پایان نامه : استفاده از داده­ کاوی برای ارائه چارچوبی جهت کشف الگوهای پزشکی

دانلود متن کامل پایان نامه با فرمت ورد

پایان نامه مقطع کارشناسی ارشد رشته فناوری اطلاعات

دانشگاه قم

دانشکده فنی­ومهندسی

پایان نامه دوره کارشناسی­ارشد مهندسی­فناوری­اطلاعات (IT)

عنوان:

استفاده از داده ­کاوی برای ارائه چارچوبی جهت کشف الگوهای پزشکی و ایجاد یک سیستم تشخیص، تصمیم و تجویز، مطالعه موردی: بیمارستان تخصصی کودکان حضرت فاطمه معصومه (س)

برای رعایت حریم خصوصی نام نگارنده درج نمی شود

تکه هایی از متن به عنوان نمونه :

 

چکیده

بیماری تنفسی که عموما در ارتباط با بیماری ریوی است، شامل گروهی از بیماری­ها هستند که از طریق درگیر کردن بخش یا قسمت­هایی از دستگاه تنفس باعث اختلال در عملکرد ریه­ها می­گردند. ریه­ها مهم­ترین قسمت دستگاه تنفسی هستند که در عمل تبادل گازهای تنفسی جهت تامین اکسیژن بافت­های مختلف بدن و دفع دی­اکسیدکربن نقش دارند. بیماری­های ریوی در هر سال بسیاری از افراد جامعه را مبتلا می­کنند که باعث کاهش سطح عملکرد فرد در فعالیت­های روزمره می­گردند. بیماری­های دستگاه تنفسی در انگلستان شایع­ترین عامل مراجعه به پزشکان عمومی است. میزان اختلال در عملکرد تنفس در یک بیماری ریوی به نوع بیماری و وسعت آسیب وارده بستگی دارد. بیماری­های ریوی می­توانند عفونت دستگاه تنفسی فوقانی، پنومونی و یا بیماری مزمن انسدادی ریه باشند. بیماری­های ریوی یکی از عوامل مهم مرگ­و­میر افراد در سراسر جهان هستند. فاکتور اصلی ما در این روند، تشخیص سریع و صحیح این بیماری­ها در همان ابتدای روزهای بستری است. تکنیک­های داده ­کاوی می­توانند دانش نهفته در پایگاه­های داده را استخراج و در پیش­گیری، تشخیص و معالجه­ی این بیماری­ها به پزشک و بیمار کمک کنند. در این تحقیق، با مقایسه­ی سیستم­های رده­بندی متفاوت و مقایسه­ی روش­های یادگیری داده­های نامتوازن با الگوریتم پایه، در نهایت، سیستم رده­بندی ارائه شده که می­تواند در تشخیص انواع بیماری­های تنفسی به پزشکان کمک کند. سرانجام، به شناسایی عوامل موثر در بروز بیماری­های تنفسی پرداخته شده است.

 

کلمات کلیدی: داده ­کاوی پزشکی، رده­بندی، تشخیص بیماری­های تنفسی، مجموعه داده­های نامتوازن.

 

 

فهرست مطالب

عنوان                                                                                                         صفحه

