https://virgool.io/feed/@haeri دکتری مهندسی صنایع و عضو هیات علمی دانشگاه علم و صنعت ایران fa 2026-06-18 08:52:36 https://files.virgool.io/upload/users/1736147/avatar/wswHeo.jpg?height=120&width=120 https://virgool.io/@haeri https://virgool.io/@haeri/%D8%AF%DA%A9%D8%AA%D8%B1-%D8%B9%D8%A8%D8%AF%D8%A7%D9%84%D8%B1%D8%AD%D9%85%D9%86-%D8%AD%D8%A7%D8%A6%D8%B1%DB%8C-%D8%B3%D8%B1%D9%81%D8%B5%D9%84-%D9%85%D8%AF%DB%8C%D8%B1%DB%8C%D8%AA-%D9%88-%D8%A8%D8%A7%D8%B2%D9%85%D9%87%D9%86%D8%AF%D8%B3%DB%8C-%D9%81%D8%B1%D8%A7%DB%8C%D9%86%D8%AF%D9%87%D8%A7%DB%8C-%DA%A9%D8%B3%D8%A8-%D9%88-%DA%A9%D8%A7%D8%B1-nsmjfqoz2bi5 عبدالرحمن حائری مباحث مربوط به حوزه مدیریت و بازمهندسی فرایندهای کسب و کار را در گرایش مدیریت مهندسی برای دانشجویان مقاطع کارشناسی ارشد و دکتری ارائه می دهد. رئوس مطالب ارائه شده در این موضوع توسط دکتر عبدالرحمن حائری به صورت زیر می باشد:مفاهیم مبناییضرورت و اهمیت فرآیندگراییرویکرد فرآیندیرویکرد وظیفه ایمشکلات رویکرد وظیفه ایتعاریف پایه ای تاریخچهمتدولوژی بازمهندسی و تغییر فرایندهای کسب و کار بر اساس متدولوژی هارمون شامل:فاز اول: آماده سازی و برنامه ریزیفاز دوم: تحلیل فرآیندهافاز سوم: طراحی مجدد فرآیندهافاز چهارم: توسعهفاز پنجم: اجرای فرآیندهای جدید عبدالرحمن حائری عبدالرحمن حائری Fri, 08 Nov 2024 20:21:54 +0330 https://virgool.io/@haeri/%D8%AF%DA%A9%D8%AA%D8%B1-%D8%B9%D8%A8%D8%AF%D8%A7%D9%84%D8%B1%D8%AD%D9%85%D9%86-%D8%AD%D8%A7%D8%A6%D8%B1%DB%8C-bxocyb9kpdaj عبدالرحمن حائری از سال ۱۳۹۲ به عنوان عضو هیئت علمی و مدرس در دانشکده مهندسی صنایع دانشگاه علم و صنعت ایران مشغول به کار شده و تدریس خود در این دانشکده را از نیمسال دوم تحصیلی ۹۳-۱۳۹۲ آغاز نموده است. در کنار تدریس در مقاطع کارشناسی و تحصیلات تکمیلی در حوزه ارتباط با صنعت نیز فعال بوده و در حوزه مشاوره و تدریس برای سازمان های بخش عمومی و خصوصی فعالیت های متنوعی داشته است. زمینه‌ اصلی تحقیقاتی و پژوهشی او در سال های اخیر برای هدایت دانشجویان کارشناسی ارشد و دکتری بر تحلیل داده، داده کاوی و یادگیری ماشین متمرکز بوده است. وی معتقد است که در این حوزه بیشتر آموزش ها و پژوهش ها بر روی بکارگیری و بهبود الگوریتم ها و تکنیک های کمی و محاسباتی متمرکز بوده و از زمینه ها و پیش نیازهای مدیریتی و سازمانی لازم برای اجرای موثر پروژه های تحلیل داده و بهره گیری سازمان ها از نتایج تحلیل های صورت گرفته در حوزه های مختلف کسب و کار به صورت عملیاتی، کاربردی و ملموس غفلت شده است. از این رو او در حین تدریس در کلاس های خود برای رفع و پوشش این شکاف تلاش می کند.