تحقیق چگونگی به کارگیری فلز های مختلف از زمان کشف تاکنون

اختصاصی از ژیکو تحقیق چگونگی به کارگیری فلز های مختلف از زمان کشف تاکنون دانلود با لینک مستقیم و پر سرعت .

LEARN OLLYICE DEBUGGER:آموزش نرم افزاری برای کشف و رفع خطا در برنامه نویسی نرم افزار

اختصاصی از ژیکو LEARN OLLYICE DEBUGGER:آموزش نرم افزاری برای کشف و رفع خطا در برنامه نویسی نرم افزار دانلود با لینک مستقیم و پر سرعت .

در هر زبان برنامه نویسی برای کشف و رفع خطاها و باگهای برنامه های نوشته شده از دیباگرها بهره میگیریم.

به طور کلی دیباگرها به دو دسته Ring0یا سیستمی , Ring3یا کاربری تقسیم میشود.

دیباگرهای سیستمی برای آنالیز کدهای سیستمی و درایو های سخت افزاری مورد استفاده اقرار میگیرند که از این نمونه به نرم افزار softiceمیتوان اشاره کرد.

در این مقاله سطح بالا در مورد OLLY DBGکه یک دیباگر با مد کاربردی هست توضیح داده شده و در واقع این سری از دیباگرهای پر کاربرد  توسط گروههای طراحی نرم افزار،برای تست روند اجرایی برنامه و کشف خطاها و باگهای نرم افزارها مورد استفاده قرار میگیرد.

این آموزش مناسب برای کسانی هست که علاقه مند به تست امنیت و دیباگ نرم افزارها میباشند.

این آموزش کاربردی و کاملا حرفه ای علاوه برآماده کردن شما برای بازار کار به صورتی مستقل میتواند موضوع پروژه های دانشگاهی شما باشد .

در ضمن برای انجام تست های امنیتی ابزارهای آموزش نیز ضمیمه شده اند...

تحقیق در مورد داستان کشف آسپرین

اختصاصی از ژیکو تحقیق در مورد داستان کشف آسپرین دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین مطلب*

فرمت فایل:Word (قابل ویرایش و آماده پرینت)

تعداد صفحه23

داستان کشف آسپرین

Felix Hoffmann

سازنده اولین قرص آسپرین

فردریک بایر (Fredrich Bayer) در سال 1825 بدنیا آمد. پدر او یک نساج و رنگرز پارچه بود و طبق عادت آن زمان وی در ابتدا شغل و حرفه پدر را برای کار انتخاب کرد و پس از مدتی فعالیت با پدر، در سال 1848 تشکیلاتی مشابه برای خود راه اندازی کرد و در آن حرفه بسیار هم موفق شد.

تا قبل از 1856 برای رنگرزی از مواد رنگی طبیعی استفاده می شد اما با کشف و صنعتی شدن ساخت رنگهای حاصل از مواد نفتی، بایر که پتانسیل موجود در این کشف را بخوبی احساس کرده بود با کمک شخصی بنام فردریک وسکوت (Friedrich Weskott) کمپانی Bayer را راه اندازی کرد.

بایر در ماه می سال 1880 در گذشت و تا آن زمان کمپانی هنوز در فعالیت رنگرزی مشغول بود، اما شرکت تصمیم گرفت با استخدام تعدادی شیمیدان نوآوری هایی در این صنعت بوجود آورد و این اتفاق هم افتاد اما نه در صنعت رنگرزی.

هنگامی که فلیکس هوفمن (Felix Hoffmann) در حال انجام آزمایش با یکسری از ضایعات رنگی بود تا شاید بتواند دارویی برای درمان درد ناشی از بیماری پدرش بدست آورد توانست به پودری دسترسی پیدا کند که امروزه شما آنرا به نام آسپرین می شناسید.

