آمار پارامتری

آمار پارامتری به مجموعه روش‌های آماری‌ای گفته می‌شود که مدل‌ای پارامتری برای پدیدهٔ احتمالی مورد مطالعه فرض می‌شود و همهٔ استنتاج‌های آماری از آن پس بر اساس آن مدل انجام می‌شود.






به عنوان مثال فرض می‌شود که توزیع نمره‌های یک امتحان از توزیع نرمال پیروی می‌کند. در نتیجه برای مشخص‌شدن توزیع احتمال، کافی است میانگین و واریانس توزیع را از روی داده‌های تجربی (نمره‌های دانش‌آموزان) به دست بیاوریم. حال برای پاسخ‌گفتن به سوال‌هایی چون «درصد دانش‌آموزانی که نمره‌ای بین ۱۰ تا ۱۵ آورده‌اند» از تابع توزیع به دست آمده استفاده می‌کنیم (البته بدیهی است که روش‌های ساده‌تری نیز برای چنین کاری وجود دارد).

نقطهٔ ضعف این شیوهٔ تحلیل آماری این است که در صورتی که مدل فرض‌شده با واقعیت تطبیق نداشته باشد، نتیجه‌گیری‌ها صحیح نخواهد بود.





آماره

آماره در آمار به عددی گویند که یک توزیع نمونه‌برداری را خلاصه‌سازی یا توصیف می‌کند.

تابع U=g(X۱, X۲, …, Xn)‎ از نمونهٔ تصادفی X۱, X۲, …, Xn را که در آن پارامتر مجهولی وجود نداشته باشد یک آماره می‌گویند. در این تعریف U یک متغیر تصادفی است که توزیع آن ممکن است به پارامتر بستگی نداشته باشد؛ اما تنها آماره‌هایی برای برآورد کردن مفید هستند که توزیعشان به پارامتر مجهول بستگی داشته باشد و اطلاعاتی در مورد این پارامتر به ما بدهند.





آنتروپی آماری
انتروپی آماری یک کمیت ترمودینامیکی است که در شیمی‌فیزیک کاربردهای فراوان دارد.





استنباط آماری
چنانچه به جای مطالعه کل اعضای جامعه، بخشی از آن با استفاده از فنون نمونه‌گیری انتخاب شده، و مورد مطالعه قرار گیرد و بخواهیم نتایج حاصل از آن را به کل جامعه تعمیم دهیم از روش‌هایی استفاده می‌شود که موضوع آمار استنباطی (Inferential statistics) است. آن چه که مهم است این است که در گذر از آمار توصیفی به آمار استنباطی یا به عبارت دیگر از نمونه به جامعه بحث و نقش احتمال شروع می‌شود. در واقع احتمال، پل رابط بین آمار توصیفی و استنباطی به حساب می‌آید.





توزیع جامعه

توزیع جامعه یا توزیع جمعیت (به انگلیسی: Population distribution) در آمار به توزیع تمام مشاهدات امکان پذیر را گویند.





چولگی

در آمار و نظریه احتمالات چولگی نشان دهنده میزان عدم تقارن توزیع احتمالی است. اگر داده‌ها نسبت به میانگین متقارن باشند، چولگی برابر صفر خواهد بود.






تعریف

چولگی برابر با گشتاور سوم نرمال شده است. چولگی در حقیقت معیاری از وجود یا عدم تقارن تابع توزیع می باشد. برای یک توزیع کاملاً متقارن چولگی صفر و برای یک توزیع نامتقارن با کشیدگی به سمت مقادیر بالاتر چولگی مثبت و برای توزیع نامتقارن با کشیدگی به سمت مقادیر کوچکتر مقدار چولگی منفی است.





داده‌کاوی

داده کاوی، پایگاه‌ها و مجموعه‌های حجیم داده‌ها را در پی کشف واستخراج دانش، مورد تحلیل و کند و کاوهای ماشینی (و نیمه‌ماشینی) قرار می‌دهد. این گونه مطالعات و کاوش‌ها را به واقع می‌توان همان امتداد و استمرار دانش کهن و همه جا گیر آمار دانست. تفاوت عمده در مقیاس، وسعت و گوناگونی زمینه‌ها و کاربردها، و نیز ابعاد و اندازه‌های داده‌های امروزین است که شیوه‌های ماشینی مربوط به یادگیری، مدل‌سازی، و آموزش را طلب می‌نماید.

در سال 1960 آماردانان اصطلاح "Data Fishing" یا "Data Dredging"به معنای "صید داده" را جهت کشف هر گونه ارتباط در حجم بسیار بزرگی از داده ها بدون در نظر گرفتن هیچگونه پیش فرضی بکار بردند. بعد از سی سال و با انباشته شدن داده ها در پایگاه های داده یا Database اصطلاح "Data Mining" یا داده کاوی در حدود سال 1990 رواج بیشتری یافت. اصطلاحات دیگری نظیر "Data Archaeology"یا "Information Harvesting" یا "Information Discovery" یا"Knowledge Extraction" نیز بکار رفته اند.

اصطلاح Data Mining همان طور که از ترجمه آن به معنی داده کاوی مشخص می‌شود به مفهوم استخراج اطلاعات نهان و یا الگوها وروابط مشخص در حجم زیادی از داده‌ها در یک یا چند بانک اطلاعاتی بزرگ است.






مقدمه

بسیاری از شرکت‌ها و موسسات دارای حجم انبوهی از اطلاعات هستند. تکنیک‌های داده‌کاوی به طور تاریخی به گونه‌ای گسترش یافته‌اند که به سادگی می‌توان آنها را بر ابزارهای نرم‌افزاری و ... امروزی تطبیق داده و از اطلاعات جمع آوری شده بهترین بهره را برد.

در صورتی که سیستم‌های Data Mining بر روی سکوهای Client/Server قوی نصب شده باشد و دسترسی به بانک‌های اطلاعاتی بزرگ فراهم باشد، می‌توان به سوالاتی از قبیل :کدامیک از مشتریان ممکن است خریدار کدامیک از محصولات آینده شرکت باشند، چرا، در کدام مقطع زمانی و بسیاری از موارد مشابه پاسخ داد.






