معماری لایه بندی شده تجارت الکترونیک B2B

:: معماری لایه بندی شده تجارت الکترونیک B2B

امروز مهمترین نوع تجارت الکترونیک، B2B است. به همین دلیل نیز برای استاندارد کردن معماری آن چندین مدل پیشنهاد شده است. یکی از مدلهای پیشنهادی "مدل لایه بندی شده" نام دارد.
در این مدل اولین و مهمترین قدم در رد و بدل کردن اطلاعات در تجارت الکترونیک B2B این است که پیامها به صورت امن و مطمئن به مقصد برسند. برای دستیابی به این هدف یک روش لایه بندی شده توسط تعدادی از صنایع اتخاذ شده است.
این معماری لایه بندی شده از سطوح پایین شروع شده و به بالا می رود.  به عنوان مثالRegistry Service در بعضی سیستمها در زیرٍ لایه Application و در سایر آنها در داخل آن قراردارد.

ادامه مطلب
منبع : دانشگاه آزاد اسلامی واحد الکترونیکیمعماری لایه بندی شده تجارت الکترونیک B2B
برچسب ها : لایه ,بندی ,معماری ,تجارت ,لایه بندی ,معماری لایه ,تجارت الکترونیک

مقدمه و تعریف DSS

:: مقدمه و تعریف DSS

مقدمه:

 

مفهوم سیستمهای تصمیم یار برای اولین بار در سالهای آغازین دهه 70 بوسیله اسکات مورتون تحت عنوان سیستمهای تصمیم گیری مدیریت مطرح گردید. او چنین سیستمهایی را, سیستم‌های تعاملی برمبنای کامپیوتر نامید که با استفاده از داده‌ها و مدلها, تصمیم گیرندگان را در حل مسائل ساختار نایافته یاری می‌رسانند. تعریف دیگر dss به وسیله کین و اسکات مورتن به شرح زیر ارائه شده است: سیستم‌های تصمیم‌یار منابع هوشمند انسانی را با تواناییهای کامپیوتر برای بهبود بخشیدن کیفیت تصمیمات ترکیب می‌کنند, آنها سیستمهایی برمبنای کامپیوتر (cbis) تصمیم‌گیریهای مدیریتی هستند که به مسائل نیمه ساختار یافته میپردازند. تعاریف مزبور به چهار ویژگی اصلی اشاره دارند:

1 ـ dss داده‌ها و مدلها را با هم ترکیب می‌کند.

2 ـ dssها برای کمک به مدیران در فرایند تصمیم‌گیری در مورد مسائل نیمه ساختار یافته و ساختار نایافته طراحی می‌شوند.

dssها تصمیمات مدیران را پشتیبانی می‌کنند و به هیچ وجه جایگزین آنها نمی‌شوند.

4 ـ هدف dss بهبود اثر بخشی تصمیمات است.

 باید یادآوری کرد که dss اصطلاحی تفسیر بردار است, به این معنی که برای اشخاص مختلف معانی مختلف دارد و تعریف جهان شمول قابل قبولی برای dss وجود ندارد و در بسیاری ازحالات dss با توجه به ویژگیها و فواید آن توصیف می‌شود. مفهوم dss به خاطر استعمال غلط اصطلاح mis در سیستم بوجود آمد Mis در ابتدا مفهومی متفاوت با پردازش داده داشت. هدف mis استفاده از سیستم کامپیوتری برای کمک به مدیر در تصمیم‌گیری بود. ولی پس از مدتی mis بعنوان تمام فعالیتهای کامپیوتری شناخته شد. بنابراین, وجود اصطلاحی برای نشان دادن نیاز مدیر به اطلاعات, احساس گردید. یک مسئله ساختاری را به تنهایی می‌توان توسط کامپیوتر با دنبال کردن یک برنامه فرعی که توسط مدیر تدارک میشود حل نمود. در حل مسائل نیمه ساختاری, مدیر بخش ساختار مسئله را با کامپیوتر حل می‌کند در حالیکه با آن بخش نیمه ساختاری به طور ذهنی برخورد می نماید. اگر مسئله فاقد هرگونه ساختار باشد, کامپیوترهیچگونه کمکی نمی‌تواند بنماید و مدیر باید به طور ذهنی به یک راه حل برسد. مفهوم سیستم پشتیبانی تصمیم متداول‌ترین روش را برای استفاده کامپیوتر در حل مسئله در خلال سالهای دهه 1980 بوجود آمد. مدیران تشخیص داده‌اند می‌توانند با کامپیوتر بصورت یک تیم حل مسئله کارکنند.

