولید می شوند که اغلب باید در لحظه پردازش و ذخیره شوند.
@Computer_IT_Engineering
تنوع (Variety): انواع منابع داده و تنوع در نوع داده بسیار زیاد می باشد که در نتیجه ساختارهای داده ای بسیار زیادی وجود دارد و بیشتر حجم داده دنیا هم بیساختار و بسیار متنوع است. بخشی از دادهها امروزه در بانکهای اطلاعاتی، بخشی در صفحات وب، بخشی به صورت XML و JSON و بقیه نیز در فایلها با قالب های متفاوت ذخیره شده اند که عمل پردازش آنها را پیچیده میکند.
صحت (Veracity): با توجه به اینکه داده ها از منابع مختلف دریافت میشوند، ممکن است نتوان به همه آنها اعتماد کرد. مثلا در یک شبکه اجتماعی، ممکن است نظرهای زیادی در خصوص یک موضوع خاص ارائه شود. اما اینکه آیا همه آنها صحیح و قابل اطمینان هستند، موضوعی است که نمیتوان به سادگی از کنار آن در حجم بسیار زیادی از اطلاعات گذشت.
@Computer_IT_Engineering
اعتبار (Validity): با فرض اینکه دیتا صحیح باشد، ممکن است برای برخی کاربردها مناسب نباشد یا به عبارت دیگر از اعتبار کافی برای استفاده در برخی از کاربردها برخوردار نباشد.
نوسان (Volatility): سرعت تغییر ارزش داده های مختلف در طول زمان میتواند متفاوت باشد. در کاربردهایی نظیر تحلیل ارز و بورس، داده با نوسان زیادی مواجه هستند و داده ها به سرعت ارزش خود را از دست میدهند و مقادیر جدیدی به خود می گیرند. اگرچه نگهداری اطلاعات در زمان طولانی به منظور تحلیل تغییرات و نوسان داده ها حائز اهمیت است. افزایش دوره نگهداری اطلاعات، مسلما هزینه های پیاده سازی زیادی را دربر خواهد داشت که باید در نظر گرفته شود.
@Computer_IT_Engineering
نمایش (Visualization): یکی از کارهای مشکل در حوزه کلان داده، نمایش اطلاعات است. اینکه بخواهیم کاری کنیم که حجم عظیم اطلاعات با ارتباطات پیچیده، به خوبی قابل فهم و قابل مطالعه باشد از طریق روش های تحلیلی و بصری سازی مناسب اطلاعات امکان پذیری است.
ارزش (Value): آیا هزینه ای که برای نگهداری داده و پردازش آنها میشود، ارزش آن را از نظر تصمیم گیری دارد یا نه و ارزش و فایده موردنظر را برای یک سازمان خواهند داشت؟
@Computer_IT_Engineering
ماتریس درهم ریختگی چیست ؟
ماتریس درهم ریختگی confusion matrix در داده کاوی
ماتریس درهم ریختگی، چگونگی عملکرد الگوریتم های دسته بندی را با توجه به مجموعه داده ورودی به تفکیک انواع دسته های مسئاله دسته بندی نشان می دهد .
@Computer_IT_Engineering
در این ماتریس مفاهیم TN، FP ، FNوTP به شرح ذیل می باشد:
FN
تعداد نمونه هایی که به اشتباه منفی تشخیص داده می شوند.
FP
تعداد نمونه هایی که به اشتباه مثبت تشخیص داده می شوند.
TN
تعداد نمونه هایی که به درستی منفی تشخیص داده می شوند.
TP
تعداد نمونه هایی که به درستی مثبت تشخیص داده می شوند.
@Computer_IT_Engineering
ماتریس درهم ریختگی confusion matrix در داده کاوی
ماتریس درهم ریختگی، چگونگی عملکرد الگوریتم های دسته بندی را با توجه به مجموعه داده ورودی به تفکیک انواع دسته های مسئاله دسته بندی نشان می دهد .
@Computer_IT_Engineering
در این ماتریس مفاهیم TN، FP ، FNوTP به شرح ذیل می باشد:
FN
تعداد نمونه هایی که به اشتباه منفی تشخیص داده می شوند.
FP
تعداد نمونه هایی که به اشتباه مثبت تشخیص داده می شوند.
TN
تعداد نمونه هایی که به درستی منفی تشخیص داده می شوند.
TP
تعداد نمونه هایی که به درستی مثبت تشخیص داده می شوند.
