با سلام خدمت کاربران در صورتی که با خطای سیستم پرداخت بانکی مواجه شدید از طریق کارت به کارت (6037997535328901 بانک ملی ناصر خنجری ) مقاله خود را دریافت کنید (تا مشکل رفع گردد).
ردیف | عنوان | نوع |
---|---|---|
501 |
Business Intelligence for the Radiologist: Making Your Data Work for You
هوش تجاری برای رادیولوژیست: ساخت داده های کاری برای شما-2014 Although it remains absent from most programs today, business intelligence (BI) has become an integral part of
modern radiology practice management. BI facilitates the transition away from lack of understanding about a
system and the data it produces toward incrementally more sophisticated comprehension of what has happened,
could happen, and should happen. The individual components that make up BI are common across industries and
include data extraction and transformation, process analysis and improvement, outcomes measures, performance
assessment, graphical dashboarding, alerting, workflow analysis, and scenario modeling. As in otherfields, these
components can be directly applied in radiology to improve workflow, throughput, safety, efficacy, outcomes, and
patient satisfaction. When approaching the subject ofBI in radiology, it is important to know what data are available
in your various electronic medical records, as well as where and how they are stored. In addition, it is critical to verify
that the data actually represent what you think they do. Finally, it is critical for success to identify the features and
limitations of the BI tools you choose to use and to plan your practice modifications on the basis of collected data. It
is equally important to remember that BI plays a critical role in continuous process improvement; whichever BI
tools you choose should beflexible to grow and evolve with your practice.
Key Words:Analytics, graphical dashboarding, business intelligence, business analytics, information
visualization |
مقاله انگلیسی |
502 |
Trends in big data analytics
روندهایی در تجزیه و تحلیل داده های بزرگ-2014 One of the major applications of future generation parallel and distributed systems is in big-data analytics.
Data repositories for such applications currently exceed exabytes and are rapidly increasing in size.
Beyond their sheer magnitude, these datasets and associated applications’ considerations pose significant
challenges for method and software development. Datasets are often distributed and their size and privacy
considerations warrant distributed techniques. Data often resides on platforms with widely varying
computational and network capabilities. Considerations of fault-tolerance, security, and access control are
critical in many applications (Dean and Ghemawat, 2004; Apache hadoop). Analysis tasks often have hard
deadlines, and data quality is a major concern in yet other applications. For most emerging applications,
data-driven models and methods, capable of operating at scale, are as-yet unknown. Even when known
methods can be scaled, validation of results is a major issue. Characteristics of hardware platforms and the
software stack fundamentally impact data analytics. In this article, we provide an overview of the stateof-the-art and focus on emerging trends to highlight the hardware, software, and application landscape
of big-data analytics.
Keywords:
Big-data
Analytics
Data centers
Distributed systems |
مقاله انگلیسی |
503 |
The diffusion stages of business intelligence & analytics (BI&A): A systematic mapping study
مراحل انتشار هوش تجاری و تجزیه و تحلیل (BI & A): مطالعه نقشه برداری سیستماتیک-2014 Business intelligence & analytics (BI&A) has evolved to become a foundational cornerstone of enterprise decision
support. Since the way BI&A is implemented and assimilated is quite different among organizations is important to
approach BI&A literature by four selected diffusion stages (adoption, implementation, use and impacts of use). The
diffusion stages assume a crucial importance to track the BI&A evolution in organizations and justify the investment
made. The main focus of this paper is to evidence BI&A research on its several diffusion stages. It provides an
updated bibliography of BI&A articles published in the IS journal and conferences during the period of 2000 and
2013. A total of 30 articles from 11 journals and 8 conferences are reviewed. This study contributes to the BI&A
research in three ways. This is the first systematic mapping study focused on BI&A diffusion stages. It contributes
to see how BI&A stages have been analyzed (theories used, data collection methods, analysis methods and
publication source). Finally, it observes that little attention has been given to BI&A post-adoption stages and
proposes future research line on this area.
Keywords:BI&A; business intelligence & analytics; implementation; adoption; use; impacts; benefits; systematic
mapping study |
مقاله انگلیسی |
504 |
Big data analytics for knowledge generation in tourism destinations–A case from Sweden
تجزیه و تحلیل داده های بزرگ برای تولید دانش در مقصدهای گردشگری - موردی از سوئد-2014 This paper presents a knowledge infrastructure which has recently been implemented as a genuine
novelty at the leading Swedish mountain tourism destination, Åre. By applying a Business Intelligence
approach, the Destination Management Information System Åre (DMIS-Åre) drives knowledge creation
and application as a precondition for organizational learning at tourism destinations. Schianetz,
Kavanagh, and Lockington’s (2007) concept of the‘Learning Tourism Destination’ and the‘Knowledge
Destination Framework’ introduced by Höpken, Fuchs, Keil, and Lexhagen (2011)build the theoretical
fundament for the technical architecture of the presented Business Intelligence application.