 

ادامه مطلب
منبع : دانشگاه آزاد اسلامی واحد الکترونیکیمقدمه و تعریف DSS
برچسب ها : کامپیوتر ,ساختار ,مسئله ,مدیر ,نیمه ,مسائل ,مسائل نیمه ,ساختار یافته ,نیمه ساختاری ,نیمه ساختار ,سیستمهای تصمیم ,نیمه ساختار یافته

طرح درس مدیریت زنجیره عرضه (SCM) -استاد درس: دکتر مرضیه مظفری

:: طرح درس مدیریت زنجیره عرضه (SCM) -استاد درس: دکتر مرضیه مظفری

نحوه ارزشیابی دانشجویان

پروژه .............................. (8 نمره)

تمرین ............................ (2 نمره)

امتحان پایان ترم............ (10 نمره)

پروژه درس پروژه درس می تواند به انتخاب دانشجو در یکی از عناوین زیر انجام شود. تعداد اعضای گروه برای انجام پروژه حداکثر دونفر می باشد.

1-ارائه یک فصل از کتاب Introduction to e-supply chain management 

2- بررسی و آنالیز راهکارهای مدیریت زنجیره تامین در یک نمونه موفق (داخلی یا بین المللی) که حداقل در یک چرخه به صورت الکترونیکی اداره میشود مانند Cisco ،Dell ،Microsoft ،Nike ،Walmart ،Amazon، Priceline ،Ebay و یا دیجی کالا، سینما تیکت/تیوال، 5040، نیک پاک، شیپور، ایران خودرو/سایپا و ....

3- ارائه یک مقاله پژوهشی به صورت Case Study یا توسعه تئوری نمره نهایی پروژه متشکل از ارائه کلاسی و گزارش مکتوب است که در زمانبندی از پیش تعیین شده صورت پذیرد.


منبع : دانشگاه آزاد اسلامی واحد الکترونیکیطرح درس مدیریت زنجیره عرضه (SCM) -استاد درس: دکتر مرضیه مظفری
برچسب ها : پروژه ,نمره ,صورت ,ارائه ,مدیریت زنجیره

ذخیره و بازیابی اطلاعات

:: ذخیره و بازیابی اطلاعات

 

ذخیره و بازیابی اطلاعات. فعالیت‌هایی که برای تحلیل و سازماندهی مدارک و منابع صورت می‌گیرد ذخیره اطلاعات، و تلاش‌هایی که برای یافتن یک یا چند مدرک از میان انبوه مدارک ذخیره شده انجام می‌شود بازیابی اطلاعات نام دارد. نظام‌هایی که این جریان‌ها در آنها روی می‌دهد نظام‌های ذخیره و بازیابی اطلاعات خوانده می‌شود (661:5). نظام‌های ذخیره و بازیابی اطلاعات معمولاً به منظور دسترس‌پذیر کردن مجموعه‌ای از منابع اطلاعاتی برای استفاده‌کننده‌ای که مایل به کسب این اطلاعات است طراحی می‌گردد. اطلاعاتی که در نظام‌های ذخیره و بازیابی اطلاعات ذخیره می‌شود یا صرفاً شامل داده‌های کتابشناختی است، مانند مشخصات کتاب‌ها، اسناد و مدارک، و مقاله‌های مجلات؛ یا اصل مدرک است که همراه مشخصات آن عرضه می‌شود. حالت اخیر پایگاه داده‌های تمام متن نام دارد. نظام‌های بازیابی اطلاعات را در معنای وسیع می‌توان برای دستیابی به مجموعه‌های تصویری، فیلم، پروانه‌های ثبت اختراع، و جز آن نیز مورد استفاده قرار داد. در هر حال، هدف هر نظام ذخیره و بازیابی اطلاعات آن است که در اسرع وقت بیشترین اطلاعات مرتبط با نیاز استفاده‌کننده را ـ آن‌طور که در درخواست وی ذکر شده ـ در اختیار بگذارد.

