انجام پایان نامه مهندسی صنایع گرایش سیستمهای سلامت

با گدشت زمان تحولات بسیاری در نظام سلامت ایجاد و موجب پیچیدگی و پویایی این نظام مهم در طول زمان شده است. از انجایی که نظام سلامت بخش اعظمی از هزینه های دولتی را شامل می شود، لذا احساس نیاز برای بهبود و بهینه سازی این سیستم کاملا محسوس و درخور توجه بوده و علاوه براین، وجود دیدگاهی سیستمی در این بررسی نقش مهمی را نیز ایفا می کند. هر چند حوزه سلامت از وجود پزشکانی با تجربه و کارامد، نیروی انسانی خبره برخوردار بوده و همچنین امکانات و تکنولوژیهای پیشرفته ای را نیز در اختیار دارد؛ با این حال، هنوز در این حوزه مسائل و مشکلات عدیده ای وجود داشته که نارضایتی هایی را بین بیماران نیز ایجاد کرده است. حتی در صورتی که تمامی افراد و بخشهای مختلف حوزه سلامت در راستای انجام درست مسئولیت خود کوشا باشند، به دلیل عدم به کارگیری یک دیدگاه سیستمی در این حوزه، هنوز مشکلات بسیاری به قوت خود باقی بوده و موجبات نارضایتی مشتریان این حوزه خواهند شد. 
گرایش سیستم های سلامت مهندسی صنایع سعی بر این دارد تا با شناسایی، بررسی و تحلیل سیستمهای موجود سلامت، راه حلهایی را ارئه کند تا با استفاده از ان، سیستم سلامت بتواند به صورت کاراتر عمل کرده و بهره وری سیستم خود را افزایش دهد.

رویکرد ها و ابزارهای انجام پایان نامه

داده کاوی یا Data Mining(داده‌کاوی با نرم‌افزارهای R، Matlab، SPSS modeler(clementine)، Rapidminer، Weka و روش های پیش پردازش و آماده سازی داده ها، جامع طبقه بندی یا Classification جامع خوشه بندی یا Clustering، جامع رگرسیون یا Regression، جامع کاهش ابعاد یا Dimensionality Reduction، تشخیص داده های پرت یا Outlier Detection، جامع کاوش قواعد وابستگی یا Association Rule Mining) و یادگیری ماشینی(شبکه های عصبی پرسپترون چند لایه یا MLP ، شبکه های عصبی شعاعی پایه یا RBF ، ماشین های بردار پشتیبان یا SVM ، یادگیری غیر نظارت شده و خوشه بندی با الگوریتم k-Means ، شبکه های عصبی رقابتی و نگاشت خود سازمان ده یا SOM، تحلیل مولفه اساسی یا PCA ، شبکه های عصبی هاپفیلد یا Hopfield Neural Network)
روش های آماری ( انواع همبستگی ها بخصوص همبستگی پیرسون و اسپیرمن، رگرسیون، تحلیل مسیر با نرم افزار SPSS و معادلات ساختاری با نرم افزارهای (AMOS – Lisrel – Mplus – smartPLS – EQS – SAS(proc CALIS) – STATA (SEM) –R(sem,lavaan, OpenMax), Ωnyx) و دیگر تحلیل‌های آماری پیشرفته با نرم‌افزار SPSS ، با نرم‌افزار SAS و JMP، طراحی پرسشنامه، بررسی روایی و پایایی پرسشنامه، محاسبه حجم نمونه با استفاده از روش‌های مختلف و نرم‌افزار NCSS&PASS )

انجام پایان نامه مهندسی صنایع گرایش مدیریت نوآوری و فنّاوری

دانشجویان این رشته به منظور انجام پایان نامه خود بهتر است رویکرد مطالعه موردی محور داشته باشند. به عبارت بهتر این رشته تمرکز خاصی به شباهت و تفاوت بین مدیریت سنتی و مدیریت نوآورانه با استفاده از فناوری های جدید اشاره می کند و طبیعتا بین سازمان های مختلف نگرش های مختلفی نسبت به ابزارهای فناوری دارند. 
رویکرد ها و ابزارهای انجام پایان نامه مهندسی صنایع مدیریت نوآوری و فنّاوری
بر خلاف دیگر گرایش های مهندسی صنایع در مورد ابزارهای مورد نیاز این رشته به منظور انجام پایان نامه نمی توان زیاد اظهار نظر کرد. اما به دلیل شباهت زیاد این رشته با مدیریت تکنولوژی و مدیریت کارآفرینی ما بیشتر از همه روش های آماری مانند روش های آماری ( انواع همبستگی ها بخصوص همبستگی پیرسون و اسپیرمن، رگرسیون، تحلیل مسیر با نرم افزار SPSS و معادلات ساختاری با نرم افزارهای (AMOS – Lisrel – Mplus – smartPLS – EQS – SAS(proc CALIS) – STATA (SEM) –R(sem,lavaan, OpenMax), Ωnyx) و دیگر تحلیل‌های آماری پیشرفته با نرم‌افزار SPSS ، با نرم‌افزار SAS و JMP، طراحی پرسشنامه، بررسی روایی و پایایی پرسشنامه، محاسبه حجم نمونه با استفاده از روش‌های مختلف و نرم‌افزار NCSS&PASS )را توصیه می کنیم.

دروس اجباری مهندسی صنایع گرایش مدیریت نوآوری و فنّاوری در این رشته عبارتند از :

• مبانی مدیریت فناوری
• مدیریت نوآوری و خلاقیت
• توسعه محصولات و فرایندهای جدید
• استراتژی تولید و خدمات

انجام پایان نامه مهندسی صنایع گرایش بهینه سازی سیستمها

دانشجویان رشته مهندسی صنایع گرایش بهینه سازی سیستم ها می توانند موضوع خود را به منظور انجام پایان نامه در ارائه مدل های بهینه در سازمان ها و کارخانه ها به منظور بهینه سازی مسائل مختلف از قبیل نیروی انسانی، مواد و ماشین آلات ارائه کنند. آنها سعی می کنند ارتباط منطقی بین اجزاء انواع سیستمهای تولیدی و غیر تولیدی را جستجو کرده و بازدهی آنها را افزایش دهند.

رویکرد ها و ابزارهای بسیار پرکاربرد انجام پایان نامه مهندسی صنایع بهینه سازی سیستمها

دانشجویان در این رشته باید تسلط کافی به یک مدلسازی روباست و همچنین آشنایی کافی به منظور کد نویسی با نرم افزارهای Gams، Matlab و Lingo و همچنین در موارد بسیار آشنایی با الگوریتم های الگوریتم ژنتیک، ازدحام ذرات، مورچگان، رقابت استعماری، کرم شب‌تاب، تبرید، جستجوی ممنوع، شبیه‌سازی تبرید، فرهنگی، جستجوی هارمونی، کلونی زنبور مصنوعی، زنبورها، تکامل تفاضلی، بهینه‌سازی علف هرز مهاجم، بهینه‌سازی مبتنی بر جغرافیای زیستی، بهینه‌سازی مبتنی بر و یادگیری، بهینه‌سازی جهش قورباغه و بهینه‌سازی چندهدفه و بهینه‌سازی مقید به منظور انجام پایان نامه مهندسی صنایع بهینه سازی سیستمها را داشته باشند.

دروس اجباری در این رشته عبارتند از :