دانلود و نمایش مقالات مرتبط با big data::صفحه 1

بلافاصله پس از پرداخت دانلود کنید

کارابرن عزیز، مقالات سایت ( همگی جزو مقالات isi می باشند) بالاترین کیفیت ترجمه را دارند، ترجمه آنها کامل و دقیق می باشد (حتی محتوای جداول و شکل های نیز ترجمه شده اند) و از بهترین مجلات isi مانند IEEE، Sciencedirect، Springer، Emerald و ... انتخاب گردیده اند.

پشتیبانی
اپلیکشن اندروید
آرشیو مقالات
ورود اعضا
توجه توجه توجه !!!!
تمامی مقالات ترجمه شده ، انگلیسی و کتاب های این سایت با دقت تمام انتخاب شده اند. در انتخاب مقالات و کتاب ها پارامترهای جدید بودن، پر جستجو بودن، درخواست کاربران ، تعداد صفحات و ... لحاظ گردیده است. سعی بر این بوده بهترین مقالات در هر زمینه انتخاب و در اختیار شما کاربران عزیز قرار گیرد. ضمانت ما، کیفیت ماست.
نرم افزار winrar

از نرم افزار winrar برای باز کردن فایل های فشرده استفاده می شود. برای دانلود آن بر روی لینک زیر کلیک کنید
دانلود

پیوندهای کاربردی
پیوندهای مرتبط
نتیجه جستجو - big data

تعداد مقالات یافته شده: 389
ردیف عنوان نوع
1 گرایشات تحقیقاتی روی داده های بزرگ در بازاریابی: تحلیل منابع علمی برمبنای واکاوی متن و مدلسازی عنوان
سال انتشار: 2018 - تعداد صفحات فایل pdf انگلیسی: 7 - تعداد صفحات فایل doc فارسی: 22
باتوجه به علاقه مندی به تحقیق روی داده های بزرگ در بازاریابی، ما یک تحقیق و تحلیلی روی منابع علمی موجود را برمبنای یک دیدگاه نیمه – خودکار واکاوی متن با هدف شناسایی گرایشات اصلی در این حوزه ارائه می دهیم. به ویژه، این تحلیل روی موضوعات و عناوین مرتبط با 5 بُعد یعنی داده های بزرگ، بازاریابی، مکان جغرافیایی کشور یا قاره ای که نویسنده به آن متعلق است، محصولات و بخشها تمرکز دارد. درکل 1560 مقاله چاپ شده از 2010 تا 2015مورد بررسی قرار گرفت. یافته ها آشکار کردند که این تحقیق بین حوزه های فنی و تحقیقاتی قرار گرفته است و مقالات مربوط به داده های بزرگ به وضوح با روشهایی ایجاد کننده سودهای بازاریابی همتراز نیستند. همچنین مقالات بین – قاره ای اندکی یافت شد که با همکاری نویسنده ها نوشته شده باشد. به علاوه، یافته ها نشان می دهند که تحقیقات در کاربرد داده های بزرگ در بازاریابی هنوزهم در یک مرحله اولیه قرار دارد و بنابراین توسعه تلاشهای بیشتر در زمینه کسب و کار برای پیشرفت داده های بزرگ در حوزه بازاریابی را ضروری می کند.
کلیدواژه ها: داده های بزرگ | بازاریابی | تحلیل منابع علمی | گرایشات تحقیقاتی | واکاوی متن
مقاله ترجمه شده
2 Using Big Data to Discover Diagnostics and Therapeutics for Gastrointestinal and Liver Diseases
استفاده از داده های بزرگ برای کشف تشخیص و درمان برای دستگاه گوارش و کبد-2017
Technologies such as genome sequencing, gene expression profiling, proteomic and metabolomic analyses, electronic medical records, and patient-reported health information have produced large amounts of data from various populations, cell types, and disorders (big data). However, these data must be integrated and analyzed if they are to produce models or concepts about physiological function or mechanisms of pathogenesis. Many of these data are available to the public, allowing researchers anywhere to search for markers of specific biological processes or therapeutic targets for specific diseases or patient types. We review recent advances in the fields of computational and systems biology and highlight opportunities for researchers to use big data sets in the fields of gastroenterology and hepatology to complement traditional means of diagnostic and therapeutic discovery.
Keywords: Big Data | Translational Bioinformatics | Drug Repurposing | Precision Medicine.
