یادگیری ماشین

ذخیره سازی و چیدمان صحیح محصولات در انبار، باعث افزایش کارایی در پاسخگویی به درخواست ها، تسریع در شناسایی محصولات، افزایش قابلیت دسترسی به اقلام موجود در انبار، استفاده بیشتر از فضای موجود در انبار، تعیین موقعیت محصولات در انبار و آسیب ندیدن آن ها، فراهم آمدن حداکثر انعطلاف پذیری و شرایط مطلوب انبارداری می شود. با بررسی مطالعاتی که در حوزه انبارداری و چیدمان محصولات در انبار صورت گرفته و قبل از چیدمان محصولات در انبار، به صورت جامع و فراگیر با توجه به ویژگی کالاها،دسته بندی روی آنان صورت نگرفته است. لذا در این مقاله با استفاده از الگوریتم های یادگیری ماشین و داده کاوی با توجه به ویژگی هایی که برای کالاها در انبار کارخانه تولیدی - صنعتی فراسان در نظر گرفته شده است به دسته بندی محصولات پرداخته و سپس به چیدمان محصولات در انبار با استفاده از مدل برنامه ریزی ریاضی پرداختیم. هدف از مسئله مورد بررسی در حوزه انبارداری و چیدمان محصولات،علاوه بر دسته بندی محصولات بر اساس ویژگی های آن ها ،کمینه کردن تابع هزینه به دست آمده نسبت به مدل برنامه ریزی ریاضی می باشد.از این رو برای دسته بندی کالاها از الگوریتم مبتنیبر چگالی (DB ) ، شبکه عصبی نگاشت خودسازمان ده (SOM ) و روش خوشه بندی سلسله مراتبی (AGNES) استفاده شده است. نتایج به دست آمده نشان می دهد که شبکه SOM،عملکرد بهتری نسبت به الگوریتم مبتنی بر چگالی دارد و همچنین الگوریتم مبتنی بر چگالی عملکرد بهتری نسبت به روش خوشه بندی سلسله مراتبی دارد.

دنیای دیجیتال فرصت های متعددی را برای بازاریابان فراهم می کند تا به مشتری دسترسی پیدا کنند. بااین حال، در دنیای پرسرعت، یافتن راه های جدید و نوآورانه برای تبلیغات و فروش محصولات و خدمات بسیار مهم است. با توجه به پیشرفت هوش مصنوعی و توسعه آن در حوزه تبلیغات و فروش، متخصصان در حال حاضر ابزارهایی برای بازتعریف کامل درک فعلی از برندسازی، بازاریابی، تبلیغات و فروش دارند. محبوبیت روزافزون اینترنت و افزایش استفاده از دستگاه های تلفن همراه، حجم عظیمی از داده ها را برای مصرف کنندگان تولید می کند که سیستم های مبتنی بر هوش مصنوعی را تغذیه می کنند. این پژوهش از نوع پژوهش های آمیخته با رویکرد کیفی و کمی است که ازنظر هدف، کاربردی و ازلحاظ نح وه گ ردآوری داده، از نوع مطالعات توصیفی پیمایشی است. جامعه آماری پژوهش، مدیران و کارشناسان متخصص در حوزه بازاریابی دیجیتال و IT در حوزه تبلیغات و فروش، بودند که با استفاده از روش نمونه گیری گلوله برفی انتخاب شدند. در بخش کیفی ابزار گردآوری اطلاعات، بررسی کتابخانه ای و مقالات، مصاحبه و در بخش کم ی پرسشنامه بود. در بخش کیفی روش تحلیل داده ها، با استفاده از تحلیل تم که با نرم افزار MAXQDA و ب ا استفاده از روش کدگذاری تدوین شد و در بخش کمی، روش تحلیل بر مبنای آزمون همبستگی کندال بود. مطابق با نتایج پژوهش، 7 تم اصلی، 22 تم فرعی و 44 کد کشف شدند که شامل پیامدهای کاربرد هوش مصنوعی و یادگیری ماشین در تبلیغات و فروش بودند.

