شبکه - 114787

---

شرح پروژه

سلام

تمرینها را همراه با حل تمرینهای مشابه میفرستم، بی زحمت بررسی کنید ببینید میتونید انجامش بدید؟
ضمنا یک نمونه فیلم تمرین حل شده توسط دانشجوی ترم قبل که استاد در کلاس نشان داده میفرستم خدمتتون، که نمونه اونم داشته باشید
یکسری تمرینها مربوط به مقاله و PawerBI و spss و ... میباشد
سپاس بیکران🙏

نمونه کار دانشجوی ترم قبل☝️

تمرین های کلاس

محور اول: پایگاه ها و AI علمی


یک عبارت (از واژگان تخصصی گرایش تحصیلی خود) در هوش مصنوعی اسکوپوس جستجو کنید.
۱-کوئری کامل مربوطه را اخذ کنید و آن را در اسکوپوس جستجو کنید.
۲- نقشه مفهومی موضوع را از scopus AI ذخیره کنید.
۳- روندهای آینده (تمهای تکمیلی) موضوع را جستجو کنید.

محور دوم
(ادامه تمرین اول - پایگاه های استنادی)

از طريق کوئری اخذ شده در مرحله قبل در پایگاه اسکوپوس (article title و اگر نشد subject) جستجو کنید.

۴- لیست بازیابی را بر اساس سال انتشار‌، subject area، نوع سند و موارد دیگر فیلتر و خالص کنید.

۵- جورنال سه بازیابی اول را لحاظ کنید، ناشر، مقدار citescore و sjr ، چارک و اچ ایندکس هر جورنال را در حوزه های موضوعی ایندکس شده آن مشخص کنید.

۶- نویسنده و دانشگاه پرکار جستجوی خود را شناسایی کنید. اچ ایندکس نویسنده سه سند اول بازیابی مشخص کنید.

۷- روند آینده موضوع جستجو را از طریق سایتیشن یکی از مقالات بازیابی شده تا زمان فعلی شناسایی کنید. این فرایند کاوش را در گوگل اسکالر هم انجام دهید. روند گذشته یکی از مقالات را تا دو لایه تحلیل کنید.

۸- فایل پی دی اف یکی از مقالات را (از طریق ناشر مقاله، شبکه اجتماعی علمی یا گوگل اسکالر یا سای هاب یا
... ) پیدا و ذخیره کنید. فایل را در هوش مصنوعی scispace بارگذاری کرده و سه تحلیل از آن بگیرید.
۹- از لیست بازیابی، اطلاعات بیبلیومتریک ده سند اول را از طریق زوتروی خود (فرمت ris) به سای اسپیس منتقل کرده (سینکرونایز کنید). سه پرسش از کتابخانه ايجاد شده بپرسید.
۱۰- در سای اسپیس همان جستجوی اسکوپوس را انجام داده و برای همه ۵ بازیابی ارائه شده، محتوای یافته، روش، نتیجه گیری و کانتریبیشون ایجاد کنید.

۱۱- محتوای ارائه شده از گام قبل را از طریق سای اسپیس humanize کنید و درصد استفاده از ai را در آن دیتکت کنید. یک متن را با سای اسپیس generate کنید.

ادامه تمرین های کلاس

محور سوم: اکتشاف و روندیابی مفهومی (بیبلیومتریکس و ساینتومتریکس)

دو تمرین در این فایل ارائه شده
👇

محور چهارم: Power BI


نه تمرین در صفحه آخر این فایل 👇ارائه شده. فایل داده هم در جدول ابتدای همین فایل لینک شده.
👇
 محور پنجم تمرینها: آمار و spss

