مطالب مرتبط با کلیدواژه
۱.
۲.
۳.
۴.
۵.
۶.
۷.
۸.
۹.
۱۰.
۱۱.
۱۲.
۱۳.
۱۴.
۱۵.
۱۶.
۱۷.
۱۸.
۱۹.
۲۰.
یادگیری ماشین
حوزه های تخصصی:
امروزه، استفاده از هستی شناسی برای مقاصد گوناگونی در حال گسترش است. اما، در مواقعی به خاطر تفاوت هایی که در ساخت هستی شناسی در مراکز مختلف وجود دارد، امکان تبادل دانش بین دو هستی شناسی میسر نیست. برای حل این مشکل، روش های مختلفی برای انطباق هستی شناسی ارائه شده است که برخی از آنها مبتنی بر فنون یادگیری ماشین است. انطباق هستی شناسی یا به عبارت دیگر تشخیص مفاهیم متناظر در هستی شناسی های مختلف دارای کاربرد های متنوعی است. در این مقاله، یک روش جدید ارائه شده است که با بهره گیری از یادگیری ماشین و نیز پیکره های متنی به عنوان منبع دانش از شباهت های معنایی بین هستی شناسی ها جهت انطباق استفاده می کند.
ارزیابی کیفیت پر مشاهده ترین وب سایت های خبری در ایران مبتنی بر روش یادگیری ماشین(مقاله علمی وزارت علوم)
حوزه های تخصصی:
موفقیت و کارایی وب سایت ها تا حد زیادی وابسته به کیفیت وب سایت می باشد. بزرگ ترین سهم از مفهوم جدید کیفیت این است که جنبه های فنی محصولات و سرویس ها، با استفاده و برداشت مشتریان ترکیب می شود. بنابراین ارزیابی وب سایت ها بر اساس بیشترین استفاده و درک از سمت مشتریان امر مهمی به شمار می آید تا موفقیت یک وب سایت را به سازمان های مربوطه اعلام کند. این رتبه بندی و ارزیابی بایستی در یک دامنه خاص فعالیتی صورت بگیرد، تا رتبه یک وب سایت بسته به دیگر رقبای آن تعیین گردد. در این پژوهش بر این بوده ایم تا بتوان با به دست آوردن اطلاعات وب سایت ها به صورت خودکار و بدون دخالت نیروی انسانی، ارزیابی وب سایت ها را به صورت لحظه ای و بلادرنگ ممکن ساخت. بنابراین از دو روش یادگیری ماشین، شبکه عصبی و ماشین بردار پشتیبان برای این منظور استفاده شده است. از آنجایی که از الگوریتم یادگیری با نظارت در این روش ها استفاده کرده ایم، نیاز به داده های برچسب دار وجود داشت که به جای برچسب دار کردن خروجی ها توسط خبرگان و به صورت دستی از یکی از روش های تصمیم گیری چندمعیاره(MCDM) به نام تاپسیس کمک گرفته شده است. در این روش محاسبه وزن های معیارهای ارزیابی از روش آنتروپی به صورت خودکار محاسبه گردیده است. درنهایت رتبه بندی 791 وب سایت خبری که بر اساس گزارش الکسا بیشترین بازدیدکننده از طرف کاربران ایرانی را داشته اند، با روش تاپسیس حاصل شد، ولی از سمتی دیگر ارائه یک رتبه عددی به عنوان خروجی نهایی ارزیابی وب سایت ها چندان با هدف رقابت وب سایت ها همخوانی ندارد، به همین خاطر از این رتبه های عددی به عنوان خروجی روش های یادگیری ماشین به جای رتبه بندی خبرگان و افراد استفاده گردید تا بتوان وب سایت ها را در شش طبقه جداگانه از بسیار عالی تا بسیار ضعیف برچسب دار نمود. در ادامه از روش های یادگیری ماشین ذکر شده جهت طبقه بندی و همچنین پیش بینی طبقه یک وب سایت جدید استفاده شده است. نهایتا، این پژوهش به این نتیجه رسید که امکان طراحی سیستمی با دقت بالا برای ارزیابی وب سایت های خبری با روش شبکه عصبی و ماشین بردار پشتیبان وجود دارد به گونه ایی که این سیستم از عوامل مهم تاثیرگذار بر کیفیت وب سایت های خبری که به صورت خودکار قابلیت جمع آوری اطلاعات آن ها و جود داشته باشد، تشکیل شده باشد.
