نادی

برنامه نویس و تحلیل گر داده علاقه مند به موتور های جستجوی مفهومی

Oct 212013
 

خلاصه درس خوشه بندی جلسه ۹۲/۰۷/۲۹

GMM assumption
فرض می کنیم هر کلاستر تابع توزیع نرمال هست

اگر بخواهیم یک مدل آمیخته را نمایش دهیم
اگر Latent Variable ها را بدانیم
Latent Varible ها Parent های کلاستار ها هستند

aic : Akaike information Criteria
BIC :Bayesian Information Criteriaumber of cluster

می توانیم از فرمول قانون بیز استفاده کنیم
clustering-GMM-bayesian

اگر تعداد داده ها زیاد باشد و شکل نمایشی آن gaussian مانند باشد استفاده از روش GMM بسیار خوب است
ولی اگر داده ها کم است از GMM استفاده نکنید

clustering-GMM-bayesian2bayesClassifier

الگوریتم EM – یک فرض می گذارد
اساس کار این است که به صورت پیش فرض اطلاعات کافی نیست
و مشاهدات ناقص هست
یک متغیر zk به مساله اضافه می کند
و بر اساس متغیر پنهان (Latent variable )

هدف : با استفاده از الگوریتم EM، پارامتر های توزیع آمیخه(Mixture Model ) را بدست بیاوریم

قدم اول : مقدار دهی اولیه : Log Lokely hood را حساب می کنیم
قدم دوم : expectarion امید را حساب می کنیم
قدم سوم : مجددا پارامتر های استفاده شده را در وضعیت حاضر بدست میاریم
قدم آخر : فرض میکنیم Stop کردیم
موی کا ، سیگما کا و پای کا را بدست آوردیم
احتمال پسین هر کلاس به شرط مشاهده xi را حساب می کنیم
از قاعده بیز هر کدام که احتمالش بیشتر بود
داده کلاستر ۲ می شود
عمل انتصاب را انجام می دهیم

جلسه بعد AIC , BIC و همچنین Evaluation را می گوییم

پروژه :
برای پروژه درس از داده های شغلی تان استفاده کنید
مقاله از jornal international استفاده نکنید
از ۲۰۱۱ یا ۲۰۱۲ به بعد باشد

 

Oct 212013
 

خلاصه جلسه داده کاوی – دکتر محمد پور ۹۲/۰۷/۲۹
GMM – Gaussian Mixture Model
چهار روش بر آوردی پارامتر های یک مدل آمیخته گاوسی

در آمار مفهوم مستقل و هم توزیع داریم

۲- مدل آمیخته گاوسی :
برای نشاهدات مستقل و هم توزیع x1,…,xn ، مجموع وزن دار K مولفه ، با تابع چگالی گاوسی است که با معادله زیر نشان میدهیم :

GMM-formula


۳- برآورد پارامتر های مدل آمیخته گاوسی به روش تحلیلی
* مهم : باید داده ها را شبیه سازی کنیم

کلاسترینگ سالانه کنفرانس دارد ، ۸۰ مجله به چاپ مقالات کلاسترینگ می پردازند
۳-۱ روش گشتاوری
می خواهیم از دو جامعه نرمال آمیخته …
مثال قد و وزن دختر ها و پسر ها خوشه بندی کنیم
به چهار روش این مساله را بررسی می کنیم ( برای دو متغیره )
۱- روش دقیق
۲- روش ریاضی
۳- EM روش آماری
۴- Gip Sampling – شبیه سازی

آیا این مساله به روش تحلیل قابل حل است ؟
با روش تحلیل فوق العاده پیچیده می شود ( گشتاور مرکزی )

در آخر صفحه کد های تولید GMM آورده شده است با نرم افزار R
GMM-program1
۳-۲ ماکسیمم درستنمایی
با این روش می توانیم پارامتر ها را دقیق تر بر آورد کنیم
تابع چگالی را به عنوان یک پارامتر ببینیم
پیدا کردن maximum Likelyhood

maximum-likelyhood

در حالت چند متغیره :
در حالت ۵ متغیره با روش تحلیلی بسیار پیچیده می شود.

maximum-likelyhood-multivariable

کد بر آورد پارامتر های GMM با روش عددی
اگر بخواهیم ماکزیمم تابع را پیدا کنیم با استفاده از دستور optim می توانیم انجام
دهیم
۳-۲-۲ برآورد پارامتر های GMM با الگوریتم EM

 

الگوریتم EM
روش Gipsampling
قبلا به روش های آمار کلاسیک حل می کردیم
ولی با این روش در چارچوب آمار بیز حل کنیم
یعنی یک اطلاعات پیشین هم باید داشته باشیم
توزیع پیشین مزدوج : (یک مساله استاندارد است )
تمرین برای جلسه بعد : تولید عدد تصادفی از GMM چند متغیره در متلب انجام
بدهید – مثل مقاله –

چگونه با استفاده از متلب با GMM اعداد تصادفی تولید می کنید ؟
جواب را به Email statdatamining بفرستید


maximum-likelyhood-multivariable-code

 

Oct 202013
 

خلاصه درس تدریس یار داده کاوی – ۹۲/۰۷/۲۸

spss 14 modeler
File – Open – Demo

Source – Node Statistic files – Demos –
از لیست فایل ها فایل telco را انتخاب می کنیم
این فایل شامل ۴۲ ستون و ۱۰ ردیف هست

این فایل را برای مثال K میانگین و ۲ Step Cluster باز می کنیم

از بین لیست متغیر هایی که داریم ، چند فیلد را وارد کرده ایم
در این کار هدف این است که از ۴۲ متغیر با استفاده از این ۵ متغیر کار خوشه بندی داده ها را انجام بدهیم
۱۰ تا مشاهده داریم
به چند روش می توانیم این داده ها را خوشه بندی کنیم
قسمت Field – User Custom Setting را می زنیم
در کرکره Model اتوماتیک هست و یا نام دلخواهی را انتخاب کنیم
اگر از داده های بخش بندی شده استفاده کنیم
ما در سیستم K میانگین محدودیتی داریم که باید بدانیم به چند خوشه می خواهیم تقسیم بندی کنیم
به صورت پیش فرض ۵ خوشه داریم

آیا می خواهیم ستون مربوط به فاصله ها را
در کرکره بعدی Expert : آیا اطلاعاتی که داریم می خواهیم یک خوشه بندی ساده باشد یا اطلاعات کاملتری را هم بدهد.
اگر اجرا کنیم این شکل دیده می شود

ta-datamining-Spss-Clementine

 

ta-datamining-Spss-Clementine2

۵ تا خوشه ای که انتخاب کرده ایم
اگر تعداد خوشه های کمتری را انتخاب می کردیم ممکن بود مقدار سایه نما Siloet بهتری را داشتیم
در View گزینه cluster داریم
که می گوید چه ویژگی هایی وارد شده
در ردیف size درصد خوشه ها را نمایش می دهد
در پایین منو نمونه ها و جدول های دیگری را نمایش می دهد
Show Basic : درجه اهمیت و تعداد متغیر های موثر در خوشه بندی اعلام می کند.

