ماشین بردار پشتیبان

هدف: در این مقاله به پیش بینی سود/ زیان بانک توسعه تعاون، مبتنی بر روش یادگیری جمعی دومرحله ای پرداخته شده است. مدل سازی پیش بینی سود و زیان با استفاده از روش های یادگیری ماشین، به عنوان یکی از تکنیک های نوین در محاسبات عددی با بهره گیری از کلان داده، از جمله اهداف این مقاله است. بدین ترتیب، در این مقاله از روش ماشین یادگیری جمعی دومرحله ای، مبتنی بر مدل های ماشین بردار پشتیبان، درخت تصمیم گیری و میانگین وزنی، برای یادگیری و آزمون و پیش بینی سود/ زیان بانک توسعه تعاون استفاده شده است.روش: مدل های پایه به کار رفته در مرحله اول، ماشین یادگیری، ماشین بردار پشتیبان و درخت تصمیم گیری است و در مرحله دوم، از میانگین وزنی استفاده شده است. بر اساس ترکیب مدل های پایه یادگیری، ابتدا به آزمون و یادگیری روند پیش بینی ۳۵ شعبه بانک توسعه تعاون در ایران، طی سال های ۱۳۹۱ تا ۱۴۰۰ پرداخته شد. این روش مبتنی بر یادگیری ماشین دومرحله ای است که برای انجام این کار از ۱۲ متغیر (نسبت مالی) در پنج عامل دسته بندی شده استفاده شده است. این متغیرها به ترتیب عبارت اند از: سپرده های قرض الحسنه، سپرده های کوتاه مدت، هزینه سود سپرده، سپرده های مشتریان، درآمد تسهیلات و سپرده گذاری، درآمدهای مشاع، موجودی نقدی، هزینه های اداری، سپرده های بلندمدت، درآمدهای غیرمشاع، هزینه استهلاک دارایی و اندازه بانک. برای دستیابی به داده های مدنظر، از صورت های مالی ۳۵ شعبه بانک توسعه تعاون، طی سال های ۱۳۹۱ تا ۱۴۰۰ استفاده شد. همچنین برای کاهش خطای پیش بینی و قابلیت مقایسه نسبت ها، تمامی شاخص های یادشده نسبت به ارزش کل دارایی های بانک تعدیل شد. در این روش و در مرحله اول، از دو مدل یادگیری ماشین بردار پشتیبان و درخت تصمیم گیری و در مرحله دوم از روش میانگین وزنی استفاده شد.یافته ها: یافته های مقاله در خصوص یادگیری و مقایسه آن با روش رگرسیون خطی و همچنین سود/زیان واقعی بانک توسعه تعاون، نشان داد که دقت عملکرد این روش بسیار زیاد است؛ به گونه ای که معیار MAE برابر با 66/5 و معیار MSE برابر با 34/620 به دست آمد. همچنین هم بستگی بین داده های آموزش دیده و پیش بینی شده ای که از یادگیری ماشین جمعی دو مرحله ای به دست آمد، برابر با 9977/0 بود. پس از بررسی کارایی این روش، به پیش بینی سود/ زیان بانک توسعه تعاون برای سال های 1401 تا 1405 پرداخته شد. نتیجه گیری: نتایج به دست آمده از کارایی بالای روش ماشین یادگیری جمعی دومرحله ای، نشان می دهد که مدیران می توانند از این روش ها در پیش بینی سود/ زیان بانک ها استفاده کنند. بر اساس روش یادگیری ماشین دو مرحله ای، اگر شرایط نامتعارف و غیرنرمالی وجود نداشته باشد، در سال های آتی و در نهایت در سال ۱۴۰۵، زیان انباشته شده بانک توسعه تعاون کاهش و سود آن افزایش خواهد یافت. بر اساس نتایج تجزیه وتحلیل داده ها، میانگین نسبت سود یا زیان خالص بانک به کل دارایی های آن، به نحوی است که زیان دهی متوسط شعب بانک را طی دوره پژوهش گزارش می دهد.

