دوره آموزشی - جستجوی «r 72589»

نتایج جستجوی «r 72589» در دوره‌های آموزشی مرتبط با مقاطع تحصیلی و مهارت‌های شغلی مختلف، مانند دوره‌های برنامه‌نویسی، حسابداری، مدیریت و ...

آموزش یادگیری عمیق پیشرفته: مدل‌سازی سطح پایین

دوره آموزش «یادگیری عمیق پیشرفته: مدل‌سازی سطح پایین» چیست؟ یکی از انواع روش‌های یادگیری ماشین (Machine Learning) و هوش مصنوعی، یادگیری عمیق (Deep learning) است. طی این روش، تلاش بر این است که قابلیتی به ماشین (سیستم کامپیوتری) اضافه شود تا ماشین در تصمیم‌گیری‌ها روشی مشابه فرایند ذهن انسان را داشته باشد و به نوعی فعالیت‌های ذهن انسان را تقلید کند. در دوره «آموزش یادگیری عمیق پیشرفته: مدل‌سازی سطح پایین» شرکت‌کنندگان با موضوعات مختلفی از جمله مدل‌سازی سطح پایین در تنسورفلو آشنا خواهند شد. «تنسورفلو» (TensorFlow)، یک کتابخانه رایگان و اوپن سورس است و به دلیل ویژگی‌های جذابی که در اختیار کاربران قرار می‌دهد، کاربردهای زیادی در یادگیری ماشین دارد. یکی از اصلی‌ترین کاربردهای تنسورفلو در پیاده‌سازی شبکه‌های عصبی است؛ به همین دلیل این کتابخانه، به عنوان پراستفاده‌ترین کتابخانه در یادگیری عمیق شناخته می‌شود. شرکت‌کنندگان این دوره با همه مباحث مربوط به یادگیری عمیق، مدل‌سازی سطح پایین و کتابخانه تنسورفلو آشنا خواهند شد. به طور مشخص شرکت‌کنندگان در این دوره با مباحث زیر سروکار خواهند داشت: آشنایی با تعاریف کلی و مفاهیم مربوط به یادگیری عمیق و مدل‌سازی سطح پایین چگونگی طراحی دلخواه اِلمان‌های مختلف یک شبکه عصبی مانند loss، metric، activation function و حتی لایه‌ها و مدل‌ها چگونگی پیاده‌سازی training loop به صورت کامل و دلخواه آشنایی با تعاریف و عملیات‌های ممکن روی تنسورها آشنایی با امکانات پردازش داده تنسورفلو شرکت‌کنندگان این دوره پس از گذراندن این دوره علاوه بر آشنایی با مباحث و تعاریف کلی موارد زیر را نیز به طور کامل فرا خواهند گرفت: آشنایی با تنسورها و انجام محاسبات با آن‌ها پیاده‌سازی loss، activation function، initializer، regularizer، metric، لایه و مدل دلخواه آشنایی با GradientTape و طراحی حلقه آموزش دلخواه آشنایی با Data API تنسورفلو هدف از برگزاری دوره «یادگیری عمیق پیشرفته: مدل‌سازی سطح پایین» چیست؟ مدل‌سازی سفارشی و سطح پایین یکی از مهم‌ترین مهارت‌ها برای افرادی است که قصد دارند در زمینه یادگیری عمیق فعالیت داشته باشند. شما ممکن است بخواهید ایده‌های جدیدی را برای طراحی یک شبکه عصبی پیاده‌سازی کنید. یعنی شبکه‌ای طراحی کنید که تعدادی از اِلمان‌ها به‌صورت default در آن وجود نداشته باشد. به‌عنوان مثال می‌خواهید یک loss جدید تعریف کنید و یا عملکرد شبکه را با یک متریک جدید ارزیابی کنید؛ یا لایه‌ای بسازید که عملکرد جدیدی داشته باشد. پس از گذراندن این دوره با امکانات لازم در تنسورفلو برای این محاسبات آشنا می‌شوید و می‌توانید شبکه‌ای کاملا دلخواه با نیازها و ایده‌آل‌های خودتان ایجاد کنید. هدف اصلی این دوره آشنایی با همه مباحثی است که در این مسیر مورد نیاز شما خواهند بود و برای کار در این مسیر باید به آن‌ها تسلط پیدا کنید. دوره «یادگیری عمیق پیشرفته: مدل‌سازی سطح پایین» برای چه کسانی مناسب است؟ مباحث مطرح شده در این دوره برای همه افرادی که به موضوعاتی همچون یادگیری عمیق و هرآنچه به این موضوع مربوط می‌شود علاقه‌مند هستند، مفید و کاربردی خواهد بود. به طور خاص این دوره برای کسانی است که با تنسورفلو و کراس آشنایی دارند و قصد دارند با گذراندن یک دوره آموزشی علاوه بر مرور مجدد مباحث مربوط به این عناوین، گامی بزرگ در جهت ماهرتر شدن در مدل سازی شبکه‌های عصبی برای یادگیری عمیق بردارند.

