آموزش جاوا اسکریپت

اختصاصی از نیک فایل آموزش جاوا اسکریپت دانلود با لینک مستقیم و پر سرعت .

این مجموعه شامل سه جزوه مجزای آموزش جاوا اسکریپت می باشد که هر کدام به نحو متفاوتی این زبان برنامه نویسی را توضیح و شرح داده اند

پروژه شبکه های عصبی و پردازش تصویر. doc

اختصاصی از نیک فایل پروژه شبکه های عصبی و پردازش تصویر. doc دانلود با لینک مستقیم و پر سرعت .

نوع فایل: word

قابل ویرایش 136 صفحه

چکیده:

موضوعی که در این مقاله مورد بررسی قرار گرفته شبکه های عصبی است ، که شامل موضوعاتی از قبیل شبکه عصبی چیست ، چرا ازشبکه های عصبی استفاده کنیم ، شامل چه مواردی است ، ازچه بخش هایی تشکیل شده ،چه کاربردی دارد و اینکه چگونه کار می کند ، می باشد.از آنجا که شبکه های عصبی نسل جدیدی از شبکه می باشد لذا دارای دنیایی از اطلاعات جدید در زمینه شبکه و علم آن است.از جمله نتایج ارزشمند این مقاله می توان به آشنایی با شبکه عصبی و طریقه کار آن ، که پایه و مقدمه ای برای آشنایی هر چه بیشتر با این علم جدید می باشد.

امروزه شبکه‌های عصبی در کاربردهای مختلفی نظیر مسائل تشخیص الگو، مسائل دسته‌بندی و کنترل به کار می‌روند. در کنترل یا مدل‌سازی سیستم‌هایی که ساختار داخلی ناشناخته یا بسیار پیچیده‌ای دارند شبکه عصبی خود تابع کنترل را یاد خواهد گرفت. در حال حاضر تعداد بسیار زیادی از انواع مختلف شبکه‌های عصبی مصنوعی وجود دارند که به صورت خلاصه عبارتند از: شبکه‌های پرسپترون چند لایه ، کوهونن، هاپفیلد... که این شبکه‌ها نیز خود با روش‌های مختلفی آموزش می‌بینند. از جمله کاربردهای این بحث می‌توان از شناسایی الگوها, پردازش تصویر و رویت, هوش مصنوعی, کنترل رباتها و موارد بسیار دیگر نام برد.

ما در اینجا پس از مقدمه به مسائل در خور شبکه‌های عصبی مصنوعی و نیز کاربردهای آن خواهیم پرداخت, در ادامه پرسپترون ها را که یکی از مهمترین الگوریتم‌های شبکه‌های عصبی مصنوعی می‌باشد معرفی می‌کنیم.

واژه های کلیدی: شیکه های عصبی،نرون ها ، پرسپترون ، پردازش چهره و تصویر

مقدمه:

1-1-1شبکه عصبی چیست؟

شبکه های عصبی مصنوعی الگویی برای پردازش اطلاعات می باشند که با تقلید از شبکه های عصبی بیولوژیکی مثل مغز انسان ساخته شده اند.عنصر کلیدی این الگو ساختار جدید سیستم پردازش اطلاعات آن می باشد و از تعداد زیادی عناصر (نرون) با ارتباطات قوی داخلی که هماهنگ با هم برای حل مسائل مخصوص کار می کنند تشکیل شده اند. شبکه های عصبی مصنوعی با پردازش روی داده های تجربی، دانش یا قانون نهفته در ورای داده ها را به ساختار شبکه منتقل می کند که به این عمل یادگیری می گویند. اصولاً توانایی یادگیری مهمترین ویژگی یک سیستم هوشمند است. سیستمی که بتواند یاد بگیرد منعطف تر است وساده تر برنامه ریزی می شود، بنابراین بهتر میتواند در مورد مسایل و معادلات جدید پاسخگو باشد.

شبکه های عصبی شبیه به مغز انسان اطلاعاتی را پردازش می.کنند. شبکه از تعداد زیادی سلول های عصبی تشکیل شده با پردازشی بسیار بزرگ و به هم پیوسته که در حل موازی مسائل ویژه مشغول به کارند.

