لینک دانلود و خرید پایین توضیحات دسته بندی : پاورپوینت نوع فایل : powerpoint (..ppt) ( قابل ويرايش و آماده پرينت ) تعداد اسلاید : 27 اسلاید
قسمتی از متن powerpoint (..ppt) :
بنام خدا دامنه كاربرد 1 . كاربرد اين استاندارد در حسابداري الف. داراييهاي زيستي، و ب . توليد كشاورزي در زمان برداشت‌است،مشروط بر اینکه به فعالیت کشاورزی مربوط باشد جدول زیر نشان دهنده نمونه هايي از داراييهاي زيستي ، توليدات كشاورزي و محصولاتي كه از فراوري پس از برداشت حاصل مي شود : محصولات فراوري شده بعد از برداشت توليدات كشاورزي داراييهاي زيستي نخ ، فرش پشم گوسفند پنير شير گله شيري سوسيس گوشت گوساله محصولات غذايي تخم مرغ مرغ تخم‌گذار كنسرو ماهي گوشت ماهي سركـه انگور تاكستان كمپوت سيب درخت سيب نخ ، پارچه پنبـه گياهان شكر نيشكر چاي خشك برگ چاي بوته چاي الوار تنه درخت درختان جنگل مصنوعي فعالیت کشاورزی و شناخت فعاليت كشاورزي:شامل انواع گوناگونی ما نند:درختکاری ،کاشت گیاهان یک ساله یا چند ساله ، زراعت ،کاشت درختان میوه و نهالستان ، پرورش گل و پرورش آب زیان است شناخت: واحد تجاری باید دارایی زیستی یا تولید کشاورزی را زمانی شناسای کند : الف)کنترل دارایی را در نتیجه رویدادهای گذشته بدست آورده باشد ب)جریان منافع اقتصادی آتی مرتبط به دارایی به درون واحد تجاری متحمل باشدو ج)ارزش منصفانه یا بهای تمام شده دارایی به گونه ای اتکا پذیر قابل اندازه گیری باشد
لینک دانلود و خرید پایین توضیحات دسته بندی : وورد نوع فایل : word (..doc) ( قابل ويرايش و آماده پرينت ) تعداد صفحه : 24 صفحه
قسمتی از متن word (..doc) :
مقدمه شبکه های عصبی چند لایه پیش خور1 به طور وسیعی د ر زمینه های متنوعی از قبیل طبقه بندی الگوها، پردازش تصاویر، تقریب توابع و ... مورد استفاده قرار گرفته است. الگوریتم یادگیری پس انتشار خطا2، یکی از رایج ترین الگوریتم ها جهت آموزش شبکه های عصبی چند لایه پیش خور می باشد. این الگوریتم، تقریبی از الگوریتم بیشترین تنزل3 می باشد و در چارچوب یادگیری عملکردی 4 قرار می گیرد. عمومیت یافتن الگوریتمBP ، بخاطر سادگی و کاربردهای موفقیت آمیزش در حل مسائل فنی- مهندسی می باشد. علیرغم، موفقیت های کلی الگوریتم BP در یادگیری شبکه های عصبی چند لایه پیش خور هنوز، چندین مشکل اصلی وجود دارد: - الگوریتم پس انتشار خطا، ممکن است به نقاط مینیمم محلی در فضای پارامتر، همگرا شود. بنابراین زمانی که الگوریتم BP همگرا می شود، نمی توان مطمئن شد که به یک جواب بهینه رسیده باشیم. - سرعت همگرایی الگوریتم BP، خیلی آهسته است. از این گذشته، همگرایی الگوریتم BP، به انتخاب مقادیر اولیه وزنهای شبکه، بردارهای بایاس و پارامترها موجود در الگوریتم، مانند نرخ یادگیری، وابسته است. در این گزارش، با هدف بهبود الگوریتم BP، تکنیک های مختلفی ارائه شده است. نتایج شبیه سازیهای انجام شده نیز نشان می دهد، الگوریتم های پیشنهادی نسبت به الگوریتم استاندارد BP، از سرعت همگرایی بالاتری برخوردار هستند. خلاصه ای از الگوریتم BP از قانون یادگیری پس انتشار خطا (BP)، برای آموزش شبکه های عصبی چند لایه پیش خور که عموماً شبکه های چند لایه پرسپترون 5 (MLP) هم نامیده می شود، استفاده می شود، استفاده می کنند. به عبارتی توپولوژی شبکه های MLP، با قانون یادگیری پس انتشار خطا تکمیل می شود. این قانون تقریبی از الگوریتم بیشترین نزول (S.D) است و در چارچوب یادگیری عملکردی قرار می گیرد. بطور خلاصه، فرایند پس انتشار خطا از دو مسیر اصلی تشکیل می شود. مسیر رفت6 و مسیر برگشت 7 . در مسیر رفت، یک الگوی آموزشی به شبکه اعمال می شود و تأثیرات آن از طریق لایه های میانی به لایه خروجی انتشار می یابد تا اینکه _________________________________ نهایتاً خروجی واقعی شبکه