یادگیری عمیق

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.

مقدمه و هدف: هدف این مطالعه تعیین ادراک دانشجویان دوره کارشناسی ارشد رهبری آموزشی نسبت به تأثیر کار تیمی بر نگرش به کلاس درس و پیشرفت تحصیلی آنان در محیط ترکیبی ادوبی کانکت و واتساپ (متاکوو) بود. روش شناسی پژوهش: این مطالعه در مرحله کمی بصورت طرح یک مرحله ای از نوع پیش آزمایشی انجام شد. هفده دانشجوی کارشناسی ارشد به عنوان گروه آزمایش پرسش نامه «در این کلاس چه می گذرد؟» را تکمیل نمودند. پیشرفت تحصیلی آنان توسط آزمونهای مستمر و پایانی اندازه گیری شد.یافته ها: نتایج نشان داد کار تیمی روی نگرش دانشجویان به کلاس درس و پیشرفت تحصیلی آنان تأثیر مثبت دارد. برای پیگیری این داده ها و شناسایی چگونگی تأثیر کار تیمی، 15 نفر از 17 دانشجوی گروه آزمایش به صورت داوطلبانه در مصاحبه های نیمه ساختاریافته شرکت کردند. با استفاده از نرم افزار تحلیل کیفی Atlas/ti ، دو مقوله اصلی شامل محیط کلاس و کیفیت یادگیری شناسایی شد.بحث و نتیجه گیری: نتایج این مطالعه می تواند انگیزه معلمان را برای اجرای کار تیمی در محیطهای ترکیبی آنلاین افزایش دهد و مدیران را ترغیب کند تا بستر مناسبی را برای اجرا فراهم سازند.

یکی از روش های محبوب اما پیچیده در تحلیل تکنیکال، روش امواج الیوت است. در این روش مهمترین بخش، تشخیص الگوهای روند اصلی بازار است که با توجه به ساختار فراکتال بازار، کاری دشوار است. اما همانند سایر حوزه ها، بکارگیری هوش مصنوعی در زمینه ی پیش بینی های مالی نیز بسیار فراگیر شده است. لذا به نظر می رسد بکارگیری هوش مصنوعی در تحلیل به روش امواج الیوت، جذاب باشد. لذا در پژوهش حاضر با معرفی مدل یادگیری عمیق جهت پیش بینی بازار از طریق تشخیص الگوهای امواج الیوت، به بررسی و مقایسه ی توان مدل در دو حالت طبقه بندی دوتایی و چندتایی پرداخته شده است. در این پژوهش برای 15 الگوی مدنظر، تعداد 1002 نمونه از نمودارهای قیمت سهام شرکت های حاضر در بورس ایران در دوره 11 ساله 1390 تا 1400، جمع آوری و برچسب گذاری گردید و نهایتاً برای تشخیص به عنوان ورودی به الگوریتم یادگیری عمیق با بکارگیری مدل شبکه های عصبی بازگشتی، در دو حالت طبقه بندی دوتایی و چندتایی وارد گردید. در این پژوهش جهت طراحی و اجرای مدل از نرم افزار RapidMiner 9.9 و جهت تعیین توان مدل از معیار صحت استفاده شد. نتایج حاصل نشان دهنده ی صحت %18 در تشخیص الگوها در حالت طبقه بندی چندتایی و صحت 61% در حالت طبقه بندی دوتایی است. لذا توان مدل یادگیری عمیق در تشخیص الگوهای فراکتال امواج الیوت و در نتیجه پیش بینی روند بازار، در حالت طبقه بندی دوتایی به طور قابل توجهی نسبت به حالت طبقه بندی چندتایی بالاتر است. بنابراین پژوهش حاضر بکارگیری مدل یادگیری عمیق با طبقه بندی دوتایی را جهت تشخیص الگوهای فراکتال امواج الیوت توصیه می نماید.