ویژگی‌ها

یکی از ویژگیهای کلیدی در بسیاری از ابتکارات مربوط به تامین امنیت ملی، داده کاوی است. داده کاوی که به عنوان ابزاری برای کشف جرایم، ارزیابی میزان ریسک و فروش محصولات به کار می‌رود، در بر گیرنده ابزارهای تجزیه و تحلیل اطلاعات به منظور کشف الگوهای معتبر و ناشناخته در بین انبوهی از داده هاست. داده کاوی غالباً در زمینه تامین امنیت ملی به منزله ابزاری برای شناسایی فعالیت‌های افراد خرابکار شامل جابه جایی پول و ارتباطات بین آنها و همچنین شناسایی و ردگیری خود آنها با برسی سوابق مربوط به مهاجرت و مسافرت هاست. داده کاوی پیشرفت قابل ملاحظه‌ای را در نوع ابزارهای تحلیل موجود نشان می‌دهد اما محدودیت‌هایی نیز دارد. یکی از این محدودیت‌ها این است که با وجود اینکه به آشکارسازی الگوها و روابط کمک می‌کند اما اطلاعاتی را در باره ارزش یا میزان اهمیت آنها به دست نمی‌دهد. دومین محدودیت آن این است که با وجود توانایی شناسایی روابط بین رفتارها و یا متغیرها لزوماً قادر به کشف روابط علت و معلولی نیست. موفقیت داده کاوی در گرو بهره گیری از کارشناسان فنی و تحلیل گران کار آزموده‌ای است که از توانایی کافی برای طبقه بندی تحلیل‌ها و تغییر آنها برخوردار هستند. بهره برداری از داده کاوی در دو بخش دولتی و خصوصی رو به گسترش است. صنایعی چون بانکداری، بیمه، بهداشت و بازار یابی آنرا عموماً برای کاهش هزینه‌ها، ارتقاء کیفی پژوهش‌ها و بالاتر بردن میزان فروش به کار می‌برند. کاربرد اصلی داده کاوی در بخش دولتی به عنوان ابزاری برای تشخیص جرایم بوده‌است اما امروزه دامنه بهره برداری از آن گسترش روزافزونی یافته و سنجش و بهینه سازی برنامه‌ها را نیز در بر می‌گیرد. بررسی برخی از برنامه‌های کاربردی مربوط به داده کاوی که برای تامین امنیت ملی به کار می‌روند، نشان دهنده رشد قابل ملاحظه‌ای در رابطه با کمیت و دامنه داده‌هایی است که باید تجزیه و تحلیل شوند. توانایی‌های فنی در داده کاوی از اهمیت ویژه‌ای برخوردار اند اما عوامل دیگری نیز مانند چگونگی پیاده سازی و نظارت ممکن است نتیجه کار را تحت تأثیر قرار دهند. یکی از این عوامل کیفیت داده هاست که بر میزان دقت و کامل بودن آن دلالت دارد. عامل دوم میزان سازگاری نرم‌افزار داده کاوی با بانکهای اطلاعاتی است که از سوی شرکت‌های متفاوتی عرضه می‌شوند عامل سومی که باید به آن اشاره کرد به بیراهه رفتن داده کاوی و بهره برداری از داده‌ها به منظوری است که در ابتدا با این نیت گرد آوری نشده‌اند. حفظ حریم خصوصی افراد عامل دیگری است که باید به آن توجه داشت. اصولاً به پرسش‌های زیر در زمینه داده کاوی باید پاسخ داده شود:

سازمانهای دولتی تا چه حدی مجاز به بهره برداری از داده‌ها هستند؟
آیا از داده‌ها در چارچوبی غیر متعارف بهره برداری می‌شود؟
کدام قوانین حفظ حریم خصوصی ممکن است به داده کاوی مربوط شوند؟

کاوش در داده‌ها بخشی بزرگ از سامانه‌های هوشمند است. سامانه‌های هوشمند زیر شاخه‌ایست بزرگ و پرکاربرد از زمینه علمی جدید و پهناور یادگیری ماشینی که خود زمینه‌ای‌ست در هوش مصنوعی.

فرایند گروه گروه کردن مجموعه‌ای از اشیاء فیزیکی یا مجرد به صورت طبقه‌هایی از اشیاء مشابه هم را خوشه‌بندی می‌نامیم.

با توجه به اندازه‌های گوناگون (و در اغلب کاربردها بسیار بزرگ و پیچیده) مجموعه‌های داده‌ها مقیاس‌پذیری الگوریتم‌های به کار رفته معیاری مهم در مفاهیم مربوط به کاوش در داده‌ها است.

کاوش‌های ماشینی در متون حالتی خاص از زمینهٔ عمومی‌تر کاوش در داده‌ها بوده، و به آن دسته از کاوش‌ها اطلاق می‌شود که در آن‌ها داده‌های مورد مطالعه از جنس متون نوشته شده به زبان‌های طبیعی انسانی باشد.






چیستی

داده کاوی به بهره گیری از ابزارهای تجزیه و تحلیل داده‌ها به منظور کشف الگوها و روابط معتبری که تا کنون ناشناخته بوده‌اند اطلاق می‌شود. این ابزارها ممکن است مدلهای آماری، الگوریتم‌های ریاضی و روش‌های یاد گیرنده (Machine Laming Method) باشند که کار این خود را به صورت خودکار و بر اساس تجربه‌ای که از طریق شبکه‌های عصبی (Neural Networks) یا درخت‌های تصمیم گیری (Decision Trees) به دست می‌آورند بهبود می‌بخشد. داده کاوی منحصر به گردآوری و مدیریت داده‌ها نبوده و تجزیه و تحلیل اطلاعات و پیش بینی را نیز شامل می‌شود برنامه‌های کاربردی که با بررسی فایل‌های متن یا چند رسانه‌ای به کاوش داده‌ها می پردازند پارامترهای گوناگونی را در نظر می‌گیرد که عبارت اند از:

قواعد انجمنی (Association): الگوهایی که بر اساس آن یک رویداد به دیگری مربوط می‌شود مثلاً خرید قلم به خرید کاغذ.
ترتیب (Sequence): الگویی که به تجزیه و تحلیل توالی رویدادها پرداخته و مشخص می‌کند کدام رویداد، رویدادهای دیگری را در پی دارد مثلاً تولد یک نوزاد و خرید پوشک.
پیش بینی(Prediction): در پیش بینی هدف پیش بینی یک متغیر پیوسته می باشد. مانند پیش بینی نرخ ارز یا هزینه های درمانی.
رده بندی یا طبقه بندی (Classification): فرآیندی برای پیدا کردن مدلی است که رده های موجود در داده‌ها را تعریف می نماید و متمایز می کند، با این هدف که بتوان از این مدل برای پیش بینی رده رکوردهایی که برچسب رده آنها(متغیر هدف) ناشناخته می باشد، استفاده نمود. در حقیقت در رده بندی بر خلاف پیش بینی، هدف پیش بینی مقدار یک متغیر گسسته است. روش های مورد استفاده در پیش بینی و رده بندی عموما یکسان هستند.
خوشه بندی(Clustering): گروه بندی مجموعه ای از اعضاء، رکوردها یا اشیاء به نحوی که اعضای موجود در یک خوشه بیشترین شباهت را به یکدیگر و کمترین شباهت را به اعضای خوشه های دیگر داشته باشند.
مصورسازی (visualization): مصورسازی داده ها یکی از قدرتمندترین و جذابترین روش های اکتشاف در داده ها می باشد.