203,150 تومان

آموزش الگوریتم‌های بهینه ‌سازی در R

در این درس دانشجویان با مفاهیم بهینه‌سازی و نحوه اجرای آن در R آشنا می‌شوند. تمرکز این درس کاربرد روش‌های بهینه‌سازی در حوزه کسب‌وکار و مدیریت است. پرسش‌هایی اساسی در کسب‌وکار نظیر موارد زیر با الگوریتم‌های بهینه‌سازی قابل پاسخ‌دادن هستند: · یک شرکت تحت محدودیت‌های مختلف تولید و بازار، چگونه ترکیب بهینه محصولات خود را تعیین ‌کند تا سود خود را افزایش دهد؟ · یک شرکت چگونه ساختار لجستیک خود را طراحی کند تا هزینه حمل‌ونقل خود را کمینه کند؟ · باتوجه ‌به الگوی تقاضا، چگونه نیروی انسانی را در شیفت‌های مختلف کاری تخصیص دهیم تا هزینه منابع انسانی کمینه شود؟ · سبدی از دارایی‌ها را چگونه تخصیص دهیم تا با کم‌ترین ریسک، بازدهی سبد دارایی‌ها بیشینه شود؟ مخاطب اصلی این درس کسانی هستند که می‌خواهند از روش‌های داده‌محور برای تصمیمات کسب‌وکار استفاده کنند. هدف از درس این نیست که دانشجویان بیش از اندازه درگیر روش‌های ریاضی و آماری شوند، بلکه هدف آموزش مفاهیم به زبان ساده به همراه نشان‌دادن کاربردها و روش‌های پیاده‌سازی الگوریتم‌های بهینه‌سازی در عمل است. این یک درس پیشرفته است و بنابراین انتظار می‌رود مخاطبان این درس با مفاهیم کار با داده آشنا باشند و بتوانند با زبان برنامه‌نویسی R به راحتی کار کنند. دانشجویان در پایان این دوره باید روی یک پروژه کاربردی کار کنند و آن را تحویل دهند. کارکردن روی این پروژه و بازخوردهایی که از استاد دوره می‌گیرند، به آنان کمک خواهد کرد تا مفاهیم آموخته شده در درس را بهتر بفهمند و برای حل مسائل کسب‌وکار با روش‌های داده‌محور آماده‌تر شوند. این پنجمین درس از مجموع دوره Business Analytics در مکتب‌خونه است که هدف آن کاربرد روش‌های داده‌محور در کسب‌وکار است.

