مطالب مرتبط با کلیدواژه

یادگیری ماشین


۶۱.

الگوریتم های یادگیری ماشین برای پیشگیری از انتشار بیماری های واگیر بر پایه ویژگی های مؤثر در تشخیص کووید-19(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهشنامه پردازش و مدیریت اطلاعات دوره ۳۹ زمستان ۱۴۰۲ شماره ۲ (پیاپی ۱۱۶) 657 - 697

کلیدواژه‌ها: اینترنت اشیاء بیماری های واگیر کووید19- یادگیری ماشین هوش مصنوعی

حوزه های تخصصی:
تعداد بازدید : ۱۰۵ تعداد دانلود : ۱۰۸
این مطالعه باهدف توسعه الگوریتم های هوش مصنوعی بر پایه اینترنت اشیاء انجام شده است که ضمن تشخیص و پیش بینی همه گیری در زمان واقعی با استفاده از مکان افراد، بر مراقبت و بهبود نیز تأکید می کند.بیماری هدف در این پژوهش باتوجه به اهمیت و فراگیری، کووید19 است.بر اساس نوع گردآوری داده ها از نوع پژوهش های کیفی بوده و باتوجه به توسعه الگوریتم ها، روش تحقیق در این پژوهش مبتنی بر علم طراحی است. رویکرد تحقیق آینده نگر است، به طوری که مکانیزم انتقال بیماری و ویژگی های تأثیرگذار آن ما را قادر به پیش بینی هایی در مورد بیماری و در نتیجه طرح استراتژی های کنترل بیماری و مراقبت های بهداشتی می نماید.پژوهش در یک فرایند 7 مرحله ای انجام شد. ویژگی های اینترنت اشیاء در پژوهش حاضر با نظر خبرگان استخراج شد و ویژگی های به دست آمده در آزمایش 2 الگوریتم مختلف «k نزدیک ترین همسایگی» و «درخت تصمیم» بر روی داده ها برای تعیین بهترین مدل ایجاد شد.پس از انتخاب بهترین عمق و بهترین همسایگی در الگوریتم ها، اعتبار و تصدیق مدل با تحلیل ماتریس ابهام انجام شد.نتایج اجرای الگوریتم ها برای پیش بینی بیماری کووید19، دقت بالاتر از 98 درصد را نشان دادند. حساسیت بالاتر (99 درصد) که برای تشخیص بیماری کووید19 اهمیت بالایی دارد و نشان دهنده حداقل موارد منفی کاذب در نتایج آزمون است، در الگوریتم درخت تصمیم به دست آمد.
۶۲.

تاثیر کاربرد هوش مصنوعی در بازی جنگ برای بهبود عملکرد شناختی در نبردهای دریایی آینده(مقاله علمی وزارت علوم)

نویسنده:
منبع: مدیریت نظامی سال ۲۳ زمستان ۱۴۰۲ شماره ۹۲ 57 - 78

کلیدواژه‌ها: بازی جنگ هوش مصنوعی یادگیری ماشین عملکرد شناختی

حوزه های تخصصی:
تعداد بازدید : ۱۶۵ تعداد دانلود : ۹۲
زمینه: فقدان قدرت تصور، درک و یادگیری رفتار اخلاقی را نمی توان با بیانیه های سازمانی یا آموزش های سنتی جبران نمود. این درحالیست که فناوری های شبیه سازی دیجیتال همچون واقعیت مجازی از طریق فراهم آوردن بستر تصور نتایج اعمال در محیط شبیه سازی شده و تقویت قوه تصور افراد و اینکه بتوانند چیزها را از منظر دیگران ببینند، می تواند به یادگیری رفتار اخلاقی کمک کند.هدف: هدف از مطالعه حاضر بررسی تاثیر کاربرد هوش مصنوعی در بازی جنگ بر عملکرد شناختی فرماندهان و رزمندگان در نبردهای دریایی آینده است.روش پژوهش: پژوهش حاضر از حیث هدف اکتشافی و از حیث روش شناسی کیفی و از نوع فرا ترکیب می باشد. جامعه آماری پژوهش، متشکل از مطالعات کیفی معتبر منتشرشده در حوزه کاربرد فناوری های شبیه سازی دیجیتال (با تمرکز بر واقعیت مجازی و واقعیت افزوده) در یادگیری شناختی اجتماعی تا سال 1401 می باشد. یافته ها: پنج مولفه تلقین ناخودآگاه احساس حضور فراگیر در محیط یادگیری، افزایش ظرفیت پردازش شناختی مفاهیم انتزاعی و غیرقابل تجربه عینی، قابلیت درک عمیق سوژه در محیط شبیه سازی، تقویت انگیزه یادگیری، بهبود خلاقیت در رابطه با موضوع یادگیری به عنوان تاثیر کاربرد فناوری شبیه سازی دیجیتال بر یادگیری شناختی اجتماعی رفتار اخلاقی در سازمان های دفاعی شناسایی گردید. نتیجه گیری: فناوری های شبیه سازی دیجیتال به واسطه فراهم آوردن امکان تجربه متوالی و عینی سوژه یادگیری و همچنین ایجاد انعطاف در سناریوهای آموزشی، قادر خواهند بود تحولی چشمگیر در یادگیری شناختی اجتماعی و توسعه رفتار اخلاقی در سازمان های نظامی ایجاد نمایند.
۶۳.

مقایسه کارایی مدل های آماری و یادگیری ماشین و انتخاب مدل بهینه در پیش بینی سود خالص و جریان های نقدی عملیاتی(مقاله علمی وزارت علوم)

نویسنده:
منبع: مدیریت دارایی و تامین مالی سال ۱۱ تابستان ۱۴۰۲ شماره ۲ (پیاپی ۴۱) 53 - 74

کلیدواژه‌ها: پیش بینی جریان نقد عملیاتی پیش بینی سود خالص داده کاوی طبقه بندی یادگیری ماشین

حوزه های تخصصی:
تعداد بازدید : ۷۹ تعداد دانلود : ۷۸
هدف: در پژوهش حاضر، مقایسه عملکرد مدل های یادگیری ماشین و مدل های آماری در پیش بینی سود و جریان نقد عملیاتی با استفاده از مجموعه متغیر های تعهدی و نقدی بررسی شده است.روش: روش شناسی پژوهش به سه مرحله گزینش مجموعه داده و متغیرها، مدل سازی و قیاس تقسیم بندی می شود. جامعه آماری پژوهش حاضر، شرکت های بورس اوراق بهادار تهران و داده های 184 شرکت طی بازه زمانی 1391 تا 1400 بررسی شده است.یافته ها: نتایج این پژوهش نشان دهنده آن بود که متغیرهای تعهدی توان تبیین بیشتری نسبت به متغیر های نقدی برای پیش بینی سود خالص و جریان نقد عملیاتی آتی دارد. علاوه بر این، مقایسه عملکرد مدل های یادگیری ماشین و آماری در پیش بینی سود خالص و جریان نقد عملیاتی آتی نشان دهنده آن بود که رویکرد هوش مصنوعی توانایی بیشتری دارد و بین مدل های یادگیری ماشین، رگرسیون نمادین و مدل های آماری، مدل پروبیت از عملکرد بیشتری برخوردار است؛ همچنین نتایج نشان دهنده آن بود که اگرچه به طور میانگین مدل های یادگیری ماشین عملکرد بیشتری نسبت به مدل های آماری دارد، مدل های آماری نیز عملکرد بیشتری از برخی مدل های یادگیری ماشین ارائه می دهد.
۶۴.

