درخت حوزه‌های تخصصی

این مقاله تکامل وب را در رابطه با وب و فناوری‌های بازیابی اطلاعات بررسی می‌کند. در این بررسی بین عناصر مختلف وب در زمینهء نمایه‌سازی و صفحات جستجوی وب وجه تمایز وجود دارد. ده ابزار اصلی و مهم وب براساس معیارهای انتخاب و تعداد اتصال‌ها با یکدیگر مقایسه و ارزیابی شده‌اند. ابزارهای جستجو مانند راهنماها و موتورهای جستجوگر نیز مورد بررسی و مقایسه قرار گرفته‌اند.

در طی 5 سال، بیش از 200 میلیون نفر کامپیوترهای شان را به سریع ترین تکنولوژی ارتباطی جدید شبکه اینترنت متصل نموده اند. چگونه این اتفاق افتاده است؟ در یک حالت، می توانید به اینترنت به عنوان نقطه اوج دریافت تمامی اطلاعاتی که از سال 1950 ایجاد شده اند، بنگرید.

برای کاهش هزینه ها و زمان خوابیدگی ماشین آلات صنعتی ، یکی از مهمترین اقدامات جهت پیشگیری از خرابی، بازرسی نگهداری است. بر مبنای محاسبات آماری با بنطباق میزان شکست ، مدت خرابی و زمان بازرسی با تابع توزیع نمایی نسبت به حداقل نمودن مجموع زمان های خوابیدگی بوسیله تعیین تعداد بازرسی اقدام می شود. میزان شکست بدون انجام هرگونه بازرسی نگهداری است. با توجه به اهمیت و حساسیت برخی صنایع، تعیین تعداد بازرسی با قابلیت اطمینان معین ضرورت می یابد که با استفاده از محاسبات آماری از رابطه زیر بدست می آید. روش های جایگزین برای انجام این کار با استفاده از شبکه های عصبی مصنوعی عبارتند از : 1- شناسایی الگو 2- بهینه سازی استفاده از توانایی شناسایی الگوی شبکه عصبی MLP به معنی یادگیری رفتار سیستم و تعمیم عملکرد گذشته به آینده در دوره عادی عمر ماشین و زمان بندی بازرسی نگهداری بر مبنای این عملکرد می باشد. تابع معیار این شبکه است که در آن تعداد بازرسی واقعی یا محاسبه شده توسط روش آماری در واحد زمان و د تابع بازرسی قابل محاسبه بوسیله شبکه عصبی است ، به طوری که تابع معیار حداقل شود. در این مقاله با استفاده از توانایی بهینه سازی شبکه عصبی و برای حداقل کردن مجموع زمان خوابیدگی ماشین از تابع معیار استفاده می شود و سرانجام برای حداقل کردن مجموع زمان خوابیدگی همراه با حداکثر کردن قابلیت اطمینان ، نسبت به حداقل کردن تابع معیار توسط شبکه عصبی اقدام می گردد. کسب نتایج جامع و ملموس به صورت ترکیب بهینه زمان خوابیدگی ( که با تعداد بازرسی رابطه معکوس دارد) و قابلیت اطمینان ( که با تعداد بازرسی رابطه مستقیم دارد) برتری نسبی روش جدید را یه منصه ظهور می رساند.

دولت الکترونیکی (E- Government) عبارت است از بکارگیری تکنولوژی اطلاعات توسعه دولت؛ به منظور ارائه اطلاعات و خدمات به مردم شرکت های تجاری کارکنان و سایر دوایر دولتی با سهولت بیشتر و کیفیت بهتر. دولت الکترونیکی که ایجاد آن وابستگی زیادی به استفاده دوایر دولتی از شبکه اینترنت برای ارائه اطلاعات و خدمات دارد منجر به تبدیل دولت موجود به دولت ساده؛ اخلاقی؛ مسوولیت پذیر؛ پاسخگو و شفاف و به طور خلاصه دولتی هوشمند (SMAR) خواهد شد. در این مقاله پس از تعریف دولت الکترونیکی و تبیین کاربردهای اصلی آن شامل دولت با شهروندان (G2C) دولت با شرکت های تجاری (G2B) دولت با کارکنان (G2E) و بالاخره دولت با دولت (G2G) وضعیت دولت الکترونیکی در وزارتخانه های ایران مورد بررسی قرار می گیرد و یک طرح پنج مرحله ای برای پیاده سازی دولت الکترونیکی در ایران پیشنهاد می گردد. این برنامه با پیاده سازی سایت مرجع دولتی (E-Government Portal) که به عنوان پنجره های واحد (Single Window) برای مردم به خدمات دولتی عمل می نماید آغاز می گردد با حضور فعال کلیه دوایر دولتی بر روی اینترنت برای ارائه خدمات و به دنبال آن ایجاد امکان تعامل و تراکنش مالی توسط دستگاه های دولتی (از قبیل دریافت مالیات؛ هزینه آب و برق و جریمه و غیره) تکامل می یابد و نهایتا به ایجاد سازمان های مجازی دولتی که تنها در فضای سایبرنتیکی وجود دارند و هدف اصلی از آنها ایجاد سهولت و سرعت هر چه بیشتر در ارائه خدمات دولتی به مردم است خاتمه پیدا می کند. در مرحله نهایی که اصطلاحا Agency Centric نامیده می شود به صورت یکجا از طریق اینترنت دریافت می کنند. مرحله ای که پیشرفته ترین سطح تکوین دولت الکترونیکی در یک کشور است.

با توجه به نقش پیش بینی صحیح و دقیق متغیرهای اقتصادی در جهت اتخاذ تصمیمات صحیح و مناسب و نیزبا توجه به روشهای مختلفی که در زمینه پیش بینی سریهای زمانی موجود است، در تحقیق حاضر سعی شده است تا مقایسه ای بین مدل شبکه عصبی و مدل ARIMA صورت پذیرد. داده های مورد استفاده شامل قیمت ماهیانه شیراز فروردین ماه 1371 تا اسفند ماه 1376 می باشد. نتایج حاصل از مقایسه مقادیر تخمینی یک دوره دوازده ماهه شامل فروردین ماه تا اسفند ماه 1376 با مقادیر واقعی آن نشان می دهد که میانگین مربعات خطا در مدل شبکه عصبی نسبت به مدل ARIMA، 8.85 درصد کمتر است. همچنین، میانگین قدر مطلق درصد خطا در مدل شبکه عصبی نسبت به مدل ARIMA، 21.79 درصد کمتر است. اگر چه پیش بینی های صورت گرفته به وسیله مدل شبکه عصبی، دارای توجیه آماری نبوده و نمی توان برای آن فاصله اطمینان تعیین نمود اما با توجه به موارد فوق، مدل شبکه عصبی می تواند برای پیش بینی دقیقتر چنین متغیرهایی مورد استفاده قرار گیرد.