یکی از اولویت های مهم وزارت جهاد کشاورزی، تهیه نقشه نوع محصول کشاورزی برای تخمین میزان سطح زیرکشت محصولات استراتژیک و برآورد سالیانه میزان تولید آنهاست. در دهه های اخیر، فناوری سنجش از دور به دلیل تهیه تصاویر و داده های به هنگام با تفکیک پذیری های متنوع مکانی، زمانی و طیفی و با بهره گیری از الگوریتم های یادگیری ماشین بهبودیافته در تخمین میزان سطح زیرکشت محصولات کارایی زیادی را نشان داده است. در پژوهش حاضر با استفاده از سری زمانی تصاویر ماهواره لندست-8 و الگوریتم های یادگیری ماشین پیشرفته یک چهارچوب تهیه نقشه نوع محصول کشاورزی مرودشت استان فارس ارائه شد. الگوریتم های به کار گرفته شده شامل الگوریتم درخت تصمیم، جنگل تصادفی، جنگل دورانی، ماشین بردار پشتیبان و آنالیز انحراف زمانی پویا بود. نتایج نشان داد که روش های آنالیز انحراف زمانی پویا و جنگل تصادفی نسبت به روش های دیگر کارایی بسیار بیشتری (با افزایش دقت کلی به میزان 10% تا 12% بیشتر) در تهیه نقشه نوع محصول کشاورزی منطقه مطالعه شده داشتند. همچنین، در این پژوهش قابلیت باندهای 2 تا 5 ماهواره لندست-8 در شناسایی کارا و مطمئن همه محصولات این منطقه با استفاده از روش های مذکور اثبات شد.

از جمله شروط مهم برای بهره برداری بهینه از زمین، دستیابی به اطلاعاتی در ارتباط با الگوهای کاربری اراضی و تغییرات آن در طول زمان می باشد. کاربری اراضی، معمولا بر اساس استفاده انسان از زمین، با تأکید بر نقش کاربردی زمین در فعالیت های اقتصادی تعریف می شود .امروزه فناوری سنجش از دور به عنوان عنصر اصلی در پایش کاربری اراضی به شمار می رود. هدف از پژوهش حاضر استخراج نقشه های کاربری اراضی سال های 2000 و 2021 در منطقه فیروز آباد خلخال و بررسی تغییرات ایجاد شده در بازه ی زمانی مورد مطالعه در منطقه با استفاده از تصاویر سنجنده های ETM و OLIماهواره ی لندست می باشد. همچنین بررسی قابلیت روش های پیکسل پایه و شی گرا جهت طبقه بندی کاربری اراضی هدف دیگر این مطالعه است. در پژوهش حاضر برای طبقه بندی کاربری اراضی از الگوریتم نزدیکترین همسایه تکنیک شیءگرا و روش ماشین بردار پشتیبان الگوریتم پیکسل پایه استفاده شده است. سپس برای صحت سنجی این دو روش، صحت کلی و ضریب کاپا استخراج شد نتایج این ارزیابی نشان دهنده ی دقت بالای روش شی گرا در استخراج طبقات کاربری اراضی می باشد. براساس نتایج حاصله از آشکارسازی تغییرات کاربری اراضی در دوره زمانی مورد مطالعه، بیشترین میزان تغییرات اتفاق افتاده مربوط به کاربری مرتع خوب به مرتع ضعیف با مقدار 72/51 کیلومتر مربع و بعد آن جنگل به مرتع خوب با مقدار 11/30 است و کمترین تغییرات مربوط به کاربری مرتع به آب با مقدار 03/0 کیلومتر مربع می باشد. دلایل این تغییرات افزایش جمعیت، چرای بی رویه دام، استفاده نادرست و غیرقاونی از اراضی مختلف می باشد. استفاده از پارامترهایی بیشتری نظیر مقیاس، شکل، فشردگی، رنگ، بافت، معیار نرمی و الگو، برای طبقه بندی کاربری اراضی در تکنیک شیءگرا می توان به عنوان نوآوری مطالعه ی حاضر مد نظر قرار داد.

