آذر ۰۹۱۳۹۲
 

 

Mobility Management Evaluation
مدیریت موبیلیتی
به دنبال ارزیابی مدیریت حمل و نقلی هستیم

برنامه ریزی حمل ونقل

ارزیابی روی Benchmark یا Pilot
انتخاب پایلوت باید دقیق باشد

چرا از ابزار های نرم افزاری برنامه ریزی حمل و نقل استفاده می کنیم

مدل های ریاضی قابل اطمینان برای تست کردن روش های مختلف رایج و سیستم های آینده بدست بیاوریم

کانادا و آمریکا یک زیر سیستم ITS خیلی قوی را ایجاد کرده

سسیتم نباید کاملا انتقال پیدا کنه و سیستم باید بومی سازی بشه

مدل ریاضی تخصیص ترافیک
مدل های شبیه سازی را در اندازه میکروسکوپی ، ماکروسکوپی ، ماکزوسکوپی طبقه بندی کرد

ماکزوسکوپی Aim sum , emm , Transcad ,
ماکروسکوپی نرم افزار های Visum ،Cube , Paramics

مقایسه نرم افزار های شبیه ساز :

its-Compare-Simulation-Software

 

فلوچارت ارزیابی

در سه فاز (Planning , Analysis , Classification )

its-Evaluation-Flow

آذر ۰۹۱۳۹۲
 

خلاصه درس تدریس یار خوشه بندی – آقای برادران – ۹۲/۰۹/۰۹
تمرین که تا پنج شنبه ۱۴/۰۹/۹۲ تمدید شد

Fisher Linear Discriminant
جدا ساز خطی فیشر

فیشر ۲ کلاسه (C1 , C2) داریم
D بعدی هستند و می خواهیم به فضای ۱ بعدی کاهش دهیم

y=W’*X
w محور خروجی فیشر هست
y داده های تصویر شده

در جدا سازی خطی به روش فیشر، نگاشت با دید کلاسه بندی انجام می شود و شامل ۲ مرحله است :
مرحله ۱ : نگاشت در فضای D بعدی به یک بعدی یا چند بعدی
مرحله ۲ : طبقه بندی بر اساس محور های جدید

در این روش نگاشت به صورتی انجام شود که کلاس ها در دستگاه مختصات جدید متمایز هستند

(m2-m1=w’(m2-m1

m2-m1 سمت چپ میانگین داده های تصویر شده هستند
m2-m1 سمت راست میانگین داده های اصلی هستند

چون نمی توانیم m2-m1 سمت راست را تغییر دهیم بایستی w را تغییر دهیم تا m2-m1 زیاد شود

برای اینکه فاصله بین کلاس ها بیشتر باشد
fisher2class1
اگر واریاس را لحاظ کنیم :

fisher2class2

پراکندکی بین دو کلاس زیاد شده
ولی پرکندگی داخل کلاس ها کم شده
که این از اهداف فیشر است

پس بهینه سازی انجام شده توسط روش فیشر :
در عین حالی که فاصله بین متوسط کلاس ها را ماکزیمم کند
واریانس درون کلاسی را هم حداقل نماید تا در حد ممکن هم پوشانی کلاس ها با یکدیگر کاهش یابد.

—————————–
- Bitween – Inter Class – ماتریس بین کلاسی Sb=(m2-m1)-(m2-m1)transpose
- Within – Intra Class ماتریس درون کلاسی

clustering-fisher2class3
برای محاسبه w این را لحاظ می کنیم که با جهت w سر و کار داریم و نه اندازه اش

clustering-fisher2class-formula

 

 

 

 

 

آذر ۰۹۱۳۹۲
 

خلاصه درس مهندسی سیستم های تجارت الکترونیک – دکتر هاشمی ۹۲/۰۹/۰۹

ecs-LGFD

شما می توانید PGFD و LDFD را ترکیب هم بکنید

 

ecs-PGFD2

 

در مدل تلفیقی نمودار و مدل اخیر بطور دقیق مشخص می نماید که هر یک از نقش ها یا عوامل دخیل در تجارت ، که با سیستم تجارت الکترونیکی مرتبط خواهند بود ، کیستند.