یادگیری شبکه های عصبی از طریق مثالهاست. آنها برای انجام یک کار خاص برنامه ریزی نشده اند. مثالها باید با دقت بسیار بالایی انتخاب شوند والا زمان مفید هدر خواهد رفت و یا حتی ممکن است شبکه به طور ناقص دایر شود و در اینجا راهی برای فهمیدن اینکه سیستم معیوب است یا خیر وجود ندارد مگر اینکه خطایی رخ دهد.

شبکه های عصبی مصنوعی یک ترکیبی از مجموعه نرون هاست و البته نرونهای مصنوعی ای که بسیار شبیه به نرونهای زیستی کار می کنند. و بدین گونه است که ورودی های زیادی با وزنهای مختلف می گیرد و یک خروجی که به ورودی وابسته است تولید می کند. نرونهای زیستی می توانند در حال برانگیزش باشند یا نباشند)وقتی یک نرون برانگیخته می شود ضربه علائم خروجی آن مقداری کمتر از 100 هرتز است. (

شبکه های عصبی استفاده وسیعی در شناسایی الگوها دارند زیرا از خودشان قابلیت آن را دارند که بطور عمومی به ورودی های غیر منتظره نیز پاسخ دهند. در طول ساخت نرونها می آموزند که چگونه الگوهای ویژه گوناگون را تشخیص دهند. اگر الگویی پذیرفته شود در حالی که در طول اجرا ورودی با خروجی مرتبط نباشد، نرون از مجموعه ای از الگوهایی که سابقا آموخته خروجیی را که شبیه به الگو می باشد وکمترین تفاوت را با ورودی دارد انتخاب می کند. این روال عموما فراخوانی می شود.

مثال:

وقتی که ورودی نرون 1111 باشد چهار ورودی بر حسب برانگیزش مرتب شده اند و وقتی ورودی های 0000 را داریم نرون برای برانگیزش مرتب نیست. قاعده عمومی این است که نرونها مایلند برانگیخته شوند وقتی که ورودی ها 0111 ، 1011 ، 1101 ، 1110 یا 1111 باشند و در صورتی که ورودی آنها 1000 ، 0001 ، 0010 ، 0100 یا 0000 باشند مایل به برانگیخته شدن نیستند.

شناسایی الگوهای پیچیده سطح بالا می تواند به وسیله شبکه ای از نرونها انجام شود و بدین ترتیب نام آن را شبکه های عصبی مصنوعی گذاشتند. اکنون شبکه های عصبی کاربردهای زیادی دارند(درمنطق وکلام و شناسایی عکسها)البته شناسایی الگوهامی تواند به طور موفقیت آمیز بر روی کامپیوترهای عمومی انجام شود. این شبکه های عمومی که برای شناسایی الگوها استفاده می شوند Feed-Forward نامیده می شدند زیرا آنها یک بازخورد  داشته و به طور ساده ورودی ها را با خروجی ها می آمیختند. اما این شناسایی الگوها به تدریج کاملتر شده به طوری که بر روی کامپیوترهای عمومی با سیستم خاص خودشان به سختی انجام می شده پس برای شناسایی الگوها شبکه های Feed-Forward کافی نبودند.

در شبکه های عصبی خروجی هر نرون به ورودی نرونهای مجاورش متصل شده است. شبکه های عصبی نمی توانند معجزه کنند اما اگر به درستی استفاده شوند نتایج شگفت انگیزی خواهند داشت.