فصل1: مقدمه…………………………………………………………………………………………………………….1

1-1. موضوع تحقیق…………………………………………………………………………………………..2

1-2. اهمیت و ضرورت تحقیق…………………………………………………………………………….3

1-3. قلمرو تحقیق……………………………………………………………………………………………..4

1-4. فرضیه­های تحقیق………………………………………………………………………………………4

1-5. سوالات تحقیق………………………………………………………………………………………….5

1-6. اهداف و کاربردهای تحقیق…………………………………………………………………………5

1-7. نوآوری در تحقیق……………………………………………………………………………………..6

1-7-1. موضوع و داده­های استفاده شده در تحقیق……………………………………………..6

1-7-2. براساس مطالعه ادبیات و نحوه ارائه مطالب……………………………………………..6

1-8.. محدودیت­های تحقیق………………………………………………………………………………..6

1-9. ساختار پایان نامه …………………………………………………………………………………………7

فصل2: ادبیات تحقیق…………………………………………………………………………………………………..8

2-1. مقدمه………………………………………………………………………………………………………9

2-2. داده ­کاوی…………………………………………………………………………………………………9

2-2-1. مفهوم داده ­کاوی……………………………………………………………………………….9

2-2-2. مراحل داده ­کاوی…………………………………………………………………………….10

2-2-3. پیش­پردازش…………………………………………………………………………………..10

2-2-3-1. پاک­سازی داده………………………………………………………………………11

2-2-3-2. یکپارچه­سازی داده………………………………………………………………….11

2-2-3-3. تبدیل داده……………………………………………………………………………..11

2-2-3-4. کاهش داده……………………………………………………………………………12

2-2-3-5. تصویرکردن برای کاهش بعد……………………………………………………12

2-2-4. داده ­کاوی………………………………………………………………………………………13

2-2-5. پس­پردازش……………………………………………………………………………………14

2-2-6. کاربردهای داده ­کاوی………………………………………………………………………14

2-3. داده ­کاوی در پزشکی……………………………………………………………………………….14

2-4. بیماری تنفسی………………………………………………………………………………………….16

2-4-1. عفونت دستگاه تنفسی فوقانی…………………………………………………………….17

2-4-2. پنومونی…………………………………………………………………………………………17

2-4-3. بیماری مزمن انسدادی ریه…………………………………………………………………18

2-5. الگوریتم­های رده­بندی………………………………………………………………………………18

2-5-1. درخت تصمیم………………………………………………………………………………..19

2-5-1-1. CHAID…………………………………………………………………………….20

2-5-1-2. ID3……………………………………………………………………………………20

2-5-1-3. C5.0…………………………………………………………………………………..21

2-5-2. ماشین بردار پشتیبان………………………………………………………………………….21

2-5-3. شبکه­ی عصبی………………………………………………………………………………..24

2-5-4. Bagging…………………………………………………………………………………….25

2-5-5. AdaBoost…………………………………………………………………………………27

2-6. پیشینه­ی تحقیقات در بیماری­های تنفسی……………………………………………………….30

فصل3: داده­های نامتوازن……………………………………………………………………………………………32

3-1. مقدمه…………………………………………………………………………………………………….33

3-2. روش­های یادگیری در داده­های نامتوازن………………………………………………………33

3-2-1. نمونه­برداری……………………………………………………………………………………33

3-2-1-1. بیش­نمونه­برداری تصادفی…………………………………………………………34

3-2-1-2. زیرنمونه­برداری تصادفی…………………………………………………………..34

3-2-1-3. نمونه­برداری آگاهانه……………………………………………………………….34

3-2-1-3-1. EasyEnsemble……………………………………………………….35

3-2-1-3-2. ModifiedBagging………………………………………………….36

3-2-1-4. ترکیب نمونه­برداری و تولید داده……………………………………………….37

3-2-2. روش­های حساس به هزینه…………………………………………………………………39

3-3. معیارهای ارزیابی رده­بند در داده­های نامتوازن……………………………………………….41

3-4. معیارهای ارزیابی رده­بند در داده­های نامتوازن و چند رده­ای…………………………….44

3-4-1. میانگین­گیری میکرو………………………………………………………………………..46

3-4-2. میانگین­گیری ماکرو…………………………………………………………………………46

فصل4: پیش­پردازش داده­ها………………………………………………………………………………………..47

4-1. مقدمه…………………………………………………………………………………………………….48

