نوشته‌ها

داده کاوی در پزشکی

داده كاوي ويژگي هاي پزشكي بيماران با هدف تشخيص خودكار

داده كاوي به معناي استخراج اطلاعات نهفته، بازشناخت روابط و الگوهاي پنهان و به طور كلي كشف دانش سودمند از داده با حجم بالا است. استخراج قواعد طبقه بندي نوعي داده كاوي است كه در آن دانشي به شكل چندين قانون ساده و فهم پذير از داده كشف شده و در آينده براي تصميم گيري و پيشگويي به كار برده مي شود. از مهمترين زمينـه هـاي كـاربـردي استخـراج قـواعـد طبقـه بنـدي در حيطـه علـم پـزشكي است. با به كارگيري الگوريتم هاي داده كاو مي توان سيستم هاي هوشمندي ابداع كرد كه به شكل خودكار و بدون نياز به نظارت پزشك قادر به فهم و تفسير ويژگي هاي پزشكي افراد باشند يا اطلاعات مفيدي را اكتشاف كنند كه متخصصان را در قضاوت صحيح ياري رساند. در ادبيات داده كاوي تا كنون مجموعه بسيار متنوعي از روش ها ارائه شده است كه هر يك داراي نقاط ضعف و قدرت به خصوصي بوده كه عملكرد آن بسته به نوع داده و شرايط حاكم بر مساله متفاوت است، بنابر اين نمي تواند به تنهايي بهترين روش تلقي شود. در اين روش بررسي، پياده سازي و استفاده تركيبي از الگوريتم ها و راهكار هاي گوناگون داده كاوي و ارائه روش هاي جديد و كارآمد تر به منظور پيش بيني و طبقه بندي پرداخته مي شود. از روش هاي كلاسيك شناخته شده جهت كشف قواعد طبقه بنـدي مبتنـي بـر الگـوريتـم هـاي تكاملي و ابزار هاي جستجو قدرتمند GA، PSO و IWOاستفاده مي شود كه به كارگيري الگوريتم بهينه سازي علف هرز (IWO) به منظور داده كاوي براي نخستين بار نوآوري اين روش محسوب مي شود. همچنين يك روش جديد و ابتكاري تلفيقي جهت استخراج قواعد طبقه بندي از شبكه عصبي RBFآموزش يـافتـه بـه كمـك الگـوريتم كلني مورچه گان پيشنهاد شده است. در اعمال به چندين مجموعه داده مرجع برتري عملكرد كليه الگوريتم هاي پيشنهادي در كشف اطلاعات مفيد و استخراج قواعد طبقه بندي دقيق و تفسير پذير، نسبت به روش هاي كلاسيك به اثبات رسيده است. اين روش ها توانسته اند داده هاي Wisconsinمربوط به بيماران مبتلا به سرطان را با دقت بالاي 99% به درستي طبقه بندي كنند، هرچند طبقه بندي مجموعه داده هاي SPECT قلبي دشوار تر بوده و دقت از حدود 80% فراتر نرفته است.

داده كاوي در بهداشت و درمان

حوزه پزشكي و سلامت از بخش هاي مهم در جوامع صنعتي است. استخراج دانايي از ميان حجم انبوه داده هاي مرتبط با سوابق بيماري و پرونده هاي پزشكي افراد با استفاده از فرايند داده كاوي مي تواند منجر به شناسايي قوانين حاكم بر ايجاد، رشد و تسري بيماري ها شده و اطلاعات ارزشمندي را به منظور شناسايي علل رخداد بيماري ها، تشخيص، پيش بيني و درمان بيماري ها با توجه به عوامل محيطي حاكم در اختيار متخصصان و دست انداران حوزه سلامت قرار دهد. نتيجه اين مساله به معناي افزايش عمر و ايجاد آرامش براي افراد جامعه است.

 

داده کاوی در پزشکی

داده کاوی در پزشکی

مهمترين خدمات قابل ارايه با استفاده از روش هاي داده كاوي

بررسي ميزان تاثير دارو بر بيماري و اثرات جانبي آن

تـشخيـص و پيـش بينـي انـواع بيمـاري هـا مانند تشخيص يا پيش بيني انواع سرطان

تعيين روش درمان بيماري ها

پيش بيني ميزان موفقيت اقدامات پزشكي مانند اعمال جراحي

تـجــزيــه و تـحـلـيــل داده هــاي مـوجـود در سيستم هاي اطلاعات سلامت (HIS)

تحليل عكس هاي پزشكي

ساخت مدلي براي تعيين نوع درمان سنگ حالب با را هكار داده كاوي

داده كاوي (Data mining) مترادف با يكي از عــبــــارت هــــاي اســتــخـــراج دانـــش، بـــرداشـــت اطلاعات، وارسي داده ها و حتي لايروبي كردن داده هـا اسـت كـه در حقيقت كشف دانش در پـايگاه داد ه ها Knowledge Discovery in Databases (KDD را توصيف مي كند.

به طور ساده داده كاوي شامل استخراج دانش از حـجم عظيم داده ها مي شود. البته عباراتي مانند كشف دانش از داده، استخراج دانش، آناليز الگوها و لايروبي داده را نيز مي توان معادل واژه داده كاوي به كار برد.

فـرايـنـد كـشـف دانـش داراي چـندين مرحله است كه دقت در انجام هر كدام از اين مراحل، روي كـيـفـيـت كـل فـرايند تاثيرگذار است . اين مـراحـل عـبـارتـنـد از :1- فهم و تعريف مسئله : مرحله اول فهم حوزه كاري و مسئله اي است كه سعي در پيدا كردن راه حل براي آن است درك كـامـل مـسـئـله پيش نياز ضروري براي انتخاب روش مناسب داده كاوي و كشف دانش مفيد از ميان داده ها است.

