مقدمه مفهومی رسانه در فناوری اطلاعات مفهومی گسترده است که هم شامل رسانه های فیزیکی (مانند هارد دیسک ها) و هم رسانه های انتقال (مانند امواج رادیویی) می شود. این مفهوم از نظریه ارتباطات شانون و ویور نشأت گرفته است. انواع رسانه 1. رسانه های ذخیره سازی: HDD، SSD، حافظه های فلش 2. رسانه های انتقال سیمی: کابل مسی، فیبر نوری 3. رسانه های انتقال بی سیم: امواج رادیویی، مایکروویو، مادون قرمز. کاربردها در شبکه های کامپیوتری، رسانه ها تعیین کننده پهنای باند، تأخیر و قابلیت اطمینان ارتباط هستند. در ذخیره سازی داده ها، رسانه ها بر سرعت و ظرفیت تأثیر می گذارند. مثال های فنی فیبر نوری برای ارتباطات پرسرعت، امواج رادیویی در وای فای، SSD برای ذخیره سازی پرسرعت، و کابل های کواکسیال در شبکه های تلویزیونی. معیارهای انتخاب هزینه، پهنای باند، فاصله، تداخل پذیری، امنیت و قابلیت اطمینان از عوامل مهم در انتخاب رسانه هستند. چالش ها محدودیت های فیزیکی (مانند تضعیف سیگنال)، مسائل امنیتی (استراق سمع) و هزینه های پیاده سازی از چالش های اصلی هستند. روندهای آینده توسعه فیبر نوری، شبکه های 5G/6G، و رسانه های ذخیره سازی کوانتومی از زمینه های تحقیقاتی پیشرو هستند.
مقدمه مفهومی رسانه در فناوری اطلاعات مفهومی گسترده است که هم شامل رسانه های فیزیکی (مانند هارد دیسک ها) و هم رسانه های انتقال (مانند امواج رادیویی) می شود. این مفهوم از نظریه ارتباطات شانون و ویور نشأت گرفته است. انواع رسانه 1. رسانه های ذخیره سازی: HDD، SSD، حافظه های فلش 2. رسانه های انتقال سیمی: کابل مسی، فیبر نوری 3. رسانه های انتقال بی سیم: امواج رادیویی، مایکروویو، مادون قرمز. کاربردها در شبکه های کامپیوتری، رسانه ها تعیین کننده پهنای باند، تأخیر و قابلیت اطمینان ارتباط هستند. در ذخیره سازی داده ها، رسانه ها بر سرعت و ظرفیت تأثیر می گذارند. مثال های فنی فیبر نوری برای ارتباطات پرسرعت، امواج رادیویی در وای فای، SSD برای ذخیره سازی پرسرعت، و کابل های کواکسیال در شبکه های تلویزیونی. معیارهای انتخاب هزینه، پهنای باند، فاصله، تداخل پذیری، امنیت و قابلیت اطمینان از عوامل مهم در انتخاب رسانه هستند. چالش ها محدودیت های فیزیکی (مانند تضعیف سیگنال)، مسائل امنیتی (استراق سمع) و هزینه های پیاده سازی از چالش های اصلی هستند. روندهای آینده توسعه فیبر نوری، شبکه های 5G/6G، و رسانه های ذخیره سازی کوانتومی از زمینه های تحقیقاتی پیشرو هستند.