ارائه ی مدل پیش بینی کننده تحلیل احساسات کاربران از شهر مبتنی بر شبکه ی اجتماعی توئیتر؛ نمونه مطالعاتی: کلان شهرهای ایران(مقاله علمی وزارت علوم)

نویسنده:
منبع: معماری و شهرسازی ایران دوره ۱۴ پاییز و زمستان ۱۴۰۲ شماره ۲۶ 301-317

کلیدواژه‌ها: تحلیل احساسات یادگیری ماشین یادگیری عمیق توئیتر شبکه ی اجتماعی

حوزه های تخصصی:
تعداد بازدید : ۶۷ تعداد دانلود : ۴۸
تحلیل احساسات کاربران از طریق شبکه های مجازی، به حوزه ای موثر در علوم مختلف تبدیل شده و مخاطبان آن نه تنها صاحبان شرکت ها و سیاست مدارن، بلکه کاربران هستند. در این میان این حوزه در مطالعات شهری هم نفوذ کرده و به دلیل روش مندی آن؛ چه در قالب پژوهش هایی که صرفاً تحلیل احساس را هدف خود قرار داده اند و چه به صورت لایه ای تلفیقی در پژوهش ها مورد استفاده برنامه ریزان و طراحان شهری قرار گرفته است. مقاله ی پیش رو با هدف تبیین این حوزه در تحلیل احساسات شهری در قالب روش های مدل گرا بر آن است تا با بررسی اهمیت احساس و روش های مطرحِ بررسی آن در شهر، جایگاه این حوزه را در مطالعات شهری نشان دهد و در ادامه به آموزش ماشین برای ارائه ی مدل پیش بینی کننده برای تحلیل احساسات شهر بپردازد. مجموعه ی داده های این پژوهش مربوط به 8 کلان شهر ایران است که از توئیتر استخراج شده و تحلیل داده های متنی مورد توجه قرار گرفته است. به منظور آموزش ماشین برای تحلیل احساسات از یادگیری ماشین و یادگیری عمیق بهره برده شده و نتایج آنها با هم مقایسه شده است. الگوریتم های مورد استفاده در یادگیری ماشین، ماشین بردار پشتیبان، رگرسیون لجستیک و درخت تصمیم بوده و در یادگیری عمیق، ماشین با استفاده از شبکه ی عصبی و شبکه ی هیبریدی آموزش و تست شده است. براساس نتایج یادگیری عمیق برای پیش بینی احساسات و قطبیت متن در کلان شهرهای ایران بهتر عمل کرده و دقتی برابر با 80 داشته است.
۶۵.

تأثیر به کارگیری ابزار یادگیری ماشین در نظام دادرسی حقوق نوشته با نگاهی به تجربه جمهوری خلق چین و کاربست آن در نظام قضایی ایران(مقاله علمی وزارت علوم)

نویسنده:
منبع: حقوق فناوری های نوین دوره ۵ بهار و تابستان ۱۴۰۳ شماره ۹ 205 - 220

کلیدواژه‌ها: نظام حقوق نوشته کامن لا نظام قضایی چین یادگیری ماشین ارجاع به پرونده های مشابه

حوزه های تخصصی:
تعداد بازدید : ۷۱ تعداد دانلود : ۴۹
هدف هر نظام حقوقی توسعه نظم اجتماعی و عدالت همگانی ازطریق حل وفصل مسائل آحاد افراد جامعه است. به نظر می رسد با گسترش فنّاوری های نوین، رسیدن به این هدف با سرعت بیشتری قابل تعقیب است. دو نظام حقوقی سرآمد در سطح جهان، یعنی نظام حقوق رومی ژرمنی با اعمال مقررات موضوعه و نظام حقوق کامن لا با تکیه بر رویه قضایی، منبع الهام بخش بسیاری از نظام های حقوقی کشورها هستند. در این پژوهش، با تکیه بر تجارب سیستم قضایی نوشته چین در بهره گیری از هوش مصنوعی، که با روش تحقیق تحلیلی توصیفی و استفاده از ابزار کتابخانه ای بررسی شده است، به دنبال پاسخ به این پرسش هستیم که درصورت به کارگیری ابزار یادگیری ماشین، که برمبنای یافتن الگو در آرای مشابه استوار است، آیا نظام حقوق نوشته چهارچوب سنتی خود را از دست خواهد داد و به نوعی در نظام حقوقی کامن لا هضم خواهد شد؟ به نظر می رسد تابعان نظام حقوق نوشته با حفظ اصول خود به هم گرایی با نظام حقوق کامن لا دست یابند؛ بدون این که ریشه های استوار بر قانون نوشته را از دست بدهند.
۶۶.

تهیه نقشه نوع محصول کشاورزی از سری زمانی تصاویر لندست-8 با استفاده از روش های یادگیری ماشین (مطالعه موردی: مرودشت استان فارس)(مقاله علمی وزارت علوم)

نویسنده:
منبع: جغرافیا و برنامه ریزی محیطی دوره ۳۵ تابستان ۱۴۰۳ شماره ۲ (پیاپی ۹۴) 45 - 66

کلیدواژه‌ها: هیه نقشه نوع محصول کشاورزی تخمین سطح زیرکشت ماهواره لندست-8 یادگیری ماشین جنگل تصادفی ماشین بردار پشتیبان آنالیز انحراف زمانی پویا سنجش از دور

حوزه های تخصصی:
تعداد بازدید : ۴۷ تعداد دانلود : ۳۱
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.
۶۷.