2- جمع آوري و پيش پردازش داده ها: پيش پردازش داده ها خود شامل مراحلي است .

ايــن مــراحـل عـبـارتـنـد از: يـكـپـارچـه سـازي، حـذف نـويزها، مقابله با مقادير مفقوده و تغيير شـكـل داده هـا، كـاهـش تعـداد داده هـا يـا تعـداد ويژگي ها و غيره.

3- داده كـاوي: مـرحـلـه سـوم هـمـان مـرحـلـه دادهكاوي است كه با انجام آن الگوها و مدل هاي پنهان در ميان داده ها استخراج مي شود. در اين مرحله بايد نخست وظيفه داده كاوي و سپس روش داده كاوي را انتخاب كرد.

4- تفسير و ارزيابي نتايج : مرحله چهارم شامل تفسير نتايج به دست آمده از مرحله سوم است. لزوما نتايج به دست آمده از مرحله سوم قابل اطمينان نيستند و ممكن است بيانگر دانش مفيد و قابل استفاده

نباشند. به همين خاطر بايد اين نتايج را به گونه اي ارزيابي كرد . براي ارزيابي مدل به دست آمده مي توان در ابتداي امر، داده ها را به دو دسته آموزش (train) و آزمايش (test) تقسيم كرد، مدل را روي داده هاي آموزش ساخت و سپس نتايج به دست آمده را روي داده هاي تست آزمايش كرد و دقت مدل را محاسبه كرد.

استفاده از دانش كشف شده: مرحله آخر استفاده از دانش استخراج شده از داده ها به صورت عملي است. در حقيقت هدف از انجام مراحل مختلف كشف دانش، دست يابي به نتايجي است كه بتوان از آن ها در دنياي واقعي و براي بهبود كارايي سازمان ها استفاده كرد . اين دانش استخراج شده مي تواند به عنوان يك سيستم كمك تصميم در دنياي واقعي مورد استفاده قرار گيرد . داده كاوي روي داده هاي پزشكي از اهميت بالايي برخوردار است و طراحي سيستم هاي كمك تصميم جهت ياري رساندن به پزشكان در زمينه تشخيص نوع بيماري يا انتخاب نوع درمان مناسب، با كمك داده كاوي مي تواند كمك شاياني در زمينه نجات جان انسان ها انجام دهد . يكي از اندام هايي كه در بدن نقش اساسي و كليدي ايفا مي كند، كليه است. انجام آزمايشات مناسب و انتخاب روش هاي درماني مطلوب براي افرادي كه به يكي از بيماري هاي كليوي مبتلا هستند، بسيار حائز اهميـت اسـت چـرا كـه كـوتـاهـي در درمـان بيمـاري هاي كليوي مي تواند منجر به از كارافتادگي ساير ارگان هاي بدن و در برخي موارد منجر به مرگ بيمار شود . يكي از بيماري هاي مربوط به كليه، تشكيل سنگ كليه در افراد است .

امروزه روش هاي درماني مختلف براي برخورد با اين بيماري وجود دارد اما انتخاب روش درماني مناسب كه علاوه بر آسيب رساني كمتر به فرد، داراي خروجي مطلوب نيـز بـاشـد، كـاري پيچيـده اسـت . معمولا روش درماني براي اين بيماري با توجه به خصوصيات سنگ، انتخاب مي شود كه البته در بسياري از موارد روش درماني مناسب توسط پزشك براي بيمار انتخاب نمي شود. بدين جهت طراحي يك سيستم تصميم يار جهت انتخاب نوع درمان سنگ كليه با توجه به خصوصيات سنگ و بيمار و با كمك راهكار داده كاوي، مي تواند به پزشكان در انتخاب درمان ياري رسان باشد.

هـمــزمــان بــا گستـرش و رشـد داده كـاوي و كـاربـردهـاي آن در دهـه اخيـر، تـوجـه پژوهشگراني از حوزه پزشكي و سلامت را به خود جلب كرده و به كارگيري آن در تحقيقات اين حوزه روندي رو به تزايد پيدا كرده است.

روش بررسي

اطـلاعـات مربوط به بيماران از بيمارستان شهيد هاشمي نژاد جمع آوري شده و كارهاي مربوط به ساخت مدل (ورود داده ها، پيـش پـردازش و سـاخـت مـدل) در آزمـايشگـاه فناوري اطلاعات دانشگاه تربيت مدرسانجام شده است.

درخـت تصميم (Decision Tree): يكي از روشهـاي داده كـاوي روي پايگاه هاي داده، ساخت درخت تصميم مربوط به داده ها است. درخت تصميم يك ساختار درخت مانند دارد، در حـالـي كـه هر گره ورودي نشان دهنده يك امتحان روي يك ويژگي، هر شاخه خارج شده از آن گـره بـيـان كننده يكي از مقادير ممكن براي همان ويژگي و برگ ها نشان دهنده كلاس ها هـسـتند. فرايند دسته بندي هر نمونه با امتحان ويـژگـي بـيـان شـده در گره ريشه شروع شده و سپس از شاخه هاي درخت با توجه به مقدار آن ويژگي پايين مي آييم . سپس اين فرايند با امتحان گره بعدي كه در انتهاي شاخه انتخاب شده قرار دارد، ادامه مي يابد تا نهايتا به يك برگ برسيم . تـاكنون از درخت تصميم به عنوان روش داده كـاوي جـهـت استخراج الگوهاي نهان در داده هاي پزشكي، استفاده هاي زيادي شده است.