حدود ۲۰ عنوان تمرین (از پیش پردازش، توصیفی و استنباطی) که در ادامه ذکر میشود.
ادامه تمرینها
محور 5: تمرین های آمار
در فایل cholesterol test
1- داده های پرت دو متغیر weight و cholesterol را از طریق نمودار جعبه ای شناسایی و حذف کنید.
2- مقادیر میسینگ دو متغیر weight و cholesterol را جایگذاری کنید.
3- متغیر جدیدی به نام weight2 ایجاد کنید که مقادیر متغیر weight را در سه گروه 1، 2 و 3 (به ترتیب متناظر با سبک وزن، نرمال و سنگین وزن) قرار داده باشد. در تب variable view ارزش مقادیر (values) این متغیر را معادل همین سه نام تعریف کنید.
4- متغیر جدیدی به نام heartattack ایجاد کنید که مقادیرآن با این فرمول ساخته شده باشند (راهنمایی: از طریق compute):
Heartattack= ln(2* weight+ cholesterol)
توضیح: ln همان لگاریتم بر پایه عدد نپر (e) است.
5- پارامترهای مرکزی، پراکندگی و انحراف از قرینگی متغیرها را گزارش و تفسیر کنید.
6- برای دومتغیر weight و cholesterol منحنی «نرمال کرو» را روی نمودار هیستوگرام آن دو ترسیم کرده و با توجه به شاخص چولگی و کشیدگی، وضعیت توزیع دو متغیر مذکور را در مقایسه با توضیح نرمال مفروض هر یک ترسیم کنید و توضیح دهید.
7- با فرض اینکه این داده ها مربوط به یک جامعه آماری باشند، با فرمول کوکران (اکسل زیر) با خطای e= 0.04 و آلفای معادل 0.05 حجم نمونه را برآورد کرده و مشخص کنید از هر یک از طبقات وزنی سبک، نرمال و سنگین چه تعداد نمونه لازم است (راهنمایی: تصادفی طبقه ای و جدول تناسب).
8- نرمال بودن متغیر weight را بر اساس آزمون کولمگروف اسمیرنف بررسی و با تحلیل چولگی مقایسه کنید.
9- بین دو متغیر weight و cholesterol همبستگی گرفته و شدت و جهت آن راتفسیر کنید.
10- ترکیب های مختلف (اسمی رتبی، اسمی نسبی، رتبی نسبی) متغیرهای gender، weight2، cholesterol و heartattack را در نظر گرفته همبستگی را در هر حالت به روش ناپارامتریک خود اجرا کرده و شدت و جهت همبستگی در هر حالت زوج متغیر را تفسیر کنید.
11- با فرض متغیرهای weight2، cholesterol و weight به عنوان متغیر مستقل، و متغیر heartattack به عنوان وابسته، رگرسیون را اجرا کنید. ضریب تبیین را تفسیر کنید. معنی داری پارامترها را تفسیر کنید. ضرایب رگرسیون (B) و مقادیر نرمال (بتا) را تفسیر کنید. معادله رگرسیون را بنویسید.
12-
محور ششم تمرینها: داده کاوی و modeler