متغیر های پیشگو : Predictor importance
Summary : خلاصه اطلاعات را می دهد
می توانیم چند بار از K-means استفاده کنیم

یک روشی دیگر داریم به نام ۲ Step Cluster

باید نرمال چند متغیره باشد
در k-means برای متغیر های کمی هست
و نمی توانیم از متغیر های کیفی استفاده کنیم

در سیستم ۲Step Clustering
امکان محاسبه فاصله برای متغیر های کیفی هم بوجود امده است .

قبلا خوانیم که باید داده ها نرمال چند متغیره باشد

Node 2 Step Cluster را اضافه کردم
با کلید f2 اتصال را برقرار کردم
DblClick که می کنیم روی ۲ step cluster
مشابه متغیر هایی که برای k-means انتخاب کرده بودیم اینجا هم انتخاب می کنیم
در تب Model گزینه ای برای عددی کردن داده ها وجود دارد
exclude outlier : مشاهدات پرت را از تحلیل حذف می کند
به صورت پیش فرض اگر بیش از ۳ داده پرت باشد از دور خارج می کند

برای نفر دوم ، سن نفر دوم را منهای انحراف میانگین نفرات می کند

بهینه تعداد خوشه ها می تواند تشخیص دهد
یا اینکه امکان این هست که تعداد کلاستر را اجبار کنیم
Distance Major : حداکثر درست نمایی : فاصله اقلیدسی هم داریم
معیار خوشه بندی بر اساس معیار بیضی شوارتز BIC یا AIC باشد

 

 

Oct 192013
 

Traffic Control Systems

صحبت درباره پروژه دکتر قطعی
بایستی الگوریتم ها را با استفاده از داده ها استفاده کنید

Control and Management Functions
توابع مدیریت و کنترل :
TSM یک فلسفه درباره Planing ,Programming , Implementation , Operation هست
یک سری سرویس ها را میخواهیم ارائه بدیم

برای مدیریت سیستم های حمل و نقلی
جمع آوری دیتا برای گسترش برنامه ریزی زمانبندی چراغ و توابع دیگر هستیم

بخش ها را Section بندی می کنیم
Section ها منطقه ای هست که تغییرات زیادی نداشته باشد ( قسمتی از آن ترافیک سنگین و یک قسمتی ترافیک سبک نداشته باشد)

مرز ها را مشخص میکنیم ، پارامتر های کنترلی را مشخص می کنیم ( در جلسه بعد )

اجرای زمانبندی چراغ ( implement )
بحث Traffic Responce واکنش ترافیکی هست

بعد از اینکه اطلاعات رو پردازش کردیم باید به کاربران هم اطلاع بدهیم

اطلاعات را میتوانیم با استفاده از CMS Changable Messege Systems به مردم اطلاع بدهیم
DMS یک سری تابلو ثابت هست
سرویس رادیو ، وب سایت هم مدیا های دیگری برای انتقال اطلاعات هست

مدیریت تصادفات : توابع دیگری مطرح هست ( اطلاع رسانی انتخاب مسیر ، تخلیه ترافیک تصادف [مدیریت بحران] )
Integration : ارتباط بین زیر سیستم های مختلف را داریم

هماهنگی بین Agency ها
می تواند توسط ارتباطات Data Communication

یک تابع مهم طراحی DataFlow است

TMDD : traffic management data dictionary
صفحه ۶/۵۳ اسلاید
توابع سیستم معمولی :

سه ستون داریم

۱- نوع سیستم
۲- سیستم های بالقوه
۳- امکانات مختلف

 

Typical System Functions

Typical System Functions

چرا ما به سیستم های کنترل ترافیک نیاز داریم ؟

………….
سازگاری با شرایط
پیاده سازی ( implementation )
راحتی اجرا
—————————-
Traffic Control Systems Objective

سیستم های شناسایی ترافیک
به دنبال ۴ موضوع هستیم :
۱- شناسایی کننده های ترافیکی چه هستند
۲- اهمیت شناسایی کننده ترافیکی
۳- انواع شناسایی کننده ترافیکی
۴- مثال شناسایی کننده ترافیکی
انواع شناسایی کننده های ترافیک
– inductive loops – Video – Microwave – Infrared – Acostic – Radar – Magnetic – Radio Frequency – Global Poritioning System ( GPS )

Share of Detector Types at new ATMS Sites
میزان استفاده از شناسایی کنندگان
loop های القایی بیشتر از همه استفاده می شود

تمرین : تحقیق درباره AVI – VIP Detector (video Image Processor )

 

 

Oct 152013
 

خلاصه جلسه ششم درس حمل و نقل هوشمند ۹۲/۰۷/۲۳
در هر مساله کنترلی یک پارامتری داریم مثل ساو
هر تغییری که در ساو اتفاق بفتد در سفر های مردم تغییر حاصل می شود.

ستاره هم به معنی تعادل است
مثلا چراغ راهنمایی را زمانش را تغییر میدهیم ، مثلا ترافیک بیشتری ایجاد می شود تا جایی که در خیابان های اطراف هم تاثیر می گذارد

Ca هزینه است که یک نفرپرداخت می کند
Qa تعداد افراد هستند

نقطه تعادل محل تقاطع دو منحنی است
تقاضا و عملکرد
برای بیان تعادل اصل اول و دوم wardrop را مطرح می کنیم
در اصل دوم wardrop هوش راننده ها هم دخیل هست
برای پیاده سازی الگوی تعادل کاربر تصادفی
….
تعریف مجدد زمان پیمایش

برای پیاده سازی مساله
یک احتمال انتخاب مسیر p در زمان t داریم

مدل های انتخاب
Probit (شرط نرمال بودن خطا)
Logit (تحلیلی )

——————————-
Logit model
فرم تحلیلی دارد
وابسته بودن مسیر ها به هم انکار می شود و به همگرایی می رسد
توزیع خطا از نوع گامبل در نظر گرفته می شود
تابع احتمال انتخاب مسیر در این مدل از رابطه زیر به دست می آید

its-logit-formula

یک مساله Convex هست مثل مساله سهمی که حتما یک جواب بهینه دارد

میزان جریان مسیر =میزان تقاضای سفر * تابع انتخاب logit

its-logit

آقای دمبرگ Damberg از این فرمول استفاده کرد

برای هر مبدا مقصد یک مجموعه مسیر در نظر گرفته و یک جریان شدنی اولیه روی مسیرها بیابید.

در هر تکرار جریان به دست آمده از فرمول انتخاب لاجیت به دست آورده جریان فعلی را با آن مقایسه و به کمک آن جریان فعلی را به هنگام نمایید.

بر اساس جریانهای به دست آمده، هزینه پیمایش مسیرها را به هنگام و دوباره مسیریابی نمایید و به مجموعه مسیرها افزوده واین عملیات را تا حصول همگرایی تکرار کنید.

