لینک دانلود و خرید پایین توضیحات
فرمت فایل word و قابل ویرایش و پرینت
تعداد صفحات: 12
مهندسی معکوس مغز - Reverse - Engineering the Brain
اشاره : <مگی میمون بسیار باهوشی است>، این را Tim Buschman، دانشجوی سال آخری میگوید که در آزمایشگاه عصبشناسی پروفسور Earl Miller مشغول پژوهش است. البته دیدن مگی به این آسانیها مقدور نیست؛ برای دور نگهداشتن مگی از محیطی که انسانها در آن حضور دارند، از او در محیطی مجزا نگهداری میشود تا از رفتار انسانها تأثیر نپذیرد. ولی علایم هوشمندی او روی دو نمایشگر که روبهروی بوشمن قرار دارد، قابل مشاهده است. مگی در طول هفت سال گذشته برای مرکز علوم مغز و ادراک (Brain and Cognitive Sciences: BCS) دانشگاه امآیتی کار کرده است. این میمون، سه ساعت در روز به بازیهای کامپیوتری مشغول است که بیشتر با هدف ساخت و پرورش الگوهای کلی توسط مغز مگی و سپس استفاده از آن الگوها به عنوان ابزار، طراحی شده اند. بوشمن (شاید به طنز) میگوید: <من حتی با این کار نیز مشکل دارم>. منظور او حرکت به سمت بالا و پایین در یک بازی کامپیوتری است که شامل عملگرهای منطقی است که در گروههای خاصی قرار میگیرند.
ولی مگی بسیار خوب عمل میکند: واکنش خوب در برابر پرسشهای سخت، صرف تنها نیم ثانیه برای پاسخگویی به هر مسئله و چهار پاسخ درست از پنج پاسخ، نمونهای از عملکرد خوب اوست. توانایی مگی در بازیکردن را میتوان نقطه تلاقی هوشمصنوعی و دانش عصبشناسی دانست. دانشجوی سال آخر دیگری تحت آموزشهای بوشمن و Michelle Machon، مشغول پژوهش در اینباره است که مغز چگونه میتواند یاد بگیرد و به ساخت قوانین منطقی بپردازد، و اینکه چگونه باید کارایی مغز را در انجام این وظایف با عملکرد شبکههای عصبی مصنوعی که در هوش مصنوعی مورد استفاده قرار میگیرد، مقایسه کرد. چهل سال پیش، این ایده وجود داشت که دانش عصبشناسی و هوش مصنوعی باید همزمان و تواماً در آزمایشگاههایی مانند آنچه که Miller در آن به پژوهش پرداخته است، مورد مطالعه قرار بگیرد، ولی تصور نمیرفت که این دو، بتوانند چندان به توسعه هم کمک کنند. پیشتر، حیطه مطالعاتی این دو متد بسیار متفاوت از هم بود. عصب شناسی بر کشف و توضیح جزئیات ساختار عصب و فعالیتهای عصبی متمرکز بود و هوش مصنوعی میکوشید با توسعه یک مسیر مستقل و فارغ از فرآیندهای بیولوژیکی، به شبیهسازی هوش برسد (از دیدگاه تاریخی، فناوری در واقع نیازی به الهام گرفتن از طبیعت نداشته است؛ نه هواپیماها مانند پرندگان پرواز میکنند و نه خودروها مانند اسبها حرکت میکنند.) و به نظر میرسید هوش مصنوعی با شتاب بیشتری پیشرفت میکند. با استفاده از دانش عصبشناسی به سختی میشد به ماهیت مغز پی برد؛ چه رسد به اینکه بتوان بر نحوه عملکرد آن واقف شد. از سوی دیگر، هر کسی که کمی اطلاعات علمی داشت، روزی را که کامپیوترها بتوانند هر آنچه را که انسان انجام میدهد انجام دهند (شاید