فهرست مطالب:

چکیده

فصل اول

1-1مقدمه ای بر شبکه های عصبی

1-1-1شبکه عصبی چیست؟

1-1-2 ساختار شبکه های عصبی

1-1-3 کاربردهای شبکه های عصبی مصنوعی (ANN)

1-1-5 قوانین برانگیختگی

1-1-6 شبکه عصبی مصنوعی ساده

1-1-7 شبکه های عصبی بر مبنای روش آموزش

حافظه‌های تناظری

1-1-8 مزایای شبکه‌های عصبی

1-1-9 کاربرد شبکه های عصبی

1-1-10 معایب ANN ها

1-2 نورون مصنوعی

1-3 نرون پیچیده تر

1-4 نرون ساده

1-5 پرسپترون

1-5-1پرسپترون های ساده

1-5-2قدرت پرسپترون

1-5-3دنباله های پرسپترون

1-5-4 یادگیری یک پرسپترون

فصل دوم

2-1 آشنایی با مفاهیم اولیه در پردازش تصویر

پردازش تصویر چیست ؟

2-1-1 پردازش تصاویر

2-1-2 کاربردهای پردازش تصویر

کاربرد های پردازش تصویر در حمل و نقل

2-1-3 مقدمه پردازش تصویر

در یافت تصویر ورودی

پیش پردازش تصویر

پردازش تصویر

آنالیز تصویر

2-1-4 تصویر دیجیتالی

تصویر دیجیتالی چیست ؟

2-1-5 مفاهیم اولیه در پردازش تصویر

2-1-5-1 مفهوم پیکسل در پردازش تصویر

2-1-5-2 مفهوم عمق بیتی

2-1-5-3 مفهوم بعد یک تصویر

اندازۀ واقعی تصویر ندارند.

2-1-5-4 چگونگی تشکیل رنگ در چشم انسان

2-2 پردازش تصاویر رنگی

2-3 انواع مدل رنگ

2-3-1 مدل رنگ RGB

2-3-2 مدل رنگ CMY

2-3-3 مدل رنگ YIQ

2-3-4 مدل رنگ HIS

2-4 انواع پردازش تصویر

برای پردازش تصویر روش های مختلفی وجود دارد که 4 روش از آنها را مورد بررسی قرار می دهیم.

2-4-1    پردازش نقطه ای

2-4-2    پردازش سطحی

2-4-3 پردازش هندسی

2-4-4    پردازش قاب

2-5 RayTracing

نحوه عملکرد       

کاربردها

2-6 ارزش پیکسل

2-7 اتصالات پیکسل ها در تصاویر

2-8 درون‌یابی     

2-8-1 Nearest Neighbor Interpolation

2-8-2 Bilinear Interpolation

2-8-3 Bicubic Interpolation

2-8-4 Fractal Interpolation

2-9 انواع تصویر

 2-9-1 تصاویر دودوئی (Binary)

2-9-2 تصاویر grayscale

2-9-3 تصاویر RGB

2-9-4 خاکستری (Grayscale) کردن تصویر

2-10 تفریق دو تصویر

2-11 جمع دو تصویر

2-12 مکمل کردن تصویر

2-13 میانگین گیری از تصویر

2-14 هیستوگرام تصویر

2-15 تعدیل هیستوگرام

2-16 فشرده‌سازی تصاویر   

2-16-1 روش JPEG

2-16-2 روش MPEG

 2-16-3 روش MP3        

2-16-4 روش MPEG2     

2-16-5 روش MPEG4     

روش توانایی جبران خطا و ارائه تصویر با کیفیت بالا را دارد. مسئله خطا و جبران آن در مورد

2-17 تصاویر آنالوگ

منابع

منابع و مأخذ:

[1]Richard E. Woods Rafael C. Gonzalez  Digital Image Processing

[2]Simon Hayek Neural Networks: A Comprehensive Foundation

[3] Gabor Szedo, Color-Space Converter: RGB to YCrCb, August 27, 2007

[4] Wenmiao Lu and Shaohua Sun,Face Detection in Color Images, Department of Electrical Engineering Stanford University, 2003

[5] Scott Tan Yeh Ping ([e-mail]),(etc), FACE DETECTION THROUGH TEMPLATE MATCHING AND COLOR SEGMENTATION, 2003

[6]Cheryl Lam,(etc), Face Detection, 2003

[7]Angela Chau,(etc), The Detection of Faces in Color Images,Dept. of Electrical Engineering Stanford University.Stanford, CA 94305, , 2003