 

مساله شمارش مسیر ها و ایده های حل
۱- برچسب های مختلف بر اساس سلیقه ها (زیبایی ، خلوت بودن ، کوتاه ترین ، ارزان ترین )
۲- تولید ستون
۳- k مین مسیر کوتاه
۴- ابتکار بر اساس حذف یالها
۵- ابتکار برای وضع قوانین جریمه یالها
۶- مسیر های حداکثر k مشابه
۷- مسیر های نا متشابه
۸- مسیر های تصادفی
۹- مسیر های نامغلوب فازی

 

ایده جریمه : 

۱٫ واحدهای جریمه، (یال یا گره یا هر دو)
۲٫ ساختار جریمه،(جمعی یا ضربی)
۳٫ بزرگی جریمه
۴٫ مسیر جریمه (مسیر فعلی یا کل مسیرها تا حال)
ویژگی‌های ایده جریمه
سادگی ایده
فاقد عمومیت برای همه مثالها
فاقد راهی برای ارزشیابی میزان شایستگی مسیرهای انتخاب شده
انتخاب مسیرها وابسته به نحوه انتخاب پارامترهای فوق
در به کارگیری روش جریمه ضربی ریسک ناپایداری عددی
نیاز به وجود یک ترتیب برای ورود جریانهای مختلف شبکه، که در بحث جریمه شدن جریانی خاص دخیل است.
ایده مسیرهای نامتشابه
یک اندازه تنافر بین مسیرهای موجود در یک مجموعه داده‌شده، بیشینه می‌شود. از این جهت این ایده یکی از کاراترین روشهای انتقال مواد استراتژیک و خطرناک می‌باشد.
ایده‌های ساخت مسیرهای نامتشابه (متنافر)
۱ – ایده جریمه‌های متوالی
۲ – ایده کوتاه‌ترین مسیر دروازه‌ای
۳ – ایده کمینه گرفتن روی بیشینه‌ شباهتها
۴ – ایده p-پخش ( بیشینه گرفتن روی حداقل تنافر)
مطابقت دوطرفه برای مساله تنظیم
نرم افزار TRANSYT برای محاسبه مقدار کارایی سیستم به ازای متغیرهای کنترلی چراغ راهنما و نرم‌افزار PFE برای تعیین مقدار جریان تعادلی.
تنظیم چراغ راهنما با آلگوریتم ژنتیک دودویی کد
نکاتی که در پیاده‌سازی آلگوریتم ژنتیک بایستی به آنها توجه شود:
•نحوه نمایش ژنتیکی جوابهای مساله
•راهی برای ساختن جمعیت اولیه جوابها
•تابع ارزشیابی که میزان شایستگی جوابها را نشان دهد.
•عملگرهای ژنتیکی که ترکیب ژنی فرزندان را صورت داده و جمعیت جدید تولید نماید.
• مقادیر پارامترهای ژنتیکی
its-genetic
گام ۱٫ پارامترهای مورد نیاز آلگوریتم ژنتیک تعیین و متغیرهای تصمیم  را به صورت دودویی بر اساس کران پایین و بالا و کد نمایید.
گام ۲٫ جمعیت تصادفی اولیه از متغیرهای چراغ راهنما تولید کنید.
گام ۳٫ مساله سطح پایین را به وسیله روشی از PFE  حل و جریانهای تعادل کاربر تصادفی برای هر یال شبکه محاسبه کنید.
گام ۴٫ زمانهای چراغ راهنمای مطرح شده در گام دو و جریانهای تعادلی یالهای شبکه محاسبه شده در گام سه را به نرم افزار TRANSYT داده، معیار کارایی سیستم را به وسیله آن محاسبه نمایید.
گام ۵٫  عملگر آمیزش و  عملگر جهش ژنتیکی را به کار برید.
گام ۶٫ جمعیت جدید را از روی جمعیت قبلی و فرزندان بسازید.
گام ۷٫ اگر تفاوت میان میانگین شایستگی جمعیت و شایستگی بهترین عضو جمعیت کمتر از ۵% باشد، جمعیت اولیه جدیدی ساخته و به قدم سه بازگردید. در غیر این صورت به سراغ قدم بعد بروید.
گام ۸٫ اگر  بیشترین تعداد مجاز جمعیت گیری حاصل شده باشد،  جواب با بالاترین شایستگی را جواب بهینه مساله گرفته و الا به سراغ قدم ۳ برگردید.

تمرین : با یکی از روش های ۱ و۴و ۷ فوق پیاده سازی کنید و تا هفته بعد ارسال کنید.

شبکه ای که آپلود شده در LMS استفاده کنید
شکل شبکه را در مقاله صفحه ۴۶۶ آمده روی هر کدام از یالها شماره گذاری شده در جدول صفحه ۴۶۷ تقاضای سفر ها آمده یک فرمول هم آمده جریان تقسیم بر سفر
در صفحه ۴۶۸ – پارامتر های لازم آمده

برای حل این مساله ۲ هفته فرصت هست
کدی پیاده سازی کنید با روش دمبرگ با همین ۳ تا ایده دمبرگ اسلاید شما ره ۹ ، یاد آوری با استفاده از ساو Q را پیدا میکنیم
۲ سطحی هست
در یک سطح با استفاده از Saw مقدار Q را پیدا کنیم
با استفاده از مقدار های Q مقدار Saw را آپدیت کنم
در این مسایل از نرم افزار های تخصصی برای هر بخش استفاده کنیم
نرم افزار Transyt برای چراغ راهنما
از نرم افزار PFE برای تعیین مقدار جریان تعادلی

استفاده از الگوریتم ژنتیک برای محاسبه پارامتر کنترلی

نحوه ساخت تابع ارزشیابی هم با این روش مشخص می شود

 

شنبه ۲۷/۷/۹۲ جلسه دفاع پایان نامه با نرم افزار TURBO توسط خانم روشنی برگزار می شود
و همچنین سه شنبه هفته آینده در جلسه تکمیل تر تکرار خواهد شد

Oct 142013
 

خلاصه جلسه پنجم درس خوشه بندی – دکتر زارع ۹۲/۰۷/۲۲

بحث کلاسترینگ و Mixture Model

N تا آبجکت داریم که می خواهیم به K تا گروه خوشه بندی کنیم

مدل آمیخته(Mixture Model ) ترکیبی از توزیع های احتمالاتی است

چون هر خوشه با خوشه دیگر تفاوت دارد می توانیم این فرض را بگیریم که هر خوشه خودش دارای یک توزیع احتمال است و مجموع کل داده ها یک توزیع احتمالاتی دارد که ترکیبی از تک تک چگالی های داخل هر خوشه است

 

 

کاربرد مدل آمیخته در خوشه بندی :
در روشهای سلسله مراتبی و k-means نداشتیم نمی دانستیم که الگوریتم تا کجا باید پیش برود و تعداد K چند تا باشد جواب بهینه بدست می آید و بیشتر به خروجی نگاه می کردیم
ولی در Mixture Model می توانیم برای انتخاب بهترین مدل، معیار داشته باشیم

مثل BIC و AIC
Akaeki Information Cretaria
Baysian Information Cretaria

معمولا از تابع گوسی استفاده می کنیم

GMM – Gaussian Mixture Model

آقای Andrew Moore
مولفه را با امگا i نشان داده ایم

برداری از ویژگیها داریم

clustering-gmm-formula

فرض می کنیم نوع تراکنش هر گونه باهم برابر است

توزیع یونیفرم
ابتدا یک عدد تصادفی بین صفر و یک ایجاد می کنیم

اگر عدد تصادفی ایجاد شده کمتر از ۰٫۳ بود امگا ۱ می گذاریم
اگر عدد تصادفی ایجاد شده کمتر از ۰٫۵ و بیشتر ۰٫۳ بود امگا ۲ می گذاریم