@Computer_IT_Engineering
🌟الگوریتم رگرسیون Regression🌟
رگرسیون خطی یکی از تکنیک های پیچیده آماری برای داده هایی است که معمولاً در سطح سنجش فاصله ای می باشند. رگرسیون خطی به دو صورت رگرسیون خطی ساده و رگرسیون خطی چند متغیره مطرح می گردد. رگرسیون خطی ساده به پیش بینی مقدار یک متغیر وابسته بر اساس مقدار یک متغیر مستقل می پردازد. اما رگرسیون چند متغیره روشی است برای تحلیل مشارکت جمعی و فردی دو یا چند متغیر مستقل ، در تغییرات یک متغیر وابسته .
@Computer_IT_Engineering
روش های رگرسیون خطی
برای ورود متغیرهای رگرسیونی به مدل، 4 روش وجود دارد که محقق بسته به هدف تحلیل خود می تواند از یکی از این 4 روش استفاده کند که البته معمولاً نتایج این 4 روش مشابه یکدیگر است.
روش همزمان (Enter Method)
در این روش، کلیه متغیرهای مستقل به طور همزمان وارد مدل می شوند تا تأثیر کلیه متغیرهای مهم و غیر مهم بر متغیر وابسته مشخص گردد.
@Computer_IT_Engineering
روش گام به گام (Stepwise Method)
این روش، متغیرها را یک به یک وارد مدل می کند. یعنی ابتدا متغیری که بیش ترین همبستگی را با متغیر وابسته دارد، انتخاب می کند. دومین متغیری که وارد تحلیل می شود، متغیری است که پس از تفکیک متغیر مقدم بر آن، موجب بیش ترین افزایش در مقدار ضریب تعیین (r2) می شود. در این روش، ورود متغیرها به مدل را یک به یک و تا زمانی انجام می دهیم که معنی داری متغیر به 95 درصد برسد، یعنی سطح خطا 5 درصد گردد. سپس، عملیات متوقف می شود.
روش گام به گام (Stepwise Method)
این روش، متغیرها را یک به یک وارد مدل می کند. یعنی ابتدا متغیری که بیش ترین همبستگی را با متغیر وابسته دارد، انتخاب می کند. دومین متغیری که وارد تحلیل می شود، متغیری است که پس از تفکیک متغیر مقدم بر آن، موجب بیش ترین افزایش در مقدار ضریب تعیین (r2) می شود. در این روش، ورود متغیرها به مدل را یک به یک و تا زمانی انجام می دهیم که معنی داری متغیر به 95 درصد برسد، یعنی سطح خطا 5 درصد گردد. سپس، عملیات متوقف می شود.
@Computer_IT_Engineering
روش پس رونده (Backward method)
در این روش، همانند روش Enter، ابتدا کلیه متغیرهای مستقل وارد معادله شده و اثر کلیه متغیرها بر روی متغیر وابسته سنجیده می شود.
روش پیش رونده (Forward Method)
این روش، ابتدا همبستگی ساده بین هر یک از متغیرهای مستقل را با متغیر وابسته محاسبه می کند. سپس، متغیر مستقلی که بیش ترین همبستگی را با متغیر وابسته دارد و به عبارتی بیش ترین مقدار واریانس آن را تعیین می کند، وارد تحلیل می کند.
@Computer_IT_Engineering
رگرسیون خطی یکی از تکنیک های پیچیده آماری برای داده هایی است که معمولاً در سطح سنجش فاصله ای می باشند. رگرسیون خطی به دو صورت رگرسیون خطی ساده و رگرسیون خطی چند متغیره مطرح می گردد. رگرسیون خطی ساده به پیش بینی مقدار یک متغیر وابسته بر اساس مقدار یک متغیر مستقل می پردازد. اما رگرسیون چند متغیره روشی است برای تحلیل مشارکت جمعی و فردی دو یا چند متغیر مستقل ، در تغییرات یک متغیر وابسته .
@Computer_IT_Engineering
روش های رگرسیون خطی
برای ورود متغیرهای رگرسیونی به مدل، 4 روش وجود دارد که محقق بسته به هدف تحلیل خود می تواند از یکی از این 4 روش استفاده کند که البته معمولاً نتایج این 4 روش مشابه یکدیگر است.
روش همزمان (Enter Method)
در این روش، کلیه متغیرهای مستقل به طور همزمان وارد مدل می شوند تا تأثیر کلیه متغیرهای مهم و غیر مهم بر متغیر وابسته مشخص گردد.