از آنجا كه عملكرد اين مدل، بهتر از عملكرد الـگـوريـتـم بـيـمـارسـتـانـي و مدل ذهني پزشكان اسـت، از آن مـي تـوان بـه عـنـوان سيستم كمك تـصـمـيـم جـهـت تـعـيـيـن نوع درمان سنگ هاي حالب در بيمارستان استفاده كرد . با كمك اين مـدل و بـا توجه به ويژگي هاي بيمار، پنج نوع درمــان مــوجـود در نـظـر گـرفـتـه شـده و درصـد موفقيت هر كدام از اين درمان ها پيش بيني مي شود. پزشك مي تواند با توجه به ميزان موفقيت هركدام از درما ن ها، درمان مناسب را براي بيمار انـتـخـاب كنـد . در الگـوريتـم بيمـارستـان، بـراي انتخاب نوع درمان فقط دو ويژگي اندازه و مكان سنگ مهم است ، ولي در مدل ساخته شده سن بيمار نيز در تصميم گيري موثر است. همچنين در الگوريتم بيمارستان براي سنگ هاي زير 10 و بالاي 10 ميلي متر دو روش درماني در نظر گرفته مي شود، در صورتي كه با توجه به مدل ساخته شده بايد براي انتخاب نوع درمان، سنگ هاي بيشتر و كمتر از هفت ميلي متر، بيشتر و كمتر از 11 ميلي متر، بيشتر و كمتر از 13 ميلي متر، بيشتر و كمتر از 20 و بيشتر و كمتر از 28 ميلي متر را در نظر گرفت و با توجه به اين اندازه نوع درمان را تعيين كرد.

تحقيق ها در زمينه داده كاوي

 

1-كـاربـرد داده كاوي در روش هاي ART درمان ناباروري

افـــزايـــش روزافـــزون پــيــشـــرفـــت در زمــيـنــه تــكــنـــولـــوژي اطـــلاعــات، بــاعــث ايـجــاد رشــد چـشـمگـيـري در عـلـوم شده است. يكي از اين رشــتـــه هـــا، عــلــم پــزشـكــي اســت. اسـتـفــاده از تـكـنـيـكهـاي دادهكـاوي در ايـن شـاخه از علم موجب شده كه در كليه مباحث، به خصوص بـحـث نـابـاروري بـتـوان سـيـسـتم هاي پزشكيار طـراحـي كـرد. عـوامـل مـخـتـلـفـي مـوجـب بـروز نـاباروري ميشود كه ميتوان آنها را به طور كلـي بـه دو دستـه تقسيـم كـرد: عوامل مردانه و عوامل زنانه كه هر كدام فاكتور هاي زيادي را شامل ميشوند و درمان خاص خود را دارند. روشهاي درماني از جمله IUI، IVF و غيره در اين حوزه استفاده ميشود. در اين تحقيق سعي بر اين است تا با استفاده از تحليلهاي دادهكاوي روشهاي غيرنظارتي، به تحليل دادههاي اين حــوزه پــرداخـتــه شـود تـا بتـوان بـه پـزشكـان در تصميمگيري جهت درمان بيماران كمك كرد.

2-كاربرد داده كاوي در بيماريهاي قلبي و عروقي

رشد چشمگير بيماريهاي قلبي و عروقي و اثرات و عوارض آن ها و هزينههاي بالايي كه بر جامعه وارد ميكند، باعث شده كه جامعه پزشكي به دنبال برنامه هايي جهت بررسي بيشتر، پيشگيري، شناسايي زود هنگام و درمان موثر آن باشد. از اينرو با استفاده از دادهكاوي و كشف دانش در سيستم مراكز قلب و عروق ميتوان دانش ارزشمند را ايجاد كرد كه اين دانش كشف شده ميتواند باعث بهبود كيفيت سرويس به وسيله مديران مركز شود و همچنين ميتواند به وسيله پزشكان استفاده شود تا رفتار آينده بيماران قلبي و عروقي از روي سابقه داده شده پيش بيني كنند و نيز تشخيص بيماري قلبي از روي ويژگيهاي گوناگون و نشانهها، ارزيابي فاكتورهاي ريسكي كه باعث افزايش حمله قلبي مي شود از مهمترين كاربردهاي داده كاوي و كشف دانش در سيستم بيماران قلبي و عروقي است

منابع

1-سيـد عليـرضـا كاج آبادي ؛ محمد حسين سرايي ؛ صديقه عسگري، داده كاوي پزشكي :راهكاري جهت كشف روابط بين عوامل خطرزاي قلبي، .artificial.ir

2- علي اكبر خاصه، داده كاوي، متن كاوي، و وب كاوي :تعاريف و كاربردها

3-نازلي خيرابي، حميد ، داده كاوي ويژگي هاي پزشكي بيماران به هدف تشخيص خودكار با استفاده از الگوريتم هاي هوشمند

4sites.google.com/site/daychegroup-

5- محمدمهدي سپهري، پريسا رهنما، پژمان شادپور، بابك تيمورپور، ساخت مدلي بـراي تعيين نوع درمان سنگ حالب با را هكار داده كاوي، مجله دانشكده پزشكي، دانشگاه علوم پزشكي تهران، دوره 67 ،شماره 6، شهريور 1388

