دانلود مقاله ISI انگلیسی شماره 22277 + ترجمه فارسی
عنوان فارسی مقاله

استفاده از داده کاوی هیبریدی و تحلیل خوشه ای یادگیری ماشین به منظور پیش بینی نرخ جایگزینی متخصصان حوزه فناوری

کد مقاله سال انتشار مقاله انگلیسی ترجمه فارسی
22277 2012 8 صفحه PDF 17 صفحه WORD
خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
عنوان انگلیسی
Using hybrid data mining and machine learning clustering analysis to predict the turnover rate for technology professionals
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Expert Systems with Applications, Volume 39, Issue 10, August 2012, Pages 8844–8851

فهرست مطالب ترجمه فارسی
چکیده
کلمات کلیدی
1.مقدمه
2.بیان مساله و تعاریف
جدول 1:طبقه بندی جایگزینی
2.1داده کاوی و روش تحلیل خوشه ای
3.روش شناسی
3.1پیش پردازش داده ها
3.1.1تعریف مدل تحقیقاتی براساس روند جایگزینی
3.1.2نظرسنجی و تفکیک پرسشنامه های معتبر
3.1.2.1. طراحی پرسشنامه
3.2تحلیل خوشه ای نمونه
3.2.1فرآیند خوشه بندی SOM
3.2.2روش خوشه بندی شبکه عصبی
4.نتایج تحلیل
جدول 3: مقادیر پارامترها در SOM
جدول 4: تحلیل سرعت همگرایی خوشه بندی SOM
4.1 نتایج حاصل از خوشه بندی SOM
جدول 2: متغیرهای ورودی
4.2 نتایج حاصل از خوشه بندی SOM+BPN
جدول 5: سی و شش داده آزمایشی برای پیش بینی نتایج
جدول 6: مقایسه کلی میان BPN، میانگین k و SOM+BPN
5.نتیجه گیری
کلمات کلیدی
روند گردش مالی - دسته بندی تجزیه و تحلیل - نقشه خود سازماندهی - خوشه بندی شبکه های عصبی
ترجمه چکیده
این مطالعه از تحلیل خوشه ای برای داده کاوی و یادگیری ماشین به منظور پیش بینی روند جایگزینی متخصصان حوزه فناوری استفاده می کند که شامل شبکه عصبی مصنوعی هیبرید و تحلیل خوشه ای می شود که تحت نقشه خود سازماندهی (SOM) نیز شناخته می شوند. از این روش خوشه بندی هیبرید برای مطالعه مشخصات فردی روند خوشه های جایگزینی استفاده می شد. با استفاده از پرسشنامه اقدام به مطالعه دوره اوج جایگزینی که بعد از سال نوی چینی روی می دهد پرداختیم و افراد را در گروه های سنتی مختلف قرار دادیم. روند جایگزینی متخصصان حوزه تکنولوژی در شرکت های مطرح تایوانی مورد بررسی قرار گرفت. نتایج حاصل از این مطالعه نشان می دهد که جایگزینی کارکنان بیشتر به خاطر دلایلی چون عدم وجود وفاداری، رهبری و مدیریت مناسب صورت می گرفت. با استفاده از اعتبار سنجی متقابل مشخص شد که دقت خوشه بندی برابر با 92.7% است. این مطالعه به بررسی مشکلات مرتبط با از دست دادن سریع منابع انسانی کلیدی می پردازد و می تواند به سازمان ها در بهبود رقابت پذیری و بازدهی کمک کند.
ترجمه مقدمه
بهبود بازدهی منابع انسانی در سازمان همواری یکی از مباحث تحقیقاتی اصلی بوده است. هدف از این مطالعه بررسی عدم توانایی شرکت های حوزه فناوری تایوان در حفظ کارکنان بااستعداد و یافتن راهکاری برای عدم اخراج کارکنان و حفظ رقابت پذیری شرکت ها است. از این رو از یک تکنیک گسسته برای بررسی تکامل شرکت ها استفاده کردیم. تمرکز این مطالعه برروی کارکنان با سنین 20 تا 39 سال بود که سهم بالایی از کارکنان جایگزین شده را تشکیل می دهند. برای بررسی روند جایگزینی کارکنان از یک مقیاس سنجش مبتنی بر داده-های واقعی و داخلی استفاده کردیم. از آزمون های روایی و پایایی برای اطمینان از به هم پیوسته بودن داده ها استفاده کردیم. سایر نتایج را می توان با بکارگیری تکنیک های محاسبه ای در تحلیل خوشه بندی (یا همان نقشه خود سازمانده (SOM) به همراه شبکه عصبی انتشار بازگشتی (BPN) ) برای داده کاوی حاصل کرد. انتظار می رود که SOM-BPN، که می توان از آن برای فهم ویژگی های مرتبط با خوشه های روند جایگزینی استفاده کرد، اطلاعات قابل اطمینانی جهت حمایت از تصمیمات سیسات گذاران دراختیار ما قرار دهد. به منظور تعیین میزان دقت خوشه بندی در مدل SOM-BPN، متغیرها با هم ادغام و انتخاب شدند. این مقاله با ایجاد متغیرهای معتبر و قابل اطمینان بر مبنای اطلاعات بدست آمده از آثار قبلی و متخصصان این حوزه اقدام به پیش بینی تغییرات آینده می کند. افزون بر این، این مطالعه از رویکردی مبتنی بر تحلیل خوشه ای، SOM و خوشه بندی شبکه عصبی برای تعیین میزان دقت استفاده می کند.
پیش نمایش مقاله
پیش نمایش مقاله استفاده از داده کاوی هیبریدی و تحلیل خوشه ای یادگیری ماشین به منظور پیش بینی نرخ جایگزینی متخصصان حوزه فناوری