[8] Siddharth Joshi,(etc),Digital Image Processing FACE DETECTION, 2003

 [9 ] Michael Bax,(etc), FACE DETECTION AND GENDER RECOGNITION, , 2003

[10] Peter Brende,(etc), Face Detection, 2003

[11] Ping Hsin Lee, Face Detection, 2003

[12] Diedrick Marius,(etc), Face Detection Using Color Thresholding, and Eigenimage Template Matching Digital Image Processing Project, 2003

[13] Michael Padilla and Zihong Fan, Automatic Face Detection Using Color Based Segmentation and Template/Energy Thresholding, Department of Electrical Engineering Stanford University, 2003

[14] Scott Leahy, Face Detection on Similar Color Photographs, Digital Image Processing Stanford University, 2003

[15] Science and Network Security, IJCSNS International Journal of Computer , VOL.9 No.2, February 2009

[16] Kim, Jin Hyun, Robust Face Detection, 2003

[17] Robust Face Detection , Centre for Multimedia Signal Processing Department of Electronic and Information Engineering DigitalImageProcessing-Gonzalez, Hong KongThe Hong Kong Polytechnic University,2008

[18] Henry A. Rowley Shumeet Baluja Takeo Kanade, Human Face Detection in Visual Scenes, CMU-CS-95-158R School of Computer Science Carnegie Mellon University Pittsburgh, PA 15213,2009

[19] Bernd Heisele,(etc), Component-based Face Detection, Center for Biological and Computational Learning, M.I.T., Cambridge, MA, USA

[20] Honda R&D Americas, Inc., Boston, MA, USA Department of Information Engineering, University of Siena, Siena, Italy,2007

[21] H. Beigy and M. R. Meybodi, “Optimization of topology of neural networks using learning automata.” Proc. of 4th Annual Int. Computer Society of Iran Computer Conf. CICC-98, Tehran, Iran, PP. 417- 428(In Persian), 1999.

[22] H. Beigy and M. R. Meybodi, “A learning automata based algorithm for determination of optimal number of hidden units in three layers feedforward neural networks.” Journal of Amirkabir, Tehran, Iran (In Persian), 1999.

[23] M. R. Meybodi and H. Beigy, “Neural Network engineering using learning automata: determination of desired size for three layer feedforward neural network.” Technical Reports, Computer Eng. Dept. Amirkabir University of Technology, Tehran, Iran (In Persian), 1999.

[24] Webb, R. Andrew, “Statistical Pattern Recognition,” John Wiley & Sons , 2nd Edition, July 2002. [25] G. A. Carpenter and S. Grossberg, “A massively parallel architecture for a self-organizing neural pattern recognition machine.” Computer Vision, Graphics and Image Processing, 37:54-115, 1987.

[26] G. A. Carpenter, S. Grossberg, and D. B. Rosen, “ART 2-A: An adaptive resonance algorithm for rapid category learning and recognition,” Neural Networks, vol. 4, pp. 493–504, 1991.

[27]DEAN G. PURCELL The face-detection effect: Configuration enhances detection Oakland University, Rochester Hills, Michigan,2003

[28] ALAN L. STEWART, The face-detection effect: Configuration enhances detection Stevens Institute of Technology, Hoboken, New Jersey,2003

[29] Chin-Chuan Han,(etc), Fast Face Detection via Morphology-based Preprocessing, Institute of Information Science, Academia Sinica, Nankang, Taipei, Taiwan, Institute of Computer Science and Information Engineering, National Central University, Chung-Li, Taiwan ,Department of Computer Science and Information Engineering, Fu Jen University, Taiwan,2003

[30] International Journal of Computer Vision 57(2), 137–154, 2004 c_ Kluwer Academic Publishers. Manufactured in The Netherlands.,2004

[31]MICHAEL J. JONES, Robust Real-Time Face Detection Mitsubishi Electric Research Laboratory, 201 Broadway, Cambridge, MA 02139, USA Received September 10, 2001; Revised July 10, 2003; Accepted July 11, 2003

[32] Henry A. Rowley,(etc), Neural Network-Based Face Detection, Copyright 1998 IEEE

[33] A Survey Ming-Hsuan Yang, Member, IEEE,(etc), Detecting Faces in Images IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE  INTELLIGENCE, VOL. 24, NO. 1, JANUARY 2002

[34] Black, M., & Yacoob, Y. (1995). Tracking and recognizing rigid and nonrigid facial motions using local parametric models of image motion. Proceedings of IEEE Fifth International Conference on Computer  Vision, 374–381.

