مهرداد کارگری

مهرداد کارگری

مطالب
ترتیب بر اساس: جدیدترینپربازدیدترین

فیلترهای جستجو: فیلتری انتخاب نشده است.
نمایش ۱ تا ۶ مورد از کل ۶ مورد.
۱.

پیش بینی احتمال وقوع ریسک عملیاتی در صنعت بانکداری با استفاده از الگوریتم های یادگیری ماشین(مقاله علمی وزارت علوم)

نویسنده:
منبع: مدیریت دارایی و تامین مالی سال ۱۳ زمستان ۱۴۰۴ شماره ۴ (پیاپی ۵۱) 77 - 96

کلیدواژه‌ها: پیش بینی ریسک ریسک عملیاتی مدیریت ریسک یادگیری ماشین

حوزه‌های تخصصی:
تعداد بازدید : ۱۱۹ تعداد دانلود : ۱۲۳
این پژوهش با هدف پیش بینی احتمال وقوع ریسک عملیاتی در صنعت بانکداری با استفاده از الگوریتم های یادگیری ماشین انجام شده است. پژوهش حاضر با تحلیل داده های ریسک عملیاتی و ارزیابی عملکرد الگوریتم های یادگیری ماشین به منظور ارائه الگوریتم هایی مؤثر برای پیش بینی دقیق تر احتمال وقوع ریسک عملیاتی و مدیریت بهتر آن در صنعت بانکداری صورت گرفته است. در این پژوهش، داده های مرتبط با ریسک عملیاتی از سال 1395 تا 1402 جمع آوری و پیش پردازش شد و سپس با استفاده از مدل های یادگیری ماشین مانند RF، DT، SVM، LR، NB و KNN پیش بینی انجام شد. عملکرد مدل ها با معیارهایی همچون دقت، صحت، بازخوانی، F1-score و AUC ارزیابی شد تا بهترین مدل برای پیش بینی احتمال وقوع ریسک انتخاب شود. نتایج نشان می دهند که الگوریتم های RF و SVM در پیش بینی احتمال وقوع ریسک عملیاتی در تمامی حالت ها عملکرد بسیار خوبی دارند؛ به علاوه که الگوریتم های یادگیری ماشین توانایی بالایی در پیش بینی وقوع ریسک عملیاتی دارند و می توانند ابزار مؤثری برای تصمیم گیری های مدیریتی در صنعت بانکداری فراهم کنند.
۲.

پیش بینی ریسک عملیاتی در صنعت بانکداری با استفاده از الگوریتم های یادگیری ماشین(مقاله علمی وزارت علوم)