هدف: یکی از مهم ترین اهداف سرمایه گذاران و معامله گران بازار های مالی شناخت رفتار قیمت سهام است. پیش بینی قیمت، می تواند به افراد در مورد خرید، فروش یا نگهداری سهام کمک کند تا با زمان بندی موثر معاملات، سود بالقوه را به حداکثر یا زیان را به حداقل برسانند. به دلیل رفتار غیر خطی قیمت و وابستگی آن به عوامل گوناگون پیش بینی قیمت کار دشواری است که برای مقابله با این چالش، در این پژوهش از مدل های یادگیری عمیق کمک گرفته می شود که زیر شاخه ای از مدل های یادگیری ماشین هستند. ساختار مدل های یادگیری عمیق به دلیل تمرکز بر روی تعداد لایه های بیشتر و استفاده از گره های به هم پیوسته (نورون ها) در مواجه با مقادیر زیادی داده عملکرد مناسبی دارند و به دلیل توانایی آن ها در شناخت الگو ها و روابط، امکان ارائه پیش بینی دقیق تری از قیمت ها را فراهم می کنند.روش: در این پژوهش، برای پیش بینی قیمت سهام در بازار بورس اوراق بهادار تهران از دو مدل پیشنهادی LSTM-CNN و CNN-LSTM به وسیله بهینه سازی هایپرپارامتر ها توسط الگوریتم PSO که یک الگوریتم بهینه سازی مبتنی بر جمعیت است و تکنیک های تقویت مدل شامل: آموزش خصمانه، مکانسیم توجه و بلوک باقی مانده استفاده شده است. این مدل ها با مدل های CNN،LSTM وCNN-LSTM مورد مقایسه قرار گرفته اند. جهت دستیابی به این هدف، داده های10سهم از تاریخ20 شهریور 1392 تا تاریخ20 شهریور 1402 مورد بررسی قرارگرفته است.داده های ورودی شامل: قیمت های تعدیل شده سهم، اندیکاتور ها، اسیلاتور ها، قیمت دلارآزاد آمریکا و نرخ تورم می باشد.یافته ها: مقایسه نتایج معیار های ارزیابی شامل چهار معیار RMSE، MAE، R-squared و MAPE نشان از عملکرد مطلوب  دو مدل پیشنهادی با سایر مدل ها می دهد. علاوه بر این، مدل پیشنهادی LSTM-CNN  توانسته بهترین عملکرد را به ثبت رساند. همچنین، بررسی نتایج دو مدل پیشنهادی، با و بدون الگوریتم PSO  مشخص کرد که این الگوریتم به بهینه سازی مدل ها کمک می کند. در نهایت، بررسی استراتژی های مبتنی بر مدل های پیشنهادی بر روی پنج سهم از پنج صنعت مختلف در چهار دوره زمانی نشان از عملکرد مالی برتر آن ها می دهد. به عبارت دیگر، مدل های پیشنهادیLSTM-CNN  و  CNN-LSTMتوانسته اند در معیار بازده مالی و نسبت شارپ در مقایسه با سایر استراتژی ها موفقیت مطلوبی به دست آورند که مدل پیشنهادیLSTM-CNN  مطلوب ترین عملکرد را به ثبت رسانده است.نتیجه گیری: هایپرپارامترها، پارامترهایی هستند بر روی خروجی مدل ها تاثیر دارند و با تغییر هرکدام از این هایپارامترها نتایج مختلفی به دست می آید که می تواند مناسب یا غیر مناسب باشند این پارامترها در طول آموزش یاد نمی گیرند و باید قبل از آموزش تنظیم شوند. طبق نتایج به دست آمده، بهینه سازی هایپرپارامترها، می تواند سهم را بر اساس رفتار آن سهم بهینه کند که این امر منجر به پیش بینی دقیق تر قیمت می شود. همچنین، با استفاده از مدلLSTM-CNN  استخراج ویژگی ها از داده ها  و شناسایی و درک وابستگی ها در ویژگی های استخراج شده به طور مناسب تری از CNN-LSTM صورت می گیرد که می تواند در بهبود دقت پیش بینی کمک کند.