چکیده انگلیسی

This study applies clustering analysis for data mining and machine learning to predict trends in technology professional turnover rates, including the hybrid artificial neural network and clustering analysis known as the self-organizing map (SOM). This hybrid clustering method was used to study the individual characteristics of turnover trend clusters. Using a transaction questionnaire, we studied the period of peak turnover, which occurs after the Chinese New Year, for individuals divided into various age groups. The turnover trend of technology professionals was examined in well-known Taiwanese companies. The results indicate that the high outstanding turnover trend circle was primarily caused by a lack of inner fidelity identification, leadership and management. Based on cross-verification, the clustering accuracy rate was 92.7%. This study addressed problems related to the rapid loss of key human resources and should help organizations learn how to enhance competitiveness and efficiency.

مقدمه انگلیسی

Improving the organization efficiency of human resources has been a key research topic for a long period of time. The purposes of this study were to discuss why Taiwan technology enterprises cannot retain talented employees and to find ways to prevent turnover of these employees and increase the competitiveness of the companies. Therefore, we use a discrete technique to discuss enterprise evolution. This study focused on employees between 20 and 39 years old who contribute to the high turnover in Taiwan. We examined turnover using a measurement scale based on real, local data. Reliability and validity tests were used to ensure data dependability. Other results can be revealed by applying computational intelligence clustering analysis techniques for data mining (i.e., self-organizing map (SOM) combined with back-propagation neural network (BPN)). SOM–BPN, which can be applied to reveal characteristics related to turnover trend clusters, is expected to offer reliable data to support the decision making of company policymakers. In an effort to determine the clustering accuracy hit rate in SOM–BPN model, the variables were integrated and selected. This paper contributes to the forecasting literature by developing valid and reliable variables based on information obtained from prior literature and experts in the field. Moreover, this study developed an approach based on clustering analysis, SOM and neural network clustering, to determine the accuracy hit rate.

نتیجه گیری انگلیسی

Previous studies on turnover tended to explore the factors behind turnover, but they rarely predicted turnover inclinations. Therefore, they could not be used to immediately and effectively avoid the loss of key employees. This study solved this problem by using cluster analysis in data mining. According to the characteristics of the clusters, we found that employees value certain factors, such as the internalized identifications of supervisors, business support, leadership, management, growth and self-realization. In terms of turnover tendencies, the influence of supervisor commitment (or loyalty) was more significant than organizational commitment, which was distinct from other turnover research results on Western countries. Managers should not assume that the employees are less likely to leave when they actively fulfill their duties or when companies increase salary and benefits. In addition, when companies strictly follow procedure and rules and neglect the human side of the workplace, supervisors can accumulate loyal subordinates and then encourage all of them to leave for another firm. Clearly, it is much more important to cultivate loyal employees than abide by each and every rule. Due to time and cost considerations, this study still can improve forecasting efficiency and research application by use other methods. Thus, we propose that future scholars develop studies that do not consider turnover rates based on dichotomy. Thus, we might include fuzzy theory and multiple criteria decision-making to find additional influential factors with respect to turnover. To more effectively filter out the valid questionnaires, we might include traps and evaluate valid questionnaires through the use of a design program, which would save a significant amount of time.

خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.