دسته بندی:مرور منابع علمی

معرفی مقاله "Assessing the impact of big data on firm innovation performance: Big data is not always better data"

هدف اصلی این پژوهش بررسی میزان تاثیرگذاری ویژگی‌های اصلی عظيم‌داده، سرعت (Velocity)، حجم (Volume) و تنوع (Variety) بر روی عملکرد نوآوری در سازمان است. براساس تئوری یادگیری سازمانی، نوآوری‌های سازمانی به معنی منطبق شدن سازمان بر مبنای اطلاعات جدید است. در نتیجه، پژوهشگران این تحقیق انتظار دارند عظيم داده‌ها با ارائه به موقع حجم زیادی (Volume) از داده‌های متنوع (Variety) به مدیران، نوآوری و در نتیجه یادگیری سازمانی را افزایش دهند.

خوشه‌بندی محتوای رسانه‌های اجتماعی با استفاده از فناوری عظیم‌داده

یکی از مشکلات کلیدی در تحلیلگری رسانه های اجتماعی، طبقه بندی حساب کاربری بر اساس رسانه های آپلود شده توسط کاربران می باشد مشکلات اصلی در حل این مساله عبارتند از: ناهمگونی ماهیت محتوا (عکس ها، آثار هنری، کارت های تبریک و ...) حجم عظیم اطلاعات تجزیه و تحلیل شده که منجر به پیچیدگی بیش از حد محاسبات پردازشی می شود

معرفی مقاله: "Big data platforms: in the lens of selection and evaluation approach"

تجلی عظیم داده‌ها علاوه بر چالش های اساسی برای پردازش داده‌ها، در شرکت‌ها برای ارزش تحلیلی تمایلات شدید را ایجاد کرده است. باز کردن قفل پتانسیل‌های تجزیه و تحلیل عظیم داده‌ها به طراحی و تنظیم سیستم عامل ها از طریق زنجیره ارزش عظیم داده‌ها بستگی دارد.

معرفی مقاله: آنالیز رفتار دانشجویی در سیستم‌های مدیریت یادگیری از طریق یک چارچوب عظیم داده

در سال‌های اخیر، سیستم‌های مدیریت یادگیری (LMS) نقش بسیار مهم و اساسی در مدل‌های تحصیلات تکمیلی ایفا نموده‌اند. در همین راستا تحقیق جدید مرتبط با "سیستم‌های مدیریت یادگیری" انجام پذیرفت تا به وسیله الگوهای ارائه شده توسط ( LMSs)  پروسه مرتبط با یادگیری ارتقاء یابد.

معرفی مقاله: Predictive big data analytics for supply chain demand forecasting: methods, applications, and research opportunities

یکی از کاربردهای تحلیل عظیم داده در مدیریت زنجیره تامین برای تحلیل رفتار مشتریان، روندها و پیش بینی تقاضا می‌باشد. در این مقاله با مرور نظام‌‌مند تحقیقات گذشته، روش ها، کاربردها و فرصت‌های پژوهشی برای استفاده از تحلیل‌های عظیم داده در پیش بینی تقاضا ارائه شده است.

تجزیه و تحلیل داده‌های عظیم و کارایی سازمان‌ها: مرور سیستماتیک

این پژوهش به بررسی منسجم از ارتباط تحلیلگری داده‌های عظیم و کارایی سازمان‌ها پرداخته است و عوامل تأثیرگذار در پذیرش تحلیلگری داده‌های عظیم را در بخش‌های مختلف سازمان شناسایی و در انتها راهنمایی‌هایی را در خصوص پژوهش‌های آتی متأثر از نتایج این تحقیق ارائه نموده است.

نقش عظیم‌داده(Big Data) در شهر هوشمند(Smart City)

گسترش عظیم داده(Big Data) و تکامل تکنولوژی‌های اینترنت اشیا نقش مهمی را در امکان‌سنجی حرکت‍‌های ابتکاری شهرهوشمند(Smart City) بازی می کند.عظیم داده ها باعث کسب بینش ارزشمند درمورد شهرها بواسطه مقدار زیادی داده جمع‌آوری شده از طریق منابع مختلف می‌شود، و IoT اجازه تجمیع سنسورها،RFIDها، و بلوتوث ها را در محیط‌های واقعی با استفاده از سرویس‌های شبکه شده فراهم می‌کند.

