ابوالفضل گندمی

ابوالفضل گندمی

مدرک تحصیلی: دانشیار دانشکده مدیریت دانشگاه تهران، تهران، ایران

مطالب
ترتیب بر اساس: جدیدترینپربازدید‌ترین

فیلتر های جستجو: فیلتری انتخاب نشده است.
نمایش ۱ تا ۲ مورد از کل ۲ مورد.
۱.

شناسایی عوامل درون سازمانی مؤثر بر جذب سپرده های سرمایه گذاری مدت دار و ارائه راهکارهای مناسب بانک پاسارگاد استان قم(مقاله علمی وزارت علوم)

نویسنده:
منبع: مدیریت فرهنگ سازمانی سال هفدهم بهار ۱۳۹۸ شماره ۱ (پیاپی ۵۱) 65 - 83

کلید واژه ها: تبلیغات تجهیز منابع تنوع خدمات سود پرداختی مهارت کارکنان

حوزه های تخصصی:
تعداد بازدید : ۴۲۰ تعداد دانلود : ۲۸۰
هدف این پژوهش شناسایی و اولویت بندی عوامل درون سازمانی مؤثر بر جذب سپرده های سرمایه گذاری مدت دار در بانک پاسارگاد استان قم از دیدگاه مشتریان بود. تحقیق از نظر هدف کاربردی و گردآوری اطلاعات توصیفی پیمایشی است. بر اساس هدف تحقیق با بررسی پیشینه موضوع و استفاده از دیدگاه خبرگان پنج عامل به منزله عوامل مؤثر شناسایی شدند. این عوامل عبارت اند از: تبلیغات، سود پرداختی، تعدد شعب، تنوع خدمات، مهارت کارکنان. بر این اساس پرسش نامه تحقیق تدوین شد. جامعه آماری را مشتریان بانک پاسارگاد استان قم تشکیل دادند و چون جامعه آماری مورد نظر نامحدود بود با استفاده از فرمول نمونه گیری جامعه نامحدود، با سطح اطمینان 95 درصد، تعداد 204 نفر به عنوان نمونه آماری انتخاب شدند و در نهایت 196پرسش نامه جمع آوری شد. به منظور بررسی روایی، پرسش نامه به استادان مدیریت و تعدادی از مدیران بانک ارائه شد و بیش از 70 درصد خبرگان در خصوص پرسش نامه نظر موافق داشتند و بدین ترتیب روایی پرسش نامه تأیید شد. برای محاسبه ضریب قابلیت اعتماد از روش آلفای کرونباخ استفاده شد و ضریب 814/0 به دست آمد. در بخش آمار استنباطی از آزمون میانگین یک جامعه آماری کولموگروف اسمرینوف و فریدمن استفاده شد. تحلیل داده ها نشان داد همه عوامل شناسایی شده، به منزله عوامل مؤثر بر جذب سپرده های سرمایه گذاری مدت دار، اهمیت دارند با اولویت سود پرداختی، تنوع خدمات، مهارت کارکنان، تبلیغات، و تعدد شعب.
۲.

A Two-Stage Method for Diagnosing COVID-19, Leveraging CNN, and Transfer Learning on CT Scan Images(مقاله علمی وزارت علوم)

نویسنده:
منبع: International Journal of Web Research, Volume ۶, Issue ۲,Autumn-Winter ۲۰۲۳ 133 - 142
تعداد بازدید : ۲ تعداد دانلود : ۲
Lung infection represents one of the most perilous indicators of Covid-19. The most efficient diagnostic approach entails the analysis of CT scan images. Utilizing deep learning algorithms and machine vision, computer scientists have devised a method for automated detection of this disease. This study proposes a two-stage approach to identifying lung infection. In the initial stage, image features are extracted through a transfer learning framework employing ResNet50, with the last two layers being fixed. Subsequently, a CNN neural network is constructed for image detection and categorization in the second stage. By employing superior image feature selection and minimizing non-informative features, this proposed method achieves impressive accuracy metrics: 98.99% accuracy, 98.91% sensitivity, and 99.10% specificity. Furthermore, a comparative analysis is conducted between this method and six other architectures (Inception, InceptionResNetV2, ResNet101, ResNet152, VGG16, VGG19), with and without transfer learning. The findings demonstrate that the proposed method attains 98% accuracy on test data, without succumbing to overfitting.

کلیدواژه‌های مرتبط

پدیدآورندگان همکار

تبلیغات

پالایش نتایج جستجو

تعداد نتایج در یک صفحه:

درجه علمی

مجله

سال

حوزه تخصصی

زبان