@Computer_IT_Engineering
روش گام به گام (Stepwise Method)
این روش، متغیرها را یک به یک وارد مدل می کند. یعنی ابتدا متغیری که بیش ترین همبستگی را با متغیر وابسته دارد، انتخاب می کند. دومین متغیری که وارد تحلیل می شود، متغیری است که پس از تفکیک متغیر مقدم بر آن، موجب بیش ترین افزایش در مقدار ضریب تعیین (r2) می شود. در این روش، ورود متغیرها به مدل را یک به یک و تا زمانی انجام می دهیم که معنی داری متغیر به 95 درصد برسد، یعنی سطح خطا 5 درصد گردد. سپس، عملیات متوقف می شود.
روش گام به گام (Stepwise Method)
این روش، متغیرها را یک به یک وارد مدل می کند. یعنی ابتدا متغیری که بیش ترین همبستگی را با متغیر وابسته دارد، انتخاب می کند. دومین متغیری که وارد تحلیل می شود، متغیری است که پس از تفکیک متغیر مقدم بر آن، موجب بیش ترین افزایش در مقدار ضریب تعیین (r2) می شود. در این روش، ورود متغیرها به مدل را یک به یک و تا زمانی انجام می دهیم که معنی داری متغیر به 95 درصد برسد، یعنی سطح خطا 5 درصد گردد. سپس، عملیات متوقف می شود.
@Computer_IT_Engineering
روش پس رونده (Backward method)
در این روش، همانند روش Enter، ابتدا کلیه متغیرهای مستقل وارد معادله شده و اثر کلیه متغیرها بر روی متغیر وابسته سنجیده می شود.
روش پیش رونده (Forward Method)
این روش، ابتدا همبستگی ساده بین هر یک از متغیرهای مستقل را با متغیر وابسته محاسبه می کند. سپس، متغیر مستقلی که بیش ترین همبستگی را با متغیر وابسته دارد و به عبارتی بیش ترین مقدار واریانس آن را تعیین می کند، وارد تحلیل می کند.
@Computer_IT_Engineering
Windows.Server.2008.R2_Farsi.pdf
28.4 MB
کتاب بسیار خوب پیکربندی و مدیریت ویندوز سرور 2008R2 (فارسی) 593 صفحه
#کتاب #شبکه #آموزش #ویندوز_سرور
#Network #Windows_server_2008
@Computer_IT_Engineering
#کتاب #شبکه #آموزش #ویندوز_سرور
#Network #Windows_server_2008
@Computer_IT_Engineering
Prentice Hall - Computer Networks Tanenbaum 4ed.pdf
30.2 MB
کتاب شبکه های کامپیوتری تننبام ویرایش چهارم (انگلیسی) 674 صفحه
#کتاب #شبکه #تننبام
#Networks #Tanenbuam
@Computer_IT_Engineering
#کتاب #شبکه #تننبام
#Networks #Tanenbuam
@Computer_IT_Engineering
Computer Network 5th ed Tanenbaum.pdf
8.1 MB
کتاب شبکه های کامپیوتری تننبام ویرایش پنجم (انگلیسی) 962 صفحه
#کتاب #شبکه #تننبام
#Networks #Tanenbuam
@Computer_IT_Engineering
#کتاب #شبکه #تننبام
#Networks #Tanenbuam
@Computer_IT_Engineering
Amoozesh_Moghadamati_Java_Khani.pdf
2 MB
کتاب آشنایی مقدماتی جاوا (فارسی) 88 صفحه
به زبانی ساده و مصور
#کتاب #آموزش #جاوا
#Programming #Java
@Computer_IT_Engineering
به زبانی ساده و مصور
#کتاب #آموزش #جاوا
#Programming #Java
@Computer_IT_Engineering
pourzaferani.rar
10.3 MB
اسلاید های آموزشی داده کاوی دانشگاه اصفهان (فارسی)
#اسلاید #ارائه #آموزش #داده_کاوی
#Data_mining
@Computer_IT_Engineering
#اسلاید #ارائه #آموزش #داده_کاوی
#Data_mining
@Computer_IT_Engineering
tarahi-site-php.pdf
819.9 KB
کتاب آموزش طراحی سایت با PHP (فارسی) همراه با برنامه نمونه 86 صفحه
#کتاب #آموزش #طراحی_سایت #پی_اچ_پی
#Programming #PHP
@Computer_IT_Engineering
#کتاب #آموزش #طراحی_سایت #پی_اچ_پی
#Programming #PHP
@Computer_IT_Engineering