تجزیه و تحلیل داده های هوشمند

تجزیه و تحلیل داده های هوشمند ، یک انجمن برای بررسی موضوعات مربوط به تحقیق و کاربردهای تکنیک های هوش مصنوعی در تجزیه و تحلیل داده ها در انواع رشته ها فراهم می کند. این تکنیک ها شامل (اما محدود به آنها نیست): کلیه زمینه های تجسم داده ها ، پیش پردازش داده ها (فیوژن ، ویرایش ، تحول ، فیلتر ، نمونه برداری) ، مهندسی داده ها ، تکنیک های استخراج پایگاه داده ، ابزارها و برنامه ها ، استفاده از دانش دامنه در داده هاتجزیه و تحلیل ، برنامه های داده های بزرگ ، الگوریتم های تکاملی ، یادگیری ماشین ، شبکه های عصبی ، منطق فازی ، تشخیص الگوی آماری ، فیلتر دانش و پس از پردازش. به طور خاص ، مقالات ترجیح داده می شوند که در مورد توسعه معماری های جدید تجزیه و تحلیل داده های مربوط به هوش مصنوعی ، روش ها و تکنیک ها و کاربردهای آنها در حوزه های مختلف بحث کنند.

مقالات منتشر شده در این ژورنال به شدت به سمت برنامه ها می روند ، با تقسیم پیش بینی شده از 70 ٪ از مقالات منتشر شده به برنامه های کاربردی ، تحقیقات و 30 ٪ باقی مانده حاوی تحقیقات نظری تر. نسخه های خطی فقط باید در قالب PDF ارسال شود. لطفاً نسخه های خطی خود را به صورت تک فضا آماده کنید ، و شکل ها و جداول را در بدنه متن که در آن به آنها اشاره شده است ، درج کنید. برای کلیه سوالات مربوط به ارسال نسخه خطی خود با ویرایشگر مجله IDA تماس بگیرید: [email protected]

هیئت تحریریه

سردبیر

jmPeña Lurtis Ltd ، مرکز چوب آکسفورد برای نوآوری Stansfeld Park ، Quarry Rd Po Box 1658 ، آکسفورد آکسفوردشایر ، OX4 9PW ، انگلستان

مرکز شبیه سازی رایانه دانشگاه فنی دانشگاه مادرید پردیس د Montegancedo / پارک علمی و فناوری N / N Montepríncipe Avenue 28660 Boadilla del Monte ، مادرید ، اسپانیا ایمیل: [email protected]

ویرایشگر

A. Famili 1696 Des Sapins Gardens Otawa ، در K1C8E3 Canada

هیئت تحریریه

A. دانشکده الحسانات فناوری اطلاعات دانشگاه موته ، موتع ، اردن

Z. Assylbekov گروه ریاضیات ، دانشگاه Nazarbayev Nur-Sultan City ، قزاقستان

E. گروه مهندسی گروه Bellodi ، فرارا ، ایتالیا

P. Berka گروه مهندسی اطلاعات و دانش دانشگاه اقتصاد ، پراگ ، جمهوری چک

Z. Bosnic University of Ljubljana دانشکده رایانه و علوم اطلاعات ، لیوبلیانا ، اسلوونی

ج. گروه علوم کامپیوتر کامارا کارلوس سوم دانشگاه مادرید ، مادرید ، اسپانیا

B. Cule گروه علوم شناختی و هوش مصنوعی دانشگاه تیلبورگ، تیلبورگ، هلند

A. A. آزمایشگاه محاسباتی فریتاس دانشگاه کنت در کانتربری، کانتربری، بریتانیا

A. Feelders Institute of Information & Computing Sciences University of Utrecht, Utrecht, Netherlands

J. Gama هوش مصنوعی و آزمایشگاه علوم کامپیوتر دانشگاه پورتو، پورتو، پرتغال

C. Giraud-Carrier گروه علوم کامپیوتر دانشگاه بریگام یانگ، پروو، ایالات متحده

J. Graovac دانشکده ریاضیات گروه علوم کامپیوتر، دانشگاه بلگراد، بلگراد، صربستان

C.-F. دانشگاه ملی هوانگ کائوسیونگ شماره 700 کائوسیونگ، تایوان

A. G. Hoffmann دانشکده علوم و مهندسی کامپیوتر دانشگاه ولز جنوبی، سیدنی، NSW، استرالیا

T.-P. هنگ گروه علوم کامپیوتر و مهندسی اطلاعات دانشگاه ملی کائوسیونگ، کائوسیونگ، تایوان

