مقاله عوامل سازماني و مديريتي موثر بر فساد اداري – مالي در سازمانهاي دولتي
مقاله تحليل و ارزيابي خط مشي خصوصي سازي در ايران
مقاله تأثیر آموزش پژوهش محور بر خلاقیت و یادگیری دانش آموزان ابتدایی
مقاله معرفی الگوريتم دسته ماهیهای مصنوعی و کاربردها
طرح توجیهی احداث رستوران سنتی
مقاله حاکمیت شرکتی و رضایتمندی سرمایه گذاران
مقاله طراحی الگوریتم MobileNet به منظور بهینه سازی طبقه بندی تصویر در شبکه عصبی کانولوشن
یادگیری عمیق در سالهای اخیر به سرعت پیشرفت کرده و در بسیاری از زمینه ها که حوزه های اصلی هوش مصنوعی هستند اعمال شده است. ترکیبی از یادگیری عمیق و سیستم های تعبیه شده ابعاد خوبی در زمینه فنی ایجاد کرده است. در این مقاله یک الگوریتم شبکه عصبی یادگیری عمیق طراحی گردید که می تواند بر روی سخت افزار FPGA پیاده سازی شود. در این مقاله از PyTorch و CUDA به عنوان روش های دستیار استفاده شد. همچنین در مورد طبقه بندی تصویر از شبکه عصبی کانولوشن (CNN) استفاده گردید. بسیاری از مدلهای خوب CNN مانند ResNet ، ResNeXt و MobileNet در این مقاله بررسی شدند. با استفاده از این مدل ها در طراحی، در نهایت الگوریتمی با مدل MobileNet طراحی گردید. مدل ها از جهات مختلف مانند عملیات ممیز شناور (FLOP)، تعداد پارامترها و دقت طبقه بندی انتخاب شدند. در حقیقت، الگوریتم مبتنی بر MobileNet با خطای top-1 5.5% در نرم افزار با مجموعه داده های 6 کلاس انتخاب شد. علاوه بر این، شبیه سازی سخت افزاری در الگوریتم مبتنی بر MobileNet ارائه گردید. پارامترها از اعداد شناور به اعداد صحیح 8 بیتی تبدیل شدند. اعداد خروجی هر لایه جداگانه به عدد صحیح های بیت ثابت برش داده شدند تا متناسب با محدودیت سخت افزاری باشند. یک روش کار با اعداد برای شبیه سازی تغییر تعداد در سخت افزار طراحی شد. بر اساس این روش شبیه سازی، خطای top-1 به 12.3٪ افزایش یافت که قابل قبول می باشد.
مقاله مدلهای بهینه¬سازی طبقه¬بندی تصویر با استفاده از رویکرد شبکه عصبی کانولوشن
یادگیری عمیق در سالهای اخیر بهسرعت پیشرفت کرده و در بسیاری از زمینهها که حوزههای اصلی هوش مصنوعی هستند اعمالشده است. روشهای سنتی یادگیری ماشین بیشتر از ساختارهای کمعمق برای مقابله با تعداد محدودی از نمونهها و واحدهای محاسباتی استفاده میکنند. هنگامیکه اشیا هدف دارای معانی غنی باشند، عملکرد و توانایی تعمیم مسائل طبقهبندی پیچیده کاملاً ناکافی خواهد بود. شبکه عصبی کانولوشن (CNN) که در سالهای اخیر توسعهیافته است، بهطور گستردهای در زمینه پردازش تصویر مورداستفاده قرارگرفته است؛ زیرا در مقابله با مسائل طبقهبندی و شناسایی تصویر مهارت بالایی دارد و منجر بهدقت زیادی در بسیاری از کارهای یادگیری ماشین شده است و به یک مدل قدرتمند و جهانی یادگیری عمیق تبدیلشده است. ترکیبی از یادگیری عمیق و سیستمهای تعبیهشده ابعاد خوبی در زمینه فنی ایجاد کرده است. در این مقاله، به بررسی چند مدل مفید در زمینه بهینهسازی طبقهبندی تصویر، مبتنی بر شبکه عصبی کانولوشن و سیستمهای تعبیهشده پرداختهشده است. ازآنجاییکه این مقاله بر روی مدلهای قابلاستفاده روی صفحه FPGA تمرکز دارد، بنابراین مدلهایی که برای سیستمهای تعبیهشده معروف هستند از قبیل MobileNet ، ResNet ، ResNeXt و ShuffNet، موردمطالعه قرارگرفتهاند.
مقاله منابع حقوق جزا در حقوق ایران
مقررات كيفري اسلام را كه شارع مقدس در اين جهان براي گنهكاران يا جنايتكاران تعيين نموده است اعم از آن كه مربوط باشد به گناهاني كه داراي كيفر خاصي مي باشند و يا به گناهان ديگر، و اعم از اين كه كيفر جنايت، بدني باشد يا مالي، حقوق جزاي اسلامي مي ناميم. در گذشته اين نوع مقررات را سياسات مي ناميدند.
اين مقررات از لحاظ اين كه به كلي جزائم و مجازاتها مربوط باشد، يا به جرائم و مجازاتهاي خاص ، و يا به جنبه هاي اجرائي ، به حقوق جزاي عمومي، حقوق جزاي اختصاص و آئين دادرسي كيفري تقسيم مي شود كه در اين نوشته به قسم اول مي پردازد.
حقوق جزای اسلامی عبارت است از مجموعه قواعدی همگانی و همیشگی که شریعت اسلام برای پیشگیری از وقوع جرم و تأمین سلامت و صیانت مردم و برقراری عدالت و حفظ نظم و امنیت در جامعه به وسیله قرآن و سنت اسلامی مقرر داشتهاست. به عبارت دیگر مقررات کیفری اسلام را که شارع مقدس آن در این جهان برای گناهکاران یا جنایتکاران تعیین نمودهاست اعم از آن که مربوط باشد به گناهانی که دارای کیفر خاصی میباشند یا به گناهان دیگر، و اعم از این که کیفر جنایت، بدنی باشد یا مالی، حقوق جزای اسلامی مینامند.