ساختمان رگی از مهم ترین بخش های شبکیه است که بررسی دقیق ویژگی های آن می تواند در شناسایی بسیاری از بیماری ها به پزشکان کمک کند. آشکارسازی رگ ها در تصویرهای شبکیه ، یکی از فرایند های بسیار مهم در زمینه ی پردازش تصویرهای پزشکی به شمار می آید. چنانچه تصویرهای شبکیه دچار ناهنجاری های روشن و تاریک باشند، این کار پیچیده تر نیز می شود. در این پایان نامه، دو روش برای آشکارسازی اتوماتیک رگ ها در تصویرهای شبکیه های سالم و بیمار پیشنهاد شده است. هر روش دو گام دارد، که گام دوم آن ها یکسان است. در هر دو روش و در گام نخست، روندی برای کاهش ناهنجاری های روشن به کار می رود. در روش ?، این روند براساس الگوریتم جداسازی چندمیانگینه، و در روش ?، با بهره گیری از یک فرایند ترازبندی انجام می شود. در گام دوم، یک عمل گر خط چنداندازه ای برای یافتن ساختارهای خطی رگ و چشم پوشی از ساختارهای نامنظم ناهنجاری های تاریک به کار می رود. روش های پیشنهادی روی دو پایگاه تصویر شبکیه ، به نام درایو و استار، آزمایش شده اند. کارایی آن ها در جداسازی رگ های تصویرهای این دو پایگاه، از دیدگاه دقت و سطح زیر نمودار راک، با بهترین کارهای انجام شده تاکنون مقایسه شده است. نتیجه ی ارزیابی ها نشان از کارایی قابل مقایسه ی روش های پیشنهادی با دیگر روش ها دارد.

با گسترش رسانه های اجتماعی در فضای وب (انجمن های وب، شبکه های اجتماعی، بلاگ ها و ...) منابعی غنی و ارزان از نظرات به وجود آمده اند، مردم و تولیدکنندگان برای بررسی نظرات به این رسانه ها روی آورده اند. تحلیل نظرها از دو جنبه کاربرد فراوان دارد. برای صاحبان تجارت، گرفتن بازخورد مشتریان از محصول و سرویس می تواند بسیار مفید باشد تا براساس آن، تصمیم های مناسبی را در محصول و سرویس های بعدی خود دخیل کنند. همچنین برای کاربرانی که قصد تهیه محصول را دارند، استفاده از نظر سایرین برای رسیدن به خریدی مطمئن و مطابق با سلایق خود می تواند کمک کننده باشد. هدف اصلی این تحقیق ایجاد و پیاده سازی سیستم کاوش نظرات در وب و تحلیل این نظرات برای به دست آوردن میزان نظرات مثبت و منفی مربوط به هر یک از ویژگی های محصول است. هدف نهایی این سیستم، مشخص کردن میزان نظرات مثبت و منفی ویژگی های محصول و رتبه بندی (rank) ویژگی های محصولات موجود بر اساس بیش ترین نظرات مثبت و منفی است تا کاربر از بین محصولات موجود، محصولی که دارای بیش ترین نظرات مثبت برای ویژگی های دلخواه است را بتواند انتخاب کند. در تحقیق پیش رو سعی بر آن داریم با استفاده از آنتولوژی و ابزارهای وب معنایی با استفاده از معنای جملات و مفاهیم مستتر در محتویات نتایج بهتری نسبت به روش های سنتی به دست آوریم. در این تحقیق فرض بر این است که در هر نظر، کاربران به ویژگی های مختلفی از موضوع اشاره می کنند و در آن نظر ممکن است برخی ویژگی ها از نظر کاربر مثبت و برخی دیگر از ویژگی ها منفی تلقی شود. با این دید، یک نظر از کاربر را به جای آن که مطلق مثبت یا منفی قلمداد کرد، مثبت، منفی و خنثی را به هر یک از ویژگی هایی که کاربر ذکر می کند اعمال می کنیم.

