یادگیری ماشین

روش های سنتی حلّ و فصل اختلافات تجاری به وسیله داور، باتوجه به گسترش معاملات الکترونیکی و حجم زیادی از اسناد، سرعت، دقت و کارایی داوری را کم رنگ می کند. هدف نوشتار حاضر، تأثیر روش های هوش مصنوعی در فرایند صحت سنجی ادله داوری و پاسخ به این سؤال است که آیا سیستم های هوش مصنوعی با بهره گیری از روش یا الگوریتم های نوین در عصر حاضر، تأثیری در تسهیل یا تسریع فرایند اعتبار سنجی مستندات طرفین حلّ اختلاف دارد ؟ آیا صرف اکتفا به یافته های هوش مصنوعی در اعتبار سنجی ادله کافی است؟ این نوشتار با رویکرد توصیفی_ تحلیلی پیش رفته و پس از تحلیل موضوع، نتیجه گیری می کند که هوش مصنوعی با بهره گیری از روش های پیشرفته همچون، یادگیری ماشین بدون نظارت یا با نظارت، یادگیری تقویتی و استفاده از پردازش زبان طبیعی فرایند رسیدگی و صحت سنجی ادله را در داوری به صورت چشمگیری تسهیل و تسریع می کند. اما، بهره گیری از روش های نوین با چالش های اخلاقی و حقوقی مثل عدم شفافیت و محدودیت دسترسی به داده مواجه است، لذا نظارت انسانی بر فرایند صحت سنجی ادله و وضع قوانین و مقررات در این حوزه باتوجه به خلأ قانونگذاری، از اهمیت بالایی برخوردار است. از نکات بدیع نوشتار حاضر، بررسی نقش روش های هوش مصنوعی در ارزیابی مستنداتی است که بعضاً در روش های سنتی حلّ و فصل اختلافات یا فرایند قضایی، به دلیل فقدان تخصص مورد چشم پوشی قرار می گیرد.

با پیشرفت فنّاوری و افزایش استفاده از شبکه های اجتماعی و اینترنت، حجم تولید داده ها افزایش چشمگیری داشته و بهره گیری از مفهوم «کلان داده ها» نیز به تبع آن، به طور فزاینده ای در پژوهش های علمی مختلف به چشم می خورد؛ اما سازمان دهی و تحلیل ادبیات موجود با محوریت بهره گیری از کلان داده ها در حوزه گردشگری برای شناسایی وضعیت تحقیقات صورت گرفته در این عرصه، خود مسئله ای است که هدف این مطالعه است؛ ازاین رو این پژوهش به بررسی میزان بهره گیری از کلان داده در تحقیقات گردشگری منتشر شده از سال ۲۰۱۶ تا ۲۰۲۲، به شناسایی شکاف های پژوهشی و فرصت های پیشرفت های آتی پرداخته است. ازآنجاکه این پژوهش در پی ارائه تصویری کلی از کارهای انجام شده در مقالات منتشر شده در حوزه گردشگری است، از روش مطالعه نگاشت نظام مند استفاده شده است. مقاله ها براساس این ویژگی ها بررسی شدند: موضوع تحقیق، توصیف مفهومی و نظری، منابع داده، نوع داده و اندازه، روش های جمع آوری داده ها، روش های تجزیه وتحلیل داده ها و گزارش و تجسم داده ها. یافته های این مطالعه حاکی از افزایش تحقیقات انجام شده در حوزه مدیریت مهمان نوازی و گردشگری با استفاده از روش های تحلیلی برای کلان داده هاست. بااین حال، این حوزه پژوهشی از نظر دامنه نسبتاً پراکنده و در روش شناسی محدود است و شکاف های متعددی را نشان می دهد. نتیجه دیگر آن که پژوهش های گردآوری شده نشان می دهند هنوز از پتانسیل کلان داده ها به طور کامل استفاده نشده و فرصت های زیادی پیش روی صنعت گردشگری از بعد پژوهشی وجود دارد. همچنین آشنانبودن کامل پژوهشگران این حوزه با ابزارهای تحلیل و تصمیم گیری داده محور چالشی است که در این پژوهش نمایان شده است. 