هوفمن آسپرین را کشف نکرد

تعجب نکنید! هوفمن آسپرین را دوباره کشف کرد. آسپرین چهل سال قبل توسط یک شیمیدان فرانسوی کشف شده بود، این شیمیدان بخوبی می دانست که پودر اسید استیل-سالی-سیلیک (acetylsalicylic acid) دارای خاصیت شفا بخشی بسیار می باشد. در واقع بیش از 3500 سال بود که بشر این پودر را می شناخت چرا که در سال 1800 یک باستان شناس آلمانی که در مصر تحقیق می کرد، با ترجمه یکی از پاپیروس های مصری متوجه شد که بیش از 877 نوع  

دانلودمقاله نگاهی بر داده کاوی و کشف قوانین وابستگی

اختصاصی از ژیکو دانلودمقاله نگاهی بر داده کاوی و کشف قوانین وابستگی دانلود با لینک مستقیم و پر سرعت .

وابستگی

چکیده:
با افزایش سیستمهای کامپیوتر و گسترش تکنولوژی اطلاعات , بحث اصلی در علم کامپیوتر از چگونگی جمع آوری اطلاعات به نحوه استفاده از اطلاعات منتقل شده است . سیستمهای داده کاوی ,این امکان را به کاربر می دهند که بتواند انبوه داده های جمع آوری شده را تفسیر کنند و دانش نهفته در آن را استخراج نمایند .
داده کاوی به هر نوع کشف دانش و یا الگوی پنهان در پایگاه داده ها اطلاق می شود . امروزه داده کاوی به عنوان یکی از مهمترین مسائل هوش مصنوعی و پایگاه داده ، محققان بسیاری را به خود جذب کرده است . در این تحقیق ابتدا نگاه کلی بر داده کاوی ، استراتژیهای داده کاوی و... داریم ، سپس مسأله کشف قوانین وابستگی در پایگاه داده را به تفضیل بررسی کردیم و نگاهی به الگوریتمهای موجود برای آن داشتیم . سپس مسأله کشف قوانین وابستگی در پایگاه داده های پویا را مورد بحث قرار دادیم و الگوریتم های ارائه شده مربوطه را مطرح کردیم .

مقدمه :
هدف از این اراِئه و تحقیق بررسی روشهای مطرح داده کاوی است .داده کاوی هر نوع استخراج دانش و یا الگواز داده های موجود در پایگاه داده است که این دانشها و الگوها ضمنی و مستتر در داده ها هستند ,از داده کاوی می توان جهت امور رده بندی (Classification ) و تخمین (Estimation) ,پیش بینی (Prediction) و خوشه بندی (Clustering)استفاده کرد .داده کاوی دارای محاسن فراوانی است . از مهمترین آن محاسن کشف کردن دانش نهفته در سیستم است که به شناخت بهتر سیستم کمک می کند .به عنوان مثال می توان به استفاده ترکیبی از روش خوشه بندی جهت تخصیص بودجه به دسته های مختلف از کتب اشاره کرد .
سیستمهای داده کاوی تقریبا از اوایل دهه 1990 مورد توجه قرار گرفتند . علت این امر نیز آن بود که تا آن زمان سازمانها بیشتر در پی ایجاد سیستمهای عملیاتی کامپیوتری بودند که به وسیله آنها بتوانند داده های موجود در سازمان خود را سازماندهی کنند . پس از ایجاد این سیستمها ,روزانه حجم زیادی از اطلاعات جمع آوری میشد که تفسیر کردن آنها از عهده انسان خارج بود . به همین دلیل , نیاز به تکنیکی بود که از میان انبوه داده معنی استخراج کند و داده کاوی به همین منظور ایجاد و رشد یافت .
بنابر این هدف اصلی از داده کاوی ,کشف دانش نهفته در محیط مورد بررسی است که این دانش می تواند شکلهای گوناگونی داسته باشد . دانش استخراج شده می تواند به فرم الگوهای موجود در داده ها باشد که کشف این الگوها منجر به شناخت بهتر سیستم نیز می شود . الگوهای استخراجی عموما بیانگر روابط بین ویژگیهای سیستم هستند بعنوان مثال در سیستم تجاری یک الگو می تواند بیانگر رابطه بین نوع کالا و میزان تقاضای آن باشد .
در این تحقیق داده کاوی مورد بحث قرار می گیرد . علل استفاده از داده کاوی و منابعی که داده کاوی بر روی آنها اعمال می شود ,علاوه بر این خلاصه ای از روشهای رایج داده کاوی ارائه شده است . تکنیکهای داده کاوی و قوانین وابستگی و الگوریتمهای موجود (Apriori , Aprior TID, Partition, Eclat ,Max Eclat , Vector ) و الگوریتم با ساختار Trie وfp grow و الگوریتمهای کاهشی مورد بررسی قرار می گیرند و در هر مورد مثالها , موارد کاربرد ,تکنیکها و نقاط قوت و ضعف مورد بررسی قرار گرفته اند .