بهبود مدل سازی توسعه فضایی شهرها با تلفیق روش های یادگیری ماشین و مدل CA-Markov (مطالعه موردی: کلان شهر قم)(مقاله علمی وزارت علوم)

نویسنده:
منبع: جغرافیا و توسعه ناحیه ای سال ۲۱ پاییز ۱۴۰۲ شماره ۳ (پیاپی ۴۴) 199 - 232

کلیدواژه‌ها: تغییرات کاربری/پوشش اراضی کلان شهر قم رشد شهری تحلیل های تصمیم گیری چندمعیاره (MCDM) یادگیری ماشین زنجیره مارکوف سلول های خودکار

حوزه های تخصصی:
تعداد بازدید : ۴۰ تعداد دانلود : ۴۲
یکی از پیامدهای اجتناب ناپذیر رشد روزافزون جمعیت جهان، گسترش شهرنشینی است؛ ازاین رو ارائه چشم اندازی از توسعه فضایی شهرها با هدف درک الگوی صحیح رشد شهر و فراهم آوردن زیرساخت های لازم از اهمیت بسیاری برخوردار است. ازآنجاکه کلان شهر قم یکی از شهرهای درگیر با مسئله رشد شهری بوده و آمار 95 درصد شهرنشینی را ثبت کرده است، تمرکز این پژوهش بر واکاوی توسعه فضایی اراضی شهری پیرامون این کلان شهر است. برای نیل به هدف مذکور، ابتدا ورودی های مدل که همان نقشه های کاربری/پوشش اراضی و نقشه شایستگی رشد شهری منطقه هستند، تولید شدند. نقشه های کاربری/پوشش اراضی منطقه برای سال های 2000، 2010 و 2020 با روش جنگل تصادفی در محیط سامانه Google Earth Engine و نقشه شایستگی رشد شهری منطقه برای سال های 2000 و 2010 به کمک تحلیل های MCDM مبتنی بر GIS به صورت مجزا تولید شد. درنهایت این نقشه ها وارد الگوریتم های ترکیبی ANN-CA-Markov و  SVM-CA-Markov شد و دو نقشه برای کاربری/پوشش اراضی منطقه در سال 2020 شبیه سازی شد. اعتبارسنجی مدل ها نشان داد که الگوریتم SVM-CA-Markov با مساحت زیر منحنی ROC معادل 96/0 از صحت بیشتری برخوردار بود و برای مدل سازی افق 2040 به عنوان الگوریتم بهینه انتخاب شد. نتایج حاکی از توسعه فضایی روزافزون این کلان شهر است؛ به طوری که وسعت اراضی شهری این منطقه از 62/139 کیلومتر مربع در سال 2020 به بیش از 183 کیلومترمربع در سال 2040 افزایش خواهد یافت. ارزیابی نتایج می تواند به مدیران مربوط در راستای اتخاذ سیاست های لازم برای مدیریت هرچه بهتر شرایط پیش رو یاری رساند. این امر مهم می تواند از طریق برنامه ریزی برای توسعه منظم شبکه معابر، گسترش فضا های سبز شهری و... محقق شود. در این راستا سازمان ها و مسئولان محلی باید ضمن اشراف کامل بر جهات توسعه این کلان شهر، نظارت های هدفمند بر این مسئله داشته باشند.
۶۸.

بهینه سازی نتایج الگوریتم ML-Based GMDH به منظور افزایش دقت تشخیص گردوغبار و عمق دید افقی ازطریق الگوریتم TLBO(مقاله علمی وزارت علوم)

نویسنده:
منبع: سنجش از دور و GIS ایران سال ۱۶ بهار ۱۴۰۳ شماره ۱ (پیاپی ۶۱) 49 - 66

کلیدواژه‌ها: گردوغبار تشخیص دید افقی سنجش از دور یادگیری ماشین الگوریتم TLBO شبکه عصبی GMDH

حوزه های تخصصی:
تعداد بازدید : ۳۸ تعداد دانلود : ۳۷
سابقه و اهداف: کیفیت هوای پاک، به منزله یکی از ضروری ترین نیازهای موجودات زنده، براَثر فعالیت های طبیعی و انسانی به مخاطره افتاده است. در سال های اخیر، طوفان های گردوغبار ازلحاظ مکانی و زمانی همواره درحال افزیش بوده و سبب آسیب های بی شمار درحوزه سلامت اجتماعی، اقتصادی و زیست محیطی، برای ساکنان مناطق جنوب و جنوب غرب ایران، شده است. در پژوهش حاضر، به منظور بررسی طوفان های گردوغبار و تشخیص عمق دید افقی، داده های سنجنده مادیس به کار رفته است. مواد و روش ها: از مزایای داده های سنجنده مادیس می توان به توان تفکیک طیفی و زمانی بالا اشاره کرد. همچنین داده های ایستگاه های هواشناسی با توجه به بازه زمانی مورد مطالعه جمع آوری شده است. پس از پیش پردازش داده ها و آماده سازی مشاهدات میدانی، به منظور استخراج ویژگی های مورد نیاز برای انجام دادن مدل سازی ها، ازطریق روش تفاضلی بین باندهای منتخب هر تصویر داده های سنجنده مادیس، به همراه ویژگی های استخراج شده از سنسورهای ایستگاه های هواشناسی زمینی استفاده شده است. با بررسی های بیشتر و ارزیابی های صورت گرفته و استفاده از دیدگاه های خبرگان هواشناسی، 36 ویژگی تفاضلی از باندهای گوناگون تصاویر مادیس و شش ویژگی از داده های ایستگاه های هواشناسی زمینی، یعنی درمجموع 42 ویژگی، استخراج شده است. در ادامه، ازطریق تکنیک های انتخاب ویژگی، بهترین ویژگی ها شناسایی و با به کارگیری روشی جدید با نام ML-Based GMDH، که حاصل بهبود شبکه عصبی GMDH ازطریق تغییر توابع جزئی با مدل های یادگیری ماشین است، برای تشخیص غلظت گردوغبار و دید افقی استفاده شد. برای دستیابی به دقت مناسب نیز ابرپارامترهای این مدل به صورت ابتکاری، با استفاده از الگوریتم بهینه سازی TLBO، تنظیم شدند. در ادامه، روش های یادگیری ماشین Basic GMDH SVM، MLP، MLR، RF و مدل گروهی آنها نیز، برای مقایسه با رویکرد اصلی، اجرایی شد؛ طبق نتایج، روش ML-Based GMDH تنظیم شده با  TLBOبا ایجاد بهبود درقیاس با روش های یادگیری ماشین ذکرشده، دقت بهتری را در تشخیص غلظت گردوغبار فراهم کرده است. نتایج و بحث: روش SVM-PSO به منزله روش برتر در مرحله انتخاب ویژگی، روش RF به منزله روش برتر در میان روش های پایه دسته بندی و روش های Ensemble SVM و Ensemble RF به منزله روش های برتر در مرحله گروهی و دسته بندی انتخاب شدند. همچنین مشاهده شد، با استفاده از رویکرد گروهی، بهبود مطلوبی در تشخیص دسته دید افقی پدید آمد. در رویکرد دوم، روشی با عنوان ML-Based GMDH که حاصل بهبود شبکه عصبی GMDH ازطریق تغییر توابع جزئی با مدل های یادگیری ماشین است، استفاده شد که کاربرد آن در تقریب غلظت گردوغبار است. همچنین، برای دستیابی به دقت مناسب، ابرپارامترهای این مدل با الگوریتم بهینه سازی TLBO با دقت بسیار بالا تنظیم شدند. نتایج حاصل نشان دادند این روش، با ایجاد بهبود درمقایسه با بهترین روش های انتخابی از رویکرد اول، دقت مناسبی را در تقریب غلظت گردوغبار و عمق دید افقی فراهم کرده است.
۶۹.