- نوع و موضوع نیازی که هر یک از عوامل تجاری ، بر ساس آن به ECS مراجعه خواهند داشت ، در نمودار تلفیقی مشخص شده است .
————
مستند سازی
فرم ثبت جریان های عمومی ( فیزیکی – منطقی )
کد – از کاربر / ECS – به کاربر / ECS – نوع جریان – موضوع متوای جریان -
———————————–
معماری کسب و کار تجاری و ECS
- اهداف طراحی معماری تجارت الکترونیکی
۱- تعیین ساز و کار و جزییات اولیه انجام خدمات تحاری بر بستر الکترونیکی
۲- تعیین جزیی پاسخ به سوال : چگونه خدمات تعیین شده در محدوده تجاری را می توان بر بستر الکترونیکی ارائه داد ؟

سناریو های ممکن :
۱- تغییر معماری فعلی کسب و کار تجاری و بکار گیری ECS در آن
۲- طراحی معماری کسب و کار مبتنی بر سیستم تجارت الکترونیکی
مرحله طراحی ( طراحی معماری کلی ECS – طراحی ECS Apps )

 





 

ecs-public-Flow
مراحل فرآیند مهندسی و ایجاد ECS
- شناخت ( طراحی ) کسب و کار تجاری
- تجزیه و تحلیل نیازمندی ها
- طراحی سیستم تجارت الکترونیکی
- ایجاد سیستم تجارت الکترونیکی
- بهره برداری از سیستم تجارت الکترونیکی
- ارزیابی سیستم تجارت الکترونیکی
——————————————
مراحل طراحی سیستم تجارت الکترونیکی
- طراحی محتوای الکترونیکی ECS
- طراحی ابزار های کاربری
- طراحی شبکه ارتباطی و خدمات دسترسی
- طراحی خدمات الکترونیکی
- طراحی زیر ساخت های پردازشی
- طراحی سناریو های خدمت رسانی به کاربران
——————————————-
شکل واسط های کاربری
ECS-UI
در پروژه شما نمودار PGFD شما کفایت می کند
برای انجام پروژه آنچه که در نمودار ها حاصل شده است را درج و ثبت کنید

 

 

 

 

آذر ۰۵۱۳۹۲
 

نسبت حمل و نقل عمومی با ITS
شناسایی فناوری ITS و ترسیم درخت فناوری
مدل ریاضی انتخاب تکنولوژی

HOT , HOV , PT
اگر بخواهیم در تهران مکان یابی ۵ دوربین را انجام بدهیم
چون تعداد مکان ها زیاد هست مساله را تحلیلی باید حل کرد

روش های غیر تحلیلی در انتخاب تکنولوژی : تطابق دو طرفه
- تغییر در هر کمان یا گره، تغییر رفتار های سفری کاربران
- تغییر رفتار های کاربران، تغییر در انتخاب تکنولوژی

مسایل در دیدگاه تطابق دو طرفه
- مساله ۱ : ( مساله شارژ یا ساخت کمان با قیود حاشیه ای
- مساله ۲ : مساله انتقال

روش های حل مساله ساخت کمان : شبیه سازی – بهینه سازی (Simulation – Optimization)
- نظام بخشیدن به داده های شبکه در قالب یک ابر مدل مانند درونیاب اسپلاین، رگرسیون یا شبکه عصبی
- به کار گیری یک تکنیک بهینه سازی کلاسیک یا ابر مکاشفه ای روی ابر مدل

در الگوریتم دمبرگ کوتاهترین مسیر را پیدا می کردیم
مشابه آن در این شمارش مسیر را انجام میدهیم

الگوریتم ابر ابتکاری هیبریدی با استفاده از تکنیکهای شمارش مسیر

 

 

آذر ۰۴۱۳۹۲
 

خلاصه مباحث درس خوشه بندی – دکتر زارع – ۹۲/۰۹/۰۴

مبحث Kernel
و روش فیشر

نکته : یک فایل ورد یک صفحه ای Topic مقاله به همراه سال Journal بفرستید
که در موضوع کلاس باشید

تغییرات را با ماتریس کواریانس نشان می دادیم
با استفاده از تابع لاگرانژ انجام می دادیم

خلاصه PCA: اول ماتریس را Centralize می کردیم ماتریس S را می سازیم ، مقدار
ویژه و بردار ویژه را بدست می آوریم