Data mining(داده کاوی)
تعریف :
Data Mining represents a process developed to examine large amounts of
data routinely collected. The term also refers to a collection of tools used to
perform the process. Data mining is used in most areas where data are
collected-marketing, health, communications, etc.

داده کاوی فرآیند بکارگیری یک یا چند تکنیک آموزش کامپیوتر، برای تحلیل و استخراج داده های یک پایگاه داده می باشد.در واقع هدف داده کاوی یافتن الگوهایی در داده هاست.
دانش کسب شده از فرآیند داده کاوی بصورت مدل یا تعمیمی از داده ها نشان داده می شود.
چندین روش داده کاوی وجود دارد با این وجود همه روشها “ آموزش بر مبنای استنتاج “ را بکار می برند.
آموزش بر مبنای استنتاج، فرآیند شکل گیری تعاریف مفهوم عمومی از طریق مشاهده مثالهای خاص از مفاهیمی که آموزش داده شده اند، است.
مثال زیر نمونه ای از دانش بدست امده از طریق فرایند اموزش بر مبنای استنتاج است:
آیا تا کنون فکر کرده اید، فروشگاههای بزرگ اینترنتی در mail های خود به مشتریان از چه تبلیغاتی استفاده می کنند؟ و آیا این تبلیغات برای همه مشتریان یکسان است؟
پاسخ این است که از روی دانش کسب شده از اطلاعات خرید افراد و نتیجه گیری از این دانش، این کار را انجام می دهند.مثلا در نظر بگیرید یک قانون در پایگاه داده بصورت زیر استخراج می شود:
دقت = 80% : سیگار می خرند ^ نان می خرند کسانی که شیر می خرند
از روی این قانون فروشگاه می تواند به تمام کسانی که شیر می خرند تبلیغات سیگار و انواع نان را نیز بفرستد.همچنین این قانون در چیدن قفسه های فروشگاه نیز بی تاثیر نخواهد بود.
{شیر و نان و سیگار در قفسه های کنار هم چیده شوند}

کشف دانش در پایگاه داده 1

KDD یا کشف دانش در پایگاه داده اصطلاحی است که مکررا بجای داده کاوی بکار می رود. از نظر تکنیکی، KDD کاربردی از روشهای علمی داده کاوی است.
بعلاوه برای انجام داده کاوی فرایند KDD شامل :
1- یک روش برای تهیه داده ها و استخراج داده ها ،
2- تصمیم گیری درباره عملی که پس از داده کاوی باید انجام شود ، می باشد.

آیا داده کاوی برای حل مسائل ما مناسب است؟
تصمیم گیری در مورد اینکه آیا داده کاوی را به عنوان استراتژی حل مساله بکار ببریم یا نه، یک مساله دشوار است.
اما به عنوان نقطه شروع چهار سؤال عمومی را باید در نظر بگیریم :
1. آیا به وضوح می توانیم مساله را تعریف کنیم ؟
2. آیا بطور بالقوه داده با معنی وجود دارد ؟
3. آیا داده ها شامل “ دانش پنهان” هستند یا فقط برای هدف گزارشگری مناسبند ؟
4. آیا هزینه پردازش داده (برای داده کاوی) کمتر از سود حاصل از دانش پنهان بدست آمده از پروژه داده کاوی است ؟
یک مدل پردازش داده کاوی ساده :
در یک دید کلی ، ما می توانیم داده کاوی را به عنوان یک فرآیند چهار مرحله ای تعریف کنیم :
1. جمع آوری یک مجموعه از داده ها برای تحلیل
2. ارائه این داده ها به برنامه نرم افزاری داده کاوی
3. تفسیر نتایج
4. بکارگیری نتایج برای مساله یا موقعیتهای جدید

شکل فوق یک دیاگرام از فرآیند داده کاوی را نشان می دهد.