MLP، به دست می آید. در این مسیر، پارامترهای شبکه (ماتریس های وزن و بردارهای بایاس)، ثابت و بدون تغییر در نظر گرفته می شوند. در مسیر برگشت، برعکس مسیر رفت، پارامترهای شبکه MLP تغییر و تنظیم می گردند. این تنظیمات بر اساس قانون یادگیری اصلاح خطا1 انجام می گیرد. سیگنال خطا، رد لایه خروجی شبکه تشکیل می گردد. بردار خطا برابر با اختلاف بین پاسخ مطلوب و پاسخ واقعی شبکه می باشد. مقدار خطا، پس از محاسبه، در مسیر برگشت از لایه خروجی و از طریق لایه های شبکه به سمت پاسخ مطلوب حرکت کند. در شبکه های MLP، هر نرون دارای یک تابع تحریک غیر خطی است که از ویژگی مشتق پذیری برخوردار است. در این حالت، ارتباط بین پارامترهای شبکه و سیگنال خطا، کاملاً پیچیده و و غیر خطی می باشد، بنابراین مشتقات جزئی نسبت به پارامترهای شبکه به راحتی قابل محاسبه نیستند. جهت محاسبه مشتقات از قانون زنجیره ای2 معمول در جبر استفاده می شود. فرمول بندی الگوریتم BP الگوریتم یادگیری BP، بر اساس الگوریتم تقریبی SD است. تنظیم پارامترهای شبکه، مطابق با سیگنالهای خطا که بر اساس ارائه هر الگو به شبکه محاسبه می شود، صورت می گیرد. الگوریتم بیشترین تنزل با معادلات زیر توصیف می شود: (1) (2) به طوری WLji و bLj، پارامترهای نرون j ام در لایه iام است. α، نرخ یادگیری2 و F، میانگین مربعات خطا می باشد. (3) (4) (5) به طوریکه SLj(k)، حساسیت رفتار شبکه در لایه L ام است. _________________________________ 1. Error-Correctting Learning Rule 2. Chain Rule 3. Learning Rate معایب الگوریتم استاندارد پس انتشار خطا1 (SBP) الگوریتم BP، با فراهم آوردن روشی از نظر محاسباتی کارا، رنسانسی در شبکه های عصبی ایجاد نموده زیرا شبکه های MLP، با قانون یادگیری BP، بیشترین کاربرد را در حل مسائل فنی- مهندسی دارند. با وجود، موفقیت های کلی این الگوریتم در یادگیری شبکه های عصبی چند لایه پیش خود، هنوز مشکلات اساسی نیز وجود دارد: - اولاً سرعت همگرایی الگوریتم BP آهسته است. همانطور که می دانیم، تغییرات ایجاد شده در پارامترهای شبکه (ماتریس های وزن و بردارهای بایاس)، پس از هر مرحله تکرار الگوریتم BP، به اندازه ، است، به طوریکه F، شاخص اجرایی، x پارامترهای شبکه و α، طول قدم یادگیری است. از این، هر قدر طول قدم یادگیری، α، کوچکتر انتخاب گردد، تغییرات ایجاد شده در پارامترهای شبکه، پس از هر مرحله تکرار الگوریتم BP، کوچکتر خواهد بود، که این خود منجر به هموار گشتن مسیر حرت پارامترها به سمت مقادیر بهینه در فضای پارامترها می گردد. این مسئله موجب کندتر گشتن الگوریتم BP می گردد. بر عکس با افزایش طول قدم α، اگرچه نرخ یادگیری و سرعت یادگیری الگوریتم BP افزایش می یابد، لیکن تغییرات فاحشی در پارامترهای شکه از هر تکراربه تکرار بعد ایجاد می گردد، که گاهی اوقات موجب ناپایداری و نوسانی شدن شبکه می شود که به اصطلاح می گویند پارامترهای شبکه واگرا شده اند: در شکل زیر، منحنی یادگیری شبکه برای جدا سازیالگوها در مسأله XOR، به ازای مقادیر مختلف نرخ یادگیری، نشان داده شده است. به ازای مقادیر کوچک، α، شبکه کند اما هموار، یاد نمی گیرد الگوهای XOR را از هم جدا نماید، ددر صورتی که به ازای 9/0= α شبکه واگرا می شود. _________________________________ 1. Standard Back-Propagation Algorithm شکل (1). منحنی یادگیری شبکه برای نرخ های یادگیری مختلف در مسأله XOR - ثانیاً احتمالاً به دام افتادن شبکه در نقاط مینیمم محلی وجود دارد. در شبکه های MLP، میانگین مجوز خطا، در حالت کلی خیلی پیچیده است و از تعداد زیادی نقطه اکسترمم در فضای پارامترهای شبکه برخوردار می باشد. بنابراین الگوریتم پس انتشار خطا با شروع از روی یک سری شرایط اولیه پارامترهای شبکه، به نقطه مینیمم سراسری و با