میشه ثابت کرد اگر بخواهیم کمترین میزان Reconstruction را داشته باشیم
نگاشت تولید شده توسط PCA کمترین خطای بازیابی را می دهد
PCA یک روش Unsupervised هست
ولی روش های جدید Supervised آن هم آمده است
دقیقترین نمایش داده ها در فضای با بعد کمتر (مثل مپ کردن تصویر )
————————————–
Kernel Trick
افزایش بعد برای جدا سازی خطی

PCA را بر اساس Dot Product می خواهیم بنویسیم

کتاب Principal Component Analysis
—————————————–
بحث بعدی : fisher LDA کاهش بعد با در نظر گرفتن کلاس ها است

اشکال PCA در کاهش بعد این بود که کلاس ها با هم ترکیب می شوند

PCA-DataRepresentation-VS-DataClassification

 

روش فیشر :

 
Fisher-Linear-Discriminant

آذر ۰۴۱۳۹۲
 

 

خلاصه مطالب درسی تدریس یار مهندسی تجارت الکترونیک – خانم قوامی پور – ۹۲/۰۹/۰۴

 

برای تمرین دوم : ماتریس جریان کار بکشید

ecs-matrix-WorkFlow

مراحل / عوامل : مشتری – سیستم – واحد مالی – واحد تحویل – …
۱- جستجو
۲- درخواست
۳- پرداخت وجه
.
.
.

PGFT رسم می کنید :
ماتریس جریان کار را نگاه می کنید

تحت فرم الکترونیکی اگر داده داره ارسال میشه در چه غالبی ارسال می شود
مثلا مشتری به سایت داده را انتقال میدهد ( محصول انتخابی )
(فرمت داده مشخص باشد )
مثلا : داده با رنگ آبی ، کالا با رنگ قرمز ،
مشخصات جریان های عمومی سازمان
باید PGFT ها را با ابزار جریان توضیح دهید

 

 

ecs-PGFT

 

برای مقاله تحقیقی در درگاه سایت قرار دهید با بتوانیم نظر بدهم

مقاله فارسی یا انگلیسی فرق نمیکند ولی از ژورنال یا کنفرانس معتبر باشد

مقاله حتما باید ارسال شود

پاور پوینت ها را فعلا صدا گذاری نکنید

آذر ۰۳۱۳۹۲
 

خلاصه مباحث درس Celementine 92/09/03
الگوریتم Quest

Modeling –> Feauture Selection
اگر بخواهیم از بین مولفه های زیادی چند گزینه را انتخاب کنیم
باید تک تک متغیر ها را با متغیر هدف مورد مطالعه قرار دهیم
و آن متغیر که تاثیر بیشتری دارد را نگه می داریم

پس ما به دنبال متغیر های مناسب هستیم

Modeling –> Anomaly
با استفاده روش های تحلیل خوشه با حضور چند متغیر پرت هستند شناسایی کنیم (Anomaly Detection )
داده هایی که بیشترین مغایرت با داده های دیگر را دارد شناسایی کنیم

 

 

آذر ۰۲۱۳۹۲
 

خلاصه مباحث تدریس یار حمل و نقل هوشمند – ۹۲/۰۹/۰۲

ATIS
سامانه اطلاعات مسافران

سناریوی ۱ : اطلاع رسانی در نزدیکترین قطعه ممکن به مکان وقوع
سانحه با درصد تطابق ۴۰

میزان تبعیت رانندگان

پس از آمارگیری و لحاظ کردن داده های واقعی می توان در مورد مسیر
های مختلف پیشنهادی و انتخاب مسیر بهتر نیز اظهار نظر کرد

نتایج بدست آمده از اثر تصادف بر روی شبکه
سناریو ۲ : اطلاع رسانی قبل از رمپ شیخ فضل ا… با در صد تطابق
۵۰ %

سناریو ۳ : اطلاع رسانی در ورودی رمپ چمران با درصد تطابق ۱۰

سناریو ۴ : اجرای همزمان سناریوی ۱ با درصد تطابق ۴۰ و سناریوی ۲
با درصد تطابق ۵۰

سناریو ۵ : ترکیب سناریو های ۱ و ۳ با درصد تطابق به ترتیب ۵۰ و ۱۰

سناریو ۶ : ترکیب سناریوهای ۲ و ۳ با درصد تطابق به ترتیب ۵۰ و ۱۰

سناریوی ۷ : ترکیب سناریوی ۱ و ۲ و ۳ با در صد تطابق به ترتیب ۴۰ و
۵۰ و ۱۰

 

آذر ۰۲۱۳۹۲
 

فرمولاسیون ماکزیمم واریانس

بحث PCA
و بحث Kernel

ورودی مساله : N تا داد ها ی D بعدی
یک زیر فضا را می خواهیم بدست بیاوریم که بعد داده های جدید از بعد داده های اصلی
کمتر باشد.