- جمع آوری داده ها :
فرآیند داده کاوی احتیاج به دسترسی به داده ها دارد. داده ممکن است در تعدادی رکورد، در چندین فایل پایگاه داده ذخیره شود و یا ممکن است داده فقط شامل چند صد رکورد در یک فایل ساده باشد.
با توجه به اینکه معمولا داده های واقعی شامل چندین هزار رکورد می باشند، اولین گام در داده کاوی تهیه زیر مجموعه مناسبی از داده برای پردازش است. گاهی این مرحله احتیاج به تلاش انسانهای بسیاری دارد. در کل سه راه متداول برای دستیابی فرآیند داده کاوی به داده وجود دارد :
1. ذخیره داده در “ انبار داده 1 ”
2. ذخیره داده در پایگاه داده رابطه ای
3. ذخیره داده در فایل ساده

- داده کاوی :
همانطور که در شکل مشخص است مرحله بعد داده کاوی است. با این حال قبل از ارائه داده به ابزار داده کاوی ، چندین انتخاب داریم:
1. یادگیری باید تحت کنترل باشد یا بدون کنترل ؟
2. کدام نمونه ها در داده ها ی جمع آوری شده برای ساخت مدل بکار میروند و کدامها برای تست مدل ؟
3. کدام صفتها از صفتهای موجود انتخاب می شوند ؟
و ....

- تفسیر نتایج :
در این مرحله خروجیهای مرحله داده کاوی آزمایش می شوند تا مشخص شود که آیا این نتایج قابل استفاده و جالب هستند یا نه؟ همانطور که در شکل می بینیم اگر نتایج بهینه نباشد می توانیم فرآیند داده کاوی را با صفات و نمونه های جدید تکرار کنیم. همچنین ما می توانیم به” انبار داده “ مراجعه کنیم و فرآیند استخراج دانش را تکرار کنیم.

ـ بکارگیری نتایج :
هدف نهایی ما بکارگیری نتایج برای موقعیتهای جدید است. به عنوان مثال دانشی که در یک پایگاه داده فروشگاه بیان می کند کسانی که مجله ورزشی می خرند همچنین سیگار هم می خرند؛ در شکل گیری استراتژیهای فروشگاه در چیدن قفسه ها ، تهیه کاتالوگ ها و ... تاثیر می گذارد.

استراتژیهای داده کاوی :
همانطور که در شکل زیر می بینیم استراتژیهای داده کاوی بطور کلی می توانند به دو دسته “ تحت کنترل ” یا “ بدون کنترل ” تقسیم می شوند. آموزش تحت کنترل مدلهایی را با بکارگیری صفات ورودی برای تشخیص مقدار صفت خروجی می سازد. حتی برخی از الگوریتمهای ” آموزش تحت کنترل” امکان تشخیص چندین صفت خروجی را به ما می دهند. به صفات خروجی ، صفات وابسته نیز
می گوییم. زیرا مقدار آنها به مقدار یک یا چند صفت ورودی بستگی دارد. به همین ترتیب به صفات ورودی، صفات مستقل نیز می گوییم.
هنگامی که “ آموزش بدون کنترل ” را بکار می بریم تمامی صفات ورودی هستند و صفت خروجی نداریم.
آموزش تحت کنترل با توجه به اینکه صفات خروجی مقوله ای هستند یا عددی و آیا مدلهای ایجاد شده برای مشخص کردن موقعیت کنونی ایجاد شدند یا پیش بینی خروجیهای آینده ، به چندین قسمت تقسیم می شوند. (منظور از صفات مقوله ای ، صفاتی هستند که مقدار آنها تعداد محدود و مشخصی است، مثل صفاتی که مقدار آنها Boolean است که دو مقدار {true, false} دارد).

طبقه بندی1 :
طبقه بندی احتمالا از همه استراتژیهای داده کاوی قابل درک تر است. طبقه بندی سه خصوصیت دارد :
1. آموزش تحت کنترل است.
2. متغیر وابسته ، مقوله ای است.
3. تاکید بر روی ساخت مدلهایی است که قادر به اختصاص نمونه های جدید به یکی از کلاسهای تعریف شده باشند.

