دانلود پاورپوینت بتن پوزولان طبیعی برای کاربردهای ساختمانی 17 اسلاید
مزایای بتن به عنوان پر کاربرد ترین مصالح ساختمانی
آلودگی محیط زیستی صنعت سیمان
در این بخش پاورپوینت کاربردهای GIS در حوزه عملکرد شهرداری و مدیریت شهری برای دانلود قرار داده شده است. این پاورپوینت در 47 اسلاید تدوین شده است. در ذیل فهرست مطالب و همچنین پیش‌نمایشی کلی از آن آورده شده است.
فهرست مطالب:
لینک دانلود و خرید پایین توضیحات
فرمت فایل word و قابل ویرایش و پرینت
تعداد صفحات: 24
کاربردهای فناوری اطلاعات در ایجاد اشتغال
1- مقدمه
در عصرحاضر اشتغال زایی یکی از دغدغه های مهم مدیران و برنامه ریزان جوامع بشری محسوب می گردد. به طوریکه در گزارشی که در سال 2000 توسط سازمان جهانی کار منتشر شد، بر این موضوع تاکید گردیده است که کشورهای جهان تا سال 2010 میلادی باید قادر به ایجاد 500 میلیون موقعیت شغلی جدید باشند (دفتر بین المللی کار، 1999). در عین حال عواملی همچون رشد اقتصادی، استقبال از مهاجرت، تغییرات چشمگیر در وضعیت جمعیتی، جهانی شدن، تسهیل در ارتباطات، تولد و شکل گیری سازمان های جدید و طرح دیدگاه های نوین در زمینه مدیریت و سازمان و همچنین تحولات شگرف در فناوری و ظهور فناوری های نو موجب تاثیرات غیرقابل انکاری بر بازار کار و مشاغل شده است. در اینجا، مهم ترین عوامل موثر بر اشتغال و مشاغل بررسی می شوند.
الف- رشد اقتصادی: افزایش آمار نیروی کار موجب افزایش قدرت خرید افراد جامعه شده و در افزایش تقاضای جامعه نمود پیدا می کند. بنگاه های تجاری نیز فعالیت های خود را توسعه داده تا پاسخگوی تقاضای جامعه باشند. از طرفی فعال شدن تجارت بین الملل نیز موجب رشد و توسعه اقتصاد جهانی خواهدشد. زنجیره تحرکات اقتصادی پیش گفته، زمینه ساز پیدایش مشاغل جدید در همه حرفه ها می گردد.
ب- تغییرات جمعیتی: ویژگی های جمعیتی مانند سن، جنسیت، پیشینه فرهنگی و سطح تحصیلات در جامعه، می تواند در تعیین نیازهای جامعه موثر باشد. یک جامعه جوان نیاز به مربیان آموزشی و مدارس بیشتری دارد در صورتی که یک جامعه پیر، نیاز بیشتری به خدمات بهداشتی و درنتیجه پزشک و پرستار دارد.
ج- جهانی شدن: انقلاب فناوری اطلاعات، کاهش هزینــه هـای مخابراتی و ظهور پدیده تار جهان گستر، موجب ورود رایانه های پر قدرت شخصی به منازل و دفاتر کار افراد شد. بتدریج نیاز زندگی و تجارت، افراد جامعه را در سراسر جهان به هم پیوند داده و مرزهای جغرافیایی را پشت سر گذاشت. چرخش سریع اطلاعات و سرمایه بین کشورها و افراد جامعه به روند جهانی شدن سرعت بخشیده و این امر نیز تاثیر بسزایی بر وضعیت اشتغال داشته است (بوتس، 1999).
در این میان یکی از فناوری هایی که طی چند دهه گذشته، اساس و بستر تحول در زندگی بشر بوده فناوری اطلاعات و ارتباطات است. به طوریکه فناوری اطلاعات و ارتباطات نه تنها خود موجب تولید موقعیت های جدید شغلی شده، بلکه زمینه ساز تغییرات بنیادی در ماهیت بسیاری از مشاغل هم بوده است (طیب، 1379).
امروزه کاربردهای متنوع و گسترده ای از فناوری های اطلاعاتی و ارتباطاتی در محیط کــار مطرح شده که از جمله آنها می توان به سیستم های خبره، پردازش تصویری، اتوماسیون اداری و روبات ها اشاره کرد. به طوریکه کاربردهای فناوری های فوق تحولات چشم گیری را بر وضعیت اشتغال نیرو و بازارکار داشته و این در حالی است که فناوری اطلاعات فرصت های بسیاری را برای اشتغال به همراه دارد .