J. Hu دانشکده مهندسی و فناوری دانشگاه واشنگتن، تاکوما، WA، ایالات متحده آمریکا

I. Izonin گروه هوش مصنوعی دانشگاه ملی پلی تکنیک Lviv، Lviv، اوکراین

E. Jiang University of San Diego San Diego, CA, USA

S. H. کیم بخش ریاضیات کاربردی KAIST، Daejeon، کره جنوبی

F. Klawon گروه علوم کامپیوتر دانشگاه علوم کاربردی استفالیا، Wolfenbuettel، آلمان

Irena Koprinska دانشکده علوم کامپیوتر دانشگاه سیدنی، استرالیا

V. Kovtun Vinnytsia دانشگاه فنی ملی Vinnytsia، اوکراین

I. کراک تاراس شوچنکو دانشگاه ملی کیف کیف، اوکراین

J. C. W. Lin گروه محاسبات، ریاضیات و فیزیک دانشگاه علوم کاربردی نروژ غربی (HVL)، برگن، نروژ

کالج مهندسی Yingzi Lin، دانشگاه شمال شرقی، بوستون، MA، ایالات متحده آمریکا

B. Keith Norambuena گروه سیستم ها و مهندسی کامپیوتر دانشگاه کاتولیک شمال، آنتوفاگاستا، شیلی

A. Ponce de Leon F. de Carvalho گروه علوم کامپیوتر، دانشگاه سائوپائولو در سائو کارلوس سائو کارلوس، SP، برزیل

G. Prabhakar Software Engineering Somerset, NJ, USA

F. Riguzzi گروه ریاضیات و علوم کامپیوتر فرارا، ایتالیا

مدرسه علوم کامپیوتر A. Schclar، کالج آکادمیک تل آویو-یافو، تل آویو، اسرائیل

S. Soheily-Khah Skylads (chez MyCowork Beaubourg) پاریس، فرانسه

M. Spiliopoulou مدیریت دانش و آزمایشگاه اکتشاف دانشکده علوم کامپیوتر دانشگاه Otto-von-Guericke Magdeburg Magdeburg، آلمان

E. سوزوکی دانشکده علوم اطلاعات و مهندسی برق دانشگاه کیوشو، فوکوکا، ژاپن

M. Szczuka موسسه ریاضیات دانشگاه ورشو، ورشو، لهستان

C. دانشکده نرم افزار تیان دانشگاه پلی تکنیک شمال غربی، شیان، چین

B. Twala دانشکده مهندسی و محیط ساخته شده دانشگاه صنعتی دوربان، دوربان، آفریقای جنوبی

A. Vaisman Buenos Aires Institute of Technology بوئنوس آیرس، آرژانتین

D.-N. موسسه یانگ علم اطلاعات آکادمی سینیکا، تایوان

M. Yu دانشکده علوم ابزار و مهندسی نوری-الکترونیک دانشگاه علوم و فناوری اطلاعات پکن پکن، چین

گروه علوم کامپیوتر شوهان یوان، دانشگاه ایالتی یوتا، لوگان UT، ایالات متحده آمریکا

D-C. آزمایشگاه کلید ملی ژان برای فناوری نرم افزار جدید دانشگاه نانجینگ، نانجینگ، چین

رهنمودهای نویسنده

ارسال نسخه خطی

با ارسال مقاله خود به این مجله، با توافقنامه حق چاپ نویسنده، خط مشی اخلاق مطبوعاتی IOS و سیاست حفظ حریم خصوصی مطبوعات IOS موافقت می کنم.

پروفسورJM. تجزیه و تحلیل داده های هوشمند Peña - مرکز بین المللی چوب برای نوآوری Stansfeld Park, Quarry Rd PO Box 1658, Oxford Oxfordshire, OX4 9PW, انگلستان ایمیل: [email protected]

به نویسندگان توصیه می شود از فایل سبک IDA LaTeX استفاده کنند و قوانین قالب بندی را که با جزئیات بیشتر در زیر توضیح داده شده است، دنبال کنند. کاربران MsWord می توانند مقاله خود را به عنوان یک دست نوشته با فاصله دوطرفه بدون قالب آماده کنند. هنگامی که مقاله ای برای چاپ پذیرفته می شود، ناشر اطمینان حاصل می کند که مقاله مطابق با سبک مجله تایپ شده است.

تجزیه و تحلیل هوشمند داده ها از ارسال مقالات پژوهشی و کاربردی که با اهداف و محدوده مجله منطبق باشد دعوت به همکاری می نماید. به طور خاص، مقالاتی که در مورد توسعه معماری ها، روش ها و تکنیک های جدید هوش مصنوعی و کاربردهای آن ها در زمینه تجزیه و تحلیل داده ها بحث می کنند، ترجیح داده می شوند. دستنوشته ها باید فقط در قالب *. pdf ارسال شوند. لطفاً دست نوشته های خود را به صورت تک فاصله تهیه کنید و شکل ها و جداول را در متنی که به آنها اشاره می شود، درج کنید. دست نوشته ها با این درک دریافت می شوند که محتوای آن ها مطالب منتشر نشده است و برای انتشار در جای دیگری ارسال نمی شود. علاوه بر این، قابل درک است که هر یک از نویسندگان مشارکت قابل توجهی در کار شرح داده شده داشته اند و هر یک مسئولیت مشترک برای انتشار را می پذیرند.

گزینه دسترسی باز IOS Press Open Library به نویسندگان گزینه دسترسی آزاد (OA) را ارائه می دهد. با انتخاب گزینه OA ، مقاله از لحظه انتشار آزادانه در دسترس خواهد بود. همچنین در ماژول قبل از فشار. در کتابخانه باز هزینه پردازش مقاله به صورت هزینه دسترسی آزاد پرداخت می شود. دسترسی باز کاملاً اختیاری است. برای اطلاعات بیشتر در مورد این گزینه ، بخش کتابخانه باز IOS ما را مشاهده کنید.

نوع انتشار و هزینه ها

هنگامی که مقاله ای برای انتشار پذیرفته می شود ، نویسندگان موظفند هزینه انتشار را بپردازند که به نوع انتشار بستگی دارد:

• انتشار مبتنی بر اشتراک (دسترسی محدود): 450 دلار / 450 یورو.
• گزینه دسترسی باز (CC BY-NC 4. 0): 1500 دلار / 1500 یورو.
• گزینه دسترسی باز بدون بند غیر تجاری (CC با 4. 0): 2150 دلار/2150 یورو.

هزینه های صفحه در مورد مقالات برجسته اعمال نمی شود.

پرونده های مورد نیاز پس از پذیرش مقاله ، نویسندگان باید نسخه نهایی را به عنوان پرونده های منبع ، از جمله یک پرونده پردازنده کلمه از متن مانند Word یا Latex ارسال کنند (در صورت استفاده از لاتکس ، لطفاً از مقاله استاندارد استفاده کنید. و همچنین یک نسخه PDF از پرونده لاتکس ارسال کنید).