381,650 تومان

آموزش تحلیل داده با زبان برنامه نویسی R (پیشرفته)

در دوره آموزش تحلیل داده با زبان برنامه نویسی R (پیشرفته) دانشجویان با کاربردهای برخی از الگوریتم‌های یادگیری ماشین (Machine Learning) در کسب‌وکار و نحوه به‌کارگیری این الگوریتم‌ها روی داده‌های واقعی آشنا می‌شوند. رگرسیون خطی، رگرسیون لجستیک، خوشه‌بندی سلسله مراتبی، خوشه بندی kmeans و الگوریتم Naive Bayes و الگوریتم Apriori روش‌هایی هستند که در این درس آموزش داده می‌شوند. مباحث به‌گونه‌ای انتخاب شدند که بیشترین کاربردها را در دنیای کسب‌وکار داشته باشند و دانشجویان پس از یادگیری بتوانند آن‌ها را برای حل مسائل دنیای واقعی بکار ببرند. الگوریتم‌هایی آموزش داده‌شده در این درس، عمدتاً برای پیش‌بینی و کشف الگوها بکار می‌روند. پرسش‌هایی اساسی در کسب‌وکار نظیر موارد زیر با الگوریتم‌های بالا قابل پاسخ دادن هستند: • چگونه می‌توان رضایت مشتریان را از خدمات سازمان افزایش داد؟ • کدام‌یک از مشتریان سازمان سودآورتر از بقیه هستند؟ • چگونه تقلب را در حوزه‌های مختلف مانند ادعای خسارت در بیمه، پول‌شویی، هزینه‌های بیمارستانی و فرار مالیاتی شناسایی کنیم؟ • احتمال آن‌که فردی که متقاضی وام است، نتواند وام خود را پس دهد، چقدر است؟ • چگونه کاربران را بر اساس رفتار آن‌ها خوشه‌بندی کنیم و به هریک از آنان خدمات سفارشی‌شده ارائه دهیم؟ • چه بسته‌ای از محصولات را در کنار یکدیگر قرار دهیم تا فروش افزایش یابد؟