هم بهتر از انسان) دور از دسترس نمیدانست. در سال 1962، توجه مقامات به پشتیبانی از پروژهای مبنی بر طراحی یک سیستم فراگیر خودکار جلب شد که پروژهای جنجالی در ایالاتمتحده محسوب میشد (این سیستم به Cybernation مشهور بود)؛ چرا که گمان میرفت با آمدن این سیستم، تعداد زیادی از مردم کار خود را از دست بدهند. ولی یک چیز از هیجانی که هوش مصنوعی برپا کرده بود، کاست. هر چند کامپیوترها میتوانستند از پس تشخیص اشیای ساده در یک موقعیت ویژه و تحت شرایط کنترل شده برآیند، در تشخیص و شناسایی اشیای پیچیده در دنیای حقیقی باز میماندند. یک میکروفون میتواند سطوح صدا را تشخیص دهد، ولی مثلاً نمیتواند آن را کوتاه و خلاصه کند. یک سیستم خبره میتواند یک شیء جدید و تمیز را در میان مجموعهای از اشیای قدیمی و کثیف تشخیص دهد، ولی نمیتواند یک شیء قدیمی و کثیف را در یک توده درهم و برهم تشخیص دهد. (نمونه دیگر این موضوع سیستم مورد آزمایش ماروین مینسکی است که حتی قابلیت قرار دادن یک بالش در روکش بالش را هم ندارد.) هنوز نگرانی ما از رویارویی انسانها بیش از نگرانی ما درباره رویارویی ماشینها با هم است.
بر خلاف هوش مصنوعی که پیشرفت آن کندتر از آن چیزی بود که انتظار میرفت، عصبشناسی در فهم چگونگی کارکرد مغز به خوبی پیش میرفت. این حقیقت در هیچ جایی به اندازه پژوهشهای سی و هفت آزمایشگاه از مجموعه مراکز BCS دانشگاه MIT مشهود نیست. گروه پژوهشی این دانشگاه مشغول ترسیم مسیرهای عصبیای هستند که در عملکردهای سطح بالای مربوط به ادراک (و پیچیدگی آنها)، شامل یادگیری، حافظه، ساختار رفتارهای ترتیبی پیچیده، فرم و ذخیره عادت ها، روِیاپردازی، مدیریت و کنترل عددها، تعیین یک هدف و برنامهریزی، پردازش ایدهها و عقاید، و توانایی فهم چیزهایی هستند که دیگران درباره آن فکر می کنند. ارمغان این پژوهشها میتواند بسیار ارزشمند باشد. کشف اینکه مغز چگونه کار میکند (منظور فهم دقیق آن است مانند اینکه ما میدانیم یک موتور چگونه کار میکند)، میتواند همه کتابهایی را که تا کنون در این باره نوشته شدهاند، نیازمند بازنویسی کند. تنها گوشهای از دستاوردهای این کار میتواند انقلابی در قضاوت و جرمشناسی، آموزش، تجارت، مراقبت از خانواده و نیز درمان هرگونه اختلال روانی بر پا کند.) Earl Miller) امیدوار است پژوهش های انجام شده در آزمایشگاه او در درک پیچیدگیهای مغز کمک زیادی به روانپزشکان بکند). چنین پیشرفتی دلیلی برای آغاز همکاری هوش مصنوعی و عصبشناسی نه تنها در آزمایشگاه Miller، بلکه حتی در MIT است. همچنین پژوهشها درباره پردازش تصویر نشان میدهد که چگونه این دو دانش بر یکدیگر تأثیر میگذارند. James DiCarlo، استادیار عصب شناسی، میگوید: <این دو رشته مجزا از هم رشد میکنند>، این روزها، پژوهشگران هوش مصنوعی مشتاقانه به دنبال پیشرفت عصبشناسی و ایده مهندسی معکوس مغز هستند که پیشتر، دور از ذهن به نظر میرسید.