ارقام رنگی می توان ارقام چاپ شده را به صورت رنگی چاپ کرد ، مشروط بر اینکه هزینه تولید مثل آنها توسط نویسنده پرداخت شود. به تهیه نسخه های خطی برای قالب های پرونده مورد نیاز مراجعه کنید.

تهیه نسخه های خطی

سازماندهی مقاله و سبک ارائه نسخه های خطی باید به زبان انگلیسی نوشته شود. به نویسندگانی که زبان مادری آنها انگلیسی نیست ، توصیه می شود قبل از ارسال با یک سرویس ویرایش زبان حرفه ای انگلیسی یا یک انگلیسی زبان بومی مشورت کنند.

نسخه های خطی باید با حاشیه های وسیع و فاصله مضاعف (مجرد) در سراسر ، از جمله انتزاعی ، پاورقی ها و منابع تهیه شود. نسخه های خطی فقط باید در قالب *. pdf ارسال شود. هر صفحه از نسخه خطی ، از جمله صفحه عنوان ، منابع ، جداول و غیره ، باید شماره گذاری شود. با این حال ، در متن هیچ مرجعی به شماره صفحه ارائه نمی شود. در صورت لزوم ، ممکن است به بخش ها مراجعه کند. سعی کنید از استفاده بیش از حد از ایتالیایی ها و صورت جسورانه خودداری کنید.

نسخه های خطی باید به ترتیب زیر سازماندهی شوند:

بدنه متن (تقسیم بر زیر مجموعه ها) + جداول ، شکل ها و زیرنویس ها

عناوین و زیرنویس ها باید در یک خط جداگانه و بدون تورفتگی شماره گذاری و تایپ شوند.

از واحدهای SI باید استفاده شود ، یعنی واحدهای مبتنی بر متر ، کیلوگرم ، دوم و غیره.

صفحه عنوان صفحه عنوان باید اطلاعات زیر را ارائه دهد:

عنوان (باید واضح، توصیفی و نه خیلی طولانی باشد)

نام(های) نویسنده(های)؛لطفاً مشخص کنید نویسنده مربوطه کیست

آدرس فعلی نویسنده(ها) در صورتی که متفاوت از وابستگی باشد

آدرس کامل نویسنده مسئول به همراه تلفنخیر، شماره فکسو آدرس ایمیل

چکیده؛باید واضح، توصیفی، خود توضیحی و بیش از 200 کلمه نباشد، همچنین باید برای انتشار در خدمات انتزاعی مناسب باشد.

جداول

شکل ها و جداول

به عنوان جدول 1، جدول 2 و غیره شماره گذاری کنید و به همه آنها در متن مراجعه کنید.

شکل ها و جداول باید در متن در محل دقیقی که به آنها ارجاع داده می شود درج شود.

هر جدول باید یک عنوان مختصر و واضح داشته باشد.

عناوین ستون ها باید مختصر، اما به اندازه کافی توضیح دهند. اختصارات استاندارد واحدهای اندازه گیری باید بین پرانتز اضافه شود.

برای جداسازی ستون ها نباید از خطوط عمودی استفاده کرد. به جای آن مقداری فضای اضافی بین ستون ها بگذارید.

هر توضیحی که برای درک جدول ضروری است باید در پاورقی در پایین جدول آورده شود.

منابع

نقل قول ها را به صورت اعداد در داخل کروشه در متن قرار دهید. تمام نشریات ذکر شده در متن باید در فهرست منابع الفبایی در انتهای نسخه خطی به سبک زیر ارائه شود:

[1] B. Newman و E. T. لیو، چشم انداز BRCA1، بیماری پستان 10 (1998)، 3-10.[2] D. F. Pilkey, Happy conservation laws, in: Neural Stresses, J. Frost, ed., Controlled Press, Georgia, 1995, pp. 332-391.[3] E. Wilson، تجزیه و تحلیل ارتعاش فعال تیرهای دیوار نازک، Ph. D. پایان نامه، دانشگاه ویرجینیا، 1991.

پاورقی ها پاورقی ها فقط در صورت ضروری بودن باید استفاده شوند. در بیشتر موارد امکان گنجاندن اطلاعات در متن وجود دارد.

• در صورت استفاده، آنها باید در متن شماره گذاری شوند، با اعداد بالا نشان داده شوند و تا حد امکان کوتاه شوند.

ارقام

شکل ها را مانند شکل 1، شکل 2 و غیره شماره گذاری کنید و به همه آنها در متن مراجعه کنید.

هر شکل باید در یک برگه جداگانه ارائه شود. ارقام نباید در متن گنجانده شوند.

فیگورهای رنگی را می توان گنجاند، مشروط بر اینکه هزینه تکثیر آنها توسط نویسنده پرداخت شود.

برای فرمت فایل های شکل ها لطفا موارد زیر را در نظر بگیرید:

لاین آرت باید دارای حداقل رزولوشن 600 dpi باشد که به عنوان EPS یا TIFF ذخیره شود

مقیاس های خاکستری (شامل عکس ها) باید حداقل وضوح 300 نقطه در اینچ (بدون حروف) یا 500 نقطه در اینچ (در صورت وجود حروف) داشته باشند. ذخیره به عنوان tiff

ارقام را به صورت JPEG ذخیره نکنید، این فرمت ممکن است اطلاعات خود را در این فرآیند از دست بدهد

از ارقام گرفته شده از اینترنت استفاده نکنید ، وضوح برای چاپ خیلی کم خواهد بود

اگر قرار است به رنگ سیاه و سفید چاپ شوند ، از رنگ خود استفاده نکنید ، زیرا این امر باعث کاهش کیفیت چاپ می شود (توجه داشته باشید که در نرم افزار اغلب به طور پیش فرض رنگ است ، شما باید تنظیمات را تغییر دهید)

برای ارقامی که باید به رنگ چاپ شوند ، لطفاً EPS رمزگذاری شده CMYK یا TIFF را ارسال کنید

ارقام باید با قالب صفحه ژورنال در ذهن طراحی شوند. آنها باید از اندازه ای باشند که امکان کاهش 50 ٪ را فراهم می کند.