هدف از این مطالعه توسعه مدل های حساس فرسایش خندقی با اجرای الگوریتم یادگیری ماشینی (ماشین بردار پشتیبان و درخت رگرسیون تقویت شده) در حوضه مُهر است. ابتدا، مناطق خندقی شناسایی و پس از آن 13 متغیر مستعد کننده فرسایش خندقی (شیب، جهت شیب، شاخص رطوبت توپوگرافی، شاخص قدرت جریان، شاخص زبری سطح، فاصله از آبراهه، تراکم زهکشی، فاصله از جاده، کاربری اراضی، پوشش گیاهی، متوسط بارندگی سالانه، زمین شناسی و بافت خاک) انتخاب شد. ضریب تورم واریانس برای ارزیابی چندخطی بین متغیرها استفاده شد. در نهایت نقشه حساسیت فرسایش خندقی در محیط (R) تهیه شد. همچنین تأثیر ویژگی های فیزیکی و شیمیایی خاک بر فرسایش خندقی با استفاده از رگرسیون چند متغیره بررسی شد. از نظر اهمیت متغییرها، در مدل SVM کاربری اراضی و در مدل BRT زمین شناسی بیشترین تأثیر را بر فرسایش خندقی دارد. نقشه حساسیت پیش بینی شده با کمک منحنی مشخصه عملکرد گیرنده (ROC) اعتبارسنجی شد. نتایج نشان داد که مساحت زیر منحنی (AUC) در مدل های ماشین بردار پشتیبان و درخت رگرسیون تقویت شده به ترتیب 92/0 و 94/0 محاسبه شد که منجر به پیش بینی دقیقی شد. همچنین نتایج نشان داد متغیر ماسه (299/9)، نسبت جذب سدیم (967/7) و مواد خنثی شونده (185/6) بیشترین تأثیر را بر فرسایش خندقی دارد

با توسعه روش های گوناگون در زمینه طبقه بندی تصاویر ماهواره ای و آشکارسازی تغییرات به ویژه در دهه های اخیر انتخاب بهترین و صحیح ترین روش برای تهیه نقشه کاربری و پوشش اراضی در مناطق مختلف رشد روزافزونی داشته است. هدف اصلی این پژوهش مقایسه دقت انواع روش های طبقه بندی برای تهیه نقشه کاربری اراضی در شهر رضوانشهر می باشد. بدین منظور هفت کلاس کاربری اراضی در شهر رضوانشهر (شامل مراتع، مناطق مسکونی، جاده، زمین های زراعی، رودخانه، مناطق ساحلی و جنگل) با استفاده از تصاویر ماهواره ای تعیین شدند. سپس نمونه های آموزشی از سطح منطقه با استفاده از تصاویر ماهواره ای، تصاویر گوگل ارث و بازدید میدانی جمع آوری شد. در مرحله بعد با استفاده از ویژگی های تصاویر کلاس های کاربری اراضی در محدوده مورد مطالعه تعیین و پس از مشخص نمودن میزان تفکیک پذیری کلاس ها طبقه بندی به صورت حداکثراحتمال (MLC)، ماشین بردار پشتیبان(SVM)، حداقل میانگین فاصله (MD) انجام شد. نتایج ارزیابی این سه روش نشان داد که روش ماشین بردار پشتیبان نسبت به روش های دیگر از دقت بیش تری (صحت کلی 60/92 ضریب کاپا 87/0 برای سال 2000 و صحت کلی 16/97 و ضریب کاپای 93/0 برای سال 2022) برخوردار است. بنابراین از نتایج این پژوهش می توان برای تهیه نقشه کاربری اراضی با دقت بالاتر با استفاده از روش ماشین بردار پشتیبان در کارهای ارزیابی محیط زیست و منابع طبیعی در مناطق با شرایط مشابه استفاده نمود.

