معرفی کتاب

:: معرفی کتاب

کتاب هوش عاطفی

در اطراف ما، وقتی صحبت از هوش می شود، معمولا تعبیر مردم، سرعت در عملیات ریاضی، توانایی حل مسائل مهندسی، داشتن حافظه قوی، یا طرح ریزی و اجرای یک نقشه است. این دیدگاه در مورد هوش انسان، بسیار تنگ نظرانه ‌است و بسیاری از توانایی‌های مهمی را که در نحوه عملکرد ما در زندگی، نقش تعیین کننده دارند، در بر نمی‌گیرد. هوش ریاضی، تنها یک جنبه‌ از هوشِ فراگیری است که به گونه‌ی انسان امکان بقا داده است. جنبه دیگر و بسیار مهمی از هوشمندی بشر، هوشِ عاطفی است. دنیل گلمن (Daniel Golman) روانشناس آمریکایی در کتاب هوش عاطفی به تفصیل در مورد شناخت هوش عاطفی و نحوه فراگیری و تقویت آن صحبت می کند. آیا هوش، موهبتی تغییرناپذیر است؟ بدان حد که معتقدیم، خیر. آنچه که کتاب پر جاذبه و روشنگر دانیل گلمن مطرح می‌کند، آن است که مهارت های هوش عاطفی قابل رشد و پرورش هستند، و این رشد تا پایان عمر قابل تداوم است. دانیل گلمن با مطرح ساختن پژوهش‌های خارق‌العاده‌ای که در زمینه مغز و رفتار انجام شده‌است، نشان می‌دهد که عواملی نظیر خود آگاهی، اشتیاق و انگیزش، پس زدن یأس، همدلی و مهارت‌های اجتماعی دست اندر کارند که گلمن آنها را هوش هیجانی یا به طور عمومی‌تر هوش عاطفی می‌خواند. مهمترین موضوعی که در هوش عاطفی مطرح است، خودآگاهی است. خودآگاهی یعنی اینکه احساسات و عواطف خود را بشناسیم و یک مجموعه‌ی واژگان برای بیان آنها تشکیل دهیم و حلقه‌ی ارتباط میان  اندیشه ها، احساسات و واکنش های خود و پیامد انتخاب های مختلف را مشاهده کنیم و این بصیرت را برای تصمیم گیری در موضوعات مختلف از قبیل مواد مخدر، سیگار کشیدن، خشونت و سکس به کار بریم. خودآگاهی همچنین  شناخت نقاط ضعف و قوت خویش است. اینکه خویشتن را از دیدگاهی مثبت و واقعی به دور از هر نوع غلو و خودبزرگ‌بینی مشاهده کنیم. موضوع دیگر کنترل احساسات است: درک این که پشت هر احساس چه چیز نهفته است. برای مثال آیا چون حسادت می‌کنیم، خشمگین هستیم یا عاملی دیگر در کار است. اینکه یادبگیریم چگونه با نگرانی، خشم، غم و یأس خود مقابله کنیم و بیاموزیم مسوولیت خود را در مورد تصمیمات و اعمال خود بپذیریم  و در قبال آنها متعهد باشیم. مطالعه این کتاب و کار در زمینه‌ی شناخت و فراگیری مهارتهای هوش عاطفی و هیجانی را به همه هموطنان قویاً توصیه می‌کنیم.


منبع : آموزش علوم رایانهمعرفی کتاب
برچسب ها : عاطفی ,کتاب ,گلمن ,احساسات ,کنیم ,اینکه ,مشاهده کنیم ,دانیل گلمن

نتیجه آزمون و تجزیه و تحلیل

:: نتیجه آزمون و تجزیه و تحلیل

ما روش های پیشنهاد دهی بسیاری را بررسی نمودیم از جمله برخی روش های پالایش مشارکتی کلاسیک و برخی روش های تجزیه ماتریس برای بررسی اینکه آیا عملکرد N توصیه برتر می تواند با استفاده از فریمورک پیشنهادی ما بهبود یابد؟ سپس ما برخی تجزیه و تحلیل تجربی به نتایج تجربی ارائه می دهیم و همچنین مسائل اسپارس بودن و مقیاس پذیری!

