پایان نامه حاضر برگرفته از یک پژوهش بوده و هدف از انجام آن مطالعه عوامل موثر بر جهت گیری ارزشی(مادی/فرامادی) دانشجویان مطالعه موردی دانشجویان دانشگاه آزاد اسلامی اراک، با تاکید بر نظریه رونالد اینگلهارت می باشد. به همین منظور از بین دانشجویان مقطع کارشناسی دانشکده علوم انسانی دانشگاه آزاد اسلامی اراک تعداد 288 نفر به روش نمونه گیری تصادفی انتخاب شدند. روش پژوهش، پیمایشی و ابزار گردآوری اطلاعات، پرسشنامه می باشد. در تجزیه و تحلیل داده های خام از آمار توصیفی و آمار استنباطی شامل آزمون های خی دو،ضریب وابستگیc و لامدا استفاده شده است.نتایج تحقیق نشان می دهد: جهت گیری ارزشی تلفیقی در بین دانشجویان غالب است. بین جنسیت و جهت گیری ارزشی رابطه معنی دار و همبستگی نسبتا قوی وجود دارد. بین میزان مذهبی بودن و جهت گیری ارزشی رابطه معنی دار و نسبتا قوی وجود دارد. بین میزان رضایت از زندگی و جهت گیری ارزشی رابطه معنی دار و نسبتا قوی وجود دارد. در این تحقیق ثابت شد که بین میزان استفاده دانشجویان از رسانه های جمعی و جهت گیری ارزشی رابطه معنی دار اما ضعیف و منفی وجود دارد. بین محل سکونت دانشجویان و جهت گیری ارزشی رابطه معنی دار، اما نسبتا ضعیفی وجود دارد. بین قشر اجتماعی دانشجویان و جهت گیری ارزشی رابطه معنی دار اما نسبتا ضعیفی وجود دارد. واژگان کلیدی: ارزش- ارزش مادی- ارزش فرامادی- جهت گیری ارزشی - رضایت از زندگی- رسانه های گروهی.

کاوش در جریان داده فرایندی است که منجر به استخراج دانش از جریانی سریع از داده های پیوسته می شود. در سالهای اخیر، به دلیل اهمیت کاربردهای آن و پیشرفت در تکنولوژی سخت افزاری بسیار مورد توجه قرار گرفته شده است. در بسیاری از زمینه های کاربردی مانند شبکه های کامپیوتری، بازارهای مالی و مبادلات ارزی، مکالمات تلفنی، کارت های اعتباری، مراکز داده و سرورها، تصاویر ویدئویی، شبکه حسگرها، رادارها، ماهواره ها و ...، حجم جریان های داده به قدری زیاد است که ذخیره آن تقریبا غیر ممکن است. بعلاوه، حتی اگر ذخیره داده ها ممکن باشد، نرخ داده های ورودی بقدری زیاد است که انجام عملیات بیش از یک بار بر روی هر داده امکان پذیر نمی باشد. از طرفی در بسیاری از موارد توزیع داده ها متأثر از عوامل بیرونی، پیوسته با زمان تغییر میکند. در نتیجه طراحی الگوریتم های برخط و کارا به منظور کاوش در ساختار متغیر جریان های داده ضرورت می یابد. روش های غیر خطی بر پایه آنالیز مولفه های اصلی کرنلی (kpca) در داده کاوی به منظور استخراج ساختار های غیر خطی از داده ها بسیار مورد استفاده قرار گرفته شده و کارایی بالایی نسبت به روش های خطی از خود نشان داده اند. اما پیاده سازی این روش ها که بر پایه تجزیه مقدار تکین کرنلی (ksvd) دسته ای ماتریس داده ها است، مناسب کاربرد هایی که نیازمند پردازش برخط می باشند، نمی باشد. در این پایان نامه ما sksvd را که یک الگوریتم جدید به روز رسانی ksvd می باشد را به منظور یافتن کارای الگوهای غیر خطی از داده های جریانی ارائه کرده ایم. الگوریتم ارائه شده به کمک ایده توابع کرنل ، یک انتقال متعامد خطی را از داده های اخیر در فضایی با ابعاد بسیار بالاتر ( شاید بی نهایت) که به آن فضای ویژگی یا فضای کرنل می گویند، یاد می گیرد و هرگاه داده ی جدیدی تولید شود این الگوریتم آن را به صورت غیر خطی به آن فضا نگاشت کرده و بعد از استخراج الگوهای آن، انتقال متعامد را به صورت افزایشی و با کمترین میزان مصرف منابع به روز می کند. از آنجا که فضای اولیه و فضای ویژگی به صورت غیر خطی به هم وابسته هستند، الگوهای بدست آمده غیر خطی خواهند بود. الگوهای بدست آمده را سپس می توان به منظور کشف تغییر در مفهوم و توزیع داده ها و یا شناسایی ناهنجاری مورد استفاده قرار داد. نتایج حاصل از آزمایش هایی گوناگون بر روی داده های واقعی و ساختگی تاثیر گذاری و کارایی روش ما را نشان میدهد.