دانلود ترجمه مقاله کاربرد از داده‌کاوی برای کارکنان انتخابی و ترمیمم سرمایه‌ی انسانی

عنوان اصلی لاتین : Data mining to improve personnel selection and enhance human capital: A case study in high-technology industry

عنوان اصلی فارسی مقاله: استفاده از داده‌کاوی برای کارمند گزینی و بهبود سرمایه‌ی انسانی: بررسی موردی در صنعت مدرن.

مرتبط با رشته های : مدیریت - اقتصاد

نوع فایل ترجمه : ورد آفیس(که دارای امکان ویرایش می باشد)

تعداد صفحات فایل ترجمه شده: 18 صفحه

کلمات کلیدی مربوطه با این مقاله: ندارد

برای دریافت رایگان نسخه انگلیسی این مقاله اینجا کلیک نمایید

_______________________________________

بخشی از ترجمه:

کیفیت سرمایه‌ی انسانی برای شرکت‌های مدرن برای دستیابی به عرصه‌ی اقتصادی دانش بسیار حیاتی است. با این حال، شرکت‌های مدرن که درگیر هزینه‌های بالا هستند اغلب از استخدام افراد با استعداد سرباز می‌زنند. به علاوه طبق روش‌های مدیریتی منابع انسانی، نیاز ضروری به توسعه‌ی مؤثر مکانیزم کارمند گزینی برای یافتن استعدادهایی که مناسب‌ترین برای سازمان هستند وجود دارد. این تحقیق این خلأ را با ارائه چارچوب داده‌کاوی بر اساس درخت تصمیم و قانون‌های وابستگی پر می‌کند تا قانون‌های مفیدی برای کارمند گزینی تولید کند. نتایج می‌توانند قوانین تصمیم‌گیری را بر اساس اطلاعات پرسنلی با استفاده از کار روی عملکرد و نگه‌داری تولید کنند. مطالعه‌ی تجربی در یک شرکت نیمه رسانا انجام شد تا اطلاعات استخدام کارگران باواسطه شامل مهندسین و مدیران با کارهای عملیاتی مختلف را جمع‌آوری کند. نتایج، اهمیت تجربی این پژوهش را اثبات کرد. به علاوه، بر اساس بحث‌های داده‌کاوان و متخصصان، روش‌های خاص استخدام و کارگزینی نیز از این نتایج گرفته شده است. 

. 

جهت دانلود محصول اینجا کلیک نمایید

بخشی از مقاله انگلیسی

Date mining methodologies have been developed forexploration and analysis, by automatic or semi-automaticmeans, of large quantities of data to discover meaningfulpatterns and rules. Indeed, such data including personneldata can provide a rich resource for knowledge discoveryand decision support. Therefore, data mining is discov-ery-driven not assumption-driven. Data mining involvesvarious techniques including statistics, neural networks,decision tree, genetic algorithm, and visualization tech-niques that have been developed over the years.Data mining problems are generally categorized as asso-ciation, clustering, classification, and prediction (Fayyad,Piatesky-Shapiro, & Smyth, 1996; Fu, 1997; Han & Kam-ber, 2001). Association is the discovery of association rulesshowing attribute-value conditions that occur frequentlytogether in a given dataset. Clustering is the process ofdividing a dataset into several clusters in which the intra-class similarity is maximized while the inter-class similarityis minimized. Classification derives a function or modelthat identifies the categorical class of an object based onits attributes. Prediction is a model that predicts a contin-uous value or future data trends.