در نقشه ها و ارقام دیگر که در آن مقیاس مورد نیاز است ، از مقیاس های نوار استفاده کنید تا موارد عددی ، یعنی از مقیاس های نوع 1: 10،000 استفاده نکنید. در صورت نیاز به کاهش ارقام ، از مشکلات جلوگیری می کند.

هر شکل باید دارای یک عنوان خود توضیحی باشد. زیرنویس ها برای همه ارقام باید روی یک برگه جداگانه از نسخه خطی تایپ شوند.

عکس ها فقط در صورتی قابل قبول هستند که کنتراست و شدت خوبی داشته باشند.

کپی رایت

کپی رایت مقاله شما نویسندگان ارسال نسخه خطی این کار را با این درک که آنها خوانده اند و با شرایط توافق نامه حق چاپ نویسنده مطبوعات iOS موافقت کرده اند ، انجام دهید.

به اشتراک گذاری مقاله نویسندگان مقالات ژورنال مجاز به خودشیفتگی و به اشتراک گذاشتن کار خود از طریق مخازن نهادی ، وب سایت های شخصی و سرورهای پیش نویس هستند. نویسندگان حق دارند از گزیده هایی از مقاله خود در سایر آثار نوشته شده توسط خود نویسندگان استفاده کنند ، مشروط بر اینکه کار اصلی به درستی ذکر شده باشد. رضایت به اشتراک گذاری یک مقاله ، به طور کامل یا جزئی ، به نسخه مقاله ای که به اشتراک گذاشته شده است ، جایی که به اشتراک گذاشته شده است ، و مجوز حق چاپ که در آن مقاله منتشر شده است بستگی دارد. لطفاً برای اطلاعات بیشتر به خط مشی اشتراک مقاله IOS Press مراجعه کنید.

نقل قول از نشریات دیگر نویسندگان، هنگام نقل قول از اثر شخص دیگری یا هنگام بررسی بازتولید شکل ها یا جداول از یک کتاب یا مقاله، باید مطمئن شوند که حق چاپ را نقض نمی کنند. اگرچه به طور کلی نویسندگان ممکن است از سایر آثار منتشر شده نقل قول کنند، اما در صورت وجود عصاره های قابل توجه یا بازتولید جداول، بشقاب ها یا سایر شکل ها، باید از دارنده حق چاپ اجازه داده شود. اگر صاحب حق چاپ نویسنده مطالب نقل شده یا تکثیر شده نیست، توصیه می شود از نویسنده نیز اجازه بگیرید. مطالب موجود در نامه ها و دست نوشته های منتشرنشده نیز محفوظ است و تا زمانی که اجازه گرفته نشده باشد، نباید منتشر شود. ارسال مقاله به عنوان بیانیه ای تفسیر می شود که نویسنده تمام مجوزهای لازم را کسب کرده است. همیشه باید یک تصدیق مناسب از هر ماده قرضی انجام شود.

شواهد

نویسنده مربوطه یک سند PDF دریافت می کند و از آن خواسته می شود که این اثبات را به دقت بررسی کند (ناشر فقط یک بررسی سطحی انجام می دهد). با این حال، باید از اصلاحات غیر از خطاهای چاپگر اجتناب شود. هزینه های ناشی از چنین اصلاحاتی به عهده نویسندگان خواهد بود.

خرید

نحوه سفارش چاپ مجدد، یک فایل PDF، مجلات یا کتاب های IOS Press نویسنده متناظر یک مقاله به مجله یک نسخه PDF نویسنده رایگان از مقاله را دریافت می کند، مگر اینکه خلاف آن ذکر شده باشد. این نسخه PDF دارای واترمارک و فقط برای استفاده شخصی است. یک نسخه PDF رایگان برای مقالات کنفرانس و مسائل چکیده ارائه نخواهد شد. یک فرم سفارش برای یک فایل PDF بدون واترمارک، چاپ مجدد یا کپی مجله اضافی همراه با سند PDF ارائه می شود.

اگر مایل به سفارش چاپ مجدد مقاله منتشر شده قبلی هستید، لطفاً برای نقل قول با ناشر تماس بگیرید.ioS Press، فکس: 0019 20 687 +31. ایمیل: editorial@iospress. nl.

یک نویسنده از 25 درصد تخفیف برای کتاب های IOS Press برخوردار است. تخفیف نویسنده (25%) در تمام انتشارات کتاب IOS Press را ببینید.

آفرین

با نویسندگان مقالات منتشر شده (غیر چاپی، مقالات نهایی) توسط قدردانی تماس گرفته خواهد شد. تجلیل سرویسی است که به محققان کمک می کند تا تأثیر و دیده شدن تحقیقات خود را به حداکثر برسانند. این به نویسندگان این امکان را می دهد که مقالات خود را با ابرداده های عمومی غنی کنند، پیوندهایی به مطالب مرتبط اضافه کنند و مقالات خود را از طریق سیستم Kudos برای عموم مردم تبلیغ کنند. نویسندگان بیش از سه ایمیل دریافت نخواهند کرد: یک دعوت نامه و حداکثر دو یادآور برای ثبت نام در این سرویس و پیوند مقاله منتشر شده به نمایه خود. استفاده و ثبت نام برای Kudos کاملا اختیاری است. برای اطلاعات بیشتر، لطفا به بخش نویسندگان ما نگاهی بیندازید.