برنامه‌های کاربردی که در زمینه تجزیه و تحلیل اطلاعات به کار می‌روند از امکاناتی چون پرس و جوی ساخت یافته (Structured query) که در بسیاری از بانک‌های اطلاعاتی یافت می‌شود و از ابزارهای تجزیه و تحلیل آماری برخوردارند اما برنامه‌های مربوط به داده کاوی در عین برخورداری از این قابلیت‌ها از نظر نوع با آنها تفاوت دارند. بسیاری از ابزارهای ساده برای تجزیه و تحلیل داده‌ها روشی بر پایه راستی آزمایی (verifiction)را به کار می‌برند که در آن فرضیه‌ای بسط داده شده آنگاه داده‌ها برای تایید یا رد آن بررسی می‌شوند. به طور مثال ممکن است این نظریه مطرح شود که فردی که یک چکش خریده حتماً یک بسته میخ هم خواهد خرید. کارایی این روش به میزان خلاقیت کاربر برای ارایه فرضیه‌های متنوع و همچنین ساختار برنامه بکار رفته بستگی دارد. در مقابل در داده کاوی روشهایی برای کشف روابط بکار برده می‌شوند و به کمک الگوریتم‌هایی روابط چند بعدی بین داده‌ها تشخیص داده شده و آنهایی که یکتا (unique) یا رایج هستند شناسایی می‌شوند. به طور مثال در یک فروشگاه سخت‌افزار ممکن است بین خرید ابزار توسط مشتریان با تملک خانه شخصی یا نوع خودرو، سن، شغل، میزان درآمد یا فاصله محل اقامت آنها با فروشگاه رابطه‌ای برقرار شود.

در نتیجه قابلیت‌های پیچیده‌اش برای موفقیت در تمرین داده کاوی دو مقدمه مهم است یکی فرمول واضحی از مشکل که قابل حل باشد و دیگری دسترسی به داده متناسب. بعضی از ناظران داده کاوی را مرحله‌ای در روند کشف دانش در پایگاه داده‌ها می‌دانند (KDD). مراحل دیگری در روند KDD به صورت تساعدی شامل، پاکسازی داده، انتخاب داده انتقال داده، داده کاوی، الگوی ارزیابی، و عرضه دانش می‌باشد. بسیاری از پیشرفت‌ها در تکنولوژی و فرایندهای تجاری بر رشد علاقه‌مندی به داده کاوی در بخش‌های خصوصی و عمومی سهمی داشته‌اند. بعضی از این تغییرات شامل:

رشد شبکه‌های کامپیوتری که در ارتباط برقرار کردن پایگاهها داده مورد استفاده قرار می‌گیرند.
توسعه افزایش تکنیکهایی بر پایه جستجو مثل شبکه‌های عصبی و الگوریتم‌های پیشرفته.
گسترش مدل محاسبه کلاینت سروری که به کاربران اجازه دسترسی به منابع داده‌های متمرکز شده را از روی دسک تاپ می‌دهد.
و افزایش توانایی به تلفیق داده از منابع غیر متناجس به یک منبع قابل جستجو می‌باشد.

علاوه بر پیشرفت ابزارهای مدیریت داده، افزایش قابلیت دسترسی به داده و کاهش نرخ نگهداری داده نقش ایفا می‌کند. در طول چند سال گذشته افزایش سریع جمع آوری و نگه داری حجم اطلاعات وجود داشته‌است. با پیشنهادهای برخی از ناظران مبنی بر آنکه کمیت داده‌های دنیا به طور تخمینی هر ساله دوبرابر می‌گردد. در همین زمان هزینه ذخیره سازی داده‌ها بطور قابل توجهی از دلار برای هر مگابایت به پنی برای مگابایت کاهش پیدا کرده‌است. مطابقا قدرت محاسبه‌ها در هر ۱۸ – ۲۴ ماه به دوبرابر ارتقاء پیدا کرده‌است این در حالی است که هزینه قدرت محاسبه رو به کاهش است. داده کاو به طور معمول در دو حوزه خصوصی و عمومی افزایش پیدا کرده‌است. سازمانها داده کاوی را به عنوان ابزاری برای بازدید اطلاعات مشتریان کاهش تقلب و اتلاف و کمک به تحقیقات پزشکی استفاده می‌کنند. با اینهمه ازدیاد داده کاوی به طبع بعضی از پیاده سازی و پیامد اشتباه را هم دارد.اینها شامل نگرانی‌هایی در مورد کیفیت داده‌ای که تحلیل می‌گردد، توانایی کار گروهی پایگاههای داده و نرم‌افزارها بین ارگانها و تخطی‌های بالقوه به حریم شخصی می‌باشد.همچنین ملاحظاتی در مورد محدودیتهایی در داده کاوی در ارگان‌ها که کارشان تاثیر بر امنیت دارد، نادیده گرفته می‌شود.






محدودیت‌های داده کاوی

در حالیکه محصولات داده کاوی ابزارهای قدرتمندی می‌باشند، اما در نوع کاربردی کافی نیستند.برای کسب موفقیت، داده کاوی نیازمند تحلیل گران حرفه‌ای و متخصصان ماهری می‌باشد که بتوانند ترکیب خروجی بوجود آمده را تحلیل و تفسیر نمایند.در نتیجه محدودیتهای داده کاوی مربوط به داده اولیه یا افراد است تا اینکه مربوط به تکنولوژی باشد.

اگرچه داده کاوی به الگوهای مشخص و روابط آنها کمک می‌کند، اما برای کاربر اهمیت و ارزش این الگوها را بیان نمی‌کند.تصمیماتی از این قبیل بر عهده خود کاربر است.برای نمونه در ارزیابی صحت داده کاوی، برنامه کاربردی در تشخیص مظنونان تروریست طراحی شده که ممکن است این مدل به کمک اطلاعات موجود در مورد تروریستهای شناخته شده، آزمایش شود.با اینهمه در حالیکه ممکن است اطلاعات شخص بطور معین دوباره تصدیق گردد، که این مورد به این منظور نیست که برنامه مظنونی را که رفتارش به طور خاص از مدل اصلی منحرف شده را تشخیص بدهد.

تشخیص رابطه بین رفتارها و یا متغیرها یکی دیگر از محدودیتهای داده کاوی می‌باشد که لزوماًروابط اتفاقی را تشخیص نمی‌دهد.برای مثال برنامه‌های کاربردی ممکن است الگوهای رفتاری را مشخص کند، مثل تمایل به خرید بلیط هواپیما درست قبل از حرکت که این موضوع به مشخصات درآمد، سطح تحصیلی و استفاده از اینترنت بستگی دارد.در حقیقت رفتارهای شخصی شامل شغل(نیاز به سفر در زمانی محدود)وضع خانوادگی(نیاز به مراقبت پزشکی برای مریض)یا تفریح (سود بردن از تخفیف دقایق پایانی برای دیدن مکان‌های جدید) ممکن است بر روی متغیرهای اضافه تاثیر بگذارد.
ابزارهای داده کاوی

معروف‌ترین ابزارهای داده‌کاوی به ترتیب پرطرفدار بودن

Clementine که نسخه ۱۳ ان با نام SPSS Modeler نامیده می‌شود.