تفکیک محصولات زراعی با استفاده از ترکیب تصاویر سنتینل-1 و 2 در استان اردبیل(مقاله علمی وزارت علوم)

نویسنده:
منبع: سنجش از دور و GIS ایران سال ۱۶ پاییز ۱۴۰۳ شماره ۳ (پیاپی ۶۳) 25 - 46

کلیدواژه‌ها: تلفیق تصاویر اپتیک و رادار نقشه بندی محصولات زراعی باندهای لبه قرمز شاخص های پوشش گیاهی لبه قرمز یادگیری ماشین

حوزه های تخصصی:
تعداد بازدید : ۱۳۴ تعداد دانلود : ۵۶
سابقه و هدف: شناسایی و نقشه کردن محصولات زراعی اطلاعات مهمی برای مدیریت زمین های کشاورزی و برآورد سطح زیر کشت محصولات زراعی فراهم می کند. تصاویر اپتیک و راداری، منابع ارزشمندی برای طبقه بندی زمین های کشاورزی است. ویژگی های مستخرج از تصاویر اپتیک حاوی اطلاعاتی در مورد امضای بازتابی محصولات مختلف است. در مقابل، یک تصویر راداری فراهم کننده اطلاعاتی در مورد خصوصیات ساختاری و سازوکارهای پراکنش محصولات است. ترکیب این دو منبع قادر به ایجاد یک مجموعه داده مکمل با تعداد چشمگیری از ویژگی های زمانی طیفی، بافت و قطبیده برای طبقه بندی زمین های کشاورزی است. مواد و روش ها: این پژوهش به بررسی اهمیت باندهای لبه قرمز برای تفکیک محصولات زراعی شامل گندم، جو، یونجه، لوبیا، باقلا، کتان، ذرت، چغندر قند و سیب زمینی با استفاده از روش جنگل تصادفی و ماشین بردار پشتیبان می پردازد. بدین منظور سری زمانی تصاویر سنتینل-1 و 2 در سال 2019 از شمال غرب شهر اردبیل در پلتفرم ارت انجین فراخوانی شد. ترکیب های متفاوت باندها برای بررسی تأثیرات اطلاعات طیفی و زمانی، شاخص های گیاهی و اطلاعات بازپراکنش برای طبقه بندی محصولات بررسی شد. با استفاده از روش انتخاب ویژگی جنگل تصادفی ویژگی های مهم شناسایی و به عنوان ورودی الگوریتم جنگل تصادفی و ماشین بردار پشتیبان معرفی شدند. نتایج و بحث : جنگل تصادفی برای تمامی سناریوها بهترین نتیجه را به دست آورد. نتایج نشان داد افزودن طول موج های لبه قرمز و شاخص های مشتق شده از آن باعث شد محصولاتی همچون جو، لوبیا، باقلا و کتان نسبت به سایر محصولات با صحت بالاتری تفکیک شود. بهترین نتیجه در میان ترکیبات مختلف ویژگی ها مربوط به تلفیق سری زمانی ویژگی های طیفی تصاویر سنتینل-2 با سری زمانی تصاویر سنتینل-1 بود. صحت کلی 67/84 درصد و ضریب کاپا 31/ 82 درصد به دست آمد. نتایج نشان داد باندهای لبه قرمز و شاخص های پوشش گیاهی مبتنی بر آن به تنهایی قابلیت جداسازی محصولات زراعی را از همدیگر دارند. نتیجه گیری: پیشنهاد می شود برای دستیابی به صحت بالاتر در تفکیک محصولات زراعی انتخاب باندهای طیفی هدفمند مورد توجه قرار گیرد. ترکیبی از تصاویر راداری و اپتیک همیشه از روش طبقه بندی براساس تک سنجنده بهتر عمل می کند و به افزایش اطلاعات طبقه بندی منجر می شود.
۷۰.

بررسی تأثیر شبکه موجک بر کارایی شبکه عصبی مصنوعی در پیش بینی رسوبات سیلابی(مقاله علمی وزارت علوم)

نویسنده:
منبع: جغرافیا و مخاطرات محیطی زمستان ۱۴۰۲ شماره ۴۸ 161 - 186

کلیدواژه‌ها: رسوب معلق داده کاوی یادگیری ماشین شبکه عصبی مصنوعی شبکه موجک

حوزه های تخصصی:
تعداد بازدید : ۴۰ تعداد دانلود : ۳۶
معمولاً سهم قابل ملاحظه ای از خسارت های ناشی از سیلاب، به رسوبات معلق در جریان سیل و هزینه های لایروبی ناشی از نشست آن ها در مناطق طبیعی، مسکونی و صنعتی برمی گردد. ازاین رو هنگام وقوع سیلاب علاوه بر پارامتر دبی آب، پایش دبی رسوبات حمل شده در آب نیز بسیار حائز اهمیت است. امروزه شبکه های عصبی مصنوعی به خوبی برای پیش بینی سری های زمانی غیرخطی توسعه یافته اند، اما ماهیت غیرخطی داده های رسوب و تأثیر گسترده ای از عوامل مختلف بر میزان دبی رسوب، منجر شده تا پیش بینی این داده ها همواره با چالش هایی مواجه باشند. تئوری موجک ازجمله روش های پیش پردازشی است که می تواند با تجزیه سری های زمانی اصلی به سیگنال های فرعی منجر به وضوح بهتر روابط درونی داده های غیرخطی گردد. در تحقیق حاضر مقادیر داده های رسوب در دو ایستگاه آبنما و میناب از حوزه آبخیز رودان هرمزگان قبل از ورود به شبکه عصبی مصنوعی از طریق تبدیل موجک به سیگنال های فرعی شکسته شد و سپس توسط شبکه عصبی مصنوعی فرایند پیش بینی صورت پذیرفت. همچنین به منظور بررسی تأثیر تبدیل موجک در عملکرد مدل شبکه عصبی، نتایج حاصل از این مدل ترکیبی با نتایج به دست آمده از مدل شبکه عصبی منفرد مقایسه گردید و کارایی آن ها با استفاده از روش اعتبارسنجی چندتکه، همبستگی و ریشه میانگین مربعات خطا مورد ارزیابی قرار گرفت. نتایج حاصله نشان داد شبکه عصبی مصنوعی در دو ایستگاه موردمطالعه به ترتیب با همبستگی 89/0 و 68/0 و شبکه عصبی موجکی با همبستگی 9/0 و 8/0 قادر به شبیه سازی میزان رسوبات هستند. همچنین آماره نرمال شده ریشه میانگین مربعات خطا به ترتیب در شبکه های عصبی مصنوعی 104/0 و 35/0 و در شبکه های ترکیبی 124/0 و 18/0 به دست آمد. با توجه به نتایج داده ها، تأثیر موجک در شناسایی سیگنال های فرعی و در نتیجه بهبود عملکرد مدل نسبت به شبکه های عصبی منفرد در پیش بینی میزان رسوبات قابل حمل در سیلاب به وضوح قابل توجه است.
۷۱.