و بزرگتر از ۰٫۵ بود امگا ۳ می گوییم

ممکن است شکل خوشه ها شکل هم نباشد
همبستگی خطی
تا هفته بعد تمرین که حداکثر ۱ نمره دارد بفرستید
Mixture of Gaussian
متغیر پنهان

هر نقطه در آن واحد فقط می تواند به یک خوشه متعلق باشد

Oct 142013
 

خلاصه درس داده کاوی ۹۲/۰۷/۲۲ – دکتر محمد پور

صفحه ۱۸/۲۱
OLAP Operations : Data Cube
جدول ها را نرم افزار می کشد ، لازم نیست
اگر بعضی وقت ها داده ها دو بعدی باشد ، هیستوگرام را سه بعدی می کشیم

hist2D فراوانی داده ها را به صورت دو بعدی محاسبه میکند

OLAP را رسم کنید

 

خلاصه شده داده ها را نشان میدهد

با استفاده از خلاصه سازی رابطه بین متغیر ها را می توانیم مشخص کنیم
مثلا برای جدول ۷ بعدی ۲۴۰۰۰ مدل داریم
clustering یک روش unsupervised هست که هدفش قرار دادن داده های همگون در خوشه هست

اگر داده های یک بعدی باشد همان متر معمولی را در نظر می گیریم
ولی اگر داده ها بیش از یک بعد داشت ( p بعدی )

مولفه ها را با هم مقایسه می کنیم
نرم اقلیدسی
با یک تبدیل می توانیم بردار را به ماتریس تبدیل کنیم

در روش سلسله مراتبی ما اطلاع نداریم که چند تا خوشه داریم

با روش جمع شونده
هر یک از داده ها را یک خوشه می گیریم
و در هر مرحله یک خوشه کم می شود
برای همین محاسبات خیلی سنگین می شود

datamining-oghlidosi-meter

 

فاصله یک نقطه از مجموعه : چند روش مختلف داریم

۱-   فاصله نقطه تا مینیمم مجموعه Single Linkage ( Nearest Neighbor )
مثال جرم و جنایت در شهر های آمریکا

رسم دندوگرام
۲-  روش Complete Linkage
در مرحله بعدی جدولی که بدست می آوریم مشابه جدول روش اول است
۳-  Average Linkage

میانگین فاصله
۴- روش Centroid

چون روش agerage محاسبات سنگینی دارد در Centroid  به جای فاصه میانگین ها ، از میانگین فاصله ها استفاده می کنیم

۵- روش median میانگین وزنی است

۶- روش ward

datamining-Ward-Method

تمرین : برای هفته آینده

datamining-tamrin-usa-crime

جدول جرم و جنایت در آمریکا
با سه روش
single linkage
Complete Linkage
Average Linkage
به ایمیل بفرستید

statdatamining@gmail.com

 

Oct 132013
 

۹۲/۰۷/۲۱ تدریس یار داده کاوی

ما می خواهیم که ۴ سری دیتا به عنوان تمرین وارد کنید و ارسال کنید

فایل cars
در sample های spss معمولی اگر باز کرده باشید می توانید باز کنید و استفاده کنید در folder sample هست
بعد از اینکه node statistic را لود کردیم

spss-cars

در ستون value متغیر ها لود می شود
ممکن است در متغیر ها بی پاسخی داشته باشیم

مثلا در متغیر MPG اطلاعاتش نباشد

وقتی روی missing کلیک می کنیم می توانیم آنرا خاموش یا روشن کنیم
یعنی بی پاسخی را برای آن تعریف کنیم

در سیستم این امکان وجود دارد که با بی پاسخی هر جا اطلاعات داشته باشد استفاده کند و رهر جایی که missing باشد آنرا رها میکند

برای کنترل داده های معتبر می توانیم در missing specify را انتخاب کرده و در ستون check محدوده اعداد و یا شرطی را انتخاب کنیم و جایگذاری کنیم
نحوه برخورد با بی پاسخی را تنظیم می کنیم
گزینه Coerce : وقتی به محدوده بی پاسخی میرسد , متغیر کمی است میانگین داده ها در نظر می گیرید

اگر داده ها به صورت عددی باشد و مثلا ۰ را به عنوان بی پاسخ داده باشیم نزدیکترین عدد را جایگذاری می کند
اگر در Type Set بگذاریم در داده ها عدد هم باشد ، اعداد با کوچکترین عددی که سیستم می شناسد جایگذاری می کند.

در مورد جنسیت True / False بی پاسخ باشد به صورت کد کوچکترین را قرار می دهد ( false خواهد بود )
داده ها می تواند بدون نقش باشد ( مثل شماره دانشجویی ) محاسباتی نیست

برای اینکه بدانیم که داده ها به طور صحیح وارد شده Table آنرا ایجاد میکنیم

روی مبدا کلیک , F2 و سپس روی مقصد کلیک می کنیم



سیستم که می خواهد مدلی را Run کند

در قسمت expert هم نوع خروجی که سیستم میدهد مشخص می شود

اگر expert را انتخاب کنیم شرط توقف را هم در داده ها خواهیم داشت

نمودار siloet
هر چه مقدارش به ۱ نزدیک تر باشد نشان دهنده مناسب بودن خوشه هاست

 

 

Oct 132013
 

مدیرت تقاضای سفر TDM

دانلود جزوه TDM مدیریت تقاضای سفر

 

http://rpc.tehran.ir/default.aspx?tabid=306&ArticleId=8023

http://kaarmand.blogfa.com/post-388.aspx

http://files.spac.ir/%D9%87%D9%81%D8%AA%D9%87%20%D9%86%D8%A7%D9%85%D9%87%20%D8%A8%D8%B1%D9%86%D8%A7%D9%85%D9%87/Barnameh%20Electronical/464/%D8%B5%D9%81%D8%AD%D9%87%20%203.htm

 

Oct 122013
 

۹۲/۰۷/۲۰
این جلسه باقی K-means را می گوییم و در جلسه بعدی درس بعدی GMM هست

در تمرین ها
توضیح معیار را از مقاله کپی نکنید ( به صورت انگلیسی )
برداشت خودتان را به فارسی بنویسید

در LMS بفرستید
و اگر نتونسید به ایمیل clustering_1391@yahoo.com
تا روز جمعه بفرستید
محدودیت اصلی روش k-means مبنایی
چنانچه مقادیر اولیه بردار های میانگین خوشه درست و مناسب انتخاب نشود.
ممکن است J در مینیمم محلی متوقف شود.

۳ روش برای مقدار دهی اولیه الگوریتم خوشه بندی K میانگین
۱- تصادفی
۲- تقسیم باینری
۳- آماده سازی حساس به هیستوگرام

روش آماده سازی رندوم : Random Selection
در این روش الگوریتم خوشه بندی k میانگین چندین بار با مراکز اولیه رندوم اجرا شده ، مراکزی که اولین مقدار تابع هدف اعوجاج به عنوان مراکز اولیه الگوریتم خوشه بندی در نظر گرفته می شوند.