رقابت های جهانی، صنابع پویا و چرخه های نوآوری و فناوری که به سرعت در حال کوتاه شدن هستند همگی چالش های مهمی را برای صنعت مالی، بانکداری و بیمه ایجاد کرده اند و نیاز به تجزیه و تحلیل داده ها جهت بهبود فرآیندهای تصمیم گیری- در این سازمان ها بیش از پیش اهمیت پیدا کرده است؛ در این میان، داده هایی که در پایگاه-های اطلاعاتی این سازمان ها نگهداری می شوند به عنوان منابع ارزشمند اطلاعات و دانش مورد نیاز جهت تصمیم-گیری های سازمانی مطرح می باشند؛ در این تحقیق بر روی مشتریان مشترک صنعت بانکداری و بیمه تمرکز شده است. هدف از این تحقیق، ارائه روشی جهت پیش بینی عملکرد مشتریان جدیدالورود بر مبنای رفتار مشتریان پیشین است؛ برای این منظور، از یک مدل ترکیبی مبتنی بر ماشین بردار پشتیبان و الگوریتم ژنتیک استفاده شده است؛ بدین ترتیب که ماشین بردار پشتیبان، وظیفه مدل سازی رابطه بین عملکرد مشتریان و اطلاعات هویتی آنها را بر عهده دارد و الگوریتم ژنتیک، وظیفه تنظیم و بهینه سازی پارامترهای ماشین بردار پشتیبان را عهده دار است. نتایج به دست آمده از طبقه بندی مشتریان- با استفاده از مدل پیشنهادی در این تحقیق- طبقه بندی مشتریان با دقت بالای ۹۹ درصد است.

فرسایش خاک یک مشکل جهانی است که منابع آب و خاک را تهدید می کند و تغییرات کاربری اراضی یکی از عوامل مهم در فرسایش خاک است. هدف از این پژوهش ارزیابی میزان هدررفت خاک در کاربری های اراضی حوزه آبخیز نیرچای با استفاده از مدل RUSLE در استان اردبیل است. به منظور اجرای این تحقیق ابتدا تصویر ماهواره ای منطقه مورد مطالعه مربوط به سال 1400 و ماه خرداد از مرکز تحقیقات زمین شناسی آمریکا دریافت و پس از تصحیحات اتمسفری و رادیومتریک با استفاده از روش طبقه بندی نظارت شده به شیوه ماشین بردار پشتیبان اقدام به تهیه نقشه کاربری اراضی شد. سپس به منظور برآورد میزان فرسایش از مدل RUSLE استفاده شد. جهت تجزیه و تحلیل و تولید نقشه ها در اجرای این تحقیق نیز از نرم افزارهای SPSS 21، Excel، ArcGIS 5.4، Archydro و ENVI 5.3 استفاده شد. لایه پارامترهای مدل RUSLE شامل لایه فرسایندگی باران، لایه خاک، لایه توپوگرافی، لایه پوشش گیاهی و عامل حفاظتی خاک هم چنین آمارهای مختلف مربوط به ایستگاه های باران سنجی، هیدرومتری، نقشه های توپوگرافی 1:50000، زمین شناسی 1:100000 هم چنینDEM (20 متر منطقه) و نیز بهره گیری از سیستم اطلاعات جغرافیایی GIS و سنجش از دور استفاده شده است. نتایج این مطالعه نشان داد که مقدار متوسط فرسایش سالانه خاک برای کل حوضه در دامنه بین 5/0 تا 25/14 تن در هکتار در سال متغیر است. هم چنین بررسی روابط رگرسیونی بین فاکتورهای مدل RUSLE و مقدار فرسایش سالانه خاک نشان داد که فاکتور توپوگرافی (LS) با بالاترین مقدار ضریب تعیین R^2=0/93 بیش ترین اهمیت را در برآورد فرسایش سالانه خاک به وسیله مدل RUSLE دارد.

تعیین بار رسوبی معلق رودخانه ها یکی از پروژه های مهم مهندسی رودخانه می باشد. پیش بینی بار رسوبی معلق کمک شایانی در زمینه مدیریت منابع آبی خواهد نمود. سوال اصلی در این تحقیق بررسی نقش انواع داده های روزانه، ماهانه و سالانه در برآورد بار رسوبی با استفاده از مدل های مبتنی بر یادگیری ماشین است. بدین منظور از آمار بار معلق در سه مقیاس زمانی روزانه، ماهانه و سالانه ایستگاه هیدرومتری اوهایو واقع در ایالات متحده آمریکا در فاصله سال های 1992 تا 2014 استفاده گردید. با هدف انتخاب مناسب ترین مدل، مدل های شبکه عصبی مصنوعی پس انتشار خطا و تابع پایه ی شعاعی، رگرسیون خطی، k نزدیک ترین همسایه، درخت تصمیم M5، فرآیند گوسی، ماشین بردار پشتیبان و ماشین بردار پشتیبان تکاملی اجرا و مورد ارزیابی قرار گرفتند. نتایج حاصل از این ت حقیق نشان داد که ب رای داده های روزانه، م دل k نزدیک ترین همسای ه با 28/5RMSE=؛ برای داده های ماهانه مدل فرآیند گوسی با 7/8RMSE= و برای داده های سالانه مدل فرآیند گوسی با مقدار 2/7RMSE= مناسب ترین مدل جهت پیش بینی بار رسوبی معلق بوده اند. همچنین مقایسه مقادیر ارزیابی مدل ها حاکی از آن است که پیش بینی داده های سالانه نسبت به ماهانه و روزانه از دقت بیشتری برخوردار هستند.  