شروع از یک مجموعه شرایط اولیه دیگر به تقاط مینیمم محلی در فضای پارامترها همگرا می گردد، بنابراین زمانی که الگوریتم BP همگرا می شود، نمی توان مطمئن شد که به یک جواب بهینه رسیده باشیم. - ثالثاً: همگرايي الگوريتم BP، به يقين مقادير اوليه پارامترهاي شبكه عصبي MLP وابسته است، بطوري كه يك انتخاب خوب مي تواند كمك بزرگي در همگرايي سريعتر الگوريتم BP فراهم آورد. برعكس انتخاب اوليه نادرست پارامترهاي شبكه MLP، منجر به گير افتادن شبكه در نقاط مينيمم محلي در فضاي برداري پارامترهاي شبكه مي گردد كه اين خود منجر به اين مي شود كه شبكه خيلي زودتر از معمول به موضعي بيفتد كه منحني يادگيري شبكه براي تعداد بزرگي از دفعات تكرار، تغيير نكند. به عنوان مثال، فرض مي كنيم مقدار اوليه پارامترهاي شبكه خيلي بزرگ باشند، در حالي كه مي دانيم توابع تبديل نرونها مخصوصاً در لايه هاي مياني از نوع زيگموئيد هستند. در اين حالت براي نرون i ام، اندازه ورودي تابع تبديل (ni) خيلي بزرگ مي باشد و خروجي نرون (ai) به مقدار 1± ميل مي كند. لذا مشتق بردار خروجي شبكه، a ، خيلي كوچك مي باشد. فرض كنيم كه بايد مقدار واقعي ai، 1 باشد يعني ti = 1، ليكن به خاطر انتخاب بر مقادير اوليه، ai = -1 گردد. در اين حالت خطاي حداكثر را داريم در حالي كه چون ai ≈ 0 مي باشد تغييرات ناچيزي در پارامترهاي متناظر با نرون i ام داريم. اين چيزي است كه بيانگر رسيدن زودتر از معمول نرونها به حد اشباع خود مي باشند، جايي كه پاسخ واقعي با پاسخ شبكه كاملاً فرق دارد و زمان زيادي طول خواهد كشيد كه نرون از اين حالت خارج شود. از اين رو با پيشرفت پروسه يادگيري، پارامترهاي منتسب به نرورنهايي كه به مرز اشباع نرسيده اند، سريعتر تنظيم مي شوند، چرا كه سيگنال خطار گراديانهاي محلي از مقدار از اندازه بزرگتري برخوردار مي باشند. اين عمل منجر به كاهش در مجموع مربعات خطاي لحظه اي مي گردد و اگر در اين مرحله، نرونهاي به حد اشباع رسيده تغييري در وضعيت تحريكشان رخ ندهد، شبكه براي مدتي طولاني از يك شكل هموار منحني خطا برخوردار خواهدبود. بهبود الگوريتم استاندارد پس انتشار خطا (SBP) - الگوريتم BP از نوع دسته اي1 (BBP) الگوريتم استاندارد BP، بر اساس فرم الگو به الگو است، بدين ترتيب كه پارامترهاي شبكه پس از ارائه هريك از الگوهاي يادگيري كه عموماً بطور تصادفي انتخاب مي شوند، تنظيم مي گردند، اما در الگوريتم BBP، تنظيم پارامترهاي شبكه پس از اعمال تمامي ورودي ها صورت مي پذيرد. پردازش دسته اي موجب مي شود كه گراديانهاي محلي به گراديان محلي واقعي نزديكتر باشند و نهايتاً الگوريتم BP به الگوريتم بيشترين نزول نزديكتر گردد كه اين خود موجب مي شود همگرايي الگوريتم BP افزايش يابد. در شكل زير مسئله XOR با متد الگوريتم BP به فرم دسته اي پياده شده است. به راحتي مي توان ديد كه الگوريتم BBP از سرعت همگرايي بالاتري به الگوريتم SBP برخوردار است. شكل (2). رفتار شبكه با الگوريتم BBP در مسأله XOR ( ـــ ) رفتار شبكه با الگوريتم SBP (0ـــ) _________________________________ 1. Batching Back-Propagation Algorithm - روش ممنتم 1 براي الگوريتم BP (MBP) همانطور كه مشاهده شد، اگر نرخ يادگيري α، كوچك انتخاب شود، متد BP كه در واقع همان تقريب الگوريتم SD است، بسيار كند مي گردد. و اگر α، بزرگتر انتخاب شود، شبكه نوساني خواهد بود. يك راه ساده و مؤثر كه عموماً جهت افزايش و بهبود نرخ يادگيري، استفاده مي شود- جايي كه خطر ناپايداري و نوساني شدن شبكه جلوگيري مي گردد- افزودن يك جمله ممنتم در الگوريتم تقريبي SD مي باشد، يعني به هر پارامتر از شبكه MLP، يك مقدار اينرسي يا اندازه حركت اضافه مي شود تا اينكه پارامتر مورد نظر در مسيري تمايل به تغيير داشته باشد كه كاهش تابع انرژي احساس شود.