لازم به ذکر است که او فارغ التحصیل مقطع دکتری در رشته مهندسی صنایع از پردیس دانشکده های فنی دانشگاه تهران (سال فارغ التحصیلی ۱۳۹۱) می باشد. او در مقطع کارشناسی ارشد به مدت دو سال (از مهر ۱۳۸۵ تا شهریور ۱۳۸۷) در دانشگاه صنعتی شریف مشغول به تحصیل بوده است. پیش از آن نیز او از ۱۳۸۱ تا ۱۳۸۵ به تحصیل در مقطع کارشناسی مهندسی صنایع در دانشگاه صنعتی اصفهان می پرداخته است. عبدالرحمن حائری عبدالرحمن حائری Fri, 08 Nov 2024 19:52:03 +0330 https://virgool.io/@haeri/%D8%AF%DA%A9%D8%AA%D8%B1-%D8%B9%D8%A8%D8%AF%D8%A7%D9%84%D8%B1%D8%AD%D9%85%D9%86-%D8%AD%D8%A7%D8%A6%D8%B1%DB%8C-cd7yhw8pc4sk عبدالرحمن حائری در دانشگاه علم و صنعت ایران در گروه مدیریت بهره وری مشغول به فعالیت آموزشی و پژوهشی می باشد. در این گروه گرایش مدیریت مهندسی از رشته مهندسی صنایع در مقاطع کارشناسی ارشد و دکتری تدریس می شود. یکی از دروس این گرایش درس «تحلیل داده های مهندسی» است که توسط عبدالرحمن حائری تدریس می شود. او این درس را بر اساس متدولوژی CRISP-DM ارائه می دهد. عبدالرحمن حائری معتقد است که در حوزه داده کاوی و یادگیری ماشین تمرکز بیشتر دروس تدریس شده در دانشگاه ها و همچنین دوره های آموزشی ارائه شده توسط موسسات آموزشی بر روی تکنیک ها و الگوریتم ها می باشد. در حالیکه برای بکارگیری این تکنیک ها و الگوریتم ها و بهره مندی سازمان ها از مزایای آن در عمل و به صورت واقعی و عینی لازم است تا اولا به زمینه ها، الزامات و پیش نیازهای لازم قبل از بکارگیری تکنیک های محاسباتی تحلیل داده و ثانیا به نیازمندی ها و ملاحظات بکارگیری نتایج بدست آمده از تحلیل های داده کاوی توجه شایسته شود. در غیر این صورت تحول جدی در این حوزه رخ نداده و آینده هم ادامه وضعیت فعلی خواهد بود که یا بسیاری از داده های سازمان ها و کسب و کارها اصلا تحلیل نمی شوند و یا اینکه حتی اگر مورد تحلیل هم قرار گیرند، شرکت ها از نتایج و پیامدهای این تحلیل ها در عمل منتفع نمی شوند. از این رو عبدالرحمن حائری این درس را به صورت یک دستورالعمل قدم به قدم در بیش از ۱۰۰ گام اجرایی و عملیاتی ارائه می دهد تا کلیه دانشجویان، دانش پذیران و مخاطبین و همچنین سازمان های هدف بتوانند به صورت اثربخش و کارا عملیات تحلیل داده را در سازمان ها اجرایی نمایند. رئوس مطالب ارائه شده در این درس به صورت زیر می باشد:فاز اول: درک فضای کسب‌وکار (از درس تحلیل داده های مهندسی دکتر عبدالرحمن حائری) شامل:اهداف کسب‌وکار / Business Objective or Business Directionشاخص های کسب و کار (Business Measures) اهداف تحلیل داده (Data Analysis Objective) شاخص های تحلیل داده (Data Analysis Measures) فرآیند رسیدن به اهداف روش یا متدولوژی انجام فعالیت یا پروژه تحلیل داده بیان گام‌ها و مراحل زمان‌بندی مراحل