مطالب مرتبط با کلیدواژه

یادگیری ماشینی


۱.

کاربرد روش k- نزدیک ترین همسایه در پیش بینی درماندگی مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران(مقاله علمی وزارت علوم)

نویسنده:
منبع: اقتصاد پولی، مالی سال سوم پاییز و زمستان ۱۳۹۲ شماره ۲ (پیاپی ۶)

کلیدواژه‌ها: بورس اوراق بهادار تهران پیش بینی درماندگی مالی شرکت ها یادگیری ماشینی k-نزدیک ترین همسایه

حوزه های تخصصی:
تعداد بازدید : ۹۸۴ تعداد دانلود : ۵۷۲
با توجه به تاثیرات درماندگی مالی شرکت ها بر گروه های ذینفع، همواره ارائه الگوهای پیش بینی درماندگی مالی یکی از جذاب ترین حوزه ها در تحقیقات مالی بوده است. در سال های اخیر و پس از رخ دادن بحران مالی جهانی، تعداد شرکت های ورشکسته افزایش یافته است. از آن جا که درماندگی مالی شرکت ها مقدمه ورشکستگی آنهاست، لذا استفاده از نسبت های مالی برای پیش بینی درماندگی مالی، مورد توجه هر چه بیشتر دانشگاهیان و هم چنین بنگاه های اقتصادی و نهادهای مالی قرار گرفته است. گر چه، در سال های اخیر در کشور ما نیز تحقیقات انجام شده بر روی پیش بینی درماندگی مالی شرکت ها رو به افزایش است، با این حال بیشتر تلاش های صورت گرفته به استفاده از روش های سنتی آماری معطوف شده و تنها در تعداد کمی از پژوهش ها از روش های ناپارامتری استفاده شده است. نتایج تحقیقات انجام شده در سال های اخیر حاکی از آن است که روش های یادگیری ماشینی عملکرد بهتری را نسبت به روش های سنتی آماری دارا می باشند. در این پژوهش از روش k نزدیک ترین همسایه برای پیش بینی درماندگی مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران طی سال های 1386-1384 استفاده شده است. نتایج حاکی از آن است که روش مذکور با دقت خوبی قادر به پیش بینی درماندگی مالی شرکت ها می باشد.
۲.

یک روش تکاملی برای طبقه بندی اعتباری مبتنی بر رویکرد تجمیع زدایی ترجیحات(مقاله علمی وزارت علوم)

نویسنده:
منبع: مطالعات مدیریت صنعتی سال سیزدهم زمستان ۱۳۹۴ شماره ۳۹

کلیدواژه‌ها: الگوریتم ژنتیک یادگیری ماشینی مدل ELECTRE TRI تجمیع زدایی ترجیحات طبقه بندی اعتباری

حوزه های تخصصی:
تعداد بازدید : ۱۱۴۲ تعداد دانلود : ۶۸۴
مدل های مبتنی بر روابط برتری یک شاخه مهم از روشهای تصمیم چندمعیاره هستند که نیاز به تعریف مقدار قابل توجهی اطلاعات ترجیحی در قالب پارامترها توسط تصمیم گیرنده دارند. تعدد پارامترها، معنای اغلب گیی کننیده آنها در فضای مسئله و طبیعت غیردقیق دادهها، این فرآیند را خصوصاً در مسائل طبقه بندی اعتباری با ابعیاد بیزر که نیاز به تصمیمگیری بلادرنگ است بسیار زمانبیر و پییییده میی سیازد. بیدین منریور روی یرد ت مییی زداییی ترجیحات این اطلاعات را از طریق قضاوتهای جامعی که توسط تصمیم گیرنده فراهم می شوند استنتاج می کند. این روی رد در تصمیم گیری چندمعیاره معادل یادگیری ماشینی در حوزه هوش مصنوعی است. تحت این روی رد، ایین مقالیه ییک روش جدیید پیشینهاد میی کنید کیه در آن الریوریتم ینتییک طیی فرآینید یادگیری، به طور همزمان تمامی پارامترهای میدل ELECTRE TRI را از داده هیای آموزشیی اسیتنتاج و در خاتمه فرآیند، پارامترهای استنتاج شده بیرای طبقیه بنیدی داده هیای آزمایشیی ب یار گرفتیه میی شیوند. تحلییل آزمایشات روی دیتاست های اعتباری نشان از کیفیت بالا و قابل رقابت روش پیشنهادی در مقایسه با مدل هیا ی استاندارد طبقهبندی دارد.
۳.