برآورد دقیق آبدهی رودخانه ها یکی از مهم ترین موارد کلیدی در مدیریت و برنامه ریزی منابع آب به ویژه اتخاذ تصمیمات صحیح در مواقع سیلاب و بروز خشک سالی ها است. برای برآورد میزان آبدهی رودخانه ها رویکردهای متنوعی در هیدرولوژی معرفی شده است که مدل های هوشمند از مهم ترین آن ها می باشد. در این پژوهش کاربرد مدل های هیبریدی ماشین بردار پشتیبان_ موجک و ماشین بردار پشتیبان-بیزین به منظور برآورد دبی رودخانه های حوضه آبریز کرخه براساس آمار آبدهی روزانه ایستگاههای هیدرومتری واقع در بالادست سد کرخه طی دوره آماری(1387-1397) مورد بررسی و ارزیابی قرار گرفته است. معیارهای ضریب همبستگی، ریشه میانگین مربعات خطا و میانگین قدر مطلق خطا برای ارزیابی و عملکرد مدلها مورد استفاده قرار گرفت. نتایج نشان داد ساختارهای ترکیبی نتایج قابل قبولی در مدلسازی دبی رودخانه ارائه می نمایند. همچنین مقایسه مدل ها نشان داد مدل هیبریدی ماشین بردار پشتیبان-موجک دقت بهتری در پیش بینی جریان از خود نشان داده است. در مجموع نتایج نشان داد استفاده از مدل هیبریدی ماشین بردار پشتیبان می تواند در زمینه پیش بینی دبی روزانه مفید باشد .

ب ا توج ه ب ه وس عت زی اد کش ور ایران و گس تردگی من اطق پتانس یل دار ذخ ایر مع دنی (وج ود کمربن د ولک انیکی ارومی ه دخت ر) و ل زوم شناس ایی و م دیریت ص حیح ای ن ذخ ایر، اس تفاده از سیستم اطلاع ات مکانی به همراه مدل های پیش بینی کننده داده و دانش محور، نقش بس یار مهمی به منظور تهیه نقشه پتانسیل از احتمال یافتن ذخایر معدنی در یک مکان خاص دارد. هدف این تحقیق پیش بینی ذخایر مس پورفیری در منطقه دهج - بزمان استان کرمان با استفاده از دو روش جنگل ها ی تصادفی[1] و ماشین بردار پشتیبان[2] است. به این منظور، از یک پایگاه داده مکانی متشکل از نقشه ها ی جنس واحدهای سنگی، ساختارها، آلتراسیون، ژئوشیمی، ژئوفیریک و موقعیت 24 کانسار مس پورفیری شناخته شده در منطقه استفاده شد. با توجه به نتایج حاصل شده، مدل جنگل ها ی تصادفی توانست با صحت 93.33 درصد مناطق امید بخش ذخایر مس پورفیری را پیش بینی کند. همچنین، در نقشه پتانسیل بدست آمده از این مدل، مناطق هدف 14 درصد از منطقه مورد مطالعه را در برگرفته است، که در آن 92 درصد ذخایر شناخته شده مشخص شده اند. علاوه بر این، به منظور مقایسه نقشه پتانسیل ذخایر مس پورفیری منتج از روش جنگل های تصادفی، از روش ماشین بردار پشتیبان و روش های دانش محور همپوشانی شاخص و منطق فازی استفاده شد. در نقشه های پتانسیل ذخایر مس پورفیری بدست آمده از سه روش ماشین بردار پشتیبان، همپوشانی شاخص و منطق فازی به ترتیب مناطق هدف 17،16،14 درصد از منطقه مورد مطالعه را در برگرفته است که در آن ها 79،83،87 درصد ذخایر شناخته شده وجود دارند. براساس نتایج این تحقیق، مدل جنگل ها ی تصادفی از نظر صحت پیش بینی از کارایی بالاتری نسبت به مدل های دیگر برخوردار بوده و مدل های ماشین بردار پشتیبان، همپوشانی شاخص و منطق فازی به ترتیب در رتبه های بعدی قرار دارند. [1] Random Forest (RF)[2]  Support Vector Machine (SVM)

