دانلود و نمایش مقالات مرتبط با مدل پرداخت::صفحه 1
بلافاصله پس از پرداخت دانلود کنید

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). 

نتیجه جستجو - مدل پرداخت

تعداد مقالات یافته شده: 2
ردیف عنوان نوع
1 Preoperative Prediction of Value Metrics and a Patient-Specific Payment Model for Primary Total Hip Arthroplasty: Development and Validation of a Deep Learning Model
پیش بینی قبل از عمل از معیارهای ارزش و یک مدل پرداخت خاص برای بیمار برای آرتروپلاستی کامل باسن اولیه: توسعه و اعتبارسنجی یک مدل یادگیری عمیق-2019
Background: The primary objective was to develop and test an artificial neural network (ANN) that learns and predicts length of stay (LOS), inpatient charges, and discharge disposition for total hip arthroplasty. The secondary objective was to create a patient-specific payment model (PSPM) accounting for patient complexity. Methods: Using 15 preoperative variables from 78,335 primary total hip arthroplasty cases for osteoarthritis from the National Inpatient Sample and our institutional database, an ANN was developed to predict LOS, charges, and disposition. Validity metrics included accuracy and area under the curve of the receiver operating characteristic curve. Predictive uncertainty was stratified by All Patient Refined comorbidity cohort to establish the PSPM. Results: The dynamic model demonstrated “learning” in the first 30 training rounds with areas under the curve of 82.0%, 83.4%, and 79.4% for LOS, charges, and disposition, respectively. The proposed PSPM established a risk increase of 2.5%, 8.9%, and 17.3% for moderate, major, and severe comorbidities, respectively. Conclusion: The deep learning ANN demonstrated “learning” with good reliability, responsiveness, and validity in its prediction of value-centered outcomes. This model can be applied to implement a PSPM for tiered payments based on the complexity of the case.
Keywords: deep learning | artificial intelligence | total hip | payment model | prediction
مقاله انگلیسی
2 الگوریتم بهینه کارای زمان ‌بندی وظایف در محیط محاسبات ابری
سال انتشار: 2014 - تعداد صفحات فایل pdf انگلیسی: 6 - تعداد صفحات فایل doc فارسی: 12
محاسبات ابری یک تکنولوژی نوظهور در محاسبات توزیع شده است که مدل پرداخت به ازای درخواست کاربر و نیازمندی را تسهیل می‌بخشد. ابر از مجموعه‌ای از ماشین‌های مجازی تشکیل شده است که شامل هر دو امکانات محاسباتی و ذخیره‌سازی می‌باشد. هدف اصلی محاسبات ابری دسترسی کارآمد به منابع از راه دور و از لحاظ جغرافیایی توزیع شده است. ابر روز به روز در حال توسعه است و با چالش‌های بسیاری همچون زمان‌بندی مواجه است. زمان‌بندی به مجموعه‌ای از سیاست‌ها برای کنترل کارهایی که توسط سیستم کامپیوتری انجام می‌شود، اشاره دارد. زمان‌بند خوب استراتژی زمان‌بندی خود را طبق تغییرات محیط و نوع وظیفه سازگار می‌سازد. در این مقاله ما یک الگوریتم تعمیم اولویت برای اجرای کارآمد وظایف و مقایسه آن با FCFS و زمان‌بندی نوبت گردشی ارائه کرده‌ایم. الگوریتم باید در ابزار cloudSim تست شود و نتایج نشان می‌دهد که الگوریتم ارائه شده عملکرد بهتری در مقایسه با سایر الگوریتم‌های زمان‌بندی سنتی دارد.
کلمات کلیدی: محاسبات ابری | زمانبندی وظایف | ماشین مجازی
مقاله ترجمه شده
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi
بازدید امروز: 4680 :::::::: بازدید دیروز: 0 :::::::: بازدید کل: 4680 :::::::: افراد آنلاین: 69