just ref and org dataset

.vscode/settings.json

@@ -1,7 +0,0 @@
-{
-    "workbench.colorCustomizations": {
-        "activityBar.background": "#0E3144",
-        "titleBar.activeBackground": "#14445F",
-        "titleBar.activeForeground": "#F8FCFE"
-    }
-}

remove_all_o_sentences.py

@@ -1,152 +0,0 @@
-def analyze_and_filter_dataset(input_file, output_file, report_file):
-    with open(input_file, 'r', encoding='utf-8') as f:
-        lines = f.readlines()
-
-    # استخراج جملات
-    sentences = []
-    current_sentence = []
-
-    for line in lines:
-        stripped_line = line.strip()
-        if not stripped_line or stripped_line == '...':
-            if current_sentence:
-                sentences.append(current_sentence)
-                current_sentence = []
-        else:
-            current_sentence.append(stripped_line)
-    if current_sentence:
-        sentences.append(current_sentence)
-
-    # شمارش جملات
-    total_sentences = len(sentences)
-    filtered_sentences = []
-    all_o_count = 0
-
-    for sent in sentences:
-        tags = [token.split()[1] for token in sent if len(token.split()) >= 2]
-        if all(tag == 'O' for tag in tags):
-            all_o_count += 1
-        else:
-            filtered_sentences.append(sent)
-
-    kept_sentences = len(filtered_sentences)
-
-    # شمارش توکن‌ها
-    total_tokens = sum(len(sent) for sent in filtered_sentences)
-
-    # استخراج موجودیت‌ها
-    org_entities = []
-    ref_entities = []
-    current_org = []
-    current_ref = []
-
-    for sent in filtered_sentences:
-        for token_line in sent:
-            parts = token_line.strip().split()
-            if len(parts) < 2:
-                continue
-            token, tag = parts[0], parts[1]
-
-            # پردازش ORG
-            if tag == 'B-ORG':
-                if current_org:
-                    org_entities.append(' '.join(current_org))
-                current_org = [token]
-            elif tag == 'I-ORG':
-                if current_org:
-                    current_org.append(token)
-            else:
-                if current_org:
-                    org_entities.append(' '.join(current_org))
-                    current_org = []
-
-            # پردازش REF
-            if tag == 'B-REF':
-                if current_ref:
-                    ref_entities.append(' '.join(current_ref))
-                current_ref = [token]
-            elif tag == 'I-REF':
-                if current_ref:
-                    current_ref.append(token)
-            else:
-                if current_ref:
-                    ref_entities.append(' '.join(current_ref))
-                    current_ref = []
-
-        # بستن موجودیت‌های باز در پایان جمله
-        if current_org:
-            org_entities.append(' '.join(current_org))
-            current_org = []
-        if current_ref:
-            ref_entities.append(' '.join(current_ref))
-            current_ref = []
-
-    unique_org_entities = list(set(org_entities))
-    unique_ref_entities = list(set(ref_entities))
-
-    # نوشتن گزارش در فایل و چاپ آن
-    report = []
-    report.append("📊 گزارش تحلیل دیتاست NER")
-    report.append("=" * 60)
-    report.append(f"✅ تعداد کل جملات در دیتاست: {total_sentences}")
-    report.append(f"❌ تعداد جملات حذف‌شده (همه تگ O): {all_o_count}")
-    report.append(f"✅ تعداد جملات باقی‌مانده (دارای موجودیت): {kept_sentences}")
-    report.append(f"🔤 تعداد کل توکن‌ها در جملات باقی‌مانده: {total_tokens}")
-    report.append(f"🏢 تعداد موجودیت ORG (سازمان): {len(org_entities)}")
-    report.append(f"📜 تعداد موجودیت REF (ارجاع به قانون/ماده): {len(ref_entities)}")
-    report.append(f"🔍 تعداد موجودیت منحصربه‌فرد ORG: {len(unique_org_entities)}")
-    report.append(f"🔍 تعداد موجودیت منحصربه‌فرد REF: {len(unique_ref_entities)}")
-
-    # report.append("\n📋 نمونه‌های منحصربه‌فرد موجودیت ORG:")
-    # for ent in sorted(unique_org_entities)[:10]:
-    #     report.append(f"  • {ent}")
-    # if len(unique_org_entities) > 10:
-    #     report.append(f"  ... و {len(unique_org_entities) - 10} مورد دیگر")
-
-    # report.append("\n📋 نمونه‌های منحصربه‌فرد موجودیت REF:")
-    # for ent in sorted(unique_ref_entities)[:10]:
-    #     report.append(f"  • {ent}")
-    # if len(unique_ref_entities) > 10:
-    #     report.append(f"  ... و {len(unique_ref_entities) - 10} مورد دیگر")
-
-    report.append("\n📋 همه موجودیت‌های منحصربه‌فرد ORG:")
-    if unique_org_entities:
-        for ent in unique_org_entities:
-            report.append(f"  • {ent}")
-    else:
-        report.append("  • هیچ موجودیت ORG‌ای یافت نشد.")
-
-    report.append("\n📋 همه موجودیت‌های منحصربه‌فرد REF:")
-    if unique_ref_entities:
-        for ent in unique_ref_entities:
-            report.append(f"  • {ent}")
-    else:
-        report.append("  • هیچ موجودیت REF‌ای یافت نشد.")
-
-
-
-    report.append(f"\n✅ پردازش کامل شد.")
-    report.append(f"💾 خروجی فیلترشده در '{output_file}' ذخیره شد.")
-    report.append(f"📄 گزارش کامل در '{report_file}' ذخیره شد.")
-
-    # چاپ گزارش در کنسول
-    for line in report:
-        print(line)
-
-    # ذخیره گزارش در فایل
-    with open(report_file, 'w', encoding='utf-8') as f:
-        f.write('\n'.join(report))
-
-    # ذخیره دیتاست فیلترشده
-    with open(output_file, 'w', encoding='utf-8') as f:
-        for sent in filtered_sentences:
-            for line in sent:
-                f.write(line.strip() + '\n')
-            f.write('\n')
-
-# اجرای تابع
-analyze_and_filter_dataset(
-    input_file='data/DATASET140402_ref_org.txt',
-    output_file='DATASET140402_ref_org_filtered.txt',
-    report_file='گزارش_تحلیل_دیتاست.txt'
-)