[35] Black, M., & Yacoob, Y. (1997). Recognizing facial expressions in image sequences using local parameterized models of image motion. International Journal of Computer Vision, 25, 23–48.

[36] Rosenblum, M., Yacoob, Y., & Davis, L. S. (1996). Human expression recognition from motion using a radial basis function network architecture. IEEE Transactions on Neural Networks, 7, 1121–1138.

[37] Matsugu, M., Mori, K., Ishii, M., & Mitarai, Y. (2002). Convolutional spiking neural network model for robust face detection. Proceedings of the Ninth International Conference on Neural Information Processing, Singapore, 660–664.

[38] Fukushima, K. (1980). Neocognitron: a self-organizing neural networks for a mechanism of pattern recognition unaffected by shift in position. Biological Cybernetics, 36, 193–202.

[39] Fasel, B. (2002). Robust face analysis using convolutional neural networks. Proceedings of International Conference on Pattern.

[40] http:// bias.csr.unibo.it/ FVC2000 and FVC2002/ databases.asp

[41] Terrillon J C, Shirazi M N, Fukamachi H et al, "Comparative performance of different skin chrominance models and chrominance spaces for the automatic detection of human face in color images" , Proc Conference on automatic Face and Gesture Recognition, Grenoble, France, 2000, pp. 54-61.

[42] K. Sung and T. Poggio, "Example-based Learning for View – based Human Face Detection" , A. I. Memo 1521, MIT A. I. Lab., December 1994.

[43] R. L. Hsu , M. Abdel-Mottaleb and A.K. Jain , "Face detection in color images",IEEE Trans. Pattern Anal. Machine Intelligence, Vol. 24, No. 5 , pp. 696-706, May 2002.

[44] Erik H, Boon K L, "Face detection: A survey", Computer Vision and Image Understanding , 2001, 83(3), pp.236-274.

[45] Liang Lu-Hong, Aihai-Zhou, et al, "A Survey of Human Face Detection", Chinese Journal of Computer,2002,25(5), pp. 449-458.

[46] Osuna E, Freund R, "Training Support Vector Machines: an Application to Face Detection", Proceedings of the Computer Vision and Pattern Recognition, Puerto Rico, 1997, pp. 130-136.

اقدام پژوهی دبیر ریاضی چگونه توانستم علل بی علاقگی دانش آموزان را نسبت به درس ریاضی ریشه یابی نمایم وسپس به حل آن مبادرت ورزم.

اختصاصی از نیک فایل اقدام پژوهی دبیر ریاضی چگونه توانستم علل بی علاقگی دانش آموزان را نسبت به درس ریاضی ریشه یابی نمایم وسپس به حل آن مبادرت ورزم. دانلود با لینک مستقیم و پر سرعت .

این محصول در قالب ورد و قابل ویرایش در 34 صفحه می باشد.

اقدام پژوهی دبیر ریاضی چگونه توانستم علل بی علاقگی دانش آموزان را نسبت به درس ریاضی ریشه یابی نمایم وسپس به حل آن مبادرت ورزم.

اقدام پژوهی حاضر شامل کلیه موارد مورد نیاز و فاکتورهای لازم در چارت مورد قبول آموزش و پرورش میباشد و توسط مدیر سایت طراحی گردیده است. این اقدام پژوهی کامل و شامل کلیه بخش های مورد نیاز در بخشنامه شیوه نامه معلم پژوهنده می باشد.