381,650 تومان

دوره یادگیری عمیق با تنسورفلو و کراس

دوره آموزش یادگیری عمیق با تنسورفلو و کراس چیست؟ دوره آموزش یادگیری عمیق با تنسورفلو و کراس به آموزش کاربردی یادگیری عمیق و تمام مباحث مربوط به کتابخانه‌­های تنسورفلو و کراس می‌­پردازد. به طور مشخص­‌تر موضوعاتی که در این دوره دنبال می‌­شود شامل موارد زیر است: پیاده‌­سازی شبکه‌­های عصبی (یادگیری عمیق) در پایتون پیاده‌­سازی شبکه­‌های Multi-layer perceptron (MLP) و Convolutional بحث و بررسی در رابطه با موضوعات گوناگون یادگیری عمیق مانند: Transfer learning، Overfitting و Regularization بررسی دقیق و عمیق تنسورفلو و کراس آشنایی با یادگیری عمیق، تنسورفلو و کراس در یک تعریف کلی، یادگیری عمیق یکی از شاخه­‌های یادگیری ماشین و هوش مصنوعی است که در آن سعی می­‌شود از روش کارکرد مغز برای یادگیری موضوعات استفاده شود. در یادگیری عمیق به کامپیوترها آموزش داده می‌­شود که برای حل مسائل از روش­‌هایی استفاده کنند که مغز انسان برای حل مسائل از آن روش‌­ها استفاده می‌­کند. به طور کلی یادگیری عمیق سعی می‌­کند به شبیه‌سازی مغز انسان بپردازد. «تنسورفلو» (TensorFlow)، یک کتابخانه رایگان و اوپن سورس است که کاربردهای زیادی در یادگیری ماشین دارد. یکی از اصلی‌­ترین کاربردهای تنسورفلو در پیاده‌­سازی شبکه­‌های عصبی است. به همین دلیل است که این کتابخانه، پراستفاده‌­ترین کتابخانه در یادگیری عمیق است. کراس یک کتابخانه در تنسورفلو است که با هدف توسعه شبکه‌­های عصبی ایجاد شده است. هدف از برگزاری دوره آموزش یادگیری عمیق با تنسورفلو و کراس چیست؟ امروزه اهمیت یادگیری عمیق در بسیاری از تکنولوژی‌­ها بر کسی پوشیده نیست؛ تا جایی که در دنیای امروز یادگیری عمیق به مغز محاسباتی در بسیاری از زمینه­‌های علم و تکنولوژی تبدیل شده است. به همین دلیل است که در دنیایی از صنایع مختلف تا تکنولوژی‌­های مختلف، تقریبا هیچ موردی را نمی‌­توان پیدا کرد که در آن ردپایی از یادگیری عمیق دیده نشود. به این ترتیب، اصلی­‌ترین هدف این دوره آموزش کاربردی یادگیری عمیق و شناخت ابعاد گوناگون آن است. در این دوره شما با این ابزار بسیار مهم به ­صورت عملیاتی آشنا می‌­شوید و جزئیات لازم برای پیاده‌­سازی بهینه این الگوریتم‌ها را در عمل می­‌آموزید. در ادامه راه می‌­توانید از این ابزار در هر زمینه‌­ای که با داده روبه‌­رو می‌شوید و به دنبال پیدا کردن الگوهای آن هستید، استفاده کنید. دوره آموزش یادگیری عمیق با تنسورفلو و کراس برای چه کسانی مناسب است؟ محتوای این دوره به نحوی انتخاب شده که مناسب افرادی باشد که دوره یادگیری ماشین را گذرانده‌اند و با مفاهیم ابتدایی هوش مصنوعی آشنایی دارند و به دنبال ادامه مسیر یادگیری/شغلی در این زمینه هستند. با توجه به اینکه این دوره ترکیب آموزش مفاهیم تئوری و عملی در کنار یکدیگر است، دانشجویان این دوره می‌توانند مسائل دنیای واقعی مثل پردازش تصویر، پردازش زبان طبیعی، پیش‌بینی‌های دنباله‌های عددی و ترافیک و غیره را حل کنند. بنابراین این دوره مناسب کسانی خواهند بود که علاقه‌مند به مباحث پیشرفته هوش مصنوعی و چالش‌های لبه‌ی تکنولوژی هستند. در انتهای دوره آموزش یادگیری عمیق با تنسورفلو و کراس مخاطب چه دستاوردی خواهد داشت؟ با توجه به محتوایی که در این دوره به شرکت‌­کنندگان آموزش داده می‌­شود، در انتهای دوره مخاطبان محترم با موارد زیر آشنایی خواهند داشت: پیاده­‌سازی شبکه‌­های MLP پیاده‌­سازی شبکه­‌های Sequential، Functional و Subclass بهینه­‌سازی پارامترهای شبکه­‌های عصبی شناخت ترکیب مناسب activation function و initialization شناخت بهینه‌­ساز­ها و برنامه‌­های زمانی متناسب شناخت راهکارهای مقابله با Overfitting شناخت ابزار لازم برای ارزیابی عدم قطعیت پیش‌بینی شبکه­‌های عصبی پیاده‌سازی Transfer learning و استفاده از شبکه­‌های قدرتمند آماده پیاده‌­سازی شبکه­‌های Convolutional