4-2. جمع­آوری داده­ها…………………………………………………………………………………….48

4-3. ویژگی­های داده­ها……………………………………………………………………………………48

4-4. نحوه توزیع داده­ها براساس ویژگی­ها…………………………………………………………..51

4-4-1. نوع بیماری تنفسی……………………………………………………………………………51

4-4-2. سن……………………………………………………………………………………………….52

4-5. پیش­پردازش­های انجام شده……………………………………………………………………….53

4-5-1. حذف ویژگی­های اضافی………………………………………………………………….53

4-5-2. حذف یا اصلاح رکورد…………………………………………………………………….53

4-5-3. یکپارچه­سازی داده………………………………………………………………………….54

4-5-4. تبدیل مقادیر ویژگی………………………………………………………………………..55

4-5-4-1. تفسیر آزمایش­های انجام شده روی بیماران………………………………….55

4-5-4-2. WBC (White Blood Cell)……………………………………………56

4-5-4-3. چه چیزهایی باعث کاهش WBC می­شود؟………………………………..56

4-5-4-4. چه چیزهایی باعث افزایش WBC می­شود؟………………………………..56

4-5-4-5. جدول گسسته­سازی WBC……………………………………………………..57

4-5-4-6.  RBC(Red Blood Cell)…………………………………………………57

4-5-4-7. چه چیزهایی باعث کاهش RBC می­شود؟…………………………………57

4-5-4-8. چه چیزهایی باعث افزایش RBC می­شود؟…………………………………58

4-5-4-9. جدول گسسته­سازی RBC………………………………………………………58

4-5-4-10. Hb (Hemoglobin)………………………………………………………..58

4-5-4-11. چه چیزهایی باعث کاهش هموگلوبین می­شود؟………………………….59

4-5-4-12. چه چیزهایی باعث افزایش هموگلوبین می­شود؟…………………………59

4-5-4-13. جدول گسسته­سازی هموگلوبین………………………………………………59

4-5-4-14. HCT (Hematocrit)……………………………………………………….59

4-5-4-15. چه چیزهایی باعث کاهش HCT می­شود؟……………………………….60

4-5-4-16. چه چیزهایی باعث افزایش HCT می­شود؟……………………………….60

4-5-4-17. جدول گسسته­سازی HCT…………………………………………………….60

4-5-4-18. Plt یا پلاکت­ها……………………………………………………………………60

4-5-4-19. چه چیزهایی پلاکت را کاهش می­دهد؟……………………………………61

4-5-4-20. چه چیزهایی پلاکت را افزایش می­دهد؟……………………………………61

4-5-4-21. جدول گسسته­سازی پلاکت……………………………………………………61

4-5-4-22. اجزای دیگر آزمایش خون……………………………………………………..61

4-5-4-23. جدول گسسته­سازی MCV، MCH و MCHC……………………..62

4-5-4-24. CRP (C-Reactive Protein)…………………………………………63

4-5-4-25. در چه شرایطی CRP افزایش پیدا می­کند؟……………………………….63

4-5-4-26. در چه شرایطی CRP کاهش پیدا می­کند؟……………………………….63

4-5-4-27. جدول گسسته­سازی CRP…………………………………………………….63

4-5-4-28. ESR (Erythrocyte Sedimentation Rate)…………………64

4-5-4-29. جدول گسسته­سازی ESR……………………………………………………..64

4-5-4-30. جدول گسسته­سازی BS (Blood Suger)…………………………….64

4-5-5. ویژگی داده­ها پس از پیش­پردازش نهایی……………………………………………..64

4-6 نمونه­برداری…………………………………………………………………………………………….67

فصل5: نتایج و یافته­های تحقیق……………………………………………………………………………………69

5-1. مقدمه…………………………………………………………………………………………………….70

5-2. رده­بندی…………………………………………………………………………………………………70

5-2-1. مقایسه­ی الگوریتم­های پایه………………………………………………………………..70

5-2-2. مقایسه­ی روش­های یادگیری در داده­های نامتوازن…………………………………74

فصل6: نتیجه­گیری و پیشنهادات…………………………………………………………………………………..79

6-1. مقدمه…………………………………………………………………………………………………….80

6-2. نتیجه­گیری……………………………………………………………………………………………..80

6-3. پیشنهادها………………………………………………………………………………………………..82

6-3-1. مجموعه­ی داده……………………………………………………………………………….82

6-3-2. داده ­کاوی………………………………………………………………………………………82

مراجع…………………………………………………………………………………………………………………….83

پیوست الف: واژه­نامه انگلیسی به فارسی………………………………………………………………………. 92

 

 

فهرست جدول­ها

عنوان                                                                                                          صفحه