تخمین2 :
مشابه طبقه بندی ، هدف یک مدل تخمین نیز مشخص کردن مقدار برای یک صفت خروجی است؛ اما بر خلاف طبقه بندی صفات خروجی برای مساله تخمین، عددی است بجای مقوله ای .
بعنوان یک مثال برای تخمین ، پایگاه داده ای را در نظر بگیرید که هر رکورد آن اطلاعاتی را راجع به شخصی دارد مثل : محل زندگی، غذای روزانه در اغلب روزها، نوع ماشین شخصی ، درآمد ماهانه و ....
هدف الگوریتم تخمین در این مثال ایجاد مدلی برای تشخیص درآمد ماهانه نمونه های جدید (رکوردهای جدید) می باشد.{که بقیه صفات آنها بجز درآمد ماهانه مشخص است}.
بیشترتکنیکهای تحت کنترل قادرند که یا مسائل طبقه بندی را حل کنند یا تخمین ، اما نه هردورا.

پیش گویی Perdiction :
تشخیص تفاوت بین پیش گویی و طبقه بند ی یا تخمین کار ساده ای نیست. با این حال هدف یک مدل پیش گویی ، برخلاف طبقه بندی یا تخمین، بجای مشخص کردن رفتار کنونی، مشخص کردن خروجیهای آینده است. بیشتر روشهای داده کاوی که برای طبقه بندی یا تخمین مناسبند، برای ساخت مدلهای پیش گویی نیز بکار میروند. عملا این طبیعت داده است که مشخص می کند یک مدل برای تخمین مناست است یا طبقه بندی ویا پیش گویی.

:Unsupervised Clustering دسته بندی بدون کنترل
در دسته بندی بدون کنترل، ما دیگر صفات خروجی نداریم که ما را در فرآیند یادگیری راهنمایی کند، در عوض برنامه مربوطه ساختارهای دانش را با بکارگیری معیارهای “ کیفیت دسته” برای گروه بندی داده ها به دو یا چند کلاس (دسته)، بدست می آورد. .
یک هدف اساسی دسته بندی بدون کنترل، کشف ساختارهای مفهومی در داده است.
کاربردهای متداول دسته بندی بدون نظارت عبارتند از :
- مشخص می کند که آیا ارتباطات با معنی در شکل مفاهیم می تواند در داده ما پیدا شود یا نه ؟
- کارآیی روش آموزش تحت کنترل را مشخص می کند.
- بهترین صفات ورودی برای آموزش تحت کنترل را مشخص می کند.
- شناسایی از حد خارج شده ها (outlier)

تحلیل سبد بازاری Market Basket Analyse :
هدف این مرحله پیدا کردن ارتباطات جالب میان محصولات (خرده فروشی) است. خروجی این مرحله به فروشندگان کمک می کند تا بهتر بتوانند قفسه ها را بچینند یا کاتالوگها را تنظیم کنندو نیز در ایجاد استراتژیهای فروشگاه نیز کارا است. مثالی از دانش این مرحله به فرم زیر است (در یک فروشگاه)
سیگار می خرند کسانی که قهوه می خرند

:Supervised Data Mining تکنیکهای داده کاوی تحت کنترل
تکنیکهای داده کاوی برای بکارگیری استراتژی داده کاوی برای یک مجموعه داده بکار می رود. یک تکنیک داده کاوی از دو قسمت تشکیل شده است:
1. الگوریتم.
2. ساختار دانش مربوطه مثل درخت یا یک مجموعه قوانین درخت تصمیم که در قسمتهای قبلی توضیح دادیم.
در اینجا چندین روش دیگر برای داده کاوی نظارت شده ارائه می دهیم :

1. شبکه عصبی :
یک شبکه عصبی مجموعه ای از نودهای به هم پیوسته است که طراحی می شوند تا رفتار مغز انسان را شبیه سازی کنند.
چون مغز انسان از بیلیونها عصب تشکیل شده و شبکه های عصبی کمتر از صد نود دارند مقایسه یک شبکه عصبی و رفتار مغز کمی غیر متعارف است. با این وجود شبکه های عصبی با موفقیت ، برای حل مسائل بکار برده می شوندو برای داده کاوی نیز کاملا ابزار مناسبی است .
شبکه های عصبی در شکلها و فرمهای گوناگونی وجود دارند و هم برای آموزش تحت کنترل و هم دسته بندی بدون کنترل بکار می روند. درهمه موارد ، مقادیر ورودی برای شبکه عصبی باید عددی باشند. شبکه feed-forward یک نوع شبکه عصبی مناسب برای مسائل آموزش تحت کنترل می باشد.