چگونه کار خود را تبلیغ کنید

آیا می خواهید نکاتی را در مورد چگونگی کمک به تحقیقات خود در دستیابی به دسترسی گسترده تر و تأثیرگذاری بیشتر راهنمایی کنید؟لطفاً برای راهنمایی به جعبه ابزار تبلیغاتی ما برای نویسندگان مراجعه کنید.

لطفاً برای اطلاعات بیشتر به صفحه نویسندگان مطبوعات IOS مراجعه کنید.

چکیده / نمایه شده در

جستجوی آکادمیک ACM کتابخانه دیجیتال منبع کسب و کار راهنمای کامل Cabell یا دایرکتوری خلاصه مقالات علمی کمبریج CSA Illumina DBLP سرور کتابشناسی پایگاه های داده EBSCO EBSCO Engineering Collection بررسی مرکز مرجع بین المللی امنیت و مقابله با تروریسم IET io-portعلوم: مطالب فعلی®/مهندسی، محاسبات و فناوری Web of Science: گزارش های استنادی مجله/نسخه علمی Web of Science: Science Citation Index Expanded (SciSearch®)

دسترسی آزاد

به طور پیش فرض، مقالات منتشر شده در تجزیه و تحلیل داده های هوشمند فقط برای مؤسسات و افراد دارای حق دسترسی در دسترس هستند. با این حال، این مجله به همه نویسندگان این امکان را می دهد که به عنوان بخشی از کتابخانه باز مطبوعاتی IOS، انتشارات دسترسی آزاد را برای مقاله خود خریداری کنند. این بدان معنی است که نسخه نهایی منتشر شده به صورت رایگان و به طور نامحدود، تحت مجوز Creative Commons و بدون نیاز به خرید دسترسی به مقاله، در دسترس همه افراد در سراسر جهان خواهد بود. به این دسترسی باز "طلایی" نیز گفته می شود.

نویسندگان قیمت گذاری دسترسی به طلا که انتشار Gold Open Access را انتخاب می کنند ، مشمول انتشار مقاله 1500 یورو / 1500 دلار برای انتشار تحت مجوز CC BA-NC 4. 0 یا 2150 یورو / 2150 دلار برای انتشار تحت CC با مجوز 4. 0 خواهد بود. قیمت گذاری منحصر به مالیات های احتمالی است. پس از پذیرش مقاله برای انتشار ، نویسنده مربوطه در مورد گزینه دسترسی آزاد در مراحل تولید مطلع می شود و فرصتی برای خرید دسترسی آزاد برای مقاله خود خواهد داشت. این ممکن است که هزینه دسترسی آزاد یک مقاله کاملاً به دلیل توافق نهادی مطبوعات با موسسه نویسندگان مربوطه از آن چشم پوشی شود. لطفاً برای جزئیات بیشتر صفحه توافق نامه های نهادی را بررسی کنید.

نویسندگان دسترسی سبز سبز که از گزینه Gold Open Access استفاده نمی کنند ، هنوز هم می توانند مقاله خود را با استفاده از خودآزمایی آزادانه در دسترس قرار دهند ، همچنین از آن به عنوان Green Open Access یاد می شوند. نویسندگان ممکن است نسخه نهایی پذیرفته شده خود را برای بارگیری رایگان از وب سایت شخصی یا نهادی یا بایگانی نهادی خود در دسترس قرار دهند. این مدل برای نویسنده رایگان است.

اضافی

خبرنامه: برای دریافت هشدارهای مربوط به موضوعات جدید و سایر اخبار مجله ، حتماً در خبرنامه IDA ثبت نام کنید. از طریق این لینک ثبت نام کنید: tiny. cc/idasignup.

آخرین خبرنامه: می توانید آخرین خبرنامه را در اینجا مشاهده کنید.

مسائل خاص

موضوعات ویژه فعلی تحت آماده سازی

برای ارسال هرگونه مشارکت به ویژه در مورد هر یک از موارد ویژه ، لطفاً آدرس ویراستاران مهمان و همچنین ارسال نامه های@ida-ij.com را درج کنید و نام شماره ویژه را در موضوع و بدنه پیام بیان کنیدواد

موضوعات ویژه زیر در حال آماده سازی است:

• Bioinformatics محاسباتی مبتنی بر یادگیری ماشین برای داده های بزرگ مراقبت های بهداشتی
• استخراج تصویر و کشف دانش برای برنامه های تجاری
• یادگیری عمیق برای پیش بینی و تجزیه و تحلیل تصادف با استفاده از داده های ترافیکی

Bioinformatics محاسباتی مبتنی بر یادگیری ماشین برای داده های بزرگ مراقبت های بهداشتی