جدول3-1: ماتریس اغتشاش برای مسائل دودویی…………………………………………………………..41

جدول3-2: ماتریس اغتشاش برای مسائل چند رده­ای………………………………………………………44

جدول4-1: ویژگی­های موجود در مجموعه داده اولیه……………………………………………………..49

جدول4-2: اسامی ویژگی­ها پس از برخی از مراحل پیش­پردازش………………………………………54

جدول4-3: رده­بندی فیلد سن به گروه سنی……………………………………………………………………55

جدول 4-4: رده­بندی فیلد آزمایش WBC…………………………………………………………………..57

جدول 4-5: رده­بندی فیلد آزمایش RBC…………………………………………………………………….58

جدول 4-6: رده­بندی فیلد آزمایش Hb………………………………………………………………………..59

جدول 4-7: رده­بندی فیلد آزمایش HCT…………………………………………………………………….60

جدول 4-8: رده­بندی فیلد آزمایش PLT……………………………………………………………………..61

جدول 4-9: رده­بندی فیلد آزمایش MCV…………………………………………………………………..62

جدول 4-10: رده­بندی فیلد آزمایش MCH…………………………………………………………………62

جدول 4-11: رده­بندی فیلد آزمایش MCHC……………………………………………………………..62

جدول 4-12: رده­بندی فیلد آزمایش CRP…………………………………………………………………..63

جدول 4-13: رده­بندی فیلد آزمایش ESR…………………………………………………………………..64

جدول 4-14: رده­بندی فیلد آزمایش BS……………………………………………………………………..64

جدول4-15: ویژگی­های مجموعه داده ثانویه پس از پیش­پردازش نهایی……………………………..65

 

 

فهرست شکل­ها

عنوان                                                                                                          صفحه

شکل2-1: نمونه­ای از یک درخت تصمیم……………………………………………………………………..19

شکل2-2: یک مجموعه­ی آموزش دوبعدی که داده­های آن به صورت خطی قابل جداسازی است………………………………………………………………………………………………………………………22

شکل2-3: دو خط جداساز با حاشیه­های مختلف…………………………………………………………….23

شکل2-4: افزایش صحت مدل با استفاده از Bagging…………………………………………………..25

شکل2-5: شبه­کد الگوریتم Bagging………………………………………………………………………..26

شکل2-6: شبه­کد الگوریتم AdaBoost……………………………………………………………………..28

شکل3-1: شبه­کد الگوریتم EasyEnsemble…………………………………………………………….36

شکل3-2: شبه­کد الگوریتم ModifiedBagging………………………………………………………37

شکل3-3: (a) kتا از نزدیک­ترین همسایه­های xi با فرض k=6

(b) تولید داده براساس فاصله­ی اقلیدسی…………………………………………………………38

شکل3-4: ماتریس هزینه­ی چندرده­ای………………………………………………………………………….40

شکل4-1: توزیع داده­ها براساس نوع بیماری تنفسی…………………………………………………………52

شکل4-2: توزیع داده­ها براساس سن…………………………………………………………………………….52

شکل4-3: نمونه­برداری طبقه­بندی شده…………………………………………………………………………68

شکل5-1: مقایسه­ی الگوریتم­های پایه (حاصل اعمال مدل روی مجموعه­ی آزمون)………………71

شکل5-2: مقایسه­ی کارایی الگوریتم­ها در تشخیص رده­های مختلف…………………………………72

شکل5-3: مقایسه­ی الگوریتم­های پایه (حاصل اعمال مدل روی مجموعه­ی آموزش)…………….73

شکل5-4: مقایسه­ی نتایج حاصل از روش­های یادگیری در داده­های نامتوازن روی مجموعه­ی آزمون…………………………………………………………………………………………………………………….75

شکل5-5: مقایسه­ی حساسیت روش­های یادگیری در داده­های نامتوازن روی مجموعه­ی آزمون به تفکیک رده­ها……………………………………………………………………………………………………….76

شکل5-6: مقایسه­ی دقت روش­های یادگیری در داده­های نامتوازن روی مجموعه­ی آزمون به تفکیک رده­ها…………………………………………………………………………………………………………76

شکل5-7: مقایسه­ی معیارF روش­های یادگیری در داده­های نامتوازن روی مجموعه­ی آزمون به تفکیک رده­ها………………………………………………………………………………………………………….78

 

2-1. مقدمه

در این تحقیق، داده­های مربوط به بیماری­های تنفسی با استفاده از روش­های داده ­کاوی مورد بررسی قرار گرفته­اند. به همین جهت در این بخش پس از مرور مختصری بر روش­ها و مراحل داده ­کاوی، به معرفی بیماری تنفسی و انواع آن و سرانجام الگوریتم­های داده ­کاوی مورد استفاده در این تحقیق و همچنین پیشینه­ی تحقیقات انجام شده در بیماری­های تنفسی پرداخته­ایم.