و فعالیت مایلستون ها (Milestones) منابع منابع انسانی (متخصصان تحلیل داده) منابع سخت‌افزاری منابع نرم‌افزاری (داشبورد) داده‌ها زیرساخت‌های فیزیکی (فضای دفتر و Office) بررسی، مطالعه، الگوبرداری فاز دوم: درک داده (Data Understanding) (از درس تحلیل داده های مهندسی دکتر عبدالرحمن حائری) شامل:تشخیص موجودیت‌ها تشخیص موجودیت محوری تشخیص سایر موجودیت‌های مرتبط در صورت نیاز شناسایی ویژگی‌های موجودیت‌های مورد نظر (Field, Feature, Attribute) تقسیم‌بندی ویژگی‌ها: تقسیم‌بندی ویژگی‌ها براساس ارتباط با هدف کسب‌وکار (دیدگاه 1) تقسیم‌بندی ویژگی‌ها براساس قابلیت کنترل از دیدگاه مجری تحلیل داده (دیدگاه 2) تقسیم‌بندی ویژگی‌ها براساس قابلیت سیاست‌گذاری و ارائه راهکار (دیدگاه 3) انتخاب یا گزینش ویژگی‌ها / Feature Selection انتخاب ویژگی‌ها براساس Information Gain انتخاب ویژگی‌ها براساس سایر معیارها تشخیص جهت مطلوب ویژگی‌ها تحلیل توصیفی: محاسبه شاخص‌های آماری شاخص‌های آماری حدی شاخص‌های آماری مرکزیت شاخص‌های آماری پراکندگی توجه به رفتارهای زمان محور در داده‌ها تحلیل پارتو (چند باره در صورت نیاز) تحلیل 3M (Min, Mean / Median, Max) تحلیل BMW (Best, Mean / Median, Worst) تحلیل اثربخشی / Effectiveness تحلیل کارایی / Efficiency تحلیل در دو حالت کلی / Total و بخشی / Segment انجام تحلیل بازه‌ای / Interval Analysis تحلیل قبل و بعد / Before-After تحلیل قیف تحلیل نرخ تبدیل Conversion Rate بین ابتدا و انتها قیف تحلیل نرخ تبدیل بین بخش‌های مختلف تحلیل قیف معکوس تحلیل داده‌های فرآیندی تشخیص ماهیت فرآیندی داده‌ها تحلیل داده‌ها و ماهیت فرآیندی تشخیص توالی فعالیت‌ها فاز سوم: آماده‌سازی / پیش‌پردازش / پاکسازی داده‌ها – Data Preparation / Preprocessing / Cleaning / Manipulation (از درس تحلیل داده های مهندسی دکتر عبدالرحمن حائری) شامل:مدیریت داده‌های غیرعادی / None Ordinary شناسایی داده‌های غیرعادی دستکاری و تغییر داده‌های غیرعادی مدیریت داده‌های با فرمت نادرست شناسایی داده‌های با فرمت نادرست دستکاری و تغییر داده‌های با فرمت نادرست مدیریت داده‌های غلط شناسایی داده‌های غلط دستکاری و تغییر داده‌های غلط مدیریت داده‌های مفقود شناسایی داده‌های مفقود دستکاری و تغییر داده‌های مفقود بررسی امکان حذف Record ها یا سطرهای با مقدار خالی یا مفقود بررسی امکان حذف Field ها یا ستون های دارای مقدار خالی انجام جایگزینی / Replacing بررسی امکان جایگزینی با میانگین بررسی امکان جایگزینی با میانه بررسی امکان جایگزینی با مد بررسی امکان جایگزینی با سایر بررسی امکان جایگزینی براساس توزیع آماری داده دور افتاده / Outlier – Noisy Data شناسایی داده‌های دور افتاده شناسایی داده‌های دور افتاده