درک تشخیص اشیابیشتر کارهای انجام شده در آزمایشگاه DiCarlo، بر تشخیص اشیا متمرکز بود که ما را به تعریف یک شیء (مانند تعریف حیوانی چون گاو در مغز) از چند بعد و منظر قادر میکند (گاوی که در دوردست است، گاوی که از بالا به آن نگاه میکنیم، گاوی که در داخل یک کانتینر است) بدون اینکه با اشیای دیگر (مانند اسب) تداخل پیدا کند. DiCarlo و دانشجوی سال آخر او، David Cox، دستاورد پژوهشهای خود را در اواخر آگوست با نام عصبشناسی طبیعی(Nature Neuroscience) منتشر کردند که بر یکی از اساسیترین پرسشها درباره تشخیص اشیا متمرکز بود: چه اندازه از موفقیت ما در تشخیص اشیا، وابسته به ساختار سختافزاری بدن ما، ویژگیهای ذاتی ما هنگام تولد و چیزهایی است که آموختهایم؟DiCarlo و Cox پژوهشهای خود را همزمان روی تعدادی از افراد آزمایش کردند. افراد مورد مطالعه، در برابر تجهیزاتی قرار گرفته بودند که هم قابلیت نمایش تصویر اشیا و هم دنبال کردنِ جهتِ نگاه اشخاص را داشتند. اشیا تصاویری بودند که توسط کامپیوتر ایجاد شده بودند و تقریباً دستهای از حیوانات را نشان میدادند، ولی این تصاویر به گونهای طراحی شده بودند که در نگاه نخست برای اشخاص، آشنا و قابل تشخیص نباشند. یک شیء میتوانست در یک وضعیت از سه وضعیت ممکن روی نمایشگر نشان داده شود و شخص میتوانست نگاه خود را به سمت آن شیء برگرداند. سپس پژوهشگران اشیای جدیدی را جایگزین میکردند تا افراد نگاه خود را روی شیء جدید متمرکز کنند. برای نمونه، زمانی که شخص به مرکز نمایشگر خیره شده بود، موجودی با بدنی قلمبه و با گوشهای تیز شده در سمت راست نمایشگر به نمایش درمیآمد. زمانی که شخص نگاه خود را به سمت آن معطوف میکرد، پژوهشگران آن تصویر را با تصویر موجودی لاغرتر با گوشهای آویزان جایگزین میکردند. از آنجایی که انسان هنگام تعویض مکان تمرکز چشم در واقع بینایی ندارد، این اشخاص متوجه جایگزینی اشیا نمیشدند، ولی مغز آنها متوجه این جایگزینی میشد. پس از یک یا دو ساعت ادامه این آزمایشها با اشیای مختلف، و نمایش این تصاویر در یک موقعیت خاص روی صفحه نمایشگر، دو شیء در دو مکان متفاوت روی صفحه نمایشگر به افراد نشان داده میشد و از آنان خواسته میشد آنها را با هم مقایسه کنند. شاید به نظر برسد که افراد با مشکل خاصی در تشخیص تفاوت میان آن دو تصویر مواجه نشدهاند که البته تقریباً همین طور بود؛ جز در مقایسه تصاویری که جابهجا شده بودند و اکنون دوباره در همان موقعیتی که قبلاً جابهجایی انجام شده بود، به نمایش در میآمدند.