لینک دانلود و خرید پایین توضیحات دسته بندی : وورد نوع فایل : word (..doc) ( قابل ويرايش و آماده پرينت ) تعداد صفحه : 88 صفحه
قسمتی از متن word (..doc) :
2 سازمانهای کامیاب امروز سازمانهای یادگیرنده و دانش آفرین تعریف سازمان عبارت است از کوشش جمعی و عمدی عده ای از افراد بر اساس روابط منظم و منطقی برای رسیدن به هدف مشترکی که هر یک از افراد به تنهایی از رسیدن به آن عاجزند با یکدیگر همکاری و مساعدت می نمایند. سازمانهای یادگیرنده . learning Organizations سازمانهایی هستند که در آنها افراد به طور مستمر تواناییهای خود را افزون می سازند تا به نتایجی که مدنظر است دست یابند، جایی که الگوهای جدید تفکر رشد می یابند، اندیشه های جمعی و گروهی ترویج می شوند و افراد چگونگی آموختن . Learning How to Learn را به اتفاق هم می آموزند. سازمانهای یادگیرنده را به تعبیری دیگر می توان سازمانهای دانش آفرین نامید، سازمانهایی که در آنها خلق دانش و آگاهیهای جدید، ابداعات و ابتکارات یک کار تخصصی و اختصاصی نیست، بلکه نوعی رفتار همگانی و روشی است که همه اعضای سازمان بدان عمل می کنند. به عبارت دیگر سازمان دانش آفرین سازمانی است که هر فردی در آن انسانی خلاق و دانش آفرین است. در این سازمان تفکر، بحثهای جمعی، و کشف نظریات و افکار نو تشویق می شوند 2 سازمانهای کامیاب امروز سازمانهای یادگیرنده و دانش آفرین تعریف سازمان عبارت است از کوشش جمعی و عمدی عده ای از افراد بر اساس روابط منظم و منطقی برای رسیدن به هدف مشترکی که هر یک از افراد به تنهایی از رسیدن به آن عاجزند با یکدیگر همکاری و مساعدت می نمایند. سازمانهای یادگیرنده . learning Organizations سازمانهایی هستند که در آنها افراد به طور مستمر تواناییهای خود را افزون می سازند تا به نتایجی که مدنظر است دست یابند، جایی که الگوهای جدید تفکر رشد می یابند، اندیشه های جمعی و گروهی ترویج می شوند و افراد چگونگی آموختن . Learning How to Learn را به اتفاق هم می آموزند. سازمانهای یادگیرنده را به تعبیری دیگر می توان سازمانهای دانش آفرین نامید، سازمانهایی که در آنها خلق دانش و آگاهیهای جدید، ابداعات و ابتکارات یک کار تخصصی و اختصاصی نیست، بلکه نوعی رفتار همگانی و روشی است که همه اعضای سازمان بدان عمل می کنند. به عبارت دیگر سازمان دانش آفرین سازمانی است که هر فردی در آن انسانی خلاق و دانش آفرین است. در این سازمان تفکر، بحثهای جمعی، و کشف نظریات و افکار نو تشویق می شوند 2 سازمانهای کامیاب امروز سازمانهای یادگیرنده و دانش آفرین تعریف سازمان عبارت است از کوشش جمعی و عمدی عده ای از افراد بر اساس روابط منظم و منطقی برای رسیدن به هدف مشترکی که هر یک از افراد به تنهایی از رسیدن به آن عاجزند با یکدیگر همکاری و مساعدت می نمایند. سازمانهای یادگیرنده . learning Organizations سازمانهایی هستند که در آنها افراد به طور مستمر تواناییهای خود را افزون می سازند تا به نتایجی که مدنظر است دست یابند، جایی که الگوهای جدید تفکر رشد می یابند، اندیشه های جمعی و گروهی ترویج می شوند و افراد چگونگی آموختن . Learning How to Learn را به اتفاق هم می آموزند. سازمانهای یادگیرنده را به تعبیری دیگر می توان سازمانهای دانش آفرین نامید، سازمانهایی که در آنها خلق دانش و آگاهیهای جدید، ابداعات و ابتکارات یک کار تخصصی و اختصاصی نیست، بلکه نوعی رفتار همگانی و روشی است که همه اعضای سازمان بدان عمل می کنند. به عبارت دیگر سازمان دانش آفرین سازمانی است که هر فردی در آن انسانی خلاق و دانش آفرین است. در این سازمان تفکر، بحثهای جمعی، و کشف نظریات و افکار نو تشویق می شوند 2 سازمانهای کامیاب امروز سازمانهای یادگیرنده و دانش آفرین تعریف سازمان عبارت است از کوشش جمعی و عمدی عده ای از افراد بر اساس روابط منظم و منطقی برای رسیدن به هدف مشترکی که هر یک از افراد به تنهایی از رسیدن به آن عاجزند با یکدیگر همکاری و مساعدت می نمایند. سازمانهای یادگیرنده . learning Organizations سازمانهایی هستند که در آنها افراد به طور مستمر تواناییهای خود را افزون می سازند تا به نتایجی که مدنظر است دست یابند، جایی که الگوهای