train.py

@@ -1,10 +1,7 @@
-learning_rate   = 0.65e-4 # 0.65e-4 - 0.4e-4
-mini_batch_size = 8
-max_epochs      = 100
+LEARNING_RATE   = 0.65e-4 # 0.65e-4 - 0.4e-4
+MINI_BATCH_SIZE = 8
+MAX_EPOCHS = 100
 
-from funcs import save_to_file_by_address
-import json
-import os
 import datetime
 from pathlib import Path
 from flair.data import Corpus
@@ -15,23 +12,9 @@ from flair.trainers import ModelTrainer
 from flair.models import SequenceTagger
 from flair.embeddings import TransformerDocumentEmbeddings
 
-#model = os.getcwd() + "\\data\\final-model.pt"
-#model = os.getcwd() + "/data/HooshvareLab--distilbert-fa-zwnj-base-ner" # مدل اولیه که تست شد و تا حدود 70 درصد در آخرین آموزش خوب جواب می داد
-#model = os.getcwd() + "/data/distilbert-base-multilingual-cased-tavasi"
-# model = "HooshvareLab/bert-fa-base-uncased-ner-peyma"
-# model = "PooryaPiroozfar/Flair-Persian-NER" # 111111111111111
-
-## ---------------------------------------------------------
-## --- آخرین کار مورد استفاده در سامانه قانون یار از این آموزش دیده است
-#model = "orgcatorg/xlm-v-base-ner" # بهترین توکنایزر فارسی ***********************
-## ---------------------------------------------------------
-# model = AutoModel.from_pretrained("/home/gpu/HFHOME/hub/models--orgcatorg--xlm-v-base-ner")
-
-#model = "pourmand1376/NER_Farsi" # 
-#model = "HooshvareLab/bert-base-parsbert-ner-uncased"   # ****  خوب جواب داد
-#model = "SeyedAli/Persian-Text-NER-Bert-V1"             # ***** خیلی خوب جواب داد
-#model = "HooshvareLab/bert-base-parsbert-peymaner-uncased" # جالب نبود!
-#model = "HooshvareLab/bert-base-parsbert-armanner-uncased" # جالب نبود!
+def save_to_file_by_address(file_address, content):
+    with open(file_address, 'a+', encoding='utf-8') as file:
+        file.write(content)
 