هدف: برای کاهش تضاد منافع بین مدیران و سهام داران، بر تسهیم منافع تمرکز می شود. پاداش به مدیران، یکی از راه های کاهش این تضاد است و به عنوان ابزاری برای هم سو کردن دیدگاه ها و عملکرد آنان در جهت افزایش ثروت سهام داران استفاده می شود. پاداش نقدی به مدیران باید بر عملکرد آنان مبتنی باشد تا هم سویی عملکرد مدیران با منافع سهام داران را تضمین کند. در طراحی بسته دستمزد مدیرعامل در شرکت ها، نقش سرمایه گذاران نهادی مطرح است. نظریه نمایندگی به مشکلاتی اشاره می کند که در زمان تفویض اداره شرکت به مدیران توسط مالکان به وجود می آید. برای کاهش تضاد نمایندگی، پاداش به مدیران با ارزش ایجاد شده برای سهام داران باید مرتبط باشد. یکی از روش های اصلی اندازه گیری عملکرد مدیر، گزارش های حسابداری است که به عنوان ابزاری برای اندازه گیری و ارزیابی عملکرد و انگیزش مدیر نقش دارد. با توجه به نکات ذکر شده، هدف این پژوهش ارائه الگوی پیش بینی حساسیت جبران خدمات مدیرعامل با استفاده الگوریتم های فراابتکاری (ژنتیک و ازدحام ذرات) است. روش: جامعه آماری این پژوهش را کلیه شرکت های پذیرفته شده در بورس اوراق بهادار تهران، در دوره زمانی ۱۳۹۰ تا ۱۴۰۰ تشکیل می دهد. در این پژوهش به منظور انتخاب نمونه، از روش حذف سیستماتیک استفاده و ۱۱۰ شرکت انتخاب شد. براساس دسته بندی پژوهش ها برحسب هدف، پژوهش حاضر از نوع کاربردی است. به علاوه، از نوع تحقیقات شبه تجربی است و در حوزه تحقیقات توصیفی (غیرآزمایشی پیمایشی) قرار می گیرد. روش های گردآوری داده های پژوهش مطالعه اسناد و مدارک، کاوش اینترنتی و مطالعه کتابخانه ای بسته به نیاز بوده است. در این پژوهش ۱۲ پارامتر تأثیرگذار، بر حساسیت جبران خدمات مدیرعامل، به عنوان ورودی مدل داده کاوی انتخاب شده است که عبارت اند از: مالکیت نهادی، مالکیت خانوادگی، قابلیت مقایسه صورت های مالی، مدیریت سود، محافظه کاری شرطی، تطابق درآمد و هزینه، ارزش افزوده بازار، اکتساب شرکتی، قراردادهای بدهی و رفتار هزینه با سه نوع (تغییرات بازده دارایی، تغییرات درآمد فروش و تغییرات هزینه های عملیاتی). همچنین پارامتر حساسیت جبران خدمات مدیرعامل نیز به عنوان خروجی مدل داده کاوی انتخاب شد. بدین منظور، سه مدل داده کاوی به تفکیک پارامتر رفتار هزینه ایجاد شد. افزون بر این، به منظور مقایسه، از سه مدل رگرسیون خطی استفاده شد. یافته ها: نتایج از برتری مدل شبکه عصبی عمیق، از لحاظ میزان ضریب تعیین و شاخص MSE حکایت می کند. این برتری برای هر سه مدل داده کاوی، نسبت به سه مدل رگرسیون خطی صادق است. در بین مدل های داده کاوی، مدل سوم با پارامتر رفتار هزینه: تغییرات هزینه های عملیاتی، بهترین نتایج را کسب کرده است. در سطح بعدی، مدل دوم با پارامتر رفتار هزینه: تغییرات درآمد فروش، بهترین نتایج را کسب کرده است. در نهایت مدل داده کاوی اول با پارامتر رفتار هزینه: تغییرات بازده دارایی، ضعیف ترین نتایج را کسب کرده است. نتیجه گیری: استفاده از شبکه های عصبی عمیق با بهینه سازی الگوریتم های فراابتکاری، می تواند مدل های پیش بینی مبتنی بر داده های واقعی را ایجاد کند و از آن ها می توان برای تصمیم گیری های مدیریتی و بهبود فرایندهای جبران خدمات در سازمان ها استفاده کرد. این روش ها با بهره گیری از داده های موجود و الگوریتم های هوش مصنوعی، عملکرد مدیرعاملان را بهبود و کیفیت خدمات ارائه شده توسط سازمان ها را ارتقا می دهد. از طرف دیگر، این پژوهش می تواند به سرمایه گذاران و تصمیم گیران اقتصادی کمک کند تا با دقت بسیار زیاد، به تحلیل و پیش بینی حساسیت جبران خدمات مدیرعامل با استفاده شبکه های عصبی عمیق و الگوریتم های فراابتکاری بپردازند.

این پژوهش با هدف توسعه روش آموزش وارونه در جهت بهبود یادگیری عمیق دانشجویان انجام گرفت. روش پژوهش حاضر، آمیخته از نوع جایگذاری و جامعه پژوهش شامل دانشجویان دانشکده ادبیات و علوم انسانی به تعداد 2340 نفر و نیز 15 نفر از استادان حوزه علوم تربیتی دانشگاه بوعلی سینا بود. از این جامعه در بخش کمی 36 دانشجو با روش نمونه گیری تصادفی و در بخش کیفی 20 دانشجو و 5 استاد به صورت هدفمند انتخاب شدند. در بخش کیفی، برای گرد آوری داده ها از مصاحبه نیمه ساختارمند و در بخش کمی از آزمون محقق ساخته استفاده شد. روایی آزمون با نظر متخصصان و پایایی آن با استفاده از ضریب کاپای کوهن 89% به دست آمد. پس از تحلیل داده ها در بخش کیفی، برای مدل آموزش وارونه توسعه داده شده، 7 مؤلفه اصلی شامل انعطاف پذیری محیط، فرهنگ یادگیری، محتوا و فعالیت های آموزشی، معلم در نقش مربیگری، مسئولیت و فعال بودن یادگیرنده، یادگیری در حد تسلط و مدیریت زمان استخراج شد. اعتبار درونی این مدل توسط متخصصان و اعتبار بیرونی با استفاده از روش پژوهش تکوینی ارزیابی شد که درنهایت، یافته ها بیانگر تأثیر مدل به دست آمده روی یادگیری عمیق دانشجویان بود.