مقاله انگلیسی
3 Utilizing Cloud Computing to address big geospatial data challenges
ستفاده از محاسات ابری برای پرداختن به چالش های داده های جغرافیایی بزرگ-2017
Big Data has emerged with new opportunities for research, development, innovation and business. It is charac- terized by the so-called four Vs: volume, velocity, veracity and variety and may bring significant value through the processing of Big Data. The transformation of Big Datas 4 Vs into the 5th (value) is a grand challenge for pro- cessing capacity. Cloud Computing has emerged as a new paradigm to provide computing as a utility service for addressing different processing needs with a) on demand services, b) pooled resources, c) elasticity, d) broad band access and e) measured services. The utility of delivering computing capability fosters a potential solution for the transformation of Big Datas 4 Vs into the 5th (value). This paper investigates how Cloud Computing can be utilized to address Big Data challenges to enable such transformation. We introduce and review four geospatial scientific examples, including climate studies, geospatial knowledge mining, land cover simulation, and dust storm modelling. The method is presented in a tabular framework as a guidance to leverage Cloud Computing for Big Data solutions. It is demostrated throught the four examples that the framework method supports the life cycle of Big Data processing, including management, access, mining analytics, simulation and forecasting. This tabular framework can also be referred as a guidance to develop potential solutions for other big geospatial data challenges and initiatives, such as smart cities.© 2016 The Authors. Published by Elsevier Ltd. This is an open access article under the CC BY license(http://creativecommons.org/licenses/by/4.0/).
Keywords: Big Data | Cloud Computing | Spatiotemporal data | Geospatial science | Smart cities
مقاله انگلیسی
4 ViSiBiD: A learning model for early discovery and real-time prediction of severe clinical events using vital signs as big data
ViSiBiD: مدل های یادگیری برای کشف زودرس و پیش بینی زمان واقعی از حوادث بالینی شدید با استفاده از علائم حیاتی به عنوان داده های بزرگ-2017
The advance in wearable and wireless sensors technology have made it possible to monitor multiple vital signs (e.g. heart rate, blood pressure) of a patient anytime, anywhere. Vital signs are an essential part of daily monitoring and disease prevention. When multiple vital sign data from many patients are accumulated for a long period they evolve into big data. The objective of this study is to build a prognostic model, ViSiBiD, that can accurately identify dangerous clinical events of a home-monitoring patient in advance using knowledge learned from the patterns of multiple vital signs from a large number of similar patients. We developed an innovative technique that amalgamates existing data mining methods with smartly extracted features from vital sign correlations, and demonstrated its effectiveness on cloud platforms through comparative evaluations that showed its potential to become a new tool for predictive healthcare. Four clinical events are identified from 4893 patient records in publicly available databases where six bio-signals deviate from normality and different features are extracted prior to 1–2 h from 10 to 30 min observed data of those events. Known data mining algorithms along with some MapReduce implementations have been used for learning on a cloud platform. The best accuracy (95.85%) was obtained through a Random Forest classifier using all features. The encouraging learning performance using hybrid feature space proves the existence of discriminatory patterns in vital sign big data can identify severe clinical danger well ahead of time.
Keywords: Big data | Vital sign | Cloud computing | Correlations | Knowledge discovery | Data mining
مقاله انگلیسی
5 Visualizing the knowledge structure and evolution of big data research in healthcare informatics
بصری سازی ساختار دانش و تکامل تحقیقات داده های بزرگ در انفورماتیک بهداشتی-2017
Background: In recent years, the literature associated with healthcare big data has grown rapidly, but few studies have used bibliometrics and a visualization approach to conduct deep mining and reveal a panorama of the healthcare big data field. Methods: To explore the foundational knowledge and research hotspots of big data research in the field of healthcare informatics, this study conducted a series of bibliometric analyses on the related literature, including papers’ production trends in the field and the trend of each paper’s co-author number, the distribution of core institutions and countries, the core literature distribution, the related information of prolific authors and innovation paths in the field, a keyword co-occurrence analysis, and research hotspots and trends for the future. Results: By conducting a literature content analysis and structure analysis, we found the following: (a) In the early stage, researchers from the United States, the People’s Republic of China, the United Kingdom, and Germany made the most contributions to the literature associated with healthcare big data research and the innovation path in this field. (b) The innovation path in healthcare big data consists of three stages: the disease early detection, diagnosis, treatment, and prognosis phase, the life and health promotion phase, and the nursing phase. (c) Research hotspots are mainly concentrated in three dimensions: the disease dimension (e.g., epidemiology, breast cancer, obesity, and diabetes), the technical dimension (e.g., data mining and machine learning), and the health service dimension (e.g., customized service and elderly nursing). Conclusion: This study will provide scholars in the healthcare informatics community with panoramic knowledge of healthcare big data research, as well as research hotspots and future research directions.