داده کاوی بورس

هر سال میلیون ها نفر در بورس های کشورهای مختلف سرمایه گذاری می کنند و انتظار سود و پول از این سرمایه گذاری دارند. علم داده کاوی بر اساس رفتار گذشته یک سهام و شرکت درباره رفتار آتی او اظهار نظر می کند. روش های داده کاوی بر اساس شرایط سهام شرکت و اطلاعات مشتریان اقدام به پیش بینی قیمت آتی یک سهام خاص می کنند. اهمیت بورس به حدی است که عدم استفاده از داده کاوی در آن قابل تصور نیست. به همین دلیل امروزه شرکت های فراوانی به دنبال ایجاد دانش از اطلاعات خام تولید شده در اقتصاد برای پیش بینی سهام در بورس هستند

توسعه صنعتی و اقتصادی کشور در سالهای آینده منوط به توجه و سرمایه گذاری هر چه بیشتر به شرکتهای پذیرفته شده در بورس می باشد. دستیابی به رشد اقتصادی و ایجاد انگیزه جهت سرمایه گذاری زمانی در یک کشور تسریع می گردد که آن کشور دارای بازارهای سرمایه فعال و قابل اعتماد باشد. وجود بازارهای بورس فعال همواره سرمایه گذاران متعددی را به تکاپو واداشته و جریان سرمایه و منابع مالی را به بخش های مولد نسریع می نماید.

یکی از فرضیانی که در خصوص این بازار وجود دارد، فرضيه بازار کارا emh  است. بر اساسي فرضيه بازار کالا قیمت اوراق بهادار به ارزش ذاتی آنها نزدیک است. به عبارت دیگر، ویژگی مهم بازار کارا این است که قیمت تعیین شده در بازار، شاخص مناسبی از ارزش واقعی اوراق بهادار است. (جهانخانی، ۱۳۸۰) از مواردی که فرضیه بازار کارا را ضعیف تر می کند قابلیت پیش بینی در این بازارهاست.

برای پیش بینی قیمت سهام در بازارهای بورس دنیا از روش های مختلفی از تحلیل ها نظیر تکنیک های داده کاوی، رگرسیون ، سری فی زمانی و … استفاده شده است. (جهانخانی، ۱۳۸۰ سفرنواده، ۱۳۸۰)

داده کاوی در بازار بورس

از روش های دقیق تری که می توان در هر نوع پیش بینی از آن استفاده گرد تکنیک های داده کاوی از جمله شبکه عصبی و درخت های تصمیم و ::. است. پیش بینی قیمت سهام شرکتهای پذیرفته شده در بورس اوراق بهادار تهران با استفاده از تکنیک های داده کاوی و با توجه به معیارهای مالی از جمله موضوع های با اهمیتی است که متأسفانه تاکنون در ارتباط با آن تحقیقات اندکی انجام شده است، تمرکز پیش بینی کنندگان بازار بورس روی شیوه های توسعه برای موفقیت پیش بینی ارزش های شاخص با قیمت سهم ، دید سود های زیاد برای استفاده خوب برای تعیین استراتژی های تجاری است.

داده کاوی

داده کاوی

 

ایده اصلی برای پیش بینی بازار بورسي موفق، دستیابی به نتایج بهتر با استفاده از حداقل داده های اولیه مورد نیاز و کمترین مدل بازار بورس پیچیده است، طبقه بندی ها بر حسب داده های اولیه و متدلوژی پیش بینی و ارزیابی عملکرد و استفاده از معیارهای عملکرد ساخته شده است.

که به واسطه این تحقیق نشان می دهد که تکنیک های محاسبه در بسیاری موارد برای مطالعه و ارزیابی رفتار بازار بورس مورد پذیرش می باشند. بدون شک پیش بینی قیمت ها و بازده های سهام مشکل است ، زیرا که تغییرات بازار به تصرف و تسخیر در استفاده و اجرا و تکمیل مدل ها نیاز دارد، پیشرفت های اخیر در تکنیک های داده کاوی ایجاب می کند که ابزارهای مفیدی را در پیش بینی محیط های شلوغ مانند بازارهای بورس در تسخیر رفتارهای غیر خطی مورد استفاده قرار داد.

امروزه سازمان ها قادرند با هزینه کم اطلاعات وسیعی از وضعیت کسب و کار خود جمع و نگهداری کنند و این موجب شده است که استفاده از روش های داده کاویه ارزش های قابل توجهی را برای سازمان به دست آورد.

رویکردهای موجود به مساله داده کاوی متنوع است. امروزه افزایش سریع حجم پایگاه داده ها به شکلی است که توانایی انسان برای درک این داده ها بدون ابزارهای پر قدرت میسر نمی باشد. در این وضعیت تصمیم گیری ها به جای تکیه بر اطلاعات ، پر درک مدیران و کاربران تکیه دارند، چرا که تصمیم گیرندگان ابزار قوی برای استخراج اطلاعات با ارزش را در دست ندارند.

در واقع شرایط فعلی توصیف کننده حالتی است که ما از لحاظ داده غنی، اما از خانه اطلاعات شعیف هستیم. داده کاوی کمک می کند تا سازمان ها با کاوش بر روی داده های پک سیستم ، الگوها، روندها و رفتارهای آینده را کشف و پیش بینی کرده و بهتر تصمیم بگیرند.

