تحلیل داده پایان نامه با نمونه کار در حوزه مهندسی صنایع
در دنیای امروز، دادهها به عنوان شریان حیاتی هر پژوهش علمی، به ویژه در حوزههای کاربردی مانند مهندسی صنایع، نقش محوری ایفا میکنند. پایاننامه، اوج تلاش پژوهشی یک دانشجو، نیازمند تحلیل دقیق و روشمند این دادههاست تا بتواند به پرسشهای تحقیق پاسخ داده و به دانش موجود بیافزاید. یک تحلیل داده قوی نه تنها اعتبار علمی کار شما را افزایش میدهد، بلکه مسیری روشن برای تصمیمگیریها و ارائه راهحلهای نوآورانه در صنعت و پژوهش فراهم میآورد. این مقاله به صورت جامع به تحلیل داده در پایاننامههای مهندسی صنایع میپردازد و مسیر شما را برای رسیدن به یک کار باکیفیت هموار میسازد.
مشاوره تخصصی برای پایاننامه شما:
آیا در مسیر تحلیل دادههای پایاننامه مهندسی صنایع خود با چالش مواجه هستید؟ برای اطمینان از صحت و اعتبار نتایج خود و تسلط بر پیچیدگیهای تحلیل آماری و مدلسازی، بهرهگیری از مشاوره و پشتیبانی متخصصان موسسه انجام پایان نامه پرواسکیل میتواند مسیر شما را هموارتر سازد و شما را یک گام به دفاع موفق نزدیکتر کند. برای دریافت مشاوره رایگان همین امروز با ما تماس بگیرید.
نقشه راه تحلیل داده در پایاننامه مهندسی صنایع
1. تعریف مسئله و جمعآوری داده
شفافسازی اهداف، انتخاب متغیرها و روش صحیح گردآوری دادهها (پرسشنامه، مشاهده، دادههای ثانویه).
2. پاکسازی و پیشپردازش
حذف دادههای پرت، تکمیل دادههای گمشده، استانداردسازی و آمادهسازی دادهها برای تحلیل.
3. انتخاب روش و مدلسازی
گزینش روشهای آماری، شبیهسازی، بهینهسازی یا یادگیری ماشین متناسب با فرضیات تحقیق.
4. اجرای تحلیل و تفسیر
استفاده از نرمافزارهای تخصصی و استخراج نتایج معنیدار همراه با تحلیل دقیق و بینشافزایی.
5. اعتبارسنجی و ارائه نتایج
بررسی صحت مدل، شفافسازی یافتهها و آمادهسازی برای دفاع نهایی.
اهمیت تحلیل داده در پایاننامه مهندسی صنایع
مهندسی صنایع، رشتهای است که در بطن آن بهینهسازی، کارایی و تصمیمگیریهای مبتنی بر شواهد نهفته است. در یک پایاننامه مهندسی صنایع، تحلیل داده نقش ستون فقرات پژوهش را ایفا میکند. بدون تحلیل صحیح، حتی بهترین دادهها نیز صرفاً مجموعهای از اعداد باقی میمانند و نمیتوانند به بینشهای عملی یا راهحلهای نوآورانه منجر شوند. این تحلیل است که به شما امکان میدهد فرضیات خود را آزمون کنید، الگوهای پنهان را کشف کنید، کارایی سیستمها را ارزیابی نمایید و در نهایت، به حل مشکلات عملی بپردازید.
به عنوان مثال، در یک پژوهش با موضوع بهینهسازی زنجیره تأمین، تحلیل دادهها میتواند به شناسایی گلوگاهها، کاهش هزینهها و افزایش سرعت پاسخگویی منجر شود. یا در سیستمهای کنترل کیفیت، تحلیل آماری دادهها نهتنها ایرادات محصول را آشکار میکند بلکه ریشههای اصلی بروز آنها را نیز مشخص میسازد. از این رو، تسلط بر اصول تحلیل داده و انتخاب روش مناسب، برای هر دانشجوی مهندسی صنایع که در حال نگارش پایاننامه است، حیاتی است.
مراحل کلیدی تحلیل داده در پایاننامه
فرآیند تحلیل داده در پایاننامه مهندسی صنایع معمولاً از چندین مرحله ساختاریافته پیروی میکند. درک و رعایت دقیق این مراحل، تضمینکننده کیفیت و اعتبار نتایج شما خواهد بود:
- 1. تعریف مسئله و اهداف تحقیق: قبل از هر گونه جمعآوری داده، باید به وضوح بدانید که به دنبال پاسخ به چه سوالاتی هستید و اهداف مشخص تحقیق شما چیست. این گام، جهتگیری کل فرآیند تحلیل را مشخص میکند.