پیش بینی قیمت سهام امری پیچیده است؛ مؤلفه های گوناگونی از قبیل وضع عمومی اقتصاد، رخداد های سیاسی و انتظارات سرمایه گذاران، بر بازار سهام تأثیر می گذارد. بازار سهام، در حقیقت یک سیستم غیرخطی و آشوبناک است که به عوامل متعدد سیاسی، اقتصادی و روانی وابسته است، برای غلبه بر محدودیت تکنیک های تحلیل سنتی در پیش بینی الگوهای غیرخطی، متخصصان طی دو دهه اخیر تکنیک های هوشمند و بخصوص شبکه های عصبی مصنوعی و الگوریتم ژنتیک را برای بهبود پیش بینی قیمت سهام به کاربرده اند. این پژوهش، با توجه به گسترش روز افزون روش های پیش بینی در بازارهای مالی و نیز، از آنجا که قیمت سهام یکی از مهم ترین عوامل مؤثر در تصمیمات سرمایه گذاری است و پیش بینی آن می تواند نقش با اهمیتی در این زمینه ایفا کند، در این پژوهش سعی شده است، مدلی ارائه شود تا بر اساس آن بتوان روند حرکتی قیمت سهام مورد نظر را با دقت بالایی پیش بینی کرد. بر همین اساس، یک مدل ترکیبی برای پیش بینی روند حرکتی قیمت سهام با استفاده از شبکه عصبی مصنوعی ارائه شده است. برای نمونه آماری، شرکت های برتر بورس اوراق بهادار در سه ماهه دوم سال ۱۳۹۹ انتخاب شده است. سپس برای هراین منظور، ۳۲ متغیر محاسبه شد. این متغیرها ورودی مدل هستند و به کمک الگوریتم شبکه عصبی مصنوعی بهینه سازی شده اند. نتایج نشان می دهد، مدل در پیش بینی روند حرکتی قیمت سهام بسیار بهتر عمل کرده و درمقایسه باروش های سنتی، از دقت بالاتری برخوردار است.

آنالیزگپ مبتنی بر مدل سازی توزیع گونه ای (SDMs)، ابزاری کلیدی برای ارزیابی عملکرد مناطق تحت حفاظت و شناسایی گپ های حفاظتی است. بنابراین بهبود دقت و اعتبار SDMs می تواند به تحقق استراتژی های چارچوب جهانی حفاظت از تنوع زیستی کمک کند. هدف از این مطالعه، ارتقاء روش های آنالیزگپ با استفاده از مدل سازی برپایه هوش مصنوعی با استفاده از یادگیری عمیق و رفع برخی از محدودیت های روش های سنتی مدل سازی در آنالیزگپ با استفاده از رویکرد فازی در محاسبه درجه مطلوبیت زیستگاه و نهایتاً ارزیابی کارایی آنالیزگپ در شناسایی گپ های حفاظتی می باشد. لذا از روش CNN-SDM، مبتنی بر یادگیری عمیق، برای شناسایی روابط پیچیده بین توزیع مکانی گونه ها و شرایط محیطی استفاده شد. داده های اقلیمی WorldClim و حضور 45 گونه دوزیست در جنوب غرب آسیا از پایگاه GBIF برای کالیبره کردن مدل استفاده شد. پس از تولید نقشه مطلوبیت زیستگاهی، گونه ها براساس درجه تهدید در فهرست سرخ IUCN وزن دهی شدند و نقشه غنای گونه ای وزنی ایجاد شد. برای رفع محدودیت های داده های باینری، از مقیاس گذاری فازی استفاده شد که تغییرات کیفیت زیستگاه را پیوسته در بازه ای بین 0 و 1 نمایش می دهد. برای پیش بینی آینده، سناریوهای اقلیمی SSP126 و SSP585 برای سال های ۲۰۶۰ و ۲۱۰۰ بررسی شدند. مقایسه نقشه های غنای گونه ای وزنی و رویهم گذاری مرسوم نشان داد که 43% از زیستگاه های دوزیستان در معرض تهدید در روش رویهم گذاری نادیده گرفته می شود. نتایج تایید کرد در بدترین سناریو اقلیمی، اگرچه 85% از زیستگاه های مطلوب در مناطق تحت حفاظت حفظ می شود اما میانگین ارزش پیکسل های مطلوب در این مناطق به طور معناداری کاهش می یابد بطوریکه مطلوبیت زیستگاهی فازی برای 97% از گونه ها کاهش خواهد یافت. مدل CNN-SDM نشان داد با AUC برابر با 94/0و TSS برابر با 89/0دقت بالایی در پیش بینی توزیع گونه ها دارد. این مطالعه تأکید بر ارتقاء روش های آنالیزگپ و رفع محدودیت های روش های سنتی دارد.