تحلیل قابلیت ادغام مدل سازی اطلاعات ساختمان (BIM) و هوش مصنوعی در معماری با رویکرد ردیابی نظام وار منابع علمی در دوره 2021- 2015(مقاله علمی وزارت علوم)

نویسنده:
منبع: برنامه ریزی توسعه کالبدی سال ۸ زمستان ۱۴۰۲ شماره ۴ (پیاپی ۳۲) 111 - 134

کلیدواژه‌ها: BIM هوش مصنوعی صنعت ساخت و ساز BIM به کمک هوش مصنوعی یادگیری ماشین

حوزه های تخصصی:
تعداد بازدید : ۶۳ تعداد دانلود : ۵۰
مدل سازی اطلاعات ساختمان (BIM) صنعت ساخت وساز را با بهبود کارایی و ساده سازی روش های پروژه ساختمان متحول ساخته است.ادغام BIM با سیستم های دیجیتالی همچون هوش مصنوعی (AI) ، موانع را از بین برده و چرخه عمر پروژه را سازنده تر و سودمندتر می سازد. مزایای BIM و AI فراتر از مدل سازی سه بعدی و طرح های ساختمانی است. آن ها کل چرخه عمر پروژه ساخت و ساز را از صفر به بعد مدیریت و کنترل می کنند. هدف این پژوهش ارائه درک جامع از روند ادغام AI-BIM است که توسط محققان مختلف در سراسر جهان انجام شده است. دستیابی به این هدف از طریق تحلیل نظام وار 380 مقاله انتشار یافته در سال های 2015-2021 از طریق پایگاه استنادی اسکوپوس است این پژوهش مروری نظام وار از تحقیقات کیفی را برای تشخیص ویژگی های BIM، AI، ادغام و پیاده سازی آن ها در ساخت و ساز ارائه می کند. همچنین روندها و بینش های تحقیقاتی آینده را ارائه داده و بر قابلیت همکاری در BIM تأکید می کند. در بخش دیگر، نیاز به تحقیقات آینده را برای تمرکز بر قابلیت همکاری هوش مصنوعی و سایر سیستم های هوشمند در BIM را برای تقویت علم یکپارچه بر اساس دیجیتالی شدن و فناوری اطلاعات و ارتباطات تقویت می سازد.در نهایت گسترش یافته ها را نیز در طول چرخه عمر پروژه ساخت وساز ساختمان برجسته می کند. نتایج تحلیل نظام وار دراین تحقیق نشان می دهد که ادغام هوش مصنوعی و BIM ظرفیت تغییر صنعت ساخت و ساز را در بر دارد. زیرا توانایی کاهش قابل توجهی از خطاها ،صرفه جویی در زمان و منابع (نیروی انسانی و مصالح ساختمانی) ، افزایش بهره وری و متناسب سازی نقشه را بر اساس نیاز کاربر با استفاده از سه ماژول کنترل کننده، پایگاه داده و یادگیری ماشین و با توجه به مقررات ساختمانی را دارد. این پژوهش همچنین برخی از چالش هایی مانع  از ادغام هوش مصنوعی و BIM را همچون فقدان استانداردهای قابلیت همکاری، نگرانی های مربوط به حریم خصوصی داده ها و آموزش ناکافی برای متخصصان را شناسایی می کند. 
۷۲.

مدل سازی تاثیر پارامترهای ساختاری شهر بر دمای سطح شهر مبتنی بر قطعات حاصل از قطعه بندی شی گرا در شهر تهران(مقاله علمی وزارت علوم)

نویسنده:
منبع: برنامه ریزی و آمایش فضا دوره ۲۷ پاییز ۱۴۰۲ شماره ۳ (پیاپی ۱۲۱) 132 - 158

کلیدواژه‌ها: Land surface temperature object-oriented segmentation urban structural parameters deep learning Machine Learning دمای سطح زمین قطعه بندی شی گرا پارامترهای ساختاری شهر یادگیری عمیق یادگیری ماشین

حوزه های تخصصی:
تعداد بازدید : ۳۳ تعداد دانلود : ۳۰
گرم شدن محیط زیست شهری یکی از پیامدهای رشد شهری ناپایدار است. هدف این پژوهش بررسی امکان مدل سازی تاثیر پارامترهای ساختاری شهر بر دمای سطح زمین در فصل تابستان در شهر تهران است. بدین منظور، از تصویر لندست-8 اخذ شده در سال 2018 به جهت محاسبه دمای سطح زمین استفاده شده و به منظور تعیین واحدهای مطالعاتی در این پژوهش از روش قطعه بندی شی گرا بر روی تصویر سنجنده سنتینل-2 سال 2018 استفاده گردیده و میزان پوشش گیاهی، جداسازی مناطق ساخته شده از مناطق ساخته نشده از این تصاویر استخراج شده است. همچنین روش شبکه عصبی پرسپترون چند لایه و روش شبکه عصبی کانولوشن به منظور مدل سازی تاثیر پارامترهای ساختاری شهر بر دمای سطح زمین در طی فصل تابستان مورد استفاده قرار گرفته است. نتایج به دست آمده از انتخاب ویژگی به روش جنگل تصادفی برای فصل تابستان نشان می دهد که حضور پوشش گیاهی و کاربری های شهری که شامل مناطق مسکونی، مناطق تجاری و خدماتی، مناطق صنعتی، زمین های بایر است، و نیز لایه های اطلاعاتی تراکم معابر و تراکم جمعیت در این فصل بر تغییرات دمای سطح زمین تاثیر گذار هستند. همچنین نتایج حاصل از مدل سازی و نتایج به دست آمده از آزمون آماری تی نمونه های جفت شده نشان دهنده برتری روش شبکه عصبی کانولوشن با ریشه میانگین مربعات خطای 61/0 درجه سانتی گراد، ضریب تعیین 62/0 و درصد خطای برآورد 75/17 نسبت به روش شبکه عصبی پرسپترون چند لایه با ریشه میانگین مربعات خطای 82/0، ضریب تعیین 26/0 و درصد خطای برآورد 34/23 است.
۷۳.