- 2. جمعآوری داده: این مرحله شامل طراحی روشهای جمعآوری (مانند پرسشنامه، مصاحبه، سنجش میدانی، استخراج از پایگاه دادههای موجود) و اجرای آنهاست. کیفیت و کمیت دادههای جمعآوری شده مستقیماً بر نتایج تحلیل تأثیر میگذارد.
- 3. پاکسازی و آمادهسازی داده (Data Preprocessing): دادههای خام معمولاً دارای نقص، خطا، مقادیر گمشده یا پرت هستند. این مرحله حیاتی شامل شناسایی و رفع این موارد، استانداردسازی، نرمالسازی و تبدیل دادهها به فرمت مناسب برای تحلیل است.
- 4. انتخاب روش تحلیل: بر اساس نوع دادهها (کمی، کیفی، پیوسته، گسسته) و اهداف تحقیق، باید روش تحلیل مناسب (آماری، شبیهسازی، بهینهسازی، یادگیری ماشین) را انتخاب کنید. این تصمیم باید با دقت و بر اساس دانش تئوریک صورت گیرد.
- 5. اجرای تحلیل و استخراج نتایج: با استفاده از نرمافزارهای تخصصی، مدلها را اجرا کرده و نتایج اولیه را استخراج میکنید. این مرحله نیازمند تسلط بر نرمافزار و دقت در وارد کردن پارامترهاست.
- 6. تفسیر نتایج و ارائه بینشها: صرفاً گزارش اعداد کافی نیست. باید نتایج را در بافت مسئله تحقیق تفسیر کرده، معنای آنها را توضیح دهید و نشان دهید که چگونه به سوالات تحقیق شما پاسخ میدهند. این مرحله نیاز به تفکر انتقادی و درک عمیق از حوزه دارد.
- 7. اعتبارسنجی و حساسیتسنجی: لازم است که اعتبار مدل و پایداری نتایج خود را تحت شرایط مختلف بررسی کنید (مثلاً با تغییر پارامترها). این کار به افزایش اطمینان از یافتههای شما کمک میکند.
روشهای تحلیل داده پرکاربرد در مهندسی صنایع
حوزه مهندسی صنایع به دلیل گستردگی موضوعات، از طیف وسیعی از روشهای تحلیل داده بهره میبرد. برخی از این روشها عبارتند از:
-
تحلیلهای آماری:
- آمار توصیفی: برای خلاصهسازی و توصیف ویژگیهای اصلی دادهها (میانگین، میانه، واریانس، انحراف معیار، نمودارها).
- آمار استنباطی: برای نتیجهگیری در مورد یک جامعه بر اساس نمونه (آزمونهای فرض مانند T-test، ANOVA، کایدو)، رگرسیون (خطی، چندگانه، لجستیک) برای بررسی روابط بین متغیرها.
- کنترل کیفیت آماری (SQC): استفاده از نمودارهای کنترل برای نظارت بر فرآیندهای تولید.
-
مدلسازی شبیهسازی:
- شبیهسازی رویداد گسسته (Discrete Event Simulation – DES): برای مدلسازی سیستمهایی که وضعیت آنها در زمانهای گسسته تغییر میکند (مثلاً خطوط تولید، مراکز خدمات).
- شبیهسازی سیستم دینامیک (System Dynamics – SD): برای مدلسازی سیستمهای پیچیده با بازخورد و تأخیر در طول زمان (مثلاً رشد جمعیت، پویایی بازار).
-
بهینهسازی:
- برنامهریزی ریاضی: شامل برنامهریزی خطی، عدد صحیح، غیرخطی و ترکیبی برای یافتن بهترین راهحل در محدودیتهای مشخص.
- الگوریتمهای فراابتکاری (Metaheuristics): مانند الگوریتم ژنتیک (GA)، بهینهسازی ازدحام ذرات (PSO) برای حل مسائل بهینهسازی پیچیده که راهحل دقیق آنها دشوار است.
-
یادگیری ماشین (Machine Learning):
- رگرسیون و طبقهبندی: برای پیشبینی مقادیر پیوسته یا دستهبندی دادهها.
- خوشهبندی (Clustering): برای گروهبندی دادههای مشابه بدون برچسب قبلی.
