som

در این مقاله از تحلیل کانسی که به وسیله الگوریتم یادگیری نگاشت خود سازمانده بهبود داده شده، برای تصمیم گیری در زمینه-ی انتخاب سهام استفاده شده است. در این روش با استفاده از ادغام تصمیمات چند کارشناس، بازده سرمایه گذاری حداکثر و ضرر ناشی از پیچیدگی و تغییرات بازار سهام کاهش داده می شود. در این مطالعه با استفاده از آمار ماهانه سهام شرکت های فعال در بورس تهران از فروردین ماه 1392 تا خرداد ماه 1392، و نظرات شش کارگزاری خبره در انتخاب سهام، به انتخاب سهام برتر در این دوره پرداخته شد. طبق نتایج بدست آمده شرکت های پالایش-نفت بندرعباس، سیمان فارس و خوزستان و سرگروه توسعه ملی به عنوان سهام برتر انتخاب شدند، تحلیل نمودار قیمت این شرکت-ها در بازه ی زمانی مذکور، نشان دهنده، بازدهی قابل قبول این شرکت ها در این دوره است.

آب های زیرزمینی همواره به عنوان یکی از منابع مهم و عمده ی تأمین آب شرب و کشاورزی به ویژه در مناطق خشک و نیمه خشک مطرح بوده اند. به منظور آگاهی از وضعیت این منابع و مدیریت بهینه ی آنها، لازم است پیش بینی دقیقی از نوسانات سطح آب زیرزمینی صورت گیرد. در این تحقیق اطلاعات 15 پیزومتر موجود در دشت اردبیل مورد استفاده قرارگرفت. از تبدیل موجک و روش خوشه بندی به ترتیب برای پیش پردازش زمانی و مکانی استفاده گردید. روش مدل سازی مورد استفاده در این تحقیق، ماشین بردار پشتیبان و شبکه عصبی مصنوعی برای پیش بینی یک ماه آینده می باشد. در ابتدا پیزومترهای موجود با روش خوشه بندی نقشه خود سازمانده کلاس بندی شده و برای پیزومترهای مرکزی هر کلاس دو مدل فوق به صورت تکی و در ترکیب با تبدیل موجک به کار رفت. نتایج حاصله ضریب تبیین متوسط 94/0 برای آموزش و 89/0 برای صحت سنجی را در مرحله ی مدل سازی با ماشین بردار پشتیبان نشان داد. استفاده از تبدیل موجک باعث افزایش 5/3 درصدی دقت مدل گردید. در ضمن مدل سازی از طریق شبکه عصبی مصنوعی نیز با ضریب تبیین متوسط 94/0 برای آموزش و 88/0 برای صحت سنجی از دقت بالایی برخوردار بوده و استفاده از تبدیل موجک باعث افزایش 5 درصدی دقت مدل شد.

امروزه شناسایی، تعیین ارزش وبخش بندی مشتریان برای بانک ها یک امر حیاتی است اما روش های ایستای بخش بندی مشتریان که برمبنای ثبات مشتریان درهریک از بخش های تعیین شده می باشد از کارایی لازم برخوردار نبوده و شناخت الگوهای جابجایی وپویایی مشتریان در این بخش ها ازاهمیت ویژه ای برخوردارمی باشد. این پژوهش اقدام به بخش بندی ورتبه بندی پویای مشتریان بانک رفاه کارگران و شناسایی تحرک رفتاری آنان بین بخش های مختلف دربازه زمانی مشخص با بهره گیری از تکنیک های داده کاوه نموده است. از آنجا که داده کاوی درصدد توصیف حجم انبوه داده ها برای کشف الگوها و قواعد معنادار است لذا در این تحقیق از روش های معمول نمونه گیری جهت تعیین حجم نمونه استفاده نشده و تعداد 1123735مشتری حقیقی ارزشمند بانک که دارای حساب قرض الحسنه بودند عینا بعنوان جامعه آماری و تمامی تراکنش های مالی ایشان در بازه زمانی 6ماهه از اول مهر 1398 تا 29اسفند 1398 بعنوان نمونه انتخاب گردید سپس عملیات پیش پردازش و مدلسازی داده ها در شش بازه زمانی و به صورت ماهانه باهدف بخش بندی ورتبه بندی پویای مشتریان به وسیله الگوریتم های کای میانگین K MEAN و شبکه های عصبی خودسازمانده SOM انجام گردید. براساس نتایج حاصل از این پژوهش مشتریان به سه بخش اصلی تقسیم وپویایی ایشان مورد بررسی قرارگرفته و راهکارهایی جهت بهبود و اثربخشی بیشتر فعالیت های بازاریابی ارایه شده است.