همچنین با استفاده از تحلیل وقایع گذشته یک تحلیل اتوماتیک و پیش بینانه ارائه می نماید و به سؤالاتی جواب می دهد که پاسخ آنها در گذشته ممکن نبوده و یا به زمان زیادی نیاز داشت. ابزارهای داده کاوی الگوهای پنهانی را کشف و پیش بینی می کند که متخصصان ممکن است به دلیل اینکه این اطلاعات و الگوها خارج از انتظار آنها باشد، آنها را مد نظر قرار ندهند و به آنها دست نیابند.

در داده کاوی مواردی که در آن ها با تعداد بسیار زیادی متغیر ، مدل و با فرضیه مواجه هستیم، فراوان است. از طرفی داده کاوی یک فرآیند اکتشافی و تکراری است به این معنی که در خلال تحليل داده ها اطلاعات جدید کشف می شوند ، فرضیه های قبلی اصلاح و فرضیه های جدید ارائه می شوند و این کار ممکن است با داده های زیاد ، بارها تکرار شود.

لذا از دیدگاه آمار روش های با کارایی محاسباتی بالا ، تحلیل های محاسباتی و تحلیل های تقریبی ، مورد توجه خاص داده کاوی است. تأكید بیشتر داده کاوی بر بعضی روش های آماری، به معنی عدم استفاده از سایر روش های آماری نیست و در عمل از طیف گسترده ای از روش های آماری برای تحلیل داده ها استفاده می شود

. (2004 ,Berson ) با توجه به مطالعات انجام شده در این مقاله به محققین توصیه می شود که تحقیقاتی در خصوص پیش بینی بازده سهام شرکتهای موجود در بورس اوراق بهادار با استفاده از روش های داده کاوی انجام دهند.

 

زبان برنامه نویسی پایتون

پایتون (به انگلیسی: Python، US: ‎/ˈpθɑːn/‎) یک زبان برنامه‌نویسی تفسیری، سطح بالا، و همه منظوره است، که خیدو فان روسوم آن را طراحی کرده‌است، و اولین بار در سال ۱۹۹۱ منتشر شده‌است. فلسفه اصلی طراحی پایتون «خوانایی بالای کد» می‌باشد و نویسه‌های فاصله خالی در آن معنادار هستند و مکرر استفاده می‌شوند. ساختار زبانی و دیدگاه شیءگرا در پایتون به گونه‌ای طراحی شده‌است که به برنامه‌نویس امکان نوشتن کد منطقی و واضح (بدون ابهام) را برای پروژه‌های کوچک و بزرگ می‌دهد

زبان برنامه نویسی پایتون

زبان برنامه نویسی پایتون

با پایتون بیشتر آشنا شوید

کلمات کلیدی و اصلی این زبان به صورت حداقلی تهیه شده‌اند و در مقابل کتابخانه‌هایی که در اختیار کاربر است بسیار وسیع هستند.

بر خلاف برخی زبان‌های برنامه‌نویسی رایج دیگر که بلاک‌های کد در آکولاد تعریف می‌شوند (به‌ویژه زبان‌هایی که از نحو زبان سی پیروی می‌کنند) در زبان پایتون از نویسه فاصله و جلو بردن متن برنامه برای مشخص کردن بلاک‌های کد استفاده می‌شود. به این معنی که تعدادی یکسان از نویسه فاصله در ابتدای سطرهای هر بلاک قرار می‌گیرند، و این تعداد در بلاک‌های کد درونی‌تر افزایش می‌یابد. بدین ترتیب بلاک‌های کد به صورت خودکار ظاهری مرتب دارند.

پایتون مدل‌های مختلف برنامه‌نویسی (از جمله شی‌گرا و برنامه‌نویسی دستوری و تابع محور) را پشتیبانی می‌کند و برای مشخص کردن نوع متغیرها از یک سامانهٔ پویا استفاده می‌کند.

این زبان از زبان‌های برنامه‌نویسی مفسر بوده و به صورت کامل یک زبان شیءگرا است که در ویژگی‌ها با زبان‌های تفسیری پرل، روبی، اسکیم، اسمال‌تاک و تی‌سی‌ال مشابهت دارد و از مدیریت خودکار حافظه استفاده می‌کند.

زبان پایتون ۲ رسماً از سال ۲۰۲۰ دیگر پشتیبانی نمی‌شود و پایتون ۲٫۷٫۱۸ آخرین نسخهٔ پایتون ۲٫۷ و همچنین پایتون ۲ است؛ و ازاین به بعد دیگر هیچ وصلهٔ امنیتی ای یا بهبود دیگری در این نسخه داده نخواهد شد. با پایان پشتیبانی از پایتون ۲ فقط پایتون ۳ نسخه‌های بعدی آن پشتیبانی خواهند شد.

پایتون پروژه‌ای آزاد و متن‌باز توسعه‌یافته‌است و توسط بنیاد نرم‌افزار پایتون مدیریت می‌گردد.

درصورتی که تمایل به یادگیری این مبحث هستید میتوانید از طریق دپارتمان آموزش گروه داده کاوی همت اقدام کنید

برای مشاهده مطلب از منبع کلیک کنید..