جدید تفکر رشد می یابند، اندیشه های جمعی و گروهی ترویج می شوند و افراد چگونگی آموختن . Learning How to Learn را به اتفاق هم می آموزند. سازمانهای یادگیرنده را به تعبیری دیگر می توان سازمانهای دانش آفرین نامید، سازمانهایی که در آنها خلق دانش و آگاهیهای جدید، ابداعات و ابتکارات یک کار تخصصی و اختصاصی نیست، بلکه نوعی رفتار همگانی و روشی است که همه اعضای سازمان بدان عمل می کنند. به عبارت دیگر سازمان دانش آفرین سازمانی است که هر فردی در آن انسانی خلاق و دانش آفرین است. در این سازمان تفکر، بحثهای جمعی، و کشف نظریات و افکار نو تشویق می شوند
لینک دانلود و خرید پایین توضیحات دسته بندی : وورد نوع فایل : word (..doc) ( قابل ويرايش و آماده پرينت ) تعداد صفحه : 25 صفحه
قسمتی از متن word (..doc) :
بسمه تعالي عنوان: مقدمه مشكلات ارزشيابي سنتي يا بهتر بگوييم روش اندازهگيري و سنجش موجود با جو نمرهگرايي و پاسخمداري و حافظهسنجي موجود در مدارس كه فراگيران اسير چنبرهي «داده» و «ستانده» يا «محرك و پاسخ» يا امتحانهاي مكررند كه سلامت رواني و جسمي آنان را تهديد ميكند. از سوي ديگر نارضايتي از نظام ارزشيابي موجود در محافل تربيتي و نيازهاي جامعه و زندگي و پيشنهاد سازمانهاي آموزش جهاني مانند يونسكو طلب ميكرد كه ديگر به ارزشيابي به ديدهي پايان آموزش نگاه نكنيم و از نمره دادن به عنوان طبقهبندي، مقايسه تفكيك براي ارتقا استفاده نكنيم؛ بلكه از آن به عنوان جز جدانشدني فرايند يادگيري و اصلاح نارسيهاييها، بدفهميهاي يادگيري آنان و اصلاح نارساييهاي روش آموزشي معلمان، محتواي آموزش، روشهاي سنجش و ارزشيابي پيشرفت تحصيلي به روش كيفي و تحليل نتايج آن براي كل نظام آموزش و پرورش بهره بگيريم. بازخورد در ارزشيابي توصيفي به ما كمك مي كند تا نتايج اعمال و رفتارمان را بفهميم، گرفتن بازخورد بخشي از فرايند يادگيري است و در شناخت تواناييهاي هر فرد براي افزايش اعتماد به نفس و شناخت نارساييها براي اصلاح يا تغيير رفتار كمك ميكند. لذا به دليل اهميت بازخورد در ارزشيابي كيفي شناخت بيشتر آن و راههاي دسترسي به آن، انواع و تأثير آن در يادگيري بهتر و بيشتر و ... در اين مقاله بدان پرداخته خواهد شد. مفهوم و تعريف ارزشيابي و ارزشيابي توصيفي: در خصوص مفهوم ارزشيابي توافق و نظر كاملي وجود ندارد و هر كدام از متخصصان و صاحبنظران اين قلمرو، از ديدگاه خاصي ارزشيابي را تعريف كردهاند كه از مهمترين آنها ميتوان به نمونههاي زير اشاره كرد. (حسني و احمدي 84) 1- ارزشيابي به مثابه بررسي ميزان حصول به هدفها. 2- ارزشيابي به عنوان فرايند جمعآوري اطلاعات براي تصميمگيري. 3- ارزشيابي به مثابه سنجش يا داوري دربارهي «شايستگي» و «ارزش». چيزي : ارزشيابي فعاليتي است كه مشتمل بر «توصيف» و «قضاوت» است. به هر حال به نظر ميرسد تعريف ارزشيابي به مثابه سنجش يادآوري دربارهي شايستگي و ارزش موضوعات، در سالهاي اخير طرفداران زيادي پيدا كرده است. ارزشيابي توصيفي، نام الگوي بديلي است كه در مقابل الگوي سنتي و تحت تأثير ديدگاههاي جديد تربيتي كشور براي مواجهه با چالشهاي نظام آموزشي طرح و بحث شد. (تكنولوژي آموزشي دوره 22) پيشينه ارزشيابي توصيفي و ضرورت اجراي طرح: ـ در وزارت آموزش و پرورش كشورمان، سند ملي برنامه «آموزش براي همه» تهيه و تدوين شده است كه در بخشهايي از آن بر تغيير رويكرد ارزشيابي از نتيجه مداري به فرايند محوري در راستاي بهبود كيفيت آموزش و پرورش تأكيد شده است. توصيه يونسكو به نظامهاي آموزش و پرورش جهان استفاده از روشها و رويكردهاي فرايندي و كيفي با ابزارهاي متنوع است. به عبارت ديگر هدف تغيير در نظام ارزشيابي، بايد به اين موضوع باشد كه كيفيت تجربيات يادگيري را در مدرسه افزايش دهد تا به نتايج يادگيري بهتري در دانشآموزان منجر شود. (1999، West , cngnton,) ارزشيابي توصيفي با پذيرش تغيير در رويكرد يادگيري، توجه به رويكرد فرايند محور، ابزارهاي كيفي و محور قرار دادن بازخوردهاي توصيفي در جهت عملي نمودن اين توصيهها قدم برداشته است. (حسني و احمدي 1384) در كشومان اين طرح بنا به ضرورت در تاريخ 12/6/82 توسط كميسيون معين شوراي عالي آموزش و پرورش تصويب شد. و به سوي فراگير شدن در مقطع ابتدايي به پيش ميرود. (روزنامه نگاه سال چهاردهم 84) ويژگيهاي ارزشيابي توصيفي: 1- پوياست، يعني به صورت پيوسته و همگام با جريان ياددهي و يادگيري انجام ميشود و رشد دهنده است و در شرايط عادي و در حين فعاليتهاي يادگيري انجام ميشود. 