ارائه مدل دسته بندی موضوعی تولیدات علمی حوزه سلامت با استفاده از روش های متن کاوی(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهشنامه پردازش و مدیریت اطلاعات دوره ۳۵ زمستان ۱۳۹۸ شماره ۲ (پیاپی ۱۰۰) 553-574

کلیدواژه‌ها: تولیدات علمی دسته بندی متون سلامت متن کاوی مدل تخصیص پنهان دیریکله مدل موضوعی ماشین بردار پشتیبان یادگیری ماشینی

حوزه های تخصصی:
تعداد بازدید : ۷۱۲ تعداد دانلود : ۵۱۱
با گسترش اینترنت و رشد سریع و روزافزون مقالات الکترونیکی، دسته بندی متون به یکی از ابزارهای کلیدی و مهم برای سازماندهی و مدیریت داده تبدیل شده است. در دسته بندی متون، یک مجموعه دانش اولیه در اختیار سامانه قرار می گیرد تا با یادگیری از این مجموعه، اسناد جدید ورودی به یکی از گروه های موضوعی، ملحق گردد. در متون سلامت به علت تنوع زیاد موضوعات، آماده کردن چنین مجموعه آموزش اولیه عملی بسیار زمان بر و هزینه بر است. هدف از مقاله ارائه مدلی ترکیبی از یادگیری (با نظارت و بدون نظارت) برای دسته بندی موضوعی تولیدات علمی حوزه سلامت است که بدون نیاز به مجموعه برچسب خورده اولیه عمل دسته بندی را انجام دهد. برای استخراج مدل موضوعی متون تولیدات علمی سلامت طی سال های 2009 تا 2019 در پایگاه پابمد، با استفاده از روش آمیخته داده کاوی، شامل متن کاوی و یادگیری ماشینی انجام گرفت. بر اساس مدل موضوعی تخصیص پنهان دیریکله، دادها تحلیل و سپس برای دسته بندی متون، از مدل ماشین بردار پشتیبان استفاده شد. در یافته های این پژوهش، مدل دسته بندی متون سلامت در سه گام اصلی معرفی شد. در گام اول پیش پردازش های لازم بر روی مجموعه داده به دلیل حذف کلمات کم تکرار و غیرضروری از مجموعه داده و افزایش دقت مدل پیشنهادی انجام گرفت. در گام دوم موضوعات موجود در متون به کمک روش احتمالاتی تخصیص پنهان دیریکله استخراج و به عنوان یک مجموعه آموزش اولیه در گام سوم به الگوریتم دسته بندی ماشین بردار پشتیبان داده و عمل یادگیری دسته بند به کمک این موضوعات انجام گرفت. درنهایت به کمک دسته بند، موضوع هر سند مشخص گردید. نتایج نشان داد که مدل پیشنهادی می تواند، یک دسته بندی بهتر با استفاده از ترکیب کردن خواص بدون نظارت خوشه بندی و دانش پیشین نمونه ها بسازد. انجام دادن خوشه بندی روی نمونه های برچسب دار با یک معیار شباهت مشخص، متن های مرتبط را باهم ادغام و یک دانش پیشین ایجاد کرده، سپس الگوریتم یادگیری، دسته بندی را با روشی نظارتی آموزش می دهد. ترکیب دسته بندی و خوشه بندی می تواند دقت دسته بندی متون سلامت را افزایش دهد.
۴.

شناسایی هیجان در متن فارسی با استفاده از مدل یادگیری ماشینی(مقاله علمی وزارت علوم)

نویسنده:
منبع: روانشناسی معاصر دوره چهاردهم بهار و تابستان ۱۳۹۸ شماره ۱ (پیاپی ۲۷) 42-48

کلیدواژه‌ها: شناسایی هیجان تحلیل متن یادگیری ماشینی

حوزه های تخصصی:
تعداد بازدید : ۴۸۲ تعداد دانلود : ۳۰۶
پژوهش حاضر به منظور ارائه ی یک مدل محاسباتی برای بازشناسی هیجان در متن فارسی صورت گرفته است. در مدل پیشنهادی تحقیق، گروه بندی هشت گانه ی پلاچیک در هیجان ها به عنوان مبنای یادگیری نظارت شده، ویژگی های بافتی متن فارسی و لیست واژگان هیجانی برچسب دار به عنوان عناصر و اجزای مدل تعیین شده اند. برای آزمون مدل (شرایط واقعی) از صد متن منتخب شامل سرمقاله ی روزنامه های سیاسی- اجتماعی استفاده شده است. همچنین در این تحقیق از الگوریتم «ماشین بردار پشتیبان» به عنوان طبقه بند یادگیرنده استفاده گردیده و چهار شاخص دقت، درستی، ضریب f و بازخوانی برای ارزیابی مدل بکار گرفته شده اند. نتایج تحقیق نشان می دهند که کارایی مدل (دقت) در شناسایی هیجان های مختلف از 79 درصد تا 98 درصد متغیر بوده و در ارزیابی کلی مدل، میانگین دقت مدل معادل 84 درصد است. بر اساس سایر شاخص ها، می توان گفت که بیشترین نرخ درستی مربوط به هیجان خوشی و کمترین آن مربوط به هیجان خشم است. همچنین تطبیق قابل توجهی میان شاخص f با شاخص «بازخوانی» وجود دارد و بیشترین مقدار آن در گروه هیجان شادی دیده می شود. نتایج این تحقیق نشان می دهد استفاده از رهیافت مبتنی بر گروه بندی هیجان ها، یادگیری نظارت شده و نیز ویژگی های بافتی حداقلی در متن می تواند کارایی مناسبی در شناسایی خودکار هیجان ها داشته و می توان تلفیقی از گروه های اصلی هیجان را به منظور افزایش کارایی مدل یادگیری بکار گرفت.
۵.