کربن سیاه (BC) یکی از اجزای مهم ذرات ریز معلق در هواست که تأثیر قابل توجهی بر آب و هوا و سلامت انسان دارد و فعالیت های انسانی همراه با شرایط آب و هوایی بر تغییرپذیری آن در طولانی مدت تأثیر می گذارد. از این رو، مطالعه حاضر به بررسی روابط آماری بین پارامترهای هواشناسی (دما، بارش، سرعت باد، رطوبت نسبی، فشار هوا، ساعات آفتابی، تابش خورشیدی و ابرناکی)، آلاینده های معیار هوا (CO، NO2، SO2، O3، PM10 و PM2.5) و آلاینده کربن سیاه و همچنین ارزیابی و مقایسه کارایی پنج الگوریتم یادگیری ماشین (رگرسیون خطی چندگانه (MLR)، مدل جمعی تعمیم یافته (GAM)، درخت طبقه بندی و رگرسیون (CART)، جنگل تصادفی (RF) و تقویت گرادیان (GBM)) در مدلسازی آلاینده ها و عوامل آب و هوایی مؤثر در تغییرات سطح غلظت آلاینده کربن سیاه در تبریز و تهران (2021 -2004) با استفاده از نرم افزار R 4.3.2 پرداخته است. نتایج مطالعه ی حاضر بیانگر تفاوت آشکار تأثیر پارامترهای هواشناسی و آلاینده های جوی معیار بر سطح غلظت آلاینده کربن سیاه در تبریز و تهران به دلیل موقعیت جغرافیایی، شرایط آب و هوایی و ساختار منطقه ای متفاوت این شهرها است. ذرات کربن سیاه روند صعودی معناداری را با سرعت نسبتاً برابر در طول دوره آماری مورد مطالعه در شهرهای تبریز و تهران تجربه کرده اند. بر اساس یافته های حاصل از تحلیل همبستگی اسپیرمن، ذرات کربن سیاه دارای همبستگی مثبت با آلاینده های PM2.5، NO2، CO و SO2 و همبستگی منفی با O3 است. آلاینده کربن سیاه دارای بیشترین همبستگی با پارامترهای سرعت باد (منفی) و رطوبت نسبی (مثبت) در تبریز و پارامترهای دما (منفی) و فشار هوا (مثبت) در تهران است. بر اساس ارزیابی عملکرد مدل های پیشگو و با توجه به اصل صرفه جویی، در تبریز مدل GAM و در تهران مدل مبنای MLR از عملکرد بهتری در پیش بینی مقادیر کربن سیاه نسبت به سایر مدل ها برخوردار بودند.

تورم های بالا و پرنوسان موضوعی بسیار مهم در اقتصاد ایران است که در سال های اخیر تبعات اقتصادی و تنش های اجتماعی زیادی را موجب شده است. رسیدگی و حل مشکل تورم توسط سیاست گذاران نیاز به شناخت مهم ترین عوامل اثرگذار بر ایجاد تورم دارد. با وجود اینکه اکثر اقتصاددانان رشد نقدینگی بیشتر از رشد تولید در اقتصاد را عامل اصلی تورم های ماندگار در اقتصاد ایران می دانند اما افراد کمی نیز وجود دارند که چنین باوری نداشته و تورم در ایران را به موضوعاتی چون افزایش نرخ ارز، تحریم و مشکلات ساختاری ربط می دهند. این مطالعه به دنبال شناسایی مهم ترین عوامل اثرگذار بر تورم های بالا و ماندگار در اقتصاد ایران است و برای این منظور از داده های مربوط به متغیرهای کلان اقتصادی ایران و چند متغیر بازارهای جهانی طی دوره زمانی 1387-1401 استفاده شده است. در این پژوهش از روش های گروهی مبتنی بر درخت که از روش های هوشمند یادگیری ماشین می باشند، استفاده شده است. به علاوه، از رویکرد توضیحات افزودنی (SHAP) برای تفسیر چگونگی پیش بینی و تعیین بااهمیت ترین متغیر اثرگذار در مدل های پیش بینی استفاده شده است. بر اساس نتایج بدست آمده، سه مدل گرادیان تقویتی (GB)، جنگل تصادفی (RF) و گرادیان تقویتی شدید (XGB) بهترین مدل ها با کمترین خطا بر اساس هر سه معیار خطای MAE،MAPE  و RMSE می باشند. در مورد نتیجه حاصل از تفسیر مدل و اهمیت ویژگی، مشخص شد که مؤثرترین متغیر اثرگذار بر تورم های بالا و ماندگار در اقتصاد ایران، با میانگین 72 درصدی در کل مدل ها، رشد نقدینگی است. نرخ ارز نیز با میانگین حدود 17 درصد در رتبه بعدی قرار گرفته و در مقایسه با حجم نقدینگی نمی تواند نقش مهمی در شکل گیری ماندگار نیروهای تورمی داشته باشد.

