چکیده این پژوهش با هدف کاربرد رهیافت های هوش تجاری در بهبود تصمیم گیری مدیران بانکی انجام گرفت. این پژوهش از حیث هدف از نوع کاربردی و از نظرگردآوری داده ها از نوع، توصیفی پیمایشی است. جامعه آماری در این پژوهش مدیران کلیه ی شعب موسسه اعتباری ثامن استان های گیلان و مازندران است. 52مدیر شعب استان های گیلان و مازندران به عنوان نمونه آماری انتخاب شدند. روش نمونه گیری به صورت تصادفی ساده است. ابزار اصلی مورد استفاده در این تحقیق، پرسشنامه است. پرسشنامه هوش تجاری دارای مولفه های یکپارچگی داده ها، قابلیت های تحلیلی، کیفیت محتوای اطلاعاتی، کیفیت دسترسی به اطلاعات، استفاده از اطلاعات در فرآیند کسب و کار، فرهنگ تصمیم گیری تحلیلی می باشد و برای سنجش تصمیم-گیری مدیران از 5 سوال استفاده شد. داده های پژوهش با نرم افزارهای spss و matlab تحلیل گردید. نتایج تحلیل آماری نشان داد که بین استفاده از هوش تجاری و تصمیم گیری مدیران موسسه اعتباری ثامن ارتباط معنادار وجود دارد. همچنین یافته های تحقیق نشان داد که وضعیت مدیران شعب در متغیرهای هوش تجاری و تصمیم گیری مطلوب است. کلید واژه: هوش تجاری، بهبود تصمیم گیری مدیران، موسسه اعتباری ثامن، فرهنگ تصمیم گیری

یکی از شاخه های علم یادگیری ماشین که به علت ذات همسایگی سلولی و تاثیرپذیری همسایگی و همچنین سلولی بودن تصویر به مقدار زیادی در پردازش تصویر نفوذ کرده است، مبحث آتوماتای سلولی است. از آنجا که آتوماتای سلولی دارای رفتاری پویا می باشد می توان از آن برای بهسازی تصویر استفاده نمود.آتوماتای یادگیر سلولی از زمان ارائه تاکنون در کاربردهای بسیار زیادی به کار گرفته شده است. از جمله مهم ترین کاربردهای آن شناسایی و بهبود لبه های تصاویر است که از مهمترین جنبه های بهسازی تصویر نیز به شمار میرود.در این پژوهش روشهای مختلف لبه یابی و بهبود لبه مبتنی بر آتوماتای یادگیر سلولی مورد بررسی قرار گرفته و الگوریتمهایی جهت بهبود عملکرد آنها ارائه میگردد. در قسمت اول این پژوهش روشهای پیشنهادی بهبود لبه های به دست آمده در فاز پیش پردازش مبتنی بر آتوماتای یادگیر سلولی ارائه میگردد. سپس نتایج حاصل از هر یک از روش ها نمایش داده میشود.در قسمت دوم پژوهش مشاهده میشود که روش پیشثنهادی عملکرد خوبی در بهبود لبه های استخراج شده در فاز پیش پردازش دارد. همچنین از دو دیدگاه کیفی و کمی به ترتیب با برخی روش های پیشین بهبود لبه مبتنی بر آتوماتای یادگیر سلولی مقایسه میشود.نتایج آزمایشها نشان میدهد که الگوریتم یشنهادی از منظر بصری تصاویر بهتری را در مقایسه با روشهای پیشین بهبود لبه ارائه می دهد.همچنین از منظرکمی نیز روش پیشنهادی از کارایی بالاتری برخوردار است.

امروزه بازاریابی اینترنتی به اندازه ایی رواج پیدا کرده است که می توان آن را در نرم افزارهای مختلف گوشی های هوشمند نیز مشاهده نمود. بازاریابی و نیاز مبرم به تحلیل روند بازار از جمله چالش های بزرگی است که شرکتها، با آن مواجه هستند. حال استفاده از روشهایی که بتواند این روندها را تنها با تحلیل بخش کوچکی از داده ها (شناسایی گره کلیدی) استخراج نماید، بسیار حائز اهمیت می باشد. روش های متنوعی برای محاسبه درجه اهمیت گره های کلیدی در شبکه اجتماعی وجود دارد. براساس این درجات، روند ها یا سیر تحول در رفتارهای کاربران استخراج خواهند شد. در حقیقت در این مطالعه از اطلاعات شبکه های اجتماعی برای پیش بینی حرکات مشتری استفاده شده است و با معرفی یک الگوریتم جایگزین برپایه الگوریتم های استخراج الگوهای توالی بر توالی های استخراج شده توسط پیمایش اول عمق گراف شبکه اجتماعی استخراج شده اند، حجم گراف را جهت استخراج سریعتر روند ها کاهش داده است. رویکرد نوآورانه به منظور مدیریت شبکه های اجتماعی بزرگ، و مدیریت گره های کم خاصیت با تلفیق ساختار الگوهای توالی بر پیکره پالایش شبکه اجتماعی و در نتیجه کاهش چشمگیر سربار محاسباتی استخراج روند و افزایش در سرعت محاسبه آنها است (علی الخصوص در شبکه های پویا که با تولید حجم وسیعی از داده ها روبرو هستیم). نتایج این روش نوین پیشنهادی در مطالعه موردی واقعی روی پایگاه داده بزرگ و پویای تویتر شامل اطلاعات ارتباطی کاربران این شبکه که در طی شش ماه متوالی با تلفن همراه خود پیامهایی را ردوبدل کرده اند، می باشد. پالایش و کاهش حجم شبکه اجتماعی، شکاف قابل توجه ایی را در میان مقادیر شبکه کاهش یافته و شبکه اصلی ایجاد می-نماید که این موضوع در عملکرد مدل پیشنهادی این مقاله در نظر گرفته شده و بهبود این شکاف با الگوریتم همتای دیگر به نام smi مورد مقایسه قرار گرفته است. این مقاله نشان می دهد که الگوریتم پیشنهادی با ردیابی گره های با مرکزیت میانی پایین توانسته در کنار اینکه تعداد بسیاری از گره ها را حذف و سربار محاسباتی را به شدت کاهش دهد، شکاف میان مقادیر مرکزیت میانی را به حداقل برساند.