👉 @ihemmat

#بورس
#سیگنال_خرید

👈 خروجی داده کاوی نرم افزار پیشرفته گروه همت ویژه سیگنالهای خرید بازار بورس در تاریخ 21 مهر ماه 99 ویژه اعضای همت بصورت #رایگان

اولویت اول

غمارگ
درهآور
حفاري
پرداخت

اولویت دوم

كسرا
حتوكا
كترام
ما
ستران
رانفور
كبافق
شرانل
غگلستا
سمگا
سيستم
تاپكيش
وتوشه
سدبير
مداران

👈 کلیه سیگنالها هرشب صورت تخصصی و کامل در بخش تحلیل داده وب سایت همت بارگزاری و به روز خواهند شد
👈 با مراجعه و مطالعه وب سایت>> کارتابل>> تحلیل داده میتوانید از تحلیل ها و اخبار روز بازار مطلع شوید

با نشر گروه همت ما را در ادامه راه همیاری کنید👇👇👇

@ihemmat
@ihemmat

#نتایج_سیگنال_های_خرید_امروز👇👇
* امروز 13 مهرماه *

(با کسر نمادهای متوقف از محاسبات)
65% سهام مثبت!!!
31% سهام صف خرید!

دقت کنید!!! این نتایج در بازار منفی اخذ شده است!!!

بیشترین سود در یک روز به ترتیب برای👇
خگستر 9.5٪ مثبت
قثابت 7.9٪ مثبت
برکت 6.9٪ مثبت

این یعنی در بازار امروز شما با خرید خگستر از کف قیمتی میتوانستید ۹٪ سود کنید! و اگر این سهم فردا با مثبت باز شود. بیش از ۱۰٪ درصد سود در دو روز!!!

همراه ما باشید👇👇
#نرم_افزار_قدرتمند_همت👊
@ihemmat
@ihemmat
@ihemmat

سود عملیاتی و غیر عملیاتی

سود و زیان یکی از مهم‌ترین مفاهیمی است که سهامداران در فعالیت‌های اقتصادی خود باید به آن توجه کنند. از همین روی آشنایی با مفاهیم متنوع سود و انواع آن بسیار حائز اهمیت است. اینکه سود عملیاتی و سود غیرعملیاتی چه مفهومی دارند، از جمله مواردی هستند که سهامداران برای تصمیم‌گیری درست در حوزه سرمایه‌گذاری باید درباره آن به‌طور دقیق بدانند.

سود عملیاتی

سود عملیاتی قابلیت سوددهی عملیاتی یک واحد تجاری را مشخص می‌کندسود عملیاتی نشان‌دهنده‌ باقیمانده‌ سود بعد از محاسبه‌ تمام هزینه‌های عملیاتی مربوط به واحد تجاری است. علاوه بر بهای تمام‌شده‌ کالای فروش رفته، هزینه‌های اداری، عمومی و هزینه‌هایی نظیر اجاره و بیمه، حمل‌ونقل و کرایه در محاسبه‌ سود عملیاتی در نظر گرفته می‌شوند.

در حقیقت تمام هزینه‌هایی که برای حفظ فعالیت واحد تجاری ضروری هستند، باید در محاسبه‌ سود عملیاتی در نظر گرفته شوند.

با این‌حال سود عملیاتی نیز همانند سود ناخالص دربردارنده‌ بهره‌های پرداختی بابت بدهی‌ها، درآمد ناشی از سرمایه‌گذاری‌ها و مالیات نمی‌شود. سود عملیاتی قابلیت سوددهی عملیاتی یک واحد تجاری را مشخص می‌کند.

گفتنی است همه درآمدهایی که شرکت‌ها از طریق انجام عملیات اصلی خود کسب می‌کنند، درآمدهای عملیاتی شرکت محسوب می‌شود. همچنین همه هزینه‌هایی که در فرایند این درآمدهای عملیاتی ایجاد شوند، جزء هزینه‌های عملیاتی شرکت هستند.

اختلاف بین درآمدهای عملیاتی و هزینه‌های عملیاتی را سود عملیاتی می‌گویند. چنانچه شرکتی از محل فعالیت‌های غیر مرتبط با موضوع خود سودی کسب کند، در علم اقتصاد آن سود را سود غیرعملیاتی می‌نامند.

برای درک بهتر مفهومی که خواندید به مثال زیر توجه کنید:

درآمد کسب‌شده از محل فروش اتومبیل برای یک شرکت خودروسازی یک درآمد عملیاتی به‌حساب می‌آید. اما درآمد حاصل از فروش زمین یا ساختمان متعلق به شرکت خودروسازی، برای این شرکت یک درآمد عملیاتی نیست و آن را درآمد غیرعملیاتی می‌نامند.

سود غیرعملیاتی

سود غیرعملیاتی ناشی از فعالیت‌های غیرمرتبط با موضوع اصلی شرکت است. معمولاً سود غیرعملیاتی مربوط به سود حاصل از فروش دارایی‌های غیرمنقول، سود حاصل از سرمایه‌گذاری‌ها و سهام، سود حاصل از اوراق مشارکت و… می‌باشد که ممکن است بخشی از آن غیرمستمر باشد.

در محاسبه سود غیرعملیاتی و غیرمستمر ناشی از فروش دارایی‌های غیرمنقول کافی است درآمد ناشی از فروش دارایی مذکور را از بهای تمام شده تاریخی آن کسر کرده تا سود غیرعملیاتی آن بدست آید.

به‌عنوان‌مثال اگر در سال‌های گذشته زمینی به بهای تمام شده چهار میلیارد تومان خریداری و در دفاتر شرکت بهای تمام شده تاریخی آن به همین عدد نیز ثبت‌شده باشد و چندی بعد زمین مذکور توسط شرکت به مبلغ ۱۰ میلیارد تومان به‌فروش برسد، اختلاف ۶ میلیارد تومانی همان سود غیرعملیاتی ناشی از فروش زمین است که در صورت‌های مالی سود و زیان در سرفصل درآمد‌های غیرعملیاتی و متفرقه ثبت می‌شود.