2- به مثابه ابزاري براي يادگيري است و با يادگيري در تعامل و ارتباط است. 3- ارزشيابي بر بازخوردهاي پيوسته تأكيد ميكند تا دانشآموزان را به سوي انتظارات آموزشي حركت دهد. 4- انتظارات آموزشي روشن، شفاف و مرتبط با انتظارات آموزشي است و فراگيران قادر به درك آنها هستند. چالشها و آسيبهاي ارزشيابي سنتي و فعلي فقط در نام و عنوان ارزشيابي فعال است. جداي از تدريس نوعي ارزيابي هنجاري و ارزيابي از ميزان اطلاعات فراگيران است. يكي از عواملي كه به افت تحصيلي در دوره ابتدايي منجر مي
لینک دانلود و خرید پایین توضیحات دسته بندی : وورد نوع فایل : word (..doc) ( قابل ويرايش و آماده پرينت ) تعداد صفحه : 30 صفحه
قسمتی از متن word (..doc) :
1 الگوریتم یادگیری ماشین چکیده در مورد الگوریتم ماشین حساب ما استفاده از یک بافر برای گرفتن عبارت بطور کامل و سپس تجزیه کردن اجزای (Parse) آن از لحاظ فنی غیر ممکن نیست و تنها بدلیل صورت مسئله قادر به انجام آن نیستیم. اما تصور کنید که اگر قرار بود مرورگرهای وب (Web Browsers) ابتدا تمام محتوای یک صفحه را بخواندند و سپس آن را تجزیه کرده و نمایش دهند چه مقدار زمان کاربر و سرویس دهنده وب به هدر می‌رفت و ترافیک بیهوده‌ای برروی خطوط ارتباطی حاصل می‌شد (در اکثر موارد ما با دیدن تنها چند خط از یک صفحه به صفحه دیگری می‌رویم(. مقدمه یک الگوریتم مجوعه‌ی متناهی از دستورالعمل های خوش تعریف برای انجام یک عمل است که با داشتن یک حالت اولیه به حالت پایانی مشخص و متناظری خواهد رسید. (با استدلالی ( heuristic )مقایسه شود( مفهوم یک الگوریتم معمولاً با مثال دستور اشپزی توضیح داده می شود. هر چند بعضی الگوریتم ها خیلی پیچیده تر هستند. الگوریتم ها معمولاً دارای مراحلی است که تکرار می شود تکرار و یا تا زمان پایان برنامه نیازمند 2 decision هایی (مانند منطق بولی یا نابرابری است. اگر الگوریتم مناسب و نا معیوب نباشد حتی با اجرای درست آن هم مسئله حل نمی شود. برای مثال اجرای الگوریتم سالاد سیب زمینی در صورتی که سیب زمینی در کار نباشد حتی اگر تمام حرکات تهیه سالاد طوری انجام شود مثل اینکه سیب زمینی وجود دارد نا فرجام خواهد ماند.الگوریتم های مختلف ممکن است یک عمل را با دستورات مختلف در مدت زمان، جا، وبا تلاش کمتر یا بیشتری نسبت به بقیه انجام دهد. برای مثال با داشتن دو دستور تهیه ی سالاد سیب زمینی، یکی ممکن است قبل از جوشاندن اول سیب زمینی را پوست بکند در حالی که دیگری این دو مرحله را برعکس انجام دهد، و هر دو این مراحل را برای تمام سیب زمینی ها تکرار می کنند تا وقتی که سالاد سیب زمینی آماده طبخ شود.(مثال ضعیف... چه کسی سیب زمینی ها را جدا جدا می جوشاند؟ و معمولاً تهیه ی سالاد نیازی به پخت و پز ندارد...( در بعضی کشورها، مثل امریکا، اگر تعبیه فیزیکی الگوریتم ها ممکن باشد ممکن است آن ها به شدت انحصاری شود (برای مثال، یک الگوریتم ضرب ممکن است در واحد محاسبه ی یک ریز پردازنده تعبیه شود ( الگوریتم های رسمی شده(formalized algorithms ) الگوریتم ها به خاطر روش پردازش اطلاعات توسط کامپیوتر اساسی و حیاتی هستند، چون یک برنامه کامپیوتری اساساً یک الگوریتم است که به کامپیوتر می گوید برای انجام یک عمل خاص مثل محاسبه حقوق کارمندان و یا چاپ ورقه 4 گزارش دانش آموزان،چه مراحل خاصی را (با چه نظم خاصی) اجرا کند،.به این صورت، یک الگوریتم را می توان هر دنباله از دستوراتی که قابل اجرا توسط یک Turing complete باشد به حساب آورد.به طور نمونه ای هنگامی که الگوریتم کار پرازش اطلاعات را انجام می دهد، داده از طریق یک وسیله یا منبع ورودی گرفته، به یک وسیله خروجی یاsink نوشته و / یا برای استفاده در زمانی دیگر ذخیره می شود. داده ذخیره شده به عنوان بخشی از حالت درونی(internal state) نهاد مجری الگوریتم تلقی می گردد.