ادامه مطلب
منبع : دانشگاه آزاد اسلامی واحد الکترونیکیذخیره و بازیابی اطلاعات
برچسب ها : اطلاعات ,ذخیره ,بازیابی ,نظام‌های ,می‌شود ,بازیابی اطلاعات ,نظام‌های ذخیره

دانلود و آموزش مقدماتی نرم افزار داده کاوی weka

:: دانلود و آموزش مقدماتی نرم افزار داده کاوی weka

لینک دانلود نرم افزار داده کاوی weka


آموزش نرم افزار داده کاوی وکا Weka

 

مقدمه

  تا به امروز نرم افزارهای تجاری و آموزشی فراوانی برای داده کاوی در حوزه های مختلف داده ها به دنیای علم و فناوری عرضه شده اند. هریک از آنها با توجه به نوع اصلی داده هایی که مورد کاوش قرار میدهند، روی الگوریتمهای خاصی متمرکز شده اند. مقایسه دقیق و علمی این ابزارها باید از جنبه های متفاوت و متعددی مانند تنوع انواع و فرمت داده های ورودی، حجم ممکن برای پردازش داده ها، الگـوریتمهای پیاده سـازی شده، روشهای ارزیابی نتایج، روشهای مصـور سـازی، روشهای پیش پردازش داده ها، واسطهای کاربر پسند، پلت‌فرمهای سازگار برای اجرا،قیمت و در دسترس بودن نرم افزار صورت گیرد. از آن میان، نرم افزار Weka با داشتن امکانات بسیار گسترده،امکان مقایسه خروجی روشهای مختلف با هم، راهنمای خوب، واسط گرافیگی کارا، سازگاری با سایر برنامه های ویندوزی، و از همه مهمتر وجود کتابی بسیار جامع و مرتبط با آن [Data Mining, witten et Al. 2005 ] ، معرفی میشود.

 

1- معرفی نرم افزار Weka

میزکارWeka ، مجموع‌های از الگوریتمهای روز یادگیری ماشینی و ابزارهای پیش پردازش داده‌ها میباشد. این نرم‌افزار به گونه‌ای طراحی شده است که میتوان به سرعت، روشهای موجود را به صورت انعطافپذیری روی مجموعه‌های جدید داده، آزمایش نمود. این نرم‌افزار، پشتیبانی‌های ارزشمندی را برای کل فرآیند داده کاوی های تجربی فراهم میکند. این پشتیبانی‌ها، آماده سازی داده‌های ورودی، ارزیابی آماری چارچوبهای یادگیری و نمایش گرافیکی داده‌های ورودی و نتایج یادگیری را در بر میگیرند. همچنین، هماهنگ با دامنه وسیع الگوریتمهای یادگیری، این نرم‌افزار شامل ابزارهای متنوع پیش پردازش داده‌هاست. این جعبه ابزار متنوع و جامع، از طریق یک واسط متداول در دسترس است، به نحوی که کاربر میتواند روشهای متفاوت را در آن با یکدیگر مقایسه کند و روشهایی را که برای مسایل مدنظر مناسبتر هستند، تشخیص دهد.

نرم‌افزار Weka در دانشگاه Waikato واقع در نیوزلند توسعه یافته است و اسم آن از عبارت"Waikato Environment for knowledge Analysis" استخراج گشته است. همچنین Weka ، نام پرندهای با طبیعت جستجوگر است که پرواز نمیکند و در نیوزلند، یافت میشود. (شکل زیر)

این سیستم به زبان جاوا نوشته شده و بر اساس لیسانس عمومی و فراگیر GNU انتشار یافته است.Weka تقریباً روی هر پلت فرمی اجرا میشود و نیز تحت سیستم عاملهای لینوکس، ویندوز، و مکینتاش، و حتی روی یک منشی دیجیتالی شخصی، آزمایش شده است.