یادگیری عمیق یک روش مدرن پردازش تصویر و تجزیه و تحلیل داده هاست که با داشتن نتایج امیدوار کننده و پتانسیل بالا وارد حوزه مدیریت شهری شده است. پروژه (OSM)Open Steet Map بزرگ ترین مجموعه داده های مکانی داوطلبانه است که در بسیاری از حوزه های کاربردی مختلف به عنوان مکمل یا جایگزین با داده های مرجع استفاده می شود. در بعضی از موارد در کشورهای پیشرفته دقت داده های داوطلبانه تولید شده توسط موبایل و دیگر ابزار توسط کاربران حتی بیش از داده ی مرجع دولتی می باشد. هدف از تحقیق حاضر ارزیابی استفاده از هوش مصنوعی در تکمیل داده های داوطلبانه در مناطق کمتر مشارکت شده توسط داوطلبان می باشد. ابتدا با استفاده از شبکه عصبی کانولوشنی Res_UNet کاربری اراضی با دقت 83 درصد به دست آمد، سپس با توجه به پیش بینی انجام شده، از روش واحد مبنا جهت ارزیابی میزان کامل بودن داده های OSM استفاده شد. نتایج نشان می دهد میزان کامل بودن بلوک های ساختمانی OSM در کل منطقه مطالعاتی برابر با 6/3 درصد، جنگل ها7/9درصد، درخت های میوه 4/90 درصد و زمین های کشاورزی 88/81درصد می باشد. که نشان از نرخ پایین کامل بودن بلوک های ساختمانی و جنگل و نرخ بالای کامل بودن زمین های کشاورزی و درختان میوه می باشد. نتایج تحقیق بیانگر درصد مشارکت پایین داوطلبانه درتولید داده های مکانی می باشد. از طرفی دقت بالای تولید کاربری اراضی توسط هوش مصنوعی نتایج امیدوارکننده ای را در استفاده از هوش مصنوعی در تولید و تکمیل داده های داوطلبانه به جای نیروی انسانی بخصوص در کشورهای کمتر توسعه یافته یا مناطق با جمعیت داوطلب کمتر یا نقاط دورافتاده و صعب العبور ارائه میدهد

بیشتر سیستم های تشخیص تقلب سنتی برای شناسایی تقلب مالی، صرفا معیار های مالی را در نظر می گیرند که به نظر می رسد درحالیکه این احتمال وجود دارد که شرکت های متقلب علاوه بر تقلب های مالی، مرتکب سایر انواع تقلبهای غیر مالی نیز شوند. اگرچه تحقیقات اخیر، بیش از حد بر اهمیت داده های مالی به عنوان تنها فاکتور پیش بینی کننده تقلب تأکید کرده اند؛ هیچ مطالعه ای بر معیارهای غیر مالی یا ESG به عنوان یک فاکتور کمکی برای برای پیش بینی تقلب انجام نشده است. لذا هدف این تحقیق این است که با ارائه یک مدل یادگیری ماشینی پیشرفته و یادگیری عمیق، امکان بهبود پیش بینی تقلب های بر اساس ترکیبی از داده های مالی و ESG، را بررسی نماید. در این پژوهش با استفاده از الگوریتم های نظارت شده یادگیری ماشین و یادگیری عمیق، به بررسی چگونگی شناسایی تقلب مالی در بازه زمانی 10 ساله منتهی به سال 1401 پرداخته می شود. این تحقیق به طور نوآورانه ای نشان داد که استفاده از مدل ترکیبی مبتنی بر داده های مالی ومعیارهای غیرمالی قدرت پیش بینی کننده ای بهتری برای تقلب های مالی نسبت به تکیه صرف بر داده های مالی دارد. مطابق یافته های این تحقیق، در پاسخ به پرسش اول این تحقیق، در میان الگوریتم های یادگیری ماشین و یادگیری عمیق، بالاترین کارایی در برای الگوریتم طبقه بندی یا Bagging مشاهده گردید. همچنین یافته های این تحقیق در خصوص سوال دوم تحقیق نشان می دهد که مجموعه داده ای همه ویژگی ها(مدل ترکیب داده های مالی و غیرمالی) کارایی بهتری در مقایسه با مجموعه داده های مالی به تنهایی) و غیرمالی به تنهایی داشته است.