پراکندگی داده های تصویر شده حداگثر شود
Max ( Variance )
بردار U فقط جهتش مهم بود

برای تصویر داده روی بردار ، داده را در بردار ضرب می کنیم
اگر اندازه یک برداری بزرگ باشد ، داده را که ضرب میکنیم مقدار بزرگتری بدست می آید

اگر فضای تصویر M بعدی را در نظر بگیریم
تصویر خطی بهینه ای که برای آن واریانس داده های تصویر شده بیشینه شود.
————————————————
Kernel Method
ابزار خیلی پر کاربرد در مسایل غیر خطی
در مساله که داده ها در فضا قرار گرفته اند که با یک خط نمی توانیم جدا کنیم
مثل دو تا شکل ماه که ترکیب شده اند

از یک سری منحنی های غیر خطی باید استفاده کنیم که Kernel این امکان را فراهم
میکند

Kernel داده ها را به فضایی با بعد بالاتر تصویر می کند (فضای وِیژگی)

Motivations – Kernet Definiation – Mercer’s Theorem – Kernel Matrix – Kernel
Construction

یکسری Classifier خطی داریم ، یکسری Label داریم
کلاس ضربدر و کلاس دایره
شکل سمت چپ کلاس اولیه است

اگر خطی جدا می شد روش های SVM می شد استفاده کرد
به دنبال راهی می گردیم که به صورت خطی بتوانیم جدا کنیم

داده ها را از فضای ۲ بعدی به فضای ۳ بعدی تبدیل می کنیم

روش شکل تبدیل یافته سمت راست می توانیم classifier خطی بزنیم

فضای توسعه یافته را فی می گوییم

اگر بتوانیم دو تا فی را پشت سر هم بنویسیم به جایش می توانیم تابع کرنل را جایگزین کنیم

جلسه حضوری پنج شنبه ۷ آذر
مهلت تمرین تا جمعه ۸ آذر

 

 

آبان ۲۷۱۳۹۲
 

 

می خواهیم بیشترین تغییرات را حفظ کنیم
تغییرات را با واریانس نمایش می دهیم

بیشترین نسبت تغییرات داخل z1
z2 دومین مولفه اصلی

مقادیر ویژه
بردار ویژه
eig(A) در متلب eigenVector و eigenValue
را به ما خواهد داد

یا SVD(A) برای هر ماتریسی یک تجزیه می
دهد
باید possitive definite باشد

از ضرایب لاگرانژ استفاده کنیم
از یک فضای p بعدی به فضای ۱ بعدی
کاهش دادیم
—————————————–
Reconstruction بازیابی

تبدیل زدیم برای کاهش بعد
ولی باید برگردانیم به فضای اولیه

PCA
برای حذف نویز در تصویر

 

آبان ۲۷۱۳۹۲
 

خلاصه مباحث تدریس یار تجارت الکترونیک – خانم مهندس قوامی پور

ابزار دات نت بشرطی که open source باشد اشکالی ندارد استفاده
کنید

اگر فرایند قلم کالاهای مختلف در سیستم یکی است لزومی ندارد که کالا ها را مجزا کنید

در حدود ۵ قلم کالا را در نظر بگیرید
در مورد مقاله تحقیقاتی – حتما جنبه مهندسی داشته باشد

مثلا ارائه فریم ورک باشد
حتما از جنش کمی باشد
مقاله های تحقیقیاتی خوب مثل :
DSS ها و Recomender ها : Secision Support System
user behabior
تحلیل کمی روی رفتار کاربران
Social Commerce
دو سه تا مقاله کافی است

که دید پیدا کنید و تبدیل به پاور پوینت کنید

فارسی و انگلیسی بودنش مهم نیست
حتما معتبر و ترجیحا ژورنال باشد

از تز های دانشگاه های خارجی می توانید استفاده کنید
پیشنهاد مقاله را در درگاه پورتال درس وارد کنید تا تایید کنم

