چکیده: امروزه دانش به عنوان یک سرمایه و دارایی غیرملموس جایگاه مهمی در سازمان ها پیدا کرده است. به کارگیری هرچه بهتر و موثرتر دانش سازمانی به صورت سازمان دهی شده و مدیریت شده و تلفیق آن در فرهنگ سازمانی، پیشرفتی قابل توجه از لحاظ اقتصادی، اجتماعی و فرهنگی در سازمان ها ایجاد می کند. اما از سوی دیگر مدیریت دانش ناموفق هم می تواند هزینه هنگفتی را به سازمان تحمیل کند. بنابراین شناخت عوامل موفقیت مدیریت دانش و به کار بردن آنها می تواند راهنمایی برای مدیریت بهتر آن باشد. عوامل موفقیت مدیریت دانش در سازمان ها از زوایای مختلف در تحقیقات گوناگون مورد بحث و بررسی قرار گرفته و مورد کاوی های مختلفی در سازمان ها و شرکت ها در جهان برای بررسی این عوامل صورت گرفته است. در این مقاله سعی شده تا با دیدگاهی متفاوت این عوامل در چرخه مدیریت دانش یعنی کسب و تولید دانش، عرضه و به اشتراک گذاری دانش و به کارگیری دانش استخراج شده و چارچوبی برای این عوامل ارائه شود. همچنین اولویت این عوامل در هر مرحله با استفاده از آزمون های مناسب آماری مشخص می شود. بر اساس نتایج به دست آمده از این تحقیق، 17 عامل رتبه اول تا هفتم را در بین عوامل اولویت دار در سه مرحله فرایند کسب، عرضه و به کارگیری دانش به خود اختصاص داده اند و از میان آنها، عوامل مشوق های انگیزشی مناسب، حمایت مدیریت ارشد، یادگیری مداوم و فضای آزاد سازمانی بیشترین فراوانی را در هر سه فرایند داشته اند.
کلمه های کلیدی:• مدیریت دانش• عوامل موفقیت• چرخه مدیریت دانشفایل زیر شامل یک شبیه سازی بسیار کامل در زمینه الگوریتم چند هدفه اجتماع ذرات می باشد. اما مهمترین تفاوت این فایل در مقایسه با سایر کارها که در جایی دیگری یافت نمی شود در این است که در این شبیه سازی الگوریتم چند هدفه کوانتوم اجتماع ذرات مبتنی بر معیار پارتو ارائه شده است. در زمینه الگوریتم کوانتوم اجتماع ذرات مقالات جدید منتشر شده اما کدی از آن در جایی دیگری وجود ندارد. به عنوان آگاهی ما به مقاله زیر به عنوان مرجع مناسب در زمینه کد الگوریتم چند هدفه کوانتوم اجتماع ذرات اشاره می نماییم. این الگوریتم جدید بوده و می توانید در کارهای خود از آن استفاده نمایید و مقالات جدید منتشر نمایید. برنامه بر روی یک سیستم نمونه اجرا شده و خروجی ها هم به دست آمده که در شکل کنار مشاهده می نمایید.
http://www.sciencedirect.com/science/article/pii/S1568494615008030
شرح مختصر : این مقاله یک الگوریتم جدید به نام ID6NB را برای توسعه درخت تصمیم ، معرفی میکند که شامل الگوریتم ID3غیر افزایشی Quinlanاست. این الگوریتم راهحلهایی برای دو مشکل ذیل ارائه میکند: وضعیتی که در آن رای گیری اکثریت تصمیم نادرست میدهد (یعنی ساخت دو نوع قانون متفاوت برای داده یکسان.) کاهش ابعاد در الگوریتم غیر افزایشی درخت تصمیمگیری، تخمین صفت مناسب برای یک گره جایی که دو یا چند صفت بهره اطلاعاتی یکسانی دارند. مشکل اکثریت به کمک الگوریتم Naive Bayesحل میشود. برای کاهش ابعاد نیز یک راه حل ارائه شده است. در نهایت، دقت طبقه بندی به شدت بهبود یافته است. آزمایش گسترده و گسترش یافته در تعدادی از مجموعه دادههای واقعی و مصنوعی نشان میدهد که ID6NB یک الگوریتم دسته بندی state-of-the-art است که نسبت به سایر روشهای یادگیری درخت تصمیمگیری، خروجی بهتری دارد.
فهرست :
مقدمه
سیستم مبتنی بر دانش
تئوری اطلاعات و کلاس بندی
کاهش ابعاد و انتخاب ویژگی
قالب بندی مقاله
کارهای مرتبط
وضعیت مسئله
کارهای پیشنهادی
رخداد استثنا در کاهش ابعاد طول
حل و فصل رخداد استثنا در کاهش ابعاد
رخداد استثنا به علت شکست رای گیری اکثریت
حل مسئله رد رای گیری برچسب کلاس جایی که رای گیری اکثریت با شکست مواجه می شود
قوانین Beta و Alpha
نتایج تجربی و ارزیابی عملکرد
ارزیابی عملکرد بررسی مجموعه داده های Monk
کاهش ابعاد
دقت پیش بینی
نتایج پیاده سازی
نتیجه گیری