ارزیابی متریک


منبع : آموزش علوم رایانهنتیجه آزمون و تجزیه و تحلیل
برچسب ها : تجزیه

مخفی سازی وای فای با روشهای مختلف

:: مخفی سازی وای فای با روشهای مختلف

مهمانی های امروزی نیز با پیشرفت تکنولوژی هماهنگ شده است.وقتی به بچه ای می گوییم قرار است به خانه کسی برویم،اول می پرسد که آنها وای فای دارند؟یا زمانی که خانواده ها و دوستان بعد از مدتها دور هم جمع شده اند پس از خوش و بش و احوالپرسی اولیه می روند سر اصل مطلب، "پسورد وای فای تون جیه؟"، میزبان هم چاره ای ندارد رسم مهمان نوازی را باید به جا بیاورد و فراموش کند حجم دانلود و پهنای باندش محدود است و میخواهند از همین حجم محدود هم سهمی داشته باشند، بدتراز آن مهمان های ناخوانده اند، همسایه هایی که نگفته دست به سمت وای فای شخصی ما می برند. مهمترین نکته در استفاده بی جا از اینترنت شخصی ما رعایت نکردن اصول اولیه استفاده از شبکه های بی سیم است، نکاتی که اگر رعایت شود قطعا دست درازی های بی جا به اینترنت شما هم کاهش پیدا می کند و همچنین مهمان دردانه به جای برروز کردن نرم افزارهای تلفن و اتک زدن در زمین های مجازی پای صحبت میزبان می نشیند.

 توضیحات در ادامه مطلب...
ادامه مطلب
منبع : آموزش علوم رایانهمخفی سازی وای فای با روشهای مختلف
برچسب ها : مهمان ,ادامه مطلب

Improving CF Recommendation via User-Item Subgroups

:: Improving CF Recommendation via User-Item Subgroups

Collaborative filtering (CF) is out of question the most widely adopted and successful recommendation approach. A typical CF-based recommender system associates a user with a group of like-minded users based on their individual preferences over all the items, either explicit or implicit, and then recommends to the user some unobserved items enjoyed by the group. However we find that two users with similar tastes on one item subset may have totally different tastes on another set. In other words, there exist many user-item subgroups each consisting of a subset of items and a group of like-minded users on these items. It is more reasonable to predict preferences through one user’s correlated subgroups, but not the entire user-item matrix. In this paper, to find meaningful subgroups, we formulate a new Multiclass Co-Clustering (MCoC) model, which captures relations of user-to-item, user-to-user, and item-to-item simultaneously. Then we combine traditional CF algorithms with subgroups for improving their top-N recommendation performance. Our approach can be seen as a new extension of traditional clustering CF models. Systematic experiments on several real data sets have demonstrated the effectiveness of our proposed approach.

ترجمه در ادامه مطلب..

ادامه مطلب
منبع : آموزش علوم رایانهImproving CF Recommendation via User-Item Subgroups
برچسب ها : user ,item ,subgroups ,items ,users ,group ,user item ,ادامه مطلب ,item subgroups ,like minded ,minded users ,like minded users

بهبود پالایش مشارکتی | Improving collaborative filtering

:: بهبود پالایش مشارکتی | Improving collaborative filtering

we explore a new improving space for collaborative recommender systems utilizing user-item informative subgroups. the user relationship and item tags, to generate more information can be involved in our framework, e.g.,design new methods to fully utilize subgroups. More find better user-item subgroups and the other is to works are needed in two main aspects: one is to practice on the topic of clustering CF model. Future that our exploration can attract further research or for many popular CF methods. We expect further improve the top-N recommendation performance show that using subgroups is a promising way to adopt an approximate solution. Experimental results into a unified optimization problem and user, user-to-item, and item-to-item relations simultaneously clustering CF models. Our method models the user to-subgroups. It is a natural extension of traditionalan extended Multiclass Co-Clustering problem to find user tastes on a subset of items. We propose to solve subgroups, which is helpful to capture similar user item

منبع : آموزش علوم رایانهبهبود پالایش مشارکتی | Improving collaborative filtering
برچسب ها : user ,item ,subgroups ,clustering ,user item

RecSyss

:: RecSyss

The ACM Recommender Systems conference (RecSys) is the premier international forum for the presentation of new research results, systems and techniques in the broad field of recommender systems. Recommendation is a particular form of information filtering, that exploits past behaviors and user similarities to generate a list of information items that is personally tailored to an end-user’s preferences. As RecSys brings together the main international research groups working on recommender systems, along with many of the world’s leading e-commerce companies, it has become the most important annual conference for the presentation and discussion of recommender systems research. RecSys 2017, the eleventh conference in this series, will be held in Como, Italy. It will bring together researchers and practitioners from academia and industry to present their latest results and identify new trends and challenges in providing recommendation components in a range of innovative application contexts. In addition to the main technical track, RecSys 2017 program will feature keynote and invited talks, tutorials covering state-of-the-art in this domain, a workshop program, an industrial track and a doctoral symposium.