البته این نظریه قدیمی که روند مکانیزه شدن امور و فعالیت های کاری موجب افزایش بیکاری خواهدشد، هنوز در جهان طرفدارانی دارد. ولی به راستی آیا فناوری اطلاعات اشتغال زاست یا اشتغال زدا؟ تغییرات جمعیتی چه تاثیری بر آمار بیکاری داشته است؟ آیا عصر اطلاعات می تواند موجب ظهور موقعیت های شغلی جدیدی گردد؟ آیا در فضای جدید ارتباطات، می توان افراد متقاضی شغل را با موقعیت های شغلی موجود در آن سوی جهان مرتبط ساخت؟ آیا ارتباطات مردم در دهکده جهانی تاثیری بر روند مهاجرت نخبگان خواهد داشت؟ آیا روند حرکت فناوری اطلاعات و تاثیــر آن بر موقعیت های شغلی ملت ها قابل پیش بینی است؟ و در نهـایت، آیا فناوری اطلاعات می تواند پاسخی برای حل بحران بیکاری و کارآفرینی داشته باشد؟ (بوتس، 1999). برای پاسخ به سوالات فوق به نمونه های زیر توجه کنید.
یکی از کشورها که در اشتغال زایی از رهگذر فناوری اطلاعات و ارتباطات به موفقیت های جهانی دست یافته هندوستان است. این کشور صدور محصولات نرم افزاری خود را ابتدا از ایالات متحده آمریکا، اروپا و ژاپن آغاز کرد. در سال 1984 درآمد هند از این صنعت تنها 10 میلیون دلار و در سال 89 یعنی 5 سال بعد، به 8 میلیارد دلار رسید. در تحقیقی که یکی از شرکت های بزرگ مشاوره مدیریت، به نام مک کنزی انجام داد، پیش بینی شده است که چنانچه صنعت نرم افزار هند روند کنونی را ادامه دهد، تا پایان سال 2010، درآمدی بالغ بر 87 میلیارد دلار نصیب این کشور شده و بیش از دو میلیون شغل جدید در هند ایجاد خواهدشد. جدول1 میزان درآمد کشور هندوستان ناشی از صادرات نرم افزار بین سال های 1990 تا 2008 را نشان می دهد (مطالعه پشتیبانی شده آمریکایی انجمن فناوری اطلاعات ،2000).
جدول1- میزان درآمد کشور هندوستان ناشی از صادرات نرم افزار بین سال های 1990 تا 2008 (مطالعه پشتیبانی شده آمریکایی انجمن فناوری اطلاعات،2000)
همچنین، در مطالعه دیگری که طی سال های 1985 تا 2003 در ایالات متحده آمریکا انجام شده بیانگر آن است که فناوری های اطلاعاتی و ارتباطی تاثیر بسیاری بر رشد تولید ناخالص ملی این کشور داشته و این تاثیرات همچنان در حال رشد می باشد (مقدسی، 1385، ص57). جدول 2 و نمودار 1 میزان تاثیر فناوری های
لینک پرداخت و دانلود در "پایین مطلب"
فرمت فایل: word (قابل ویرایش و آماده پرینت)
تعداد صفحات: 21
فهرست مطالب
اینترنت و کاربرد های آن: 1
اجزاء اینترنت 3
وب جهان پهنا (World Wide Web) 3
پیوندهای فرامتنی چگونه کار می کنند؟ 6
آیا یک مرورگر کافی نیست؟ 9
حرکت در مستند جاری موقع استفاده از مرورگرها: 11
پست الکترونیک (E-Mail) 12
تل نت (Telnet) 13
پروتکل انتقال فایل (FTP) 14
گروه خبری یوزنت: 16
منابع : 18
اینترنت و کاربرد های آن:
اگر به تازگی وارد دنیای اینترنت شده اید، بهتر است مروری بر مفاهیمی چون اینترنت ، وب جهان پهنا (World Wide Web) و دیگر خدمات تسهیلاتی که از طریق این شبکه جهانی فراهم می شود داشته باشید، لذا از این شماره سعی می شود مفاهیم مرتبط با اینترنت و کاربرد های آن آورده شود.
اینترنت چیست؟
اینترنت شبکه ای گسترده ای مشتمل بر مجموعه ای از شبکه ها می باشد. در این شبکه، کامپیوتر ها با هم مرتبط می باشند و برای ارتباط خودشان سلسله پروتکل های TCP/IP استفاده می کنند. هر یک از این کامپیوتر ها از نرم افزار برای تامین اطلاعات یا خدمات اطلاع رسانی بهره می گیرند و دسترسی و دیدن اطلاعات را فراهم می سازند.