 

2-2. داده ­کاوی

تکنولوژی مدیریت پایگاه ­داده­های پیشرفته انواع مختلفی از داده­ها را می­تواند در خود جای دهد، در نتیجه تکنیک­های آماری و ابزار مدیریت سنتی برای آنالیز این داده­ها کافی نیست و استخراج دانش[1] از این مقدار حجیم یک چالش بزرگ تلقی می­شود. داده ­کاوی کوششی برای به­دست آوردن اطلاعات مفید از میان این داده­هاست و رشد بی­رویه­ی داده­ها در سطح جهان اهمیت داده ­کاوی را دو­ چندان کرده است.

پایگاه ­داده­های پزشکی، شامل انبوهی از اطلاعات بیماران و وضعیت پزشکی آنهاست. ارتباطات و الگوهای نهفته در این داده­ها می­تواند دانش جدیدی در حوزه علوم پزشکی تولید کند. به­طوری­که امروزه استخراج دانش مفید و فراهم کردن ابزارهای تصمیم­گیری برای تشخیص و معالجه­ی بیماری­ها، به یک موضوع ضروری تبدیل شده است.

 

2-2-1. مفهوم داده ­کاوی

در یک تعریف غیر رسمی داده ­کاوی فرآیندی است، خودکار برای استخراج الگوهایی که دانش را بازنمایی می­کنند، که این دانش به صورت ضمنی در پایگاه داده­های عظیم، انبارداده[2]و دیگر مخازن بزرگ اطلاعات، ذخیره شده است. داده ­کاوی به­طور همزمان از چندین رشته علمی بهره می­برد نظیر: تکنولوژی پایگاه داده، هوش مصنوعی، یادگیری ماشین، شبکه­های عصبی، آمار، شناسایی الگو، سیستم­های مبتنی بردانش[3]، حصول دانش[4]، بازیابی اطلاعات[5]، محاسبات سرعت بالا[6] و بازنمایی بصری داده[7] .

 

2-2-2. مراحل داده ­کاوی

داده ­کاوی اغلب به­عنوان بخشی از فرآیند «کشف دانش از پایگاه­داده»، تلقی می­شود. کشف دانش از پایگاه داده، فرآیندی است که داده­های خام را به دانش مفید تبدیل می­کند که علاوه بر داده ­کاوی، شامل دو مرحله­ی پیش­پردازش و پس­پردازش نیز می­باشد.

 

2-2-3. پیش­پردازش

هدف پیش­پردازش، تبدیل داده­های خام به قالبی است که برای تحلیل­های بعدی مناسب باشد. همچنین این مرحله به شناسایی ویژگی­ها و قطعات مختلف داده، کمک می­کند. از آنجائی­که داده­ها ممکن است با قالب­های مختلف و در پایگاه داده­های متفاوتی ذخیره شده باشند، اغلب زمان زیادی برای پیش­پردازش داده لازم است[5].

پیش­پردازش داده، یک محدوده­ی وسیع شامل استراتژی­ها و تکنیک­های مختلفی است که به­صورت بسیار پیچیده­ای با یک­دیگر در رابطه­اند و این ارتباطات پیچیده، معرفی رهیافت­ها و ایده­های اصلی پیش­پردازش را به­صورت منظم و ساخت­یافته بسیار مشکل می­کند.

وظایف پیش­پردازش عبارتند از: پاک­سازی داده­ها[8]، یکپارچه­سازی داده­ها[9]، تبدیل داده[10]، کاهش داده[11]، تصویر کردن و کاهش بعد[2].

 

 

2-2-3-1. پاک­سازی داده

خطاهای عملیاتی اغلب باعث می­شوند که داده­های به­دست آمده از منابع دنیای واقعی، پرغلط، ناقص و ناسازگار باشند. ابتدا لازم است، چنین داده­های بی­کیفیتی، تمیز شوند. وظایف اصلی پاک­سازی داده­ها عبارتند از:

  • پرکردن ویژگی­هایی با مقدار گمشده[12] : رویکردهای مختلفی در برخورد با مقادیر گمشده وجود دارد که عبارتند از: حذف رکورد، پرکردن به­صورت دستی، جایگزینی با یک مقدار ثابت سراسری، جایگزینی با مقدار میانگین، جایگزینی با مقادیری با احتمال بالاتر (با استفاده از رابطه­های بیزی، درخت تصمیم­گیری یا پسانمایی[13] ).
  • شناخت داده­های پرت[14] و هموار کردن داده­های نویزدار[15].
  • اصلاح داده­های ناسازگار.
  • رفع مشکل افزونگی که بر اثر یکپارچه­سازی داده­ها ایجاد شده است.