هدف: شناسایی و طبقه بندی مشتریان بیمه درمان به منظور شناسایی جامعه هدف و در نتیجه افزایش سودآوری شرکت های بیمه، ایجاد توازن در پرداختی حق بیمه و طراحی استراتژی بازاریابی. روش شناسی: در این مقاله از 5 الگوریتم یادگیری ماشین درخت تصمیم، جنگل تصادفی، ماشین بردار پشتیبان، بیز ساده و رگرسیون لجستیک به منظور طبقه بندی مشتریان به دو دسته سود ده و زیان ده استفاده شده است. به این منظور از داده ها و اطلاعات تعداد 2897 بیمه نامه درمان یک شرکت بیمه خصوصی در بازه زمانی آذر 1400 تا آذر 1401 استفاده شده است. یافته ها: این مقاله نشان می دهد که با استفاده از روش های یادگیری ماشین و ویژگی های ثبت شده از مشتریان در پرسشنامه سلامت می توان سود ده یا زیانده بودن آن ها را تا حدود مناسبی پیش بینی کرد. این مقاله نشان می دهد که تمرکز بر روی جامعه هدف معرفی شده توسط مدل شانس موفقیت و افزایش سود را به مقدار چشم گیری افزایش می دهد. نتیجه گیری: می توان با استفاده از روش های یادگیری ماشین به درک مناسبی از مشخصه های مشتریان بیمه درمان و نیاز های آنها رسید. پیدا کردن جامعه هدف علاوه بر این که به افزایش سود شرکت بیمه منجر می شود می تواند با تمرکز بر خواسته های مشتریان به افزایش رضایتمندی آن ها نیز منجر شود.

اکنون ایجاد ادراک در نرم افزارهای رایانه ای از مهم ترین چالش های معماری دیجیتال است. چرا که نرم افزارهای رایانه ای از مهم ترین ادوات معماران و یا طراحان به شمار رفته و به صورت گسترده در زمینه طراحی پروژه ها، به کار گرفته می شوند. در طراحی به کمک نرم افزارهای دیجیتالی، رسیدن به طرح و چیدمان بهینه یکی از مراحل مهم و تأثیرگذار به شمار می رود. اما نرم افزارهای رایانه ای هیچ شهود ذاتی در مورد فرایند طراحی ندارند و این علت اصلی عدم واگذاری فرایندهای طراحی به رایانه ها است. ازاین رو هدف این پژوهش تبیین روشی محاسباتی مبتنی بر نمونه داده های کمی و کیفی برای ایجاد شهود نسبی در ماشین ها از طریق ترکیب الگوریتم های تکاملی و یادگیری ماشین است. روش پژوهش کمی و کیفی در بستر الگوریتم های ژنتیک (Genetics)، یادگیری ماشین (k-means clustering) و همچنین یادگیری مبتنی بر نمونه (instance based) است. نتایج این پژوهش نشان می دهد برخلاف روش های مبتنی بر ترکیب الگوریتم های ژنتیک و برنامه نویسی ژنتیک می توان با ترکیب سه الگوریتم ژنتیک، یادگیری ماشین و مبتنی علاوه بر ایجاد شهود نسبی در ماشین ها، دقت و سرعت تولید نقشه ها را افزایش داد. همچنین ویژگی دیگر روش پیشنهادی، نرخ یادگیری نزدیک به نود درصد در شناسایی و ارائه طرح ها است. البته تولید پلان توسط رایانه ها در گام های اولیه خود است و هنوز فرایند طولانی لازم دارد تا این گام توسط رایانه ها به طور کامل برداشته شود.

 تحویل به موقع داروها، تجهیزات پزشکی و سایر لوازم ضروری برای مراقبت از بیمار بسیار حیاتی بوده و اغلب می تواند نجات دهنده باشد. تأخیر تحویل در زنجیره تأمین مراقبت های بهداشتی می تواند منجر به افزایش هزینه ها و چالش های عملیاتی برای سازمان های حوزه سلامت شده و بر مراقبت از بیمار و ثبات مالی تأثیر بگذارد. مدیریت زنجیره تأمین کارآمد و قابل اعتماد برای کاهش این خطرها و اطمینان از عملکرد یکپارچه در صنعت مراقبت های بهداشتی بسیار حائز اهمیت است. این پژوهش بهمسئله تأخیر در تحویل کالای مراقبت های بهداشتی در زنجیره تأمین مراقبت های بهداشتی جهانی آژانس جهانی توسعه ایالات متحده پرداخته و یک چارچوب برای پیش بینی وضعیت تحویل کالاهای مراقبت های بهداشتی ارائه می نماید. همچنین ویژگی هایی که بیشترین تأثیر را در پیش بینی وضعیت تحویل کالا داشته اند، برای مدیریت زنجیره تأمین مراقبت های بهداشتی داده محور تعیین می کند. روش پژوهش مطالعه پیش رو، علم طراحی است که یک چارچوب بر پایه روش ماشین بردار پشتیبان و بهینه سازی بیزی برای پیش بینی وضعیت تحویل کالاهای مراقبت های بهداشتی را ارائه کرده و عملکردهای مختلف الگوریتم های طبقه بندی برای پیش بینی وضعیت تحویل کالای مراقبت های بهداشتی را مقایسه کرده است. نتایج نشان می دهد  که چارچوب ارائه شده بر پایه روش ماشین بردار پشتیبان و بهینه سازی بیزی منجر به دقت طبقه بندی ۹۵ درصد می شود که در مقایسه با دیگر روش های به کار گرفته شده برای پیش بینی تأخیر تحویل عملکرد بهتری دارد. نتایج حاصل نشان داد که ویژگی های کشور مقصد، روش حمل، تأمین کننده و مکان تولید تأثیرگذارترین ویژگی ها در پیش بینی وضعیت تحویل می باشند.