این نرم افزار، یک واسط همگون برای بسیاری از الگوریتمهای یادگیری متفاوت، فراهم کرده است که از طریق آن روشهای پیش پردازش، پس از پردازش و ارزیابی نتایج طرح های یادگیری روی همه مجموعه های داده موجود، قابل اعمال است.

نرم افزار Weka ، پیاده سازی الگوریتمهای مختلف یادگیری را فراهم میکند و به آسانی میتوان آنها را به مجموعه های داده خود اعمال کرد.

  همچنین، این نرم افزار شامل مجموعه متنوعی از ابزارهای تبدیل مجموعه‌های داده ها، همانند الگوریتمهای گسسته سازی میباشد. در این محیط میتوان یک مجموعه داده را پیش پردازش کرد، آن را به یک طرح یادگیری وارد نمود، و دسته‌بندی حاصله و کارآیی‌اش را مورد تحلیل قرار داد.( همه این کارها، بدون نیاز به نوشتن هیچ قطعه برنامه‌ای میسر است.)

  این محیط، شامل روشهایی برای همه مسایل استاندارد داده کاوی مانند رگرسیون، رده‌بندی، خوشه‌بندی، کاوش قواعد انجمنی و انتخاب ویژگی میباشد. با در نظر گرفتن اینکه، داده‌ها بخش مکمل کار هستند، بسیاری از ابزارهای پیش پردازش داده‌ها و مصورسازی آنها فراهم گشته است. همه الگوریتم ها، ورودیهای خود را به صورت یک جدول رابطهای به فرمت ARFF دریافت میکنند. این فرمت داده‌ها، میتواند از یک فایل خوانده شده یا به وسیله یک درخواست از پایگاه دادهای تولید گردد.

یکی از راههای به کارگیری Weka ، اعمال یک روش یادگیری به یک مجموعه داده و تحلیل خروجی آن برای شناخت چیزهای بیشتری راجع به آن اطلاعات میباشد. راه دیگر استفاده از مدل یادگیری شده برای تولید پیشبینی‌هایی در مورد نمونه‌های جدید است. سومین راه، اعمال یادگیرنده‌های مختلف و مقایسه کارآیی آنها به منظور انتخاب یکی از آنها برای تخمین میباشد. روشهای یادگیری Classifier نامیده میشوند و در واسط تعاملی Weka ، میتوان هر یک از آنها را از منو انتخاب نمود. بسیاری از classifier ها پارامترهای قابل تنظیم دارند که میتوان از طریق صفحه ویژگی‌ها یا object editor به آنها دسترسی داشت. یک واحد ارزیابی مشترک، برای اندازه‌گیری کارآیی همه classifier به کار میرود.

پیاده سازیهای چارچوبهای یادگیری واقعی، منابع بسیار ارزشمندی هستند که Weka فراهم می کند. ابزارهایی که برای پیش پردازش داده‌ها استفاده میشوند Filter نامیده میشوند. همانند classifier ها، میتوان filter ها را از منوی مربوطه انتخاب کرده و آنها را با نیازمندیهای خود، سازگار نمود. در ادامه، به روش به کارگیری فیلترها اشاره میشود.

  علاوه بر موارد فوق، Weka شامل پیاده سازی الگوریتمهایی برای یادگیری قواعد انجمنی، خوشه‌بندی داده‌ها در جایی که هیچ دست‌های تعریف نشده است، و انتخاب ویژگیهای مرتبط در داده‌ها میباشد.

 

 

ادامه مطلب
منبع : دانشگاه آزاد اسلامی واحد الکترونیکیدانلود و آموزش مقدماتی نرم افزار داده کاوی weka
برچسب ها : داده ,یادگیری ,weka ,روشهای ,پردازش ,افزار ,داده کاوی ,افزار داده ,پردازش داده‌ها ,افزار weka ,مجموعه داده