دسته‌ها
فناوری اطلاعات - ترجمه مقاله مقالات انگلیسی رایگان مقالات ترجمه شده

ترجمه مقاله تخمینِ تدارک منابع به شکلی پویا و مبتنی بر رفتار، بر مبنای شرایطِ سطح بالای اپلیکیشن ها در پلتفرم های ابری

عنوان مقاله انگلیسی رایگان Dynamic, behavioral-based estimation of resource provisioning based on high-level application terms in Cloud platforms
عنوان فارسی ترجمه مقاله  تخمینِ تدارک منابع به شکلی پویا و مبتنی بر رفتار، بر مبنای شرایطِ سطح بالای اپلیکیشن ها در پلتفرم های ابری

 دسته : فناوری اطلاعات

ترجمه مقاله تخمینِ تدارک منابع به شکلی پویا و مبتنی بر رفتار، بر مبنای شرایطِ سطح بالای اپلیکیشن ها در پلتفرم های ابری

این مقاله ترجمه شده مهندسی فناوری اطلاعات در زمینه کلمات کلیدی زیر است:
رایانش ابری
مقاله درباره تخمین کارائی
ترجمه‌ی SLA
مقاله درباره شبکه‌های عصبی مصنوعی
پیش‌بینی بار کاری
Cloud computing
Performance estimation
SLA translation
Artificial neural networks




:
:

:
:
تصویر پیش فرض

http://20elm.ir/wp-content/uploads/2016/10/%D8%AF%D8%A7%D9%86%D9%84%D9%88%D8%AF-%D8%AA%D8%B1%D8%AC%D9%85%D9%87-%D9%85%D9%82%D8%A7%D9%84%D9%87-%D9%88-%D8%AA%D9%88%D8%B6%DB%8C%D8%AD%D8%A7%D8%AA-%D8%A8%DB%8C%D8%B4%D8%AA%D8%B1.pngجزئیات بیشتر و دانلود مقاله ترجمه شده
(مقاله انگلیسی رایگان)
ترجمه مقاله

 

چکیده

با ظهور محیط های ابری، ارائه خدمات در مقیاس اینترنت و IT محور و آنهم در قالب تسهیلات رایانشی به امری ممکن مبدل گردیده است.

با توجه به اینکه روش های کنونی در حوزه ابری توانسته اند چالش هایی مانند کیفیت خدمات، مهاجرت زنده و تحمل پذیری در برابر خطا را پاسخ دهند (که البته از اهمیت شایانی نیز برخوردار می باشد)، ادغام رفتار کاربران و اپلیکیشن ها در فرآیندهای مدیریت ابری، به عنوان یک چالش به قوت خود باقی است. این ادغام می تواند منجر به تخمین صحیح تدارک منابع ابری (برای سطوح خاصی از کیفیت خدمات) و آن هم بر حسب نیازمندی های کاربران و اپلیکیشن ها گردید.

در این مقاله قصد داریم یک روش مبتنی بر جعبه سیاه جنریکی دو سطحی را برای مدیریت رفتاری در لایه های ابری (لایه نرم افزار، پلت فرم، زیر ساختار) ارائه دهیم؛ این روش می تواند صفات منبع را در سطوح پایین پیش بینی نماید، بدین شکل که اطلاعات را در سطوح بالای مرتبط با بازه های اپلیکیشن (سطح ترجمه) تحلیل نموده و رفتار کاربر را پیش بینی می نماید (در سطح رفتاری).

الگوهای موجود در اطلاعات بالا سطح را می توان از طریق تحلیل سری های زمانی تشخیص داده و پس از آن، این الگوها را به صفات منبع در سطح پایین ترجمه کرد که البته برای این کار باید از شبکه های عصبی مصنوعی استفاده نمود. ارزش افزوده و بهره وری سطح ترجمه را از طریق سناریوهای کاربردی مختلف اثبات خواهیم کرد: سناریوهایی که در نظر گرفته ایم، شامل رمزنگاری FFMPEG، یادگیری الکترونیکی تعاملی آنلاین و سرور نوع ویکیپدیا می باشد.

همچنین مدل سطح ترکیبی را از طریق شبیه سازی های گام محور برای تشخیص خطای کلی این روش دو سطحی، مورد ارزیابی قرار داده ایم.