روش تقسیم باینری :Binary Splitting
۱- از کل بردار ها یک مقدار متوسط و یک مقدار انحراف استاندارد می گیرد
۲- از مقدار متوسط یک ضریبی از انحراف استاندارد مقدار با کم و به اندازه همان زیاد می کند
۳- هر خوشه را بر اساس متوسط و انحراف استاندارد به دو گروه دیگر تقسیم می کند
درنهایت به k مرکز میرسیم
مثلا به ۷ تا خوشه که رسیدیم خوشه ها را ۸ تا در نظر میگیریم

این روش نسبت به روش رندوم سریعتر و موفق تر هست

روش حساس به هیستوگرام Histogram Sensitive
این روش یک هیستوگرام را بدست می آورد( نمودار فراوانی داده ها ) Hist در متلب را تست کنید.

Ta-clustering-K-means-HSI

مجموعه اول خالی هست
روش کار در اسلاید
اولی بردار از مجموعه یادگیری را در مجموعه رفرنس قرار می دهیم
یک شاخص فراوانی داریم که به هر خوشه یک بردار نسبت میدهد
اگر فاصله از یک آستانه کمتر بود بردار دوم را بیرون می اندازیم و تعداد فراوانی که در آستانه بود را ۲ می کنیم

نمونه سوم را فاصله اش را با این یک نمونه پیدا می کنیم
نمونه سوم را حذف نمی کنیم بلکه به عنوان نمونه جدید در X_ref می گذاریم

مقایسه می کنیم ، با هر کدام که کمترین بود

پس سه روش K-means
RSI
BSI
HSI
هست

قلب الگوریتم خوشه بندی تابع هدف آن است.

سوال : در توزیع نرمال اینکه بردار داریم در این صورت توزیع نرمال چطور محاسبه می شود؟ منظورم در قسمت ایکس منهای میو است

 

Oct 122013
 

۹۲/۰۷/۲۰
مهندسی سیستمهای تجارت الکترونیک

هزینه ابزار و تجهیزات

قبل از طراحی و مهندسی هر گونه سیستم تجارت الکترونیکی ، باید طرح کسب و کار مبنا برای ایجاد آن مشخص باشد.
۱- شناخت کسب و کار موجود
۲- طراحی کسب و کار جدید
در طرح های کسب و کار الکترونیکی ، کالا و خدمات الکترونیکی مبنای کسب و کار قرار می گیرد.
– خرید و فروش شارژ موبایل
– خدمات میزبانی وب
– خدمات دسترسی به اینترنت
– خدمات آوای انتظار موبایل
– فروش فال الکترونیکی
مدل های کسب و کار :

نحوه کسب درآمد
تفاوت Business Plan با Business Case
توسط مدیران استفاده می شود که در آن شما نحوه تامین بودجه و اعتبار برای سرمایه گذاری خاصی را عنوان می کند

همه مدلهای کسب کار باید در آنها نحوه کسب درآمد مشخص باشد

توصیف اینکه سازمان کسب در آمد
Transaction fees
Subscription fees
Advertisement fees
Affiliate fees
Sales
و ترکیبی از این ۵ روش را ممکن است بکار ببریم

کسب در آمد بر اساس برگزاری مناقصات و مزایدات
بدست آوردن قیمت بهتر

بازار یابی ویروسی( سینه یه سینه )
تشکیل خرید گروهی
برگزاری حراجی آنلاین
اختصاصی سازی کالا و خدمات
خدمات بازار ها
صفحه ۲۲ / ۳۳ اسلاید : مدل های کسب در آمد را به صورت گرافیکی می بینیم

920720-ECSE-exhibit1-3

در مدل Affiliate نه تنها تبلیغ را انجام میدهم و همچنین راهنمایی و اشتراک و لینک به سایت هدف هم انجام می دهیم

محدودیت های EC

در برخی از مسایل فنی محدودیت هایی وجود دارد
استاندارد ها
محدودیت های نرم افزاری
یکپارچه سازی ( بخصوص نرم افزار های که از قبل وجود دارد )

Market Place ها

۳ تابع اصلی در بازار ها
۱- تطبیق بین خریدار و فروشنده
۲- تسهیل تبادل اطلاعات
۳- زیر ساخت حقوقی

اجزای فضای بازار
– مشتری ها :
– افراد وب گرد به دنبال موارد زیر می گردند
– چانه زنی
– کالای دلخواه
– جمع آوری کنندگان کالاها

– فروشندگان
تعداد زیادی از فروشندگان که روی وب عرضه می شوند

– صفحات ظاهری سایت
– فعالیت های پشت صحنه
– جمع آوری سفارشات
– مدیریت انبار
– پردازش پرداخت ها
– بسته بندی و ارسال

– واسطه ها
– سایر شرکای تجاری
– خدمات پشتیبانی
( گواهینامه صلاحیت و اعتماد – مکانیزم دانش)

 

چند سطح مختلف می توانیم تعریف کنیم
۱- سطح افراد
۲- سطح فروشگاه (بین فروشگاه و مشتریان حقیقی و حقوقی)
۳- سطح بازار (بین فروشگاه ها و مشتریان)
۴- سطح تبادلات (بین بازار ها)

 

معماری سیستم های تجارت الکترونیکی

Oct 082013
 

دستور العمل های خبرگی
در دهه ۹۰ الگوریتم های خوبی داریم که برای بهینه سازی چراغ های راهنمایی کار شده

یکسری افراد توسعه نرم افزار بسیار بزرگ را کار کرده اند

با استفاده از الگوریتم ژنتیک برای نصب در تقاطع ها کار شده
کاری که سیلان و بل هم در سال ۲۰۰۲ , ۲۰۰۴ , ۲۰۰۵ روی آن کار کرده اند

برخی هم حل مسایل دو سطحی را کار کرده اند
در یک دسته درباره یکسری مفاهیم و در دسته دیگه مفاهیم دیگری را بررسی می کنند

۳ تا نرم افزار معرفی می گردد :

MaxBand ( کنترل Pretime )نسبت پهنای باند به مدت زمان چراغ سبز ماکزیمم
۳- Transyt3- تعداد ایست و مقدار تاخیر مینیمم
۴- Scoot بهترین نرم افزار برای تنظیم چراغ راهنما ها ( طول سیکل ، زمانبندی ، بهینه سازی آفست )

الان در توسعه نرم افزار ها یک سطح جدیدی از نرم افزار ها هست مثل Scats
که عملیات بهینه سازی انجام نمی شود و بر اساس پلن های از پیش تعیین شده کار انجام می دهد

 

 

یکی از Simulator های خوب Aimsun و نسخه آنلاین آن Online Aimsum
و زمانهای ششبه بهینه را می تواند پیدا کند.
استفاده از ابزار شبیه سازی که باعث بهینه سازی نرم افزار ها شده

چه زمانبندی چراغ راهنمایی را زمانبندی مناسبی می دانید ؟
تابع کارایی
در مصاحبه با ذینفعان باید دید که چه چیزی را می خواهند کاهش با افزایش دهند

می خواهیم زمان انتظار کم باشد

تناسب کاربران هم مهم است ( منطقه فرهنگیان یا منطقه کارگران )
هر ایست و هر ترمز موجب افزایش مصرف سوخت می شود

در یکی از مقالات …
علاوه بر اینکه سیستم تلاش می کند کمترین ایست را داشته باشد

ایده های ساخت تابع کارایی
۱- محاسبه میزان انتظار در شبکه
۲- به دست آوردن ترکیبی خطی از میزان انتظار در یالهای شبکه
۳- حداقل زمان کل مسافرتها روی شبکه
۴- حداقل کردن تعداد کاربر در صف در مدت زمان انتظار

its-formula-optimization
فرمول :صفحه ۹
یک مساله کنترلی به این صورت قابل پیاده سازی هست که میخواهیم تابع کنترلی مثل ساو پیدا کنیم
جریانی که با توجه به پارامتر ساو به تعادل برسد.
معنای تعادل در سیستم ترفیک شهری
اصل اول وارداپ:
User EQuilibrium
تعادل کاربر :برای هر جفت مبدا – مقصد و برای هر نمونه زمانی مدت زمان پیمایش بین دو نقطه حرکت میکنند و مساوی و کمترین است.