هدف این مقاله، پیش بینی درماندگی مالی بالقوه 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 شبکه ای انجام شد. افزون بر این، تکنیک SMOTE 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 XGBoost به نمرهF1، ضریب همبستگی متیوز، فراخوانی و دقتی به ترتیب برابر با 90%، 90%، 100% و 82% بر روی مجموعه آموزشی دست یافت. سرانجام، مدل پیشنهادی بر روی مجموعه آزمایشی کنار گذاشته شده آزمون شد که به نمرهF1، ضریب همبستگی متیوز، فراخوانی و دقتی به ترتیب برابر با 52%، 52%، 73% و 41% بر روی مجموعه آزمایشی منجر شد. این اطلاعات، ابزار قدرتمندی برای پیش بینی درماندگی مالی شرکت ها  فراهم می کنند.

منطقه گرم و مرطوب ایران دارای تابستان های گرم با رطوبت بالا و از بحرانی ترین اقلیم های جهان است. مطالعه ویژگی های مسکن بومی این مناطق می تواند منجر به ارائه راهکارهای پیشنهادی برای طراحی مسکن معاصر شود. یکی از چالش هایی که پژوهشگران در مطالعه گونه های معماری با آن مواجه هستند، انتخاب نمونه های موردی می باشد. هدف این پژوهش استفاده از روش های یادگیری ماشین برای انتخاب نمونه های موردی و دسته بندی خانه های بندر کنگ بر اساس شکل و نحوه قرارگیری بادگیر و فضاهای مجاور آن است. برای این منظور از نرم افزار آناکوندا 3.9 و جوپیتر 6.4.5 استفاده شده است. سنجش شباهت از لحاظ شکلی و روابط فضایی توسط الگوریتم فاصله کسینوسی انجام شده است. دسته بندی بر اساس ویژگی های استخراج شده توسط الگوریتم سلسله مراتبی به روش پیوند میانگین انجام شده است. بر اساس نتایج شباهت سنجی نمونه های موردی منتخب پلان خانه های یونسی، گلبت و کرچی، با بالاترین میزان شباهت شکلی و روابط فضایی با دیگر پلان ها می باشند. نتایج حاصل از دسته بندی نشان می دهد پلان ها از نظر ویژگی های استخراج شده به سه دسته قابل تقسیم می باشند. با تحلیل نمودار پراکندگی ویژگی های هر دسته، نتایج زیر استخراج شده است. در دسته اول اتاق بادگیر در شرق خانه قرار دارد و ساباط و یا حیاط در سمت غرب آن قرار گرفته است. اتاق های اصلی غالباً در ضلع شمالی و فضاهای خدماتی در ضلع شرقی و غربی قرار دارند. در دسته دوم اتاق بادگیر در میانه ضلع غربی خانه قرار گرفته است. در این دسته کشیدگی پلان شمالی- جنوبی است و اتاق های زیستی در سمت غربی و شرقی قرار گرفته اند. در دسته سوم بادگیر در ضلع غربی پلان قرار دارد. در این دسته کشیدگی پلان ها بیشتر شرقی- غربی می باشد. مجاورت شمالی اتاق بادگیر گتیه و یا اتاق می باشد و در اکثر پلان های این دسته اتاق بادگیر به اتاق شمالی و یا گتیه راه دارد.

هدف از پژوهش حاضر، بررسی مسائل اخلاق هوش مصنوعی در حوزه هنر است. به این منظور، با تکیه بر فلسفه و اخلاق هوش مصنوعی، موضوعات اخلاقی که می تواند در حوزه هنر تأثیرگذار باشد، بررسی شده است. باتوجه به رشد و توسعه استفاده از هوش مصنوعی و ورود آن به حوزه هنر، نیاز است تا مباحث اخلاقی دقیق تر مورد توجه پژوهشگران هنر و فلسفه قرار گیرد. برای دست یابی به هدف پژوهش، با استفاده از روش تحلیلی توصیفی، مفاهیمی همچون هوش مصنوعی، برخی تکنیک های آن و موضوعات اخلاقی هوش مصنوعی در هنر تبیین و بررسی شده است. نتایج پژوهش نشان می دهد موضوعات اخلاقی همچون حریم خصوصی و نظارت، دستکاری در رفتار، تاری و شفافیت، سوگیری در تصمیمات سیستم، و اتوماسیون و اشتغال حوزه هنر قابل بررسی است. این موضوعات اخلاقی، گاهی درتقابل و گاهی در ارتباط مستقیم و هم سو با یکدیگر قرار دارند. بررسی ها نشان می دهد پاسخ به پرسش های اخلاق هوش مصنوعی در حوزه هنر، نیازمند پاسخ به پرسش های اخلاقی به صورت عام در هوش مصنوعی است.