امروزه کسب و کارها برای بقا ، به مدیریت صحیح منابع و مصارف خود نیازمندند، در عرصه رقابتی انعطاف پذیری شرکت ها به شدت کاهش یافته و این عامل موجب شده که آنها در شرایط اقتصادی مختلف توانایی عکس العمل صحیح و مناسب را نداشته و با خطر ورشکستگی روبرو شوند. پیش بینی ورشکستگی شرکت ها از موضوعات مهمی است که به موفقیت و تداوم شرکتها کمک شایانی می کند.هدف این پژوهش طراحی و تبیین الگوی پیش بینی ورشکستگی شرکت ها با استفاده از مدل یادگیری عمیق بهینه شده با الگوریتم فراابتکاری نهنگ می باشد.مدل یاد شده روی داده های 328 نمونه از شرکتهای بورسی شامل 246 شرکت سالم و 82 شرکت ورشکسته در بازه زمانی 1395تا1400پیاده سازی شده است . نسبت های مالی، متغیر های مستقل این پژوهش می باشند که با استفاده از الگوریتم فرااکتشافی نهنگ بهینه شده و به عنوان یکی از مدل های هوش مصنوعی استخراج شده است .نتایج نشان داد ،نسبتهای سودعملیاتی به جمع دارایی ها ، وجه نقد به فروش خالص، وجه نقد به جمع دارایی ها، وجه نقد به بدهی جاری، بدهی جاری به جمع دارایی ها مؤثرترین متغیره ا در تعیین ورشکستگی بوده اند و در تمامی معیارهای ارزیابی مدل های طبقه بندی ، تابع برازش و ناحیه تحت منحنی ROC الگوریتم نهنگ در مقایسه با الگوریتم ازدحام ذرات کارایی بهتری را ارائه کرد.

در دهه های اخیر، بهینه سازی پورتفوی به عنوان یک حوزه تحقیقاتی پرطرفدار، مورد توجه زیادی از سوی پژوهشگران قرار گرفته است. کیفیت بهینه سازی پورتفوی به سرمایه گذاران کمک می کند تا سودهای پایدارتری ایجاد کنند. در این پژوهش از شبکه عصبی کانواوشنال (CNN) برای ساخت مدل بهینه سازی پورتفوی بر پایه پیش بینی استفاده شده است. این مدل ، نه تنها از مزایای تکنولوژی یادگیری عمیق بهره مند می باشد، بلکه از مزایای تئوری مدرن پورتفوی نیز برخوردار است. در این رویکرد، ابتدا از CNN برای پیش بینی بازده آتی هر سهم استفاده می شود. سپس، خطای پیش بینی CNN به عنوان معیار ریسک هر سهم به کار گرفته می شود. ادغام بازده ی پیش بینی شده با انحراف نیمه مطلق خطای پیش بینی (MSAD)، منجر به ساخت مدل بهینه سازی پورتفوی می شود. این مدل با پورتفوی هم وزن که سهام آن با CNN انتخاب شده است، مقایسه می شود. همچنین، دو مدل پورتفوی مبتنی بر پیش بینی از طریق رگرسیون بردار پشتیبان (SVR) به عنوان پورتفوی معیار مورد استفاده قرار می گیرند. داده های تجربی این پژوهش، شامل شرکت های حاضر در شاخص 50 شرکت فعال تر بورس اوراق بهادار تهران می باشد. نتایج تجربی نشان می دهند که مدل پورتفوی مبتنی بر پیش بینی با CNN ، عملکرد برتری در مقایسه با SVR در شرایط بازده های متفاوت از خود نشان می دهد. همچنین، افزایش بازده مورد انتظار می تواند منجر به بهبود عملکرد این مدل شود. این پژوهش به وضوح نقش مثبت شبکه های عصبی عمیق (DNNها) در ایجاد مدل های بهینه سازی پورتفوی را نشان می دهد.

هدف: این پژوهش به بررسی پدیده دیپ فیک به عنوان یکی از پیامدهای فناوری های پیشرفته هوش مصنوعی، یادگیری ماشین و یادگیری عمیق در دهه اخیر می پردازد. هدف این تحقیق، تحلیل روش های مختلف مقابله با محتوای جعلی و بررسی اثرات اجتماعی و قانونی آن ها است.روش شناسی پژوهش: این مطالعه به بررسی چهار دسته از روش های مقابله با دیپ فیک شامل روش های مبتنی بر یادگیری عمیق، یادگیری ماشین کلاسیک، روش های آماری و بلاک چین می پردازد. همچنین، عملکرد این روش ها در شناسایی دیپ فیک ها بر اساس مجموعه داده های مختلف مورد ارزیابی قرار می گیرد.یافته ها: نتایج نشان می دهند که روش های مبتنی بر یادگیری عمیق در شناسایی دیپ فیک ها کارایی بیشتری دارند. همچنین، این تحقیق به تحلیل جنبه های مختلف دیپ فیک از منظر رسانه ها، جامعه، تولید و بازنمایی رسانه ها، مخاطبان، جنسیت، قانون و سیاست می پردازد و نشان می دهد که جامعه در مقابله با دیپ فیک ها آماده نیست.اصالت/ارزش افزوده علمی: این پژوهش با بررسی جامع و تطبیقی روش های مختلف شناسایی دیپ فیک، به ارزشمندی و اصالت خود در زمینه ارایه راهکارهای موثر و تحلیل ابعاد اجتماعی و قانونی این پدیده می افزاید. نتایج این مطالعه می تواند به سیاست گذاران و محققان در تدوین راهبردهای مناسب برای مقابله با دیپ فیک کمک کند.