-
تحلیل سلسلهمراتبی و تصمیمگیری چندمعیاره (MCDM):
- AHP (Analytic Hierarchy Process) و TOPSIS: برای کمک به تصمیمگیری در مسائل پیچیده با چندین معیار و گزینههای مختلف.
جدول: مقایسه روشهای آماری و شبیهسازی در مهندسی صنایع
| ویژگی | توضیح |
|---|---|
| روشهای آماری | برای تحلیل دادههای موجود، آزمون فرضیات و استنباط در مورد یک جمعیت. مناسب برای بررسی روابط علت و معلولی و پیشبینی. نیاز به دادههای کافی و معتبر. |
| روشهای شبیهسازی | برای مدلسازی سیستمهای پیچیده و پویا، ارزیابی سناریوهای مختلف و پیشبینی رفتار سیستم در آینده بدون نیاز به اجرای واقعی. مناسب برای سیستمهای با اجزای متقابل و تصادفی. |
نرمافزارهای تحلیل داده مورد استفاده
انتخاب نرمافزار مناسب، بخش جداییناپذیری از فرآیند تحلیل داده است. هر نرمافزار نقاط قوت خاص خود را دارد:
- R و Python: زبانهای برنامهنویسی قدرتمند با کتابخانههای گسترده (مانند Pandas، NumPy، Scikit-learn برای Python و Tidyverse برای R) که برای تحلیلهای آماری پیشرفته، یادگیری ماشین و مصورسازی دادهها ایدهآل هستند. این زبانها انعطافپذیری بالایی دارند اما نیاز به مهارت برنامهنویسی دارند.
- MATLAB: ابزاری قدرتمند برای محاسبات عددی، پردازش سیگنال، شبیهسازی و مدلسازی سیستمهای دینامیک. در مسائل تحقیق عملیات و کنترل نیز کاربرد فراوان دارد.
- Arena و AnyLogic: نرمافزارهای تخصصی شبیهسازی رویداد گسسته که برای مدلسازی و تحلیل سیستمهای تولیدی، لجستیکی و خدماتی به کار میروند.
- GAMS و LINGO: ابزارهایی برای حل مسائل برنامهریزی ریاضی (خطی، غیرخطی، عدد صحیح) و بهینهسازی.
- SPSS و Minitab: نرمافزارهای آماری کاربرپسند که برای تحلیلهای آماری توصیفی و استنباطی (مانند رگرسیون، ANOVA، آزمون فرض) بسیار مناسب هستند و رابط کاربری گرافیکی سادهای دارند.
- Microsoft Excel: با وجود سادگی، امکاناتی مانند ابزار تحلیل داده (Data Analysis Toolpak) و افزونه Solver برای حل مسائل بهینهسازی کوچک، آن را به یک ابزار اولیه مفید تبدیل کرده است.
برای انتخاب نرمافزار مناسب، ابتدا باید با مشاور پایاننامه خود مشورت کنید و سپس به نیازهای خاص تحقیق خود و میزان تسلطتان بر نرمافزارهای مختلف توجه داشته باشید. آموزش نرمافزارهای آماری و شبیهسازی یکی از خدماتی است که میتواند شما را در این زمینه یاری کند.
چالشهای رایج در تحلیل داده پایاننامه
مسیر تحلیل دادهها همیشه هموار نیست و دانشجویان ممکن است با چالشهای متعددی روبرو شوند:
- کیفیت پایین دادهها: دادههای ناقص، ناسازگار یا دارای خطا (Outliers) میتوانند نتایج تحلیل را به شدت تحت تأثیر قرار دهند. راهحل: صرف زمان کافی برای پاکسازی، اعتبارسنجی و پیشپردازش دادهها.
- انتخاب نادرست روش تحلیل: استفاده از روشی که با نوع دادهها یا فرضیات تحقیق همخوانی ندارد، منجر به نتایج اشتباه یا بیمعنی میشود. راهحل: مطالعه عمیق روشهای مختلف، مشورت با متخصصین موسسه انجام پایان نامه پرواسکیل و درک پیشفرضهای هر روش.
- عدم تسلط بر نرمافزارهای تخصصی: پیچیدگی نرمافزارهای آماری و شبیهسازی میتواند مانع بزرگی باشد. راهحل: گذراندن دورههای آموزشی، استفاده از منابع آنلاین معتبر و بهرهگیری از کمک متخصصین.