تا زمانی که مسیر همیشگی خودشان را تغییر ندهند
تا زمانی که یک پل یا تونل جدی زده می شود
کاربران مسیر های همیشگی خود را تغییر می دهند تا بعد از یک مدت دوباره به تعادل برسند.
فرض فوق مقبول نیست ، چون :
۱- اجزای تصادفی در درک مسافران

اصل دوم واردراپ
Stochastic User Equilibrium
تعادل کاربر تصادفی:

 


برای پیاده سازی الگوی تعادل کاربر تصادفی

its-formula-wardrop

تعریف مجدد زمان پیمایش
مدل های انتخاب :
۱- Probit ( همه به صورت نرمال خطا می کنند )
۲- Logit( فرم تحلیلی دارد – وابسته بودن مسیرها به هم انکار می شود – توزیع خطا از نوع گامبل است – تابع احتمال انتخاب مسیر :

its-formula-gamble-logit
احتمال انتخاب مسیر S مساوی e  بتوان منفی تتا ( که عدد ثابتی است برای میزان حساسیت انتخاب مسیر) در جمع زمان سفر یک مسیر     تقسیم بر  e بتوان منفی تتا بقیه مسیر ها
برای بقیه مسیر هایی که از r به s انتخاب می شود

تتا یک عدد ثابت است که میزان حساسیت ما را نسبت به پارامتر های زمان سفر را نشان میدهد.

هر چه تتا کوچکتر باشد ، با احتمال بزرگتری مسیر انتخاب می شود

Oct 072013
 

خلاصه جلسه خوشه بندی دکتر زارع
max یا Complete linkage
Group Average
تقسیم بر تعداد کل اعضا

محدودیت : اگر یک سری ساختار ها ی global
داشته باشیم ، نسبت به آنها اریب خواهد داشت

هزینه محاسباتی : O^3
دیگه نمیشه تصمیم را بر گرداند

در روش Hierarchical اول هر نقطه را یک خوشه
می گرفتیم و بعد merge می کردیم

ولی در روش divisive برعکس
ابتدا یک کلاستر داریم و در مرحله بعدی میشکنیم

در عمل از الگوریتم Divisive خیلی استفاده نمی
شود.

یک مثال در hirearchical هست :
یک ماتریس آمده در قدم اول
در امتحان شبیه این ماتریس میدهیم که شما در
ابتدا تشخیص دهید که ماتریس Distance هست یا
….

در امتحان میان ترم این نمونه سوال میاد
قدم اول Merge A,B
قدم دوم Update Min یا sinlge Linkage
قدم بعدی تکرار update Min
که نتیجه {{A,B},{C}
{{A,B},{C}},D}
دندروگرام هم میشه کشید.
برنامش هم میتونید بنویسید.

صفحه ۳ / ۱۷
صفحه ۵ / ۱۷

Single Linkage
Average Linkage
Warde Linkage

هر distance شما در یک خوشه باید قرار گیرد

الگوریتم خوشه بندی افرازی تفاوتش این است
Algorithm K-means
۱- decide on a value for k
۲- initialize the k cluster centers ( randomly , if
necessary )
۳- decide the class member ships of the N
objects by assigning them to the nearest
cluster center.
۴- Re-estimate the k Cluster centers, by
۵-

نقاط قوت :
k-means
قدرت محاسباتی خوبی دارد

نقاط ضعف :
داده های گسسته خیلی کارایی ندارد

بایدتعداد خوشه ها را باید ار قبل تعیین کنیم
نویز دیتا
برای کلاستر های مقعر مناسب نیست

ایمیل استاد
h . zare @ ut . ac . ir
hadizare @ gmail . com

 

Oct 052013
 

خلاصه مطالب تدریس یار ITS
۹۲/۰۷/۱۳

عنوان پروژه اعلام شود

مطابق نمونه در ۴ محور اصلی ارائه شود

محور ۱ : مدلها و تکنولوژی هایی که در ITS هست به صورت Large Scale

محور ۲ : معماری

قرار ما در پروژه دوم پیاده سازی یک زیر سیستم : تحقیق روی آن زیر سیستم
حتما نمونه پیاده سازی شده آن را بیاورید .

ارائه شفاهی بصورت Powerpoint باشد

شرط ارائه حضوری قراردادن مستندات تا روز دوشنبه روی سایت هست

فایل های زیر برای مطالعه روی پورتال قرار گرفته اند:

۱- review paper
۲- Architecture
۳- Optimal Investment Scheduling
۴- Perspectives on Future Transportation Research
—————————————-
مبحث درس :

مدیریت TDM
از دیدگاه شهری مدیریت Demand :
هر استرازتژی که برای تغییر رفتار های ترافیکی به کار می رود
وسایط نقلیه با ظرفیت پایین را کم کنیم و حمل و نقل عمومی را افزایش دهیم

از منابع موجود بیشترین استفاده بهینه را انجام بدهیم

ایجاد حمل و نقل پایدار ، ایجاد انگیزه ، اطلاعات حمل و نقلی real time

تمایل افراد را از حمل و نقل شخصی برداریم و به حمل و نقل عمومی برسانیم

مثال TDM :
پلان های مدارس و دانشگاه ها
Spesial Events
Tourism Destinations
اطلاع رسانی به موقع
————————–
Integration with infrasctructure
ارتباط TDM با بزرگراه ها
انتخاب زمان یا مسیر به افراد
ارتباط TDM با اولویت دادن به وسایط نقلیه با حجم بالا
در TDM به وسایل نقلیه کاری نداریم ، فقط برای راننده ها که آنها ترغیب به استفاده از مسایل حمل و نقل عمومی استفاده شود

اضافه کردن زیر ساخت جدید نمی خواهیم

 

Oct 052013
 

۹۲/۰۷/۱۳
تدریس یار خوشه بندی

تمرین تا ۲۴ مهر فرصت داده شده

الگوریتم K-means

تعداد خوشه ها به صورت پیش فرض به ما داده می شود
اما خیلی مواقع این تعداد در دسترس نیست

یک سری بردار ویژگی داده می شود که باید تقسیم بندی کنیم که چند دسته نقسیم می شوند.

هدف خوشه بندی :خوشه بندی تا حد امکان فشرده باشند و خوشه های مختلف تا حد امکان فاصه آنها از هم بیشتر باشد.