چکیده

  با توجه به اهمیت درس ریاضی ،وعدم علاقه به آن از سوی دانش آموزان که منجر به ناتوانی دریادگیری شده      وهمچنین باعث افت تحصیلی و اتلاف بودجه شده. وبه سرزنش و تحقیردانش آموزان،تشکیل خودپنداره ضعیف و کاهش عزت نفس آنان انجامیده وباعث می گردد که اعتماد به نفسشان ضعیف  شود. از این رو و بر اساس وظیفۀ خطیر الهی و تعهد شغلی خود واحساس مسولیتی که در برابر دانش آموزان خود داریم، باید سعی کنیم در صدد رفع این مشکل برایم.بنابراین تصمیم گرفتم در ابتدای امر علل بی علاقگی دانش آموزان را نسبت به درس ریاضی ریشه یابی نمایم وسپس به حل آن مبادرت ورزم. انگیزۀ اینجانب به عنوان دبیرریاضی مقطع .. این است که با استعانت از خداوندمتعال واستفاده از نقطه نظرات همکاران،به بررسی موانع ایجاد شده پرداخته وهمچنین با بهره مندی ازوسایل  الکترونیکی و کارهای عملی ، ،تجربیات و راهکارهای ابتکاری ،مهارتهایی را در رابطه با درس مهم ریاضی ایجاد کنم و همچنین روش ها وطرح های مناسبی را در جهت علاقه مندی آنان  به مفاهیم ریاضی در زندگی روزمره فراهم نمایم. مسأله ای که مطرح است و بسیار فکر مرا به خود مشغول کرده بود این است که با توجه به محور بودن دانش آموزان در فعالیت های کلاس،در راستای هدف این اقدام پژوهی چه راهکارهای عملی را می توان بیان نمود تا میزان علاقمندی دانش آموزان رابه درس ریاضی و فعالیت های مربوط به درس ریاضی را بیشتر کرد؟ به عبارت روشنتر با استفاده از چه روشهای می توان،زمینه مناسبی برای شرکت فعال فراگیران در انجام فعالیت های مربوط به درس ریاضی را فراهم نمود.اما نکته مهمی که هست ،ما باید بدانیم که دانش آموزان را همان گونه که هستند بپذیریم،و با زمانی که خودمان دانش آموز بودیم مقایسه نکنیم ، بلکه خود آنها را با خودشان مقایسه کنیم وروش های تدریسمان نیز متناسب با آنها باشد وباید باور کرد که امروزه با گسترش فناوری های جدید اطلاعات وارتباطات کلاس های درس دیروز که تنها وسیله کمک آموزشی آن گچ وتخته سیاه بود را باید کنار گذاشته واز وسایل الکترونیکی جدید (موبایل،تبلت، نرم افزارهای ،کامپیوتر و...) باید استفاده کرد.کلاس 2را از آنجای که سال گذشته نیز با آنها درس داشته ام و با روحیاتشان آشنایی بیشتری دارم  انتخاب نموده ، و با استفاده از برنامه ریزی های که از همان آغاز سال تحصیلی جدید در نظر داشته  این هدف را دنبال نموده. در  امتحانا ریاضی ترم اول، دو کلاس مورد پژوهش افزایش حدود 10نمره ای میانگین نمرات در امتحان ریاضی،  نسبت به اولین امتحانی که از دو کلاس گرفته شده بود، خود نشان دهنده موفقیت روش در نظر گرفته شده بود. وهمچنین افزایش حدود 80درصدی  فعالیت گروهی دانش آموزان در کلاس درس ریاضی، و ایجاد شور و نشاط وجنب و جوش در آنان در ماه های پایانی سال تحصیلی که کاملا مشهود بود نشان دهندۀ موفقیت طرح بود.   از خدای متعال خواستارم که مرا در این امر یاری نمایید. تا بتوانم این روش را در سال های آینده نیز در کلاسهای درس خود اجرا نمایم.