در سالهای اخیر ، الگوریتم های محاسباتی با یادگیری ماشین به طور گسترده در بخش هایی مانند ساخت و ساز ، تجارت و مراقبت های بهداشتی به کار رفته است. استفاده از داده های بزرگ نیز در مراقبت های بهداشتی زمینه بیشتری کسب می کند. بنابراین ، پیشرفت های فن آوری ها به حداکثر پتانسیل در بخش مراقبت های بهداشتی برای ارائه خدمات بهتر استفاده می شود. با این حال ، شروع بیماری همه گیر باعث افزایش سرمایه گذاری در مراقبت های بهداشتی و پزشکی برای افزایش کارایی شده است. همچنین می توان دریافت که دسترسی و راحتی در استفاده از خدمات مراقبت های بهداشتی با معرفی این تکنیک های جدید به صورت نمایی افزایش یافته است. هدف اصلی پیشرفت ها و نوآوری های فناوری در مراقبت های بهداشتی بهبود راحتی هم ارائه دهنده خدمات و هم گیرنده است. افزایش آگاهی در مورد سلامتی در بین افراد در اوقات سخت مانند این ، همچنین فرصت های جدیدی برای فناوری هایی مانند یادگیری ماشین ، داده های بزرگ و انفورماتیک در بخش مراقبت های بهداشتی است.< SPAN> در سالهای اخیر ، الگوریتم های محاسباتی با یادگیری ماشین به طور گسترده در بخش هایی مانند ساخت و ساز ، تجارت و مراقبت های بهداشتی به کار رفته است. استفاده از داده های بزرگ نیز در مراقبت های بهداشتی زمینه بیشتری کسب می کند. بنابراین ، پیشرفت های فن آوری ها به حداکثر پتانسیل در بخش مراقبت های بهداشتی برای ارائه خدمات بهتر استفاده می شود. با این حال ، شروع بیماری همه گیر باعث افزایش سرمایه گذاری در مراقبت های بهداشتی و پزشکی برای افزایش کارایی شده است. همچنین می توان دریافت که دسترسی و راحتی در استفاده از خدمات مراقبت های بهداشتی با معرفی این تکنیک های جدید به صورت نمایی افزایش یافته است. هدف اصلی پیشرفت ها و نوآوری های فناوری در مراقبت های بهداشتی بهبود راحتی هم ارائه دهنده خدمات و هم گیرنده است. افزایش آگاهی در مورد سلامتی در بین افراد در اوقات سخت مانند این ، همچنین باز کردن فرصت های جدیدی برای فناوری هایی مانند یادگیری ماشین ، داده های بزرگ و انفورماتیک در بخش مراقبت های بهداشتی است. در سالهای اخیر ، الگوریتم های محاسباتی با یادگیری ماشین به طور گسترده ای در بخش هایی مانند ساختتجارت و مراقبت های بهداشتی. استفاده از داده های بزرگ نیز در مراقبت های بهداشتی زمینه بیشتری کسب می کند. بنابراین ، پیشرفت های فن آوری ها به حداکثر پتانسیل در بخش مراقبت های بهداشتی برای ارائه خدمات بهتر استفاده می شود. با این حال ، شروع بیماری همه گیر باعث افزایش سرمایه گذاری در مراقبت های بهداشتی و پزشکی برای افزایش کارایی شده است. همچنین می توان دریافت که دسترسی و راحتی در استفاده از خدمات مراقبت های بهداشتی با معرفی این تکنیک های جدید به صورت نمایی افزایش یافته است. هدف اصلی پیشرفت ها و نوآوری های فناوری در مراقبت های بهداشتی بهبود راحتی هم ارائه دهنده خدمات و هم گیرنده است. افزایش آگاهی در مورد سلامتی در بین افراد در اوقات سخت مانند این ، همچنین فرصت های جدیدی برای فناوری هایی مانند یادگیری ماشین ، داده های بزرگ و انفورماتیک در بخش مراقبت های بهداشتی است.

یادگیری ماشین یکی از بزرگترین زمینه های در حال رشد در هوش مصنوعی است. این امکان را به سیستم های فن آوری می دهد تا بدون هیچ گونه تعامل انسانی ، راه حل مشکلات را پیدا کنند. این ویژگی ویژه به داده های بزرگ در مراقبت های بهداشتی کمک زیادی می کند. در دسترس بودن داده های در مقیاس بزرگ در مراقبت های بهداشتی می تواند الگوریتم های یادگیری ماشین را با پایگاه داده مورد نیاز برای نظارت و ارائه راه حل های قابل اعتماد در مراقبت های بهداشتی فراهم کند. در مرحله اول ، تشخیص خودکار گفتار و تجزیه و تحلیل تصویر پزشکی می تواند با دقت بیشتری با استفاده از یادگیری ماشین انجام شود. به همین ترتیب ، ادغام یادگیری ماشین با بیوانفورماتیک محاسباتی می تواند برای طبقه بندی توالی پروتئین و طبقه بندی تصویر استفاده شود. به آن اضافه شده ، این الگوریتم ها همچنین می توانند در ایجاد شبکه های عصبی برای تصویربرداری از مغز استفاده شوند. در دسترس بودن انواع مختلف الگوریتم های یادگیری ماشین مانند MRMR و MTBI ، انتخاب الگوریتم مورد نیاز برای کارهای خاص ساده و آسان است. یادگیری ماشین در بیوانفورماتیک محاسباتی همچنین با ارائه تجزیه و تحلیل دقیق پزشکی برای پزشکان در ارائه راه حل های بهتر پزشکی کمک می کند. در انجام مراقبت های بهداشتی ، می توان از یادگیری ماشین برای شناسایی کلاهبرداری بیمه ، نظارت دوره ای بیماران و کشف مواد مخدر استفاده کرد. همه این پیشرفت ها نه تنها به ارائه خدمات درمانی بهتر در یک جامعه کمک می کند بلکه باعث کاهش بیماری ها نیز می شود. سایر کاربردهای مربوط به یادگیری ماشین در داده های بزرگ مراقبت های بهداشتی شامل پیش بینی بیماری هایی مانند دیابت ، آلزایمر و غیره ، نظارت بر بیماری های قلبی و درمان سرطان است. به طور مشابه ، الگوریتم های یادگیری ماشین می توانند در تمام زمینه های مراقبت های بهداشتی مجهز به داده های بزرگ ، از جمله تجزیه و تحلیل DNA ، نظارت بر متابولیسم و ردیابی توالی پروتئین و ژنوم در بیماران برای تصمیم گیری بهتر استفاده شوند. بنابراین ، ادغام فن آوری های مختلف می تواند بخش مراقبت های بهداشتی را به یک سطح کاملاً جدید تبدیل کند. مقالات تحقیق و بررسی اصلی در این زمینه در زمینه های زیر مورد تشویق قرار می گیرند ، اما محدود به این موارد نیستند:

• تجزیه و تحلیل بیماری ژن با الگوریتم های یادگیری ماشین.
• نقش بیوانفورماتیک محاسباتی در تجزیه و تحلیل توالی برای مراقبت های بهداشتی.
• داده های بزرگ در مراقبت های بهداشتی برای تجزیه و تحلیل شبکه بیماری.
• کمک های یادگیری ماشین در بخش مراقبت های بهداشتی.
• مزایای ابزارهای یادگیری ماشین مانند Knime در تجزیه و تحلیل داده های بزرگ برای مراقبت های بهداشتی.
• یادگیری عمیق برای حاکمیت بهتر در بخش مراقبت های بهداشتی.
• روندهای اخیر در بیوانفورماتیک برای مراقبت های بهداشتی.
• تحقیقات تکاملی در داده های بزرگ برای کمک به بخش مراقبت های بهداشتی.
• نقش داده های بزرگ و یادگیری ماشین در آزمایش و پیش بینی بیماری ها.
• پروفایل بیان ژن با استفاده از الگوریتم های یادگیری ماشین مانند Weka.

تاریخ های مهم:

• مهلت ارسال مقاله: 30. 12. 2022
• اعلان نویسنده: 27. 03. 2023
• ارسال مقالات اصلاح شده: 25. 05. 2023
• پذیرش نهایی: 01. 07. 2023

جزئیات ویرایشگران مهمان:

• دکتر محمد آتیک خان [مدیریت سردبیر مهمان] دانشگاه هیتک ، پاکستان. attique. khan@hitecuni. edu. pk
• دکتر گوراو دیمان [سردبیر همکار] کالج بازرگانی دولت بیکرام ، هند. gaurav. dhiman@thapar. edu
• دکتر Sathishkumar v E [سردبیر همکار] دانشگاه هانانگ ، جمهوری کره. sathishkumar@hanyang. ac. kr

استخراج تصویر و کشف دانش برای برنامه های تجاری

در دنیای امروز ، تجارت به عنوان یکی از نگرانی های تحریک آمیز برای پیشرونده مغز و رویایی ها شناخته می شود تا دیدگاه های خود را انجام دهند تا واقعاً اتفاق بیفتد. انگیزه اصلی سازمانهای تجاری مختلف دستیابی به توسعه بیشتر است که به تدریج منجر به رشد اقتصادی پایدار می شود. این انگیزه با برنامه ریزی برنامه های مناسب تجاری حاصل می شود. این امر با افزایش بهره وری و تقویت فن آوری های نوآورانه که به طور جهانی رشد بی شماری را در کلیه اکوسیستم های تجاری فراهم می کند ، تمایل به دارایی حاکم بر مدیریت تجارت است.

تجارت شانس و انقلاب بیشتری ایجاد می کند که زندگی مردم را تغییر می دهد. امروزه، برنامه های کاربردی تجاری با استفاده از رویکرد مثبت جدید الگوهای گروه بندی تولید می شوند. CIS (سیستم اطلاعات اصلی) یکی از مهم ترین عوامل برای گروه بندی الگوها برای برنامه های تجاری است که ارزش فوق العاده ای را برای برنامه های تجاری خاص فراهم می کند. عمل کشف دانش و تصویر کاوی برای کاربردهای تجاری یافتن راه حل ها از طریق تصاویر و داده ها است. تصویر کاوی و کشف دانش نقش اساسی در استخراج دانش برای الگوهای جدید و داده های مرتبط دارد. تکنیک های استخراج تصویر شامل تشخیص دستگاه، استخراج تصویر، گروه بندی تصویر، خوشه بندی تصویر و استخراج قوانین رابطه است. تصویر کاوی به طور گسترده در بخش های تجاری مانند کشاورزی، کار صنعتی، سیستم های آموزشی، تحقیقات فضایی، مراقبت های بهداشتی برای تشخیص بیماری و ایستگاه های ماهواره ای استفاده شده است. به طور مشابه، کشف دانش ابزاری برای حل مشکلات در توسعه تجارت با اتخاذ تصمیمات هوشمندانه است. بازاریابی، بانکداری و شناسایی هرزنامه بخش های ضروری در دنیای شرکت ها هستند. یک کشف دانش با فناوری استخراج تصویر می تواند به طور موثر این بخش ها را برآورده کند. علاوه بر این، تصویر کاوی و کشف دانش برای کاربردهای تجاری، روش یافتن خودکار الگوها، تغییرات، و اتصالات متقابل در پایگاه های اطلاعاتی را پیدا می کند و بخش بسیار چند رشته ای است که همگرایی مقررات مختلفی مانند سیستم های پایگاه داده، یادگیری ماشین، آمار و محاسبات را تشکیل می دهد. برنامه های کاربردی تجاری

با این حال، مشخص شده است که تصویر کاوی و کشف دانش برای برنامه های کاربردی تجاری برای کاربران تجاری ضروری است تا با اتخاذ تصمیمات مناسب با اطلاعات جمعی، شرکت خود را به گونه ای سودآور اداره کنند، چالش های مدیریتی عظیم، دانش ناکافی برای مدیریت برنامه ها، ومشکلات کاربردی پیچیده ای که برای نتیجه بهتر باید در نظر گرفته شوند. از پژوهشگران و تحلیلگران داده دعوت می شود تا متنی چکیده در این زمینه ارائه دهند. شماره ویژه فرصت های مختلفی را در اختیار دانشگاهیان قرار می دهد تا برنامه های تجاری را با فناوری های پیشرفته ارتقا دهند.

