هوش محاسباتی

اگرچه دیر زمانی نیست که از تولد منطق فازی می گذرد ولی در همین مدت کوتاه هزاران مقاله و صدها کتاب و در همین حدود کنفرانس و نشست علمی در مورد منطق فازی برگزار شده است. در این میان چیزی که حائز اهمیت است آن است که علی رغم حجم گسترده کار روی منطق فازی این فعالیتها همه جانبه نبوده و بیشتر در زمینه ریاضیات و سیستم های مهندسی فازی فعالیت شده تا در حوزه مفاهیم بنیادی و مبانی آن، بگونه ای که امروزه بسیاری از مهندسان، ریاضیات فازی را به کار می برند اما فهم درستی از آن ندارند. این مقاله قصد دارد یکی از ایده های اساسی در پیدایش منطق فازی را تبیین نماید تا هم کسانی که از آن استفاده می کنند فهم درستی داشته باشد و هم با شناخت دقیق برخی مفاهیم بنیادی فازی، عرصه های جدید تری فرا روی جامعه علمی و خصوصاً مدیریت علمی ایجاد شود.

ابهامات محیطی ناشی از مدل‌های نوین کسب و کار سبب تشدید پیچیدگی در تصمیم‌گیری، به‌ویژه در حوزه کسب و کار شده است. به‌طوری‌که بسیاری از متغیر‌های تاثیرگذار ناشناخته بوده و روابط میان آن‌ها نیز غیرخطی و پیچیده است. در چنین شرایطی دیگر نمی‌توان داده‌ها را با ابزارهای سنتی تحلیل نموده و از آن‌ها دانش استخراج کرد. از این روی مقاله حاضر به تشریح تکنولوژی داده کاوی در حوزه هوش محاسباتی و متدولوژی استاندارد CRISP Data Mining پرداخته و یک طبقه‌بندی از کاربردهای این تکنولوژی در حوزه تصمیم‌گیری‌های کسب و کار ارایه داده است. در ادامه یک مطالعه موردی بر روی پایگاه داده مشتریان یکی از بانک‌ها با استفاده از داده کاوی ارائه می‌گردد.

بار رسوبی معلق یکی از مهم ترین عناصر رودخانه ای است که علاوه بر تاثیر بر کیفیت آب، نقش موثری در مدیریت منابع آبی و سازه های احداثی بر روی این منابع دارد. پارامترهای فیزیوگرافی که بیانگر ویژگی های فیزیکی حوضه آبریز هستند می تواند به عنوان یک فاکتور تعیین کننده در میزان رسوب زایی حوضه آبریز مطرح گردد. روش های متعددی به منظور برآورد بار معلق رودخانه ها وجود دارد. از جمله این روش ها استفاده از مدل های داده کاوی می باشد که در حل مسایل هیدرولوژی رسوب بسیار پرکاربرد می باشد. لذا در این پژوهش با تلفیق مدل های داده کاوی و پارامترهای فیزیوگرافی، بار رسوب 30 حوضه آبریز در استان لرستان با دوره آماری 33 ساله برآورد گردید. به منظور بررسی اثر شاخص های مختلف فیزیوگرافی بر میزان برآورد رسوب در گام نخست دبی جریان به عنوان تنها ورودی مدل ها و در گام بعدی شاخص های مختلف فیزیوگرافی حوضه به عنوان ورودی های مدل های مختلف داده کاوی انتخاب گردید. در این مطالعه از پنج مدل داده کاوی از جمله شبکه عصبی مصنوعی، ماشین بردار پشتیبان تکاملی، درخت تصمیم، فرآیند گوسی و رگرسیون استفاده شد. نتایج نشان داد تمامی مدل ها از دقت قابل قبولی برخوردار بودند. در هر دو مجموعه داده، مدل ماشین بردار پشتیبان تکاملی دارای بهترین دقت بود. با به کارگیری شاخص های مورد اشاره دقت در تمامی مدل ها افزایش یافت به طوریکه در مدل ماشین بردار پشتیبان تکاملی میزان میانگین مربعات خطا از 74/6 به 3 کاهش یافت و ضریب همبستگی از 994/0 به 999/0 افزایش یافت. وزن دهی پارامترها نیز نشان داد که بیشترین وکمترین وزن به ترتیب مزبوط به شاخص زبری و نسبت کشیدگی بوده است.