 

دسته‌ها
فناوری اطلاعات - ترجمه مقاله مقالات انگلیسی رایگان مقالات ترجمه شده

ترجمه مقاله آزمایش های پیش بینی اعتماد در شبکه های اجتماعی توسط شبکه های عصبی هوشمند

عنوان مقاله انگلیسی
Experiments of Trust Prediction in Social Networks by Artificial Neural Networks
عنوان ترجمه فارسی
ترجمه مقاله آزمایش های پیش بینی اعتماد در شبکه های اجتماعی توسط شبکه های عصبی هوشمند

دسته : فناوری اطلاعات

ترجمه مقاله آزمایش های پیش بینی اعتماد در شبکه های اجتماعی توسط شبکه های عصبی هوشمند

این مقاله ترجمه شده مهندسی فناوری اطلاعات در زمینه کلمات کلیدی زیر است:
شبکه های هوشمند مصنوعی
شبکه های اجتماعی
artificial neural networks
epinions
social networks
trust
Wikipedia

چکیده

سرویس ­های آنلاین شبکه ­ی اجتماعی با سرعتی نمایی هم به لحاظ تعداد کاربران و هم تنوع سرویس­ ها در حال رشد هستند؛ در نتیجه ارزیابی اعتماد در تعاملات میان کاربران و تعامل با سیستم، از منظر کاربران، مسئله­ ی مهمی است. اعتماد می­تواند در تجارب مستقیم گذشته یا در اطلاعات غیرمستقیم ارائه­ شده توسط کاربران ثالث مورد اعتماد که شهرت امانت­دار را شکل می­دهند، ریشه داشته باشد.

زمانیکه هیچ سابقه­ ی قبلی برای تعاملات وجود ندارد، بایستی شخص امانت­گذار به نوعی از پیش­بینی به منظور ایجاد اعتماد یا بی­ اعتمادی به امانت­دار احتمالی، متوسل شود.

ما در این مقاله به پیش­بینی روابط اعتماد بر پایه­ ی اطلاعات شهرت می­پردازیم. اعتماد می­تواند مثبت یا منفی (بی­اعتمادی) باشد، از این رو ما یک مسئله­ ی “دو رده­ ای” داریم.

بردارهای ویژگی برای دسته ­بندی، مؤلفه­ هایی با مقادیر دودویی دارند. شبکه­ ی عصبی مصنوعی و دسته­ بندهای آماری، به­ روزترین نتایج را در خصوص این ویژگی­ها در محک­ زنی پایگاه داده­ فراهم می­ آورند.

در این مقاله، ما بکارگیری یک روش تولید نمونه را برای رده ­ی اقلیت به منظور کاهش برخی اثرات عدم توازن رده ­ها در میان رده­ های اعتماد و بی­ عتمادی پیشنهاد می­کنیم. بطور ویژه، این رویکرد انعطاف بالایی به رشد سیستم دارد.

 

1-مقـدمـه

پیش­بینی اعتماد در حال بدل شدن به مسئله­ ی مهمی در بسیاری از مسائل محاسباتی از جمله تعاملات عامل­ها از طریق سرویس­های آنلاین است. این عامل­ها می­توانند انسان­ها یا موجودیت­ های محاسباتی مستقل باشند. اینترنت اشیاء (IoT) در تعاملات مورد اعتماد پشتیبانی می­شود (آرتز و گیل، 2007؛ چن و همکاران، 2013؛ گریکو، 2013). ما بطور خاص به روابط اعتماد در شبکه­ های اجتماعی می­ پردازیم، یعنی جاییکه اعتماد یک ویژگی برای روابط میان عوامل انسانی بر پایه­ی تشخیص جامعه است (ریبولو و گرانا، 2013). اعتماد را می­توان از سوابق تعاملات مابین یک جفت عامل ایجاد نمود؛ اما هنوز هم پرسش “شروع سرد” به قوت خود باقی است. نگرش اساسی امانت­گذار در ارتباط با امانت­دار، زمانیکه هیچ سابقه­ ی قبلی از تعاملات وجود ندارد، چگونه است؟ این را می­توان بطور غیرمستقیم از نگرش ­های کاربر استنباط نمود، یعنی با دنبال کردن برخی استدلالات هم­رنگی (علاقه به کاربرانی که به موارد مشابهی علاقه دارند)، یا می­توان آن را از شهرت امانت­دار پیش­بینی کرد…