رپیدماینر
نرم‌افزار وکا







نرم‌افزار
برنامه های کاربردی و نرم‌افزار های داده کاوی متن-باز رایگان

Carrot2: پلتفرمی برای خوشه بندی متن و نتایج جستجو
Chemicalize.org: یک کاوشگر ساختمان شیمیایی و موتور جستجوی وب
ELKI: یک پروژه تحقیقاتی دانشگاهی با تحلیل خوشه ای پیشرفته و روش های تشخیص داده های خارج از محدوده که به زبان جاوا نوشته شده است.
GATE: یک پردازشگر زبان بومی و ابزار مهندسی زبان.






برنامه های کاربردی و نرم‌افزار های داده کاوی تجاری

Angoss KnowledgeSTUDIO: ابزار داده کاوی تولید شده توسط Angoss.
BIRT Analytics: ابزار داده کاوی بصری و تحلیل پیش بینی گر تولید شده توسط Actuate Corporation.
Clarabridge: راه حل تحلیلگر کلاس متن.
(E-NI(e-mining, e-monitor: ابزار داده کاوی مبتنی بر الگوهای موقتی.
IBM SPSS Modeler: نرم‌افزار داده کاوی تولید شده توسط IBM
Microsoft Analysis Services: نرم‌افزار داده کاوی تولید شده توسط مایکروسافت
Oracle Data Mining: نرم‌افزار داده کاوی تولید شده توسط اوراکل (کمیک)






بررسی اجمالی بازار نرم‌افزار های داده کاوی

تا کنون چندین محقق و سازمان بررسی هایی را بر روی ابزار های داده کاوی و راهنماییهایی برای داده کاو ها تهیه دیده اند. این بررسی ها بعضی از نقاط ضعف و قوت بسته های نرم‌افزاری را مشخص می کنند. همچنین خلاصه ای را از رفتار ها، اولویت ها و دید های داده کاوها تهیه کرده اند





درجه آزادی (آمار)

درجه آزادی یکی از مفاهیم بنیادین در آمار است. درک بسیاری از مفاهیم مطرح در آمار وابسته به درک مناسبی از این مفهوم است. بر اساس زمینهٔ کاربرد و شیوهٔ نگرش می‌توان تعاریف مختلفی برای آن ارائه نمود که همه یک مفهومند:

در نظریهٔ برآورد:

تعداد مقادیری که یک آماره امکان تغییر دارد

تعداد مشاهدات مستقل منهای تعداد پارامترهای برآورد شده.

بطور معادل: تعداد مشاهدات مستقل منهای تعداد روابط معلوم میان مشاهدات

در نظریه آزمون:

بعد فضای مجهول (مدل کامل) منهای بعد فضای مفروض (مدل مقید)

در جبر خطی:

رتبهٔ یک فرم درجه دوم

بطور معادل: تعداد ابعاد یک زیر فضا که یک بردار می‌تواند آزادانه گردش کند (مربع طول بردار یک فرم درجه دوم است)






درک شهودی

مثال: یک عدد ثابت امکان تغییر ندارد پس درجه آزادی آن برابر صفر است.

یک نقطه در صفحه یک رابطه میان دو متغیر در فضای دو بعدی است. با این نقطه نمیتوان میزان همبستگی خطی دو متغیر را با برآورد خط رگرسیون تخمین زد. چون بینهایت خط از این نقطه گذراست. (تصویر مقابل) در این مثال درجه آزادی صفر است (تعداد مشاهدات مستقل - تعداد روابط معلوم میان مشاهدات = 0) اگر خطی را بعنوان خط رگرسیونی در نظر بگیریم، این مدل نه قابل رد و نه قابل قبول است. بنابراین تعداد نمونه های قابل استفاده برای این مدل صفر است.

برای رسم خط رگرسیون حداقل دو نقطه لازم است. با دو نقطه یک درجه آزادی وجود دارد. از دو نقطه فقط یک خط گذر میکند و این خط تنها برآورد ممکن است. با اینکه دقت برآورد 100 درصد است اما این دقت کاذب به علت کم بودن درجات آزادی و اطلاعات قابل استفاده است. نمونه های زیادی از تحقیقات با رسیدن به دقتی بالا تصور میکنند که مدل بدست آمده مناسب است . در حالی که درجات آزادی کم باعث این اشتباه شده است.

مثال: اگر دو مشاهده داشته باشیم، برای برآورد میانگین دو مشاهدهء مستقل داریم، اما برای برآورد واریانس تنها یک مشاهدهء مستقل وجود دارد. زیرا هر دو مشاهده دارای یک فاصله از میانگین هستند.






دیدگاه فلسفی

برای درک بهتر این مفهوم میتوان درجهء آزادی را یک معادل برای درجهء ابطال پذیری از دیدگاه فلاسفه ای مانند کارل پوپر دانست. اگر در مسئله ای درجات آزادی کم

باشد معادل است با اینکه ابطال پذیری آن مسئله کم است. یعنی با هر مشاهده ای تایید میشود و قابل ابطال نیست.





سازمان آماری
سازمان آماری سازمانی خدماتی است که وظیفهٔ تهیهٔ آمار را بر عهده دارد. دلیل وجود، رشد و مشارکت مشهود آنها در امور مربوط به دولت و جامعةخود، از توانایی آنها در تهیة اطلاعاتی برای حل مسائل مهم ریشه می‌گیرد. ولی اولویتها می‌توانند سریعتر از توانایی سازمان برای تعدیل تلاش تولیدی خود تغییر کنند. به این دلیل، مهم است که مسئولان ارشد آن دارای شم قوی و روابطی باشند که بتوانند مشکلات جدی را شناسایی کرده و آنها را از آنچه ممکن است چیزی جز مسایل گذرا نباشند متمایز کنند.





شاخص‌های پراکندگی

سنجش‌های پراکندگی (به انگلیسی: Measures of Variability) به اعدادی گویند که پراکندگی مجموعه‌ای از مشاهدات یا داده‌های اندازه گیری شده‌ای را خلاصه و توصیف می‌کنند.

دامنه، واریانس، و انحراف معیار، هر سه نمونه‌هایی از سنجش‌های پراکندگی هستند.





ضریب تغییرات
در نظریه احتمال و آمار ضریب تغییرات (به انگلیسی: coefficient of variation، مخفف:CV) یک معیار بهنجار است که برای اندازه‌گیری توزیع داده‌های آماری به کار می‌رود.

به عبارت دیگر ضریب تغییرات، میزان پراکندگی به ازای یک واحد از میانگین را بیان می‌کند. این مقدار زمانی تعریف شده است که میانگین صفر نباشد.

این مقدار بی‌بعد است به همین دلیل مناسب برای مقایسه داده‌های آماری است که واحدهای مختلفی دارند.

ضریب تغییرات تنها قابل کاربرد برای مقیاس‌های نسبی است و نمی‌توان ار آن برای سنجش مقادیری که می‌توانند مقدار منفی بگیرند استفاده کرد یا به بیان بهتر نمی‌توان از آن برای سنجش مقادیر فاصله‌ای بهره برد. مثلاً اگر درجه حرارت را با مقیاس فارنهایت در نظر بگیریم برای آن نمی‌توان از ضریب تغییر اسفاده کرد و باید از مقیاس کلوین که همیشه مقداری مثبت است استفاده کرد.