برای اعمال محاسباتی از این قبیل، الگوریتم باید به دقت تعریف شود :یعنی طوری مشخص شود که برای حالت مختلف محتمل معتبر باشد. یعنی تمام مراحل شرطی باید به طور سیستماتیک بررسی شود ; حالت به حالت.ضابطه مربوط به هر حالت باید واضح (و محاسبه پذیر باشد(.چون الگوریتم ها لیست دقیقی از گام های دقیق است، نظم محاسبه تقریباً همیشه برای کار کرد الگوریتم اساسی می باشد. همواره فرض می شود دستور ها روشن هستند، و گفته می شود از" بالا آغاز" و"تا پایین کشیده می شوند"، اندیشه ای که به طور رسمی تر توسط جریان کنترل توصیف می شود.تا اینجا ی بحث، رسمی سازی قواعد و قوانین برنامه نویسی امری(imperative programming) را به خود گرفت. این عام ترین مفهوم است، و تلاش دارد با وسایل "مکانیکی" مجزا کاری را توصیف کند؛ عملیات تخصیص، تعیین مقدار یک متغیر، برای این مفهوم از الگوریتم رسمی شده یکتا می باشد .در زیر مثالی از این تخصیص آمده است.برای مفاهیم فرعی ) (alternative تشکیل دهنده یک الگوریتم 4 برنامه نویسی تابعی و برنامه نویسی منطقی را ببینید. ماشین حساب (آشنایی با Syntax Diagram( الگوریتم ماشین حسابی با تعریف زیر را بنویسید: انجام چهار عمل اصلی با اولویت محاسباتی عملگرها طبق آنچه در زیر مشخص شده است: کد: + - عملگر یگانی (Unary) * / + - عملگر دودویی (Binary) عبارات داخل پرانتز از اولویت بالاتری برخوردارند. اعداد می‌توانند صحیح یا اعشاری باشند. پایان هر عبارت با علامت سوال (=) مشخص میشود. خروج از ماشین حساب با ورود حرف ایکس (X) مشخص میشود. مثال: کد: 2 * 3 + 4 * 5 = 26
لینک دانلود و خرید پایین توضیحات دسته بندی : پاورپوینت نوع فایل : powerpoint (..ppt) ( قابل ويرايش و آماده پرينت ) تعداد اسلاید : 35 اسلاید
قسمتی از متن powerpoint (..ppt) :
موضوع تحقیق عوامل موثر بر یادگیری مقدمه یادگیری (learning discomfort ) یک فرایند است. در هر فرایند عوامل و متغیرهایی در حال تعاملند. چند تا از مهمترین این عوامل که تاثیر آشکاری در روند یادگیری دارند عبارتند از: آ مادگی ، انگیزه و هدف ، تجارب گذشته ، موقعیت و محیط یادگیری ، رابطه جز و کل ، تمرین و تکرار . فرد باید آمادگی لازم را برای یادگیری داشته باشد هدف و انگیزه نیز از عوامل موثر بر یادگیری است یادگیری معلول انگیزه های متفاوتی است. یکی از این انگیزه ها که نقش مهمی در جریان یادگیری میل و رغبت به آموختن است. یکی دیگر از عوامل ایجاد انگیزه ، هدف است. هدف به فعالیت انسان و جهت و نیرو می دهد. اگر انسانی در طول زندگی خود هدف قابل وصولی نداشته باشد، پویایی و حرکت خود را از دست خواهد داد. هدف ارزشمند، فرد را به خواستن و طلب کردن وادار می کند.
لینک دانلود و خرید پایین توضیحات دسته بندی : پاورپوینت نوع فایل : powerpoint (..ppt) ( قابل ويرايش و آماده پرينت ) تعداد اسلاید : 20 اسلاید
قسمتی از متن powerpoint (..ppt) :
بنام خدا مشارکت های مرکزی در یادگیری حرکتی فرایندهای حلقه باز فرضیه های زنجیره آوران زدایی مکانیزم های کنترل مرکزی مولدهای الگوی مرکزی نقش بازتابها و پدیده معکوس سازی رفلکسی نخاع شوکی هوشمند کنترل مرکزی حرکات سریع مسائل و مشکلات مرتبط با استفاده از بازخورد از قبل برنامه ریزی کردن حرکات سریع موضوع برنامه حرکتی اطلاعات حسی و برنامه حرکتی انواع خطاهای برنامه حرکتی واکنش های راه اندازی مشکلاتی درمورد برنامه حرکتی برنامه حرکتی تعمیم یافته فرضیه تکانه-زمانبندی وجوه جوهری و تغییرپذیر برنامه حرکتی تعمیم یافته ایده اصلی این فرضیه بر این استوار است که حرکت توسط محرک درونی یا بیرونی ایجاد می شود. در ادامه انقباضات عضلانی باعث ایجاد اطلاعات حسی (بازخورد پاسخ از نظر جیمز) می شود. جیمز آنها را اطلاعات تحریک کننده نامید که باعث انقباض بعدی می شوند. پس از انقباض دوم انقباضات بعدی به همین ترتیب تا پایان یک توالی معین ادامه می یابد. انقباض اول انقباض دوم انقباض سوم ّ FB1 ّ FB2 ّ ETC فرضیه زنجیره پاسخ فرایندهای حلقه باز فرضیه زنجیره پاسخ مدلی از حلقه باز است؛ با این تفاوت که بازخورد در آن نقش دارد. همچنین این فرضیه شباهت ها دو تفاوت هایی نیز با تئوری حلقه بسته دارد. فرضیه زنجیره پاسخ ...