2. برگشت آماری1 :
برگشت آماری یکی از روشهای آموزش تحت کنترل است که یک مجموعه از داده های عددی را توسط ایجاد معادلات ریاضی مرتبط با یک یا چند صفت ورودی به یک صفت خروجی عددی نسبت
می دهد.
یک مدل “ برگشت خطی ” توسط یک صفت خروجی که مقدارش بوسیله :
“ جمع مقادیر صفت های ورودی × یک وزن مشخص “ مشخص می شود.
مثلا اگر یک پایگاه داده شامل صفات ورودی A , B, C , D و صفت خروجی E باشد، رابطه زیر
می تواند یک مدل برگشت خطی باشد :
E = 0.5 C – 0.2 B + A + 0.32
میبینیم که E صفت خروجی است که مقدارش توسط ترکیب خطی صفات A , B , C تعیین می گردد.
همانند شبکه عصبی ، در این روش نیز همه ورودیها باید عددی باشند و در صورتیکه داده ها در پایگاه داده مقوله ای باشند باید آنها را به داده های عددی تبدیل کنیم.

3. قوانین وابستگی2 :
به تفصیل در بخشهای بعد مورد بحث قرار می گیرد.
قوانین پیوستگی:
یکی از مهمترین بخشهای داده کاوی، کشف قوانین وابستگی در پایگاه داده است.این قوانین، لزوم وقوع برخی صفات(آیتم ها) را در صورت وقوع برخی دیگر از آیتمها، تضمین می کند.
برای روشن شدن مطلب یک فروشگاه خرده فروشی را در نظر بگیرید. مشخصات اجناس خریده شده توسط هر مشتری در یک رکورد پایگاه داده ذخیره می شود.به هر رکورد یک شناسه (TID) نسبت داده می شود.فرض کنید که مجموعه I شامل تمام آیتمها(اجناس) فروشگاه باشد. اگر  I x,y و x∩y=ø آنگاه x=>y یک قانون وابستگی است که بیان میکند اگریک مشتری اجناس مجموعه x را بخرد، اجناس مجموعه y را هم می خرد. این چنین قوانین، تأثیر مهمی در تایین استراتژیهای فروش، بخش بندی مشتریان، تنظیم کاتالوگها و... دارد. همچنین کشف قوانین وابستگی، کاربردهای بسیاری در علوم مختلف نیز دارد.
تعریف مسأله:
مجموعه آیتم: به هر زیر مجموعه از مجموعه آیتمها I)) ' یک مجموعه آیتم ' میگوییم.
در بیشتر الگوریتمها مساله کشف قوانین پیوستگی به دو زیر مساله تقسیم می شود:
1.پیدا کردن تمامی زیر مجموعه های مجموعه I [مجموعه آیتمها] که تکرار (وقوع) آنها در پایگاه بیشتر از یک حد تایین شده است.
به مجموعه آیتمهایی که تعداد وقوع آنها در پایگاه بزرگتر(یا مساوی)حد تایین شده است
' مجموعه آیتمهای بزرگ'، وبه بقیه' مجموعه آیتمهای کوچک' می گوییم.
2.بکارگیری مجموعه آیتمهای بزرگ برای تولید قوانین مطلوب.

فرمت این مقاله به صورت Word و با قابلیت ویرایش میباشد

تعداد صفحات این مقاله  22  صفحه

پس از پرداخت ، میتوانید مقاله را به صورت انلاین دانلود کنید

پایان نامه معارف و بینش اسلامی - سکولاریسم و کشف حجاب در ایران

اختصاصی از ژیکو پایان نامه معارف و بینش اسلامی - سکولاریسم و کشف حجاب در ایران دانلود با لینک مستقیم و پر سرعت .

