ازمون و اعتبار سنجی

مراجع آزمون و صحه گذاری

 

مراجع آزمون و صحه گذاری

Barlas, Y. (1989). Multiple tests for validation of system dynamics type of simulation models. European journal of operational research, 42(1), 59-87.

Barlas, Y. (1996). Formal aspects of model validity and validation in system dynamics. System Dynamics Review: The Journal of the System Dynamics Society, 12(3), 183-210.

Campuzano, F., & Mula, J. (2011). Supply chain simulation: A system dynamics approach for improving performance. Springer Science & Business Media.

Coyle, G., & Exelby, D. (2000). The validation of commercial system dynamics models. System Dynamics Review: The Journal of the System Dynamics Society, 16(1), 27-41.

Forrester JW (1968) Principles of systems. MIT Press, Cambridge, MA

Forrester, J. W. (1994). System dynamics, systems thinking, and soft OR. System dynamics review, 10(2‐3), 245-256.

Forrester, J. W. (2009). Some basic concepts in system dynamics. Sloan School of Management, 1-17.

Forrester, J. W. (2007). System dynamics—a personal view of the first fifty years. System Dynamics Review: The Journal of the System Dynamics Society, 23(2‐3), 345-358.

Goodman, M. R. (1997). Study notes in system dynamics. Journal of the Operational Research Society, 48(11), 1147-1147.

Homer, J. B. (2012). Partial‐model testing as a validation tool for system dynamics (1983). System Dynamics Review, 28(3), 281-294.

Saysel, A. K., & Barlas, Y. (2006). Model simplification and validation with indirect structure validity tests. System Dynamics Review, 22(3), 241-262.

Schwaninger, M., & Grösser, S. (2020). System dynamics modeling: Validation for quality assurance. System dynamics: Theory and applications, 119-138.

Senge, P. M., & Forrester, J. W. (1980). Tests for building confidence in system dynamics models. System dynamics, TIMS studies in management sciences, 14, 209-228.

Sorniotti, A. (2008). Driveline modeling, experimental validation and evaluation of the influence of the different parameters on the overall system dynamics (No. 2008-01-0632). SAE Technical Paper.

Sterman, J. D. (1987). Testing behavioral simulation models by direct experiment. Management Science, 33(12), 1572-1592.

Sterman, J. D. (1989). Modeling managerial behavior: Misperceptions of feedback in a dynamic decision making experiment. Management science, 35(3), 321-339.

Sterman, John D. “All models are wrong: reflections on becoming a systems scientist.” System Dynamics Review: The Journal of the System Dynamics Society 18, no. 4 (2002): 501-531.

Sterman, J. D. (2000). Business Dynamics: Modeling and Simulation for a Complex World.

Sterman, J. (2010). Business dynamics (p. 982). Irwin/McGraw-Hill c2000…

بینش‌های مرتبط

رشد نمایی
#پویایی سیستم

مدل بیماری های حاد – ...

رشد نمایی توسط یک حلقه بازخورد مثبت بین اجزای یک سیستم ایجاد می‌شود ...
action-asphalt-back-light-315938.jpg
#پویایی سیستم

یادگیری یک فرآیند بازخوردی

کلمه سیستم از کلمه یونانی "systema" گرفته شده است که به معنای ارتباط متقابل ...
ازمون و اعتبار سنجی
#پویایی سیستم

آزمون و صحه گذاری

اعتبار نتایج در یک مدل دینامیک سیستم به شدت به اعتبار مدل وابسته است ...
SMOOTH (HIGHER-ORDER)
#پویایی سیستم

مدل سازی دینامیکی – مدل ...

کلمه سیستم از کلمه یونانی "systema" گرفته شده است که به معنای ارتباط متقابل ...

Sidebar atefi
دکتر محمدرضا عاطفی

عضو هیئت علمی دانشگاه
رئیس هیئت مدیره گروه ناب
هم بنیان گذار شرکت دانش بنیان
مشاور شرکت ها و سازمان های بزرگ کشور

آنچه می خوانید

Cover part2 optimized 300x169
هوش مصنوعی

جبر خطی پیشرفته برای یادگیری عمیق؛ آموزش SVD، PCA و کاربرد در شبکه‌های عصبی(بخش دوم)

1.7.تجزیه ماتریس‌هاMatrix Decompositions 1.7.1.چرا به تجزیه ماتریس نیاز داریم؟ ماتریس‌ها یکی از اصلی‌ترین ساختارهای محاسباتی در یادگیری عمیق هستند. در یک شبکه عصبی، ماتریس‌ها برای نمایش موارد زیر استفاده می‌شوند: یک شبکه عمیق ممکن است شامل میلیون‌ها یا میلیاردها پارامتر باشد که به شکل ماتریس ذخیره می‌شوند. برای مثال: اما

توضیحات بیشتر »
Cover part1 optimized 300x169
هوش مصنوعی

جبر خطی برای یادگیری عمیق؛ آموزش بردارها، ماتریس‌ها و مقادیر ویژه (بخش اول)

1.1.چرا جبر خطی زبان ریاضی شبکه‌های عصبی است؟ مقدمه یادگیری عمیق در ظاهر درباره ساختارهایی مانند: است، اما در سطح محاسباتی، تقریباً تمام این معماری‌ها بر یک زبان مشترک بنا شده‌اند: جبر خطی (Linear Algebra) شبکه عصبی بدون جبر خطی قابل تصور نیست؛ زیرا تمام مراحل اصلی یادگیری عمیق شامل

توضیحات بیشتر »
COVER compressed 21 300x169
هوش مصنوعی

فصل ۱5: سنجش ارزش و بازگشت سرمایه هوش مصنوعی: از  ROI تا داشبورد مدیریتی

از معیارهای ساده تا معماری ارزش چندلایه در جهانی که سرمایه‌گذاری در هوش مصنوعی به سرعت در حال رشد است، پرسش بنیادین مدیران دیگر “آیا باید سرمایه‌گذاری کنیم؟” نیست؛ بلکه “چگونه ارزش واقعی این سرمایه‌گذاری را بسنجیم؟” این فصل، چارچوبی جامع برای عبور از سنجش‌های سطحی ROI به معماری ارزش

توضیحات بیشتر »
error: محتوا غیر قابل انتخاب و کپی است.