اصل مقاله را هم باید بفرستید
خروجی کار تحقیقاتی فقط پاورپوینت با صدا گذاری باشد

پروژه کلاسی را باید در مورد یک سایت تجاری باشد
از جنس کالا یا خدمت
به صورت انفرادی

زمان آپلود کردن تمرین را در پورتال سایت ببینید

Business Plan مراحل طراحی و در نهایت پیاده سازی را در کل می خواهیم
از بین افعال تجاری درج شده، مواردی را که در حوزه تجاری منتخب مطرح می باشد انتخاب و بقیه را حذف نمایید

 

 

آبان ۲۷۱۳۹۲
 

خلاصه درس داده کاوی – دکتر محمدپور – ۹۲/۰۸/۲۷

برای پیدا کردن Association Role

Apriori : پیچیدگی محاسباتی را تا حد قابل قبولی کاهش دهد
دومین الگوریتم علاوه بر عدم پیچیدگی ذخیره سازی روی هارد کمتر انجام شود
Rapid miner : پروسسور ها بصورت موازی استفاده می کند

نرم افزار هایی که در داده کاوی استفاده می شوند معمولا قابلیت استفاده از چند
پروسسور یا استفاده از GPU را دارد

datamining-iterative-algorithm

دو مرحله دارد :
۱- تمام itemset هایی که تکراری هستند پیدا می کند
۲- از itemset ها برای ساخت Rule ها استفاده می کند

تعریف frequent itemset : ساپورت آن از یک minimum support بیشتر باشد

datamining-iterative-algorithm-example

F1 شامل تمام itemset های با اندازه ۱ هست
F2 یکی از اعضاشون frequent بوده را شامل می شود

مثال :
یا روی تعداد کار می کنیم یا روی احتمال ( فراوانی یا مینیمم ساپورت )
min support= x /n
ابتدا تمام itemset های تکی را با تعداد تکرارشان می نویسیم
چون ۴ فقط یک بار تکرار شده در قدم بعدی اصلا ترکیب با itemset 4 را نمی آوریم

در مرحله بعد itemset های دو تایی
تمام itemset هایی که فقط یک بار تکرار شده اند در مرحله بعد محاسبه نمی آوریم

در صورت دلخواه الگوریتم Apriori را پیاده سازی کنید

Candidate Generator
هرس , join می کنیم

بعد از الگوریتم Apriori بین Frequent itemset ها Association rule ها را بدست می آوریم

برای مجموعه حساب نمیشه چون شرطی است
در مورد confidence فقط برای assotioation Rule ها استفاده می کنیم

تمام زیر مجموعه ها = ۲ به توان n

صورت :
مخرج : تعداد کل ایتم ها

با الگوریتم Apriori یک مثال برای خودتان حل کنید
برای حل مسئله از مجموعه ۱ عضوی شروع می کنیم تا تعداد اعضا

 

 

آبان ۲۵۱۳۹۲
 

تمرین مهلت : ۴ آذر
GMM
پیاده سازی k-means
جواب خروجی های k-means بردار وزن ، کواریانس ، را به GMM می دهیم

 

روش PCA ( Pricipal Component Analysis)
یکی از روش های کاهش بعد هست

وقتی ابعد زیادی داریم باید از روش کاهش بعد استفاده کنیم
مثلا ۳ تا بعد را نسبت به هم رسم کنیم که حالت های خیلی زیادی می شود.

یا اینکه به صورت رندوم چند مولفه را حذف کنیم !!!

یا اینکه مولفه هایی را نگه داریم که بیشترین تاثیر گذاری را دارد

پس PCA روشی است که کاربرد های ( کاهش بعد ، فشرده سازی ، استخراج ویژگی ،تصویر سازی ) دارد

دو تعریف رایج برای PCA که الگوریتم یکسانی دارد :

تعریف ۱ : داده ها را در یک زیر فضا تصویر کنیم به طوری که هدفی آن واریانس داده های تصویر شده بیشینه باشد

تعریف ۲ : تصویر خطی که فاصله تصویر میانگین فاصله های مجذور شده بین نقاط داده های و تصویرهایشان ، کمینه شود.

