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.
5:41 am

طراحی مد

طراحی مد (به انگلیسی: Fashion Design) هنر استفاده از طراحی، زیبایی شناسی(حسّیک) و یا زیبایی طبیعی برای خلق پوشاک و زیورآلات است، طراحی مد متاثر از عرض‌های جغرافیایی، فرهنگ‌ها و جوامع مختلف بوده و به اندازهٔ همین تفاوت‌ها دارای تنوع بالایی است. طراحان مد به طرق متفاوتی در بخش‌های طراحی پوشاک و زیورآلات کار می‌کنند، بعضی به تنهایی و بعضی به عنوان بخشی از یک گروه به این حرفه مشغول هستند. آنها با تلاش برای طراحی لباس‌های زیبا و باب طبع جامعه سعی در ارضاء تمایل مصرف کنندگان دارند. به دلیل اینکه طراحی و ارائهٔ لباس‌های جدیدی که مورد پسند عموم قرار بگیرند فرآیندی زمان بر است، متخصصین این حرفه در عین حال باید بتوانند به طور دقیق زمان تغییر سلیقهٔ مصرف کننده را پیش بینی کنند. مد و رسانهٔ آن که پوشاک است نمادی از وضعیت اجتماعی و اقتصادی جوامع هستند.






طراحان مد تلاش می‌کنند تا لباسی که طراحی می‌کنند تابعی از زیبایی و دل انگیزی باشد، آنها باید در نظر داشته باشند که هر نوع لباسی چه مخاطبی دارد و همچنین در چه موقعیتی پوشیده می‌شود. آنها برای انجام این مهم محدوده‌ای وسیع از مواد و ترکیبات آن و همچنین طیف گسترده‌ای از رنگها، الگوها و سبک‌ها را در اختیار دارند. با وجود اینکه لباس‌های روز و معمولی بیشترین میزان لباس‌های مصرفی را تشکیل می‌دهند و در محدودهٔ سبک‌های قراردادی متداول و مرسوم قرار دارند، لباس‌های رسمی و لباس‌های شب که برای مراسم خاص و مهمانی‌ها استفاده می‌شوند نیز مطلوب هستند و مخاطبان خاص خود را دارند.

برخی از لباس‌ها به طور خاص برای یک شخص ساخته می‌شوند. دوخت سفارشی (به فرانسوی: Haute couture) یا خیاطی قراردادی از جمله روش‌هایی هستند که برای این منظور به کار می‌روند. با این وجود امروزه پوشاک بیشتر برای بازار انبوه، به خصوص لباس‌های روز و معمولی طراحی می‌شوند.




ساختار

طراحان لباس از راههای متنوع و متفاوتی می‌توانند کار کنند، برای مثال آنها می‌توانند به شکل تمام وقت در خانهٔ طراحان که متعلق به صاحبان طرح هاست برای یک مد خاص و یا به صورت انفرادی یا به عنوان بخشی از یک گروه کار کنند. طراحان مستقل روی طرح‌های خودشان کار می‌کنند و پس از اتمام کار، طرح‌های خود را به خانه‌های مد یا به طور مستقیم به مغازه‌ها و تولیدی‌های لباس می‌فروشند و لباس‌ها برچسب خریدار طرح را می‌خورند. برخی از طراحان برچسب‌های خودشان را می‌سازند که تحت آن طرح هایشان با نام خودشان در بازار عرضه می‌شوند. بعضی از طراحان نیز خود کارفرما هستند و برای مشتریان منحصربه فرد و خاصی طراحی می‌کنند. بعضی دیگر از طراحان در بخش مد برتر (به انگلیسی: High Fashion) فعالیت می‌کنند و کارهای خود را برای فروشگاههای تخصصی و یا فروشگاه‌های حوزهٔ مد برتر می‌فرستند، این طراحان که به دنبال بنا نهادن گرایش‌های مد هستند لباس‌های مبتکرانه و بدیع خلق می‌کنند. با این حال اکثر طراحان مد ایده‌های نوآورانهٔ خود را برای بازار انبوه لباس‌های زنانه، مردانه و کودکانه به کار می‌برند و در استخدام تولیدکنندگان پوشاک هستند.

از بزرگترین مارک‌های طراحانی که نام تجاری خودشان را دارند، می‌توان به ابرکرومبی اند فیچ، جاستیس و جوسی اشاره کرد که به احتمال زیاد توسط گروهی از طراحان منحصر به فرد طراحی می‌شوند که تحت کارگردانی یک مدیر طراحی کار می‌کنند.




