مقاله isi علوم پایه و فنی مهندسی (فیزیک، شیمی، ریاضی، کامپیوتر، انواع مهندسی و ...) با ترجمه
797 subscribers
17 photos
1 video
314 links
مقاله ISI با ترجمه آماده
ترجمه تخصصی
مقاله نویسی و رزومه
پایان نامه

کانال شامل #مقاله_isi رشته های:
#مقاله_مهندسی_شیمی
#مقاله_شیمی
#مقاله_کامپیوتر
#مقاله_انرژی
#مقاله_مهندسی
#مقاله_علوم_مواد
#مقاله_ریاضی
#مقاله_فیزیک



Admin: @entofa_net
web: entofa.net
Download Telegram
خانه ژورنال دانشجویان ایران ( Iranian Students Article House , www.entofa.net )
.
عنوان فارسی مقاله : مقادیر کوچک در داده های بزرگ: نیاز مستمر به متا داده های مناسب
.
English Article Title: Small values in big data: The continuing need for appropriate metadata
Year: 2018
Publisher: ELSEVIER
Journal: Ecological Informatics
DOI: https://doi.org/10.1016/j.ecoinf.2018.03.002

Keywords:
#big_data
#metadata
#متا_داده
#داده_های_بزرگ
#علوم_زیستی_و_کشاورزی (#Life_Sciences)
#مقاله_بیوشیمی
#مقاله_ژنتیک
#مقاله_زیست_مولکولی (#Biochemistry_Genetics_and_Molecular_Biology)
#مقاله_محیط_زیست (#Environmental_Science)
#علوم_پایه_و_فنی_مهندسی (#Physical_Sciences_and_Engineering)
#مقاله_مهندسی_شیمی (#Chemical_Engineering)

چکیده مقاله:
گردآوری داده ها از منبع های جداگانه جهت بررسی مسائل فشار آورنده بوم زیستی به صورت روزافزونی درحال رایج شدن است. پایگاه های داده ای بوم زیستی بسیاری حاوی داده ها - مشاهدات سانسور شده تحت یک محدودیت تشخیص تحلیلی می باشند. مطالعاتی از پایگاههای داده ای تک گانه و نوعا" کوچک نشانگر این هستند که دیدگاههای رایج برای مدیریت داده های سانسور شده – مثل حذف ی تعویض مقادیر ثابت – منجر به انحرا های سیستماتیک می شود. بااین حال، هیچ مطالعه ای به بررسی این موضوع نپرداخته که تا چه اندازه مستندسازی و حضور داده های سانسور شده بر خروجی های حاصل از پایگاههای داده ای بزرگ و چند – منبعی اثر می گذارد. ما داده های سانسور شده را در یک پایگاه داده ای کیفیت آب دریاچه که از 74 منبع تشکیل شده است توصیف می کنیم و چالش های سروکار داشتن با مقادیر کوچک در داده های بزرگ را نشان می دهیم شامل تشخیص محدودیت هایی که غایب هستند، دارای محدوده گسترده ای هستند و گرایشات با گذشت زمان را نشان می دهیم. ما نشان می دهیم که جایگزین های داده های سانسور شده می توانند همچنین تحلیل ها را با استفاده از پایگاه های داده های بزرگ منحرف کنند که داده های سانسور شده می توانند به صورت موثری با دیدگاههای کمّی نوین مدیریت شوند اما چنین دیدگاههایی روی متا داده های صحیح تکیه دارند که رفتار داده های سانسور شده حاصل از هر منبع را توصیف می کنند.