مقدمه مفهومی میانه به عنوان یک معیار مقاوم در آمار شناخته می شود که برخلاف میانگین، تحت تأثیر مقادیر پرت و افراطی قرار نمی گیرد. این مفهوم در قرن نوزدهم توسط گالتون معرفی شد و امروزه در تمام شاخه های علمی کاربرد دارد. کاربرد در علوم داده در تحلیل های اقتصادی، گزارش های اجتماعی و پژوهش های پزشکی، میانه معیار قابل اعتمادتری برای توصیف مرکز داده ها محسوب می شود، به ویژه وقتی توزیع داده ها نامتقارن باشد. مثال های کاربردی در گزارش های درآمدی، میانه درآمد معیار بهتری از میانگین است، چون تحت تأثیر درآمدهای بسیار بالا قرار نمی گیرد. در پزشکی، میانه زمان بقای بیماران معیار واقع بینانه تری ارائه می دهد. محاسبه برای محاسبه میانه: 1) داده ها را مرتب کنید 2) اگر تعداد داده ها فرد باشد، مقدار وسط را انتخاب کنید 3) اگر زوج باشد، میانگین دو مقدار وسط را بگیرید. تفاوت با میانگین میانه در مقابل داده های پرت مقاوم است، درحالی که میانگین به شدت تحت تأثیر آن ها قرار می گیرد. در توزیع های متقارن، میانه و میانگین برابرند. پیاده سازی در Python: numpy.median() یا statistics.median()، در R: median()، در SQL: PERCENTILE_CONT(0.5)، در اکسل: MEDIAN(). چالش ها در توزیع های چندوجهی یا زمانی که داده ها خوشه بندی شده اند، میانه ممکن است نماینده خوبی نباشد. همچنین برای داده های کیفی قابل استفاده نیست. کاربردهای پیشرفته در یادگیری ماشین برای تشخیص پرت، در اقتصادسنجی برای تحلیل های رگرسیونی مقاوم، و در کنترل کیفیت برای تعیین محدوده های طبیعی. تاریخچه این مفهوم توسط فرانسیس گالتون در قرن 19 معرفی شد و در قرن 20 با توسعه آمار مقاوم، اهمیت بیشتری یافت. نتیجه گیری میانه یک معیار ساده اما قدرتمند در تحلیل داده است که هر تحلیل گر داده باید بر محاسبه و تفسیر آن مسلط باشد.
مقدمه مفهومی میانه به عنوان یک معیار مقاوم در آمار شناخته می شود که برخلاف میانگین، تحت تأثیر مقادیر پرت و افراطی قرار نمی گیرد. این مفهوم در قرن نوزدهم توسط گالتون معرفی شد و امروزه در تمام شاخه های علمی کاربرد دارد. کاربرد در علوم داده در تحلیل های اقتصادی، گزارش های اجتماعی و پژوهش های پزشکی، میانه معیار قابل اعتمادتری برای توصیف مرکز داده ها محسوب می شود، به ویژه وقتی توزیع داده ها نامتقارن باشد. مثال های کاربردی در گزارش های درآمدی، میانه درآمد معیار بهتری از میانگین است، چون تحت تأثیر درآمدهای بسیار بالا قرار نمی گیرد. در پزشکی، میانه زمان بقای بیماران معیار واقع بینانه تری ارائه می دهد. محاسبه برای محاسبه میانه: 1) داده ها را مرتب کنید 2) اگر تعداد داده ها فرد باشد، مقدار وسط را انتخاب کنید 3) اگر زوج باشد، میانگین دو مقدار وسط را بگیرید. تفاوت با میانگین میانه در مقابل داده های پرت مقاوم است، درحالی که میانگین به شدت تحت تأثیر آن ها قرار می گیرد. در توزیع های متقارن، میانه و میانگین برابرند. پیاده سازی در Python: numpy.median() یا statistics.median()، در R: median()، در SQL: PERCENTILE_CONT(0.5)، در اکسل: MEDIAN(). چالش ها در توزیع های چندوجهی یا زمانی که داده ها خوشه بندی شده اند، میانه ممکن است نماینده خوبی نباشد. همچنین برای داده های کیفی قابل استفاده نیست. کاربردهای پیشرفته در یادگیری ماشین برای تشخیص پرت، در اقتصادسنجی برای تحلیل های رگرسیونی مقاوم، و در کنترل کیفیت برای تعیین محدوده های طبیعی. تاریخچه این مفهوم توسط فرانسیس گالتون در قرن 19 معرفی شد و در قرن 20 با توسعه آمار مقاوم، اهمیت بیشتری یافت. نتیجه گیری میانه یک معیار ساده اما قدرتمند در تحلیل داده است که هر تحلیل گر داده باید بر محاسبه و تفسیر آن مسلط باشد.