Published papers will go through a rigorous full peer review process. The conference proceedings, which will be available both on a USB drive and via the ACM Digital Library, are expected to be widely read and cited.

ACM RecSys 2017 will take place in Como, Italy, from August 27-31, 2017.

منبع : آموزش علوم رایانهRecSyss
برچسب ها : will ,systems ,recsys ,conference ,recommender ,research ,recommender systems ,recsys 2017 ,como italy

[Seminar]Information Theory of Matrix Completion

:: [Seminar]Information Theory of Matrix Completion
 (Prof. Changho Suh, KAIST) Date and Time: 25 Feb 2014, 10:30 AM to 12:00 PM

Abstract:
Matrix completion is a fundamental problem that comes up in a variety of applications like the Netflix recommendation system, collaborative filtering, computer vision, and system identification. The goal of the problem is to reconstruct an unknown matrix from a given subset of noiselessly (or noisily) observed entries. If missing entries are completely irrelevant to other available entries, then obviously there is no way to recover the missing ones. In many applications, however, there can be correlation between entries. For instance, in the Netflix problem, movie ratings of a subscriber, comprising elements of a single column or row, could play a role to predict unrated movie scores of other subscribers having similar tastes in movies. One basic question that arises in this context is: what is the minimum number of entries needed to reconstruct the unknown matrix with possibly correlated entries?

In this talk, I will present our recent result that addresses the question for a wide class of the unknown matrix model and the observation process. We obtain this result by invoking Shannon’s spirit. Shannon’s information theory developed in the context of communication systems. One critical view that Shannon took - which led to the success of characterizing the maximum rate of communication – was a probabilistic view on the information source and the channel. Taking this stochastic view and drawling parallels between our problem and the communication problem, we translate the matrix completion problem into a distributed joint source-channel coding problem with encoder restriction. We then invoke the achievability idea of the Slepian-Wolf theorem, established for a similar yet different setting, to develop a reconstruction algorithm. We show the optimality of this algorithm for the case in which a sequence of column vectors (or row vectors) of the unknown matrix is a stationary ergodic process.

Moreover, we extend the result to more general stochastic models of the unknown matrix and the observation process. Specifically the minimum number of entries is established also for arbitrary observation processes which include the noisy observation case as well. For an arbitrary stochastic matrix, we derive a lower bound on the minimum number of entries. Our results can be used in evaluating different reconstruction algorithms as well as provide the limits that an optimal algorithm can achieve.

About the Speaker:
Changho Suh is an Assistant Professor in the Department of Electrical Engineering at Korea Advanced Institute of Science and Technology (KAIST) since 2012. He received the B.S. and M.S. degrees in Electrical Engineering from KAIST in 2000 and 2002 respectively, and the Ph.D. degree in Electrical Engineering and Computer Sciences from UC-Berkeley in 2011, under the supervision of Prof. David Tse. From 2011 to 2012, he was a postdoctoral associate at the Research Laboratory of Electronics in MIT. From 2002 to 2006, he had been with the Telecommunication R&D Center, Samsung Electronics.

Dr. Suh received the 2013 Stephen O. Rice Prize from the IEEE Communications Society, the David J. Sakrison Memorial Prize for outstanding doctoral research from the UC-Berkeley EECS Department in 2011, and the Best Student Paper Award of the IEEE International Symposium on Information Theory in 2009. He was also awarded the Vodafone U.S. Foundation Fellowship in 2006 and 2007, and the Kwanjeong Educational Foundation Fellowship in 2009.