این پژوهش باهدف کاربرد رویکرد کنترل بهینه در بهینه سازی سیستم های موجودی تولیدی در زنجیره تأمین انجام گرفته است. این تحقیق از نوع کاربردی بوده و روش پیشنهادی آن بر اساس هسته ی چندجمله ای برای مدل سازی متغیرهای حالت و توابع کنترل توسعه یافته است. به منظور دستیابی به پارامترهای وزن دهی برای هسته ی چندجمله ای، از رگرسیون بردار پشتیبان کمترین مربعات در طول فرآیند آموزش استفاده شده است. روش پیشنهادی امکان پیش بینی دقیق و کنترل مؤثر سطوح موجودی را فراهم می آورد که درنهایت منجر به کاهش هزینه ها و بهینه سازی عملیات زنجیره تأمین می شود. در این پژوهش با ارائه نمونه های آزمایشی مبتنی بر اطلاعات شرکت موردمطالعه، اثربخشی رویکرد پیشنهادی را بررسی می کند و نمودارهای سطح تولید بهینه و سطح بهینه موجودی فروشنده و خریدار را نشان می دهد. نتایج تحقیق نشان می دهند که شرکت سرنگ سازی می تواند ظرفیت تولیدی خود را از طریق بهینه سازی وضعیت فعلی با رویکرد مدل سازی عددی افزایش دهد. همچنین، با استفاده از کنترل بهینه و یادگیری ماشین، شرکت مذکور می تواند موجودی، هزینه های تولید و هزینه های نگهداری و جریان تولید را بهبود بخشد به گونه ای که تولید سالانه بهینه و مطلوب باشد. این تحقیق راه حل های متعددی برای افزایش اثربخشی فرآیندهای تولید ارائه می دهد که شامل بهبود فرآیندهای عملیاتی، فناوری و تجهیزات، زمان بندی، لجستیک، آموزش کارکنان، کیفیت محصول، تعمیرات و نگهداری، جریان اطلاعات و بازخورد مشتریان می شود. علاوه بر این، این تحقیق می تواند به عنوان مرجعی برای بهبود فرآیندهای تولید در صنایع مشابه مورداستفاده قرار گیرد.

موج سوم وب (وب 3) از همگرایی فناوری های دیجیتالی مانند هوش مصنوعی، یادگیری ماشین، کلان داده و بلاک چین پدید آمده که همگی می توانند شیوه های سنتی ایجاد و گسترش کسب و کار را متحول کنند. این مرحله ی دگرگون کننده که به عنوان کارآفرینی وب 3 شناخته می شود، صنایع سنتی را مختل کرده و بازارهای جدیدی را ایجاد می کند که با تقویت رشد اقتصادی، باعث شکل گیری چشم انداز های شغلی جدید می شود. با این وجود، سرعت برق آسای این پیشرفت فناورانه چالش های پیچیده ای را به همراه دارد که سازگاری فوق العاده همراه با یادگیری مداوم را در اکوسیستم کارآفرینی در حال تکامل امروز الزامی می کند. هدف این پژوهش کشف عوامل حیاتی برای رشد و موفقیت و بررسی پیامدهای این شکل از کارآفرینی مدرن است. به این منظور، یک مطالعه دلفی با حضور 30 متخصص صنعت انجام گشت که بینش آنها منجر به شناسایی چهار دسته عوامل موفقیت کلیدی شد: عوامل فناورانه، فردی، محیطی و سازمانی. نتایج این تحقیق نشان داد که در کنار وجود برخی پیامد های نامطلوب زیست محیطی، اجتماعی و اقتصادی مانند احتمال ایجاد شکاف دیجیتال و مصرف بیش از حد انرژی، پتانسیل هایی نیز در دل این فناوری وجود دارد که در صورت بهره گیری می تواند منجر به جبران این پیامدها از طریق ایجاد شفافیت و اعتماد بیشتر در معاملات، فرصت های جدید مبتنی بر اکوسیستم غیرمتمرکز و راه حل های پایدار برای رسیدگی به چالش های زیست محیطی شود.