لینک دانلود و خرید پایین توضیحات
فرمت فایل word و قابل ویرایش و پرینت
تعداد صفحات: 165
مقدمه ای بر شبکه های عصبی مصنوعی و کاربردهای آن:
امروزه با شکسته شدن پی در پی استقلال ، شاخه های مختلف علوم و بهره وری شاخه ای از شاخه ی دیگر و پیشبرد مسائل پیچیده خود، پیوستگی و لاینفک بودن تمامی شاخه های علوم را نمایان تر می سازد که سرمنشأ تمامی آنها از یک حقیقت نشأت گرفته و آن ذات باری تعالی است.اولین تلاش ها به منظور ارائه ی یک مدل ریاضی برای سیستم عصبی انسان در دهه 40 توسط Mcculloch , pitts انجام شد ، که حاصل آن یک نورون ساده ی تک لایه ویک روش برای آموزش آن بود . در ادامه ی این کار Hebb نتایج آزمایشات پاولف را در مورد شرطی شدن ،گسترش داد و یک روش برای یادگیری ارائه کرد . در سال 1958 ،Rossonblatt شبکه ی پرسپترون را ارائه کرد . بعد از مدتی اثبات شد شبکه ی عصبی پرسپترون تک لایه نمی تواند تابع ساده ای مانند EX-OR را بیاموزد .بنابراین تقریباً تا دهه ی 80 تلا ش ها برای گسترش شبکه ی عصبی بسیار کم بود. سپس در طی یک مقاله اثبات شد که شبکه ی عصبی پرسپترون چند لایه می تواند به عنوان یک تخمین گر جهانی مطرح شود . بدین معنی که این شبکه قابلیت دارد هر تابع غیرخطی را با دقت دلخواه مدل سازی کند . از آن به بعد شبکه های عصبی مصنوعی گسترش یافتند و در زمینه های بسیاری از آنها استفاده شد .
سیستم شبکه ی عصبی مصنوعی از مغز وسیستم عصبی انسان الهام گرفته شده و مانند مغز انسان از تعداد زیادی نورون تشکیل شده است . این شبکه ها مانند مغز انسان دارای قابلیت یادگیری هستندکه از مزیت های عمده ی این سیستم هاست در مواردی که نتوانیم یک الگوریتم حل به صورت فرمولی بیابیم یا تعداد زیادی مثال از ورودی و خروجی سیستم موردنظرمان در اختیار داشته باشیم و بخواهیم برای آن سیستم ، مدل ارائه کنیم یا اینکه یک ساختار از اطلاعات موجود بدست آوریم ، استفاده از شبکه های عصبی مصنوعی سودمند است . تاکنون برای شبکه های عصبی توپولوژی های مختلف همراه با کاربردهای متنوع ارائه شده است که طیف وسیعی از موضوعات را پوشش می دهد .
الهام از نورون واقعی :
سیستم عصبی انسان و مغز وی متشکل از ترکیب و به هم پیوستن تعداد زیادی سلول به نام نورون می باشد . تعداد نورون های مغز انسان به طور متوسط حدود 100 تریلیون می باشد . یک نورون دارای تعداد زیادی ورودی و یک خروجی است . خروجی می تواند دو حالت فعال یا غیرفعال را اختیار کند . در یک نورون ورودی ها تعیین می کنند که خروجی نرون فعال یا غیرفعال باشد . یک نرون از یک حجم سلولی ، تعداد زیادی « دنوریت » به عنوان ورودی و یک « اکسون » به عنوان خروجی تشکیل شده است.
به محل اتصال اکسون یک سلول به دنوریت های یک سلول دیگر نیز «سیناپس » می گویند که نقش بسزایی در سیستم عصبی ایفا می کند . سیناپس می تواند در طول دوره ی یادگیری نسبت به سیگنال های ورودی تغییر کند .در این قسمت به قانون یادگیری «هبی» اشاره می کنیم . این قانون به طور ساده به این صورت می باشد که اگر ورودی های یک نرون به طور مکرر منجر به فعال شدن خروجی شود ، یک تغییر متابولیک در سیناپس اتفاق می افتد که در طی آن مقاومت سیناپس نسبت به آن ورودی خاص کاهش می یابد.
