جستجوی مقالات مرتبط با کلیدواژه "برچسب" در نشریات گروه "فناوری اطلاعات"
تکرار جستجوی کلیدواژه «برچسب» در نشریات گروه «فنی و مهندسی»-
امروزه که برخی مردم در حال سرمایه گزاری در بازارهای مالی آنلاین هستند، تحلیل و برسی و پیش بینی قیمت سهام برای خریدوفروش با سود بیشتر از اهمیت بسیار زیادی برخوردار است. لذا این مقاله درصدد آن برآمده تا بتوان برنامه ای تهیه و تنظیم شود که بتواند قیمت سهام های را پیشبینی کند و به ما اطلاعات بدهد که چه زمانی بهترین زمان برای خرید یا فروش است. این کار به کمک اندیکاتور ها و طبق اتفاقاتی که در گذشته برای یک سهم افتاده استانجام می شود و به کمک یادگیری ماشین به فرمولی به دست می آید که قیمت سهام را در آینده پیشبینی کند و به کاربران اطلاع دهد که الان باید یک سهم را بخرد، بفروشد یا هیچ کاری انجام ندهد. اما در این تحقیق این کار را بسیار پیشرفته تر یعنی با ترکیب چند اندیکاتور انجام شده و سپس با الگوریم های یادگیری ماشین امتحان شده. طبق نتایج بدست آمده در بعضی سهم ها کاربران می توانند قیمت را بسیار با دقت بالا پیشبینی کنند و سود بالایی از معاملات خود در بازار های مالی آنلاین به دست بیاورند.
کلید واژگان: اندیکاتور, ماشین لرنیگ, الگوریتم های طبقه بندی, برچسبToday, when some people are investing in online financial markets, analyzing and predicting stock prices for buying and selling with more profit is very important. Therefore, this article aims to prepare and adjust a program that can predict stock prices and give us information on when is the best time to buy or sell. This work is done with the help of indicators and according to what happened to a share in the past, and with the help of machine learning, a formula is obtained that predicts the price of shares in the future and informs users that they should buy a share now. , sell or do nothing. But in this research, this work is done in a much more advanced way, that is, by combining several indicators, and then it is tested with machine learning algorithms. According to the results obtained in some shares, users can predict the price very accurately and get high profit from their transactions in online financial markets.
-
امروزه که برخی مردم در حال سرمایه گزاری در بازارهای مالی آنلاین هستند، تحلیل و برسی و پیش بینی قیمت سهام برای خریدوفروش با سود بیشتر از اهمیت بسیار زیادی برخوردار است. لذا این مقاله درصدد آن برآمده تا بتوان برنامه ای تهیه و تنظیم شود که بتواند قیمت سهام های را پیشبینی کند و به ما اطلاعات بدهد که چه زمانی بهترین زمان برای خرید یا فروش است. این کار به کمک اندیکاتور ها و طبق اتفاقاتی که در گذشته برای یک سهم افتاده استانجام می شود و به کمک یادگیری ماشین به فرمولی به دست می آید که قیمت سهام را در آینده پیشبینی کند و به کاربران اطلاع دهد که الان باید یک سهم را بخرد، بفروشد یا هیچ کاری انجام ندهد. اما در این تحقیق این کار را بسیار پیشرفته تر یعنی با ترکیب چند اندیکاتور انجام شده و سپس با الگوریم های یادگیری ماشین امتحان شده. طبق نتایج بدست آمده در بعضی سهم ها کاربران می توانند قیمت را بسیار با دقت بالا پیشبینی کنند و سود بالایی از معاملات خود در بازار های مالی آنلاین به دست بیاورند.
کلید واژگان: اندیکاتور, ماشین لرنیگ, الگوریتم های طبقه بندی, برچسبToday, when some people are investing in online financial markets, analyzing and predicting stock prices for buying and selling with more profit is very important. Therefore, this article aims to prepare and adjust a program that can predict stock prices and give us information on when is the best time to buy or sell. This work is done with the help of indicators and according to what happened to a share in the past, and with the help of machine learning, a formula is obtained that predicts the price of shares in the future and informs users that they should buy a share now. , sell or do nothing. But in this research, this work is done in a much more advanced way, that is, by combining several indicators, and then it is tested with machine learning algorithms. According to the results obtained in some shares, users can predict the price very accurately and get high profit from their transactions in online financial markets.