طبقه بندی ابرنقاط لیدار به کمک میدان تصادفی مارکوف و تکنیک های یادگیری ماشین(مقاله علمی وزارت علوم)
حوزه های تخصصی:
امروزه در زمینة مدیریت شهری، رباتیک، تولید بازی های رایانه ای و مانند آن، از ابرنقاط لیدار در استخراج عوارض شهری و سه بعدی سازی استفادة گسترده ای می شود. خوشه بندی و طبقه بندی نقاط ابری لیدار یکی از گام های اصلی برای رسیدن به مدلی سه بعدی به شمار می رود؛ بنابراین، یکی از اهداف این تحقیق را می توان ارزیابی کارآیی روش های طبقه بندی K اٌمین همسایگی نزدیک (KNN)، درخت تصمیم (DT)، بیز ساده (Naïve Bayes)، شبکة عصبی مصنوعی (ANN)، ماشین بردار پشتیبان (SVM) و میدان تصادفی مارکوف (MRF) در طبقه بندی مجموعه دادة لیدار و تصاویر هوایی در محیط پیچیده شهری برشمرد. بدین منظور، داده هایی که ISPRS از شهر فایهینگن کشور آلمان فراهم آورده، به کار رفته است. سپس همة ویژگی های هندسی، مقادیر شدت ثبت شده از سوی لیدار، تصاویر هوایی و نیز ویژگی های استخراج شدة مبتنی بر مقادیر ویژه را استخراج و به منظور تشخیص پنج کلاس اشیای شهری شامل سطوح نفوذناپذیر، ساختمان، گیاهان کم ارتفاع، درخت و اتومبیل به کار برده است. برای محاسبة مقادیر ویژه به کمک توزیع محلی نقاط، در این مقاله، یک ساختار مکعبی جدید معرفی شده است که در تحقیقات گذشته دیده نشده بود. نتایج نهایی تکنیک های طبقه بندی به کاررفته در این تحقیق با استفاده از نقشه های رفرنس ISPRS ارزیابی شدند. نتایج ارزیابی این تحقیق نشان می دهد که مدل MRF با دقت کلی 88.08% و ضریب کاپای 0.83 کارآتر از دیگر طبقه بندی هاست. همچنین، ساختار مکعبی پیشنهادی را می توان، به خوبی ساختارهای کروی و استوانه ای، در استخراج ویژگی های مبتنی بر مقادیر ویژه به کار برد.
استخراج ساختمان به کمک ادغام داده های ابرطیفی و لیدار به روش یادگیری ماشین(مقاله علمی وزارت علوم)
حوزه های تخصصی:
در این مقاله، پژوهشی نوین از تلفیق داده های ابرطیفی و لیدار را برای تشخیص و استخراج عوارض ساختمانی، با استفاده از الگوریتم یادگیری ماشین، بررسی کردیم. مجموعه داده هایی که بنیاد ملی علوم (NSF) در اختیار گذاشته (این بنیاد را مرکز ارزیابی لیزر هوایی(NCALM) تأسیس کرده است) و پیش تر، دانشگاه هیوستن در منطقة مجاور شهری به کار گرفته است مورد استفاده قرار گرفت. در این روش، ابتدا، فرض بر آن است که، با تلفیق داده های فراطیفی و لیدار که هریک توانایی استخراج برخی از ویژگی های عوارض ساختمانی را دارد، می توان همان عارضه را، با دقت و صحت بیشتری، استخراج کرد. اعمال روش یادگیری ماشین روی داده های ابرطیفی تصویرِ سطح بندی شده از عوارض ساختمانی و دیگر عوارض را ایجاد خواهد کرد. پس از اعمال سطح بندی، روش پیشنهادی و دیگر روش های موجود در این زمینه مقایسه می شوند تا کیفیت روش پیشنهادی مشخص شود. چنین مقایسه ای نیازمند بررسی تعدادی پارامتر ارزیابی است که، در قسمت کنترل کیفیت، مطرح خواهند شد. به هرحال، دقت به دست آمده از نتایج روش انجام گرفته در این مقاله برابر با 56/95%، میزان کامل بودن 100%، صحت کلی 66/98% و ضریب کاپا برابر با 9430/0 محاسبه شد. هدف این مقاله استخراج خودکار ساختمان های موجود در داده های ابرطیفی هوایی و لیدار دریافت شده از یک منطقه (automation)، استخراج حداکثر تعداد ساختمان های موجود در تصاویر نام برده شده (completeness) و افزایش دقت و صحت در استخراج ساختمان (accuracy and precision) بوده است که، براساس نتایج حاصل از پارامترهای ارزیابی، محقق شده اند.
شناسایی اهداف در تصاویر سنجش ازدوری با قدرت تفکیک بالا با استفاده از روش های یادگیری عمیق(مقاله علمی وزارت علوم)
حوزه های تخصصی:
شناسایی عوارض موجود در تصاویر، یکی از مسائل اساسی در حوضه تفسیر تصاویر به ویژه در تصاویر سنجش از دوری، به شمار می آید. یکی از روش های کارآمد و به روز در این زمینه، به کارگیری شیوه های یادگیری عمیق، جهت استخراج و تفسیر است. یک عارضه، مجموعه ای از الگوهای منحصربه فرد است که با عوارض مجاور خود متفاوت است، این تفاوت معمولاً در یک یا چند ویژگی به طور هم زمان اتفاق می افتد که می توان به تفاوت در شکل، رنگ و درجه خاکستری اشاره نمود. در این راستا، روش یادگیری عمیق با توانایی تحلیل مفاهیم انتزاعی سطح بالا، می تواند انتخاب مناسبی در این زمینه باشد. در روش پیشنهادی، ابتدا یک پایگاه داده مطابق با شرایط محیطی و