- تفسیر اشتباه نتایج: گاهی اوقات نتایج عددی به درستی در بافت موضوعی تحقیق تفسیر نمیشوند که میتواند به نتیجهگیریهای نادرست منجر شود. راهحل: درک عمیق از ادبیات موضوع، تفکر انتقادی و مشورت با استاد راهنما و مشاوران.
- کمبود منابع یا دادهها: عدم دسترسی به دادههای کافی یا مناسب برای حجم و پیچیدگی پایاننامه. راهحل: بررسی دقیق امکانسنجی در مرحله نگارش پروپوزال مهندسی صنایع، استفاده از دادههای ثانویه یا تغییر محدوده تحقیق.
نمونهکارهای تحلیل داده در مهندسی صنایع
برای روشنتر شدن بحث، به چند نمونه کاربردی از تحلیل داده در پایاننامههای مهندسی صنایع اشاره میکنیم:
-
1. بهینهسازی زنجیره تأمین با استفاده از مدلهای ریاضی و شبیهسازی:
در این نوع پروژهها، دانشجویان با جمعآوری دادههای مربوط به موجودی، زمان حمل و نقل، ظرفیت تولید و تقاضا، از مدلهای برنامهریزی خطی یا شبیهسازی (مانند Arena) برای یافتن بهترین استراتژیهای توزیع، مکانیابی انبارها یا مدیریت موجودی استفاده میکنند. تحلیل حساسیت نیز برای بررسی پایداری مدل در برابر تغییرات محیطی ضروری است. پروژه تحقیق عملیاتی اغلب در این دسته قرار میگیرد.
-
2. تحلیل کارایی خط تولید با روشهای آماری و کنترل کیفیت:
با جمعآوری دادههای زمانسنجی، نرخ خطا، و حجم تولید، میتوان با استفاده از آمار توصیفی و استنباطی (مانند ANOVA برای مقایسه عملکرد شیفتها) و نمودارهای کنترل، گلوگاههای تولید را شناسایی و راهکارهایی برای افزایش بهرهوری و کاهش ضایعات ارائه داد.
-
3. پیشبینی تقاضا با یادگیری ماشین برای مدیریت موجودی:
دانشجویان میتوانند از دادههای فروش گذشته، عوامل فصلی، و روندهای اقتصادی برای آموزش مدلهای یادگیری ماشین (مانند رگرسیون خطی، جنگل تصادفی یا شبکههای عصبی) استفاده کنند تا تقاضای آینده را با دقت بالا پیشبینی کرده و بهینهسازی سطح موجودی را محقق سازند.
-
4. ارزیابی ریسک پروژه با شبیهسازی مونت کارلو:
در مدیریت پروژه، با تعیین توزیعهای احتمالی برای زمان و هزینه فعالیتها، میتوان از شبیهسازی مونت کارلو برای ارزیابی ریسکهای پروژه و شناسایی مسیرهای بحرانی احتمالی استفاده کرد و تصمیمات بهتری برای تخصیص منابع اتخاذ نمود.
-
5. تصمیمگیری در انتخاب مکان بهینه با AHP/TOPSIS:
با در نظر گرفتن چندین معیار (مانند نزدیکی به بازار، دسترسی به نیروی کار، هزینهها) و گزینههای مکانی مختلف، میتوان با استفاده از روشهای MCDM مانند AHP یا TOPSIS، بهترین مکان برای راهاندازی یک واحد صنعتی یا خدماتی را تعیین کرد. این روشها به ساختاردهی تصمیمات پیچیده کمک میکنند.
در موسسه انجام پایان نامه پرواسکیل، ما با تکیه بر تجربه فراوان در این حوزهها، آماده ارائه خدمات مشاوره و اجرای تحلیلهای دادهای پیچیده برای پایاننامههای شما هستیم.
نکات طلایی برای تحلیل داده موفق
برای اطمینان از اینکه فرآیند تحلیل داده در پایاننامه شما به بهترین شکل ممکن پیش میرود، رعایت نکات زیر حائز اهمیت است:
- شروع با تعریف روشن مسئله: هرچه مسئله و اهداف تحقیق شما شفافتر باشد، انتخاب دادهها و روشهای تحلیل آسانتر خواهد بود.
- اهمیت پاکسازی دادهها: هرگز این مرحله را دست کم نگیرید. دادههای “کثیف” منجر به نتایج “کثیف” میشوند.
- مطالعه عمیق روشهای آماری: تنها اجرای کدها یا کلیک بر روی گزینههای نرمافزار کافی نیست؛ باید درک عمیقی از مبانی نظری و پیشفرضهای هر روش داشته باشید.