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 بازاریابی محصولات و خدمات بسیار مهم است. با توجه به پیشرفت هوش مصنوعی و توسعه آن در حوزه بازاریابی بین المللی، متخصصان در حال حاضر ابزارهایی برای بازتعریف کامل درک فعلی از برندسازی، بازاریابی و تبلیغات 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 پیمایشی است. جامعه آماری پژوهش، مدیران و کارشناسان متخصص در حوزه بازاریابی دیجیتال و IT در حوزه بین الملل ، 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، 9 تم اصلی، 20 تم فرعی و 50 کد کشف شدند که شامل پیامدهای کاربرد هوش مصنوعی در بازاریابی بین الملل بودند

مطالعات مختلفی دگرگونی های ازدواج را در سطوح ملی و منطقه ای بررسی کرده اند، اما در سطح استان های کشور هنوز ناشناخته هایی وجود دارد. هدف این مقاله بررسی وضعیت عمومیت ازدواج زنان در استان های کشور با استفاده از روش جنگل تصادفی بقا به عنوان یکی از الگوریتم های رایج در یادگیری ماشین است. با استفاده از داده های طرح هزینه و درآمد خانوار از سال ۱۳۸۸ تا ۱۳۹۹ وضعیت عمومیت ازدواج زنان با تعریف یک سطح آستانه ای (نسبت ازدواج کمتر از ۹۵% برای زنان ۴۹-۴۵ ساله) مورد بررسی قرار گرفت. یافته های این تحقیق حاکی از آن است که در بین متغیرهای تحقیق، سطوح تحصیلی دبیرستان و دانشگاه بیشترین تأثیر را بر کاهش عمومیت ازدواج زنان داشته است. نسبت شهرنشینی در هر استان نیز متغیر تاثیر گذار دیگری بر کاهش عمومیت ازدواج زنان است. از مجموع ۳۱ استان کشور، ۱۱ استان تا پایان دوره مطالعه همچنان از عمومیت ازدواج برخوردار بودند اما نسبت ازدواج زنان ۴۹-۴۵ ساله در سایر استان ها به پایین تر از ۹۵% کاهش یافته است. بالابودن نسبت های ازدواج در اکثر استان هایی که اکنون از عمومیت ازدواج برخوردار نیستند، نشان دهنده وجود بستر مناسب برای تسهیل ازدواج و گسترش عمومیت آن در کشور است. در غیر این صورت انتظار می رود این روند در آینده نیز همچنان کاهشی باشد. 

شناخت مدیریت سود برای استفاده کنندگان از اطلاعات حسابداری به دلیل ارزیابی عملکرد، پیش بینی سودآوری و تعیین ارزش واقعی شرکت بسیار حائز اهمیت است. هدف از این پژوهش ارائه مدلی جهت تشخیص مدیریت سود اقلام تعهدی و مدیریت سود واقعی از طریق ارزیابی عملکرد با استفاده از روش های یادگیری ماشین از جمله درخت تصمیم، ماشین بردار پشتیبان، k- نزدیک ترین همسایه، یادگیری عمیق و ترکیب آنها با روش انتخاب ویژگی ریلیف و تحلیل مؤلفه های اصلی است. برای دستیابی به این هدف، تعداد 180 شرکت پذیرفته شده در بورس تهران به عنوان نمونه آماری برای سال های 1389 تا 1400 انتخاب گردید. همچنین برای آزمون فرضیه ها از معیارهای میانگین صحت پیش بینی، خطاهای نوع اول و دوم استفاده گردید یافته های پژوهش بیانگر آن است عملکرد روش های پیش بینی مدیریت سود اقلام تعهدی بر اساس الگوی انتخاب ویژگی مبتنی بر ریلیف نسبت به الگوی انتخاب ویژگی مبتنی بر تحلیل مؤلفه های اصلی از توانای بهتری برخوردار است. این نتیجه در کلیه روش های پیش بینی مورد تایید قرار گرفت. اما نتایج برتری الگوی انتخاب ویژگی مبتنی بر ریلیف نسبت به الگوی انتخاب ویژگی مبتنی بر تحلیل مؤلفه های اصلی را در پیش بینی مدیریت سود واقعی نشان نداد. همچنین، یافته ها نشان دادند مدیریت سود اقلام تعهدی را می توان بادقت بالاتری نسبت به مدیریت سود واقعی پیش بینی کرد. نتایج پژوهش می تواند موردتوجه سرمایه گذاران، اعتباردهندگان، تحلیلگران مالی و حسابرسان قرار گیرد. استفاده از ترکیب روش های یادگیری ماشین، می تواند به شناسایی فعالیت های بالقوه مدیریت سود کمک کند.  