 

2-2-3-2. یکپارچه­سازی داده

داده ­کاوی اغلب به یکپارچه­سازی داده (ادغام داده­ها از چندین منبع داده) نیاز دارد. همچنین ممکن است لازم باشد که داده­ها به شکل مناسب داده ­کاوی تبدیل شوند. در این مرحله، داده­های چندین منبع را در یک  مخزن منسجم ترکیب می­کنیم.

 

2-2-3-3. تبدیل داده

در این مرحله، داده­ها به شکل مناسب برای داده ­کاوی تبدیل می­شوند. این مرحله، شامل بخش­های زیر می­باشد:

  • هموارسازی: این بخش از تبدیل داده، با حذف نویز سروکار دارد.
  • تجمیع: شامل عملیات تلخیص و تجمیع روی داده­هاست. مثل تبدیل فروش روزانه به فروش هفتگی یا ماهانه.
  • تعمیم: جایگزینی داده­ی سطح پائین با مفاهیم سطح بالاتر. مثل تبدیل متغیر پیوسته­ی سن به یک مفهوم سطح بالاتر مثل جوان، میانسال یا مسن.
  • ایجاد ویژگی[16] : گاهی برای کمک به فرآیند داده ­کاوی لازم است که ویژگی جدیدی از روی ویژگی­های موجود ساخته شود.
  • نرمال­سازی: نرمال­سازی شامل تغییر مقیاس داده­ها به گونه­ایست که آن­ها را به یک دامنه­ی کوچک و معین مثل ] 1،1-[ نگاشت کند. مهمترین روش­های نرمال­سازی عبارتند از: Min-Max،  Z-Score و نرمال­سازی با استفاده از مقیاس­بندی اعشاری[17].

 

2-2-3-4. کاهش داده

روش­های کاهش داده، می­تواند برای به­دست آوردن یک بازنمایی کوچک­تر و کاهش­یافته از داده، که بسیار کم­حجم­تر از داده­های اصلی بوده و البته یکپارچگی داده­های اصلی را حفظ می­کند، به­کار می­رود. استراتژی­های کاهش داده، عبارتند از: تجمیع مکعبی داده[18]، انتخاب زیرمجموعه­ای از ویژگی­ها[19]، کاهش تعداد نقاط، گسسته­سازی و تولید سلسله مراتب مفهومی.

1 Knowledge Discovery

[2] Data Warehouse

[3] Knowledge-based System

[4] Knowledge-acquisition

[5] Information  Retrieval

[6] High-performance Computing

[7] Data Visualization

6 Data Cleaning

7 Data Integration

8 Data Transformation

9 Data Reduction

1 Missing Value

2 Regression

3 Outlier

4 Noise

1 Feature Creation

2 Normalization by decimal  scaling

3 Data cube aggregation

4 Attribute subset selection

***ممکن است هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل و با فرمت ورد موجود است***

متن کامل را می توانید دانلود نمائید

چون فقط تکه هایی از متن پایان نامه در این صفحه درج شده (به طور نمونه)

ولی در فایل دانلودی متن کامل پایان نامه

 با فرمت ورد word که قابل ویرایش و کپی کردن می باشند

موجود است

تعداد صفحه : 112

قیمت : 14000 تومان

 

 

بلافاصله پس از پرداخت ، لینک دانلود به شما نشان داده می شود

و به ایمیل شما ارسال می شود.

پشتیبانی سایت :        09199970560        info@arshadha.ir

در صورتی که مشکلی با پرداخت آنلاین دارید می توانید مبلغ مورد نظر برای هر فایل را کارت به کارت کرده و فایل درخواستی و اطلاعات واریز را به ایمیل ما ارسال کنید تا فایل را از طریق ایمیل دریافت کنید.

شماره کارت :  6037997263131360 بانک ملی به نام محمد علی رودسرابی

11

مطالب مشابه را هم ببینید

فایل مورد نظر خودتان را پیدا نکردید ؟ نگران نباشید . این صفحه را نبندید ! سایت ما حاوی حجم عظیمی از پایان نامه های دانشگاهی است. مطالب مشابه را هم ببینید. برای یافتن فایل مورد نظر کافیست از قسمت جستجو استفاده کنید. یا از منوی بالای سایت رشته مورد نظر خود را انتخاب کنید و همه فایل های رشته خودتان را ببینید