با استفاده از تکنیک‌های آماری مرسوم شناسایی داده‌های دور افتاده با استفاده از الگوریتم‌های خوشه‌بندی تصمیم‌گیری درمورد شیوه برخورد، مدیریت و Handle کردن داده‌های دور افتاده فاز ۴ و ۵: مدلسازی و ارزیابی (از درس تحلیل داده های مهندسی دکتر عبدالرحمن حائری) شامل:خوشه‌بندی / Clustering خوشه‌بندی سلسله مراتبی خوشه‌بندی غیرسلسله مراتبی ارزیابی خوشه‌های به‌دست‌آمده به ازای مقادیر مختلف k انجام تغییر در مقدار k و به‌روزرسانی آن حسب نیاز (در طول زمان) تکرار الگوریتم‌ها و به‌دست‌آوردن خوشه‌های جدید برای k جدید تصمیم به تلفیق / Merge یا تفکیک / Seperation خوشه‌ها رویکرد‌های Hybrid کلاس‌بندی و درخت‌های تصمیم انتخاب متغیر یا متغیرهای هدف / Target Variable انتخاب متغیرهای ورودی / Input Variable محاسبات برای به‌دست‌آوردن شاخص‌های آنتروپی و بهره اطلاعاتی / Gain محاسبات و به‌دست‌آوردن درخت‌های تصمیم به‌دست‌آوردن قواعد از درخت تصمیم براساس روابط عطفی و فصلی ارزیابی میزان دقت، کاربردپذیری و سودمندی درخت تصمیم محاسبه دقت / Accuracy برای درخت تصمیم برای داده‌های آموزشی / Train محاسبه دقت / Accuracy برای درخت تصمیم برای داده‌های آزمون / Test ارزیابی، مقایسه و تحلیل دقت / Accuracy داده‌های آموزشی / Train و آزمون / Test در صورت نیاز انجام اقدامات برای تغییر در مدل یا تغییر در Partition بندی ارزیابی میزان دقت، کاربردپذیری و سودمندی قواعد حاصل از درخت تصمیم محاسبه دقت / Accuracy برای قواعد درخت تصمیم برای داده‌های آموزشی / Train محاسبه دقت / Accuracy برای قواعد درخت تصمیم برای داده‌های آزمون / Test ارزیابی، مقایسه و تحلیل دقت / Accuracy داده‌های آموزشی / Train و آزمون / Test روی قواعد در صورت نیاز انجام اقدامات برای تغییر در مدل یا تغییر در Partition بندی روی قواعد کشف قواعد باهم‌آیی انتخاب متغیرها یا Field های تالی / Consequent انتخاب متغیرها یا Field های مقدم / Antecedant به‌دست‌آوردن قواعد باهم‌آیی ارزیابی و تحلیل میزان دقت، کاربردپذیری و سودمندی قواعد حاصل براساس شاخص‌های: شاخص پشتیبانی / Support شاخص اطمینان / Confidence شاخص قابلیت بالا بردن یا ارتقا / Lift سایر شاخص‌ها فاز ۶: اجرا (Deployment) (از درس تحلیل داده های مهندسی دکتر عبدالرحمن حائری) شامل:ارائه پیشنهادات برای بهبود پاسخ به سوالات مطرح‌ شده و اهداف مورد نظر در فاز 1 آماده‌سازی برای اجرا / Prepration for Execution انجام تغییرات در صورت نیاز در طرح اجرایی اجرا ارزیابی اثربخشی / Evaluation of Effectiveness انجام تغییرات در مدل، داده‌ها، انتخاب متغیرها، فازهای قبل و شروع دوباره چرخه پیشنهاد پروژه‌های جدید برای آینده عبدالرحمن حائری عبدالرحمن حائری Sat, 02 Nov 2024 14:01:12 +0330