طراحی پوشاک

طرن لباس علاوه براینکه به شکل‌های متفاوتی کار می‌کنند، به طرق متفاوتی نیز طراحی می‌کنند. بعضی ایدهٔ اولیهٔ طرح خود را روی کاغذ پیاده می‌کنند در حالیکه بعضی دیگر با آویزان کردن پارچه بر روی فرم ابتدایی لباس، طرحی را که می‌خواهند تصور می‌کنند و برخی نیز به کمک نرم افزارهای کامپیوتری طرح لباس مورد نظرشان را ترسیم می‌کنند. زمانی که طراح به طور کامل از تناسب و هماهنگی پارچه‌ها راضی باشد با یک طراح الگو حرفه‌ای مشورت می‌کند تا طرح اولیه را روی کاغذ یا از طریق نرم افزارهای کامپیوتری کامل کند. کار طراح الگو بسیار دقیق و پر زحمت است، تناسب پوشاک کامل شده در واقع به دقت آنها بستگی دارد، آنها پس از اطمینان از ابعاد اولیه یک نمونه از لباس می‌سازند تا روی تن یک مدل واقعی تست شود و از درست بودن اندازه و ابعاد آن در عمل هم مطمئن شوند.

میریام چالک (به انگلیسی: Myriam Chalek)، مالک و موسس خانهٔ تجارت خلاقانه (به انگلیسی: Creative Business House) می‌گوید بسیاری از طراحان مد تنها یک مفهوم از مدی که می‌خواهند ایجاد کنند دارند، درطول ساخت و ساز و پیاده سازی روی کاغذ تکنیک‌ها و ساختارهای لازم نه در ذهن هستند نه در مفهوم بصری و نه در روند طرح زدن روی کاغذ. بنابراین طراح مد نیاز به مشورت با طراح الگو و نمونه ساز دارد تا دریابد که آیا طرحی که روی کاغذ کشیده را می‌توان عملی کرد و به زندگی واقعی آورد یا نه.




تاریخچه

در قرن نوزدهم میلادی چارلز فردریک ورث (به انگلیسی: Charles Frederick Worth) با دوختن برچسب نام خود به لباس‌هایی که طراحی می‌کرد زمینه ساز شروع طراحی مد به طور کلی شد. درست پیش از آنکه بزازها مزون‌های لباس (خانه‌های مد) خود را در پاریس برپا کنند و انبوه خیاط‌های شناخته نشده دست به خلاقیت بزنند و مدهای عالی که در دادگاههای سلطنتی پوشیده می‌شدند برچیده شوند. موفقیت ورث به طوری بود که او به جای اینکه مانند خیاط‌های دیگر که در گذشته تنها از دستور مشتری پیروی می‌کردند رفتار کند، می‌توانست به مشتریانش دیکته کند چه بپوشند. واژهٔ 'طراح مد' (به فرانسوی: Couturier) در حقیقت اولین بار برای توصیف او ساخته شد. در حالیکه مقولهٔ پوشاک در هر دورهٔ زمانی توسط دانشگاهیان مورد مطالعه و بررسی قرار گرفته است، تنها خلق پوشاک از سال ۱۸۵۸ به بعد را می‌توان به طور موثر طراحی لباس در نظر گرفت.

در همان دوره بود که بسیاری از مزون‌های لباس (خانه‌های مد) شروع به استخدام هنرمندان و نقاش‌ها کردند تا طرح لباس‌ها را بکشند. تصاویر نقاشی شده به مشتری‌ها نشان داده می‌شدند که بسیار ارزان تر از نمونه واقعی لباس تولید شده در کارگاه بودند، در صورتی که مشتری‌ها یکی از طراحی‌های آنان را می‌پسندیدند آن لباس را سفارش می‌دادند و خانهٔ مد از این طریق صاحب درآمد می‌شد. به این ترتیب، سنت طراحی لباس به جای ارائهٔ لباس‌های تکمیل شده به عنوان یک کار اقتصادی شروع شد.

یک طراح مشهور جامائیکایی به نام شانون مگی (به انگلیسی: Shannon McGHIE) می‌گوید:'طراحی مد عشق و شوری است برخاسته از قلب هنرمند. '




انواع مد

توسط تولیدکنندگان لباس ساخته می‌شوند در سه دستهٔ اصلی قرار می‌گیرند، اگرچه این ممکن است به شاخه‌های فرعی دقیق تری نیز تقسیم شود:



دوخت سفارشی یا تولید انحصاری (طراحی و خیاطی بانوان)
مد پوشاک تا سال ۱۹۵۰، عمدتاً طراحی و ساخت لباس به شکل دوخت سفارشی (روش فرانسوی) و بر اساس اندازه‌هایی بود که مشتری سفارش می‌داد، هر لباس برای یک مشتری خاص طراحی و دوخته می‌شد و برای مشتری‌ها به شکل انحصاری سفارش دوخت گرفته می‌شد، به طور معمول در آن دوره از پارچه‌های گران قیمت و با کیفیت بالا استفاده می‌شد و با دقت بسیار بالا به جزئیات و اتمام کار لباس دوخته می‌شد. درنتیجه این کار فرآیندی بسیار وقت گیر بود، ظاهر و تناسب لباس به نسبت هزینهٔ مواد و زمان لازم برای دوخت در اولویت قرار داشتند.