Keywords: Big data | Healthcare informatics | Bibliometrics | Knowledge structure | Knowledge management
مقاله انگلیسی
6 روشهای تحلیل کلان داده در علوم اجتماعی
سال انتشار: 2017 - تعداد صفحات فایل pdf انگلیسی: 5 - تعداد صفحات فایل doc فارسی: 12
روشهای تحلیل کلان داده از موضوعات جذاب در حوزه علوم اجتماعی و تمام علوم محسوب میشود ، زیرا آنها میتوانند مجموعه داده ها را در جاهایی که تعداد متغیرها به مراتب بیشتر از تعداد موارد است را مورد تجزیه و تحلیل قرار دهند . بطور کلی ، روشهای تحلیل کلان داده بدنبال جستجوی خوشه بندیهای پایدار و بالقوه پیچیده / و یا پیش بینی داده ها هستند ، در حالیکه گامهای تهاجمی را نمیتوان بصورت تصادفی در اینموارد انجام داد . در مورد نکته سوم ، روشهای تحلیل داده های کلان اغلب در مورد ترکیب داده ها ، متغیرها اغراق میکنند ، و مدلی بمنظور اطمینان از راه حل ها ارایه میکنند ، بویژه در مواردی که روشهای آماری سنتی بندرت میتوانند اینکار را انجام دهند ، بجز در مواردی که موارد استثناء وجود دارد (مانند روشهای اعتبارسنجی متقابل ،مدلهای متغیر پنهان ) .
رونق پیشرفتهای روش شناختی و ابزار موردنیاز ، موجب شد تا دانشمندان علوم اجتماعی جعبه ابزار وسیعی را برای استفاده در اختیار داشته باشند . هدف از این موضوع فراهم ساختن برخی راهکارها برای محققان علوم اجتماعی است که ممکن است از روشهای تحلیل کلان داده ها که در دسترس قرار دارند احساس گیجی کنند و یا این روشها را مبهم بخوانند . علیرغم احساس گیجی و مستغرق بودن دانشمندان در فکر ، (یا شاید بخاطر آن) ، دانشمندان اجتماعی بصورت فزاینده ایی در جستجوی درک روشهای تحلیل کلان داده ها هستند و به تجزیه و تحلیل منطقی در مورد سووالاتِ تحقیق و داده ها میپردازند . امیدواریم این بررسی بتواند به این مسئله کمک کند ، و برخی منابع مهم را تقویت کند که :
a. ایجاد درک اساسی از روشهای مدلسازی کلیدی که برای کلان داده ها در دسترس قرار دارد .
b. -تجهیز نمودن محققان با مجموعه ایی از ابزار ، بر مبنای این روشها که در دسترس قرار دارند تجزیه و تحلیل داده ها انجام میشوند .
c. ارائه ی نمونه های اموزنده از برنامه های کاربردی مهم که برای روش شناختی کلان داده ها در علوم اجتماعی مورد استفاده قرار میگیرند .
منابعی که در زیر ارایه شده اند بدقت انتخاب شده اند ، امیدواریم در وقت ارزشمندِ خوانندگان روش شناختی کلان داده ها صرفه جویی نموده باشیم . توصیف هر یک از منابع بمعنای جامع بودن آنها نیست ، در عوض ، انها سیگنالهایی برای کشف بیشتر راه های انتخابی و استراتژیکی ارایه میکنند .
مقاله ترجمه شده
7 Is tourism a driver for smart specialization? Evidence from Apulia, an Italian region with a tourism vocation
آیا گردشگری یک هدایت کننده برای تخصص هوشمند است؟ شواهدی از آپولیا، یک منطقه ایتالیایی با حرفه های گردشگری-2017
This regional spotlight demonstrates how tourism can be used to promote smart regional growth. Specifically, the study focuses on Apulia, a region of Italy that is attempting to achieve intelligent, sustainable, and inclusive growth through the use of a smart specialization strategy. Smart specialization is a strategy for supporting the socio-economic development of the European Union, based on identifying regional vocational areas and industries, and promoting place-based entrepreneurial development there. The relevance of tourism for smart specialization is confirmed by the dynamics that are currently reconfiguring the sector into a regionally-integrated and knowledge-intensive industry. This regional spotlight therefore aims to highlight the implications and strategic actions for the marketing and management of Apulia as a smart destination by demonstrating how its vocational identity as a regional tourism destination can be suitable as a means of promoting structural development and broader socio-economic wellbeing.