نویسنده:
منبع: تحقیقات مالی دوره ۲۷ زمستان ۱۴۰۴ شماره ۴ 905 - 930

کلیدواژه‌ها: ریسک عملیاتی یادگیری ماشین مدیریت ریسک پیش بینی ریسک

حوزه‌های تخصصی:
تعداد بازدید : ۱۳ تعداد دانلود : ۸
هدف: در این پژوهش، به بررسی و بهبود مدیریت ریسک عملیاتی در بانک ها با استفاده از الگوریتم های یادگیری ماشین پرداخته شده است. مدیریت مؤثر ریسک عملیاتی که از نقص های داخلی یا خارجی در فرایندها، سیستم ها و افراد نشئت می گیرد، به دلیل تأثیرهای منفی آن بر عملکرد و پایداری بانک ها، اهمیت بسیار زیادی دارد. هدف این پژوهش، ارائه رویکردی نوین برای بهبود مدیریت ریسک های عملیاتی در بانک ها با استفاده از تکنیک های یادگیری ماشین است. با توجه به اهمیت پیش بینی دقیق ریسک های عملیاتی، برای جلوگیری از خسارت های احتمالی و بهبود فرایندهای تصمیم گیری در صنعت بانکداری، این پژوهش به دنبال ارتقای دقت و کارایی مدل های پیش بینی ریسک است. تمرکز اصلی بر استفاده از داده های واقعی بانک ها و ارزیابی الگوریتم های یادگیری ماشین، به منظور شناسایی بهترین روش ها برای پیش بینی سطوح ریسک های مختلف است. روش: در این پژوهش از الگوریتم های یادگیری ماشین برای پیش بینی سطح وقوع ریسک های عملیاتی استفاده شده است. داده ها از مجموعه داده های ریسک عملیاتی یکی از بانک های ایرانی در دوره زمانی ۱۳۹۵ تا ۱۴۰۲ با ۴۲۱۳ رکورد و ۱۲ ویژگی جمع آوری شدند. پس از پیش پردازش داده ها، از الگوریتم های مختلف یادگیری ماشین شامل درخت تصمیم، جنگل تصادفی، ماشین بردار پشتیبان، رگرسیون لجستیک، بیز ساده و k نزدیک ترین همسایه، برای آموزش مدل ها استفاده شد. داده ها به نسبت ۸۰ به ۲۰ به مجموعه های آموزشی و آزمون تقسیم و با استفاده از اعتبارسنجی متقابل K تایی ارزیابی شدند. عملکرد مدل ها با استفاده از معیارهایی نظیر دقت، صحت، یادآوری، F1-score و منحنی ROC-AUC سنجیده و بهترین مدل برای پیش بینی های آتی انتخاب شد. یافته ها: یافته های این پژوهش نشان می دهد که استفاده از الگوریتم های یادگیری ماشین، می تواند به طور چشمگیری دقت پیش بینی ریسک های عملیاتی در بانک ها را افزایش دهد. در ارزیابی الگوریتم های مختلف، الگوریتم SVM و RF بهترین عملکرد را نشان دادند، به ویژه در طبقه بندی کلاس سوم که دقت مدل با معیار AUC نزدیک به ۱ بود. این نتایج از توانایی بالای این دو الگوریتم در تمایز دقیق بین سطوح مختلف ریسک های عملیاتی حکایت می کند. در مقابل، الگوریتم های LR و NB ضعیف ترین عملکرد را از خود نشان دادند و نتوانستند به خوبی ریسک ها را پیش بینی کنند. به طور کلی، یافته ها نشان می دهد که الگوریتم های قدرتمندی مانند SVM و RF می توانند ضمن کمک به بهبود مدیریت ریسک های عملیاتی در بانک ها، از آسیب های نشئت گرفته از مدیریت نادرست این ریسک ها جلوگیری کنند. نتیجه گیری: این پژوهش نشان داد که استفاده از الگوریتم های یادگیری ماشین می تواند به طور درخور توجهی به بهبود مدیریت ریسک های عملیاتی در بانک ها کمک کند. الگوریتم های پیشرفته یادگیری ماشین، به ویژه SVM و RF، برای پیش بینی ریسک های عملیاتی دقت بیشتری ارائه دادند و امکان شناسایی الگوهای پیچیده و غیرمعمول را فراهم کردند. این فناوری ها با بهبود کارایی و کاهش هزینه های مربوط به مدیریت ریسک، به بانک ها کمک می کنند تا استراتژی های بهتری برای مقابله با ریسک های عملیاتی تدوین کنند؛ از این رو به کارگیری مستمر این فناوری ها می تواند عملکرد بانک ها را در زمینه مدیریت ریسک عملیاتی ارتقا بخشد.
۳.

Identification of Key Modules of Lung Cancer in Gene Regulatory Network using Greedy Modularity Optimization Approach(مقاله علمی وزارت علوم)

نویسنده:
منبع: International Journal of Web Research, Volume ۷, Issue ۳, ۲۰۲۴ 65 - 77

کلیدواژه‌ها: Cancer-effective modules Gene Regulatory Networks greedy optimization algorithm lung cancer driver genes