پوشاک آماده یا تولید ماشینی
لباس‌های ماشینی مرز بین دوخت سفارشی و تولید انبوه هستند، این لباس‌ها برای مشتری‌های مخصوص دوخته نشده‌اند اما دقت زیادی در انتخاب و برش پارچه صورت گرفته است و به منظور تضمین انحصار، این لباس‌ها در مقادیر محدود دوخته شده‌اند. در نتیجه به نسبت گران قیمت هستند. مجموعه‌های لباس‌های ماشینی معمولاً در هر فصل طی دوره‌ای که به نام هفتهٔ مد(به انگلیسی: Fashion Week) شناخته می‌شود توسط خانه‌های مد به عرضهٔ نمایش گذاشته می‌شوند. این پدیده دوبار در سال در سرتاسر شهرها اتفاق می‌افتد. انواع لباس‌هایی که در فصل‌های مد ارائه می‌شوند شامل پوشاک بهار/تابستان، پاییز/زمستان و همچنین لباس‌های راحتی، لباس شنا و لباس عروس هستند.



عمده فروشی یا تولید انبوه
در حال حاضر صنعت مد بیش از هر چیز متکی بر فروش بازار انبوه است. تولید انبوه طالب بیشتری دارد و نیاز طیف گسترده‌ای از مشتریان را برآورده می‌کند. مشاهیر دنیای مد برای هر فصل مد روندهایی را تعیین می‌کنند که بر اساس آن لباس‌های ماشینی تولید می‌شود. آنها اغلب تمام طول یک فصل را صبر می‌کنند تا مطمئن شوند آیا سبک مطرح شده می‌تواند بازار را به دست بگیرد یانه، سپس برای تولید آن ابتکار عمل را به دست می‌گیرند و به منظور صرفه جویی در هزینه و زمان از پارچه‌های ارزان تر و تکنیک‌های ساده تر برای تولید استفاده می‌کنند که به راحتی می‌تواند توسط یک دستگاه انجام شود. در نتیجه محصول نهایی می‌تواند خیلی ارزان تر فروخته شود. یک نوع طراحی وجود دارد که سبک کوچ (به انگلیسی: Kutch) نامیده می‌شود و منشاء آن به واژهٔ آلمانی"kitsching" برمی گردد که معنی آن زشت یا به لحاظ زیبایی شناسی ناخوشایند است. کوچ همچنین اشاره به نوع پوشش یا نمایش لباس‌هایی دارد که به اصلاح از مد افتاده‌اند، اغلب شلوارهای فاق بلند مربوط به دههٔ ۸۰ میلادی نماد مد کوچ (به آلمانی: Kitsch) در نظر گرفته می‌شوند.




درآمد
ایالات متحدهٔ آمریکا

میانگین دستمزد سالانهٔ طراحان لباس در ماه مه سال ۲۰۱۱، ۶۴/۶۹۰ دلار بود. این میانگین برای طراحان با دستمزد متوسط که حدود ۵۰٪ از کل طراحان بودند بین ۴۲/۱۵۰ تا ۸۷/۱۲۰ دلار بود و برای کم درآمدترین آن‌ها که حدود ۱۰٪ از طراحان را شامل می‌شدند چیزی کمتر از ۳۲/۷۰۰ دلار و برای پردرآمدترین آن‌ها بالای ۱۲۷/۸۲۰ دلار بود.

متوسط درآمد سالیانهٔ پوشاک، کالاهای پارچه‌ای، ایده و مفاهیم مد برای تولیدکنندگانی که بزرگ‌ترین تعداد طراحان مد را داشتند حدود ۷۲/۴۵۰ دلار در سال بود. این میانگین برای طراحانی که از عکس‌ها و فیلم‌های تبلیغاتی استفاده کرده بودند حدود ۱۰۱/۰۴۰ بود.



تحصیل و آموزش مد
تعداد زیادی مدارس تخصصی هنر و طراحی شناخته شده و معروف در دنیا وجود دارند که کارشناسی طراحی مد و فناوری طراحی مد ارائه می‌دهند، بعضی از کالج‌ها دارای دورهٔ کارشناسی ارشد مد نیز هستند، هر چند داشتن کارشناسی ارشد در این رشته الزامی نیست و این مقطع تحصیلی بیشتر به کسانی که پیش تر در این صنعت مشغول به کار بوده‌اند توصیه می‌شود.