- استفاده از مشاوران متخصص: در صورت نیاز، از مشاوران و متخصصین باتجربه در زمینه تحلیل داده کمک بگیرید. این کار میتواند زمان شما را ذخیره کرده و از خطاهای پرهزینه جلوگیری کند.
- مستندسازی دقیق تمام مراحل: هر گام از جمعآوری، پاکسازی، تحلیل و تفسیر دادهها را مستند کنید. این کار به شفافیت کار شما و همچنین به شما در فرآیند دفاع کمک خواهد کرد.
- اعتبارسنجی مداوم مدل: مدلهای خود را با دادههای جدید یا تکنیکهای اعتبارسنجی مختلف (مانند Cross-validation) بررسی کنید.
- ارائه بصری نتایج: از نمودارها، اینفوگرافیکها و جداول برای ارائه واضح و جذاب نتایج خود استفاده کنید. یک نمودار خوب، هزاران کلمه را ارزش دارد.
- ارتباط با استاد راهنما: به طور مداوم با استاد راهنمای خود در ارتباط باشید و پیشرفتهای خود را گزارش دهید. نظرات و راهنماییهای او ارزشمند است.
نتیجهگیری
تحلیل داده، قلب هر پایاننامه موفق در مهندسی صنایع است. این فرآیند نه تنها مستلزم دانش فنی و آماری قوی است، بلکه نیازمند تفکر انتقادی، دقت و توجه به جزئیات نیز میباشد. با پیروی از مراحل ساختاریافته، انتخاب روشها و نرمافزارهای مناسب، و غلبه بر چالشهای رایج، میتوانید به نتایجی دست یابید که هم از نظر علمی معتبر باشند و هم کاربردهای عملی ارزشمندی داشته باشند. به یاد داشته باشید که کیفیت دادهها و صحت تحلیلها، مستقیماً بر اعتبار کل پایاننامه شما تأثیر میگذارد.
در نهایت، برای اطمینان از اینکه پایاننامه شما نه تنها از نظر علمی قوی است، بلکه به بهترین شکل نیز ارائه میشود و مسیر دفاع از آن برای شما هموار میگردد، میتوانید روی تجربه و تخصص موسسه انجام پایان نامه پرواسکیل حساب کنید. ما با ارائه خدمات جامع در زمینه تحلیل داده، از مرحله جمعآوری تا تفسیر و ارائه نتایج، در کنار شما خواهیم بود.
آیا برای تحلیل داده پایاننامه مهندسی صنایع خود به کمک نیاز دارید؟
تیم متخصصین موسسه انجام پایان نامه پرواسکیل آماده ارائه مشاوره و خدمات تخصصی در تمامی مراحل تحلیل داده پایاننامه شماست.
/* Base styles for the main container */
body {
font-family: ‘Vazirmatn’, sans-serif;
direction: rtl;
text-align: right;
line-height: 1.8;
color: #333;
background-color: #f0f2f5; /* Light background for the whole page */
margin: 0;
padding: 0;
}
div[style*=”max-width: 1200px”] { /* Targeting the main wrapper div */
padding: 20px;
background-color: #fff; /* White background for the content block */
border-radius: 12px;
box-shadow: 0 4px 20px rgba(0,0,0,0.08);
margin: 30px auto; /* Centering with margin */
}
/* Headings styles */
h1 {
font-size: 2.5em;
font-weight: bold;
color: #004080;
text-align: center;
margin-bottom: 30px;
padding-bottom: 15px;
border-bottom: 3px solid #004080;
}
h2 {
font-size: 2em;
font-weight: bold;
color: #004080;
margin-top: 40px;
margin-bottom: 20px;
padding-bottom: 10px;
border-bottom: 2px solid #e0e0e0;
}
h3 {
font-size: 1.5em;
font-weight: bold;
color: #004080;
margin-bottom: 15px;
}
/* Paragraph and List styles */
p, ul, ol {
font-size: 1.1em;
color: #555;
margin-bottom: 20px;
}
ul li, ol li {
margin-bottom: 10px;
}
strong {
color: #004080; /* Consistent strong text color */
}
a {
color: #007bff;
text-decoration: none;
}
a:hover {
text-decoration: underline;
}
/* CTA box styles */
div[style*=”background-color: #e6f7ff”] {
background-color: #e6f7ff;
border-left: 5px solid #007bff;
padding: 15px 20px;
margin: 30px 0;
border-radius: 8px;
}
div[style*=”background-color: #e6f7ff”] p {
margin-bottom: 10px;
}
/* Infographic styles */
div[style*=”text-align: center;”] { /* Targeting the infographic container */
margin: 40px 0;
padding: 20px;
background-color: #fff;
border-radius: 10px;
box-shadow: 0 2px 10px rgba(0,0,0,0.08);