مدل ریاضی نرون :
یک نرون مجموع وزن های ورودی را حساب کرده و براساس یک تابع فعالیت ( که در حالت ساده می تواند یک Threshold باشد ) خروجی را تعیین می کند . اگر این مجموع از ترشلد بیشتر باشد خروجی نرون « یک » می شود در غیر این صورت خروجی نرون منفی یک ( 1- ) خواهد شد .
به عنوان مثال یک شبکه عصبی ساده به نام perceptron را در نظر می گیریم این شبکه در شکل زیر نشان داده شده است در این شبکه چند ورودی وجود دارد که یکی از آنها مربوط به بایاس است . تابع فعالیت نورون نیز به صورت یک ترشلد خطی می باشد و شبکه دارای یک خروجی است . در این شبکه سیناپس ها به صورت وزن های اتصالات در نظر گرفته شده است . به عنوان مثال فرض کنید که می خواهیم یک OR منطقی را به وسیله ی این شبکه مدل کنیم. هدف از الگوریتم یادگیری ، بدست آوردن وزن های مناسب برای حل مسئله ی مورد نظر ما می باشد .
قانون یادگیری شبکه به صورت زیر است که بیان کننده ی تغییرات وزن ، نرخ سرعت یادگیری و یک عدد ثابت می باشد .D بیان کننده ی خروجی مطلوب است که در الگوهای آموزشی وجود دارد Y بیان کننده ی خروجی به دست آمده از شبکه است و بیان کننده ورودی است .یادگیری همان طور که قبلاً اشاره شد ، از شبکه های عصبی مصنوعی برای مدل کردن سیستم هایی که غیرخطی یا جعبه سیاه هستند و ما از دینامیک داخلی سیستم خبری نداریم و فقط یک سری (ورودی – خروجی ) از سیستم داریم ، می توان استفاده کرد . بدین ترتیب که ابتدا یک توپولوژی مناسب از شبکه در نظر می گیریم، تعداد و نحوه ی اتصالات نورون ها را مشخص می کنیم و یک سری وزن های ابتدایی برای اتصالات در نظر می گیریم . در مرحله ی آموزش، هدف این است که با اعمال مجموعه «ورودی – خروجی » های سیستم مورد نظر وزن های اتصالات را طوری تنظیم کنیم که بتوانیم با دادن ورودی هایی غیر از ورودی های مجموعه ی آموزشی مان خروجی متناسب با سیستم مورد نظر بدست بیاوریم . به بیان دیگر بتوانیم سیستم رامدل کنیم.
در شکل توپولوژی یک شبکه عصبی که دارای لایه های مختلفی است ، این شبکه ، ازلایه های مختلفی تشکیل شده که بیان کننده ی نحوه ی اتصال نورون ها به یکدیگر می باشد . لایه ی ورودی شامل نورون نبوده و فقط بیان کننده ی ورودی هاست . به نورون هایی که مستقیم ، به خروجی متصل می شوند، لایه ی خروجی گفته می شود .بقیه لایه ها - غیر از ورودی و خروجی - لایه های پنهان نام دارند . به طور کلی فرآیند یادگیری را می توان به 3 دسته تقسیم کرد.
1- یادگیری نظارت شده Supervised Learning در این روش همان طور که قبلاً اشاره شد یک مجموعه ی آموزشی در نظر گرفته می شود و یادگیرنده بر اساس یک ورودی عمل کرده و یک خروجی به دست می آورد . سپس این خروجی توسط یک معلم که می تواند خروجی مورد نظر ما باشد مورد ارزیابی قرار می گیرد و براساس اختلافی که با خروجی مطلوب دارد یک سری تغییرات در عملکرد یادگیرنده به وجود می آید . این تغییرات می تواند، وزن های اتصالات باشد . یک مثال برای این روش الگوریتم « پس انتشار خطا »Back propagation error می باشد که در شبکه های پرسپترون برای آموزش ، مورد استفاده قرار می گیرد.
2- یادگیری نظارت نشده unsupervised Learning در این روش، حین فرآیند یادگیری از مجموعه های آموزشی استفاده نمی شود و به اطلاعات در مورد خروجی مطلوب نیز نیاز ندارد . در این روش معلمی وجود ندارد . و معمولاً برای دسته بندی وفشرده سازی اطلاعات استفاده می شود . یک مثال برای این روش الگوریتم kohonen می باشد .
3- یادگیری تقویتی Rein forcement learning در این روش یک معلم به عنوان یاد دهنده وجود ندارد و خود یادگیرنده با سعی