After having introduced the development process of indicators measuring destination performance
as well as customer behaviour and experience, the paper highlights how DMIS-Åre can be used by
tourism managers to gain new knowledge about customer-based destination processes focused on preand post-travel phases, like“Web-Navigation”, “Booking”and“Feedback”. After a concluding discussion
about the various components building the prototypically implemented BI-based DMIS infrastructure
with data from destination stakeholders, the agenda of future research is sketched. The agenda
considers, for instance, the application of real-time Business Intelligence to gain real-time knowledge
on tourists’ on-site behaviour at tourism destinations.
Keywords:
Big data analytics
Tourism destination
Destination management information
system
Business intelligence
Data mining
Online Analytical Processing (OLAP) |
مقاله انگلیسی |
505 |
System of Systems and Big Data analytics – Bridging the gap
سیستمی از سیستم ها و تجزیه و تحلیل ترافیک داده های بزرگ - حذف فاصله-2014 Large data has been accumulating in all aspects of our lives for quite some time. Advances
in sensor technology, the Internet, wireless communication, and inexpensive memory have
all contributed to an explosion of ‘‘Big Data’’. System of Systems (SoS) integrate independently operating, non-homogeneous systems to achieve a higher goal than the sum of
the parts. Today’s SoS are also contributing to the existence of unmanageable ‘‘Big Data’’.
Recent efforts have developed a promising approach, called ‘‘Data Analytics’’, which uses
statistical and computational intelligence (CI) tools such as principal component analysis
(PCA), clustering, fuzzy logic, neuro-computing, evolutionary computation (such as genetic
algorithms), Bayesian networks, etc. to reduce the size of ‘‘Big Data’’ to a manageable size
and apply these tools to (a) extract information, (b) build a knowledge base using the
derived data, and (c) eventually develop a non-parametric model for the ‘‘Big Data’’. This
paper demonstrates how to construct a bridge between SoS and Data Analytics to develop
reliable models for such systems. The subject material for this demonstration is using data
analytics to generate a model to forecast produced photovoltaic energy to assist in the optimization of a micro grid SoS. Tools like fuzzy interference, neural networks, PCA, and
genetic algorithms are used. |
مقاله انگلیسی |
506 |
تحلیل و پیشبینی رفتار کاربر محاسبات ابری مبتنی بر ردیابی با استفاده از روش مدلسازی فراکتال
سال انتشار: 2014 - تعداد صفحات فایل pdf انگلیسی: 7 - تعداد صفحات فایل doc فارسی: 25 امروزه به دلیل رشد سریع حجم دادههایی که باید در حوزههای مختلف علمی و تکنولوژی پردازش شود، مسئلهی تحلیل داده های بزرگ موردتوجه پژوهشهای زیادی قرارگرفته است. در این مقاله قصد داریم به بررسی مشخصههای درخواستهای محاسبات ابری که توسط اپراتورهای زیر ساختار ابری دریافت می¬شود بپردازیم. همچنین، مجموعه دادهای خوشه ای که توسط گوگل منتشر شده است را مورد مطالعه قرار میدهیم. بهمنظور حل مسئلهی مربوط به مشخصههای غیر ثابت و خود تشابهی پروفایل بارکاری در سیستم محاسبات ابری، از تکنیکهای مدلسازی فراکتال مشابه با بعضی از اپلیکیشن های سیستم فیزیکی-سایبری (CPS ) استفاده شده است. یک پیشبینی مبتنی بر ردیابی در خصوص زمان بین ورود یک کار و درخواست منبعی که در آیندهای نزدیک به خوشه سرور ارسال میشود نیز بهصورت کارآمد و بهوسیلهی حل معادلات دیفرانسیلی مرتبه فراکتال انجامشده است. توزیع پارامترهای مهمی مانند زمان کار/وظیفه و زمان درخواست منبع به ازای هر وظیفه برحسب پردازنده، حافظه و فضای ذخیرهسازی، که از مجموعه دادهای خوشه استخراج شده است، با استفاده از یک توزیع پایدار-آلفا بهدستآمده است.