Venue: Franklin, Connexis (South Tower), Level 11, Fusionopolis
For enquiries, please contact Dr Chia Yeow Khiang at chiayk@i2r.a-star.edu.sg

منبع : آموزش علوم رایانه[Seminar]Information Theory of Matrix Completion
برچسب ها : matrix ,entries ,from ,problem ,unknown ,this ,unknown matrix ,electrical engineering ,information theory ,minimum number ,matrix completion

خوشه بندی پالایش مشارکتی | clustering collaborative filtering

:: خوشه بندی پالایش مشارکتی | clustering collaborative filtering

Collaborative filtering (CF) is out of question the most widely adopted and successful recommendation approach. A typical CF-based recommender system associates a user with a group of like-minded users based on their individual preferences over all the items, either explicit or implicit, and then recommends to the user some unobserved items enjoyed by the group. However we find that two users with similar tastes on one item subset may have totally different tastes on another set. In other words, there exist many user-item subgroups each consisting of a subset of items and a group of like-minded users on these items. It is more reasonable to predict preferences through one user’s correlated subgroups, but not the entire user-item matrix. In this paper, to find meaningful subgroups, we formulate a new Multiclass Co-Clustering (MCoC) model, which captures relations of user-to-item, user-to-user, and item-to-item simultaneously. Then we combine traditional CF algorithms with subgroups for improving their top-N recommendation performance. Our approach can be seen as a new extension of traditional clustering CF models. Systematic experiments on several real data sets have demonstrated the effectiveness of our proposed approach.

منبع : آموزش علوم رایانهخوشه بندی پالایش مشارکتی | clustering collaborative filtering
برچسب ها : user ,item ,subgroups ,items ,clustering ,users ,user item ,minded users ,like minded ,collaborative filtering ,like minded users

ماتریس رتبه پایین | Low-rank matrix

:: ماتریس رتبه پایین | Low-rank matrix

Low-rank matrices play a fundamental role in modeling and computational methods for signal processing and machine learning. In many applications where low-rank matrices arise, these matrices cannot be fully sampled or directly observed, and one encounters the problem of recovering the matrix given only incomplete and indirect observations. This paper provides an overview of modern techniques for exploiting low-rank structure to perform matrix recovery in these settings, providing a survey of recent advances in this rapidly developing field. Specific attention is paid to the algorithms most commonly used in practice, the existing theoretical guarantees for these algorithms, and representative practical applications of these techniques.

منبع : آموزش علوم رایانهماتریس رتبه پایین | Low-rank matrix
برچسب ها : these ,rank ,matrix ,matrices ,rank matrices

محل قرارگیری آمارگیر www.datagozar.com

پاپ کده | کسب درآمد از پاپ آپ چیست , کسب درآمد از پاپ آپ در بلاگفا , کسب درامد از پاپ آپ خارجی , کسب درآمد با پاپ آپ , اس پاپ آپ - سیستم کسب درآمد از پاپ آپ , کسب درآمد ازطریق پاپ آپ , کسب درآمد از اینترنت پاپ آپ , کسب درامد اینترنتی پاپ اپ , اموزش کسب درامد از پاپ اپ , نحوه کسب درامد از پاپ اپ , کسب درآمد از پاپ آپ , بهترین سایت کسب درآمد از پاپ آپ , اسکریپت کسب درآمد از پاپ آپ , سیستم کسب درآمد از پاپ آپ , کسب درآمد از طریق پاپ آپ , کسب درامد از پاپ اپ فیس نما , بهترین سایت های کسب درآمد از پاپ آپ , کسب درآمد بالا از پاپ آپ , بیشترین کسب درامد از پاپ اپ , کسب درآمد از بهترین پاپ آپ ها , بهترین سیستم کسب درآمد از پاپ آپ , چگونه از پاپ اپ کسب درامد کنیم , نحوه کسب درآمد از طریق پاپ آپ , کسب درامد از طریق پاپ آپ - poppop , معرفی سایت های کسب درآمد از پاپ آپ , معرفی سیستم کسب درآمد از پاپ آپ , سامانه کسب درآمد از پاپ آپ , سایت کسب درآمد از پاپ آپ , سیستم کسب درآمد از طریق پاپ آپ , کسب درآمد از راه پاپ آپ , سایت کسب درآمد از پاپ آپ شرکت راه گستر قرن , چگونگی کسب درآمد از پاپ آپ , کسب درآمد از تبلیغات پاپ آپ