تعداد پارامتر های مدل را باید بیشتر کرد

باید یک پارامتر جریمه باید گذاشت که تعداد خوشه ها خیلی زیاد نشوند

به عنوان تمرین هفته آینده گفته می شود : هر کسی حداقل ۵ معیار را پیدا کند که تعداد خوشه های بهینه در یک الگوریتم خوشه بندی بهینه باشد
این برچسب ها در ابتدا مشخص نیستند.

این برچسب ها می گویند هر داده مربوط به چه خوشه ای است
در K meas
n اندیس نمونه k هست
k بین ۱ تا ۳ تغییر پیدا می کند

 

 

برای هر نمونه X(n)
نمونه یکم در مرحله اول به چه خوشه ای تعلق دارد
توسط تابع j مجموع مجذورات بردار نمونه را حساب میکنیم

قرار است تابع را مینی مایز کنیم ، فاصله هر نمونه تا مرکز خوشه حداقل شود

هدف k-means حداقل سازی
به روش تکرار شونده انجام می دهد .
اول از همه شروع الگوریتم ۳ تا مرکز اولیه را بدهد

چند تا نقطه local min می تواند داشته باشد

اهمیت دارد که Global min داشته باشد

در یک فرایند دو فازی این
یک تابع دو پارامتری هست

فرض می کنیم میو k ثابت هست
نسبت به rnk حداقل کنیم

تعلق داده ها به خوشه ها

برچسب نمونه
ولی j را در فاز دوم نسبت که میو k حداقل کنیم

در هر فاز تابع j را پیدا میکنیم

فاز دوم اینکه چجوری میو k را انتخاب کنیم
مشتق میگیریم

در جایی که الگوریتم را تکرار کنیم و برچسب های خوشه عوض نشد ، نقطه پایانی هست ( یکی از معیار ها )

 

روش K-means

روش K-means

EM : Expectation Maximization روش بیشینه سازی امید در K-means

 

محدودیت اصلی روش K-means مبنایی

روشهای دیگر : فازی C-means و gmm و کاهش بعد را در این درس بررسی میکنیم

 

Oct 012013
 

۹۲/۰۷/۰۹ its – دکتر قطعی

طرح راهبردی ( استراتژیک ) ITS – ناصر پور معلم
گام ۱ : طرح ساختار یکپارچه
گام ۲ : بررسی محیطی
گام ۳ : تحلیل فرصت ها
گام ۴ : برنامه چارچوب کاری ITS
گام ۵ : طرح پیاده سازی ITS

ITS

ITS

رفتار های بین المللی
بازیگران در حوزه باید در نظر گرفته شوند
در its هم باید تمام حوزه ها حتی مردم کوچه و خیابان هم باید در نظر گرفته شوند
تمام ذینفعان باید در نظر گرفته شوند

ITS های ما ۹۹ درصد خودرو محور هستند و انسان محور نیستند

برای عبور نابینایان و معلولین امکاناتی در نظر گرفته نشده است
در برنامه توسعه موقعیت ها ی مورد نظر پیش رو را تعریف کنیم
اگر در برنامه توسعه ما نوشته شده باشد که نقش پلیس کم شود و تصمیم های سیستماتیک بیشتر شود به عنوان یک برنامه بالادستی در طرح راهبردی ITS بسیار حائز اهمیت است

در باره خدمات نابینایان : ایا در جامعه هدف ما اینقدر نابینایان ما زیاد هست که برای آن تعریف سیستم ITS داشته باشیم
در تعریف سیستم نیاز باید تصمصم گیری شود.

به پلیس و اورژانس چه قابلیتی می توانیم در اختیار قرار بدهیم

در ارزیابی عملکرد هم ارزیابی کمی وجود دارد هم ارزیابی کیفی

در مطالعه تطبیقی در جامعه هدف و حوزه دیگری که خدمات ITS را پیاده سازی کرده و بیان تشابهات می توانیم میزان بهبود در عملیات را نشان دهیم

بستر ها می تواند بستر های مالی ، قانونی ، زیر ساحتی باشد

بطور مثال در حوزه فرهنگ توجه کردن
در خیلی کشور ها سیستم های Taxi Sharing دارند
و روزانه مبدا و مقصد نزدیک هست به صورت اشتراکی از خودرو همدیگر و یا تاکسی اشتراکی استفاده می کنند.

استفاده از موبایل از وسایل بسیار مهم مورد استفاده در ITS هست

سیستم مدیریت اتوبوسرانی flit management
خود این سیستم زیر سیستم های مختلف دارد

در گام ۵ : پیاده سازی ، خیلی از این پروژه ها ممکن است سازمان های توسعه سخت افزار ما توجه لازم را نداشته باشد

در فعالیت ۵-۳ طرح های اجرایی را مورد بازنگری قرار می دهیم

OD Estimation

پرسشنامه ذینفعان : محور ها :
۱- مسولیت ، نقش ها و اختیارات
۲- ارتباطات / رابط های بالقوه
۳- کاربرد ها / نو آوری های ITS
۴- نیاز های عملیاتی
۵- تامین بودجه و فرصت های تولید در آمد
۶- شیوه های مطلوب برقراری تماس
پرسشنامه ذینفعان : سوالات
۱- نیاز های مربوط به حمل و نقل
۲- مطلوب ترین خدمات ITS
۳- معیار های عملکردی کاربرد های ITS
۴- اولویت اصلی سازمان
۵- موانع موجود بر سر راه دستیابی به اولویت اصلی
۶- تحقیق در زمینه ITS
۷- مزایای ITS
۸- مزایای ITS برای ادارات حمل و نقل عمومی
۹- تجربه در خصوص ادارات قانونگذار و مجری قانون
۱۰ – فرصت های مشارکت ، بود.
کارگاه های آموزشی
نیاز های کاربران :
۱- کاهش تصادفات
۲- بهبود عملکد

 

دیدگاه های مختلف به سوی آینده
دیدگاه کاربر :
دیدگاه تجاری :
دیدگاه فرآیند :
در تحلیل ITS یکی از مهمترین کار ها شناسایی نقاط حادثه خیز است
جلسات بعدی :
چارچوب کاری ITS
طرح پیاده سازی ITS

 

استاد اصلاح طراحی هندسی خیابان ها هم جزء آی تی اس هست ؟
جواب : خیر اصلاح طراحی هندسی خیابان ها جزء آی تی اس نیست
y=f(x)

Sep 282013
 

۹۲/۰۷/۰۶
تدریس یار خوشه بندی

تابع توزیع گوسی :
یک تابع توزیع نرمال معروف هست

تابع توزیع گوسی
در خوشه بندی یک نوع ورودی داریم feature vector
مولفه های ویژگی در یک بردار جمع می شوند ( بردار ویژگی می گوییم )

در درس خوشه بندی با بردار ویژگی سر و کار داریم

مدل گوسی یک مدل پارامتریک هست
پارامتر های توزیع گوسی ” میانگین و واریانس ” هستند
این پارامتر ها در

مثلا ۱۲۰ تا بردار ویژه بیماران داریم ، یک بردار ۳ بعدی میانگین ویژگی های آن بیماران را داریم .
Multi Variable هست
واریانس در حالت کلی یک ماتریس هست