این تحقیق به بررسی مدل های نوآوری سازمانی مبتنی بر هوش مصنوعی (AI) و یادگیری عمیق (Deep Learning) می پردازد و نقش آن ها را در ایجاد مزیت رقابتی پایدار در سازمان ها بررسی می کند. در دنیای امروز که با تغییرات سریع و عدم قطعیت های فراوان روبه رو هستیم، استفاده از فناوری های پیشرفته ای مانند هوش مصنوعی و یادگیری عمیق می تواند به سازمان ها کمک کند تا نوآوری های مؤثری ایجاد کرده و در برابر چالش های محیطی مقاوم باشند. این تحقیق با استفاده از روش تحلیل مضمون، مضامین اصلی و کدهای فرعی مرتبط با کاربرد این فناوری ها در نوآوری سازمانی را شناسایی کرده و آن ها را در قالب پنج طبقه اصلی دسته بندی کرده است. نتایج نشان می دهد که هوش مصنوعی و یادگیری عمیق می توانند به طور مؤثری به سازمان ها در تحلیل داده ها، پیش بینی روندهای آینده و بهبود تصمیم گیری های استراتژیک کمک کنند. همچنین، چالش ها و موانع پیاده سازی این فناوری ها نیز شناسایی شده است. در نهایت، پیشنهاداتی برای بهبود استفاده از این فناوری ها در راستای نوآوری سازمانی و ایجاد مزیت رقابتی پایدار ارائه شده است.

این پژوهش بدنبال طراحی و ارائه رویکردی جه بهبود نتایج پیش بینی بدست آمده از رویکردهای سنتی اقتصادسنجی با استفاده از روش های نوین مدل سازی است. مدل سازی خودرگرسیون هم انباشته میانگین متحرک (ARIMA، بعنوان یکی از گسترده ترین روش های پیش بینی سری های زمانی اقتصادی و مالی شناخته می شود، که رویکرد مناسبی بویژه برای پیش بینی های خطی کوتاه مدت سری های زمانی محسوب می شود. با این حال فرض وجود اثرات غیرخطی در سری های زمانی و ظهور الگوریتم های نوین مدل سازی بخصوص روش های یادگیری عمیق، که قابلیت استخراج ویژگی های پیچیده سری زمانی و مدل سازی آن را دارند، انگیزه ای برای محققین جهت بررسی و مقایسه قدرت پیش بینی رویکردهای سنتی و نوین مدل سازی گردیده است. در این پژوهش، دو روش برای پیش بینی قیمت چهار رمزارز، با بالاترین ارزش بازار مورد بررسی قرار می گیرد. روش مدل سازی (ARIMA) و سه رویکرد در حوزه یادگیری عمیق شامل (RNN، LSTMوGRU)، علاوه بر این یک رویکرد ترکیبی از مدل های یادگیری عمیق و ARIMA معرفی شده است که ترکیبی از نقاط قوت هر دو مدل برای افزایش دقت پیش بینی است. نتایج نشان می دهد مدل های ترکیبی ARIMA و یادگیری عمیق در پیش بینی مقادیر آتی سری زمانی نسبت به هر یک از مدل های ARIMA و یادگیری عمیق بصورت جداگانه، بهتر عمل می کنند. همچنین مدل ARIMA-GRU نسبت به تمام مدل های برآورد شده، مقادیر خطای پیش بینی کمتری دارد. طبقه بندی JEL : C22،C89،G17