هدف این پژوهش بررسی عوامل موثر در پیش بینی زمان انتظار و ایجاد مدل پیش بینانه زمان انتظار سفارشات کانبان به جهت بهبود پایداری و تاب آوری در زنجیره تامین ناب می باشد. برای دستیابی به این هدف، مطالعه از روش داده کاوی پیروی می کند، مجموعه داده ها شامل 103023 مشاهده، ازسیستم کانبان واکسترانت زنجیره تامین با رعایت الزامات شاخص های کیفیت دیتاست در بازه 6/1402 تا 11/ 1402 استخراج شده است. ابتدا شاخص های موثر بر زمان انتظار سفارشات استخراج شده است و به جهت بهبود عملکرد و دقت پیش بینی، از فرآیندکاوی جهت شناسایی متغیرهای پرتکرار و تاثیرگذار در واریانت های اصلی و سپس در مرحله برازش مدل، از رویکرد تحلیل گام به گام تلفیقی جهت انتخاب ویژگی ها و از تنظیم پارامتر رویکردهای رگرسیونی ناپارامتریک استفاده شده است. مدل پیش بینانه با استفاده از مدل های رگرسیونی خطی چندمتغیره، چندمتغیره دارای انحنا، لاسو، الاستیک نت، درخت تصمیم تقویتی، جنگل تصادفی بوت استرپ، k- نزدیک ترین همسایه، شبکه عصبی تقویتی برازش داده شده است. عملکرد مدل های رگرسیونی برازش شده با استفاده از شاخص های ارزیابی R^2 ، RASE و اعتبارسنجی نتایج و مدل تایید شده است. نتایج نشان داد که عوامل لجستیکی در زمان انتظار سفارشات موثر بوده و الگوریتم شبکه عصبی تقویت شده بهترین مدل در پیش بینی زمان انتظار سفارشات با دقت 96 درصد و با خطا 84/5 است. سپس قابلیت پیش بینی مدل برای دیتاهای جدید در سیستم صدور سفارشات کانبان به کار گرفته شده است، نتایج و بهبودهای حاصل از بهره گیری قابلیت های داده کاوی در سیستم کانبان همگی بیان گر تاثیر معنی دار ترکیب ابزار ناب و یادگیری ماشین به جهت توانمندسازی و تاب آوری زنجیره تامین ناب می باشد.

در دنیای امروز که داده های مالی و روانشناختی به وفور در دسترس هستند (مانند داده های شبکه های اجتماعی، اخبار اقتصادی و تحلیلی، و روندهای جستجو)، بهره گیری از روش های یادگیری ماشین به عنوان ابزاری قدرتمند برای تحلیل داده های پیچیده و بزرگ، ضروری به نظر می رسد. یادگیری ماشین نه تنها توانایی شناسایی الگوهای پنهان در داده ها را دارد، بلکه می تواند روابط غیرخطی و چندبعدی را با دقت بالا مدل سازی کند. در بازارهای مالی، رفتار سرمایه گذاران نقش قابل توجهی در نوسانات قیمتی و بازده سهام ایفا می کند. پژوهش حاضر به بررسی تأثیر عوامل روانشناسی سرمایه گذاران بر رفتار قیمتی سهام در بورس اوراق بهادار تهران با استفاده از روش های یادگیری ماشین می پردازد. به منظور مدل سازی، شاخص احساسات بازار بر اساس داده های تاریخی از شبکه های اجتماعی، حجم معاملات و تغییرات شاخص کل استخراج شده است. سپس با استفاده از الگوریتم های یادگیری ماشین از جمله جنگل تصادفی، ماشین بردار پشتیبان و شبکه های عصبی مصنوعی، تأثیر احساسات بر نوسانات و بازده سهام تحلیل شده است. نتایج نشان می دهد که احساسات سرمایه گذاران تأثیر معناداری بر رفتار قیمتی سهام دارند و الگوریتم شبکه های عصبی مصنوعی با دقت بالاتری نسبت به سایر روش ها قادر به پیش بینی تغییرات بازده است. یافته های این پژوهش می تواند به تصمیم گیری بهتر سرمایه گذاران و بهبود سیاست گذاری مالی کمک کند.

این پژوهش با هدف بررسی تأثیر ذهن تورمی، یعنی مشغول بودن ذهن مردم نسبت به افزایش قیمت کالاها و به ویژه دارایی ها، بر تورم ذهنی یا همان انتظارات تورمی بر تورم در اقتصاد ایران انجام شده است. داده های مورد استفاده شامل برخی شاخص های تورم ذهنی منعکس شده در فضای مجازی به طور خاص، گوگل ترندز، و مجموعه ای از متغیرهای اقتصادی از فروردین ۱۳۹۲ تا اسفند ۱۴۰۲ است. این پژوهش یک مطالعه کاربردی است که با استفاده از روش توصیفی-تحلیلی و تحلیل همبستگی، به بررسی عوامل مؤثر بر نرخ تورم و پیش بینی آن با بهره گیری از الگوریتم های یادگیری ماشین با استفاده از نرم افزار پایتون می پردازد. نتایج نشان می دهد که در تحلیل تک متغیره، دو برابر شدن تورم ذهنی بدون اعمال وقفه زمانی منجر به افزایش ۰.۹ واحدی در نرخ تورم شده است. همچنین، با اعمال وقفه سه ماهه، این متغیر موجب افزایش ۴ واحدی نرخ تورم گردید. این یافته نشان می دهد که اثر تورم ذهنی نه تنها فوری است، بلکه در طول زمان تقویت می شود. در تحلیل چندمتغیره، تأثیر ذهن تورمی در مقایسه با سایر متغیرها کاهش یافته، اما همچنان معنادار باقی مانده است. این امر نشان دهنده آن است که ذهن تورمی، در کنار سایر متغیرهای کلیدی اقتصادی مانند قیمت طلا، دلار و تولید ناخالص داخلی، ابزاری قدرتمند برای تحلیل و پیش بینی تورم به شمار می آید. از بین الگوریتم های پیشرفته یادگیری ماشین، الگوریتم درخت تصمیم بهترین عملکرد را در پیش بینی نرخ تورم ارائه کرده است. یافته های این پژوهش می تواند برای سیاست گذاران اقتصادی در مدیریت انتظارات تورمی و پیش بینی تحولات آتی نرخ تورم مفید باشد.