یکی از مسائل مهم در زمینه داده کاوی، مسأله دسته بندی مجموعه داده های نامتوازن است. اصطلاح «مجموعه داده نامتوازن»، عموما به مجموعه داده ای گفته می شود که تعداد نمونه ها در کلاس های گوناگون، اختلاف بسیاری داشته باشند. در این نوع داده ها، به کلاس هایی که کم ترین تعداد نمونه ها را دارند، کلاس اقلیت گفته می شود. به دلیل این که اکثر الگوریتم های یادگیری، یک دسته بند را با فرض برابر بودن تعداد نمونه های آموزشی هر کلاس آموزش می دهند، بنابراین زمانی که این الگوریتم ها را به مجموعه داده های نامتوازن اعمال می کنیم، دسته بند آموزش داده شده، غالبا براساس نمونه های کلاس اکثریت آموزش می بیند. این موضوع به پیش‏ بینی بسیار ضعیف نمونه های کلاس های اقلیت منجر می شود، زیرا آموزش کلاس اقلیت به درستی انجام نشده است. در بسیاری از موارد، کاربران تمایل بیشتری به دسته بندی صحیح نمونه های کلاس های اقلیت دارند. در این پایان نامه هدف این است، روش هایی برای دسته بندی ارائه شوند که علاوه بر بهبود دسته بندی در داده های کلاس های اقلیت، قابلیت دسته بندی داده های کلاس های اکثریت نیز، در سطح قابل قبولی حفظ شود. درراستای دسته بندی صحیح نمونه ها، ابتدا یک روش انتخاب ویژگی مبتنی بر الگوریتم ریلیف - اف، برروی مجموعه داده ها اعمال و سپس سه الگوریتم ترکیبی بگینگ، آدابوست و جنگل تصادفی جهت دسته بندی داده ها، مورد استفاده قرار گرفته اند. به منظور آموزش دسته بندها، از روش های حساس به هزینه که این هزینه ها براساس الگوریتم رقابت استعماری تعیین شده اند، کمک گرفته شده است. روش پیشنهادی بهینه ی مبتنی بر الگوریتم ترکیبی بگینگ، کارایی میانگین 84.98 درصد، برروی 8 مجموعه داده نامتوازن تولید نموده است.

هدف از انجام پژوهش حاضر، بررسی دیدگاههای متخصصان درباره تمرکز زدایی برنامه ریزی درسی و ارائه ی الگوی مناسب برای کاهش تمرکز در نظام برنامه ریزی درسی می¬باشد. به همین منظور جامعه آماری شامل تمام استادان و دانشجویان دکترا در رشته های برنامه ریزی¬ درسی در دانشکده های روان شناسی و علوم تربیتی دانشگاه های علامه طباطبایی، تهران، تربیت مدرس، تربت معلم و شهید بهشتی انتجاب شدند؛ سپس نظرها و دیدگاه¬های جامعه آماری مورد نظر که شامل 54 متخصص می¬باشند مورد بررسی قرار گرفت. ابزارپژوهش پرسشنامه¬ی محقق ساخته می¬باشدکه پرسشنامه مورد استفاده، براساس مطالعات پیشین، هدف تحقیق و به عبارتی بر مبنای مطالعات نظری طراحی شده است. از طرف دیگر این پرسشنامه ها در اختیار اساتید راهنما، مشاور و همچنین متخصصان و کارشناسان قرار گرفته و نظر صاحبنظران درخصوص روایی آن مثبت بوده است. پس از اجرای پرسشنامه¬ی مقدماتی(36 سوالی) ضریب پایایی پرسشنامه مورد بررسی قرار گرفت که به طور کلی نتایج حاصل از بررسی اعتبار و پایایی پرسشنامه مرحله مقدماتی نشان داد که ضریب آلفای کرونباخ محاسبه شده(36 سؤال و 23 پاسخ دهنده) برابر 0/87 است. ضریب پایایی محاسبه شده برای پرسشنامه نهایی(30 سوال و 54 پاسخ دهنده) برابر 0/94 بود. به منظور تجزیه و تحلیل داده¬ها از روش¬های آماری توصیفی استفاده شده است. در تجزیه و تحلیل توصیفی داده¬ها جداول توزیع فراوانی و درصدها و همچنین شاخص¬های گرایش مرکزی و گرایش پراکندگی مربوط به هر یک از سؤالات و همچنین برای هر یک از ارکان تمرکززدایی برنامه ریزی درسی به طور جداگانه ارائه شده است. به همین ترتیب برای هر یک از ارکان تمرکززدایی برنامه ریزی درسی، نمودارهایی ترسیم و گزارش گردیده است. همچنین در پایان با استفاده از آزمون رتبه¬ای فریدمن به اولویت بندی هر کدام از سؤالات هر یک از ارکان تمرکززدایی برنامه ریزی درسی (شامل هدف، اصول و روش) پرداخته شده است. یافته¬ها نشان می¬دهد که حدود 90-80 درصد متخصصان در مورد ارکان تمرکززدایی برنامه ریزی درسی (شامل هدف، اصول و روش) موافق یا کاملاً موافق بوده¬اند. در پابان نیز الگویی جهت کاهش تمرکز برنامه¬ریزی¬درسی ارائه شده است.این الگو براساس مطالعات پیشین و بررسی دیدگاه-های متخصصان با در نظر گرفتن آمادگی معلمان جهت کاهش تمرکز در برنامه¬ریزی¬درسی ارائه شده است.