بررسی فرضیه چرخ دنده ای دوزنبری در ایران با استفاده ازسه رویکرد ARDL ، BMA_ADL و LSTM(مقاله علمی وزارت علوم)

نویسنده:
منبع: بررسی مسائل اقتصاد ایران سال ۱۰ پاییز و زمستان ۱۴۰۲ شماره ۲ (پیاپی ۲۰) 105 - 134

کلیدواژه‌ها: مصرف درآمد نسبی خودرگرسیون با وقفه توزیعی یادگیری ماشین حافظه طولانی کوتاه مدت

حوزه های تخصصی:
تعداد بازدید : ۴۲ تعداد دانلود : ۳۹
مصرف خصوصی به عنوان باثبات ترین و مهمترین جزء تولید ناخالص داخلی محسوب شده و نقش مهمی در اقتصاد ایفا می کند. براساس نظریه های مصرف، چگونگی شکل تابع مصرف در کوتاه مدت و بلندمدت موجب تغییر ضرایب فزاینده کلان می شود؛ که این امر به نوبه خود بر نحوه اثرگذاری سیاست های کلان بر متغیرهای کلان اقتصادی موثر است. در این راستا، در پژوهش حاضر سعی شده است با استفاده از داده های سری زمانی اقتصاد ایران طی سال های 1976-2020، فرضیه الگوی مصرف چرخ دنده ای دوزنبری مورد آزمون تجربی قرار گیرد. برای این منظور، از سه روش؛ مدل خودرگرسیونی با وقفه های توزیع شده، مدل میانگین گیری بیزین خود رگرسیون با وقفه های توزیع شده، روش یادگیری عمیق ماشینی )حافظه طولانی کوتاه مدت( استفاده شده است. نتایج به دست آمده از هر سه روش نشان می دهد که این فرضیه در ایران سازگار نیست. به بیان دیگر، شواهد تجربی تحقیق نشان می دهد برخلاف نظریه دوزنبری، شیب تابع مصرف در کوتاه مدت بیشتر از شیب تابع بلندمدت بوده و ضرایب فزاینده سیاست های مدیریت تقاضا در کوتاه مدت بیشتر از بلندمدت است. این نوع الگوی رفتاری مصرفی خانوارهای ایرانی را می توان رفتار احتیاطی نامید.طبقه بندی JEL :E21, C11, E2,C5
۷۴.

ارائه رویکردهای مبتنی بر یادگیری ماشین سنتی و رگرسیونی روی پیش بینی عملکرد دانش آموزان مؤسسات عالی(مقاله علمی وزارت علوم)

نویسنده:
منبع: رویکردی نو بر آموزش کودکان سال ۵ زمستان ۱۴۰۲ شماره ۴ 31 - 44

کلیدواژه‌ها: پیش بینی عملکرد دانش آموزان سیستم رگرسیونی یادگیری ماشین مؤسسات عالی

حوزه های تخصصی:
تعداد بازدید : ۳۹ تعداد دانلود : ۱۶
مقدمه: پیش بینی عملکرد دانش آموزان به یک خواسته مبرم در اکثر نهادها و مؤسسات آموزشی و آموزشی عالی تبدیل شدهاست. این مسئله برای کمک به دانشآموزان در معرض خطر و اطمینان از حفظ آنها، ارائه منابع و تجربیات عالی یادگیری و بهبود رتبه و شهرت مؤسسات ضروری است. با این حال، دستیابی به آن برای مؤسسات استارت آپی که سوابق کوچکی برای تجزیه و تحلیل دارند، ممکن است دشوار باشد. هدف از پژوهش حاضر ارائه رویکردهای مبتنی بر یادگیری ماشین سنتی و رگرسیونی روی پیش بینی عملکرد دانش آموزان بود. روش: پژوهش حاضر از نوع پژوهش های کیفی بوده و از لحاظ هدف کاربردی و از لحاظ روش از نوع پژوهش های تحلیلی آزمایشی بود. در این پژوهش از روش های رگرسیون خطی، درخت تصمیم، جنگل تصادفی و ماشین بردار پشتیبانی استفاده شد. در این بخش پس از معرفی محیط پیاده سازی، پارامترهای شبیه سازی معرفی شد. در ادامه نیز با معرفی معیارهای ارزیابی کارایی روش پیشنهادی بر اساس معیارهای ارزیابی موصوف بررسی و یافته ها با دیگر روش های مشابه مقایسه شد. که برای این مقایسات از رویکرد یادگیری عمیق مبتنی بر شبکه کانولوشنی عمیق و دیگر رویکردهای یادگیری عمیق استفاده می شود. در این تحقیق همچنین از مجموعه داده های مدرسه پسرانه دکتر هشت رودی که جزو 10 مؤسسه برتر در تهران می باشد استفاده شد. نتیجه گیری: نتایج اصلی این مطالعه کارایی جنگل تصادفی را در آموزش داده های کوچک و در تولید نرخ آزمون دقیق نشانمیدهد.
۷۵.

ارائه الگویی برای بودجه ریزی عملیاتی در نیروگاه های فسیلی برق مبتنی بر یادگیری ماشین و روش گرندد تئوری

نویسنده:
منبع: تکنولوژی در کارآفرینی و مدیریت استراتژیک دوره ۳ سال ۱۴۰۳ شماره ۲ (پیاپی ۸) 168-187

کلیدواژه‌ها: بودجه ریزی عملیاتی نیروگاه ها و سوخت های فسیلی یادگیری ماشین تولید برق

حوزه های تخصصی:
تعداد بازدید : ۴۰ تعداد دانلود : ۳۱
هدف از پژوهش حاضر، ارائه مدلی جامع برای ارائه ی الگویی برای بودجه ریزی عملیاتی در نیروگاه های فسیلی برق مبتنی بر یادگیری ماشین و روش گرندد تئوری می باشد. در این پژوهش به بررسی تأثیر رویکرد مشارکتی در بودجه ریزی بر مبنای عملکرد بر پاسخگویی در بخش عمومی پرداخته شد. بودجه ریزی بر مبنای عملکرد مبنایی برای پاسخگویی بیشتر در برابر استفاده از منابع سازمان فراهم می سازد. علاوه بر این ها، مسائلی مانند حمایت از محیط زیست، هزینه بالای سرمایه گذاری اولیه و استفاده بهینه از منابع نقش مستقیم بر عملکرد بازیگران این بازار دارد. متأسفانه در شرایط رقابتی جدید، مدل های سنتی و کلاسیک که عوامل اقتصادی (تولیدکنندگان یا مصرف کنندگان) را همگون و فاقد تعامل فرض می کنند کارایی لازم را نداشته و نتایج قابل قبولی ارائه نمی دهند. بررسی عملیاتی، رفتار واحدهای تولیدی ناهمگون را تبیین و اجازه تعامل و یادگیری در یک محیط پویا را فراهم می سازد، اما به علت وسعت مدل و پیچیدگی های زیاد آن نمی توان از یک راه حل تحلیلی برای به دست آوردن متغیرها در شرایط تعادلی استفاده کرد. با توجه به پیشرفت فناوری محاسبات، نتایج مدل های عامل محور را معمولاً با روش های شبیه سازی در چارچوب سناریوهای مختلف می توان ارزیابی کرد. واحدهای تولیدکننده روزانه برنامه تولید پیشنهادی خود را برای هر ساعت به نهاد بهره بردار ارائه می دهند. این نهاد با توجه به پیش بینی تقاضای مصرف بیست وچهار ساعت آتی و با اجرای مکانیسم حراج، واحدهای برنده و قیمت بازار را مشخص می نماید و سپس با اجرای مکانیسم تسویه، فروش و تسویه حساب انجام می گیرد. با توجه به ضرورت تعادل مصرف و تولید درکل کشور و همچنین توزیع جغرافیائی واحدهای تولیدی و مصرف کننده، در مکانیسم حراج، علاوه بر میزان مصرف، قیود اقتصادی و قیود فنی مربوط به تولید، انتقال و توزیع نیز لحاظ می شود. یافته های پژوهش نشان می دهد که زیرساخت های موجود بودجه ریزی بر مبنای عملکرد بر پاسخگویی مالی در بخش عمومی تأثیری ندارد، درصورتی که تأثیر منفی بر پاسخگویی عملیاتی دارد. استقرار زیرساخت های بودجه ریزی بر مبنای عملکرد و به کارگیری رویکرد مشارکتی در امر بودجه ریزی موجب ارتقای سطح مسئولیت پاسخگویی دولت در بخش عمومی می شود.
۷۶.