موضوعات:

• پیشرفت های اخیر در فناوری برای داده های با ابعاد بالا در کشف دانش برای کاربردهای تجاری
• چشم اندازهای آینده تصویر کاوی برای کاربردهای تجاری موثر و هوشمند
• نیاز به داده های بسیار خودکار و قابل اعتماد در استخراج تصویر
• یک مطالعه تجربی بر روی تکنیک های داده کاوی پیشرفته در کاربردهای تجاری
• کاوش تکنیک ابتکاری جدید که منحصر به فرد بودن داده های تصویر را نشان می دهد
• محدودیت ها و چالش های پیش روی پیاده سازی تصویر کاوی برای کاربردهای تجاری
• ادغام فناوری تجسم جدید برای استخراج تصویر برای بهبود محیط کسب و کار
• مشکلات و ریسک مرتبط با مشکلات مدیریت در کشف دانش برای کسب و کار
• تصویر کاوی داده برای محیط کسب و کار: فرصت های حال و آینده

تاریخ های مهم:

• مهلت ارسال مقاله: 30. 01. 2023
• اعلان نویسنده: 25. 04. 2023
• پذیرش نهایی: 2023/09/26

جزئیات ویرایشگران مهمان:

• دکتر A. Shanthini، (سرپرست جنرال الکتریک) موسسه علم و فناوری SRM، هند: [email protected]، shanthia@srmist. edu. in
• دکتر Gunasekaran Manogaran، (Co-GE) Universidad Distrital Francisco José de Caldas، کلمبیا. [email protected]
• دکتر پریان مالارویزی کومار، (Co-GE) دانشگاه کیونگ هی، کره جنوبی. p. [email protected]

یادگیری عمیق برای پیش بینی و تجزیه و تحلیل تصادف با استفاده از داده های ترافیکی

تصادفات جاده ای یک مشکل جدی در سطح جهانی است که منجر به عامل اصلی مرگ و میر قابل پیشگیری در چندین کشور می شود. به طور کلی، تصادفات جاده ای به دلیل نگرانی های مختلفی مانند وضعیت جاده، وسایل نقلیه، محیط زیست، کاربران جاده، ترافیک، نحوه برخورد کاربران با ترافیک جاده ای و بسیاری موارد دیگر است. احتمال تصادفات جاده ای هر روز با افزایش نرخ شهرنشینی و فعالیت های کلان شهرها افزایش می یابد. در نتیجه، تصادفات جاده ای می توانند با فرکانس شتاب دهنده خود در صورت عدم رسیدگی، جان میلیون ها نفر را از بین ببرند. اگرچه دشوار است، اما پیش بینی خطر تصادفات جاده ای کاملاً غیرممکن نیست. بسیاری از کشورها سوابق تصادفات، پیش بینی های آب وهوا و داده های زیرساخت جاده ای را جمع آوری می کنند و برای پیش بینی خطر تصادفات جاده ای در دسترس عموم قرار می دهند. در حال حاضر، بسیاری از محققان در سراسر جهان به طور فعال در طراحی و توسعه استراتژی های موثر برای پیش بینی و پیشگیری از تصادفات جاده ای مشارکت دارند، اما تصادفات رانندگی هنوز اجتناب ناپذیر است.

برای مقابله موثر با این مشکل ، پیش بینی الگوهای درگیر با عوامل مختلفی که باعث بروز حوادث جاده ای و ایجاد مدل های پیش بینی دقیق برای سناریوهای مختلف تصادفی شده اند ، بسیار مهم شده است. یادگیری عمیق جنبه های بسیاری از جامعه را توانمند می کند. بر اساس پیش بینی و تجزیه و تحلیل تصادفات جاده ای ، یادگیری عمیق بر خلاف روشهای یادگیری ماشین سنتی ، راه حل کارآمد را تشکیل می دهد. این می تواند به طور موثر با داده های طبیعی به شکل خام با چندین سطح انتزاع برخورد کند. استفاده از یادگیری عمیق برای پیشگیری از تصادفات جاده ای فقط به تجزیه و تحلیل سوابق حوادث تاریخی محدود نمی شود. در واقع ، می تواند احتمال تصادفات را در یک سناریوی در زمان واقعی با اقدامات دقت بالاتر پیش بینی کند. چندین روش وجود دارد که یادگیری عمیق می تواند روند پیش بینی و تجزیه و تحلیل تصادف را تقویت کند. این شامل آن می تواند یک طراحی جاده ای مناسب ، برنامه ریزی مسیر ایمن ، تخصیص وسایل نقلیه اضطراری ، ارائه راهنمایی رانندگی تعاملی را برای کاربران جاده ارائه دهد و پتانسیل وسایل نقلیه هوشمند را با تکنیک های بینایی تقویت کند.

این شماره ویژه به طور خاص برای یافتن راههای کارآمد برای استفاده از یادگیری عمیق برای پیش بینی و تجزیه و تحلیل صدمات ترافیک جاده ای اختصاص یافته است. تمرکز اصلی دو برابر است. بخش اول به شناسایی و تجزیه و تحلیل احتمال عوامل خطر از داده های تاریخی می پردازد. و بخش دوم به اقدامات پیش بینی و پیشگیری از تصادف در زمان واقعی می پردازد. محققان و دست اندرکاران بیشترین استقبال از ارائه راه حل های رمان و نوآورانه خود را در برابر این پیش زمینه دارند.