08. ¿Son los Centros Especiales de Empleo socialmente responsables sólo por ...Albert Vilariño
Post publicado en www.albertvilarino.com el 7/6/15
http://albertvilarino.com/2015/06/07/centros-especiales-de-empleo-rsc-rse-responsabilidad-social-discapacidad/
08. ¿Son los Centros Especiales de Empleo socialmente responsables sólo por ...Albert Vilariño
Post publicado en www.albertvilarino.com el 7/6/15
http://albertvilarino.com/2015/06/07/centros-especiales-de-empleo-rsc-rse-responsabilidad-social-discapacidad/
بیان مزیت ها و توانایی های الاستیک سرچ به همراه توضیح نحوه استفاده از بخش های مختلف و راه اندازی آن شامل آپاچی کافکا و کیبانا و لاگ استش و الاستیک سرچ در مجموعه گارتکس
معمولا نخستین رفتار انسان در طی حل یک مسأله، شناساییِ آن مسأله، شناساییِ دادههای آن مسأله و شناساییِ راههای سادهسازی آن مسأله میباشد. راههای متعددی برای شناسایی موضوع وجود دارد که یکی از آنها یادگیری از تجربیات خود یا دیگر انسانها میباشد.
از طرفی عمل یادگیری، به دو نوع تقسیم میشود:
1- یادگیری با نظارت
2- یادگیری بدون نظارت
در دسته یادگیری با نظارت، میتوان از روش طبقهبندی یاد کرد و برای یادگیری بدون نظارت از روش خوشهبندی نام برده میشود.
1-1-1-تفاوت های خوشهبندی و طبقهبندی
اگر بخواهیم تفاوتهای بین خوشهبندی و طبقهبندی دادهها را بررسی کنیم موارد زیر قابل ذکر هستند:
1-مسلما اولین تفاوت، این است که طبقهبندی یک مسئله با یادگیری با نظارت بوده اما خوشهبندی یک یادگیری بدون نظارت است.
2-طبقهبندی یک نوع یادگیری بر پایه مثال بوده در حالی که خوشهبندی یادگیری بر پایه مشاهده میباشد.
3-در طبقهبندی هم داده ورودی و هم خروجی هدف مشخص است و بقیه دادهها بر همین اساس طبقهبندی میشوند، ولی در خوشهبندی فقط ورودیها وجود داشته و بر اساس شباهتهای بین ورودیها باید آنها را خوشهبندی کرد.
آنچه که در پروژه ما مورد استفاده قرار گرفت روش خوشهبندی است که بر همین اساس به معرفی آن خواهیم پرداخت.
متعادل کننده بار در پایگاه داده توزیع شدهHadi Rasouli
امروزه با توجه به گسترش تعداد سرویسها و سیستمهای مبتنی بر ابر، استفاده بهینه از منابع موجود و کارایی بالا در ارائه سرویس، یکی از مهمترین مسائل در این نوع سیستمها است. با توجه به موقعیت جغرافیایی سرورها، سیستمهای پایگاه داده توزیعشده بهعنوان یک ضرورت درآمده اند که اجتماعی از پایگاه دادههای متنوع را با درجه شفافیت قابل قبول، در اختیار کاربر قرار میدهند. همچنین با توجه به گسترش روز افزون علم کامپیوتر و وجود نرمافزارهای متعدد در زمینه ساخت پایگاهداده، امکانات بسیاری را در زمینه جمعآوری اطلاعات در اختیار کاربران قرار میدهند که این امر موجب شده تا روز به روز به حجم و تداد پایگاه دادهها افزوده شود. بنابراین با توجه به افزایش و گسترش تعداد پایگاه دادهها بحت کنترل همروندی پیش میآید که راهحلهایی برای آن باید در نظر گرفته شود. یکی از راهحلها استفاده از پایگاهدادههای توزیعشده است. پیشرفت در تکنولوژی شبکه و پایگاه داده در دهههای اخیر موجب ایجاد سیستمهای پایگاهدادههای توزیعشده شده است. یک سیستم پایگاهداده توزیعشده مجموعهای از سایتها هست که از طریق شبکه به هم متصل شدهاند که هرکدام از سایتها پایگاهداده مخصوص به خود را دارد و میتوانند با یکدیگر کار کنند و ارتباط داشته باشند. بنابراین یک کاربر میتواند به اطلاعات همه پایگاه دادههای متصل دسترسی پیدا کند بهطوری که متوجه توزیعشدگی پایگاه دادهها نشود. در این گزارش به معرفی و مقایسه روشهای متعادلکننده بار یا توازن بار در پایگاهدادههای توزیعشده پرداخته شده است.