فرمت:word(قابل ویرایش)

تعداد صفحات:213

فهرست مطالب:

• فصل اول : کلیات
• بررسی سوابق و ادبیات موضوع
• اهداف پژوهش
• اهمیت پژوهش
• تعریف متغیرها و مفاهیم وعملیاتی
• روش پژوهش
• سازماندهی پژوهش
• فصل دوم : دیدگاه های نظری
• تعریف نوسازی
• نوسازی روانشناختی
• نوسازی اجتماعی
• نوسازی سیاسی
• جامعه شناسان کلاسیک و اندیشه گذار
• کارل مارکس (1818-1883
• هربرت اسپنسر(1820-1903
• امیل دورکیم(1858-1917
• ماکس وبر (1864-1920)
• تالکوت پارسونز
• تیپ بندی جوامع از نظر پاسونز
• نیل اسملسر
• برینگتون مور
• جمع بندی
• فصل سوم : سیاست های ضد مذهبی رضاشاه در ایران
• کودکی رضاخان
• دیدگاههای مختلف در مورد زمینه وقوع کودتای 1299
• کودتای1299|1930
• آیرن ساید در خاطراتش اولین بار که رضاخان را دیده می نویسد
• گفتمان فکری غرب و ورود آن به ایران
• آخوند زاده (1812-1878م|1228-1295ق)
• نگرش آخوند زاده در مورد دین
• میرزا ملکم خان (1833-1909|1249-1326ق)
• عبدالرحیم طالبوف (1834-1911م|1250-1329ق
• طالبوف : دین و روحانیت
• جمع بندی
• رضاخان و مذهب
• سیاست ضد مذهبی رضاشاه
• مقابله با روحانیت
• مقابله با مذهب
• کشف حجاب
• قیام مسجد گوهرشاد
• طرح متحدالشکل البسه
• دانشکده معقول و منقول
• مؤسسه وعظ و خطابه
• طرح اداره اوقاف
• تخریب مدارس علمی و مساجد
• تغییر ماههای قمری به ماههای شمسی و...
• زندگی نامه مصطفی کمال آتاتورک
• نحوه به قدرت رسیدن آتاتورک
• مصطفی کمال و سلطنت
• مصطفی کمال و خلافت
• تخریب مساجد و اماکن مذهبی
• مقابله با دراویشان
• دگرگونی پوشاک
• دگرگونی حقوقی
• وجوه تشابه
• پیشینه نوسازی
• وجوه اختلاف
• تفاوت در شیوه عمل
• تفاوت در ساختار سیاسی دو کشور
• فصل پنجم : دین و سازمان روحانیت در ایران
• رهبری شیعیان در دوران غیبت
• سازمان مذهبی شیعه
• منابع مالی روحانیون شیعه
• تشکیلات حکومتی روحانیون
• اصولیون و اخباریون
• ویژگیهای مکتب اصول
• فصل ششم: دین و سازمان روحانیت در ترکیه
• مذهب رسمی
• ادیان ،مذاهب و طریقتهای موجود در ترکیه
• شیعیان
• طریقت ها و داراویش
• علویان
• بکتاشیه
• طریقت نقشبندیه
• طریقت نورجی ها
• سلیمانجی ها
• طریقت تیجانیه
• طریقت مولویه
• اقلیتهای غیر مسلمان
• مسیحیان
• نتیجه گیری بخش سوم
• تفاوتهای دین و سازمان روحانیت در ایران و ترکیه
• میزان همگرایی مذهبی
• میزان مبارزه جویی
• میزان استقلال سیاسی و مالی
• فصل هفتم : مقاومت در برابر سیاستهای نوسازی در ایران
• تأسیس جمهوری
• آیة الله نائینی
• آیةالله سید ابوالحسن اصفهانی
• آیةالله شیخ عبدالکریم حائری یزدی
• موضع آیةالله حائری در برابرمسایل سیاسی واجتماعی کشور
• آیةالله شیخ محمد تقی بافقی
• طرقت ها و دراویش
• فصل هشتم : مقاومت در برابر سیاست های آتاتورک
• مقاومت جدی صورت نگرفت
• شورش شیخ سعید
• نتیجه گیری بخش چهارم
• مقایسه مقاومت در ایران و ترکیه در برابر سیاست های ضد مذهبی
• توانای بسیج اجتماعی
• منابع مآخذ
• منابع انگلیسی
• منابع ترکی استانبولی