 def digit_correct(input_num):
     if input_num <10:
@@ -47,7 +30,9 @@ def main_train(model):
     """
     
     time = datetime.datetime.now()
+    # ایجاد فرمتی برای نام مدل نهایی که با کمک تاریخ روز ساخته می شود
     model_title = f"{time.year}-{digit_correct(time.month)}-{digit_correct(time.day)}--{digit_correct(time.hour)}-{digit_correct(time.minute)}-{digit_correct(time.second)}--{model}".replace('/','--')
+    
     print(f'\nMODEL:: {model}\n')
 
     # define dataset columns
@@ -107,9 +92,9 @@ def main_train(model):
     # begin training data    
     try:
         result = trainer.fine_tune(f"./taggers/{model_title}",
-                                learning_rate= learning_rate,
-                                mini_batch_size= mini_batch_size,
-                                max_epochs= max_epochs
+                                learning_rate= LEARNING_RATE,
+                                mini_batch_size= MINI_BATCH_SIZE,
+                                max_epochs= MAX_EPOCHS
                                 )
     except Exception as e:
         print(str(e.args[0]))
@@ -119,11 +104,12 @@ def main_train(model):
     # plot training log to evaluate process
     try:
         from train_log_plotter import plot_diagram
-        plot_diagram(model_title)
+        result = plot_diagram(model_title)
+        print(result[1])
+        
     except:
         print('log diagram failed due to error!')
 
-
     print('fine-tune operation finished')
     
     operation_time = datetime.datetime.now()
@@ -157,7 +143,7 @@ def main_train(model):
     F1 Score: {result}
     ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~\n'''
 
-    hyperparameters = f"""learning_rate: {learning_rate} - mini_batch_size: {mini_batch_size} - max_epochs: {max_epochs}"""
+    hyperparameters = f"""LEARNING_RATE: {LEARNING_RATE} - MINI_BATCH_SIZE: {MINI_BATCH_SIZE} - MAX_EPOCHS: {MAX_EPOCHS}"""
 
     final_result = f"""Model Name: {model}
     Fine-Tune Parameters: {hyperparameters}
@@ -171,29 +157,15 @@ def main_train(model):
 
     return True
 
-models = """
-HooshvareLab/bert-base-parsbert-ner-uncased
-HooshvareLab/bert-fa-base-uncased-ner-peyma
-HooshvareLab/bert-base-parsbert-armanner-uncased
-HooshvareLab/bert-fa-base-uncased-ner-arman
-HooshvareLab/bert-base-parsbert-peymaner-uncased
-"""
-models = """
-HooshvareLab/bert-fa-base-uncased-ner-peyma
-"""
-# HooshvareLab/distilbert-fa-zwnj-base-ner
-models_with_error= """
-nicolauduran45/affilgood-ner-multilingual-v2 - error
-Amirmerfan/bert-base-uncased-persian-ner-50k-base - error
-AliFartout/Roberta-fa-en-ner - error
-"""
-model = 'HooshvareLab/bert-fa-base-uncased-ner-peyma' 
+
+models = ["HooshvareLab/bert-fa-base-uncased-ner-peyma"]
+
 if __name__ == "__main__":
     # model = 'HooshvareLab/bert-fa-base-uncased-ner-peyma'
     # main_train(model)
     