بیان مساله توصیف وضع موجود:

اینجانب .... با میزان تحصیلات .... و ..سال سابقه تدریس، در سال تحصیلی...-..با سمت .. ... پایه ... ..  آموزشگاه . .. شهرستان ..استان .مشغول به انجام وظیفه می باشم دارد.. ریاضی بدون شک یکی از مهم ترین درس هایی است که دانش آموزان در تمام مقاطع تحصیلی به دانستن و درک آن احتیاج دارند. بسیاری از دانش آموزان به دلایل گوناگون از جمله شیوه تدریس دبیر مربوطه، تجربه های ناموفق، فشارهای والدین، کم تمرینی و دشواری در یادگیری مفاهیم ریاضی چنان از این درس دچار ترس و اضطراب می شوند و از خود مقاومت نشان می دهند که گاهی ساده ترین اعمال ریاضی را هم نمی توانند انجام دهند. در حالی که امروزه با توجه به تسلط رشته ریاضی بر علوم و تکنولوژی جدید ضرورت بیشتری برای یادگیری این علم و فهم و درک قوانین آن حس می شود. از این رو آنچه دبیران نیاز به دانستن آن دارند، ساده سازی در مفاهیم، تاکید بر مبانی اولیه علم ریاضی و ارائه تمرین ها و مثال های گوناگون است ومهم تر از همه اینها ایجاد انگیزه است و بهترین انگیزه که مخصوصا در یادگیری و علاقه به ریاضی نقش عمومی ایفا می کند بیان ریشه های تاریخی و بیان تارخ ریاضیات در پیشرفت ریاضی می باشد.به طور خلاصه می توان گفت که مفاهیم ریاضی، یکی از اثربخش ترین و کارآمد ترین مواد درسی می‌باشد. به طوری که محمد تقی مبینی(۱۳۸۰) به نقل از  ریچارد کورانت، در این زمینه می‌گوید: «ریاضیات یکی از عالی ترین تراوش‌های اندیشه ی آدمی است که منعکس کننده¬ی اراده¬ی انسان و نشان دهنده¬ی سیر عقل و برهان و هم¬چنین بیان کننده¬ی میزان علاقه¬ی بشر به کمال و زیبایی است.» نقش بنیادی علم ریاضی در پیشبرد سایر علوم و فنون نیز مورد پذیرش همگان است، به طوری که نرسیدن به هدف‌های آموزشی در زمینه¬ی ریاضی موجب ضعف ، ناتوانی و دست نیافتن به اهداف مربوط به پیشرفت علوم و فنون دیگر خواهد بود.( مبینی:1380،5 ) با توجه به اهمیت این درس و عدم¬ علاقه به آن از سوی دانش آموزان که منجر به ناتوانی در یادگیری شده،وهمچنین باعث افت تحصیلی و اتلاف بودجه شده و به سرزنش و تحقیر دانش‌آموزان، تشکیل خودپنداره ی ضعیف و کاهش عزت نفس آنان انجامیده و سلامت روان¬شان را نیز به مخاطره می‌اندازد ،از این رو، و بر اساس وظیفه¬ی خطیر الهی و تعهد شغلی خود و احساس مسئولیتی که در برابر دانش‌آموزانم دارم، سعی میکنیم در صدد رفع این مشکل برایم.  تصمیم گرفتم ابتدا علل بی‌علاقه‌گی آنان  را نسبت به درس ریاضی ریشه¬یابی نموده و سپس به حل آن مبادرت ورزم. انگیزه ی اینجانب  به عنوان دبیر ریاضی این آموزشگاه این است که با استعانت از خداوند متعال و استفاده از نقطه نظرات همکاران، به بررسی موانع ایجاد شده پرداخته و هم¬چنین با بهره¬مندی از روش‌های گوناگون، تجربیات و راه¬کارهای ابتکاری، علاوه بر ایجاد و افزایش علاقه‌مندی آنان به درس ریاضی، مهارت‌هایی را در رابطه با این درس مهم ایجاد کنم و همچنین روش‌ها و طرح‌های مناسبی را جهت علاقه‌مندی آنان در به کار گیری مفاهیم ریاضی در زندگی روزمره فراهم نمایم.مسأله¬ای که برایم مطرح می‌شد این بود؛ با توجه به محور بودن دانش‌آموزان در فعالیت‌های کلاس، در راستای هدف این اقدام پژوهی چه راه¬کارهای عملی را می‌توان ارائه نمود تا میزان علاقه‌مندی دانش‌آموزان به درس ریاضی و فعالیت‌های مربوط به آن بیشتر شود؟ به عبارت روشن¬تر، با استفاده از چه روش¬هایی می¬توان، زمینه¬ی مناسبی برای شرکت فعال فراگیران در انجام فعالیت‌های مربوط به درس ریاضی فراهم نمود .