لینک دانلود رایگان مقاله انگلیسی و خرید ترجمه فارسی مقاله :
Free download link: https://bit.ly/35QI8yl
خانه ژورنال دانشجویان ایران ( Iranian Students Article House , www.entofa.net )
.
عنوان فارسی مقاله : مروری بر مورد یادگیری عمیق برای داده های بزرگ
.
English Article Title: A survey on deep learning for big data
Year: 2018
Publisher: ELSEVIER
Journal: Information Fusion
DOI: http://dx.doi.org/10.1016/j.inffus.2017.10.006

Keywords:
#Deep_learning
#Big_data
#Stacked_auto_encoders
#Deep_belief_networks
#Convolutional_neural_networks
#Recurrent_neural_networks
#یادگیری_عمیق
#داده‌های_بزرگ
#رمزگذاران_خودکار_انباشته_شده
#شبکه‌های_اعتقادی_عمیق
#شبکه‌های_عصبی_کانولوشن
#شبکه_عصبی_مکرر
#علوم_پایه_و_فنی_مهندسی (#Physical_Sciences_and_Engineering)
#مقاله_کامپیوتر (#Computer_Science)
#مقاله_انرژی (#Energy)
#مقاله_مهندسی (#Engineering)
#علوم_انسانی_و_اجتماعی (#Social_Sciences_and_Humanities)
#مقاله_علوم_اجتماعی (#Social_Sciences)

چکیده مقاله:
یادگیری عمیق، به عنوان یکی از مهم ترین تکنیک های یادگیری ماشینی، موفقیت های زیادی در بسیاری از برنامه های کاربردی مانند تحلیل تصویر، تشخیص گفتار و درک متن بدست اورده است . انها از استراتژی های نظارت شده و بی نظیر برای یادگیری چندین سطح و ویژگی های معماری سلسله مراتبی برای وظایف طبقه بندی و تشخیص الگو استفاده می کنند. پیشرفت های اخیر در شبکه های حسگر و فناوری های ارتباطی، قادر به جمع آوری داده های بزرگ می باشد. اگر چه داده های بزرگ فرصت های خوبی برای بسیاری از زمینه ها از جمله تجارت الکترونیک، کنترل صنعتی و پزشکی هوشمند فراهم می اورند، اما در زمینه داده کاوی و پردازش اطلاعات به دلیل ویژگی های حجم زیاد، انواع مختلف، سرعت زیاد و حقیقت بزرگ، چالش های فراوانی را به همراه خواهند داشت. در چند سال گذشته، یادگیری عمیق در راه حل های تحلیلی داده های بزرگ نقش مهمی را ایفا کرده است. در این مقاله، تحقیقات انجام شده درباره مدل های یادگیری عمیق برای یادگیری ویژگی های بزرگ داده ها در اینده را مرور می کنیم. علاوه بر این، ما با توجه به چالش های باقیمانده به یادگیری عمیق داده های بزرگ و بحث در مورد موضوعات آینده اشاره می کنیم.
کلمات کلیدی: یادگیری عمیق | داده های بزرگ | رمزگذاران خودکار انباشته شده | شبکه های اعتقادی عمیق | شبکه های عصبی کانولوشن | شبکه عصبی مکرر

لینک دانلود رایگان مقاله انگلیسی و خرید ترجمه فارسی مقاله :
Free download link: https://bit.ly/2SFIunJ
خانه ژورنال دانشجویان ایران ( Iranian Students Article House , www.entofa.net )
.
عنوان فارسی مقاله : داده و دانش کاوی با داده های بزرگ برای تولید هوشمند
.
English Article Title: Data and knowledge mining with big data towards smart production
Year: 2018
Publisher: ELSEVIER
Journal: Journal of Industrial Information Integration
DOI: http://dx.doi.org/10.1016/j.jii.2017.08.001

Keywords:
#Big_data
#Data_mining_techniques (#DMTs)
#Production_management
#Smart_manufacturing
#Statistical_analysis
#Knowledge_discovery
#داده‌های_بزرگ
#تکنیک‌های_داده_کاوی
#مدیریت_تولید
#تولید_هوشمند
#آنالیز_آماری
#کشف_دانش
#علوم_پایه_و_فنی_مهندسی (#Physical_Sciences_and_Engineering)
#مقاله_کامپیوتر (#Computer_Science)
#مقاله_انرژی (#Energy)
#مقاله_مهندسی (#Engineering)
#علوم_انسانی_و_اجتماعی (#Social_Sciences_and_Humanities)
#علوم_تصمیم_گیری (#Decision_Sciences)

