موتورهای جستجو

چکیده

امروزه حجم اطلاعات در سطح اینترنت روز به روز در حال افزایش است. این افزایش حجم اگر چه فوایدی بسیاری دارد، ولی چالش ­هایی را نیز به وجود آورده است. اصلی ­ترین چالش در سطح اینترنت چگونگی بازیابی اطلاعات مورد نیاز کاربر از بین انبوهی از اطلاعات می­باشد. این بازیابی توسط موتورهای جستجو انجام می­گیرد. امروزه موتورهای جستجو، جزء اجزای اصلی اینترنت محسوب می‌­شود و به سختی اینترنت را می‌­توان بدون موتورهای جستجو تصور کرد. موتورهای جستجو از اجزای مختلفی تشکیل شده است. برای آشنایی با نحوه کار موتورهای جستجو، ابتدا باید هر کدام از آن اجزا را شناسایی کرده و وظایف هر کدام از آنها را درک کنیم. در این کارگاه، نحوه کار موتورهای جستجو به صورت اجمالی بررسی خواهد شد و الگوریتم‌های مورد استفاده برای بازیابی اطلاعات و رتبه‌بندی صفحات که توسط موتورهای جستجو مورد استفاده قرار می­گیرند، معرفی می­شود. بعد از اتمام این کارگاه، یک دید کلی نسبت به معماری موتورهای جستجو و الگوریتم­‌های پایه مورد استفاده در موتورهای جستجو، خواهید داشت.

سر فصل ها

مقدمه ­ای بر موتورهای جستجو
معرفی معماری کلی موتورهای جستجو
شاخص ­گذاری
معرفی مدل­ های بازیابی اطلاعات
الگوریتم ­های رتبه ­بندی صفحات وب
روش­های ارزیابی موتورهای جستجو
راه­ اندازی یک موتور جستجو با استفاده از ابزارهای متن باز

زمینه پژوهشی

• بازیابی اطلاعات

ارائه دهندگان

• رحمان جلایر

نحوه ارائه کارگاه

مجازی

زمان برگزاری

روز: 1 آبان
ساعت: 14 تا 18

مدت زمان برگزاری

4ساعت

فایل ها

link

تحلیل شبکه اجتماعی با رویکرد یادگیری عمیق

چکیده

امروزه، افراد زيادي براي برقراري ارتباط با يکديگر، به اشتراک گذاري اخبار و يا موضوعات مورد علاقه خود، از امکانات موجود در شبکه‌هاي اجتماعي مختلف به عنوان يکي از محبوب‌ترين وسيله‌هاي ارتباطي، استفاده مي‌کنند. حجم عظيم اطلاعات مربوط به تعامل کاربران با هم و رفتار آنها ، مشوق محققان زيادي براي اکتشاف دانش شده است. اين اطلاعات در شبکه‌هاي اجتماعي مي‌تواند به سه دسته کلي تقسيم مي شوند: اطلاعات متني، اطلاعات مربوط به پيوندها و اطلاعات زماني. از آنجايي که کاربران بيشترين مشارکت را در توليد محتواهاي متني دارند، داده‌هاي متني نقش مهمي در اکتشاف دانش از شبکه‌هاي اجتماعي ايفا مي‌کنند. پیام‌های متنی در شبکه‌های اجتماعی کوتاهند و دارای غلط املایی، اصطلاح و اختصار می‌باشند. همچنین کاربران ملزم به رعایت قواعد دستوری نمی‌باشند. لذا علی‌رغم پیشرفت‌های فراوان در تکنیک‌های پردازش زبان طبیعی، پردازش پیام‌های متنی شبکه‌های اجتماعی با توجه به ویژگی‌های ذکر شده به عنوان یک چالش معرفی می‌شود، زیرا این تکنیک‌های نیازمند استخراج ویژگی به صورت دستی می‌باشند که زمانبر است و بعضا منجر به تولید مجموعه ناکاملی از ویژگی‌ها می‌شود. روش‌های یادگیری عمیق انسان را از استخراج ویژگی بی‌نیاز کرده است و به سبب همین امر استفاده از این روش‌ها در پردازش زبان طبیعی رواج یافته است. هدف از برگزاري اين کارگاه، معرفي شبکه هاي اجتماعي و چگونگي استفاده از روش‌های یادگیری عمیق در پردازش داده‌های متنی شبکه‌های اجتماعی می‌باشد. اين کارگاه به دو بخش اصلي تقسيم مي شود که در ادامه سر فصل مطالب آن ذکر شده است.

سر فصل ها

مقدمه اي بر تحليل شبکه هاي اجتماعي
نقش شبکه هاي اجتماعي در برنامه هاي کاربري
چالش هاي پردازش داده هاي موجود در شبکه هاي اجتماعي و راه حل ها
کاوش متن در شبکه هاي اجتماعي
کاربرد یادگیری عمیق در پردازش داده‌های متنی در شبکه‌های اجتماعی
مقدمه اي بر روش هاي موجود براي يادگيري عميق
پياده سازي يک برنامه کاربردي با هدف استفاده از ابزارهاي يادگيري عميق براي پردازش داده هاي متني شبکه اجتماعي Twitter