تحقیق درباره ریاضیات گسسته

اختصاصی از نیک فایل تحقیق درباره ریاضیات گسسته دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین مطلب*

 فرمت فایل:Word (قابل ویرایش و آماده پرینت)

 تعداد صفحه:47

تاریخچه ریاضیات گسسته

پیشرفتهای سریع تکنولوژی در نیمه دوم قرن یبستم به ویژه پیشرفتهای شگفت آور علوم کامپیوتر، مسائل جدید را مطرح کردندکه طرح و حل آنها روشها و نظریه های تازه ای می طلبد. طبیعت متناهی و گسسته بسیاری از این مسائل موجب شده است که روشها و قواعد گوناگون شمارش از اهمیت خاصی بر خوردار شوند. توفیق مفاهیم لازم برای بررسی این مسائل به کار گیری منطق ریاضی و نظریه مجموعه ها را اجتناب ناپذیر ساخته است.

معادلات تفاضلی، روابط بازگشتی، توابع مولد، از دیگراجزایی هستند ک در حل مسائل مورد بحث نقشی اساسی دارند از طرف دیگر هنگام بررسی مسائل مربوط به مدارها، شبکه های حمل و نقل، ارتبا طات بازاریابی و غیره نقش جایگزین ناپذری گرا فها قا طعانه آشکار می شود.

ریاضیات گسسته مقدماتی متنی فشرده برابر یک دوره ریاضیات گسسته در سطحی مقدماتی برای دانشجویان کارشناسی علوم کامپیوتر و ریاضیات است. مولفه های اساسی برنامه کار ریا ضیات گسسته در سطحی مقد ماتی عبارتند از : ترکیبات نظریه گرا فها همراه با کار بردهایی در چند مسئاله استاندارد بهینه سازی شبکه ها، الگوریتمهایی برای حل این مسائل مهم اتحادیه سازندگان ماشینهای محاسبه و مهم کمیته برنامه ریزی یرای کارشناسی ریا ضی بر نقش حیاتی یک دوره درسی روشهای گسسته در سطح کارشناسی که دانشجویان را به حیطه ریاضیات ترکیباتی و ساختارهای جبری و منطقی وارد کند و روی ارتباط متقابل علوم کامپیوتر و ریاضیات تأکید داشته باشد صحه گذاشته اند.

تحقیق درباره رمزنگاری متقارن و نامتقارن

اختصاصی از نیک فایل تحقیق درباره رمزنگاری متقارن و نامتقارن دانلود با لینک مستقیم و پر سرعت .

فرمت:word،تعدادصفحات:5صفحه

مقدمه:

الگوریتم رمزنگاری، به هر الگوریتم یا تابع ریاضی گفته می‌شود که به علت دارا بودن خواص مورد نیاز در رمزنگاری، در پروتکل‌های رمزنگاری مورد استفاده قرار گیرد. اصطلاح الگوریتم رمزنگاری یک مفهوم جامع است و لازم نیست هر الگوریتم از این دسته، به طور مستقیم برای رمزگذاری اطلاعات مورد استفاده قرار گیرد، بلکه صرفاً وجود کاربرد مربوط به رمزنگاری مد نظر است.

در گذشته سازمان‌ها و شرکت‌هایی که نیاز به رمزگذاری یا سرویس‌های دیگر رمزنگاری داشتند، الگوریتم رمزنگاری منحصربه‌فردی را طراحی می‌نمودند. به مرور زمان مشخص گردید که گاهی ضعف‌های امنیتی بزرگی در این الگوریتم‌ها وجود دارد که موجب سهولت شکسته شدن رمز می‌شود. به همین دلیل امروزه رمزنگاری مبتنی بر پنهان نگاه داشتن الگوریتم رمزنگاری منسوخ شده‌است و در روش‌های جدید رمزنگاری، فرض بر این است که اطلاعات کامل الگوریتم رمزنگاری منتشر شده‌است و آنچه پنهان است فقط کلید رمز است.