در دیگر نقاط دنیا نیز چند دانشگاه مد وجود دارد، از جمله موسسهٔ ملی فناوری مد در هند (به انگلیسی: National Institute of Fashion Technology in India)، دانشگاه شی چین در هنگ کنگ Shih Chien University، دانشگاه آر ام آی تی در ملبورن استرالیا (به انگلیسی: RMIT University)، دانشگاه کاتولیک فو جن در تایوان (به انگلیسی: Fu Jen Catholic University) و دانشگاه زنجیره‌ای آسیا به نام کالج طراحی و بازرگانی رافلز (به انگلیسی: Raffles College of Design and Commerce). تمامی این دانشگاه‌ها دارای دوره‌های معتبر طراحی مد هستند.

در سراسر ایالات متحده بسیاری از دانشگاه‌ها رشتهٔ طراحی مد را به عنوان شاخه‌ای از رشتهٔ تحصیلی هنرهای لیبرال عمومی (به انگلیسی: General Liberal Arts) ارائه می‌دهند. طراحی مد به طور کلی ممکن است نام‌های جایگزینی داشته باشد و یا با رشته‌هایی مرتبط ادغام شده باشد، مانند پوشاک و منسوجات، طراحی پارچه، طراحی لباس، صنایع دستی و... همچنین ممکن است زیر مجموعه‌ای از هنر، تاریخ هنر و یا مطالعات خانواده و مصرف کنندگان باشد. بعضی از مدارس عالی، مانند پارسونز (به انگلیسی: Parsons) کارشناسی ارشد رشتهٔ مدیریت مد که تلفیقی از دروس مد با دوره‌های تجارت است را نیز ارائه می‌دهد.

تنها دانشگاه عضو در لیگ آیوی (به انگلیسی: The Ivy League)، (مجموعه‌ای متشکل از هشت عدد از بهترین دانشگاههای دنیا که در منطقه شمال شرقی ایالات متحده واقع شده‌اند) که در مقطع کارشناسی رشتهٔ طراحی مد را ارائه می‌دهد دانشگاه کرنل (به انگلیسی: Cornell University) واقع در ایتاکا، نیویورک، است که برنامهٔ آموزشی خود را در چارچوب بخش علوم فیبر و طراحی پوشاک (به انگلیسی: department of Fiber Science & Apparel Design) ارائه می‌دهد. دانشگاه کرنل در رشتهٔ طراحی پوشاک دارای مقطع تحصیلی دکترا نیز می‌باشد. می‌توان لیست به روز شدهٔ دانشگاههای آمریکایی که مقطع کارشناسی ارشد و دکترای رشتهٔ طراحی مد را ارائه می‌دهند در سایت ITAA.org یافت. برنامه‌های آموزشی طراحی پوشاک برای پاسخگویی به نیازهای دانشگاه‌ها، صنعت و پژوهش به عنوان یک علم کاربردی در نظر گرفته شده است که به منظور پاسخگویی به نیازهای بشر به پوشاک، پذیرای بخش‌های طراحی، فناوری، علوم فیزیک، علوم انسانی و علوم اجتماعی می‌باشد.




سیستم طبقه بندی
طراحان در یک سیستم سلسله مراتبی فرانسوی کار می‌کنند. مد به عنوان هدف، عملکرد سیستم حاکم و موقعیت توابع آن را در یک نظام اجتماعی تضمین می‌کند. مد به طور ایدئولوژیک بخشی از فرایندی است که داخل گروههای اجتماعی خصوصی شکل می‌گیرد، که در این مورد طراحان خبره مواضع قدرت و روابط سلطه و فرمانبرداری را ایجاد، حفظ و بازتولید می‌کنند. در کار گروهی برای طراحی مد هر کس با توجه به میزان تلاش و ابتکاری که نشان دهد رشد می‌کند و ترفیع می‌گیرد. امروزه نگاه و تصور اسطوره‌ای نسبت به طراح به عنوان یک نابغهٔ خلاق از موقعیت اجتماعی آنها منفصل شده است چرا که خلاقیت و تولید مد حاصل کار اجتماعی است و نه استعداد ذاتی، گرچه ممکن است کسی بسیار خلاق و با استعداد باشد اما بدون همکاری و کسب مشروعیت از جانب سیستم مد و عبور از دروازه‌های آن نمی‌تواند به شهرت برسد. بنابراین سیستم طبقه بندی به عنوان یک اصل ضروری نه تنها در صنعت مد بلکه در تمامی صنایع فرهنگی نقش مهمی دارد. چرا که باعث می‌شود مؤلف کارهای خلاقانه قابل شناسایی باشد.

ساعت : 5:41 am | نویسنده : admin | مطلب بعدی
شیک فا | next page | next page