جغرافیایی کشور از برخی از فرودگاه های ایران تشکیل شد. سپس با استفاده از شبکه های عصبی کانولوشنی به تولید مدل یادگیرنده بهینه اقدام شد. برای این کار، در قسمت پردازش داده های خام در کنار استفاده از روش انتقال آموزشی، بردارهایی جهت دسته بندی عوارض موردنظر استخراج و به یک مدل ماشین بردار پشتیبان طبقه بندی کننده، تحویل داده می شوند. در ادامه، مقادیر خروجی با مقادیر به دست آمده از تصویر آزمایشی برای هر عارضه، مقایسه و در یک روند تکرارشونده تحلیل و جهت تطابق ساختاری بررسی می شوند. نتایج استخراج شده از اعمال مدل پیشنهادی بر روی چند سری داده آزمایشی، ارزیابی و با روش های مشابه مقایسه شد که درنهایت با مقادیر 21/98 درصد برای معیار Precision و 1/99 درصد برای معیار F1-Measure، قادر به شناسایی عوارض هدف است
تشخیص سازه های ساخت بشر در تصاویر هوایی با استفاده از ویژگی های آماری مبتنی بر رنگ و یادگیری ماشین(مقاله علمی وزارت علوم)
حوزه های تخصصی:
تصاویر هوایی ثبت شده توسط ماهواره ها و یا پهپاد ها، معمولا شامل نواحی مربوط به منابع طبیعی و نواحی حاوی سازه های ساخت بشر است. با تفکیک این نواحی از یکدیگر، قادر خواهیم بود اطلاعات مهمی نظیر آرایش ساختاری سطوح و شکل آنها را استخراج و نقشه های هواییِ برچسب دار ایجاد کنیم. دست یابی به چنین اطلاعاتی می تواند کاربرد های بسیار مفیدی در زمینه های نظامی، شهری و زیست محیطی داشته باشد. از آنجایی که پردازش حجم عظیمی از تصاویر به دست آمده از ماهواره ها و پهپاد ها بصورت دستی امکان پذیر نیست، لذا استفاده از روش های خودکارِ مبتنی بر هوش مصنوعی در این حوزه، بسیار مورد توجه قرار گرفته است. تاکنون پژوهش های متعددی در این باره انجام شده است که از اهم آنها می توان به شناسایی ساختمان ها، وسایل نقلیه، جاده ها و همچنین تشخیص ساختار پوشش گیاهی در تصاویر هوایی اشاره کرد. در این مقاله، قصد داریم با معرفی مجموعه ای از ویژگی های آماری مبتنی بر رنگ که به سادگی قابل استخراج از تصاویر هوایی هستند و با استفاده از یک مدل مبتنی بر یادگیری، راهکاری کارآمد برای تشخیص دقیق و سریع سازه های ساخت بشر و تفکیک آنها از منابع طبیعی ارایه دهیم. نتایج آزمایش های انجام گرفته بر روی بانک تصاویر ماساچوست که به صورت عمومی، قابل دسترس است، نشان دهنده دقت مناسب و سرعت عمل بالای راهکار پیشنهادی است. به طوری که، دقت و میانگین سرعت پردازش به دست آمده به ترتیب برابر با ٪۰۷/۹۰ و 96/0 ثانیه است.
پیش بینی درماندگی مالی شرکت های پذیرفته شده در فرابورس و بورس اوراق بهادار تهران با استفاده از رگرسیون لجستیک لاسو(مقاله علمی وزارت علوم)
منبع:
بورس اوراق بهادار سال دوازدهم زمستان ۱۳۹۸ شماره ۴۸
5 - 38
حوزه های تخصصی:
هدف این مقاله، کشف درماندگی مالی بالقوه و هشدار زودهنگام درماندگی مالی قریب الوقوع شرکت های پذیرفته شده در فرابورس و بورس اوراق بهادار است. بدین منظور، دامنه گسترده ای از ویژگی ها از جمله متغیرهای حسابداری تعهدی، حسابداری نقدی، بازار سهام، مکانیسم های حاکمیت شرکتی و شاخص های اقتصاد کلان برای پیش بینی درماندگی مالی شرکت های نمونه شناسایی شده اند. نمونه نهایی شامل 421 شرکت و در نتیجه، 3670 شرکت-سال مشاهده است. سپس، داده آماده شده با استفاده از نسبت 70 به 30 به مجموعه داده آموزشی و آزمایشی تفکیک شد. در این پژوهش، تکینک های پیش پردازش داده یادگیری ماشین نظیر استانداردسازی نمره Z، وان-هات انکدینگ، اعتبارسنجی متقابل K لایه طبقه ای، همراه با مهندسی ویژگی برای بهبود عملکرد طبقه بندی کننده بکار گرفته شدند. روش اعتبارسنجی متقابل K لایه طبقه ای با (5=K) برای برآورد عملکرد پیش بینی مدل طی مرحله آموزش استفاده شد. طی مرحله آموزش، میزان سازی اَبرپارامتر مدل با استفاده از جستجوی حریص انجام شد. افزون بر این، رویکرد فرایادگیری حساس به هزینه همراه با معیار مختص مسائل نامتوازن یعنی نمره F1 برای غلبه بر مسأله نامتوازنی افراطی کلاس ها استفاده شده است. بر اساس نتایج تجربی، مدل لجستیک لاسو به نمره F1، ضریب همبستگی متیوز، فراخوانی و دقتی به ترتیب برابر با 50%، 50%، 73% و 38% بر روی مجموعه آموزشی دست یافت. سرانجام، مدل پیشنهادی بر روی مجموعه آزمایشی کنار گذاشته شده آزمون شد که به نمره F1، ضریب همبستگی متیوز، فراخوانی و دقتی به ترتیب برابر با 51%، 51%، 73% و 38% بر روی مجموعه آزمایشی منجر شد.