متغیر پنهان
متغیرهای پنهان(در مقابل متغیرهای مشاهده شده)در آمار، متغیرهای هستند که بصورت مسقیم قابل مشاهده نیستند اما از میان متغیرهای دیگر که قابل مشاهده هستند توسط یک الگوی ریاضی استنباط می‌شوند. آنها همچنین بعضی وقت‌ها تحت عنوان متغیرهای پنهان، پارامترها ی مدل، متغیرهای فرضی یا ساختارهای فرضی شناخته می‌شوند.. استفاده متغیرهای پنهان در علوم اجتماعی متداول است، اقتصاد، پزشکی و تا حدی روبوتیک اما تعریف دقیق یک متغیر پنهان در این رشته‌ها کمی متفاوت است. مثال‌های از متغیرهای پنهان در حوزه اقتصاد عبارتند از کیفیت زندگی، اطمینان کار، روحیه، خوشحالی و اصول محافظه‌کاری: اینها متغیرها هستند که مستقیماً نمی‌توان آنها را سنجید. با این وجود یک مدل اقتصادی را می‌توان از پیوند این متغیرهای پنهان با متغیرهای مشاهده شده (از قبیل تولید ناخالص داخلی) بدست آورد و مقادیر متغیرهای پنهان را از متغیرهای مشاهده شده محاسبه و استنباط نمود.





متغیر تصادفی

در آمار و احتمال متغیر تصادفی متغیری است که مقدار آن از اندازه‌گیری برخی از انواع فرآیندهای تصادفی بدست می‌آید. بطور رسمی‌تر، متغیر تصادفی تابعی است از فضای نمونه به اعداد حقیقی. بطور مستقیم متغیر تصادفی توصیف عددی خروجی یک آزمایش است (مثل برآمدهای ممکن از پرتاب دو تاس (۱و۱) و (۱و۲) و غیره).

متغیرهای تصادفی به دو نوع گسسته (متغیر تصادفی که ممکن است تعداد محدود یا توالی نامحدودی از مقادیر را بگیرد) و پیوسته (متغیری که ممکن است هر مقدار عددی در یک یا چند بازه را بگیرد) طبقه‌بندی می‌شوند. مقادیر ممکن یک متغیر تصادفی می‌تواند نشان‌دهندهٔ برآمدهای آزمایشی که هنوز انجام نشده یا مقادیر بالقوهٔ یک کمیت که مقدارهای موجود آن نامطمئن هستند (مثلا درنتیجه اطلاعات ناقص یا اندازه‌گیری نادقیق) باشد. یک متغیر تصادفی می‌تواند بعنوان یک کمیت که مقدارش ثابت نیست و مقادیر مختلفی را می‌تواند بگیرد در نظر گرفته شود و توزیع احتمال برای توصیف احتمال اتفاق افتادن آن مقادیر استفاده می‌شود.

متغیرهای تصادفی معمولاً با اعداد حقیقی مقداردهی می‌شوند؛ ولی می‌توان انواع دلخواهی مانند مقدارهای بولی، اعداد مختلط، بردارها، ماتریس‌ها، دنباله‌ها، درخت‌ها، مجموعه‌ها، شکل‌ها، منیوفیلدها، توابع و فرآیندها را درنظر گرفت. عبارت المان تصادفی همه این نوع مفاهیم را دربرمی گیرد.

متغیرهای تصادفی که با اعداد حقیقی مقداردهی می‌شوند، در علوم برای پیش‌بینی براساس داده‌های بدست آمده از آزمایش‌های علمی استفاده می‌شوند. علاوه بر کاربردهای علمی، متغیرهای تصادفی برای آنالیز بازیهای قمار و پدیده‌های تصادفی بوجود آمدند. در چنین مواردی تابعی که خروجی را به یک عدد حقیقی می‌نگارد معمولا یک تابع همانی یا بطور مشابه یک تابع بدیهی است و بطور صریح توصیف نشده است. با این وجود در بسیاری از موارد بهتر است متغیر تصادفی را بصورت توابعی از سایر متغیرهای تصادفی درنظر بگیریم که دراینصورت تابع نگاشت استفاده شده در تعریف یک متغیر تصادفی مهم می‌شود. بعنوان مثال، رادیکال یک متغیر تصادفی با توزیع استاندارد (نرمال) خود یک متغیر تصادفی با توزیع کی دو است. شهود این مطلب بدین صورت است که تصور کنید اعداد تصادفی بسیاری با توزیع نرمال تولید کرده و از هرکدام رادیکال بگیریم و سپس هیستوگرام داده‌های بدست آمده را بکشیم در اینصورت اگر داده‌ها به تعداد کافی باشند، نمودار هیستوگرام تابع چگالی توزیع کی دو را با یک درجه آزادی تقریب خواهد زد.






نام‌های دیگر

در برخی از کتاب‌های قدیمی‌تر به جای «متغیر تصادفی»، اصطلاح‌های «متغیر شانسی» و «متغیر استوکاستیکی» هم به کار رفته است.






انواع

متغیر تصادفی گسسته
متغیر تصادفی پیوسته

با توجه به وضع شمارایی فضای نمونه‌ای S، متغیر می‌تواند گسسته یا پیوسته باشد. اگر S متناهی یا نامتناهی شمارا باشد متغیر تصادفی X گسسته و اگر ناشمارا باشد X پیوسته خواهد بود.

یک توزیع همچنین می تواند از نوع مختلط (mixed) باشد به این صورت که بخشی از آن مقادیر خاصی را بگیرد و بخش دیگر آن مقادیر روی یک بازه را بگیرد.





مقدار موثر
در ریاضیات، جذر متوسط مربع (به انگلیسی: root mean square یا quadratic mean) که با نام مقدار RMS و مقدار مؤثر (به انگلیسی: effective value) نیز شناخته می‌شود، معیاری آماری از اندازه کمیت متغیر است.
5:27 pm
‌ پویانمایی
پویانمایی(انیمیشن (به انگلیسی: Animation)) یا کارتُن نمایش سریع و متوالی تصاویری از اثر هنری دوبعدی، یا موقعیت‌های مدل‌های واقعی، برای ایجاد توهم حرکت است. حرکت روان تصاویر متحرک در پویانمایی‌ها، ناشی از یک خطای دید است که به دلیل پدیدهٔ ماندگاری تصاویر پدید می‌آید. رایج‌ترین روش برای نمایش زنده نگار، سینما یا ویدئو است.