لینک دانلود و خرید پایین توضیحات
فرمت فایل word و قابل ویرایش و پرینت
تعداد صفحات: 38
دانشگاه آزاد اسلامی
واحد کرج
دانشکده فنی
مهندسی مجدد
و
مهندسی معکوس
استاد :
جناب آقای خلیلیان
تهیه کننده:
شیما قنداقیان
بسم الله الرحمن الرحیم
به نام حضرت دوست
که هر چه داریم
از
اوست
فهرست مطالب:
بخش اول: مهندسی مجدد
مقدمه...............................................................................................................................................................4
مهندسی مجدد چیست ؟................................................................................................................................6
تغییر سازمانی..................................................................................................................................................8
کایزن چیست؟..............................................................................................................................................11
ویژگی ها و مزایای مهندسی مجدد..............................................................................................................11
ضرورت مهندسی مجدد...............................................................................................................................13
تغییرات ناشی از پیاده سازی.......................................................................................................................13
رویکرد سازمان ها به مهندسی مجدد.........................................................................................................15
تفاوت طراحی مجدد و مهندسی مجدد......................................................................................................17
چه کسانی اجرای مهندسی مجدد را بر عهده دارند..................................................................................18
متدلوژی های گوناگون مهندسی مجدد......................................................................................................19
عوامل شکست مهندسی مجدد..................................................................................................................25
منابع و مأخذ.................................................................................................................................................27
بخش دوم: مهندسی معکوس
مقدمه............................................................................................................................................................29
متدلوژی مهندسی معکوس..........................................................................................................................32
مرحله اول: تجزیه و تحلیل عملکردی و اقتصادی...............................................................................32
لینک دانلود و خرید پایین توضیحات
فرمت فایل word و قابل ویرایش و پرینت
تعداد صفحات: 3
اهداف استفاده از مهندسی معکوس پایگاه داده
در اینجا برخی از اهدافی را که بیشتر در مهندسی معکوس پایگاه داده مطرح هستند را بیان کرده ایم : کسب دانش در توسعه سیستم ها در طول مدت توسعه یک سیستم جدید یکی از فاز های اولیه شامل گردآوری و رسمی کردن نیازمندیهای کاربران از منابع مختلف است. منابعی نظیر مصاحبه با کاربران ، تجزیه و تحلیل مستندات ( در صورت امکان ) و در بیشتر حالات نیز ممکن است که برخی از پیاده سازی ها از قبل وجود داشته باشند که با تجزیه و تحلیل آن می توان اطلاعات مفیدی به دست آورد. همچنین باید به این نکته توجه کنیم که برای این که با نیاز کاربران سیستم های سنتی از سیستم نهایی و مدرن آشنا شویم ، باید با آن تجارت به خوبی آشنا شویم. چون این در درک و فهم بهتر ما از عملیات ها و فعل و انفعالات بین دو طرف مهم است. زیرا فهم ضعیف از سیستم های اطلاعاتی سنتی ما را به سمت