هدف: پیش بینی بازدهی صندوق های دولتی بورس تهران به دلیل اهمیت آن ها در فرآیندهای تصمیم گیری اقتصاد کلان و بازارهای مالی کشور، از جایگاه ویژه ای برخوردار است. پژوهش حاضر با بهره گیری از الگوریتم های پیشرفته یادگیری ماشین، نظیر ماشین بردار پشتیبان (SVM) و رگرسیون خطی، مدلی برای پیش بینی بازدهی این صندوق ها ارایه می دهد. هدف اصلی، بهبود استراتژی های اقتصادی و سرمایه گذاری در سطح دولت و نهادهای مالی با تحلیل دقیق بازدهی این صندوق ها است.روش شناسی پژوهش: این پژوهش از نظر هدف کاربردی و از نظر روش توصیفی-همبستگی است. داده های صندوق های دولتی بورس تهران شامل دوره زمانی چهارساله (1399 تا 1402) از پایگاه مرکز اطلاع رسانی و فناوری بورس تهران (فیپ ایران) استخراج شده است. تحلیل داده ها با استفاده از دو الگوریتم یادگیری ماشین (SVM و رگرسیون خطی) در نرم افزار R انجام شد. به دلیل ترکیب متفاوت دارایی ها، صندوق های پالایش یکم و دارایکم به عنوان نمونه های اصلی انتخاب شدند.یافته ها: نتایج نشان داد که الگوریتم های SVM و رگرسیون خطی می توانند بازدهی صندوق های دولتی را با دقت بالایی پیش بینی کنند. به طور خاص، صندوق پالایش یکم به دلیل ترکیب دارایی های کمتر متنوع و بازار ناکارای تهران، با خطای کمتری پیش بینی شد. مقایسه عملکرد الگوریتم ها نشان داد که هر دو روش دقت مناسبی داشته و برای پیش بینی های آتی قابل استفاده هستند.اصالت/ارزش افزوده علمی: این پژوهش با استفاده از الگوریتم های یادگیری ماشین، مدلی کاربردی برای پیش بینی بازدهی صندوق های دولتی بورس تهران ارایه کرده است. یافته های پژوهش می توانند در تصمیم گیری های اقتصادی و سرمایه گذاری در سطح دولت و سایر نهادهای مالی مورداستفاده قرار گیرند.