Clustering-pca
داده های اصلی داده های قرمز رنگ هستند
از این داده های قرمز رنگ تصویری رسم می کنیم که نقاط سبز بدست می آید

با تعریف اول : نقاط سبز از هم بیشترین فاصله را داشته باشند
با تعریف دوم : مجموع خط های آبی رنگ کمترین باشد

Clustering-pca-formula-maximum-variance

فرمولاسیون ماکزیمم واریانس :

این فرمولاسیون مطابق با تعریف اول است .
مثلا ما ۱۰۰ تا داده ۴ بعدی داریم
N=100
D=4
می خواهیم واریانس تصویر داده ها حداکثر شود
در ابتدا فرض می کنیم که داده ها را در یک بعد بهینه می خواهیم تصویر کنیم

اندازه بردار اهمیتی ندارد ، جهت بردار مهم است
پس قیدی می گذاریم : Norm بردار u1 باید ۱ شود
یا اول از کل داد ه ها میانگین بگیریم بعد تصویر کنیم
میانگین داده ها ی تصویر شده را بدست آوردیم

S ماتریس کواریانس
u هم بردار
حتما این اسلاید ها را مطالعه کنید

آبان ۲۱۱۳۹۲
 

خلاصه مباحث درس حمل و نقل هوشمند – دکتر قطعی – ۹۲/۰۸/۲۱

Green Intelligent Transportation System

its-green
برای حمل و نقل بیشترین سرمایه گذاری در انرژی سبز را داشته باشند

سه ضلع :
۱- Next Generation Electric Vehicles
2- Enabling Electric Highwayes ( شبکه الکتریکی – شارژ در وسیله – ایستگاه های تعویض باتری )
۳- Intelligenr Vehicles and Highways (ارتباطات خودرویی – )

Mutli discipiliary Design Optimization : بهینه سازی طراحی چند تخصصی
علاوه بر وظایف خودرو برای جاده هم باید وظایفی تعریف شود.

در سیستم های مرتبط با پیل های خورشیدی امکان شارژ در وسیله نقلیه موجود هست

Car sharing :

مشکل :
در مدلهای ترافیکی شبیه ساز ترافیکی به راحتی نمی توان سیستم های کنترلی درون خودرویی را شبیه سازی کرد

در حوزه شبیه سازی نرم افزارهایی تولید کنیم که رفتار های مختلف درون خودرویی را هم شبیه سازی کند.

 

—————————–

پروژه بزرگراه همت
سوال تحقیق : تعداد سرنشینان خودرو
سه فرضیه مطرح شد ، که اگر یک خط ویژه به حمل و نقل عمومی اختصاص پیدا کند سهم آن به ازای تمایل مسافران به استفاده از حمل و نقل عمومی چند درصد است

its-hemmat-research

درصد کاهش co2
درصد کاهش نیترات ها
درصد کاهش فسفات ها

مشابه اینکه به یک آدم چاق برای حل مشکل چاقی ، پوشیدن لباس بزرگتر راه حل نیست
یعنی در شهر های پر ازدهام همواره ایجاد بزرگراه ها راه حل اصلی نیست

طراحی باید چند تخصصی باشد ( حوزه صنعت ،حوزه اجتماعی …)

مدیریت تقاضا
تعریف سیستمهای حمل و نقل عمومی محله محور ( با هدف سفر های درون منطقه ای )
ظراحی شبکه و تعریف استراتژیهای محله محور
سیستم های هدایت مسیر
سیستم های زمانبندی
سیستم های مدیریت پویای ناوگان

تعریف شبکه های حمل و نقل عمومی انبوه در CBD شهر ها و تعریف مکانیزم های عوارض گذاری ورود به طرح ترافیک

لایه دوم سفر های بین مناطق

نقش APTS : هماهنگی بین این سه بخش
۱- مسیر یابی ( طراحی سفر با استفاده از نرم افزار های مسیر یابی )
۲- زمانبندی ( کمک به زمان رسیدن سه لایه – تبادل سفر – سرویس های به محله های مشترک
۳- مدیریت پویای ناوگان : جابجایی اساسی روی سرویس ها نداریم بلکه با توجه ب هنیاز های هر خط ( پویش و پایش ) به صورت آنلاین ببینیم
در تفکر GITS همه چیز باید برنامه ریزی باشد
اگر در یک ساعت نیازی به سرویس دهی وجود ندارد

سیستم کنترل طرح  با جریمه  و بدون جریمه ( HOT – HOV)