چکیده:
 

مصطفی کمال آتاتورک در اثراقدامات تدریجی و آشکار توانسته بود به عمر امپراطوری

 

عثمانی پایان دهد و کشور کوچک ترکیه را بنیان نهد ، برآن شد تا کشور ترکیه را در مسیر

 

نوسازی قرار دهد ؛ نوسازی که مصطفی کمال خواستار آن بود ، در واقع غربی سازی بود و

 

در این راستا می بایست تمام سنتها از بین می رفت . وی برای رسیدن به این هدف، مبارزه

 

گسترده با مذهب و نیروهایی مذهبی انجام داد و اسلام رسمی را بطور کامل از جامعه ترکیه

 

پاک کرد . در کنار اقدامات مصطفی کمال ؛ وابستگی روحانیون سنی به دولت و عدم استقلال

 

سیاسی و مالی این زمینه را برای مصطفی کمال فراهم آورد تا بتواند با ترکیب سیاست پنهان و

 

آشکار ترکیه را به یک کشور سکولار تبدیل کند .

 

از طرف دیگر در ایران نیز رضاشاه به زعم خود برآن شد تا جامعه ایران را همانند

 

ترکیه بسوی تمدن و نوسازی هدایت کند . در راستای چنین اقدامی طبیعی بود که از طرف

 

روحانیون که به عنوان ترویج دهندگان دین در جامعه محسوب می شدند ،در مقابل چنین اقدامی

 

مقاومت صورت گیرد ، استقلال سیاسی، اقتصادی به روحانیون این کمک را می کرد تا در مقابل

 

سیاستهای نوسازی رضاشاه که توأم با دین زدایی بود مقاومت کنند .

 

استقلال یکی از بزرگترین امتیازات روحانیت شیعه درمقایسه با روحانیت سنی است .چه

 

در دوره صفویه، چه در دوره هایی افشاریه و زندیه و قاجاریه و چه در دوره پهلوی، روحانیت

اگر چه متفاوت اندیشیدند ولی هیچ گاه زیر بار زور و دستور و ابلاغیه و فرمان شاهی

 

نرفت. نتنها این وضعیت و آرمان را حفظ کرد بلکه در شرایط مقتضی با قدرت ظالمانه مبارزه

 

کرد و برای ایجاد فضایی مساعد تر برای دینداری و دین مداری ، با حاکمان در افتاد و نهایتاً

 

کوشید تا نظامی اسلامی برمبنای دین و مردم تأسیس کند . از دوره های بسیار سخت و طاقت-

 

فرسا برای روحانیت ، دوره حکومت بیست ساله رضاخان بود . در این دوره روحانیت با

 

شدیدترین برخوردها وعمیق ترین موانع مواجه شد . رضاخان که سودای ترقی و پیشرفت ایران

 

به مانند کشورهای اروپایی را درسر داشت ، سعی می کرد مهمترین موانع را که به زعم او

 

مذهب و روحانیت بود ، از میان بردارد . او علاوه بر مقابله های خشن و زورمندانه با

 

روحانیت ، بر آن بود تا تمام نمادهای مذهبی را از جامعه حذف کند . رضاشاه برای از بین

 

بردن مذهب و نیروهایی مذهبی از تمام امکانات استفاده می کرد تا هرچه زودتر به زعم خویش

 

کشور را به دروازه های ترقی برساند .

 

در پژوهش حاضر با مطالعه اقدامات ضد دینی در ایران و ترکیه که نهایتاً جامعه را به

 

سوی سکولاریسم هدایت می کرد ، آشنا خواهیم شد . و همچنین در این پژوهش سیاست های

 

رضاشاه و آتاتورک را در مقابل مذهب و نیروهایی مذهبی بصورت مقایسه ای بررسی خواهیم

 

کرد .