بیان مسئله: تاریخ معماری جهان مشحون از واژگان کم کاربرد و ناآشنا از بافت ها و بناهای تاریخی است. گستردگی اطلاعات و پیچیدگی مفاهیم بناهای تاریخی؛ و همچنین روش های تدریس سنتی مبتنی بر سخنرانی صِرف، قابلیت تحلیل و سازماندهی حیطه شناختی و فراشناختی دانشجویان نسبت به هنر و معماری تمدن های باستانی را در کلاس درس تاریخ معماری جهان با صعوبت و دشواری مواجه ساخته است.هدف پژوهش: این پژوهش در نظر دارد به تبیین تأثیر بحث گروهی بر بستر کلاس معکوس در ارتقای کیفیت یادگیری درس تاریخ معماری جهان بپردازد. روش پژوهش: این پژوهش با روش های آمیخته مداخله ای انجام شده است؛ که در مرحله کیفی با استفاده از روش نظریه برخاسته از داده های ساخت گرایانه کتی چارمز؛ و در بخش کمّی از روش آزمایشی استفاده شد. استخراج و تحلیل داده های کیفی برآمده از یادداشت های گروه آزمایش، مشاهده رفتار و همچنین انجام مصاحبه با تعدادی از ایشان با استفاده از شیوه کدگذاری اولیه و متمرکز انجام شد. سپس در بخش کمّی با استفاده از طرح شبه آزمایشی، میزان و کیفیت یادگیری گروه آزمایش و گروه گواه مورد مقایسه قرار گرفت. جامعه آماری این پژوهش 43 نفر از دانشجویان رشته معماری دانشگاه تربیت دبیر شهیدرجایی است که به صورت در دسترس  و در دو کلاس با شرایط نسبتاً برابر، یکی به عنوان گروه آزمایشی شامل 22 نفر و دیگری به عنوان گروه گواه شامل 21 نفر به صورت گروه های دست نخورده قرار گرفتند. ابزار جمع آوری داده های کمّی، آزمون محقق ساخته است که روایی محتوایی آن از طریق روش ارجاع به خبرگان و همسانی درونی آن با ضریب آلفای کرونباخ  82/0 تأیید شد. همچنین تحلیل داده های کمی نیز با آزمون  Uز Mann-Whitney و با استفاده از نرم افزار SPSS-22 تحلیل شد.نتیجه گیری: یافته های این پژوهش در بخش کیفی منتج به طبقه بندی هفت مقوله متمرکز است. در ارتباط با صعوبت یادگیری واژگان ناآشنا و کم کاربرد، مقوله های ساخت شناختی و ساخت دانش مشارکتی؛ در ارتباط با امکان ناپذیری بازدید از آثار تاریخی برون مرزی، مقوله های بصری سازی و بیان گرافیکی محتوای متنی، در ارتباط با گستردگی اطلاعات و پیچیدگی مفاهیم، مقوله های عاملیت در یادگیری محتوای آموزشی، پیوندیابی و شبکه سازی میان محتوای هر فصل، ارتقای مهارت ارتباط مؤثر، و تاب آوری در یادگیری مفاهیم انتزاعی صورت بندی شدند؛ یافته های بخش کمّی نشان داد که کاربست همزمان راهبردهای کلاس معکوس و بحث گروهی بر ارتقای کیفیت یادگیری دانشجویان در درس تاریخ معماری جهان اثرمعنادارآماری دارد (p<0.01). بنابراین اندازه اثر محاسبه شده، برابر با 399/0 است که نشان دهنده تأثیر 40 درصدی این روش تدریس بر بهبود کیفیت یادگیری دانشجویان است. این نتایج بر اهمیت روش های نوین تدریس در ارتقای کیفیت یادگیری دانشجویان تأکید دارند؛ و به نظر می رسد پژوهش های بیشتر در این زمینه، می تواند ادراک عمیق تری از تأثیرات آن ها را محقق سازد.

تحلیل احساسات شهری با استفاده از داده های فضای مجازی، یکی از روش های نسبتاً نوین برای تحلیل احساسات در شهر است. هدف مقاله حاضر، ارائه مدلی پیش بینی کننده برای تحلیل احساسات داده های متنی-تصویری (چندوجهی) رسانه اجتماعی توئیتر درباره شهر است. روش پژوهش کمی و رویکرد پژوهش یادگیری عمیق نظارت شده است. تحلیل داده ها با زبان برنامه نویسی پایتون و در فضای ابری گوگل کولب انجام شده است. نمونه مطالعاتی، داده های شهری چندوجهی مربوط به 8 کلان شهر رسمی ایران در بازه ای 10 ساله (فرودین 1390 تا اسفند 1400) است. برای آموزش داده های متنی از الگوریتم هیبریدی طراحی شده (مبتنی بر شبکه عصبی سی.ان.ان.) استفاده شده که دقت آن، 77٪ بوده است. برای آموزش داده های تصویری از الگوریتم های: شبکه عصبی، شبکه از پیش آموزش دیده دنس نت121 و شبکه وی.جی.جی.19 استفاده شد که دقت شبکه سوم با 88٪، از دو الگوریتم دیگر بهتر بوده است. الگوریتم ترکیبی برای تحلیل داده های متنی-تصویری، مبتنی بر ترکیب مدل های از پیش آموزش دیده وی.جی.جی.19 و مدل ترکیبی طراحی شده برای متن بوده که دقت آن 81٪ بوده است. براساس نتایج، می توان با ارائه داده های متنی-تصویری مربوط به سایر شهرها، احساسات کاربران نسبت به شهر را براساس موقعیت داده های ورودی تعیین کرد؛ این امر می تواند به برنامه ریزان و مدیریت شهری کمک نماید تا پهنه های نامناسب و مناسب ازمنظر کاربران را براساس داده های ثبت شده آن ها در فضای مجازی به دست آورند و نسبت به بهبود فضاهای نامناسب اقدام نمایند.