832,150 تومان

آموزش ساخت پروژه یادگیری ماشین موفق

کاربرد دوره آموزش ساخت پروژه یادگیری ماشین موفق چیست؟ یادگیری ماشین روشی برای تحلیل داده‌ها است که ساخت مدل‌های تحلیلی را خودکار می‌کند. ماشین لرنینگ شاخه‌ای از هوش مصنوعی محسوب می‌شود و مبتنی بر این ایده است که سیستم‌ها می‌توانند از داده‌ها بیاموزند، الگوها را شناسایی کنند و با حداقل دخالت انسان تصمیم بگیرند. آموزش ساخت پروژه یادگیری ماشین موفق، سومین دوره از مجموعه تخصص یادگیری عمیق اندرو می‌باشد. در این دوره یاد خواهید گرفت که چگونه یک پروژه را در این زمینه با موفقیت ایجاد کنید و به‌عنوان رهبر پروژه تصمیم‌گیری‌های لازم را انجام دهید. در پایان شما قادر خواهید بود خطاهای موجود در سیستم یادگیری ماشین را تشخیص دهید، استراتژی‌هایتان را برای کاهش خطاها اولویت‌بندی کنید و تنظیمات پیچیده ML مانند مجموعه‌های آموزش و آزمایش ناسازگار را درک کنید. یادگیری end-to-end، یادگیری انتقال و یادگیری چند وظیفه‌ای از دیگر کارهایی است که بعد از گذراندن این دوره قادر به انجام آن‌ها خواهید بود. هدف از یادگیری دوره آموزش ساخت پروژه یادگیری ماشین موفق چیست؟ هدف از دوره آموزش ساخت پروژه یادگیری ماشین این است که شما بتوانید توانایی‌ها، چالش‌ها و پیامدهای یادگیری عمیق را درک کنید. این دوره شما را برای مشارکت در توسعه فناوری پیشرفته هوش مصنوعی آماده می‌کند. علاوه بر این موارد، دوره حاضر مسیری برای شما فراهم می‌کند تا دانش و مهارت لازم را، برای استفاده از یادگیری ماشین در کار خود، ارتقا سطح فنی‌تان و برداشتن گام نهایی در دنیای هوش مصنوعی به دست آورید. دوره آموزش ساخت پروژه یادگیری ماشین موفق مناسب چه کسانی است؟ این دوره نحوه انجام پروژه یادگیری ماشین را به شما آموزش می‌دهد؛ بنابراین این دوره برای کسانی که دانش اولیه یادگیری ماشین دارند، بسیار مناسب است. دوره آموزش یادگیری ماشین با استفاده از تجربه اندریو انجی (Andrew Ng) در ساخت و حمل بسیاری از محصولات یادگیری عمیق تهیه دیده شده است. اگر شما دوست دارید یک رهبر فنی شوید و بتوانید یک تیم هوش مصنوعی را به‌خوبی هدایت کنید، این دوره قطعاً به شما در این راه کمک خواهد کرد. چراکه این دوره تجربه صنعت را به شما ارائه می‌دهد که تنها در صورت سال‌ها کار کردن در این حوزه به دست می‌آید. بعد از فراگیری دوره آموزش ساخت پروژه یادگیری ماشین موفق چه مهارت‌هایی کسب خواهید کرد؟ این دوره به شما می‌آموزد که چگونه پروژه‌های یادگیری ماشین را به بهترین نحو رهبری کرده و انجام دهید. در این راستا مهارت‌های زیر را فرامی‌گیرید: یادگیری عمیق Inductive Transfer یادگیری ماشین یادگیری چند وظیفه‌ای تصمیم‌گیری