لینک دانلود و خرید پایین توضیحات دسته بندی : پاورپوینت نوع فایل : powerpoint (..ppt) ( قابل ويرايش و آماده پرينت ) تعداد اسلاید : 37 اسلاید
قسمتی از متن powerpoint (..ppt) :
مهارت سنجش یادگیری وضعيت 2 وضعيت 3 وضعيت 1 نه معتبر نه قابل اطمينان بسيار قابل اطمينان، اما نامعتبر بسيار قابل اطمينان و معتبر اعتبار و قابليت اطمينان در وضعيتهای ممکن اهدافي که دراين مبحث دنبال می شوند مفهوم اندازه گيری لايه مقياس ها ونمونه کاربردآنها قابليت اطمينان و معتبربودن مفهوم مقياس بندی مقياس های ديدگاهي گزينش نوع مقياس مقياس های سنجش ديدگاه در تصميم گيری مديريتي بیش از یکدهه تمرکز بر اثربخشی یادگیری درس مهارت های عمومی مدیریت, کارآفرینی ,مدیریت فناوری و نوآوری, روش های تولید و مونتاژمکانیکی تمرکز بر یادگیری دانشجو بجای تدریس به وی در دانشکده های صنایع,معماری,مکانیک و مواد این واقعیت به نحو آشکاری خویش را نمایان ساخت که,دانشجویان در نحوه یادگیری مباحثی که مطرح می شود به دلایل گوناگون یکسان عمل نمی کنند. هدایت یادگیری دانشجو بجای تدریس به وی چرادانشجویان در نحوه یادگیری مباحثی که مطرح می شود یکسان عمل نمی کنند؟ این عوامل در اثربخشی یادگیری دخیل شناخته شدند: توارث,تجارب,دورنماهازمینه ها,استعدادها,علایق, ظرفیت ها و نیازهای دانشجو Heredity, Experiences, Perspectives, Backgrounds, Talents, Interests, Capacities, Needs
لینک دانلود و خرید پایین توضیحات دسته بندی : پاورپوینت نوع فایل : powerpoint (..ppt) ( قابل ويرايش و آماده پرينت ) تعداد اسلاید : 11 اسلاید
قسمتی از متن powerpoint (..ppt) :
نظریه های یادگیری رفتاری پاولف ، ثرندایک و اسکینر نظریه شرطی سازی پاسخ گر یا کلاسیک پاولفی (UR پاسخ غیر شرطی( (US ) محرک غیر شرطی ترشح بزاق بوی گوشت (UR پاسخ غیر شرطی( (CS محرک شرطی ( ( US) محرک غیر شرطی بوی گوشت صدای زنگ ترشح بزاق
پس از چندین بار تکرار (CR پاسخ شرطی( ( CS محرک شرطی( صدای زنگ ترشح بزاق
خلاصه : وقتی دو حادثه باهم چندبار و هم زمان به وجود می آیند بعد از مدتی یکی از آن حوادث می تواند تداعی کننده حادثه بعدی باشد خاموشی عدم محرک غیر شرطی عدم پاسخ شرطی (CS محرک شرطی( خلاصه : زمانی که محرک شرطی بدون همراهی محرک غیر شرطی رای چند بار اتفاق افتد منجر به توقف پاسخ شرطی یعنی خاموشی یا ناشرطی شدن رفتار و پاسخ گر خواهد شد : تعمیم وقتی که پاسخ ارگانیسم به یک محرک خاص شرطی شد ، محرک های مشابه دیگر که در جریان شرطی شدن حضور نداشته اند همان پاسخ را فراخواهند خواند تمیز: تمایل فرد به پاسخ دادن به تنها آن محرکی که در ضمن شرطی شدن به کار رفته است اشاره می کند
لینک دانلود و خرید پایین توضیحات دسته بندی : پاورپوینت نوع فایل : powerpoint (..ppt) ( قابل ويرايش و آماده پرينت ) تعداد اسلاید : 44 اسلاید
قسمتی از متن powerpoint (..ppt) :
بنام خدا یادگیری درخت تصمیم مقدمه در یک مسئله یادگیری با دو جنبه مختلف روبرو هستیم: نحوه نمایش فرضیه ها روشی که برای یادگیری برمی گزینیم در این فصل برای نمایش فرضیه ها از درخت تصمیم استفاده میکنیم و برای یادگرفتن این درخت از روش ID3 استفاده میکنیم. درخت تصمیم درختها درهوش مصنوعی برای نمایش مفاهیم مختلفی نظیر ساختار جملات، معادلات، حالات بازی، و غیره استفاده میشود. یادگیری درخت تصمیم روشی برای تقریب توابع هدف با مقادیر گسسته است. این روش نسبت به نویز داده هامقاوم بوده وقادر است ترکیب فصلی گزاره های عطفی را یاد بگیرد. این روش جزو مشهورترین الگوریتمهای یادگیری استقرائی است که بصورت موفقیت آمیزی در کاربردهای مختلف بکار گرفته شده است. نمایش درخت تصمیم درخت تصمیم درختی است که در آن نمونه ها را به نحوی دسته بندی میکند که از ریشه به سمت پائین رشد میکنند و در نهایت به گره های برگ میرسد : هر گره داخلی یاغیر برگ (non leaf) با یک ویژگی (attribute) مشخص میشود. این ویژگی سوالی را در رابطه با مثال ورودی مطرح میکند. درهر گره داخلی به تعداد جوابهای ممکن با این سوال شاخه (branch) وجود دارد که هر یک با مقدار آن جواب مشخص میشوند. برگهای این درخت با یک کلاس و یا یک دسته از جوابها مشخص میشوند. علت نامگذاری آن با درخت تصمیم این است که این درخت فرایند تصمیم گیری برای تعیین دسته یک مثال ورودی را نشان میدهد.
لینک دانلود و خرید پایین توضیحات