ترجمان
واژه انیمیشن در زبان فارسی تاکنون به واژگان "جان بخشی" - "متحرک سازی" - "پویانمایی" و "زنده نگاری" ترجمه شده‌است




تاریخچه

قدیمی‌ترین نمونه‌های تلاش برای بدست آوردن توهم حرکت در طراحی ایستا را می‌توان در نقاشی‌های دوران نوسنگی غارها پیدا کرد، در جائیکه حیوانات با چندین شکل پای رویهم افتاده مجسم شده‌اند، که آشکارا کوششی برای رساندن احساس حرکت است. سفالینه ای متعلق به مردم شهر سوخته یافت شده است که نقوش روی این جام، تکراری هدفمند دارد و حرکت را نشان می‌دهد. تکراری که پایه و اساس هنر انیمیشن امروز است.


فناکیس توسکوپ
، زوتروپو پراکسینوسکوپ، همچنین فلیکربوک

، قدیمی‌ترین اسباب‌های زنده نگاری محبوب اختراع شده در طول سده ۱۸۰۰ هستند.

شخص خاصی به عنوان مخترع هنر فیلم پویانما وجود ندارد، چرا که افراد بسیاری پروژه‌های متعددی که می‌توان به عنوان گونه‌های مختلف زنده نگاری مطرح کرد را تماما در زمان‌های یکسانی انجام می‌دادند.
فیلمساز فرانسوی جورج ملیس که سازنده جلوه‌های ویژه فیلم‌هایی مانند سفری به ماه بود، تکنیکهای بسیاری در کارش استفاده می‌کرد- که یکی از آنها نگه داشتن جرخش فیلم دوربین، و تغییر کوچکی در صحنه و سپس دوباره به جرخش در آوردن فیلم دوربین بود. این بسیار شبیه به ایده‌ای است که بعدها زنده نگاری استاپ-موشن شد. ملیس به طور اتفاقی به این تکنیک دست یافت. هنگامی که او اتوبوسی را در حال رد شدن از جلوی دوربین می‌گرفت، دوربین خراب شد. موقعیکه دوربین تعمیر شد، درست زمانیکه ملیس شروع به فیلم گرفتن کرد، تصادفاً یک اسب از جلوی دوربین رد شد. نتیجه آن بود که در فیلم به نظر می‌رسید که اتوبوس به یک اسب تبدیل می‌شود.

ج. استوارت بلکتون شاید اولین فیلمساز آمریکایی باشد که تکنیک‌های استاپ-موشن و انیمشن طراحی دستی را استفاده کرد. ادیسون او را با فیلمسازی آشنا کرد. او با اولین کارش مورخ ۱۹۰۰ که کپی رایت داشت، پیشگام این ایده‌ها در دوران قرن بیستم شد. بسیاری از فیلمهایش، از میان آنها طراحی سحرآمیز (۱۹۰۰) و فکاهی صورت‌های متغیر مسخره (۱۹۰۶) نسخه‌های فیلم روزمره از بلکتون «هنرمند درخشان» بود، و نسخه‌های اصلاح شده مورد استفاده ملیس قدیمی‌ترین تکنیک‌های استاپ-موشن برای ساختن سری‌هایی از طراحی‌های روی تخته سیاه بود که به نظر می‌رسند که حرکت می‌کنند و خود را تغییر شکل می‌دهند. فکاهی صورتهای متغیر مسخره به عنوان اولین فیلم پویانماشده واقعی ثبت، و بلکتون به عنوان اولین زنده نگاری واقعی شناخته شده‌است.

هنرمند فرانسوی دیگری به نام ایمل کال، شروع به طراحی سلسله کارتون‌هایی کرد. او در سال ۱۹۰۸ فیلمی با نام Fantasmagorie به معنای تخیلات متغیر را ساخت. این فیلم شامل تعداد زیادی طراحی ساده سرگردان است که به هم تبدیل می‌شوند، مانند بطری شراب که به یک گل تبدیل می‌شد. همچنین قسمتهایی از تصاویر زنده وجود داشت، جایی که دست زنده نگار وارد صحنه می‌شد. این فیلم با طراحی هر فریم روی کاغذ ایجاد شده بود و هر فریم با نگاتیو فیلم گرفته می‌شد، که به تصویر، ظاهر تخته سیاه را می‌داد. بدین ترتیب Fantasmagorie نخستین فیلم پویانمایی سنتی (طراحی دستی) به شمار می‌آید.

در ادامه موفقیت‌های بلکتون و کال، هنرمندان متعدد دیگری شروع به تجربیاتی در زنده نگاری کردند. از جمله وینزور مکی که یک کارتونیست موفق روزنامه بود. او زنده نگاری‌های پرجزئیاتی ساخت که نیازمند تیم هنرمندان و توجهی طاقت فرسا به جزئیات بود. هر فریم یک طراحی روی کاغذ بود که همواره می‌بایست که پس زمینه و شخصیت‌ها هردو دوباره طراحی و انیمیت شوند. برجسته‌ترین فیلم‌های مکی عبارتند از نموی کوچولو (۱۹۱۱)، جریت دایناسور (۱۹۱۴) و غرق شدن لوسیتینیا (۱۹۱۸).

تولید فیلم‌های زنده نگاری کوتاه، که عموما «کارتون» نامیده می‌شوند، در طول دهه ۱۹۱۰ به یک صنعت بدل شد، و کارتون‌های کوتاه برای نمایش در فیلم‌های سینما تولید شدند. موفق‌ترین تولید کننده قدیمی زنده نگاری جان رندولف ری بود، کسی که همراه با ارل هرد پویانما، سل پویانمایی (پویانمایی روی طلق) را پایه گذاری کرد که در باقی دهه بر صنعت زنده نگاری حکمفرما بود.
تکنیک‌ها



زنده نگاری سنتی

با نام سل پویانمایی (یا پویانمایی روی طلق) هم شناخته می‌شود. انیمشن سنتی روشی بود که برای اکثر فیلم‌های زنده نگاری قرن بیستم استفاده می‌شد. فریم‌های فیلم زنده نگاری سنتی در اصل عکس‌هایی از طراحی‌هایی هستند که بروی کاغذ کشیده شده‌اند. برای ایجاد توهم حرکت، هر طراحی تفاوت ناچیزی با یک طرح قبلتر از آن دارد. طراحی‌های پویانما روی ورقه‌های شفافی به نام سل (طلق) ترسیم یا فتوکپی می‌شوند، طرف مقابل خطوط ترسیم شده از رنگ یا سایه روشن پر می‌شود. طلق شخصیت‌های کامل شده را روی پس زمینه نقاشی شده قرار می‌دهند و بوسیله دوربین ثابتی یک به یک با فیلم سینمایی عکس می‌گیرند.

روش سنتی سل انیمشن در آغاز قرن ۲۱ منسوخ شد. امروزه طرح‌های پویانماها و پس زمینه‌ها اسکن، یا مستقیما در کامپیوتر طراحی می‌شوند. نرم‌افزارهای مختلفی برای رنگ آمیزی و شبیه سازی حرکات دوربین و افکت‌ها استفاده می‌گردد. قطعه انیمیت شده نهایی را به یکی از چندین رسانه‌های پخش، خروجی می‌گیرند، که شامل فیلم سنتی ۳۵ میلی متری و رسانه‌های جدید تر مانند ویدئوی دیجیتال می‌شود. ظاهر سل زنده نگاری هنوز حفظ شده و کارهای پویانماهای شخصیت‌ها عمدتا در طول ۷۰ سال گذشته همسان باقی مانده‌است.

