×
نام و نام خانوادگی
بازخوانی ...
اطلاعات کتابشناختی
عنوان اصلی: بخش‌بندي استعدادهاي كارجويان و پيش‌بيني نيازهاي كارفرمايان در بازار كار با استفاده از داده‌كاوي [منبع الكترونيكي](: موردمطالعه: بانك اطلاعاتي جاب ويژن)
عنوان: :The Clustering and Classification of Job Seekers’ Talents and the Prediction Employers’ Requirements in Labor Market with Using Datamining(Field Study: Job Vision's Database)
پدیدآورندگان : حامد ‏رحماني‏ (پديدآور)
دانشگاه علامه طباطبائي (پديدآور)
نوع : متن
جنس : مقاله
catalog
چاپ
صاحب محتوا :

کتابخانه دیجیتالی دانشگاه علامه طباطبایی (ره)

توصیفگر : طبقه‌بندي
job seekers' Talent
clustering
داده‌كاوي
Classification Labor Market Needs
خوشه‌بندي
Data mining
نياز بازار كار
وضعیت نشر : تهران : : دانشگاه علامه طباطبائي ، ، ۱۳۹۸
مشخصات فیزیکی : ی،۱۳۲ص. : جدول،نمودار،دیجیتالی، پی دی اف
خلاصه : امروزه بسیاری از کارفرمایان و کارجویان اطلاعات خود را در وب‌سایت‌های کاریابی وارد می‌کنند و حجم زیادی از اطلاعات به این سایت‌ها افزوده می‌شود. همه آن‌ها به دنبال یافتن مشاغل دلخواه و متناسب با مهارت‌های خود و یا به‌منظور بهره بردن از نیروهایی با تخصص موردنیاز، در اینترنت به جستجو می‌پردازند و با انبوه اطلاعات مرتبط با نیازشان مواجه می‌شوند؛ درواقع کارجویان نمی‌توانند شغل موردعلاقه خود را با توجه به توانایی‌های خود پیدا کنند و به آن درخواست دهند؛ همچنین بسیاری از کارفرمایانی که به دنبال استعدادهای برتر در حوزه کاری خود هستند با انبوه درخواست‌ها مواجه شده و دچار سردرگمی می‌گردند و نمی‌توانند افراد شایسته و استعدادهای موردنیاز خود را با صرف زمان و هزینه‌های کم شناسایی کنند و بسیاری از درخواست‌های ارسال‌شده به آن‌ها به خاطر نبود برخی ویژگی‌ها، مهارت‌ها و توانایی‌ها موردنیاز آن‌ها رد می‌گردد. در این پژوهش سعی بر شناسایی توانایی‌ها و استعدادهای کارجویان و پیش‌بینی نیازهای بازار کار با استفاده از فرآیندهای داده‌کاوی شده است. برای پیاده‌سازی پژوهش حاضر از روش CRISP_DM با استفاده از نرم‌افزار پایتون به‌منظور اجرای روش‌های داده‌کاوی بهره گرفته شد. در این راستا، مجموعه داده‌های لازم برای این کار از سایت جاب ویژن استخراج گردیده و داده‌ها به دو دسته کارجویان و کارفرمایان تقسیم شد. با استفاده از الگوریتم‌های خوشه‌بندی SOM،FCM ، K-Means و LDA اقدام به خوشه‌بندی کارجویان و کارفرمایان نموده و برای اعتبارسنجی و ارزیابی آن‌ها از معیار سیلوئت استفاده شد و درنهایت الگوریتم SOM با میانگین شاخص سیلوئت 0.79 به‌عنوان بهترین الگوریتم خوشه‌بندی شناسایی گردید. سپس از الگوریتم‌های MLP، NAÏVE BAYES، LVQ،SVM و Language Model بهره گرفته و از نتایج خوشه‌بندی به‌عنوان متغیر هدف برای آموزش و پیش‌بینی در طبقه‌بندی استفاده شد برای ارزیابی روش‌های طبقه‌بندی از معیارهای ماتریس آشفتگی و نمودارهای ROC و Box-plot بهره گرفته و الگوریتم MLP با خوشه‌بندی SOM با میزان دقت 0.83 به‌عنوان بهترین الگوریتم طبقه‌بندی انتخاب گردید.
یادداشت :
/ حامد رحمانی
عنوان از روی صفحه نمایش عنوان
کتابنامه: ص.۱۲۸-۱۳۲
ملزومات سیستم: ویندوز xp+ ، ادوب اکروبات ریدر 9+ ، موزیلا فایر فاکس 23+ ، اینترنت اکسپلورر 9+ ، گوگل کروم 23+
شناسه : 793510
تاریخ ایجاد رکورد : 1398/11/27
قیمت شيء دیجیتال : فاقد شيء دیجیتالی


* محتوای این صفحه توسط کارشناسان این درگاه ویرایش نشده است. لطفا در صورت مشاهده ایراد در محتوا از این طریق اطلاع رسانی کنید.

دیدگاه شما

تست
ورود به درگاه کنسرسیوم
Loding



رمز عبور خود را فراموش کرده ام.
چنانچه تا کنون عضو سایت نشده اید ثبت نام کنید.
درباره کنسرسیوم
ما مجموعه‌ای از كتابخانه‌ها و سازمان‌های دارای منابع اطلاعاتی (کتاب، نشریه، نسخه‌های خطی، عکس، صدا، فیلم و... ) هستیم که با هدف تامین نیازهای پژوهشگران و شهروندان ایرانی برای دسترسی هر چه سریع‌تر به محتوای مورد نظر خود، کنسرسیوم محتوای ملی را تشکیل داده‌ایم. برای رسیدن به این هدف، قصد داریم با بسترسازی مناسب و جلب مشارکت دیگر تولید کنندگان محتوا به گرد آوری، تبدیل، سازماندهی و حفاظت اطلاعات به شکل رقومی و در سطح ملی، بپردازیم.