زمینه پژوهشی

• تحلیل شبکه های اجتماعی

ارائه دهندگان

• مریم خدابخش
• فتانه زرین کلام

نحوه ارائه کارگاه

مجازی

زمان برگزاری

روز: 2 آبان
ساعت: 8 تا 12

مدت زمان برگزاری

4ساعت

فایل ها

link

آشنایی با ابزارهای هوش تجاری و داده کاوی مایکروسافت در SQL Server 2016

چکیده

عوامل و تغییرات سریع در محیط عملیات شرکت‌ها و سازمان‌ها، آنها را به سوی پشتیبانی رایانه‌ای از عملیاتشان سوق می‌دهد. بدین معنی که فشارهای خارج از شرکت ها منجر به ایجاد رویکرد پاسخ در سازمان‌ها می‌شود که با توجه به سرعت محیط، این پاسخ‌ها باید با سرعت همراه باشد؛ چرا که محیط بسیار رقابتی است و لذا برای دستیابی به پاسخ های سریع، لازم است سامانه‌های رایانه‌ای به کمک شرکت‌ها بیایند. سامانه‌های رایانه‌ای می‌توانند فرآیند پاسخ را تسهیل و تسریع نمایند. سامانه‌های هوش تجاری به مدیران و کسب و کارها به روش‌های مختلفی کمک می‌کنند:
· محاسبات را تسهیل می‌کنند و سرعت انجام آنها را افزایش می‌دهد.
· ارتباطات و همکاری‌ها را بهبود می‌دهند.
· بهره وری افراد را افزایش می‌دهند.
· مدیریت داده‌ها را ممکن می‌کند و آن را بهبود می‌دهد.
· قابلیت دسترسی‌ها را افزایش می‌دهد.
این روش‌ها منجر به ساخت تصمیم‌های اساسی برای کسب و کارها می‌شود که در مجموع سازنده سیستم‌های تصمیم‌یار برای سازمان‌ها، شرکت‌ها و در مجموع کسب و کار می‌شود. شاید بتوان به طور خلاصه چشم انداز هوش تجاری را اینگونه مطرح کرد: «ارتقاء عملیات و فرایندهای کلیدی کسب و کار از طریق تامین اطلاعات و دانش حیاتی کسب و کار در زمان درست، قالب درست و برای همه سطوح سازمانی».
هدف اصلی هوش تجاری، بهینه سازی، تحلیل،کنترل و دیده بانی عملیات و فرایندهای کسب و کار است. به دنبال اهداف هوش تجاری، سه کارکرد اصلی در کسب و کارهای مختلف ایجاد می شود که عبارتند از:
· ایجاد دید: گذشته و حال کسب و کارها را برای پیش‌بینی آینده به کار می‌گیرد.
· مدیریت و تحلیل عملکرد کسب و کار: شاخص‌های عملکردی کلیدی (Key Performance Indicators, KPI) را تعریف می‌کند.
· گزارش دهی: گزارش های لحظه‌ای و دست‌ای روی ابعاد مختلف داده‌های سازمان ایجاد می‌کند.
امروزه تحلیل داده ها با استفاده از ابزارها و تکنیک‌هایی که در این زینه وجود دارند، بسیار ساده شده است. یکی از موثرترین روشهای تحلیل داده‌ها داده کاوی است که جستجو می‎کند تا دانش را به شکل الگو‏ها و قواعد آماری از پایگاه داده‎های بزرگ به طور خودکار کشف نماید.

سر فصل ها

آشنایی با مبانی و ساخت انباره داده ها (Data Warehouse)
بررسی فرآیند ETL و استفاده از آن (سرویس SSIS )
اجرای فرآیند ساخت OLAP(سرویس SSAS)
اجرای فرآیند Visualization و مصورسازی داده‌ها (سرویس SSRS و Power BI)
اجرای الگوریتم های داده کاوی در SQL Server 2016

زمینه پژوهشی

• فرایند کاوی

ارائه دهندگان

• سید احمد طوسی
• احسان عسکریان

نحوه ارائه کارگاه

مجازی

زمان برگزاری

روز: 2 آبان
ساعت: 14 تا 18

مدت زمان برگزاری

4ساعت

فایل ها

link

سیستم‌های توصیه‌گر

چکیده

امروزه اهمیت سیستم های توصیه گر بر کسی پوشیده نیست. این سیستم ها مخصوصا در زمینه تجارت الکترونیک به دلیل نقش بسزایی که در کاهش مشکل سربار اطلاعاتی و افزایش فروش و رونق کسب و کار داشته اند بسیار مورد توجه قرار گرفته اند. هدف این سیستم ها پیش بینی امتیاز یا اولویتی است که کاربر به اقلام مختلف خواهد داد. این اقلام میتوانند فیلم سینمایی، موسیقی، کتاب، اخبار، مقالات تحقیقاتی، محصولات تجاری و... باشند. این سیستم ها با تحلیل رفتار کاربران و اقلام اقدام به پیشنهاد مناسب ترین اقلام به کابران مینمایند و به کاربران خود کمک می‌کند تا در میان حجم عظیم اطلاعات سریع‌تر به هدف خود نزدیک شوند. در این کارگاه به معرفی سیستم های توصیه گر، انواع آنها، کاربردهایی که در دنیای پیرامون ما دارند، روشهای مرسوم و متداول، چالش های عمده در این زمینه و روشهای ازریابی آنها خواهیم پرداخت.

سر فصل ها

مقدمه و معرفی سیستم های توصیه گر
معرفی نمونه های تجاری سیستم های توصیه گر در دنیای واقعی
انواع سیستم های توصیه گر
معرفی روش ها و تکنیک های رایج در سیستم های توصیه گر
معرفی چالش های موجود در این حوزه و راه کارهای حل آن
روش های ارزیابی سیستم های توصیه گر
معرفی ابزارها

زمینه پژوهشی

• بازیابی اطلاعات

ارائه دهندگان

• فاطمه پورغلامعلی
• مهسا خراسانی

نحوه ارائه کارگاه

مجازی

زمان برگزاری

روز: 3 آبان
ساعت: 8 تا 12

مدت زمان برگزاری

4ساعت

فایل ها

link