محاسبه اندازه کارایی در تحلیل پوششی داده ها برای مجموعه داده های بزرگ با استفاده از شبکه عصبی

محاسبه اندازه کارایی در تحلیل پوششی داده ها برای مجموعه داده های بزرگ با استفاده از شبکه عصبی


  • 342 بازدید

 آکادمی داده  که به زودی پنجمین سال فعالیت خود را جشن می گیرد سالهاست به دنبال ایجاد محتوای مفید برای علاقه مندان علوم داده‌کاوی، متن کاوی و علوم مرتبط با علم داده، مدیریت دانش، هوش تجاری و مباحث مرتبط است.  آکادمی داده  امیدوار است با این اقدامات بتواند اثری هر چند اندک در افزایش آگاهی علاقه مندان به این حوزه ها داشته باشد. در این سری مقالات  آکادمی داده  تلاش دارد مقالات جالب، جدید، پر محتوا و اثرگزار را در علوم داده‌کاوی، متن کاوی، مدیریت دانش، هوش تجاری و مباحث مرتبط ارایه نماید. در این سری مقالات ابتدا مقدمه و سپس نتیجه گیری مقالات ارایه شده است و سپس‌ فایل پی دی اف مقاله برای دانلود رایگان علاقه مندان توسط  آکادمی داده تهیه شده و قابل دانلود است.

چکیده 
تحلیل پوششی داده ها یک تکنیک ریاضی برای بررسی عملکرد واحدهای با چند ورودی و خروجی است، در سال های اخیر استفاده از تحلیل پوششی داده ها در مباحث تصمیم گیری مورد توجه بیشتری بوده است و از طرفی پیچیده تر شدن مسائل زندگی حقیقی، منجر به ایجاد مسائل تحلیلی پوششی داده ها با پایگاه داده های بزرگ شده است، شبکه های عصبی مصنوعی مجموعه بزرگی از پردازش های موازی هستند که توسط واحدهایی به نام نرون، می توانند مسائل بسیار پیچیده را حل کنند. در این پایان نامه سعی بر آن است که با آموزش یک شبکه عصبی، زمان پردازش و استفاده از حافظه را نسبت به آنچه مورد نیاز روش های متعارف در تحلیل پوششی داده ها است، به مقدار زیادی کاهش دهیم. مقاله امروزنژاد و شاله از الگوریتم شبکه عصبی پس انتشار بهره گرفته و کارایی واحدها را مشخص کردند. در این پایان نامه ضمن بررسی روش آنها جزییات بیشتری از آن را مطرح خواهیم ساخت.

تحلیل پوششی داده ها تکنیکی برای ارزیابی عملکرد واحدهای تصمیم گیرنده می باشد. بررسی عملکرد واحدهای تصمیم گیرنده شامل مباحثی مانند اندازه گیری کارایی، تعیین بازده به مقیاس، رتبه بندی واحدهای شناسایی تراکم، تحلیل حساسیت و غیره می باشد. محاسبه اندازه کارایی می تواند با استفاده از مدل های مختلفی صورت پذیرد که با توجه به اندازه کارایی می توان واحدهای کارا و ناکارا را مشخص نموده و از طریق همین مدل ها الگوهایی برای واحدهای ناکارا معرفی کرد. هر واحد تصمیم گیرنده با مصرف بردار ورودی، پردار خروجی را تولید می کند و با توجه به این که ورودی از جنس هزینه و خروجی از جنس سود می باشد لذا واحدی عملکرد بهتری دارد که با ورودی کمتر، خروجی بیشتری تولید نماید. توجه به این نکته ضروری است که برای ارزیابی هر واحد تصمیم گیرنده، نیاز به حل یک مساله برنامه ریزی خطی داریم، بعبارت دیگر برای ارزیابی تمامی واحدهای تصمیم گیرنده مجبوریم به تعداد واحدهای تصمیم گیرنده مسائل برنامه ریزی خطی حل کنیم. از طرفی دیگر هرگاه تعداد ورودی یا خروجی ها و یا تعداد واحدهای تصمیم گیرنده زیاد باشد، پیچیدگی محاسباتی برای ارزیابی واحدهای تصمیم
گیرنده زیاد خواهد بود. لذا با توجه به کاربرد تحلیل پوششی داده ها در زمینه های مختلف مدیریتی و صنعتی و استقبال روزافزون از این تکنیک برای ارزیابی واحدهای تحت ارزیابی در سازمان های بزرگ، توجه به مشکل پیچیدگی محاسباتی ضروری بنظر می رسد.

این مقاله توسط آکادمی داده تهیه شده است و از طریق لینک قابل دسترسی است. محققین علاقه مند می توانند آن را به صورت رایگان دریافت نمایند. 

اگر در حال پژوهش در حوزه داده کاوی هستید، سوالات و اشکالات خود را از طریق تلگرام با آکادمی داده در میان بگذارید. با عضو شدن در کانال تلگرام  آکادمی داده از مقالات جدید و دیتاست های منتشر شده مطلع شوید. 

مجموعه مقالات فارسی در مورد کلان داده و بیگ دیتا که شامل صد 100 مقاله فارسی در مورد الگوریتم ها و روش های کلان داده و بیگ دیتا است به صورت یکجا نیز از طریق لینک قابل دسترسی هستند. 

اگر در زمینه داده کاوی در حال تحقیق یا پیاده سازی پروژه یا پایان نامه هستید برای گرفتن مشاوره یا دادن سفارش انجام با ما تماس بگیرید.  آکادمی داده در تلگرام (https://t.me/dataacademyحضور دارد برای ارتباط از طریق ایمیل آدرس جیمیل: dataacademyir@gmail.com می باشد.