نمونه‌های فیلم بلند پویانمایی سنتی عبارتند از پینوکیو (آمریکا، ۱۹۴۰)، مزرعه حیوانات(انگلیس، ۱۹۵۴)، و آکیرا (ژاپن، ۱۹۸۸). پویانمایی‌های سنتی که به کمک تکنولوژی کامپیوتر تولید شده‌اند مانند شیرشاه (آمریکا، ۱۹۹۴) قاچاق شده (ژاپن، ۲۰۰۱) و سه قلوهای بلویل (فرانسه.بلژیک.کانادا، ۲۰۰۳).

پویانمایی محض: به روشی از تولید پویانمایی سنتی با کیفیت بالا گفته می‌شود، که طرح‌های پرجزئیات و حرکات پذیرفتنی دارد، که شامل سبک واقعی مانند کارهای دیزنی و سبک کارتونی مانند آثار استودیو وارنر بروز می‌شود.
روتوسکوپی: تکنیکی است که در آن طرح هر فریم از روی حرکات عکس‌های واقعی ترسیم می‌شود. ارباب حلقه‌ها ۱۹۷۸ و اساس بسیاری از حرکات حیوانات در اکثر کارهای دیزنی نیز همین روش است.
استاپ-موشن: در این روش هر فریم عکسی از اجسام واقعی است، پویانما اجسام و یا شخصیت‌های درون صحنه را فریم به فریم به صورت ناچیزی حرکت می‌دهد، و عکس می‌گیرد. هنگامی که فریم‌های فیلم به صورت متوالی نمایش داده شوند توهم حرکت اجسام ایجاد می‌شود. مانند عروس مرده به کاگردانی تیم برتون.
زنده نگاری خمیری: پیکره شخصیت‌ها و اجسام متحرک از ماده‌ای نرم ساخته می‌شود که ممکن است اسکلت هم داشته باشند تا فیگور آنها را ثابت نگه دارد. روش فیلمبرداری هم مانند استاپ-موشن است.
کات-اوت: نوعی از زنده نگاری استاپ موشن است که بوسیله قطعات مسطحی مانند کاغذ ساخته می‌شود. پویانما هر فریم قطعات را کمی جا به جا می‌کند.
زنده نگاری سیلوئت: نوعی زنده نگاری کات-اوت بدون رنگ که کاراکترها به صورت سیلوئت سیاه نمایان می‌شوند.(شبیه به عکس‌های ضد نور)
موشن گرافیک: از تصاویر مسطح گرافیکی، عکس، قطعات روزنامه یا مجله و غیره همراه با تایپ (نوشته) ساخته می‌شود که سابقا با حرکت دادن فریم به فریم انیمیت می‌شد.
زنده نگاری عروسکی: به پویانمایی استاپ-موشنی گفته می‌شود که شامل پیکره‌های عروسکی است که در تعامل با فضاهای شبیه واقعیت انیمیت می‌شوند. عروسکها درونشان اسکلت دارد که به ایستایی آن‌ها کمک کند و همچنین مفصل‌هایی که در محورهای خاصی می‌چرخند. مانند کابوس قبل از کریسمس، ساخته تیم برتون.




پویانمایی رایانه‌ای
امروزه اغلب تولید کنندگان به دلیل صرفه اقتصادی و امکانات روز افزون زنده نگاری رایانه‌ای ترجیح می‌دهند از این ابزار استفاده نمایند. مقاله اصلی پویانمایی رایانه‌ای قواعد هنری این تکنیک تفاوتی با دیگر تکنیک‌های سینما و انیمیشن ندارد. اما بیشتر مراحل تولید در رایانه انجام می‌گیرد.




پویانمایی رایانه‌ای

پویانمایی رایانه‌ای یا انیمیشن کامپیوتری (به انگلیسی: Computer animation) هنر ساخت تصاویر متحرک و پویا با استفاده از رایانه است که یکی از زیرمجموعه‌های گرافیک رایانه‌ای و پویانمایی است. بیشتر به وسیلهٔ گرافیک ۳بعدی رایانه ساخته می‌شود، هرچند که از گرافیک ۲بعدی رایانه هم هنوز به طور وسیع برای کارهای کم حجم و رندرینگ بی‌درنگ سریع استفاده می‌شود. گاهی هدف پویانمایی خود رایانه‌است ولی گاهی هم هدف رسانه دیگری است، مانند فیلم. همچنین از آن به عنوان یک سی‌جی‌آی (تصورات ساختهٔ رایانه یا پندار ساختهٔ رایانه) یاد می‌شود، به ویژه هنگامی که از آن در فیلم‌ها استفاده می‌شود.

برای اینکه تصور حرکت تصاویر ثابت ایجاد شود، تصاویر ثابت پشت سر هم به نمایش در می‌آیند. به این صورت که یک تصویر روی صفحهٔ رایانه یا تلویزیون یا پرده سینما نمایش می‌یابد و سپس فورا با یک تصویر تازه که شبیه به تصویر پیشین است ولی کمی با آن تفاوت دارد، جایگزین می‌شود. این همان تکنیکی است که در تلویزیون و فیلم از آن استفاده می‌شود.

پویانمایی رایانه‌ای جانشین دیجیتالی (ارقامی) بی چون و چرای هنر پویانمایی حرکتِ ثابت (stop motion) مدلهای ۳بعدی و فریم (قاب) به فریم تصاویر ۲بعدی است. برای پویانمایی‌های ۳بعدی، اشیاء (مدل‌ها) روی مانیتور رایانه ساخته (مدل‌سازی) می‌شوند و پیکرهای ۳بعدی به یک اسکلت مجازی مجهز می‌شوند. برای متحرک کردن پیکرهای ۲بعدی، از اشیاء (تصاویر) جدا و لایه‌های شفاف جدا استفاده می‌شود، با یا بدون اسکلت مجازی. سپس، دست و پا، چشم‌ها، دهان، لباس و دیگر اجزای پیکر، به وسیلهٔ انیماتور در فریم‌های کلیدی جابجا می‌شوند. تفاوت‌های ظاهری بین فریم‌های کلیدی، به صورت خودکار توسط رایانه در فرآیندی مشهور به تویینینگ (tweening) یا مورفینگ (morphing) محاسبه می‌شود. در پایان، پویانمایی رندر(render) می‌شود.

