کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
10322363 660859 2012 8 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Using hybrid data mining and machine learning clustering analysis to predict the turnover rate for technology professionals
ترجمه فارسی عنوان
استفاده از داده کاوی هیبریدی و تحلیل خوشه ای یادگیری ماشین به منظور پیش بینی نرخ جایگزینی متخصصان حوزه فناوری
کلمات کلیدی
روند گردش مالی - دسته بندی تجزیه و تحلیل - نقشه خود سازماندهی - خوشه بندی شبکه های عصبی
فهرست مطالب مقاله
چکیده
کلمات کلیدی
1.مقدمه
2.بیان مساله و تعاریف
جدول 1:طبقه بندی جایگزینی
2.1داده کاوی و روش تحلیل خوشه ای
3.روش شناسی
3.1پیش پردازش داده ها
3.1.1تعریف مدل تحقیقاتی براساس روند جایگزینی
3.1.2نظرسنجی و تفکیک پرسشنامه های معتبر
3.1.2.1. طراحی پرسشنامه
3.2تحلیل خوشه ای نمونه
3.2.1فرآیند خوشه بندی SOM
3.2.2روش خوشه بندی شبکه عصبی
4.نتایج تحلیل
جدول 3: مقادیر پارامترها در SOM
جدول 4: تحلیل سرعت همگرایی خوشه بندی SOM
4.1 نتایج حاصل از خوشه بندی SOM
جدول 2: متغیرهای ورودی
4.2 نتایج حاصل از خوشه بندی SOM+BPN
جدول 5: سی و شش داده آزمایشی برای پیش بینی نتایج
جدول 6: مقایسه کلی میان BPN، میانگین k و SOM+BPN
5.نتیجه گیری
ترجمه چکیده
این مطالعه از تحلیل خوشه ای برای داده کاوی و یادگیری ماشین به منظور پیش بینی روند جایگزینی متخصصان حوزه فناوری استفاده می کند که شامل شبکه عصبی مصنوعی هیبرید و تحلیل خوشه ای می شود که تحت نقشه خود سازماندهی (SOM) نیز شناخته می شوند. از این روش خوشه بندی هیبرید برای مطالعه مشخصات فردی روند خوشه های جایگزینی استفاده می شد. با استفاده از پرسشنامه اقدام به مطالعه دوره اوج جایگزینی که بعد از سال نوی چینی روی می دهد پرداختیم و افراد را در گروه های سنتی مختلف قرار دادیم. روند جایگزینی متخصصان حوزه تکنولوژی در شرکت های مطرح تایوانی مورد بررسی قرار گرفت. نتایج حاصل از این مطالعه نشان می دهد که جایگزینی کارکنان بیشتر به خاطر دلایلی چون عدم وجود وفاداری، رهبری و مدیریت مناسب صورت می گرفت. با استفاده از اعتبار سنجی متقابل مشخص شد که دقت خوشه بندی برابر با 92.7% است. این مطالعه به بررسی مشکلات مرتبط با از دست دادن سریع منابع انسانی کلیدی می پردازد و می تواند به سازمان ها در بهبود رقابت پذیری و بازدهی کمک کند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی
This study applies clustering analysis for data mining and machine learning to predict trends in technology professional turnover rates, including the hybrid artificial neural network and clustering analysis known as the self-organizing map (SOM). This hybrid clustering method was used to study the individual characteristics of turnover trend clusters. Using a transaction questionnaire, we studied the period of peak turnover, which occurs after the Chinese New Year, for individuals divided into various age groups. The turnover trend of technology professionals was examined in well-known Taiwanese companies. The results indicate that the high outstanding turnover trend circle was primarily caused by a lack of inner fidelity identification, leadership and management. Based on cross-verification, the clustering accuracy rate was 92.7%. This study addressed problems related to the rapid loss of key human resources and should help organizations learn how to enhance competitiveness and efficiency.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Expert Systems with Applications - Volume 39, Issue 10, August 2012, Pages 8844–8851
نویسندگان
, , , ,