منبع : کارگزاری مفید

گروه تحلیل داده همت

تحلیل داده

تحلیل داده فرایند ارزیابی داده با استفاده از ابزارهای آماری و تحلیلی به منظور تعیین اطلاعات مفید و کمک به تصمیم گیری بهتر در کسب و کار است. برای تحلیل داده چندین روش مختلف وجود دارد که شامل داده کاوی، تحلیل متن، هوش تجاری و مصورسازی داده ها است.

همواره بسیاری از کسب و کار ها به شیوه سنتی عمل کرده و مشغول به درآمدزایی در صنعت کشورمان هستن اما با هوشمند شدن کسب و کارها و پیشرفت علوم داده و تجارت الکترونیک تنها با در دست داشتن دیتا ها و  اطلاعات یک کسب و کار می توان با تکنیک ها و تحلیل های خاص اطلاعات مفیدی در جهت پیشرفت کسب و کار مربوطه ارائه داد

گروه تحلیل داده همت

گروه تحلیل داده همت

تجارت الکترونیک با تکمیل علم تحلیل داده همواره توانسته است قدم بسیار مثبت و مناسبی در راستای بازاریابی دیجیتال یا دیجیتال مارکتینگ بردارد که این موضوع کمک شایانی به میزان فروش هر کسب و کار کرده است

امروزه در قرنی زندگی میکنیم که دیگر همانند گذشته نمی توان به روش سنتی عمل کرد و کارهای روزمره را پیش برد و به همین دلیل بسیاری از کسب و کارها به فکر توسعه مشغله خود افتاده اند که همین عامل باعث هجوم بسیاری از مشاغل به سمت این علوم شده است که حضور کارشناسان و مشاوران این حوزه و تحلیل درست و مناسب آنها بسیار پر کاربرد خواهد شد

گروه تحلیل داده همت با پشتوانه تخصصی خود در حوزه تجارت الکترونیک و علوم تحلیل داده اماده ارائه خدمات مستمر و حرفه ای و تخصصی به شما کسب و کارهای کشور عزیزمان ایران می باشد که همواره نیز از ایده های نو در این حوزه حمایت کرده و بهترین خدمات را به شما عزیزان ارائه خواهد کرد

ما همواره بر این تعهد هستیم که خدمات صادقانه به شما هموطنان عزیز ارائه کنیم و شما را در رسیدن به اهداف اقتصادی یاری کنیم

با ما همراه باشید

 

دیجیتال مارکتینگ


  • توسعه وب
  • طراحی و توسعه اپلیکیشن اندروید
  • گوگل برندینگ یا بهینه سازی سئو
  • بازاریابی شبکه های اجتماعی
  • پنل پیامک تبلیغاتی و ارسال انبوه
  • فروش هاستینگ و دامنه اینترنتی

کلیه خدمات فوق توسط گروه نرم افزاری همت برای مشتریان عزیز انجام میگردد

خدمات داده کاوی همت

تجزیه و تحلیل داده‌ها مبحثی است که امروزه به علت وجود انبوه داده‌ها از زمان بکارگیری کامپیوتر و بخصوص استفاده از اینترنت، محبوبیت بسیار زیادی در بین افراد پیدا کرده است. با توجه به اینکه امروزه در دنیا داده‌ها در همه جا و به صورت گسترده وجود دارند، نیاز است تا آنها را به طور مناسب جمع‌آوری، پایش و تحلیل کرده و دانش موجود در این داده‌ها را استخراج و برای پیشبرد اهداف استفاده کرد. افرادی که در این حوزه تخصص پیدا می‌کنند، با استفاده از تکنلوژی و روش‌های موجود در این حوزه به سازمان‌ها در راستای رسیدن به اهداف خود و نیز شناسایی راهکارها و استراتژی‌های جدید کمک می‌کنند. به طور کلی می‌توان نقش‌های اصلی این افراد را به صورت زیر خلاصه کرد:

شناسایی و جمع‌آوری داده‌های مناسب در خصوص مشتریان، رقبا، بازار، اقتصاد، مالی و داده‌ها فنی

انجام تحلیل‌های آماری، مالی، کمی و کیفی برای محصولات، بازار و رقبا

تبدیل داده‌ها و تحلیل‌های انجام شده به گزارشات موثر و قابل اجرا به افراد بالادستی و اجرایی

مهارت‌های اصلی:

مهارت‌های تحلیلی: فردی که در حوز تجزیه و تحلیل داده‌ها فعالیت می‌کند، بایست قادر باشد تا حجم بالایی از داده‌ها و اطلاعات را درک کرده و تفسیر نماید.

مهارت‌های ارتباطی: فردی که در حوز تجزیه و تحلیل داده‌ها فعالیت می‌کند، بایست دارای مهارت ارتباطی قویی باشد تا بتواند اطلاعات را از جاها و افراد مختلف جمع آوری کرده، تفسیر نماید و نتایه را ذی‌نفعان ارائه نماید.

مهارت تفکر-انتقادی و خلاق: فردی که در حوز تجزیه و تحلیل داده‌ها فعالیت می‌کند بایست تمام اطلاعات موجود را به منظور پیدا کردن استراتژی‌های جدید و بهبود سازمان مورد بررسی دقیق و انتقاد قرار دهد.

دیدگاه جزئی گرایی: فردی که در حوز تجزیه و تحلیل داده‌ها فعالیت می‌کند بایست تمامی جزئیات را در نظر گیرد و داده را به صورت دقیق و با جزئیات بررسی نماید.