در پویانمایی‌های ۳بعدی، همهٔ فریم‌ها باید پس از اینکه مدل‌سازی پایان یافت ارائه شوند. در پویانمایی‌های ۲بعدی برداری، فرآیند رندرینگ فریم کلیدی فرآیند تصویرسازی است، درحالی‌که فریم‌های میانی (بینی) چنانکه لازم باشند رندر می‌شوند. برای نمایش‌های از پیش ضبط شده، فریم‌های رندر شده، به یک فرمت یا رسانهٔ دیگر مانند فیلم یا تصویر دیجیتال منتقل می‌شوند. همچنین ممکن است فریم‌ها به صورت بی‌درنگ درحالی‌که به کاربر نهایی نمایش داده می‌شود رندر شوند. پویانمایی‌های کم‌حجمی که به‌وسیلهٔ اینترنت ارسال می‌شوند (مانند فلش‌های ۲بعدی، X۳D و...) معمولاً از نرم‌افزاری در رایانهٔ کاربر نهایی به عنوان یک جریان متناوب یا پویانمایی حجیم از پیش بار(Load) شده برای رندرینگ بی‌درنگ استفاده می‌کنند.




انواع پویانمایی رایانه‌ای

بر اساس کاربرد، نوع و شکل نمایش و مشخصات تکنیکی، برای پویانمایی‌های رایانه‌ای فرمت‌ها و انواع زیر را می‌توان قائل شد:

۱- پویانمایی‌های ۲ بعدی فلش (flash animation) - این پویانمایی‌ها که معمولاً به صورت فایلهایی با پسوند swf ذخیره می‌شوند، برای پخش نیازمند نرم‌افزار خاص خود می‌باشند. به دلیل سادگی در تولید و حجم کوچک فایل بسیاری از پدید آورندگان پویانمایی‌های دوبعدی و نیز سازندگان تبلیغات اینترنتی، این نوع پویانمایی را ترجیح می‌دهند. پویانمایی‌های فلش، بجای ذخیره کردن تصویر، اطلاعات برداری (vector) را ذخیره نموده و طی برنامه زمان بندی طراحی شده توسط انیماتور، در زمان پخش آن را ترسیم می‌نماید. در پویانمایی‌های فلش، تصاویر و رنگها معمولاً تخت و فاقد جلوه‌های ۳بعدی و رنگهای متنوع هستند. این مشخصه (که گاهی با دقت و تلاش انیماتور غیر قابل تشخیص می‌شود) گاهی به عنوان یک مزیت و گاه نیز به عنوان یک محدودیت برای اینگونه پویانمایی‌ها شمرده می‌شوند. ۲-

پویانمایی‌های ۲ بعدی فلت (flat) - این پویانمایی‌ها، در حقیقت تعداد معینی تصویرهای (raster) است که با سرعت معینی پشت سر هم نمایش داده می‌شوند. مشهورترین فرمت فایلهای فلت (gif) است. به دلیل حجم بسیار زیاد، این فرمت‌ها به دلیل عدم محدودیت در رنگ و شکلها، گاهی برای جلوه‌های کوتاه مدت و تکراری (reciprocating short motion) در صفحات وب بکار می‌رود. پویانمایی‌های فلت ۲ بعدی دارای کاربرد فراوانی در تولید فیلم‌های پویانمایی دارند. در حقیقت تمام آنچه روی صفحهٔ نمایشگرها تماشا می‌کنیم، پویانمایی‌های ۲ بعدی فلت هستند. در تولید پویانمایی‌های ۲بعدی فلت، فریم‌های کلیدی و فریم‌های میانی همچنان نقش مهمی دارند. که پهلوانان و رنگ عشق از جمله این دسته از پویانمایی‌های رایانه‌ای می‌باشد.

۳- پویانمایی‌های ۳ بعدی فلت - با گسترش توانایی‌های رایانه‌ها و نمایشگرهای مدرن، نرم‌افزارها و انیماتورها قادر شدند تا سایه روشنهایی با دقت و تفکیک بسیار بالا تولید کنند. تلفیق این توانایی با نرم‌افزارهایی که اشیاء و صحنه‌ها را در آنها می‌توان به صورت مدل ۳ بعدی ترسیم نمود، عملاً نسل جدیدی از پویانمایی را ایجاد نمود که در تولید آنها نیازی به فریم نیست و همهٔ کارها توسط نرم‌افزار انجام می‌شود. پویانمایی‌های ۳ بعدی فلت به دلیل بالا بودن دقت سایه روشن‌ها، زوایا و پرسپکتیو در تصویر بسیار شبیه تصاویر دنیای حقیقی می‌باشند.

۴- پویانمایی‌های ۳ بعدی مجازی - از آنجا که مغز توانایی دارد که با تلفیق تصویر دریافت شده از دو چشم و همپوشانی آنها عمق را در فضا درک نماید، می‌توان با نشان دادن دو تصویر همزمان به هر یک از چشمها، محیط ۳بعدی را در مغز شبیه سازی نمود. برای اینکار، سازنده، تصویر ۳بعدی مورد نظر را از ۲ نقطه دید (که حدود ۶ سانتیمتر با هم فاصله داشته باشند) ضبط می‌نماید و نمایش می‌دهد. به این ترتیب، تماشاگر با کمک ابزار خاصی که قادر است این دو تصویر را برای هر چشم بطور جداگانه نمایش دهد، تصویر را بصورت کاملاً ۳بعدی می‌بیند. سالن‌های نمایش سینمایی ۳ بعدی مثالی از این تصاویر می‌باشند. عمق این تصاویر گاه چنان است که بیننده احساس می‌کند قادر است اشیا را لمس نماید.

۵- پویانمایی‌های ۳بعدی حقیقت مجازی - از این نوع پویانمایی در سطح گسترده‌ای برای بازی‌های رایانه‌ای استفاده می‌شود. با ذخیره شدن مدل ۳بعدی فضاها و اشیاء، رایانه در زمان نمایش تصویر مورد نیاز را آنی محاسبه و ترسیم می‌کند. از این تکنیک همچنین برای آموزش خلبانان و مانند آن نیز استفاده می‌شود. تفاوت پویانمایی‌های حقیقت مجازی با تصاویر ۳بعدی مجازی، در این است که در حقیقت مجازی، هیچ حرکت و واکنشی از قبل خلق نشده و صرفاً بر اساس واکنش یا دستور تماشاگر تصویر خلق می‌شود و این تصور ایجاد می‌شود که بیننده در فضایی مجازی در حال حرکت است.

۶- پویانمایی‌های تلفیقی - در این پویانمایی‌ها که کاربرد فراوانی در صنعت فیلم سازی دارند، بخشی از تصاویر واقعی بوده (از صحنه‌های واقعی تصویر برداری می‌شوند) و تنها بخشی از تصویر به کمک نرم‌افزار به آن اضافه می‌شود. جلوه‌های ویژه سینمایی از فراوان‌ترین مثالهای این پویانمایی‌ها می‌باشند. خطرات و مشکلات تصویر سازی صحنه‌هایی مانند آتش سوزی، انفجار و... کاربرد این پویانمایی را برای تولید کنندگان بسیار جذاب نموده‌است.افسانه گل نور ، هفت رنگ و فرزندان آفتاب نمونه هایی از این گروه می باشند.
ساعت : 5:27 pm | نویسنده : admin | هواداران حامد عزیزی | مطلب قبلی
هواداران حامد عزیزی | next page | next page