بهبود دقت پیش بینی فرآیندها در مدیریت فرآیندهای کسبوکار با به کارگیری معماری LSTM(مقاله علمی وزارت علوم)
حوزه های تخصصی:
پیشبینی رفتار فرآیندهای سازمانی، نقش مهمی در مدیریت فرآیندهای کسبوکار ایفا میکند. این مهم با توسعه بهکارگیری الگوریتمهای یادگیری ماشین در جنبههای مختلف آیندهپژوهی افقهای نوینی در برابر پیشبینی رویدادها و فرآیندها در فضای کسبوکار گشوده است. یکی از روشهای یادگیری ماشین، به کارگیری الگوریتمهای یادگیری عمیق بهعنوان شاخهای از شبکههای عصبی است که توانسته دقت پیشبینی را به میزان زیادی افزایش دهد؛ ازاینرو در پژوهش حاضر از معماری LSTM (حافظه طولانی کوتاهمدت) شبکه عصبی برای پیشبینی فرآیندهای کسبوکار استفاده شده است. برای انجام آزمایش، الگوریتم LSTM بر روی مجموعه داده BPI2012 و BPI2017 اعمال شد. نتایج حاصل از ساخت 300 مدل پیشبینی نشان داد که در مجموعه داده BPI2017 از مجموع آزمایشهای انجامشده بیشترین دقت 907/0 است که این مقدار دقت از مقادیر دقت بهدستآمده در پژوهشهای مشابه بالاتر است. این دقت با اجرای الگوریتم LSTM با معماری یکلایه و مدل دادهبزرگ و بدون بازخورد بهدست آمده است.
الگوپردازی مفهوم یابی از آیات قرآن کریم با استفاده از دانش متن کاوی رایانشی(مقاله پژوهشی حوزه)
منبع:
ذهن تابستان ۱۳۹۹ شماره ۸۲
81 - 108
حوزه های تخصصی:
هدف مقاله تعیین مسیری برای تبیین فناورانه مفهوم یابی از آیات قرآن است. مفهوم یابی یکی از مراحل اصلی روش تحقیق موضوعی در قرآن کریم است و در عین حال در سایر مطالعات مرتبط با فهم قرآن می تواند به کار گرفته شود. استفاده از دانش متن کاوی رایانشی برای پردازش متون، روشی متداول در فناوری دنیای امروز است. قرآن کریم نیز به عنوان یک متن و زبان مورد توجه این دانش قرار گرفته است. گام اول برای تحلیل هر متن تشکیل پیکره متنی است که متن را به داده های ساخت یافته تبدیل می کنند. در طراحی این پیکره ها از قواعد مختلفی از جمله قواعد متداول صرفی- نحوی استفاده می شود. آنچه انتظار داریم درنهایت به عنوان خروجی ماشین از آن بهره بگیریم، مفهوم یابی و استخراج دانش یا ابزارهایی برای تسهیل این کار است؛ لذا پس از تشکیل پیکره متنی، داده های نمونه برای استفاده در فرایند یادگیری ماشین برای مفهوم یابی آماده شده اند. این داده ها الگوهای ساده زبانی مبتنی بر پیکره متنی است که منجر به دریافت مفهوم می شود و می تواند در مراحل تکمیلی تدقیق شده، به سمت الگوهای پیشرفته سوق پیدا کند.
شناسایی اختلال های روان شناختی بر اساس داده های موجود در محیط های مجازی با استفاده از یادگیری ماشین(مقاله علمی وزارت علوم)
حوزه های تخصصی:
اخیراً پژوهش هایی در راستای به کارگیری شبکه های اجتماعی به عنوان بستری جدید برای شناسایی افراد با اختلال های روانی صورت گرفته است. علاوه بر این به دلیل پیچیدگی تشخیص بیماری های روان شناختی با استفاده از روش های معمول، استفاده از یادگیری ماشین برای شناسایی این افراد رو به افزایش است. هدف این مقاله مرور پژوهش های انجام شده با استفاده از داده های شبکه های اجتماعی در پیش بینی و تشخیص اختلال های روان شناختی به کمک یادگیری ماشین است. در این پژوهش به روش مرور نظام مند مبتنی بر پریسما، از طریق جستجوی کلید واژه های اصلی تشخیص و پیش بینی اختلال های روان شناختی در ترکیب با واژه های یادگیری ماشین و فضای مجازی در پایگاه های اطلاعاتی تخصصی بدون در نظر گرفتن سال انتشار آن ها، یافته ها و اطلاعات مورد نظر جهت دستیابی به هدف پژوهش مورد واکاوی قرار گرفت. اختلال روان شناختی افسردگی در بین 20 مقاله نهایی انتخاب شده بیشترین فراوانی با قدرت پیش بینی 42 و 87 درصد به ترتیب کمترین و بیشترین توان پیش بینی افسردگی را داشته است. از طرفی برای جمع آوری داده تنها 30 درصد مطالعات از پرسشنامه فضای مجازی و بیشترین رویکرد، از پست های عمومی در شبکه های اجتماعی با عبارات منظم و نیز توییتر به عنوان بیشترین منبع استفاده شده است . به نظر می رسد روانشناسی محاسباتی مبتنی بر روش های یادگیری ماشین بتواند به شناسایی و پیش بینی دقیق تر اختلال های روان شناختی کاربران فضاهای مجازی کمک نماید.