تعداد بازدید : ۱۴۴ تعداد دانلود : ۸۳
Cancer is a complex and dangerous disease in which cells uncontrollably begin to grow. Some cells, with mutated genes, cause abnormalities in the cell. These abnormalities are transferred to other genes through specific interactions between genes, leading to disruptions in the normal function of cells. The result of these cell abnormalities will be the occurrence of cancer. In cancer, modules are considered as clusters of genes and regulatory molecules that play a role in the processes of cancer initiation and progression. These modules usually have a specific gene sequence as a central unit that is important in controlling and regulating cellular processes related to cancer.In this study, a novel network-based method called mdGRN is proposed for identifying modules effective in lung cancer occurrence in the gene regulatory network. In this method, first, using gene expression data and regulatory interactions, a lung cancer regulatory network is constructed. Then, using a greedy modularity optimization approach, communities related to lung cancer are identified. Subsequently, the obtained communities are ranked using influence diffusion metrics in the network. Finally, the top-ranked communities are introduced as effective modules.To assess the efficacy of the proposed method, the standard Cancer Genome Atlas (TCGA) database and four classifiers including a decision tree, k-nearest neighbors, support vector machine, and random forest were utilized. The results obtained demonstrated that the proposed mdGRN method outperforms other methods in identifying cancer modules in terms of the average harmonic mean metric with the support vector machine classifier. Additionally, in terms of the AUC metric, the proposed method achieved a value of 0.997 using the random forest classifier, indicating better performance compared to other previous methods in identifying cancer modules. Furthermore, the number of genes identified by the top module is compared with other previous computational and network methods. The results show that the top-ranked module, besides containing a considerable number of driver genes, contains unique genes that have not been identified by other methods.
۴.

رویکرد پژوهش علم طراحی برای پیش بینی ریسک نقدینگی با استفاده از شبکه یادگیری کانولوشنی و تحلیل تمایل(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهش های مدیریت در ایران دوره ۲۷ زمستان ۱۴۰۲ شماره ۴ (پیاپی ۱۲۲) 138-168

کلیدواژه‌ها: روش شناسی علم طراحی پیش بینی ریسک نقدینگی تحلیل تمایل تحلیل سناریو

حوزه‌های تخصصی:
تعداد بازدید : ۱۰۷ تعداد دانلود : ۱۳۵
روش پژوهش علم طراحی یا DSR یک رویکرد برای ارائه راه حل کاربردی بر پایه اصول علمی به منظور تولید نتایج و فرآورده های مستدل و استنتاج شده و در عین حال قابل ارزیابی علمی نتایج در قالب مصنوعات اولیه و استفاده عملی در چهار مرحله اصلی است که نهایتا منتج به کارایی و اثربخشی کاربردی آن ها در دنیای بیرون می گردد. DSR با طراحی و ایجاد یک الگوی نظری در مرحله نمونه سازی، سناریوهای واقعی را ارزیابی و سپس راه حل را در موارد عملی مورد بررسی قرار می دهد. از این حیث در این پژوهش سعی شده است تا با استفاده از روش پژوهش علم طراحی راه حلی نوآورانه برای پیش بینی ریسک نقدینگی بانک و سناریوهای پیش رو ارائه شود. این مطالعه از رویکرد تحلیل تمایل و روش های یادگیری عمیق همچون شبکه عمیق کانولوشنی در پیش بینی ریسک نقدینگی بهره گرفته و روشی ساده و موثر برای شناسایی متغیرهای کیفی پویا از اخبار اخیر پیرامون یک بانک داخلی کشور ارائه می نماید. سناریوهای پیش بینی شده در اختیار صاحب نظران بانکی در دنیای واقعی جهت تسهیل تصمیم سازی در اقدامات ریسک قرار می گیرد. بر اساس دستورالعمل کمیته بازل و سایر محدوده های نظارتی بانکی اروپا، مقایسه این سناریوها با سناریوهای رخ داده در بانک حاکی از دقت نسبتاً بالا روش پیشنهادی است. در سناریوهای مستخرج از کمیته بازل و برگرفته از مرجع بانکی اروپا ، دقت پیش بینی به ترتیب حدود 91% و82% است.
۵.