مشخصات نادرستی از نیازهای سیستم نهایی هدایت می کند و می تواند باعث شکست پروژه گردد . بنابراین باید درک خوبی از داده های سیستم های اطلاعاتی سنتی ، واسط ها ، برنامه های کاربردی و ابزارهای پشتیبانی داشته باشیم: نگهداری سلیس نگهداری نیز یکی از بخش های مهم سیستم است که در بیشتر مراحل توسعه به آن نیاز داریم . برای نگهداری سیستم باید سعی کنیم تا از ایجاد خطاها و تغییرات ناگهانی در سیستم جلوگیری کنیم و اگر خطایی ایجاد شد و یا در توابع سیستمی ( که برای فهم اجزاء مختلف مانند سیستم های داده مرکزی و یا سمان تیک و پیاده سازی ساختارهای داده ای ثابت مورد نیاز است ) تغییراتی ایجاد شد آن خطا و تغییرات تا حد امکان اصلاح و برطرف کنیم. مهندسی مجدد سیستم ها هنگام توسعه سیستم در مواردی ما نیاز به مهندسی مجدد سیستم ها داریم . مهندسی مجدد سیستم در واقع همان تغییر معماری داخلی سیستم و یا بازنویسی مجدد برخی از کدهای اجزاء خارجی سیستم و تغییر خصوصیات خارجی آنها می باشد. هدف کلی از مهندسی مجدد سیستم این است که هنگام شروع مجدد با یک پیاده سازی درست باید نگهداری را نیز بیشتر کنیم و تکامل سیستم را نیز تسهیل ببخشیم. مهاجرت سیستم ها در ارتباط با مهاجرت سیستم ها قبلا بحث شد و روش ها و دلایل استفاده از آنها نیز مطرح گردید. به طور کلی مهاجرت یک سیستم شامل جابجایی یک یا چندین تکنولوژی پیاده سازی است. همانند جابجایی مثال ها بیشماری دیگری که در این ارتباط وجود دارند. . یکپارچگی سیستم ها هدف ما در اینجا یکپارچه سازی دو یا چندین سیستم در قالب یک سیستم می باشد و این یک پارچه سازی می تواند شامل توابع و داده های قدیمی باشد و می تواند باعث ایجاد نتایج فیزیکی در سیستم شود که در این حالت توسعه داده شده اند. ارزیابی کیفیت تجزیه و تحلیل کدها و ساختارهای داده ای از یک سیستم در برخی موارد می تواند موجب تذکر های مفید و موثری در ارتباط با کیفیت این سیستم ها و درباره راه های توسعه آنها باشد. به عنوان مثال یک فروشنده نرم افزارهای پایگاه داده از میان تکنیک های یک روش خوب و مناسب را برای ارزیابی کیفیت تمام سیستم های خود انتخاب می کند. تبدیل / استخراج داده هادر برخی از شرایط در هنگام رها کردن سیستم های سنتی از بین اجزا فقط پایگاه داده آن را استخراج می کنیم و داده هایی را داریم که به فرمت های دیگر تبدیل شده اند و ما به برخی از دانش هایی نیاز داریم که در ارتباط با خصوصیات فیزیکی و معنایی آنها باشد. در سایر موارد بیشتر به صورت هستند که از داده های متراکم انباشته شده اند و از داخل استخراج شده اند و برای انتقال نیاز به فهم عمیقی از ساختار فیزیکی داده ها برای نوشتن روال های استخراجی و سمان تیک آنها دارد که باید به طور صحیح آنها را تفسیر کرد. مدیریت داده ها در مهندسی معکوس پایگاه داده وقتی ما سیستم را توسعه می دهیم برای انجام مدیریت بر روی داده ها توابع باید یک توصیفی از همه اطلاعات منابع و سازمان را بدانند و همچنین آن را در داخل خود ثبت کنند. استفاده مجدد از اجزاء استفاده مجدد در معماری سیستم پدیدار می گردد. مهندسی معکوس اجازه می دهد تا طراح سیستم اجزاء ، داده ها و بخش های اصلی سیستم سنتی را به طور منظم و یکپارچه در سیستم جدید شناسایی استخراج و لفافه پیچی کند. مسائل و مشکلات مهندسی معکوس پایگاه داده ها مهندسی معکوس پایگاه داده با زیر مجموعه از مشکلات مهندسی معکوس نرم افزار در ارتباط است. مهندسین به کمک طرح های جامع و تخصص و همچنین استفاده از روش های تطبیقی سعی در برطرف کردن این مشکلات دارند. ولی استفاده از این طرح ها در پایگاه داده های قدیمی به دلیل مسائلی نظیر دسترس نبودن اطلاعات و مستندات مشکل است.مسائل موجود در مهندسی معکوس پایگاه داده ها را می توان به سه گروه کلی تقسیم کرد: - انتخاب روش طراحی پایگاه داده به عنوان پایه ای برای مهندسی معکوس- کامل بودن حوزه معنایی- معیار های ارزیابی عملکرددر پایان ذکر این نکته ضروری است که ابزارهای مورد استفاده در مهندسی معکوس نرم افزار، بسیار وسیع تر از آنچه هستند که در اینجا ذکر شد، و در این مقاله تنها برنامه های اصلی و پر کاربردتر مورد بررسی قرار گرفتند.منبع: مجله دانش و کامپیوتر