چکیده مقاله:
مطابق با پیشرفت نوآورانه فناوری اطلاعات و ارتباطات (ICT) و کاربرد آنها در صنعت تولید، دوران بزرگ داده های تولیدی مطابق با انها است و تکنیک های داده کاوی (DMTs)، راه را برای دستیابی به اهداف تولید هوشمند با کنترل زمان واقعی، پویا، خود سازگار و دقیق فراهم می سازد. با این حال، بسیاری از عوامل در محیط همیشه در حال تغییر در صنعت تولید هستند، از جمله، فرآیندهای تولید پیچیده، مقیاس بزرگ و عدم اطمینان، محدودیت پیچیده تر، ترکیب عملکردی عملیات، و غیره، که تولید مدیریت را با چالش های بزرگی همراه می سازد. ورودی پویا تعداد زیادی از داده های خام که از مکان های تولید فیزیکی جمع آوری شده یا تولید شده است؛ در سیستم های مختلف مربوط به اطلاعات، موجب شد تا مشکلات سنگین اطلاعات بیش از حد فراهم شود. در واقع، بسیاری از DMT های سنتی هنوز به اندازه کافی برای پردازش داده های بزرگ در تولید مدیریت هوشمند نیستند. بنابراین، در این مقاله، توسعه DMT ها در دوران بزرگی از داده ها را مورد بررسی قرار می دهیم و از سال 2010 با انتخاب و تجزیه و تحلیل مقالات مربوطه در مورد کاربرد DMT ها در مدیریت تولید بحث می کنیم. در عین حال، در این مقاله ما محدودیت ها را مطرح می کنیم و برخی از پیشنهادات را در مورد هوشمند بودن و کاربرد بیشتر DMT ها که در مدیریت تولید به کار می رود را ارائه می دهیم.
کلمات کلیدی: داده های بزرگ | تکنیک های داده کاوی (DMTs) | مدیریت تولید | تولید هوشمند | تجزیه و تحلیل آماری | کشف دانش

لینک دانلود رایگان مقاله انگلیسی و خرید ترجمه فارسی مقاله :
Free download link: https://bit.ly/2tewXRM
خانه ژورنال دانشجویان ایران ( Iranian Students Article House , www.entofa.net )
.
عنوان فارسی مقاله : پردازش- جمع آوری و تحلیل داده های بزرگ حسگر مبتنی بر اینترنت اشیا کارامد در ساختمان های هوشمند
.
English Article Title: Efficient IoT-based sensor BIG Data collection–processing and analysis in smart buildings
Year: 2018
Publisher: ELSEVIER
Journal: Future Generation Computer Systems
DOI: https://doi.org/10.1016/j.future.2017.09.082

Keywords:
#Internet_of_Things (#IoT)
#Cloud_Computing
#Big_Data
#Smart_Building
#Sensor_management
#Energy_efficiency
#Data_collection
#Sensor_management
#Contiki_OS
#حسگر
#اینترنت_اشیا
#محاسبات_ابری
#داده‌های_بزرگ
#ساختمانهای_هوشمند
#مدیریت_حسگر
#بهره‌وری_انرژی
#جمع‌آوری_داده‌ها
#سیستم_Contiki
#علوم_پایه_و_فنی_مهندسی (#Physical_Sciences_and_Engineering)
#مقاله_کامپیوتر (#Computer_Science)
#مقاله_انرژی (#Energy)