Keywords: Indicator, Machine learning, Classification algorithm, lable -
نشریه منادی امنیت فضای تولید و تبادل اطلاعات (افتا)، سال سوم شماره 1 (پیاپی 6، پاییز و زمستان 1393)، صص 81 -106به مجموعه ای از فناوری ها که در آن ها برای شناسایی افراد و اشیا، از امواج رادیویی استفاده می شود، سامانه های شناسایی با امواج رادیویی یا RFID1 می گوییم. عملکرد RFID وابسته به دو دستگاه برچسب2 و قرائت گر3 است که جهت برقراری ارتباط با یکدیگر از امواج رادیویی استفاده می کنند. در بسیاری از کاربرد های سامانه های امواج رادیویی، اثبات حضور هم زمان تعدادی شی ء یا شخص در کنار هم و در یک زمان معین اهمیت دارد. هدف از طراحی پروتکل های اثبات گروهی، پاسخ به این نیاز است . می توان گفت اثبات گروهی مدرکی است که نشان می دهد دو و یا تعداد بیش تری از برچسب ها به طور هم زمان توسط یک قرائت گر بررسی شده اند. این اثبات باید با بررسی کننده4 متناظر قابل اثبات باشد. در این مقاله، این دسته از پروتکل ها ارائه و بررسی شده اند. در ابتدا ایده تولید اثبات گروهی بیان شده و به دنبال آن انواع مختلفی از این دسته از پروتکل ها به همراه تحلیل امنیتی آن ها آمده اند. درنهایت هم توصیه هایی برای طراحی یک پروتکل امن آورده شده است.کلید واژگان: پروتکل های اثبات گروهی, برچسب, قرائت گر, سامانه های شناسایی امواج رادیویی, کنترل کنندهA set of technologies, that use radio waves for identifying people or objects, is called radio frequency identification system or RFID. RFID performance depends on tag and reader devices which use radio waves to communicate to each other. In some applications of RFID systems, the proof of concurrent presence for a number of objects or persons together in a given time is crucial. Grouping proof protocols are designed to address these needs, in fact grouping proof shows that two or more tags are evaluated by a reader simultaneously. This proof must be verified by the corresponding verifier. In this article this type of protocols are introduced and analyzed. At the first, the idea of designing a grouping proof is presented and then related protocols and their security analysis are presented. Finally, a comparison between protocols is provided.Keywords: Grouping Proof Protocols, Tag, Reader, RFID Systems, Verifier
-
در عصر حاضر رشد اطلاعات در دنیای وب 2.0 به حدی بوده است که به علت حجم وسیع داده ها و اطلاعات و همچنین تغییر برخی مفاهیم در طی گذر زمان، اطلاعات غیرضروری و غیر مرتبط بسیاری با آنچه کاربران به دنبال آن هستند، به وجود آمده است.در این مقاله ما برای حل این مشکل، خوشه بندی زمانی برچسب ها در سیستم هایی که از برچسب به عنوان یک متاداده استفاده کردهو در طی زمان در حال تغییر می باشند را پیشنهاد می دهیم. این عمل از طریقپارتیشن بندی زمانی گراف برچسب هاست، به طوری که با تغییر دادن وزن های مشابهت برچسب ها در طی زمان، خوشه بندی ما هم دچار تغییر شده و خودش را با تغییرات وفق می دهد. برای نشان دادن کارایی این روش، ما آن را بر روی مجموعه داده سایت متافیلتر اجرا کرده و با روش های مشابه مقایسه کردیم. نتایج نشان دهنده این مطلب است که روش پیشنهادی ما،F-Measureمیانگین خوشه ها را 24% نسبت به بهترین روش مشابه در طول زمان، بهبود بخشیده است و ازنظر مفهومی، هم با مفاهیم گذشته وهم با مطالب روز در ارتباط است.
کلید واژگان: برچسب, خوشه بندی, Temporal, Graph Partitioning, FolksonomyToday, information growth in the world of Web 2.0, due to the vast amount of data and change of some concepts over time, there is a lot of unnecessary and irrelevant information to what users are looking for. In this paper, we for solve this problem, propose temporal clustering of tags for systems that use tags as a metadata and are changing over time. The way we use for clustering, is temporal graph partitioning tags by changing the tag similarity weights during the time, then clustering will change and adapt itself with the changes. To demonstrate the effectiveness of this approach, we implemented it on a data set of MetaFilter site and compared it with similar methods. The results show that our proposed methods improved F-Measure out 24% compared to best clusters in the same way, over time, has improved and its concept is associated both with the past concepts and the newsletter.Keywords: Tags, Clustering, Folksonomy, Graph Partitioning, Temporal -
اخیرا سیستم های برچسب زنی اجتماعی به صورت روز افزون متداول شده و در حال افزایش می باشد. این سیستم ها به کاربران اجازه می دهد تا منابع مورد نیاز خود را به صورت آزادانه سازماندهی، مدیریت و جستجو نمایند. از چالش های این نوع سیستم ها می توان به حجم بالای داده، داده ناسازگار، استفاده از الگوریتم های زمانبر یادگیری ماشین و عدم قابلیت اجرا و تطبیق در دنیای واقعی اشاره نمود. این چالش ها سبب افزایش روز افزون تحقیقات در سالهای اخیر شده است. راهکار این چالش ها سیستم های پیشنهاد دهنده می باشد، به همین دلیل سیستم پیشنهاد دهنده منابع را بر اساس برچسب معرفی نموده ایم که توانایی کمک به کاربر در انتخاب منبع مناسب و یکپارچه نمودن این منابع در بین تمام کاربران را پوشش می دهد. این سیستم به دلیل ترکیب و یکپارچه نمودن روش های مبتنی بر محتوا، مبتنی بر مشارکت، کلمات مرتبط و پروفایل کاربر سبب حذف مشکل شروع- سرد در ابتدای کار سیستم می شود. اگر سیستم دارای هیچ اطلاعاتی نباشد و برای اولین بار اقدام به فعالیت نماید، با استفاده از محتوای منبع و کلمات مرتبط اقدام به ارائه پیشنهاد به کاربر می کند که این بزگترین مزیت سیستم می باشد. در این سیستم، پیشنهادات بر اساس علائق شخصی کاربر، علائق کاربران مشابه، محتوای منابع مورد نظر و پایگاه های اطلاعاتی مرتبط با هستی شناسی و کلمات مرتبط انجام می شود. ارزیابی سیستم پیشنهادی بر روی مجموعه داده استخراج شده از سایت دلیشز انجام شده است. نتایج به دست آمده از آزمایشها، بهبود صحت در ارائه پیشنهادات و کارایی این سیستم را در مقابل روش پیشنهاد ترکیبی تا 67 درصد افزایش می دهد.
کلید واژگان: سیستم های پیشنهاد دهنده, برچسب, منبع, هستی شناسی, شروع سرد, روش مبتنی بر مشارکت, روش مبتنی بر محتوا, سیستم برچسب زنی اجتماعی
- نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2025 magiran.com All Rights Reserved.