توسعه یک سامانه پیشنهاد دهنده دوره های آموزشی فنی و حرفه ای به متقاضیان مهارت آموزی، کارجویان و مهارت آموختگان(مقاله علمی وزارت علوم)

نویسنده:
منبع: مهارت آموزی دوره ۱۲ زمستان ۱۴۰۲ شماره ۲ (پیاپی ۴۶) 235 - 252

کلیدواژه‌ها: دوره آموزشی پیشنهاد دوره سامانه پیشنهاددهنده یادگیری ماشین

حوزه های تخصصی:
تعداد بازدید : ۲۹ تعداد دانلود : ۲۲
سامانه های پیشنهاد دهنده سعی می کنند در انتخاب گزینه ها و محصولات به کاربران و مشتریان کمک کنند. این مقاله گزارش بخشی از نتایج یک طرح پژوهشی است که در آن یک سیستم پیشنهاددهنده ای توسعه داده شده است که می تواند با دریافت مشخصات هنرجو، دوره های مناسب را به او پیشنهاد دهد. مفاهیم بنیادی مورد نیاز، روشهای قابل استفاده و همچنین معیارهای ارزیابی معرفی شده و در ادامه کارایی روش پیشنهادی به کمک آزمون و ارزیابی بررسی شده است. نتایج بدست آمده نشان می دهد که سیستم پیشنهاد دهنده دوره با دقت مناسبی می تواند مهارجویان را به دوره های آموزشی مناسب هدایت نماید
۷۷.

پیش بینی انتخاب محصول توسط مشتریان مبتنی بر بازاریابی عصبی با الگوریتم هوش جمعی سالپ آشوبی(مقاله پژوهشی دانشگاه آزاد)

نویسنده:
منبع: مهندسی مدیریت نوین دوره ۱۰ بهار ۱۴۰۳ شماره ۱ 38 - 59

کلیدواژه‌ها: انتخاب ویژگی الگوریتم فراابتکاری یادگیری ماشین پیش بینی

حوزه های تخصصی:
تعداد بازدید : ۲۹ تعداد دانلود : ۲۳
تعیین الگوی تصمیم گیری مشتریان در خرید محصولات یکی از موارد مهم در بازاریابی است و هدف از مقاله، ارائه راهکار جدید در بازاریابی عصبی در پیش بینی انتخاب محصولات توسط مشتریان است. در این تحقیق سیگنال های مغزی از بیست وپنج نفر شرکت کننده با محدوده سنی 18 تا 38 سال در زمان مشاهده 14 محصول مختلف استفاده شده است که گروه اول شامل 10 مرد و 6 زن با گستره سنی 18 تا 23 سال، گروه دوم شامل 8 مرد و 5 زن با گستره سنی 25 تا 30 سال و گروه سوم شامل 7 مرد و 4 زن با گستره سنی 31 تا 38 سال بودند. برای انتخاب ویژگی در این مقاله الگوریتم جدیدی مبتنی بر هوش جمعی سالپ آشوبی ارائه شده است که می تواند با قدرت جستجوی بالا، ویژگی های مؤثر را مشخص نماید و برای پیش بینی نهایی از طبقه بندهای مختلف در قالب یادگیری چندتایی استفاده شده است. در مدل پیشنهادی، از روش طیف های مرتبه بالا در استخراج ویژگی ها از سیگنال مغزی استفاده شده که شامل بیش از هفتصد ویژگی است و سپس انتخاب ویژگی با الگوریتم هوش جمعی سالپ پیشنهادی تعداد ویژگی ها از 742 به 198 کاهش یافته است. نتایج نشان داده است که مدل پیشنهادی توانسته به طور میانگین در تشخیص انتخاب کاربران در همه محصولات دقت 99/75 درصد داشته باشد که نشان دهنده بهبود 75/3 درصدی نتایج نسبت به تحقیقات مشابه است.
۷۸.

کنترل بهینه پویایی مشتری از روش یادگیری ماشین با هسته چندجمله ای(مقاله پژوهشی دانشگاه آزاد)

نویسنده:
منبع: مهندسی مدیریت نوین دوره ۱۰ پاییز ۱۴۰۳ شماره ۳

کلیدواژه‌ها: کنترل بهینه پویایی مشتری یادگیری ماشین هسته چندجمله ای

حوزه های تخصصی:
تعداد بازدید : ۳۳ تعداد دانلود : ۲۷
در این پژوهش، یک مدل از کنترل بهینه برای پویایی مشتریان براساس سیاست های بازاریابی به عنوان یک سیستم غیر خودکار از معادلات دیفرانسیل مورد بررسی قرار می گیرد. هدف اصلی مدل پیگیری و تحلیل رفتار تغییرات همزمان مشتریان منظم، ارجاعی و بالقوه شرکت از زمان شروع تا به اکنون است. پیاده سازی یک سیاست بازاریابی موثر برای بهینه سازی این تغییرات و افزایش تعداد مشتریان از اهمیت ویژه ای برخوردار است. در راستای این هدف، یک الگوریتم جدید یادگیری ماشین نظارتی را برای شبیه سازی عددی مسئله ارائه شده است. الگوریتم پیشنهادی از هسته های چندجمله ای استفاده می کند. هسته های چندجمله ای این امکان را فراهم می آورند که تابعی پیچیده از داده ها را به گونه ای شبیه سازی کنند که به درک بهتر پویایی مشتریان کمک کند. رگرسیون بردار پشتیبان کمترین مربعات، یک روش بهینه سازی ساده برای استراتژی های بازاریابی ارائه می دهند که با این رویکرد، می توان استراتژی های بازاریابی را بدون پرداختن به جزئیات مربوط به هر مشتری بهینه کرد و به جای آن تمرکز را بر اثر کلی این استراتژی ها بر روی مجموعه مشتریان گذاشت. این تحقیق نشان می دهد که چگونه تکنیک های یادگیری ماشین می توانند در حل مسائل پیچیده مدیریت و بازاریابی کمک کننده باشند. با گذر زمان، تعداد مشتریان منظم افزایش می یابد و افراد مشتریان بالقوه کاهش می یابند. اما، تعداد مشتریان ارجاعی نشان دهنده یک رشد سریع در ابتدای دوره زمانی و وجود یک الگوی افزایشی نوسانی در ادامه زمان است.
۷۹.