چکیده مقاله:
اینترنت اشیا IOT برای هر نوع خدمات جدید به منظور بهبود زندگی روزمره فراهم شده است. از طریق تکنولوژی جدید؛ دیگر تکنولوژی های اخیر توسعه یافته مانند داده های بزرگ؛ محاسبات ابری؛ و نظارت ها می تواند در کارها شرکت کند. در این مقاله؛ چهار تکنولوژی فوق الذکر را برای پیدا کردن عملیات مشترک مرور می کنیم؛ و عملکرد انها را؛ به منظور داشتن طرح سودمند از کاربردهای مورد استفاده از انها ترکیب می کنیم. با وجود مفهوم سرپرستی از یک شهر هوشمند؛ سعی خواهیم کرد سیستم های جدیدی را برای جمع آوری و مدیریت اطلاعات حسگر ها در یک ساختمان هوشمند که در محیط IoT عمل می کند، بررسی کنیم. به عنوان یک تکنولوژی پایه برای سیستم مدیریت حسگر پیشنهادی، یک سرور ابری است؛ که برای جمع آوری داده ها که از هر سنسور در ساختمان هوشمند تولید می شود؛ استفاده می شود. این داده ها به راحتی مدیریت می شود و قابل کنترل از راه دور؛ توسط یک دستگاه از راه دور (تلفن همراه) در شبکه ای است که در تکنولوژی IoT راه اندازی شده است. در نتیجه، راه حل های پیشنهادی برای جمع آوری و مدیریت داده های حسگر ها در یک ساختمان هوشمند می تواند ما را در ساخت یک ساختمان هوشمند با انرژی یاری نماید؛ و به این ترتیب دارای یک ساختمان هوشمند سبز خواهیم بود.
لغات کلیدی: اینترنت اشیا | محاسبات ابری | داده های بزرگ | ساختمان های هوشمند | مدیریت حسگر | بهره وری انرژی | جمع آوری داده ها | سیستم Contiki

لینک دانلود رایگان مقاله انگلیسی و خرید ترجمه فارسی مقاله :
Free download link: https://bit.ly/2MVPKYQ
خانه ژورنال دانشجویان ایران ( Iranian Students Article House , www.entofa.net )
.
عنوان فارسی مقاله : کاربرد فناوری و روش داده های بزرگ در آموزش اخلاقی در کالج ها و دانشگاه ها
.
English Article Title: The Application of Big Data Technology and Method in Moral Education in Colleges and Universities
Year: 2018
Publisher: IEEE
Journal: 2018 International Conference on Intelligent Transportation, Big Data & Smart City (ICITBS)
DOI: https://doi.org/10.1109/ICITBS.2018.00102

Keywords:
#Ubiquitous_education
#Big_Data_technology
#Big_Data
#Colleges_and_Universities
#Moral_Education
#داده‌های_بزرگ
#کاربرد_فناوری
#دانشگاه
#کالج_و_دانشگاه‌ها
#آموزش_اخلاقی
#علوم_انسانی_و_اجتماعی (#Social_Sciences_and_Humanities)
#مقاله_هنر
#مقاله_علوم_انسانی (#Art_and_Humanities)
#مقاله_علوم_اجتماعی (#Social_Sciences)
#علوم_پایه_و_فنی_مهندسی (#Physical_Sciences_and_Engineering)
#مقاله_کامپیوتر (#Computer_Science)

چکیده مقاله:
با رشد علم و فناوری و پیشرفت علوم و تکنولوژی، ما وارد عصر جدیدی از "داده های بزرگ" شده ایم که زندگی را تحت تاثیر قرار می دهد و بی سر و صدا می کند. در این دوره جدید، همراه با ویژگی های خود و استفاده موثر از فن آوری و روش های داده های بزرگ، آموزش اخلاقی به موقع در کالج ها و دانشگاه ها باید فرصت های مطلوب را به دنبال داشته باشد و به طور پیوسته یکپارچه سازی فن آوری های دیجیتال و روح انسانیت را درک کند ، ادغام مکمل های آموزش شبکه و آموزش واقعی، ادغام مکمل های تفکر داده ها و تجربه های سنتی، و ادغام مکمل های آگاهی های موقعیتی و آموزش های همه جانبه باید صورت بگیرد. در این راستا، توسعه مؤثر آموزش اخلاقی در کالج ها و دانشگاه ها می تواند به طور مداوم بهبود یابد.
لغات کلیدی: داده های بزرگ | کالج و دانشگاه ها | آموزش اخلاقی

لینک دانلود رایگان مقاله انگلیسی و خرید ترجمه فارسی مقاله :
Free download link: https://bit.ly/39A5lat