قدرت ارائه و گزارش دهی

توانایی و دانش بالا در آمار و احتمالات

قدرت و توانایی بالا در استفاده از نرم افزارهای آماری و پایگاه داده

توانایی بالا در تحقیق و استفاده از موتورهای جستجو

تجزیه و تحلیل وب سایت و استفاده از ابزارهای وب در تجزیه و تحلیل

آشنایی با برنامه های CRM (مدیریت ارتباط با مشتری)

استفاده از الگوریتم‌های تجزیه و تحلیل و داده کاوی

آشنایی با انبار داده، پایگاه داده، مدلسازی و داده کاوی آنها

دانش هایی که در این زمینه نیاز است:

اولین دانشی که هر شخص به عنوان فردی که می خواهد در زمینه تجزیه و تحلیل داده ها فعالیت کند، دانش آمار بوده و از این دانش نیز بخش اول دانش آمار توصیفی است. توصیف داده ها یکی از اولین اقدامات و مهمترین فعالیت ها در آمار یا تجزیه و تحلیل داده ها است. زمانی که حجم انبوهی از داده ها را داریم (یا حتی زمانی که جچم داده ها کم است) و می خواهیم اطلاعات مفیدی را از این داده ها استخراج کنیم، اولین قدم برای آن مشاهده و توصیف داده هایی است که در دست داریم. اینکه داده ها چگونه توزیع شده اند، در کجا متمرکز شده اند، چقدر پراکنده هستند، نقاط دور افتاده کجا هستند. مشاهده، ترسیم و خلاصه سازی داده ها به ما کمک کند تا ببینیم در پشت این اعداد و ارقام چه رازها و اسراری نهفته است و آنها چگونه به ما کمک می کنند تا مشکلات را شناسایی کنیم، نقاط بهبود را شناسایی کنیم، اقدامات لازم برای انجام کار را شناسایی کنیم، از ریسک ها  خطرات جلوگیری کنیم، علمی را پیشرفت دهیم، به کسب و کار و سازمان خود در پیشرفت کمک کنیم و در جهت بهبود زندگی و محیط زیست خود قدم برداریم.

همچنین یکی دیگر از مواردی که افراد در این حوزه باید یاد بگیرند، نحوه تهیه داشبوردهای مدیریتی و ارائه گزارشات است. این بخش که به اصطلاح جنبه هنری تجزیه و تحلیل داده ها است، تمرکز فراوانی بر نحوه ارائه تجزیه و تحلیل انجام شده به صورتی که قابل درک برای تمامی افراد باشد دارد. در اینجا سعی می شود تا با استفاده از متن، جدوال و نمودارها گزارش ساده و جامعه ای را تهیه کرده و به بخش های مختلف که نیاز به استفاده از این گزارشات دارند ارسال نمایند.
آمار کلاسیک برای زمانی که می خواهیم تحلیل های دقیق تری بر روی داده ها داشته باشیم، یا زمانی که می خواهیم مدل های آماری همانند پیش بینی داده ها (پیش بینی روند تقاضا، پیش بینی تغییرات قیمت و بسیاری از موارد دیگر) یا تعیین میزان تاثیرگذاری عوامل مختلف برای روی اهداف (شناسایی و میزان تاثیز گذاری متغیرهای مستقل بر متغیرهای وابسته، همانند تجزیه و تحلیل واریانس، طراحی آزمایشات و …) کاربرد فراوانی دارند. این بخش در مدل سازی های تصمیم (همانند مدل های تحقیق در عملیات و نظریه بازی ها بسیار کاربرد دارد)
بعد از آمار کلاسیک بحث داده کاوی یا کار با داده های بزرگ پیش می آید که پیش زمینه آنها داشتن دانش آمار کلایسک و نیز توانایی در نوشتن الگوریتم های یادگیری ماشین (Machine learning) است. در دنیای امروز که اطلاعات فراوانی در حال تولید و تحلیل هستند، مبحث آمار کلاسیک شاید در برخی موارد دیگر پاسخگوی نیازها با این حجم فراوان از اطلاعات نباشد. بنابراین نیاز است تا با مدل های مختلف یادیگری ماشین (همانند طبقه بندی اطلاعات، خوشه بندی و پیش بینی رگرسیونی) که با هوش مصنوعی گره خورده اند نیز آشنا شد.
با توجه به این گفته ها، می توان گفت ما به عنوان فردی فعال در حوزه تجزیه و تحلیل داده ها باید دانش هایی را کسب کنیم که بتوانیم، ۱) داده ها را جمع آوری کرده (همانند کار با پایگاه داده های مختلف)، ۲) آنها را تمیز کنیم (مانند تخمین اعداد گم شده، تعیین ماهیت اعداد، مرتب سازی و …)، ۳) توصیف و خلاصه سازی داده ها (استفاده از آمار توصیفی، جدوال و نمودارهای آماری)، ۴) تهیه گزارشات و داشبورد های مدیریتی (حمع بندی و نتیجه گیری از نتایج آمار توصیفی، نمودارها و جداول و تبدیل آنها به یک گزارش جامع و مفید)، ۴) مدل سازی داده ها و پیش بینی بر اساس داده های گذشته، ۵) داده کاوی و استفاده از الگوریتم های یادگیری ماشین (که موارد ۴ و ۵ نیز به گزارشات مفید ختم می شوند) ۶) توانایی بروز رسانی گزارشات و ایجاد یک جریان مناسب ارسال گزارش و دریافت بازخورد و مشارکت در تعیین اقدامات اصلاحی در سازمان