هدف: پوشش ریسک ناشی از نوسان قیمت ها با استفاده از اوراق اختیارمعامله، به ارزش گذاری دقیق و مناسب برای اوراق اختیار معامله وابسته است. به همین دلیل، هدف از این پژوهش، ارزش گذاری اوراق اختیارمعامله در بورس اوراق بهادار تهران با شبکه های عصبی ماژولار و مقایسه عملکرد هر یک از این شبکه های عصبی ماژولار با معروف ترین مدل ارزش گذاری اوراق اختیارمعامله، یعنی مدل بلک، شولز و مرتون و مدل شبکه عصبی پرسپترون چندلایه است. روش: برای این پژوهش، از داده های اختیارمعامله خرید که از ابتدای سال ۱۳۹۷ تا انتهای سال ۱۴۰۱، در بورس اوراق بهادار تهران معامله شده اند، استفاده شده است. در ابتدا پس از حذف داده های پرت، ۸۰ درصد داده ها، به عنوان داده های آموزش و ۲۰ درصد باقی مانده، به عنوان داده های آزمون در نظر گرفته شدند. برای امکان مقایسه بین نتایج به دست آمده از مدل های مختلف، در طول پژوهش این دو بخش از داده ها ثابت بودند. در این پژوهش با استفاده از معیارهای آماری MSPE، RMSPE و MAPE، قیمت نظری به دست آمده از هر مدل با قیمت های معامله شده در بورس اوراق بهادار تهران مقایسه شد. برای محاسبه خطای پیش بینی در مدل بلک، شولز و مرتون، ابتدا با استفاده از فرمول قیمت گذاری آن، قیمت تئوریک اوراق اختیار معامله به دست آمد؛ سپس قیمت های تئوریک به دست آمده از رابطه بلک، شولز و مرتون با قیمت های بازاری آن ها مقایسه شد. در مدل های شبکه عصبی نیز، ابتدا قیمت اوراق اختیار معامله با استفاده از پایتون و الگوریتم های یادگیری ماشین آن پیش بینی شد و در نهایت، قیمت پیش بینی شده توسط مدل ها و قیمت بازاری همان اختیار معامله مقایسه شد. در پایان، برای بررسی اختلاف معنادار هر مدل با سایر مدل ها، از آزمون مقایسه زوجی میانگین درصد خطاها استفاده شد. یافته ها: این پژوهش نشان داد که از منظر معیار RMSPE مدل شبکه های عصبی توسعه یافته با نوسان های ضمنی، در ارزش گذاری اوراق اختیارمعامله خرید در تمام موقعیت های پولی و دوره های زمانی نسبت به سایر مدل های بررسی شده، کمترین میزان خطا و بهترین عملکرد را داشته است؛ با این حال اندکی عملکرد مدل شبکه عصبی پرسپترون چندلایه توسعه یافته با نوسان های ضمنی، بهتر از حالت ماژولار آن بوده است. پس از آن، به ترتیب مدل شبکه های عصبی توسعه یافته با نوسان های تاریخی، مدل شبکه های عصبی با داده های مجزا، مدل بلک، شولز و مرتون و مدل شبکه عصبی ماژولار پیشنهادی گرادویویچ، گِنجای و کوکولج (۲۰۰۹) بیشترین دقت را داشته اند. از منظر معیار MAPE نیز، همچنان مدل های توسعه یافته با نوسان های ضمنی بهترین عملکرد را داشته اند؛ ولی در تمام مدل های شبکه عصبی، عملکرد شبکه عصبی پرسپترون چندلایه نسبت به حالت ماژولار بهتر بوده است. نتیجه گیری: مدل های شبکه عصبی ماژولار، نسبت به مدل بلک، شولز و مرتون، می توانند عملکرد بهتری داشته باشند. نوسان های ضمنی می تواند سبب بهبود عملکرد شبکه های عصبی در ارزش گذاری اوراق اختیارمعامله شود. از طرفی از منظر معیار RMSPE در مدل های شبکه عصبی توسعه یافته با نوسان های تاریخی، شبکه عصبی ماژولار عملکرد بهتری نسبت به شبکه عصبی پرسپترون چندلایه خواهد داشت؛ ولی در مدل های شبکه عصبی توسعه یافته با نوسان های ضمنی، شبکه عصبی ماژولار نمی تواند عملکرد بهتری نسبت به شبکه عصبی پرسپترون چندلایه به ثبت برساند. به طور کلی شبکه های عصبی توسعه یافته با نوسان های ضمنی، چه در حالت ماژولار و چه در حالت پرسپترون چندلایه، در دوره های زمانی بلندمدت و همچنین در موقعیت های پولی ITM بهترین عملکرد را داشته اند.  

تشخیص حقیقت از فریب نیازمند ابزارهای نوآورانه در عصری است که در محاصره اطلاعات نادرست است. اطلاعات نادرست مانند اخبار جعلی و شایعات، تهدیدی جدی برای زیست بوم های اطلاعاتی، زودباوری و اعتماد عمومی است و ظهور هوش مصنوعی پتانسیل زیادی برای تغییر شکل چشم انداز مبارزه با اطلاعات نادرست دارد. هدف اصلی این مقاله بررسی فنون مقابله و نبرد هوشمندانه با اخبار جعلی در عصر هوش مصنوعی است. پژوهش حاضر، از نظر هدف، کاربردی توسعه ای؛ از لحاظ رویکرد، کیفی و بر اساس روش فراترکیب انجام شده است. بر این اساس، جامعه آماری پژوهش، شامل مجموعه مقالاتی است که در بازه زمانی سال های 2020 تا 2024 میلادی و با موضوع هوش مصنوعی، اخبار جعلی، فنون مقابله و نبرد هوشمندانه به چاپ رسیده اند که با روش فراترکیب نهایتاً 33 مقاله از میان 63 مقاله انتخاب گردید. در این پژوهش بر اساس نتایج تحلیل مضمون، متون مرتبط مورد بررسی قرارگرفت و نتایج حاصل از روش تحقیق و تحلیل انجام شده در این پژوهش در قالب مدل مفهومی ترکیبی فنون مقابله و نبرد هوشمندانه با اخبار جعلی در عصر هوش مصنوعی ارائه گردید.