Comparing Supervised Machine Learning Models for Covid-19 patient detection using a Combination of Clinical and Laboratory Dataset(مقاله علمی وزارت علوم)

نویسنده:
منبع: International Journal of Web Research, Volume ۵, Issue ۱,Spring-Summer ۲۰۲۲ 8 - 18

کلیدواژه‌ها: COVID-19 Coronavirus early detection machine learning techniques Supervised model

تعداد بازدید : ۴۶۸ تعداد دانلود : ۲۷۱
COVID-19 is a new variant of SARS-COV-2 which can lead to mild to severe infection in humans. Despite the remarkable efforts to contain the epidemic, the virus spread rapidly around the world and its prevalence continued with different degrees of clinical symptoms in many countries. Although common strategies including prevention, diagnosis, and care are necessary to curb this epidemic, early and accurate diagnosis can play an important role in reducing the speed of the epidemic. In this regard, the use of technologies based on artificial intelligence can be of great help. For this reason, since the outbreak of COVID-19, many researchers have tried to use machine learning techniques as a subset of artificial intelligence for the early diagnosis of COVID-19. Considering the importance and role of using clinical and laboratory data in the diagnosis of people with covid-19, in this paper K-NN, SVM, decision tree, random forest, Naive Bayes, neural network and XGBoost models are the most common machine learning models, and a dataset containing 1354 records consisting of clinical and laboratory data of patients in Imam Hossein Hospital in Tehran has been used to diagnose patients with covid-19. The results of this research indicate that based on the evaluation criteria, XGBoost and K-NN models have the most accuracy among the mentioned models and can be considered suitable predictive models for the diagnosis of COVID-19.
۶.

سیستم تصمیم یار نظارت شرعی بر عقود اسلامی بانکی با رویکرد فازی(مقاله علمی وزارت علوم)

نویسنده:
منبع: اقتصاد و بانکداری اسلامی دوره ۶ زمستان ۱۳۹۶ شماره ۲۱ 29 - 42

کلیدواژه‌ها: کشف تخلف فازی پروفایل کاربر

حوزه‌های تخصصی:
تعداد بازدید : ۱۴۲ تعداد دانلود : ۱۶۲
حجم و تعداد بالای تراکنش های یکی از عوامل اصلی کسب سود و درآمد در کسب و کارهای بانکی و از جمله در بانکداری اسلامی است، با این وجود وقوع تقلب یکی از دغدغه های اصلی این کسب وکارها در عصر الکترونیکی شدن فعالیت ها است. علاوه بر این دغدغه ای که در بانکداری اسلامی وجود دارد این است که خدمات و محصولات ارائه شده توسط این بانک ها منطبق بر موازین شرعی و اسلامی باشد و همچنین این محصولات برای اهداف تعیین شده مورد استفاده قرار بگیرند. افراد سودجو و متخلفان از تسهیلات و امکاناتی که در بانکداری اسلامی ارائه می شود استفاده می کنند و آن ها را در مواردی غیر مرتبط صرف کرده و در نتیجه شبهه غیرشرعی بودن را برای بانک ایجاد می کنند. از طرفی پیگیری این درخواست ها و سنجش میزان شرعی بودن آن ها وظیفه ای زمان بر و پیچیده است که نیاز به متخصصین و خبرگان امر دارد. در این مقاله روشی ارائه شده است که با بهره گیری از دانش نهفته در داده ها و اسناد تاریخی بانک و همچنین بهره گیری از نظرات خبرگان امر، مدل رفتاری نرمال را شبیه سازی کرده و با استفاده از توابع عضویت تعریف شده فازی میزان تطابق درخواست ها با رفتارهای مطلوب را تعیین کرده و نتیجه به صورت عددی بین صفر و یک در خروجی ارائه می شود که نشان دهنده میزان ریسک غیرشرعی بودن درخواست مورد پردازش است. این سیستم به صورت سیستمی تصمیم یار برای بانکدار عمل می کند که می تواند با سرعت بسیار بیشتری نسبت به بررسی های کاملاً انسانی عمل کرده و با گذشت زمان و بلوغ سیستم، نتایج بدست آمده از آن نیز واقعی تر و دقیق تر می شوند و در نهایت نیاز به بررسی های انسانی و دستی را تا حد ممکن کاهش می دهد.

کلیدواژه‌های مرتبط

پدیدآورندگان همکار

تبلیغات

پالایش نتایج جستجو

تعداد نتایج در یک صفحه:

درجه علمی

مجله

سال

حوزه تخصصی

زبان