Office of Transportation and Air Quality
مرکز در ایالات متحده هست که در این زمینه کار میکند

تمرین :

یک سیستم که به نظر شما در حمل و نقل هوشمند سبز قرار دارد معرفی و توجیه و تفسیر نمایید

 

آبان ۲۰۱۳۹۲
 

Data matrix
N record
each record has p features

N is very large
p is very large
both of them
N no problem, p is very large
p no peoblem, N is very large

کاهش ویژگی Feature Reduction
فرض کنیم در فضای ۱۰ بعدی کار می کنیم می خواهیم بعد ها را کاهش دهیم

بر اساس مساله کار می کنند

supervised , unsupervised
minimum Information Loss

فاصله بین کلاس ها را هم بهتر است که بیشتر کنیم

x1 تا xn مشاهدات ما هستند
که فضای p بعدی ما هستند
G ماتریس تبدیل هست

داده های با حجم زیاد Hign Dimentional را باید حجمش را کم کنیم

دسته بندی

Feature Selection : اگر p تا بعد دارم فقط با فیوچر های موثر کار کنیم

Visualization
Data Compression
Noise Removal
—————-
Application of feature reduction
Face recognition
Handwrittien digit recognition
textmining
Image retrieval
Microarray Data Analysis
Protein classification

——————
Feature Reduction Algorithms :
Unsupervised :
-latent Semantinc Indexing ( LSI) : truncated SVD
- Independent Component Analysis (ICA)
PCA
CCA

Supervised :
LDA

Semi-supervised :
Research Topics
——————–
Linear
LSI
PCA
LDA
CCA : cononical Correclation
—————————–

PCA : principal Component Analysis

 

http://www.sas.com/data-visualization/overview.html

 

 

آبان ۲۰۱۳۹۲
 

خلاصه درس تجارت الکترونیک جلسه ۹۲/۰۸/۲۰ خانم مهندس قوامی پور

تمرین :
یک سری تمرین حین درس داریم
مثلا عمل تجاری را در پروژه با بایستی تعریف شود
هر تمرین در پورتال بایستی تحویل داده شود
پروژه :

یک پروژه تعریف می شود که یک سایت تجارت الکترونیکی پیاده سازی شود
در ۳ یا ۴ مرحله تحویل می شود

تحلیل نیازمندی ها و طراحی سیستم تجارت الکترونیک برای محدوده تجاری مشخص (اجباری )
- پیاده سازی سیستم تجارت الکترونیک سازمان با استفاده از ابزار های آماده ( اجباری)
- توسعه امکانات و قابلیت های ابزار های آماده برایایجاد سیستم های EC ( اختیاری )

پروژه دوم : پروژه تحقیقی – به صورت سمینار کلاسی که منجر به مقاله کنفرانسی یا ژورنال شود نمره اضافی دارد

پروژه ها تک نفره باید تحویل شوند
برای تحویل پروژه باید روی VPS باشد

(اگر کسی در پورتال ثبت نام نکرده باشد ایمیل کنید تا برایتان دسترسی باز شود)

http://home.morva.net/~ali_h/VAUT-CEIT-MS-ECSE/W-Books%20&%20Resources/

یک نگاهی به manual Magento بکنید ، ابزار ساده ای است
لینک آموزش magento :

http://takhtesefid.org/user/magentoecommerce#page=1;sort=time;order=-1

سمینار معمولا اواخر ترم تعریف می شود – یک powerpoint ترجیحا با صدا
تحلیل و طراحی اولیه را با نرم افزار ویزیو هم

تعریف :
قلم تجاری
اعمال تجاری

آبان ۲۰۱۳۹۲
 

 

Dear ….

Thank you for registering for “TRANSYT 15 – Demonstration of Features & Enhancements”.

Please send your questions, comments and feedback to:traffic@trl.co.uk

How To Join The Webinar

Fri, Nov 15, 2013 1:30 PM – 2:15 PM GMT

Add to Calendar

1. Click the link to join the webinar at the specified time and date:

https://global.gotowebinar.com/join/9041814434045891073/744777553

Note: This link should not be shared with others; it is unique to you.

2. Choose one of the following audio options:

TO USE YOUR COMPUTER’S AUDIO:
When the webinar begins, you will be connected to audio using your computer’s microphone and speakers (VoIP). A headset is recommended.