بیان مزیت ها و توانایی های الاستیک سرچ به همراه توضیح نحوه استفاده از بخش های مختلف و راه اندازی آن شامل آپاچی کافکا و کیبانا و لاگ استش و الاستیک سرچ در مجموعه گارتکس
معمولا نخستین رفتار انسان در طی حل یک مسأله، شناساییِ آن مسأله، شناساییِ دادههای آن مسأله و شناساییِ راههای سادهسازی آن مسأله میباشد. راههای متعددی برای شناسایی موضوع وجود دارد که یکی از آنها یادگیری از تجربیات خود یا دیگر انسانها میباشد.
از طرفی عمل یادگیری، به دو نوع تقسیم میشود:
1- یادگیری با نظارت
2- یادگیری بدون نظارت
در دسته یادگیری با نظارت، میتوان از روش طبقهبندی یاد کرد و برای یادگیری بدون نظارت از روش خوشهبندی نام برده میشود.
1-1-1-تفاوت های خوشهبندی و طبقهبندی
اگر بخواهیم تفاوتهای بین خوشهبندی و طبقهبندی دادهها را بررسی کنیم موارد زیر قابل ذکر هستند:
1-مسلما اولین تفاوت، این است که طبقهبندی یک مسئله با یادگیری با نظارت بوده اما خوشهبندی یک یادگیری بدون نظارت است.
2-طبقهبندی یک نوع یادگیری بر پایه مثال بوده در حالی که خوشهبندی یادگیری بر پایه مشاهده میباشد.
3-در طبقهبندی هم داده ورودی و هم خروجی هدف مشخص است و بقیه دادهها بر همین اساس طبقهبندی میشوند، ولی در خوشهبندی فقط ورودیها وجود داشته و بر اساس شباهتهای بین ورودیها باید آنها را خوشهبندی کرد.
آنچه که در پروژه ما مورد استفاده قرار گرفت روش خوشهبندی است که بر همین اساس به معرفی آن خواهیم پرداخت.
متعادل کننده بار در پایگاه داده توزیع شدهHadi Rasouli
امروزه با توجه به گسترش تعداد سرویسها و سیستمهای مبتنی بر ابر، استفاده بهینه از منابع موجود و کارایی بالا در ارائه سرویس، یکی از مهمترین مسائل در این نوع سیستمها است. با توجه به موقعیت جغرافیایی سرورها، سیستمهای پایگاه داده توزیعشده بهعنوان یک ضرورت درآمده اند که اجتماعی از پایگاه دادههای متنوع را با درجه شفافیت قابل قبول، در اختیار کاربر قرار میدهند. همچنین با توجه به گسترش روز افزون علم کامپیوتر و وجود نرمافزارهای متعدد در زمینه ساخت پایگاهداده، امکانات بسیاری را در زمینه جمعآوری اطلاعات در اختیار کاربران قرار میدهند که این امر موجب شده تا روز به روز به حجم و تداد پایگاه دادهها افزوده شود. بنابراین با توجه به افزایش و گسترش تعداد پایگاه دادهها بحت کنترل همروندی پیش میآید که راهحلهایی برای آن باید در نظر گرفته شود. یکی از راهحلها استفاده از پایگاهدادههای توزیعشده است. پیشرفت در تکنولوژی شبکه و پایگاه داده در دهههای اخیر موجب ایجاد سیستمهای پایگاهدادههای توزیعشده شده است. یک سیستم پایگاهداده توزیعشده مجموعهای از سایتها هست که از طریق شبکه به هم متصل شدهاند که هرکدام از سایتها پایگاهداده مخصوص به خود را دارد و میتوانند با یکدیگر کار کنند و ارتباط داشته باشند. بنابراین یک کاربر میتواند به اطلاعات همه پایگاه دادههای متصل دسترسی پیدا کند بهطوری که متوجه توزیعشدگی پایگاه دادهها نشود. در این گزارش به معرفی و مقایسه روشهای متعادلکننده بار یا توازن بار در پایگاهدادههای توزیعشده پرداخته شده است.