text-align: center;
}
div[style*=”display: flex; flex-wrap: wrap; justify-content: center;”] {
display: flex;
flex-wrap: wrap;
justify-content: center;
gap: 20px;
}
div[style*=”flex: 1 1 300px;”] { /* Individual infographic steps */
flex: 1 1 300px; /* Base for larger screens */
background-color: #f0f8ff; /* Default step background */
border: 1px solid #cceeff;
border-radius: 10px;
padding: 20px;
box-shadow: 0 1px 5px rgba(0,0,0,0.05);
min-width: 280px; /* Ensure steps don’t get too small */
}
/* Specific step background colors for visual distinction */
div[style*=”background-color: #f0f8ff”] { background-color: #f0f8ff; } /* Step 1 & 5 */
div[style*=”background-color: #f0fff0″] { background-color: #f0fff0; } /* Step 2 */
div[style*=”background-color: #fff8e6″] { background-color: #fff8e6; } /* Step 3 */
div[style*=”background-color: #ffe6e6″] { background-color: #ffe6e6; } /* Step 4 */
/* Table styles */
table {
width: 100%;
border-collapse: collapse;
margin-bottom: 20px;
background-color: #fff;
border-radius: 8px;
overflow: hidden; /* Ensures rounded corners apply to content */
box-shadow: 0 2px 8px rgba(0,0,0,0.05);
}
table thead tr {
background-color: #007bff;
color: white;
}
table th, table td {
padding: 12px;
border: 1px solid #ddd;
text-align: right;
}
table tbody tr:nth-child(even) {
background-color: #f8f8f8;
}
table tbody tr:hover {
background-color: #f0f0f0;
}
/* Responsive adjustments */
@media (max-width: 768px) {
h1 { font-size: 2em; }
h2 { font-size: 1.7em; }
h3 { font-size: 1.3em; }
p, ul, ol, table, div[style*=”font-size: 1.1em”] { font-size: 1em; } /* Smaller font for readability */
div[style*=”max-width: 1200px”] {
margin: 20px auto;
padding: 15px;
border-radius: 8px;
}
/* Infographic adjustments for smaller screens */
div[style*=”flex: 1 1 300px;”] {
flex: 1 1 100%; /* Each step takes full width on small screens */
max-width: 95%; /* Prevent overflowing on very small screens */
margin-bottom: 15px;
}
div[style*=”display: flex; flex-wrap: wrap; justify-content: center;”] {
gap: 15px;
}
}
@media (max-width: 480px) {
h1 { font-size: 1.8em; line-height: 1.3; }
h2 { font-size: 1.5em; }
h3 { font-size: 1.2em; }
p, ul, ol, table, div[style*=”font-size: 1.1em”] { font-size: 0.95em; }
div[style*=”max-width: 1200px”] {
margin: 10px auto;
padding: 10px;
border-radius: 5px;
box-shadow: none; /* Lighter shadow for mobile */
}
table th, table td {
padding: 8px;
font-size: 0.9em;
}
div[style*=”background-color: #e6f7ff”] {
padding: 10px 15px;
margin: 20px 0;
}
div[style*=”background-color: #e6f7ff”] p {
font-size: 1em;
}
a[style*=”display: inline-block;”] {
padding: 10px 20px;
font-size: 1em;
}
}
/* Tablet and TV specific adjustments */
@media (min-width: 769px) and (max-width: 1024px) {
/* Tablet portrait */
div[style*=”max-width: 1200px”] {
max-width: 95%;
padding: 20px;
}
/* Infographic: keep 2 columns */
div[style*=”flex: 1 1 300px;”] {
flex: 1 1 45%; /* Two items per row */
max-width: 48%;
}
}
@media (min-width: 1920px) { /* Adjustments for larger screens like TVs */
div[style*=”max-width: 1200px”] {
max-width: 1400px; /* Wider content area */
padding: 40px;
}
h1 { font-size: 3em; }
h2 { font-size: 2.5em; }
h3 { font-size: 1.8em; }
p, ul, ol, table { font-size: 1.2em; }
/* Infographic can have more columns or be wider */
div[style*=”flex: 1 1 300px;”] {
flex: 1 1 250px; /* Allow more items per row, or slightly wider */
}
}