یادگیری عمیق ماشینی؛ چالش های فلسفی و رهیافت ها(مقاله علمی وزارت علوم)
منبع:
فلسفه علم سال دهم پاییز و زمستان ۱۳۹۹ شماره ۲ (پیاپی ۲۰)
185-202
حوزه های تخصصی:
پیشرفت شگرف بشر در تولید و ذخیره سازی انبوه داده ها و نیز استفاده از آن ها در ساختن ماشین استنتاج گر، امروزه در قالب یک فناوری پیشرفته به نام «یادگیری عمیق ماشینی» ظهور یافته است. این فناوری با الهام از اتصالات موجود در ساختار مغز جانداران طراحی شده و از شبکه های عصبی مصنوعی عمیق قدرت می گیرد. توانایی آن در استنتاج خبره گونه در زمینه های مختلف و یا تولید آثار مشابه افراد زبردست، با وجود مزایای بسیار، انسان امروز را با چالش های مختلفی رو در رو می سازد. این نوشتار تلاش می کند با رویکرد نظام مند عقلی- فلسفی به تحلیل و معرفی چالش های اخلاقی یادگیری عمیق ماشینی و ارائه رهیافت مناسب در قبال هر یک از این چالش ها بپردازد. اگرچه یادگیری عمیق ماشینی چالش های قابل توجهی بر سر راه انسان قرار داده، با آگاهی و چاره اندیشی نسبت به آن ها، می توان در عین بهره بردن از مزایای چشمگیر این فناوری، ارزش های انسانی را نیز آگاهانه محافظت نمود. واژگان کلیدی یادگیری ماشین، یادگیری عمیق، شبکه های عصبی مصنوعی، اخلاق اطلاعات، چالش فلسفی.
اثرات سطوح دشواری متفاوت بر یادگیری تکلیف پرتاب کردن در سالمندان: تأکید بر روش های یادگیری ماشین(مقاله علمی وزارت علوم)
حوزه های تخصصی:
زمینه : مطالعات متعددی به بررسی سطوح دشواری تکلیف و یادگیری تکلیف پرداخته اند. اما پژوهشی که به استفاده از رویکرد یادگیری ماشین و به طور خاص سیستم های استنتاج عصبی - فازی به مدل سازی میزان دشواری تکلیف حرکتی پرتاب کردن با شرایط دشواری گوناگون در بین سالمندان مغفول مانده است. هدف: هدف از مطالعه حاضر بررسی اثرات سطوح دشواری متفاوت بر یادگیری تکلیف پرتاب کردن در سالمندان: تأکید بر روش های یادگیری ماشین بود. روش: پژوهش از نوع نیمه تجربی با طرح پیش آزمون و پس آزمون با 4 گروه کنترل بود. جامعه آماری پژوهش شامل کلیه مردان سالمند راست دست در سال 1397 با دامنه سنی 70- 60 سال شهرستان مشهد بود. 120 سالمند با روش نمونه گیری در دسترس به عنوان نمونه انتخاب و به صورت تصادفی در 8 گروه 15 نفری (4 گروه آزمایش و 4 گروه گواه) جایگزین شدند. ابزار پژوهش حاضر تکلیف شرکت کنندگان پرتاپ دیسک برگرفته از پژوهش سانلی و لی بود (سانلی و لی، 2015) بود. تحلیل داده ها ب ا استفاده از ک دنویسی به روش انفیس با بهره گیری از سیستم س وگن و انج ام ش د. یافته ها : افراد در گروه آزمایش در شرایط یادگیری وضعیت بهتری نسبت به گروه گواه داشتند. همچنین برترین سناریوی سیستم استنتاج فازی - عصبی تطبیقی در مرحله یادداری در گروه آزمایش شماره 1 با کمترین خطای0/73 =RMSE برای داده های بررسی انتخاب شد. نتیجه گیری : استفاده از سیستم استنتاج عصبی فازی و ایجاد شبکه های عصبی - فازی موفقیت آمیز بوده و باعث کاهش قابل توجهی در خطای پیش بینی شد که خصیصه قابل توجهی در همگرایی سریع و دقت بالا دارد
تحقیقات بازاریابی در انقلاب صنعتی چهارم، استفاده از تحلیل کلان داده ها و «یادگیری ماشین» جهت ارائه ارزش به مشتری(مقاله علمی وزارت علوم)
حوزه های تخصصی:
از مهمترین پیامدهای چهارمین انقلاب صنعتی، دیجیتالیزه شدن محیط کسب وکار و گسترش بازاریابی داده محور می باشد که پیامدهای این تحولات تأثیرات عمیقی بر تحقیقات بازاریابی خواهد داشت. هدف این پژوهش شناسایی ویژگی یا مؤلفه های ارزش از میان حجم انبوه نظرات مشتریان در شبکه های مجازی با استفاده از یادگیری ماشین جهت تحلیل کلان داده ها، با رویکرد بازاریابی پیشبینانه که متناسب با فضای موجود است می باشد. این پژوهش از لحاظ هدف کاربردی، از نظر روش گردآوری داده ها توصیفی-پیمایشی و از نظر اجرا کیفی-کمی (آمیخته) است. بدین منظور صنعت گردشگری به عنوان مطالعه موردی انتخاب و تعداد 8290 نظر از مشتریان در این رابطه از بستر اینترنت جمع آوری و با استفاده از دو روش مختلف «خوشه بندی داده ها» و «استخراج قوانین انجمنی»، مؤلفه های ارزش، استخراج می گردند. نتایج پژوهش در قسمت خوشه بندی شامل شناسایی 20 مؤلفه ارزش در رابطه با ارزش های مورد نظر گردشگران می باشد؛ همچنین با استفاده از روش دوم (قوانین انجمنی)، هفت قانون از میان دانش پنهان، در روابط بین عبارات بکار برده شده در نظرات گردشگران استخراج گردید. بطور کلی نتایج نشان می دهد با استفاده از تحلیل کلان داده ها و یادگیری ماشین، انجام فرآیند «تحقیقات بازاریابی» با سرعت و دقت بالاتر و هزینه نسبی کم تر امکان پذیر است.