۱۰ تمرین (مصورسازی، تکنیکها، اعتبارسنجی)
محور 6
تمرینهای داده کاوی
 1- هر یک از تکنینکهای داده کاوی توصیفی و پیش بینانه، برای چه نوع متغیرهایی (اسمی یا رتبی یا نسبی) قابل اجرا است. نتیجه را در قالب یک جدول گزارش کنید به شکلی که ستونهای آن متشکل باشند از نام تکنیک، متغیرهای ورودی، متغیرهدف و توضیح (ازهوش مصنوعی کمک بگیرید).
2- در فایل فشرده ذیل، تعدادی پوشه مرتبط با یک یا چند تکنیک داده کاوی وجود دارد. داده های اکسل داده را بررسی و درصورت نیاز با تکنیکهای لازم تمیز کنید. بعد از فهم داده ها (متغیرها یا سرستونها) درهر فایل اکسل، تحلیل توصیفی متغیرها را از طریق عملگر data audit گزارش کنید. از طریق عملگر گرف بورد، نمودارهای دو بعدی و سه بعدی مناسب برای تحلیل و کاوش داده های هر فایل را ترسیم کنید و سپس نمودارهای معنی دار را ترسیم و نتایج را تفسیر کنید.
3- تکنیک خوشه بندی مناسب را (برای دو فایل اکسل مناسب برای این تکنیک) اجرا کنید. کیفیت مدل خوشه بندی را ارزیابی کنید. متغیرهای تعیین کننده (determinant) را شناسایی کنید. تکنیکهای اصلاحی شامل بررسی دوباره فایل داده و فیلتر کردن متغیرهای کمتر موثر یا گمراه کننده، حذف داده های پرت، اصلاح نقش متغیر یا تبدیل مقیاس متغیر و... را انجام داده و دوباره مدل را اجرا کنید. عملگر auto cluster را امتحان کرده و عملکرد تکنیک پیشنهادی را با تکنیکی که اجرا کردید مقایسه کنید.
4- ابعاد مفهومی هر خوشه را از طریق مقایسه نموداری متغیر به متغیردر آن خوشه، تحلیل کنید و بر این اساس، هر خوشه را با یک عنوان مناسب برچسب بزنید. با عملگر گراف برد نمودار سه بعدی ترسیم کنید و شماره خوشه را با رنگ به عنوان متغیر چهارم در نموداراضافه کنید و خوشه ها را تفسیر و سیاستها و تنظیم گری مناسب برای هر خوشه را ارئه دهید.
5- در فایلهای پیش بینانه (عنوان پوشه یک پیشنهاد برای تکنیک مناسب اکسل درون آن است)، هر فایل را با نسبت 50-50 به test و train بشکنید و مدل پیش بینانه مربوطه را اجرا کنید. تکنیکهای اصلاحی تخصصی هر مدل را اجرا کنید. خروجی مدل را در قالب جدول (از طریق عملگر table) اخذ کنید. با تناظر دادن مقادیر واقعی و پیش بینی شده، مقادیر TP-TN-FP-FN را شمارش کرده و شاخصهای accuracy، recall و precision را برای خروجی هر مدل محاسبه کنید. از طریق عملگر analyse نیز مدل را ارزیابی کنید.
6- نمودارها، جداول و اشکال تخصصی هر مدل (خروجی تکنینک) را ترسیم و تفسیر کنید.
7- به هر مدل اجرا شده (الماس)، فایل تست (score) متناظر را داده و اتربیوت (یا همان متغیر) تارگت را از طریق عملگر جدول اخذ کنید.
8- عملگرهای auto classifier و auto numeric را (با توجه به نوع متغیر تارگت) برای هر فایل پیش بینانه اجرا کنید و عملکرد تکنیک پیشنهاد شده اول را با تکنیکی که خودتان در بند 5 اجرا کردید مقایسه کنید.
9- بر اساس فهمی که از خروجی های هر تکنیک کسب کرده اید (چه خوشه بندی و چه پیش بینانه)، خط مشی یا راهبردها و رویه ها و اقدامات تنظیمگری مناسب را ارائه کنید (این بند امتیاز اضافی دارد).
https://my.uupload.ir/f/bipc1/%D8%AD%D9%84%20%D8%AA%D9%85%D8%B1%DB%8C%D9%86
حل تمرینهای مشابه ☝️
فقط زحمت بکشید سرچ مقالات را مرتبط با رشته مدیریت خط مشی گذاری و تصمیم گیری انتخاب فرمایید
ضمنا مابقی حل تمرینها در همین لینک بارگذاری میشود
سپاس🙏
این فیلم ها 👇رو توی گروه دانشگاه بارگذاری کرده بودند که مربوط به ترم های قبل بود میشه ازش استفاده کرد
https://drive.google.com/drive/folders/115ONBUMnumPvkoTFdyM4E0LXP1kSeMC0?usp=sharing
ویدئوی کارگاه پاور بی آی


https://drive.google.com/drive/folders/1z5xrhkwNNWjU5DnjGLUT-la69eHDcVCD?usp=sharing
سلام
بله درس کاربرد علم داده در مدیریت

۴۲ تمرین در ۶ محور

چهارشنبه ۲۶ تیر

این پروژه شامل 3 فایل مهم است، لطفا قبل از ارسال پیشنهاد حتما نسبت به بررسی این فایل اقدام فرمایید.

مهارت ها و تخصص های مورد نیاز

---

---