     # iterate models to train
-    for model in models.split('\n'):
+    for model in models:
         if model == '':
             continue
 

train_comments.txt

@@ -0,0 +1,32 @@
+#model = os.getcwd() + "\\data\\final-model.pt"
+#model = os.getcwd() + "/data/HooshvareLab--distilbert-fa-zwnj-base-ner" # مدل اولیه که تست شد و تا حدود 70 درصد در آخرین آموزش خوب جواب می داد
+#model = os.getcwd() + "/data/distilbert-base-multilingual-cased-tavasi"
+# model = "HooshvareLab/bert-fa-base-uncased-ner-peyma"
+# model = "PooryaPiroozfar/Flair-Persian-NER" # 111111111111111
+
+## ---------------------------------------------------------
+## --- آخرین کار مورد استفاده در سامانه قانون یار از این آموزش دیده است
+#model = "orgcatorg/xlm-v-base-ner" # بهترین توکنایزر فارسی ***********************
+## ---------------------------------------------------------
+# model = AutoModel.from_pretrained("/home/gpu/HFHOME/hub/models--orgcatorg--xlm-v-base-ner")
+
+#model = "pourmand1376/NER_Farsi" # 
+#model = "HooshvareLab/bert-base-parsbert-ner-uncased"   # ****  خوب جواب داد
+#model = "SeyedAli/Persian-Text-NER-Bert-V1"             # ***** خیلی خوب جواب داد
+#model = "HooshvareLab/bert-base-parsbert-peymaner-uncased" # جالب نبود!
+#model = "HooshvareLab/bert-base-parsbert-armanner-uncased" # جالب نبود!
+
+# HooshvareLab/distilbert-fa-zwnj-base-ner
+models_with_error= """
+nicolauduran45/affilgood-ner-multilingual-v2 - error
+Amirmerfan/bert-base-uncased-persian-ner-50k-base - error
+AliFartout/Roberta-fa-en-ner - error
+"""
+
+models = """
+HooshvareLab/bert-base-parsbert-ner-uncased
+HooshvareLab/bert-fa-base-uncased-ner-peyma
+HooshvareLab/bert-base-parsbert-armanner-uncased
+HooshvareLab/bert-fa-base-uncased-ner-arman
+HooshvareLab/bert-base-parsbert-peymaner-uncased
+"""

train_log_plotter.py

@@ -1,20 +1,30 @@
+"""
+این سورس جهت خواندن فایل لاگ آموزش مدل و ترسیم نمودار پیشرفت بر اساس فاکتور LOSS ایجاد شده است
+"""
 import matplotlib.pyplot as plt
 import os
 import csv
 
-def find_newest_file(directory):
-    # دریافت لیست فایل‌ها در دایرکتوری
-    files = os.listdir(directory)
-    # بررسی اینکه آیا دایرکتوری خالی است یا خیر
-    if not files:
-        return None  # اگر دایرکتوری خالی باشد، مقدار None بازگردانده می‌شود
+# def find_newest_file(directory):
+#     # دریافت لیست فایل‌ها در دایرکتوری
+#     files = os.listdir(directory)
+#     # بررسی اینکه آیا دایرکتوری خالی است یا خیر
+#     if not files:
+#         return None  # اگر دایرکتوری خالی باشد، مقدار None بازگردانده می‌شود
     
-    # ایجاد مسیر کامل برای فایل‌ها و پیدا کردن فایل جدیدتر با استفاده از max
-    full_paths = [os.path.join(directory, file) for file in files]
-    newest_file = max(full_paths, key=os.path.getctime)  # بر اساس زمان ایجاد (creation time)
-    return newest_file
+#     # ایجاد مسیر کامل برای فایل‌ها و پیدا کردن فایل جدیدتر با استفاده از max
+#     full_paths = [os.path.join(directory, file) for file in files]
+#     newest_file = max(full_paths, key=os.path.getctime)  # بر اساس زمان ایجاد (creation time)
+#     return newest_file
 
-def save_diagram(progress_data, model_title):
+def generate_diagram(progress_data:list, model_title:str):
+    """
+    ایجاد و ذخیره دیاگرام بر اساس داده های مربوط به آموزش مدل
+    
+    Args:
+        progress_data(list): لیست فاکتور loss در ایپاک های آموزش مدل
+        model_title(str): نام مدل آموزش دیده
+    """
     # آرایه داده‌هایی که قرار است در دیاگرام ترسیم شود
     data = progress_data
 
@@ -43,7 +53,14 @@ def save_diagram(progress_data, model_title):
     
 
 