پیش بینی درماندگی مالی شرکت های پذیرفته شده در فرابورس و بورس اوراق بهادار تهران با استفاده از ماشین بردار پشتیبان(مقاله علمی وزارت علوم)
منبع:
راهبرد مدیریت مالی سال نهم بهار ۱۴۰۰ شماره ۳۲
115 - 132
حوزه های تخصصی:
هدف این مقاله، پیش بینی درماندگی مالی قریب الوقوع شرکت های پذیرفته شده در فرابورس و بورس اوراق بهادار با استفاده از دامنه گسترده ای از ویژگی ها از جمله متغیرهای حسابداری تعهدی، حسابداری نقدی، بازار سهام، مکانیسم های حاکمیت شرکتی و شاخص های اقتصاد کلان است. نمونه نهایی شامل 421 شرکت و در نتیجه، 3670 شرکت-سال مشاهده است. سپس، داده آماده شده با استفاده از نسبت 70 به 30 به مجموعه داده آموزشی و آزمایشی تفکیک شد. در این پژوهش، تکینک های پیش پردازش داده یادگیری ماشین نظیر استانداردسازی نمره Z، وان-هات انکدینگ، اعتبارسنجی متقابل K لایه طبقه ای، همراه با مهندسی ویژگی برای بهبود عملکرد طبقه بندی کننده بکار گرفته شدند. روش اعتبارسنجی متقابل 5 لایه طبقه ای با برای برآورد عملکرد پیش بینی مدل طی مرحله آموزش استفاده شد. طی مرحله آموزش، میزان سازی اَبرپارامتر مدل با استفاده از جستجوی شبکه ای انجام شد. افزون بر این، رویکرد فرایادگیری حساس به هزینه همراه با معیار مختص مسائل نامتوازن یعنی نمره F1 برای غلبه بر مسئله نامتوازنی افراطی کلاس ها استفاده شده است. بر اساس نتایج تجربی، مدل ماشین بردار پشتیبان به نمره F1، ضریب همبستگی متیوز، فراخوانی و دقتی به ترتیب برابر با 55%، 56%، 78% و 43% بر روی مجموعه آموزشی دست یافت. سرانجام، مدل پیشنهادی بر روی مجموعه آزمایشی کنار گذاشته شده آزمون شد که به نمره F1، ضریب همبستگی متیوز، فراخوانی و دقتی به ترتیب برابر با 50%، 50%، 68% و 40% بر روی مجموعه آزمایشی منجر شد.
مقدمه ای بر چالش های هوش مصنوعی در حوزه مسئولیت مدنی(مقاله علمی وزارت علوم)
منبع:
حقوق خصوصی سال هجدهم بهار و تابستان ۱۴۰۰ شماره ۱ (پیاپی ۳۸)
227 - 250
حوزه های تخصصی:
با گسترش اینترنت نسل پنجم و به کارگیری بیش از پیش یادگیری ماشین، به منزله یکی از زیرشاخه های هوش مصنوعی، نظام حقوقی با سؤالات حقوقی گوناگونی مواجه خواهد شد. با توجه به گستردگی حوزه های مورد استفاده از هوش مصنوعی و عدم امکان بررسی همه آن ها در یک مقاله، در این تحقیق با بررسی چالش های پیش رو در رابطه با مسئولیت مدنی و هوش مصنوعی به برخی از این سؤالات پرداخته شد. در این تحقیق بر خودروهای خودران و استفاده پزشکان از هوش مصنوعی نوین، به منزله دو مثال رایج امروزی، تمرکز شد. هدف اولیه این تحقیق آشنایی مقدماتی حقوقدانان با هوش مصنوعی و یادگیری ماشین و جلب توجه حقوقدانان و قانون گذار به چالش های پیش رو در حوزه قانون گذاری در این زمینه بود. در بخش نهایی، برخی پیشنهادها در مباحث حقوقی موجود از جمله شخصیت حقوقی هوش مصنوعی، مسئولیت محض، و بیمه اجباری می آید. در این مرحله لازم است حقوقدانان و سیاست گذاران در پی تدوین اصول اخلاقی و حقوقی راهبردی برای استفاده از هوش مصنوعی باشند.