در حالت ابتدایی اگر فقط یک پارامتر را از بیماران داشته باشیم

مشابه زنگوله هست

حساسیت به ازای تغییر دلتا زیگما ،

انحراف استاندارد :

var : واریانس
cov : کواریانس
det : دترمینان
std – جزر واریانس

داده ها که به سمت میانگین نزدیک می شوند …
هر چه واریانس بیشتر شود ، زنگوله پهن تر می شود

هر ماتریس چند مولفه روی قطر دارد و چندین مولف خارج از قطر

مولفه های روی قطر : واریانس هستند
مثلا مولفه دوم : پراکندکی ( واریانس ) ویژگی قند خون را نشان می دهد

مولفه های غیر قطر : کواریانس هستند
مثلا پراکندگی قند خون و فشار خون نسبت به یکدیگر

پس ماتریس کواریانس یک کاتریس متقارن هست

بردار های ویژگی D بعدی هستند
یعنی x یک ماتریس D * 1 هست

mio هم که متوسط هست
x*mio همان D * 1 می شود

سیگما D*D هست
معکوسش هم D* D هست

 

Sep 282013
 

۹۲/۰۷/۰۶
مهندسی سیستم های تجارت الکترونیک – دکتر هاشمی

فرایند خرید و فروش و تبادل اطلاعات

فرایند های کسب و کار
برخط بودن

اجتماع
E-Business
مفهوم فراتر از e-commerce را دارد
– خدمات پس از فروش

۳ مولفه اساسی :
کالا
عوامل انجام دهنده تجارت
فرایند ها
در تجارت سنتی ، تمام مراحل تجارت به صورت سنتی و فیزیکی انجام می پذیرد

در تجارت pure EC تمام مراحل به صورت الکترونیکی انجام می گیرد

در تجارت Partial EC
تجارت الکترونیکی در فضای اینترنت و یا غیر اینترنتی هم باشد
مفهوم بازار های الکترونیکی :
مجموعه از خریداران و فروشندگان را در یکجا جمع می کنیم تا خرید و فروش در فضای الکترونیکی انجام پذیرد.
کارکرد بازار الکترونیکی با سیستم اطلاعات درون سازمانی IOS متفاوت است.

خانه یا چارچوب تجارت الکترونیکی
خدمات قابل ارائه در فضای الکترونیکی همواره لازم است

 

ec-framework
———————————
بازار یابی مستقیم
فضای جستجو
بانک انلاین
دولت الکترونیک
خرید الکترونیکی
تبادلات بین سازمانی
تجارت با دیگر عوامل تجاری انجام می پذیرد
موبایل کامرس
حراجی
سفر
انتشارات برخط

———————————
پایه های این خانه :
مردم ( خریداران – فروشنده ها – واسطه ها )
قوانین عمومی ( مالیات ها – حریم های خصوصی – قوانین – استاندار های فنی )
بازاریابی و تبلیغات (تحقیقات بازار –
خدمات پشتیبانی ( خدمات پرداخت – محتوا سازی – امنیت سیستم – توسعه )
شرکای تجاری (
———————————
زیر ساخت (مجموعه ای از تجهیزیات )
۱- زیر ساخت خدمات تجارت عمومی ( امنیت – هویت یابی – پرداخت)
۲- خدمات پیام رسانی و توزیع اطلاعات ( SMS – chat – Email – Viop – EDI
۳-تولید محتوای چند رسانه ای و زیر ساخت های توزیع و نمایش آنها –
۴- شبکه ارتباطی ( تلفن – اینترنت – تلویزیون )
۵- اینترفیس و ساختار بانک اطلاعاتی

———————————
تقسیم بندی بر اساس نوع
B2B
B2C
B2B2C مدل سه لایه
C2B
C2C
mobile commerce
تجارت الکترونیک مبتنی بر موبایل
تجارت شرکتی (گروه شرکت ها

B2E
تجارت برای کارکنان

E2E
طرح کسب و کار تجاری
BP
۱- مشخصات محصول ( خدمات ) جهت کسب در آمد
۲- فرایند و ساختار سازمانی مورد نیاز
۳- نحوه کسب در آمد برای بقای سازمان و خد اتکایی
۴- هزینه های راه اندازی کسب و کار بیان و توجیه می گردد.
۵- بستر های مورد نیاز برای راه اندازی کسب و کار مشخص می گردد
هر سیستم تجارت الکترونیکی ابزاری تسهیل کننده یا تونمند ساز در راستای اجرای یک کسب و کار تجاری است

سازمان کاملا تجاری : سازمانی که کالا یا خدمات دیگران را بفروشد.
سازمان تولیدی – تجاری : سازمانی که کالا یا خدمت خود را بفروشد.

در یک طرح کسب و کار
– خلاصه مدیریتی
محصولات و خدمات ( مشخصات – هم سنجی رقابتی )
اندازه کسب و کار
فرایند تولید محصول / ارائه خدمات
ساختار سازمانی ( تولید کننده – فروشنده – و… )
تحلیل بازار ( Market Analysis )
تفسیم بندی بازار
توان بازار و نوع مشتریان
راهبرد تعیین بازار هدف
مشخصات بازار خدمات
مشخصات بازار کالا

ارزیابی خطر پذیری ( Risk Evaluation )
نقاط ضعف کسب و کار
ارزیابی خطر پذیری در ارتباط با فناوری

برنامه اجرایی ( implementation Plan )
– فرایند تولید محصول
محل اجرا
تجهیزات و ماشین الات
تامین کنندهگاه مواد اولیه

برنامه ریزی مالی
پیش بینی حساب سود و زیان
پیش بینی جریان نقدینگی
هزینه ابزار و تجهیزات
هزینه کل

نکته :
قبل از طراحی و مهندسی هر گونه EC باید BP آن مشخص باشد.

Sep 242013
 

۹۲/۰۷/۰۲
سیستم های حمل و نقل هوشمند

RITA

سایت RITA

http://www.its.dot.gov/
یک بخش برای استخراج و نظریات کاربران ( Open Dialog ) دارد

– تحلیل ذیفعان

تحلیل ذینفعان در سیستم های its درون تونل انجام گرفته است.

نرم افزار Turbo Architecture v7.0 را بگیرید و مطالعه و تحقیق کنید.

http://www.iteris.com/itsarch/html/turbo/turbomain.htm

استاندارد های بین المللی
استاندارد های ملی داریم
استاندارد های منطقه ای
استاندارد های شرکتی
استاندارد IEEE 802
یک سری گواهینامه ها برای نور و روشنایی محیط ها هست
یک سری هم برای تکنولوژی برای ساخت پیست های مناسب
مثل سیستم های ارزیابی کنترل سرعت

تعریف های روشن از نیازمندی ها باید باشد

بایستی نسبت به تجربیات its بنفیت های خودمان را تشخیص دهیم
در بخش هزینه ها باید بررسی ها

بررسی های کتابخانه ای
تجاری سازی ITS
تطبیق پذیری ITS ( باید در بعضی از بخش ها
تجربه phoenix
معماری سطح ۰ از its
ذینفعان مختلف
NTCIP

تجربه موفق دیگر : سیستم مدیریت ترافیک درون شهری
تجربه موفق Atlanta
مسیر یابی سفر ( حوزه یکپارچه سازی سیستم های اطلاعاتی )

 

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