ادامه مطلب و دانلود

دسته‌ها
فناوری اطلاعات - ترجمه مقاله مقالات انگلیسی رایگان مقالات ترجمه شده

ترجمه مقاله پیش بینی جهت تغییر قیمت شاخص سهام با استفاده از شبکه های عصبی مصنوعی و ماشین های بردار پشتیبانی: نمونه ی بورس اوراق بهادار استانبول

عنوان مقاله انگلیسی
Predicting direction of stock price index movement using artificial neural networks and support vector machines: The sample of the Istanbul Stock Exchange
عنوان ترجمه فارسی
ترجمه مقاله پیش بینی جهت تغییر قیمت شاخص سهام با استفاده از شبکه های عصبی مصنوعی و ماشین های بردار پشتیبانی: نمونه ی بورس اوراق بهادار استانبول

دسته : فناوری اطلاعات

ترجمه مقاله پیش بینی جهت تغییر قیمت شاخص سهام با استفاده از شبکه های عصبی مصنوعی و ماشین های بردار پشتیبانی: نمونه ی بورس اوراق بهادار استانبول

این مقاله ترجمه شده مهندسی فناوری اطلاعات در زمینه کلمات کلیدی زیر است:
پیش بینی جهت تغییر قیمت شاخص سهام
ماشین بردار پشتیبان
Artificial neural networks
Support vector machines
Prediction
Stock price index

 

چکیده

پیش بینی تغییر شاخص قیمت سهام به عنوان یک کار چالش برانگیز برای پیش بینی سری های زمانی مالی در نظر گرفته می شود. پیش بینی دقیق تغییر قیمت سهام ممکن است برای سرمایه گذاران سود داشته باشد.

 با توجه به پیچیدگی داده های بازار سهام، توسعه ی مدل هایی کارآمد برای پیش بینی بسیار دشوار است.  این مقاله تلاش می کند تا دو مدل کارآمد را توسعه دهد و عملکرد آنها را در پیش بینی جهت تغییر روزانه ی 100 شاخص ملی (ISE) مبادله ی سهام استانبول مقایسه نماید.

این مدل ها بر اساس دو روش طبقه بندیِ، شبکه های عصبی مصنوعی (ANN) و ماشین های بردار پشتیبانی (SVM) می باشد.

ده شاخص فنی به عنوان ورودی برای مدل های پیشنهادی انتخاب شده اند.  دو پارامتر جامع تنظیم کننده ی آزمایش برای هر دو مدل به منظور بهبود کارایی پیش بینی مدل ها اجرا شده اند.  نتایج تجربی نشان داد که میانگین کارایی مدل ANN (75.74%) به طور قابل توجهی بهتر از مدل SVM (71.52%) می باشد.

-1مقدمه

پیش بینی شاخص قیمت سهام و تغییر آن به عنوان یکی از برنامه های کاربردی بسیار چالش برانگیز برای پیش بینی سری های زمانی در نظر گرفته شده است.

اگرچه تحقیقات تجربی بسیاری مربوط به مسائل پیش بینی شاخص قیمت سهام وجود داشته است، بسیاری از یافته های تجربی با بازارهای مالی توسعه یافته مرتبط می باشند.  به هر حال، تعدادی پژوهش در ادبیات تحقیق برای پیش بینی جهت تغییر شاخص قیمت سهام در بازارها در حال ظهور، به خصوص در بازار سهام ترکیه وجود دارد.

پیش بینی های دقیق تغییر شاخص های قیمت سهام برای توسعه ی استراتژی های معاملاتی بازار موثر بسیار مهم است (Leung, Daouk, Chen,2000) . بنابراین، سرمایه گذاران می توانند مانع از خطرات بالقوه بازار و دلالان شوند و آربیتراژگرها (سرمایه گذارانی که ریسک نمی کنند) فرصتی برای تولید سود توسط معاملات شاخص سهام دارند (Manish, Thenmozhi, 2005) …

 

ادامه مطلب و دانلود