ارزیابی مدل نظری و عملی یادگیری ماشین مبتنی بر فاصله سنجی بردار شباهت پلان ها بر مبنای توسعه فناوری هوش مصنوعی در معماری
منبع:
معماری شناسی سال چهارم پاییز ۱۴۰۰ شماره ۲۰
19-31
حوزه های تخصصی:
ما در آستانه ورود به جامعه دانش مدار هستیم که در آن منبع اصلی اقتصاد، سرمایه یا منابع طبیعی و نیروی کارگری نیست، بلکه فقط دانش به عنوان تنها منع معنی دار جهان تلقی می شود. این جمله از دراکر اهمیت دانش را نشان می دهد، در واقع مساله این پژوهش بیان و ارزیابی مدلی نظری و عملی در جهت واکاوی شیوه های آموزش پلان های معماری به الگوریتم های یادگیری ماشین است. بر همین اساس پژوهش به دنبال یافتن شیوه های توسعه داده های (پلان ها) معماری به سمت فناوری های نوین می باشد. هدف پژوهش یافتن راهی برای توسعه فناوری هوش مصنوعی در ورود داده های معماری با همان مفاهیم اصلی خود است که بتواند علاوه بر داشتن همان کارکردهایی که هوش انسانی دارد، سرعت، دقت و چندبعدی بودن را در فرآیند تولید دانش معماری لحاظ نماید. روش پژوهش بصورت تاریخی، تحلیلی و با رویکرد بررسی داده های کمی می باشد که با استفاده از الگوریتم های پردازش تصویر، خطوط چندین نمونه از پلان های معماری در اعداد نرمال شده 0 تا 1قرارداده شده و سپس به روش تعیین فاصله کسینوسی بر روی بردارهای به دست آمده، تشابه سنجی گردیده است. یافته های این پژوهش بیان می دارد با روش های ارائه گردیده می توان داده های موجود در پلان را به ماشین انتقال داد و همین شیوه می تواند، در آینده پایه گذار سامانه های هوشمندی شود که توانایی تولید و تشابه سنجی پلان های معماری را بصورت نامحدود خواهند داشت و این فرآیند نخستین گام در این حوزه می باشد.
پیش بینی ورشکستگی با مدل یادگیری ماشین سریع مبتنی بر کرنلِ بهینه شده با الگوریتم گرگ خاکستری(مقاله علمی وزارت علوم)
منبع:
تحقیقات مالی دوره ۲۱ تابستان ۱۳۹۸ شماره ۲
187 - 212
حوزه های تخصصی:
هدف: در عصر حاضر، کسب وکارها به اندازه ای توسعه یافته اند که برای بقا در عرصه رقابت، به مدیریت صحیح منابع و مصارف خود نیازمندند؛ چراکه بازار رقابتی انعطاف پذیری شرکت ها را به شدت کاهش داده است و این عامل باعث شده که آنها در وضعیت های مختلف اقتصادی توانایی عکس العمل مناسب را نداشته باشند و از چرخه رقابت خارج شده و با خطر ورشکستگی مواجه شوند. بنابراین در این پژوهش تلاش شده است که به منظور پیشگیری از احتمال بروز چنین مخاطراتی، به پیش بینی ورشکستگی شرکت های تولیدی اقدام کنیم. روش: در این پژوهش از «یادگیری ماشین سریع مبتنی بر کرنل» استفاده شده که یکی از مدل های هوش مصنوعی برای پیش بینی ورشکستگی است. با توجه به اینکه روش های یادگیری ماشین به الگوریتمی بهینه ساز نیاز دارند، در این پژوهش از یکی از به روزترین آنها به نام «الگوریتم گرگ خاکستری» بهره برده شده که در سال 2014 ابداع شده است. یافته ها: مدل یاد شده روی داده های 136 نمونه از شرکت های بورسی در بازه زمانی 1394 تا پایان خرداد 1397، پیاده سازی شد و در تمامی معیارهای ارزیابی، مدل های طبقه بندی، دقت، خطاهای نوع اول و دوم و ناحیه تحت منحنی ROC، در مقایسه با الگوریتم ژنتیک، کارایی بهتری ارائه کرد و معناداری آن نیز از طریق آزمون t-test به تأیید رسید. نتیجه گیری: با توجه به دقت بسیار خوب الگوریتم گرگ خاکستری و همچنین عملکرد بهتر آن در مقایسه با الگوریتم ژنتیک، می بایست برای پیش بینی ورشکستگی شرکت های تولیدی ایران، چه برای اهداف سرمایه گذاری و اعتباردهی و چه به منظور استفاده مدیریت داخلی شرکت، از الگوریتم گرگ خاکستری بهره برد.