کلمات کلیدی: محاسبات ابری | توزیع پایدار-آلفا | حساب انتگرال سفارشی فراکشنال | مجموعه داده خوشه ای گوگل |
مقاله ترجمه شده |
507 |
راه حل های داده های بزرگ در مقیاس کوچک: ارزیابی محاسبات با کارایی بالا و قابلدسترس برای تحقیقات اجتماعی
سال انتشار: 2014 - تعداد صفحات فایل pdf انگلیسی: 12 - تعداد صفحات فایل doc فارسی: 32 اگرچه پژوهشهایی که در خصوص داده های بزرگ صورت گرفته است، سرشار از امید بوده و جای پیشرفت داشته دارد، ولی باید توجه داشت که پیشرفت موفقیتآمیز این پژوهشها در گرو دسترسی به جدیدترین، پیشرفتهترین و درعینحال گرانترین سیستمهای سختافزاری و همچنین تخصص لازم و مورد نیاز برای ساخت و پیادهسازی چنین سیستمهایی میباشد. در نتیجه، دسترسی به راهحلهای فناوری مرتبط با کلان دادهها که تعداد آنها هم رو به رشد است، شاید برای تجزیهوتحلیل در حوزهی کسبوکار آسان نباشد. سرویسهای پرداخت به ازای ذخیرهسازی/پردازش ، مشابه با سرویسهای وب آمازون باعث شده تا دریچهها و احتمالاتی جدید برای پروژههای کوچکتر کلان دادهای فراهم شود. در جامعهشناسی و علوم انسانی دیجیتال، تقاضای روز افزونی برای این نوع پژوهش وجود دارد. با این حال، با توجه به رشد اندازه و پیچیدگی مجموعههای دادهای موجود، محققین با مشکلاتی در انجام پژوهشهای خود بر روی این دادهها روبرو میباشند. بدون سرمایهگذاری کلان و یا توانایی در ایجاد همکاریها و مشارکتهای میانرشتهای، محققین فقط در فرآیند استفاده از کلان دادهها به شکلی موفق عمل کردهاند. در این مقاله قصد داریم تا چندین فناوری عمده و گستردهی مرتبط با کلان دادهها را که با استفاده از سیستمهای ابری (کلود) قدرتمند و بزرگ پیادهسازی گردیده است ارائه دهیم و امکانپذیری و کاربردپذیری فرآیند توسعهی سیستمهای تحلیلی کلان دادهها را که با استفاده از سختافزارهای کمهزینه (که در پیکربندیهای اولیه و آسان پیادهسازی شدهاند) را به منظور استفاده از این فناوریها در پژوهشهای اجتماعی و دانشگاهی بررسی کنیم. در بررسیها و کاوشهایی که بر روی یک مطالعهی موردی (در حوزهی رو به رشدِ تجزیهوتحلیل شبکهی اجتماعی توئیتر) انجام دادهایم، یافتهایم که نه تنها میتوان از راهحلهای تحلیلی کلان دادهها همچون هادوپ (آپاچی) و کلودرا استفاده کرد بلکه این راه حلها میتوانند نتایج پژوهشی عمیق، دقیق و پر باری را در سناریوهای کاربردی مختلف ارائه دهند.
کلمات کلیدی: داده های بزرگ | روشهای پژوهشی رسانهی اجتماعی | روشهای پژوهشی داده های بزرگ | علوم انسانی دیجیتال | جامعهشناسی دیجیتال | توئیتر |
مقاله ترجمه شده |
508 |
تجزیه و تحلیل های داده های بزرگ در حوزه بهداشت و سلامت: دیدگاه های حاضر، چالش ها و راه حل های بالقوه
سال انتشار: 2014 - تعداد صفحات فایل pdf انگلیسی: 14 - تعداد صفحات فایل doc فارسی: 34 سیستم های اطلاعاتی جدید در زمینه بهداشت و سلامت، می توانند هر ساله، یک میلیارد گیگابایت از داده های مربوط به بیماران را تولید نماید، لذا به همین خاطر "داده های بزرگ بهداشت و سلامت" نامیده می شوند. بسیاری از مدیران و متخصصان حوزه بهداشت و سلامت معتقدند که با چنین داده هایی، می توان اطلاعات و معلومات مفید و باارزشی را برای بهبود تدابیر و سیاست گذاری ها، افزایش ایمنی و حذف هزینه های مازاد و غیرضروری، استخراج نمود. هدف از مقاله حاضر، بحث و بررسی خصوصیات داده های بزرگ و همچنین چالش ها، و راه حل هایی برای تجزیه و تحلیل های داده های بزرگ (BDA )- پروسه استخراج اطلاعات از مجموعه داده های بزرگ بهداشت و سلامت- و طراحی و ارزیابی چارچوب بهم پیوسته برای استفاده بعنوان راهنما/مرجعی در تجزیه و تحلیل های داده های بزرگ بهداشت و سلامت است.