–OR–

TO USE YOUR TELEPHONE:
If you prefer to use your phone, you must select “Use Telephone” after joining the webinar and call in using the numbers below.
United Kingdom
Toll: +۴۴ ۲۰ ۷۱۵۱ ۱۸۷۵
Access Code: 724-553-679
Audio PIN: Shown after joining the webinar

Webinar ID: 105-776-275

View System Requirements

To Cancel this Registration

If you can’t attend this webinar, you may cancel your registration at any time.

آبان ۲۰۱۳۹۲
 

فرض کنید که ۷ تا Transaction داریم
یکی گوشت و مرغ و شیر میگیرد

برای محاسبه confidence

datamining-confidence

[image1]

Frequent itemset
Association Rules
برای محاسبه Confidence به دو صورت می توانید محاسبه کنید
۱- احتمال صورت به احتمال مخرج
۲-تعداد x بخش بر مجموع کل

 

datamining-confidence-example

[image2]
اگر شیر نتیجه میداد جوجه و لباس

الگوریتمهای زیادی برای پیدا کردن قواعد پیوند داریم

برای ۷ تا پیوند تعداد زیادی Rule رسیدیم
بنابراین برای hypermarket های بزرگ با این روش منطقی نیست
استراتژی محاسبه قواعد متفاوت است

خیلی از نتایج هم تکراری هست

الگوریتم های مختلفی که ارائه شده اند با اینکه متفاوت هستند ولی باید به نتایج یکسانی برسند ولی با هزینه های پیاده سازی متفاوت هستند
که در اینجا Apiriori Algorithm استفاده شده است

Apiriori Algorithm دو مرحله دارد
۱- تمام itmeset هایی که به کار رفته استفاده می کند
۲- از frequent temset استفاده می کند برای تولید قواعد

Frequent Itemset باید از minimum support بیشتر باشد
مثل خوشه بندی که یکجا دندوگرام را می بریم

ایده اصلی این الگوریتم از خاصیت Apiori استفاده می کند که هر زیر مجموعه Frequent itemset خودش یک frequent itemset هست

اگر یک مجموعه ABD – Frequent باشد بنابراین زیر مجموعه هاش هم حتما Frequent هستند

مثلا در ABD مجموعه AC چون زیر مجموعه اش نیست می تواند Frequent نباشند
بنابراین غیر Frequent ها را جدا می کند و کار ما را سریع می کند

Frequent Item set باید از مینیمم support ی که ما تعیین کردیم بیشتر باشد

اگر بتوانید یک مثال کتاب را حل کنید ( Rule ها را بنویسید )

 

 

 

 

آبان ۱۸۱۳۹۲
 

خلاصه درس حمل و نقل هوشمند – خانم مهندس نیک سیرت ۹۲/۰۸/۱۸

سامانه AITIS ( مدل تحلیلی – مدل شبیه ساز )

VISUM
نرم افزاری شبیه سازی است
در سطح ملی یا منطقه ای امکان شبیه سازی دارد
برای تحلیل Multi Modal هست
همه مد های حمل و نقل را می توانیم با هم در نظر بگیریم

مدل شبیه سازی میکروسکوپی
عمل و عکس العمل Particle های مختلف را می سنجیم
با پیاده سازی عمل و عکس العمل حمل و نقل را شبیه سازی می کنیم
یکی از کاربرد های مهم شبیه ساز این است که مدل هزینه / فایده داشته باشد

مدل پویا بودن : در مدل های شبیه ساز می توانند مل پویا داشته باشند
شبیه ساز مدل تصادف دارد
پیشنهاد مسیر به صورت real time

یک سری از فعالیت های مدل شبیه سازی میکرو :
car-following
Lane-changing
Gap-acceptance
Lane-Choice
Models of intersection controls

————————–
VISSIM
نرم افزار شبیه ساز میکرو بر اساس رفتار Particle ها هست
هم برای ترافیک شهری و حمل و نقل عمومی استفاده می شود.
زمان سفر – سرعت -
نمودار های تحلیلی خوبی ارائه می دهد

مثال های دوبعدی و ۳ بعدی در VISSIM

its-AITS-system its-visum

 

با کلیک روی آگهی زیر مبلغ 400 ریال به حساب من واریز می گردد

با کلیک روی آگهی زیر مبلغ 1000 ریال به حساب من واریز می گردد