ارائه روش طبقه بندی جدید با استفاده از رویکرد ترکیبی یادگیری ماشین و تصمیم گیری چندمعیاره(مقاله علمی وزارت علوم)
منبع:
مدیریت صنعتی دوره ۱۱ زمستان ۱۳۹۸ شماره ۴
675 - 692
حوزه های تخصصی:
هدف: از آنجا که در مسائل طبقه بندی به تحلیل انواع وابستگی ها و روابط بازخوردی میان معیارهای یک مسئله کمتر پرداخته شده است و با توجه به قابلیت فرایند تحلیل شبکه ای (ANP) در مدل سازی روابط متقابل بین معیارها، هدف این پژوهش ارائه روشی مبتنی بر ANP برای مسائل طبقه بندی است. محدودیت اساسی ANP، افزایش ناسازگاری قضاوت تصمیم گیرندگان همراه با افزایش ابعاد مسئله است، از این رو به منظور بهینه سازی پارامترهای مسئله و افزایش صحت طبقه بندی، از الگوریتم ژنتیک استفاده خواهد شد. روش: پژوهش حاضر از نظر هدف، توسعه ای و از نظر روش تحلیل داده ها کمّی و از نوع مدل سازی ریاضی است. در این پژوهش، ابتدا مسئله طبقه بندی داده ها با در نظر داشتن روابط متقابل معیارها در قالب روش تصمیم گیری چندمعیاره ANP تبیین شد. در ادامه، مقدار پارامترهای مسئله، شامل وزن معیارها و آستانه های هر کلاس به کمک الگوریتم ژنتیک از سوپرماتریس برآورد شد و در نهایت، برای ارزیابی روش پیشنهادی و عملکرد آن، نتیجه با روش های پرکاربرد طبقه بندی مقایسه شد. یافته ها: نتایج پژوهش های مقایسه ای روی دیتاست های اعتباری با ابعاد مختلف، قابلیت رقابتی بسیار خوب روش پیشنهادی را در مقایسه با روش های شناخته شده یادگیری ماشینی نشان داد. نتیجه گیری: روش های تصمیم گیری چندمعیاره، اغلب برای رتبه بندی استفاده شده اند، این در حالی است که به قابلیت بسیار خوب این روش ها در طبقه بندی داده ها کمتر توجه شده است. فرایند تحلیل شبکه ای در ترکیب با الگوریتم ژنتیک، روشی کارا و مناسب در حوزه طبقه بندی داده ها را به نمایش می گذارد.
کاربرد ابزار هوش مصنوعی در پیش بینی مصرف انرژی ساختمان
حوزه های تخصصی:
مصرف انرژی در بخش ساختمان ها به ویژه در ساختمان های مسکونی به دلیل توسعه اجتماعی و شهرنشینی، بیشترین سهم را در بین کلیه بخش های مصرف به خود اختصاص داده است. از فاکتورهای تعیین کننده ی میزان مصرف انرژی در ساختمان می توان به شرایط آب و هوایی و اقلیمی محل احداث ساختمان، مواد و مصالح بکار رفته در پوسته و جداره های خارجی ساختمان، نوع معماری و سازه ساختمان، تأسیسات مرکزی ساختمان(گرمایش، سرمایش، تهویه مطبوع و روشنایی)، لوازم و تجهیزات مصرف کننده (لوازم برقی و تجهیزات اداری) اشاره نمود. ازاین رو استفاده بهینه و ممانعت از هدر رفتن امکانات و گام برداشتن در جهت صرفه جویی و افزایش کارایی ساختمان، امری اساسی است. داده های بزرگ، منابع محاسباتی قدرتمند و مقرون به صرفه و الگوریتم های پیشرفته یادگیری ماشین در دهه های گذشته مورد تحقیق در بخش ساختمان ها بوده اند و پتانسیل خود را برای افزایش کارایی ساختمان نشان داده اند. اخیراً، هوش مصنوعی و به طورکلی تکنیک های یادگیری ماشین به طور خاص در پیش بینی و عملکرد انرژی ساختمان نقش مؤثری داشته و به همین ترتیب می توانند در بحث مصرف انرژی، مدیریت، صرفه جویی تر مصرف و در نهایت ایجاد راحتی و آسایش نقش بسزایی داشته باشند. هدف از این پژوهش، شناسایی ابزارهای هوش مصنوعی و کاربرد آن ها در بررسی مصرف انرژی می باشد.
ارائه مدل جامع جهت اندازه گیری ریسک نقدینگی بانک های پذیرفته شده در بورس اوراق بهادار تهران(مطالعه موردی: بانک ملت)(مقاله علمی وزارت علوم)
منبع:
اقتصاد مالی سال ۱۶ تابستان ۱۴۰۱ شماره ۲ (پیاپی ۵۹)
253 - 278
حوزه های تخصصی:
عدم مدیریت نقدینگی بانک ها یکی از مهم ترین ریسک های هر بانک می باشد و کم توجهی به ریسک نقدینگی منجر به عواقب جبران ناپذیر می شود. جلوگیری از وقوع ریسک نقدینگی نیازمند یک روش اندازه گیری جامع می باشد؛ اما ریسک نقدینگی موضوعی پیچیده است و این پیچیدگی ارائه یک تعریف مناسب را دشوار می سازد. علاوه بر این، تعریف فاکتورهای تعیین کننده ریسک نقدینگی و فرمول بندی تابع هدف مرتبط برای تقریب و پیش بینی مقدار آن پیچیده است. در این تحقیق برای مقابله با این مشکلات و ارزیابی ریسک نقدینگی و فاکتورهای کلیدی آن، مدلی را پیشنهاد می کنیم که از شبکه های عصبی مصنوعی و بیزی استفاده می کند. طراحی و اجرای این مدل شامل چندین الگوریتم و آزمایش جهت اعتبارسنجی است. در این مقاله از الگوریتم های بهینه سازی لونبرگ-مارکوارت و ژنتیک جهت آموزش شبکه عصبی مصنوعی استفاده کرده ایم. همچنین یک مطالعه موردی در بانک ملت برای نشان دادن قابلیت اجرا، کارایی، دقت و انعطاف پذیری مدل اندازه گیری ریسک نقدینگی تحقیق، پیاده سازی کرده ایم.