تحلیل تکنیک‌های کاهش ابعاد در عظیم‌داده‌ها

در این مقاله، به مقایسه دو روش مطرح در زمینه کاهش ابعاد ( PCA و LDA ) بر روی چهار الگوریتم یادگیری ماشین (درخت تصمیم، ماشین بردار پشتیبان، نایو بیز و جنگل تصادفی) پرداخته شده است. با اعمال روش (PCA)، 95درصد از ویژگی‌ها حفظ شدند و تعداد متغیرهای وابسته به ۲۶ کاهش یافت. در حالی که در روش LDA متغیرهای وابسته را به 1 کاهش می‌دهد.

(sentiment analysis)سیر تکاملی تحلیل احساسات

نام مقاله: سیر تکاملی تحلیل احساسات – مروری بر موضوعات پژوهشی، محل انتشار و پر ارجاع‌ترین مقالات (The evolution of sentiment analysis – A review of research topics, venues, and top cited papers) نویسندگان: Mika V. Mäntylä, Daniel Graziotin, Miikka Kuutila ژورنال: Computer Science Review شماره: VOL. 27 تعداد ارجاعات: 11

معرفی مقاله: "Exploring the relationship between big data analytics capability and competitive performance: The mediating roles of dynamic and operational capabilities"

یکی از سوالات اساسی برای محققان و شاغلان حوزه سیستم‌های اطلاعاتی این است که عظیم‌داده چگونه می‌تواند برای سازمان‌ها مزیت رقابتی ایجاد کند. مقاله برای پاسخ دادن به این سوال با ایجاد ارتباط بین دیدگاه مبتنی بر منابع، توانایی‌های پویا و تحقیقات در حوزه عظیم داده، تاثیر غیرمستقیم توانمندی تحلیل عظیم داده (BDAC) بر عملکرد رقابتی را مورد سنجش قرار می‌دهد.

بررسی بر روی عقیده‌کاوی و تحلیل احساسات: عملیات، رویکردها و کاربردها

این مقاله به بررسی دقیقی بر روی ادبیات پژوهشی منتشر شده در سال‌های 2002 تا 2015 در خصوص تحلیل احساسات پرداخته است. هر مقاله‌ی مورد بررسی در 4 جنبه خلاصه شده است که عبارتند از مسئله مورد بررسی در مقاله، جزئیات دیتاست به کار گرفته شده در مقاله، ارائه ویژگی‌ها و در نهایت تکنیک‌ها، نتایج و مسیرهای آینده ذکر شده در مقاله موردنظر

معرفی مقاله: Big data analytics in health sector: Theoretical framework, techniques and Prospects

پزشکان، تامین‌کنندگان خدمات سلامت، سیاست‌گذاران و بیماران فرصت‌های هیجان‌انگیزی را در نتیجه اطلاعات به دست آمده از مجموعه‌ داده‌های عظیم تجربه می‌کنند. در این مقاله، مرور ساختاریافته‌ای در رابطه با تحلیل عظیم‌داده در حوزه سلامت انجام شده است.

پیش بینی کیفیت عظیم داده در صنعت فرآیند: یک چارچوب مدل‌سازی توزیع شده موازی

این مقاله یک روش مدل‌سازی فرآیند توزیع شده موازی بر اساس چارچوب MapReduce را برای پیش بینی کیفیت عظیم‌داده ارائه نموده است. در مرحله اول به منظور مدل‌سازی داده‌های توزیع شده موازی در چارچوب MapReduce یک معماری تدوین می‌کند. در مرحله دوم، بر اساس رویکرد مدل‌سازی داده‌های توزیع شده موازی؛ یک طرح پیش‌بینی کیفیت عظیم‌داده را توسعه می‌دهد.

طراحی توسط ب.علی‌میرزایی