پیش بینی میزان فروش با بهره برداری از روش یادگیری متا (مورد مطالعه: فروش آلومینیوم در بورس کالای ایران)(مقاله علمی وزارت علوم)

نویسنده:
منبع: تحقیقات بازاریابی نوین سال ۱۳ پاییز ۱۴۰۲ شماره ۳ (پیاپی ۵۰) 113 - 132

کلیدواژه‌ها: پیش بینی میزان فروش مدیریت بازاریابی یادگیری متا یادگیری ماشین بورس کالای ایران

حوزه های تخصصی:
تعداد بازدید : ۲۴ تعداد دانلود : ۱۴
با توجه به جایگاه ویژه پیش بینی فروش بازار در تحلیل فرصت های بازاریابی و نقش مهمی که پیش بینی فروش در برنامه ریزی بخش های مختلف یک سازمان دارد، هدف اصلی پژوهش حاضر استفاده از یکی از ابزارهای نوین حوزه یادگیری ماشین (روش یادگیری متا) برای پیش بینی میزان فروش با مطالعه موردی فروش آلومینیوم در بورس کالای ایران است. پژوهش حاضر در دسته پژوهش های کاربردی قرار می گیرد و داده های پژوهش با استفاده از منبع داده های ثانویه  گردآوری شده است. در این پژوهش برای تجزیه و تحلیل از اطلاعات موجود در گزارش های هفتگی منتشر شده در پایگاه رسمی سازمان بورس کالای ایران استفاده شده است. مراحل انجام دادن پژوهش بر مبنای اصول پیش بینی و با استفاده از رویکرد روش یادگیری متا صورت گرفته است. در یافته های پژوهش حاضر چگونگی استفاده از روش یادگیری متا برای پیش بینی میزان فروش و تخمین تقاضای آلومینیوم در بورس کالای ایران نشان داده شد. مدل مبتنی بر روش یادگیری متا برمبنای 4 روش پیش بینی پایه ای شبکه عصبی، آریما، رگرسیون و هموارسازی نمایی و بر بستر داده های سری زمانی مربوط به فروش آلومینیوم در بورس کالای ایران (شامل 344 مقطع زمانی بین سال های 1394 تا 1401) ارائه شده است. بررسی دقت نتایج حاصل از به کارگیری روش یادگیری متا برای پیش بینی میزان فروش، برتری این روش را در مقایسه با چهار روش پیش بینی منتخب دیگر نشان داده است. در این پژوهش برای صحت سنجی نتایج به دست آمده سه مرحله اعتبارسنجی صورت گرفت که در نتایج هر سه نمونه اعتبارسنجی، برتری دقت روش یادگیری متا تأیید شده است. در پژوهش حاضر از روش یادگیری متا برای پیش بینی میزان فروش استفاده شده است. توانایی این روش در حل مسئله پیش بینی یکی از قابلیت های استفاده از ابزارهای هوش مصنوعی را در حل مسائل مختلف مدیریتی نشان می دهد. در نتیجه این پژوهش، روش یادگیری متا به عنوان ابزاری توانمند در حوزه پیش بینی میزان فروش به مدیران بازاریابی و پژوهشگران این حوزه معرفی شده است.  
۸۰.

مدیریت زنجیره تامین توزیع شده هوشمند در صنعت دارو(مقاله علمی وزارت علوم)

نویسنده:
منبع: مطالعات مدیریت راهبردی سال ۱۴ زمستان ۱۴۰۲ شماره ۵۶ 141 - 167

کلیدواژه‌ها: بلاکچین اینترنت اشیا یادگیری ماشین زنجیره تامین سامانه های توزیع شده

حوزه های تخصصی:
تعداد بازدید : ۳۳ تعداد دانلود : ۲۳
فناوری های نوین عمیقا نحوه ارتباط و تعامل افراد با محیط اطراف خود را تغییر داده اند. این فناوری ها بر هر صنعتی تاثیر می گذارند. حال اگر بنا به تعریف متداول، زنجیره تامین را مجموعه ای از فعالیت های به هم پیوسته تعریف کنیم که شامل هماهنگی، برنامه ریزی و کنترل محصولات و خدمات بین تامین کنندگان و مشتریان باشد، با نگاهی به پیشرفت های فناورانه متوجه می شویم که این ساختارهای سنتی دیگر خودکفا نیستند، چرا که الکترنیکی شدن تقریبا تمام جنبه های زندگی بشر به خصوص فرآیندهای زنجیره تامین را تحت تاثیر قرار داده است. فناوری های نسل چهار صنعت، بیانگر انقلاب صنعتی ا ست که اینترنت اشیا را با سامانه های خودکاری چون هوش مصنوعی و زیرمجموعه آن یادگیری ماشین که خودتنظیم و خودیادگیرنده هستند، همراه کرده است. چنین سامانه های فناورانه ای می تواند زنجیره تامین را از حالت متمرکز بودن به حالت توزیع شدگی تغییر بدهد. هدف از این پژوهش شناسایی مولفه های زنجیره تامین توزیع شده هوشمند و ارائه ساختار روابط علی برای آن ها و همچنین تحلیل هر یک از آن ها در چارچوب ساختار ارائه شده است. در پژوهش پیش رو ابتدا کدها و مقوله ها با استفاده از روش داده بنیاد شناسایی شدند و سپس برای تعیین روابط علی-معلولی از روش نگاشت شناختی فازی استفاده شده است. مدل پژوهش نشان می دهد که زنجیره تامین غیرمتمرکز توزیع شده با توجه به مولفه های خود می تواند منجر به بهبود در جریان های اطلاعاتی شود، مراقبت های بهداشتی-درمانی را ارتقاء دهد و امکان دسترسی عادلانه به خدمات درمانی را فراهم آورد، طوری که می تواند نفوذ بنگاه های رانتی در عرضه، تجویز و درمان کشور را تا حد زیادی کاهش دهد.