Keywords: Smart destination | Smart tourism | Regional development | Apulia | Big data | Smart specialization
مقاله انگلیسی
8 مقاله‌ای تحقیقاتی: ماشین آلات، آزادسازی و طرح‌های اقتصادی
سال انتشار: 2017 - تعداد صفحات فایل pdf انگلیسی: 5 - تعداد صفحات فایل doc فارسی: 13
این مقالات تحقیقاتی گزارشی از پیشرفت‌های رایانش و ایجاد کلان داده در بخش تأسیسات و ماشین آلات خارج از بزرگراه ارائه می‌کند. مروری بر منابع علمی موضوعی انواع گوناگونی از طرح‌های تحقیقاتی و پیشرفت‌های صنعتی را با یکدیگر می‌آمیزد و نمونه‌های خاصی از پیشرفت‌های فناوری را نشان می‌دهد. بحث در مورد تأثیر این عوامل بر اشتغال در آینده به این نتیجه ختم می‌شود که رایانش جای ایجاد بیکاری عمده، افق اشتغال را تغییر داده و به شکل دهی جامعه اقتصادی جهانی ادامه می‌دهد. برای بشریتی که باید بر ماشین آلات چیره شود و خود را برده فناوری نکند، مشخصاً آموزش حائز اهمیت است. از این رو، تغییرناپذیرسازی مقررات آموزشی نسبت به تحولات آینده تا حد زیادی در بازار اشتغال فردا مهم جلوه می‌کند. این مقاله تحقیقاتیِ تشویق کننده ایده‌ها و دیدگاه‌های تئوریک جدیدی را مطرح می‌کند که بطور خاص برای تحریک بحث‌های آکادمیک در این زمینه علمی جدید و به سرعت در حال توسعه طراحی شده‌اند.
کلیدواژه‌ها: داده های بزرگ | کامپیوتری سازی | رباتیک | تأسیسات و ماشین آلات خارج از بزرگراه
مقاله ترجمه شده
9 رویکردهای حسگر فشرده برای نظارت بر وضعیت و تجسم آسیب مبتنی بر اسکن لیزر
سال انتشار: 2017 - تعداد صفحات فایل pdf انگلیسی: 8 - تعداد صفحات فایل doc فارسی: 15
نظارت بر وضعیت (CM) و تست غیر تخریبی با مشکل داده‌های بزرگ مواجه می‌شوند زیرا نیاز دارند که به طور مداوم داده‌های موج یا ارتعاش را با سرعت نمونه گیری بالا بسنجند. در این مقاله رویکردهای حسگر فشرده برای هر دو طرح نظارت بر شرایط و تست غیرتخریبی پیشنهاد شده‌اند تا به طور موثر میزان زیادی داده را مدیریت کنند و همچنین قابلیت تشخیص آسیب فرآیند فعلی را بهبود ببخشند. حسگر فشرده یک پارادایم حسگر/نمونه برداری جدید است که در مقایسه با روش‌های نمونه گیری سنتی، تعداد نمونه‌های بسیار کمتری را در نظر می‌گیرد. برای آزمایشات CM، یک سیستم چرخشی ساخته شده استفاده می‌شود و تمامی داده‌ها به طور فشرده نمونه‌گیری می‌شوند تا داده‌های فشرده ایجاد شوند. ویژگی‌های سیگنال‌های بهینه بدون فرآیند بازسازی استخراج شده و برای تشخیص و طبقه بندی آسیب استفاده شده‌اند. همچنین تست غیرمخرب با استفاده از اسکن فشرده و سیستم لرزش گیر لیزر دوپلر (LDV)مجهز به دستگاه کج آینه انجام شد. فیلدهای موج با اسکن یک الگوی تصادفی و فشرده در مقیاس فضایی انجام شد و فیلدهای موج کامل از داده‌های فشرده‌ی اندازه گیری شده بدست آمدند. سپس منطقه‌ی آسیب شناسایی شده و با استفاده از پردازش سیگنال مبتنی بر عدد موج تجسم سازی شد. نتایج تجربی نشان داد که روش پیشنهادی می‌تواند به طور موثر سرعت پردازش داده و دقت تشخیص نظارت بر وضعیت و تست غیرمخرب را بهبود بخشد.
کلمات کلیدی: حسگر فشار | نظارت بر وضعیت | تست غیرتخریبی | ارتعاش سنج لیزری داپلر | شناسایی خسارت و آسیب
مقاله ترجمه شده
10 An optimization model for green supply chain management by using a big data analytic approach
یک مدل بهینه سازی برای مدیریت زنجیره تامین سبز با استفاده از رویکرد تحلیلی داده های بزرگ-2017
This paper presents a multi-objective optimization model for a green supply chain management scheme that minimizes the inherent risk occurred by hazardous materials, associated carbon emission and economic cost. The model related parameters are capitalized on a big data analysis. Three scenarios are proposed to improve green supply chain management. The first scenario divides optimization into three options: the first involves minimizing risk and then dealing with carbon emissions (and thus economic cost); the second minimizes both risk and carbon emissions first, with the ultimate goal of minimizing overall cost; and the third option attempts to minimize risk, carbon emissions, and economic cost simultaneously. This paper provides a case study to verify the optimization model. Finally, the limitations of this research and approach are discussed to lay a foundation for further improvement.
Keywords: Hazardous materials | Inherent risk | Carbon emissions | Multi-objective optimization | Green supply chain management | Big data analysis
مقاله انگلیسی
موضوعات
footer