کلمات کلیدی: بهداشت و درمان | تجزیه و تحلیل های داده های بزرگ | BDA | داده کاوی | محاسبات ابری |
مقاله ترجمه شده |
509 |
روند تجزیه و تحلیل داده های بزرگ
سال انتشار: 2014 - تعداد صفحات فایل pdf انگلیسی: 13 - تعداد صفحات فایل doc فارسی: 43 یکی از کاربردهای عمده نسل آتی سیستم های موازی و توزیع شده، مربوط به تحلیل داده های بزرگ است. مخازن داده برای چنین کاربردهایی امروزه بیش از چندین اگزابایت بوده و به سرعت نیز در حال افزایش هستند. علیرغم حجم بسیار زیاد این مخازن، این دیتاست ها و همچنین اپلیکیشن های نظیر آنها، چالش های عمده ای را برای متدها و نرم افزارهای برنامه نویسی مربوطه ایجاد کرده اند. دیتاست ها معمولا توزیع شده بوده و نیز حجم آنها و دسترسی مجاز به آنها توسط تکنیک های توزیع شده تضمین شده است. داده ها معمولا روی یک پلت فورم با قابلیت محاسباتی و شبکه ای بالا، مقیم هستند. توجه به میزان تحمل خطا، امنیت، و کنترل دسترسی موضوع مهمی در بسیاری از کاربردهاست (Dean and Ghemawat, 2004; Apache hadoop). تسک های (task) تحلیلی معمولا ضرب العجل های معینی دارند و نیز در آنها کیفیت داده ها مهم ترین مخاطره نسبت به دیگر کاربردهاست. برای بیشتر کاربردهای درحال ظهور، مدل ها و متدهای مبتنی بر داده، که قادر به عملیات در مقیاس های مختلف هستند، هنوز برایمان ناشناخته است. حتی درصورتی که متدهای شناخته شده مقیاس پذیر باشند، اعتبارسنجی نتایج آنها موضوع مهمی خواهد بود. مشخصات پلت فورم های سخت افزاری و نیز پشته های نرم افزاری، اساسا تحلیل داده ها را تحت تاثیر قرار داده اند. در این مقاله، ما با مرور به روزترین تکنولوژی، بررسی بر گرایش های در حال ظهور در در این زمینه خواهیم داشت تا براین اساس تشریحی بر سخت افزار، نرم افزار و دورنمای کاربردی تحلیل داده های بزرگ ارائه دهیم.
کلمات کلیدی: داده های بزرگ | تجزیه و تحلیل | مراکز داده | سیستم های توزیع شده |
مقاله ترجمه شده |
510 |
مراحل انتشار اطلاعات هوش تجاری و تحلیلی (BI &A) : مطالعه نقشه برداری سیستماتیک
سال انتشار: 2014 - تعداد صفحات فایل pdf انگلیسی: 8 - تعداد صفحات فایل doc فارسی: 16 اطلاعات هوش تجاری و هوش تحلیلی (BI&A) برای تبدیل به سنگ بنای بنیادین پشتیبان تصمیم سرمایه¬گذاری شکل گرفته است. از انجاییکه مسیر اجرا و تلفیق BI&A در میان سازمان ها تقریبا متفاوت است، بسیار مهم است که رویکرد منابع علمی BI&A در چهار مرحله برگزیده از انتشار (اتخاذ، اجرا، استفاده و تاثیر استفاده) تعیین شود. مرحله انتشار اهمیت قابل توجهی به بررسی تکامل BI&A در سازمان ها و توجیه روش سرمایه گذاری، در نظر می گیرد. هدف اصلی این مقاله اثبات تحقیق و بررسی BI&A در چندین مرحله از انتشار ان است؛ که فهرست جدیدی از مقالات چاپ شده BI&A در ژورنال ها و همایش های طی دوره 2000 و 2013، ارائه می دهد. تعداد 30 مقاله از 11 مجله و 8 کنفرانس مرور و بازبینی گردید. این مطالعه به سه روش در بررسی BI&A مشارکت می کند. این مقاله اولین مطالعه نقشه یابی سیستماتیک با هدف مراحل انتشار BI&A است. مقاله حاضر به بررسی این موضوع می پردازد که چگونه مراحل BI&A مورد تجزیه و تحلیل قرار می گیرند (تئوری های مورد استفاده، روش های جمع اوری داده ها، روش های انالیز و منابع انتشار). در نهایت، نتایج حاصل نشان می دهد که توجه ناچیزی در مراحل پس از تصویب BI&A بعمل امده است، که پیشنهاد می شود تحقیقات بعدی بیشتری در این حوزه صورت گیرد.
کلمات کلیدی: BI&A، هوش تجاری& تجزیه و تحلیل، اجرا، سازگاری، استفاده، اثرات، منافع، مطالعه نقشه-برداری سیستماتیک
|
مقاله ترجمه شده |