-def read_log(file_path):
+def read_log(file_path:str):
+    """
+    خواندن محتوای فایل loss
+    
+    Args:
+        file_path(str): آدرس فایل loss
+        progress(list[tuple]): لیستی شامل شماره ایپاک و loss متناظر با آن
+    """
     # read loss file
     with open(file_path, mode="r") as file:
         tsv_reader = csv.reader(file, delimiter="\t")
@@ -61,12 +78,41 @@ def read_log(file_path):
     return progress
     
 
-def plot_diagram(model_title):
+def plot_diagram(model_title:str):
+    """
+    ترسیم نمودار بر اساس لاگ فاکتور LOSS
+    
+    Args:
+        model_title(str): نام مدلی که آموزش داده شده است
+        
+    Returns:
+        tuple: شامل یک کلید بولین که وضعیت موفقیت عملیات را نشان می دهد و نیز توضیحاتی در مورد نتیجه عملیات
+    """
+    
+    result = True, ''
+    
+    # تنظیم آدرس فایل loss مربوط به این مدل
     loss_log = f'./taggers/{model_title}/loss.tsv'
-    progress = read_log(loss_log)
-    save_diagram(progress, model_title)
+    # خواندن فایل loss مربوط به مدل
+    try:
+        progress = read_log(loss_log)
+    except:
+        result = False, "Error: please check model's path!"
+        return result
+    
+    # ایجاد و ذخیره دیاگرام در پوشه مربوط به مدل
+    generate_diagram(progress, model_title)
     print('loss diagram saved!')
     
+    result = True, 'loss diagram generated and saved!'
+    
+    return result
+
 if __name__ == "__main__":
-    model_title = 'HooshvareLab--distilbert-fa-zwnj-base-ner--2025-7-20--3-41-58'
-    plot_diagram(model_title)
+    # تست سورس بر اساس نام مدل
+    # چنین مدلی باید در پوشه  taggers وجود داشته باشد
+    model_title = '2025-07-21--17-51-49--HooshvareLab--bert-fa-base-uncased-ner-peyma'
+    
+    result = plot_diagram(model_title)
+    print(result[1])
+