ستانده نامطلوب جز لاینفکی از تولید درواحدهای تصمیم گیری مختلف می باشد و در جهت نزدیکترکردن تحلیلها به جهان واقعی نیاز به در نظر گرفتن ستانده نامطلوب در تحقیقات مرتبط با ارزیابی عملکرد می باشد ، در این مقاله، یک مدل ترکیبی جدید برای ارزیابی کارایی واحدهای تصمیم گیری در شرکت ملی پخش فرآورده های نفتی ایران ارائه شده است که در آن از تکنیک های تحلیل پوششی داده ها اسلک محور و الگوریتم های پیشرفته یادگیری ماشین استفاده می شود. مدل پیشنهادی به خصوص بر بهبود کارایی با توجه به ستانده های نامطلوب و در شرایط عدم قطعیت تمرکز دارد. سه الگوریتم یادگیری ماشین شامل شبکه های عصبی مصنوعی، ماشین های بردار پشتیبانی و XGBoost برای پیش بینی و بهبود نتایج مدل های SBM مورد استفاده قرار گرفته اند. این مطالعه شامل ارزیابی 37 واحد تصمیم گیری زیرمجموعه شرکت ملی پخش فرآورده های نفتی بوده که نتایج نشان دهنده بهبود معنادار کارایی با استفاده از داده های پیش بینی شده در مقایسه با داده های واقعی است. این تحقیق نه تنها به ارائه دیدگاه های جدید در ارزیابی و بهبود کارایی کمک می کند، بلکه روش های ترکیبی نوآورانه ای را برای مقابله با چالش های موجود در مدیریت عملیاتی ارائه می دهد.

تأمین بسترهای لازم برای رشد تولید مستلزم حیات کسب وکارها است؛ دراین بین یکی از عامل های اصلی بقاء کسب وکارها مسئله ی تأمین مالی آن ها محسوب می شود. روش عرضه اولیه بهامُهر روش نوین تأمین مالی کسب وکارها بر بستر فناوری بلاکچین است که امکان جذب سرمایه بالا از سراسر دنیا را طی مدت زمان کوتاه محقق می نماید. تبیین این روش و احصاء عوامل موفقیت آن ها ضروری به نظر میرسد. ازاین رو در این مقاله با استفاده از روش ماشین بردار پشتیبان به بررسی عوامل مؤثر بر موفقیت روش عرضه اولیه بهامُهر میان 307 پروژه از سال 2016 تا انتهای 2018 پرداخته ایم. اثر خصیصه های پروژه، کمپین، شبکه های اجتماعی و تیم در روندی تجمعی بر روی دو متغیر هدف کل وجوه جمع آوری شده در فرآیند عرضه اولیه بهامُهر و درصد دستیابی به حداکثر سرمایه تعیین شده توسط مؤسسین پروژه(هاردکپ) به عنوان ملاک های موفقیت طی دو سری مدل مجزا در این مقاله موردبررسی قرار گرفته-است. با دستیابی به مدل های منتخب بر اساس عملکرد آن ها و اولویت بندی خصیصه ها با استفاده از تکنیک لاسو، مقاله حاضر نشان می دهد دو خصیصه ی «ثابت بودن عرضه توکن» و «در دسترس بودن کد قرارداد هوشمند» بنابر نتایج هر دو مدل منتخب، بالاترین سطح تأثیرگذاری را در موفقیت یک عرضه اولیه بهامُهر ایفاء می نمایند. طبقه بندی JEL: G24، G32، G38، F34