50,150 تومان

آموزش طراحی پژوهش علمی و تحلیل آماری با استفاده از نرم افزار SPSS و R

دوره آموزش طراحی پژوهش علمی و تحلیل آماری با استفاده از نرم افزار SPSS و R در این دوره با آموزش spss و آموزش نرم افزار R، تحلیل آماری، طراحی و تحقیق علمی با این نرم افزار ها آموزش داده می شود. هر فرد در فرآیند انجام پژوهش‌هایی مثل پایان نامه یا تحقیق‌های علمی با داده‌هایی سروکار دارد که برای نتیجه گیری و استفاده از آن‌ها در پژوهش خود نیاز به تحلیل آن‌ها دارد؛ برای تحلیل آماری داده ها و اطلاعات باید با چهار موضوع مهم آشنایی داشته باشید؛ اولین موضوع روش تحقیق است یعنی اینکه هر فرد که قصد انجام پژوهش را دارد باید بداند که چگونه یک پژِوهش را طرح ریزی کند یا به جمع آوری اطلاعات بپردازد. دومین بحث آشنایی با علم گسترده آمار است؛ آمار علم وعمل توسعه دانش است با استفاده از آمار می‌توان ویژگی‌ها و اطلاعات را اندازه‌گیری و پردازش کرد. اینکه شما با مفاهیم آماری چقدر آشنا باشید کمک کننده‌ی شما در فرآیند پروژه خواهد بود و قطعا نتیجه‌ی بهتری را بدست خواهید آورد. سومین عنوان استفاده از نرم افزاهای قوی در تحلیل داده‌ها و نتیجه‌گیری از اطلاعات در طرح‌های پژوهشی است که با استفاده از خروجی گرفتن از نرم افزاهای مربوطه می‌توان هدف‌های مورد نظر را اجرایی کرد به کمک تفسیر خروجی‌ها و گزارش نویسی فرایند تحقیق مورد نظر در نرم افزار به پایان می‌رسد. از جمله‌ نرم افزارهای پر کاربرد می‌توان به نرم افزارهای SPSS و R اشاره کرد. اما چیزی که امروزه شاهد آن هستیم وجود خلا آموزشی است که این ترتیب‌های گفته شده در آن‌ها رعایت نمی‌شود؛ به همین دلیل ما با ایجاد بستری مناسب برای آموزش، قدم به قدم طراحی پژوهش علمی و تحلیل آماری ارائه می‌دهیم تا فراگیر خروجی مناسب روز جامعه و نتیجه‌ی مدنظر خود را دریافت کند. نرم افزار SPSS نرم افزار SPSS که مخفف عبارت Statistical Pakage for the Social Science می باشد، یک نرم افزار جامع وکاربردی برای انجام تحلیل‌های آماری و داده کاوی است که در رشته های مختلف به خصوص علوم اجتماعی و رفتاری مورد استفاده گسترده قرار می‌گیرد. این نرم افزار با انجام قابلیت‌های مختلف آماری همچون محاسبات میانگین، واریانس، انحراف معیار و سایر عملیات‌ها مورد توجه کاربران است؛ کاربرد دیگر این نرم افزار را می توان تحلیل داده‌ها و داده کاوی می‌توان گفت که توسط نرم افزار SPSS Modeler انجام می شود که با استفاده از آن می‌توان به تجزیه و تحلیل داده‌های وارد شده واطلاعات پرسشنامه کرد همچنین مدل‌هایی را برای پیش بینی‌ها ایجاد کرد و به تحلیل آن‌ها پرداخت؛ این نرم افزار این امکان را به کاربر می‌دهد که بدون نیاز به دانشی از برنامه نویسی، الگوریتم های داده کاوی را در پژوهش‌های آماری خود به کار بگیرد. نرم افزار R نرم افزار R یک زبان برنامه نویسی شی گرا می باشد که برای محاسبات آماری طراحی شده است و باید گفت یکی از مهم‌ترین و برجسته ترین نرم افزار‌ها در حوزه علم داده که برای ورود به این حوزه باید با آن آشنا بود، نرم افزار R است؛ این نرم افزار در موضوعاتی همچون: ساخت مدل‌های پیش بینانه، توصیفی، استقرار مدل‌های مبتنی بر یادگیری ماشین و آمار کاربرد گسترده دارد؛ علاوه بر علم داده در یکی از فیلدهای جذاب که به تازگی مورد توجه قرار گرفته است به نام حوزه متن کاوی نیز نرم افزار R از جمله زبان‌های برنامه نویسی مورد نیاز است؛ از مزیت های این نرم افزار آماری می توان به موارد زیر اشاره کرد: 1. نرم افزار R دارای زبان رایگان و متن باز است که بر روی سیستم عامل‌های مختلفی اجرا می شود 2. دارای راهنمای داخلی است 3. قابلیت‌های گرافیکی قابل ملاحظه‌ای دارد 4. دارای زبان قوی است اما در عین حال یادگیری ساده‌ای دارد 5. توابع آماری پیش ساخته زیادی دارد 6. با استفاده از نرم افزار R می‌توان به سادگی توابع مورد نظر کاربر را ساخت

