خوشهبندی استانهای ایران بر پایهی معیارهای شکاف دیجیتال به کمک روش K-MEANS
Authors
Abstract:
In this paper, the notion of the digital divide has been described, and a few analyzing methods of digital divide have been reviewed. Analyzing methods of digital divide are called indices which have different indicators and different formulas for calculation. Since data collection for an indicator may be difficult, calculating an index is an essential problem. We collected and calculated some indicators in provinces of Iran. But they were insufficient to calculate a standard index. These indicators terribly show the deep digital divide between the provinces. To show more accurately the social inequalities in the adoption of ICT between provinces in Iran, we used the well-known K-means clustering algorithm on the indicators of the provinces. The clustering results appropriately showed the unique status of Tehran among provinces because Tehran always falls in a different cluster alone. It means that the information technology does not fairly spread through the provinces in Irān.
similar resources
نقش محتوا بر شکاف دیجیتال اقتصاد
امروزه فناوری اطلاعاتوارتباطات بخش جدایی ناپذیر از توسعهیافتگی کشورها محسوب میشود، دسترسی نابرابر به آن یکی از مسائل رایج در زمان حاضر است. کشورها به دنبال راههایی جهت محدود کردن تفاوتهای کلی خود در سراسر جهان هستند که باعث ایجاد "شکاف دیجیتالی" شدهاست. مطالعات صورت گرفته در خصوص شکاف دیجیتالی معطوف به عوامل جمعیتی، اقتصادی و زیرساختی اینترنت هستند که به سختی در کوتاه مدت قابل تغییر هستن...
full textPersistent K-Means: Stable Data Clustering Algorithm Based on K-Means Algorithm
Identifying clusters or clustering is an important aspect of data analysis. It is the task of grouping a set of objects in such a way those objects in the same group/cluster are more similar in some sense or another. It is a main task of exploratory data mining, and a common technique for statistical data analysis This paper proposed an improved version of K-Means algorithm, namely Persistent K...
full textبررسی ویژگیهای بیماران مبتلا به سل با استفاده از روش خوشهبندی K-Means
مقدمه: به گزارش سازمان سلامت جهانی، بیماری سل بیشترین عامل مرگ و میر در بیماریهای عفونی است. با توجه به بالا بودن درصد افراد مبتلا به سل و تعداد زیاد مرگ و میر در بین این بیماران، این تحقیق با هدف دسته بندی و پیدا کردن ارتباط بین ویژگیهای بالینی و دموگرافیک بیماران مختلف انجام شده است. روش: این پژوهش مطالعه ای توصیفی، تحلیلی بوده که به روی 600 بیمار مرکز تحقیقات سل بیمارستان مسیح دانشوری انج...
full textبررسی ویژگیهای بیماران مبتلا به سل با استفاده از روش خوشهبندی K-Means
مقدمه: به گزارش سازمان سلامت جهانی، بیماری سل بیشترین عامل مرگ و میر در بیماریهای عفونی است. با توجه به بالا بودن درصد افراد مبتلا به سل و تعداد زیاد مرگ و میر در بین این بیماران، این تحقیق با هدف دسته بندی و پیدا کردن ارتباط بین ویژگیهای بالینی و دموگرافیک بیماران مختلف انجام شده است. روش: این پژوهش مطالعه ای توصیفی، تحلیلی بوده که به روی 600 بیمار مرکز تحقیقات سل بیمارستان مسیح دانشوری انج...
full textK-means vs Mini Batch K-means: A comparison
Mini Batch K-means ([11]) has been proposed as an alternative to the K-means algorithm for clustering massive datasets. The advantage of this algorithm is to reduce the computational cost by not using all the dataset each iteration but a subsample of a fixed size. This strategy reduces the number of distance computations per iteration at the cost of lower cluster quality. The purpose of this pa...
full textK+ Means : An Enhancement Over K-Means Clustering Algorithm
K-means (MacQueen, 1967) [1] is one of the simplest unsupervised learning algorithms that solve the well-known clustering problem. The procedure follows a simple and easy way to classify a given data set to a predefined, say K number of clusters. Determination of K is a difficult job and it is not known that which value of K can partition the objects as per our intuition. To overcome this probl...
full textMy Resources
Journal title
volume 1 issue 1
pages 32- 45
publication date 2013-01
By following a journal you will be notified via email when a new issue of this journal is published.
No Keywords
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023