فرسایش خاک ممکن است به از بین رفتن کیفیت خاک و در نتیجه، کاهش بهره وری خاک منجر شود. یکی از راه کارهای اساسی برای مهار و کاهش اثرات مخرب فرسایش، شناسایی مناطق مستعد فرسایش در مناطق است. به همین دلیل تعیین مناطق مستعد به فرسایش نقش مهمی در مدیریت فرسایش در منابع طبیعی دارد. تحقیق حاضر درصدد است تا با استفاده از دو روش یادگیری ماشینی جنگل تصادفی و ماشین بردار پشتیبان و 3327 نقطه وقوع فرسایش، مناطق مستعد به فرسایش را در استان اصفهان را تعیین نماید. عوامل محیطی در چهار گروه اصلی شامل عوامل توپوگرافی، عوامل اقلیمی، عوامل زیستی و عوامل انسان ساخت تهیه شدند. بررسی شاخص AUC نشان داد که هر دو مدل دارای دقت مناسبی بوده هرچند مدل جنگل تصادفی (AUC = 0.97) دارای دقت بالاتری نسبت به مدل ماشین بردار پشتیبان (AUC = 0.86) بود. بر اساس نتایج مدل ماشین بردار پشتیبان، حدود 6/11 درصد در کلاس پرخطر و حدود 6/68 درصد در کلاس خطر کم فرسایش قرار دارد. همچنین در مدل جنگل تصادفی حدود 1/20 درصد در کلاس پرخطر و حدود 2/49 درصد در کلاس خطر کم قرار دارد. در این زمینه، نتایج به دست آمده می تواند با ارائه گستره ای از مناطق استان اصفهان و بهره گیری از این دو مدل، به تصمیم گیران و برنامه ریزان در تدوین برنامه ای مدیریتی و نیز اتخاذ اقداماتی راهبردی در جهت کنترل فرسایش کمک کند.

امروزه جمع آوری داده های بیماری ها، به جهت شناسایی و درمان آن ها از اهمیت زیادی برخوردار است. به منظور کشف الگوهای پنهان در این داده ها می توان از روش های داده کاوی استفاده کرد. نتایج حاصل از داده کاوی به پزشکان کمک می کند تا بتوانند راه حل های جدیدی را برای درمان یا پیشگیری بیماری ها پیدا کنند. افسردگی ازجمله بیماری های روانی است که روزبه روز در حال گسترش است. این بیماری همراه با اختلال در خلق وخو، اندیشه و بدن ایجاد و باعث می شود فرد احساس ناراحتی و بی فایده بودن کند. هدف اصلی این پژوهش ارائه مدلی در جهت تشخیص میزان افسردگی بیماران افسرده و بررسی ارتباط آن با موسیقی در جهت ارائه راه حل های مفید به منظور بهبود این بیماران است. در این تحقیق 470 نفر از بیماران مبتلا به افسردگی 2 شهر تهران و کرج موردبررسی قرار گرفتند تا ارتباط بین پارامترهای سبک زندگی و موسیقی موردعلاقه آن ها با بیماری افسردگی کشف شود. بیماری های فیزیکی مختلفی می تواند منجر به افسردگی شود. ازاین رو، تعدادی از این بیماری ها در این پژوهش موردبررسی قرار گرفتند. از الگوریتم های درخت تصمیم گیر و ماشین بردار پشتیبان و برنامه رپیدماینر استفاده شد. نتایج نشان داد که موسیقی و ورزش نقش مهمی در میزان افسردگی افراد دارد و گوش کردن به موسیقی های غمگین و راک و متال می تواند به افسرده شدن فرد کمک کند.

هدف: پس از انقلاب تکنولوژی و اینترنت، انقلاب هوش مصنوعی به طور ویژه تاثیر بسزا و چشمگیری بر علوم مختلف ازجمله حسابداری داشته است. در واقع مدل های مبتنی بر هوش مصنوعی با برآورد داده ها، قادر به انجام اموری همچون کشف و یا پیش بینی تقلب هستند، که عملاً با حذف خطای انسانی با خروجی قابل اتکاءتری توأم می باشند. در این راستا، هدف پژوهش حاضر بررسی کارایی و اثربخشی روش «بیز ساده[1]» در پیش بینی تقلب است.