424,150 تومان

آموزش نرم‌افزار Expert Choice

آموزش نرم‌افزار Expert Choice دوره آموزش پیش رو نیز ضمن پرداختن به آموزش اکسپرت چویس، به بررسی فرآیند سلسله مراتبی در نرم افزار اکسپرت چویس پرداخته و پکیج کاملی از آموزش Expert Choice را ارائه می‌دهد. در نهایت تلاش دارد خروجی ایده‌آل مدنظر برای فراگیر را حاصل کند؛ برای این کار مدرس به پشتیبانی پس از دوره آموزش Expert Choice می‌پردازد. وجه تمایز این دوره با دیگر دوره‌های آموزش اکسپرت چویس در آموزش تصمیم‌گیری چند معیاره گروهی با استفاده سلسله مراتبی و پیاده سازی آن در نرم افزار Expert Choice است. یکی از اساسی‌ترین موضوعات مطرح در دنیای امروزی که همواره از دغدغه‌های اصلی مدیریت محسوب می‌شود، بحث تصمیم‌گیری است لزوم اتخاذ تصمیم درست و برگزیدن گزینه مناسب از میان گزینه‌های متعدد زمینه انتخاب بهترین تولید کننده، بهترین توزیع کننده و... در تشکیل یکپارچگی‌ها و موارد مشابه از جمله مسائل مهم مطرح برای تصمیم‌گیری‌های چند معیاره است؛ این تصمیمات جزئی از مسائل بزرگ و کلان را شامل می‌شوند و در بسیاری از این موارد در صورت نادرست بودن تصمیم، هزینه‌های زیادی را باید پرداخت. از این رو تصمیم‌گیری صحیح در تمام مسائل اهمیت به سزایی دارد. یکی از کارآمدترین تکنیک‌های تصمیم‌گیری چند معیاره استفاده از روش تحلیل سلسله مراتبی یا AHP(Analytical Hierarchy Process) است که در روش AHP مسئله اصلی به کمک یک ساختار سلسله مراتبی به مسائل کوچک‌تر شکسته می‌شود؛ در این ساختار معیارها سطح بندی می‌شود (هدف و معیارهای اصلی در سطوح بالاتر و معیارهای فرعی در سطح پایین‌تر قرار می‌گیرند)، گزینه‌ها نسبت به پایین‌ترین سطح معیارها و نیز معیارهای هر سطح نسبت به معیارهای یک سطح بالاتر وزن دهی می‌شوند. بطور کلی فرآیند تحلیل سلسله مراتبی شامل: ساخت سلسله مراتبی، مقایسه‌های زوجی، ترکیب وزن‌ها، تحلیل حساسیت و روش رتبه‌بندی می‌باشد. با توجه به پیچیدگی حل مسائل تصمیم‌گیری چند معیاره به خصوص در مسئله با داده‌ها و اطلاعات زیاد و با اهمیت، لزوم استفاده از یک نرم افزار برای حل مسائل احساس می‌شود یکی از نرم‌افزاها Expert Choice است چرا که کار با اکسل فرآیند حل را طولانی و طاقت فرسا می‌کند. برای یادگیری این نرم افزار باید از دوره‌های آموزشی استفاده کرد که مدرس دوره علاوه بر تسلط بر خود نرم افزار بر فرآیند سلسله مراتبی و در اصل مسائل تصمیم‌گیری تسلط کافی را داشته‌باشد چرا که تصمیم‌گیری در مسائل و پروژه‌های مختلف از حساسیت بالایی برخوردار است؛

152,150 تومان
یک‌شنبه 27 خرداد 1403، ساعت 03:01