گزارش_تحلیل_دیتاست.txt

@@ -1,191 +0,0 @@
-📊 گزارش تحلیل دیتاست NER
-============================================================
-✅ تعداد کل جملات در دیتاست: 863
-❌ تعداد جملات حذف‌شده (همه تگ O): 398
-✅ تعداد جملات باقی‌مانده (دارای موجودیت): 465
-🔤 تعداد کل توکن‌ها در جملات باقی‌مانده: 23280
-🏢 تعداد موجودیت ORG (سازمان): 830
-📜 تعداد موجودیت REF (ارجاع به قانون/ماده): 92
-🔍 تعداد موجودیت منحصربه‌فرد ORG: 117
-🔍 تعداد موجودیت منحصربه‌فرد REF: 56
-
-📋 همه موجودیت‌های منحصربه‌فرد ORG:
-  • مجلس شورای اسلامی
-  • وزارت امور اقتصادی و دارایی
-  • شرکت ملی گاز
-  • دولت
-  • اشخاص حقیقی و حقوقی
-  • نیروی مقاومت بسیج
-  • وزیر امور اقتصادی و دارایی
-  • وزارت آموزش و پرورش
-  • همه پرسی
-  • تمام دستگاههای اجرایی
-  • شورای اقتصاد
-  • سازمان بهزیستی
-  • شورای عالی انقلاب فرهنگی
-  • دولت.
-  • مجلس
-  • وزارت فرهنگ و آموزش عالی
-  • جهاد سازندگی
-  • کلیه سازمانها
-  • سپاه پاسداران انقلاب اسلامی
-  • هیات وزیران.
-  • شورای عالی امنیت ملی
-  • سازمان برنامه و بودجه
-  • رییس
-  • سازمان برنامه
-  • شورای عالی اشتغال
-  • سازمان حسابرسی
-  • جمعیت هلال احمر
-  • وزارت کشاورزی
-  • وزارت صنایع و معادن
-  • شورای عالی شهرسازی و معماری
-  • سازمان آموزش فنی و حرفه ای
-  • وزارت نفت
-  • دستگاههای اجرایی کشور
-  • وزیر دادگستری
-  • نیروی انتظامی
-  • استاندار
-  • هیات وزیران
-  • شوراهای اسلامی شهر و روستا
-  • وزارتخانه ها
-  • گمرک
-  • بانک صنعت و معدن
-  • سازمان تامین اجتماعی
-  • رییس جمهور
-  • وزارت صنایع
-  • شوراهای اسلامی
-  • سازمان بنادر و کشتیرانی
-  • وزیر نیرو
-  • شورای نگهبان
-  • بانکها
-  • دیوان محاسبات
-  • اتاق بازرگانی
-  • استانداران
-  • استانداری
-  • خزانه داری
-  • مقام معظم رهبری
-  • دستگاههای اجرایی.
-  • دادستان کل کشور
-  • مجلس سنا
-  • قوه قضاییه
-  • نیروهای مسلح
-  • وزارت راه و شهرسازی
-  • دستگاههای اجرایی
-  • سازمان حفاظت محیط زیست
-  • نمایندگان مجلس شورای اسلامی
-  • وزیر دفاع
-  • سازمان امور اداری و استخدامی
-  • شورای عالی اداری
-  • دانشگاه آزاد اسلامی
-  • ارتش
-  • کلیه
-  • وزارت نیرو
-  • شرکت سهامی بیمه
-  • اتاق بازرگانی و صنایع و معادن
-  • شرکت ملی صنایع پتروشیمی
-  • وزارت تعاون
-  • مجمع تشخیص مصلحت نظام
-  • وزارت بهداشت
-  • کمیته امداد امام خمینی (ره)
-  • سازمان میراث فرهنگی و گردشگری
-  • بانک کشاورزی
-  • مجلس شورای ملی
-  • صدا و سیمای
-  • ستاد کل
-  • کلیه دستگاههای اجرایی
-  • وزارت کشور
-  • وزارت جهاد کشاورزی
-  • شورای پول و اعتبار
-  • شورای اسلامی شهر
-  • شورای عالی حفاظت محیط زیست
-  • وزارت دادگستری
-  • شهرداری تهران
-  • مرکز آمار
-  • سازمان خصوصی سازی
-  • وزارت پست و تلگراف و تلفن
-  • وزارت ارتباطات و فناوری اطلاعات
-  • بیمه مرکزی
-  • وزارت جهاد سازندگی
-  • سازمان مدیریت و برنامه ریزی
-  • شرکت توانیر
-  • وزارت کار و امور اجتماعی
-  • نمایندگان مجلس
-  • سازمان ملی زمین و مسکن
-  • وزارت دفاع و پشتیبانی نیروهای مسلح
-  • سازمان گسترش و نوسازی صنایع
-  • ریاست جمهوری
-  • شهرداریها
-  • بانک مرکزی
-  • سازمان امور مالیاتی
-  • کمیته امداد امام خمینی
-  • مجمع عمومی
-  • سازمان
-  • وزارت امور خارجه
-  • نهادهای انقلاب اسلامی
-  • سازمان توسعه و نوسازی معادن و صنایع معدنی
-  • شرکت ملی نفت
-  • جهاد دانشگاهی
-  • اتاق تعاون
-
-📋 همه موجودیت‌های منحصربه‌فرد REF:
-  • قانون مالیاتهای مستقیم مصوب 27/ 11/ 1380
-  • قانون اساسی
-  • قانون توزیع عادلانه آب مصوب 18 /7 /1363
-  • قانون الحاق یک تبصره به ماده 96 قانون محاسبات عمومی
-  • قانون اساسی مصوب 7 جمادی الاولی مطابق 16 ثور 1329 قمری
-  • قانون برنامه پنجساله دوم توسعه اقتصادی اجتماعی و فرهنگی جمهوری اسلامی ایران مصوب 20 /9 /1373
-  • قانون نحوه انجام امور مالی و معاملاتی دانشگاهها و موسسات آموزش عالی و تحقیقاتی مصوب 18 /10 /1369
-  • قانون تنظیم بخشی از مقررات مالی دولت مصوب 27 /11 /1380
-  • قانون عملیات بانکی بدون ربا
-  • قانون انتشار اوراق مشارکت مصوب 3 /6 /1376)
-  • قانون بودجه سال 1385 کل کشور مصوب 12 /7 /1385
-  • قانون برنامه سوم توسعه اقتصادی اجتماعی و فرهنگی جمهوری اسلامی ایران
-  • قانون نظام هماهنگ پرداخت کارکنان
-  • قانون استفساریه تبصره ذیل ماده -1082 قانون مدنی مصوب 1376
-  • قانون اصلاح بندهای (الف) (ب) و (ج) ماده -80 و ماده -86 قانون محاسبات عمومی کشور مصوب 1 /6 /1366
-  • قانون بیمه مرکزی ایران و بیمه گری مصوب 1350
-  • قانون معافیت کلیه دانشجویان بورسیه و اعضای هیات علمی
-  • قانون اصلاح تبصره 2 ماده 73 قانون محاسبات عمومی مصوب 1349
-  • قانون تجارت
-  • قانون برنامه و بودجه مصوب 1351
-  • قانون اصلاح بندهای (ز) و (ح) ماده 84 و بند (ج) ماده 86 قانون محاسبات عمومی
-  • قانون بودجه سال 1386
-  • قانون مدنی مصوب 1307
-  • قانون محاسبات عمومی
-  • قانون پولی و بانکی کشور مصوب سال 1351
-  • قانون تابعیت
-  • قانون تغییر نصاب معاملات موضوع ماده -87 قانون محاسبات عمومی کشور
-  • قانون محاسبات عمومی کشور مصوب 1366
-  • قانون تامین اجتماعی مصوب 1354
-  • قانون تشکیل هیات امنائ دانشگاهها و موسسات آموزش عالی و پژوهشی مصوب 23 /12 /1367
-  • قانون عملیات بانکی بدون ربا مصوب 8 /6 /1362
-  • قانون مدنی
-  • قانون محاسبات عمومی کشور مصوب 1 /6 /1366
-  • قانون نحوه وصول برخی از درآمدهای دولت و مصرف آن در موارد معین مصوب 1373
-  • قانون برنامه چهارم توسعه اقتصادی اجتماعی و
-  • قانون الحاق موادی به قانون تنظیم بخشی از مقررات مالی دولت -1 - مصوب 27 /11 /1380
-  • قانون برنامه چهارم توسعه اقتصادی اجتماعی و فرهنگی
-  • قانون اساسی مصوب 1358
-  • قانون نحوه توزیع قند و شکر تولیدی کارخانه های کشور مصوب 1353
-  • قانون تشکیل شوراهای آموزش و پرورش مصوب 26 /10 /1372
-  • قانون مدنی مصوب 1314.1.20
-  • قانون بیمه
-  • قانون تشویق و حمایت سرمایه گذاری خارجی مصوب 19 /12 /1380
-  • قانون تشویق و حمایت سرمایه گذاری خارجی مصوب 19 /12 /1380:
-  • قانون تاسیس بورس اوراق بهادار مصوب 27 /2 /1345
-  • قانون بیمه همگانی خدمات درمانی کشور مصوب 1373
-  • قانون مدنی مصوب 29 /4 /1376
-  • قانون حداکثر استفاده از توان فنی مهندسی تولیدی و صنعتی و اجرایی کشور مصوب 12 /12 /1375
-  • قانون تنظیم بخشی از مقررات مالی دولت مصوب 15 /8 /1384
-  • قانون بودجه سال 1385
-  • قانون مدنی مصوب 1314.1.17
-  • قانون تنظیم بخشی از مقررات مالی دولت مصوب 1380
-  • قانون حداکثر استفاده از توان فنی و مهندسی تولیدی و صنعتی و اجرایی کشور در اجرای پروژه ها و ایجاد تسهیلات به منظور صدور خدمات مصوب 12 /12 /1375
-  • قانون برگزاری مناقصات
-  • قانون برنامه پنج ساله دوم توسعه اقتصادی اجتماعی و فرهنگی جمهوری اسلامی ایران مصوب 20 /9 /1373
-  • لایحه قانونی الحاقی به ماده 37 قانون محاسبات عمومی
-
-✅ پردازش کامل شد.
-💾 خروجی فیلترشده در 'DATASET140402_ref_org_filtered.txt' ذخیره شد.
-📄 گزارش کامل در 'گزارش_تحلیل_دیتاست.txt' ذخیره شد.