تعیین پتانسیل وقوع چشمه آب زیرزمینی با استفاده از روش حداکثر آنتروپی، GIS و RS با تأکید بر شاخص جدید توپوگرافیکی هیدرولوژیکی HAND (مطالعه موردی: حوزه آبخیز دریاچه ارومیه)(مقاله علمی وزارت علوم)

نویسنده:
منبع: سنجش از دور و GIS ایران سال سیزدهم تابستان ۱۴۰۰ شماره ۲ (پیاپی ۵۰) 119 - 138

کلیدواژه‌ها: حداکثر آنتروپی پتانسیل چشمه آب زیرزمینی دریاچه ارومیه شاخص HAND یادگیری ماشینی

حوزه های تخصصی:
تعداد بازدید : ۳۳۲ تعداد دانلود : ۲۹۴
هدف از این تحقیق تعیین مناطق دارای پتانسیل حضور چشمه آب زیرزمینی و اولویت بندی عوامل مؤثر در آن، با استفاده از روش حداکثر آنتروپی (مدل MaxEnt)، سیستم اطلاعات جغرافیایی و سنجش از دور است. در تحقیق حاضر، از چهارده شاخص تأثیرگذار در پتانسیل آب زیرزمینی شامل شاخص های توپوگرافیکی، زمین شناسی، اقلیمی، هیدرولوژیکی و کاربری اراضی و همچنین، شاخص جدید ارتفاع از سطح نزدیک ترین زهکش (HAND) استفاده شده است. ابتدا، شاخص ها به دو بخش شاخص های توپوگرافیکی و سایر عوامل شامل زمین شناسی، اقلیمی، هیدرولوژیکی و کاربری اراضی تقسیم شدند و نقشه پتانسیل آب زیرزمینی براساس آنها تهیه شد. سپس، از تلفیق شاخص ها، نقشه نهایی پتانسیل آب زیرزمینی به دست آمد. از مجموع 2547 چشمه، با استفاده از روش فاصله ماهالانوبیس، 60% به منزله داده های آزمون و 40% به منزله داده های اعتبارسنجی طبقه بندی شدند. نتایج نشان داد که به ترتیب، براساس شاخص های توپوگرافیکی، سایر عوامل و تلفیق تمامی شاخص ها 38.5%، 27.4% و 34.7% حوزه دارای پتانسیل آب زیرزمینی است. همچنین، طبق نمودار جکنایف لایه های ارتفاع، کاربری اراضی، شیب، موقعیت شیب نسبی، شاخص HAND و لیتولوژی به ترتیب مهم ترین عوامل مؤثر در پتانسیل چشمه آب زیرزمینی بودند. سطح زیر منحنی (AUC) براساس نمودار ROC نشان دهنده دقت 83%، 83% و 85% (خیلی خوب) در مرحله آموزش و 82%، 81% و 84% (خیلی خوب) در مرحله اعتبارسنجی، مطابق با شاخص های توپوگرافیکی، سایر عوامل و تلفیق تمامی شاخص ها بود. با توجه به اینکه شاخص HAND جزء شاخص های تأثیرگذار در آب زیرزمینی محسوب می شود؛ نقش تعیین کننده و مهمی در تعیین مناطق دارای پتانسیل چشمه آب زیرزمینی دارد.
۶.

پیش بینی تعداد گردشگران بر اساس رکوردهای اطلاعاتی گوگل ترندز با روش یادگیری ماشینی (موردمطالعه: گردشگران شهر یزد)(مقاله علمی وزارت علوم)

نویسنده:
منبع: گردشگری و توسعه سال دهم تابستان ۱۴۰۰ شماره ۲ (پیاپی ۲۷) 67 - 79

کلیدواژه‌ها: پیش بینی تعداد گردشگران تقاضای گردشگری گوگل ترندز یادگیری ماشینی شهر یزد

حوزه های تخصصی:
تعداد بازدید : ۲۹۱ تعداد دانلود : ۱۷۸
با توسعه صنعت گردشگری و رشد کسب وکارهای مرتبط، کسب اطلاعات به روز در برنامه ریزی صحیح و برآورد دقیق تعداد گردشگران، به منظور به کارگیری کارآمد منابع با هدف توسعه زیرساخت ها و افزایش درآمد، ضروری است. وجود برنامه های دقیق درنهایت به ارتقای سطح رضایت گردشگران ورودی منجر می شود. با توسعه فرهنگ جست وجوگری اطلاعات، گردشگران معمولاً پیش از آغاز سفر، به جست وجوی اطلاعات مربوط به اقامتگاه ها و خدمات گردشگری موجود در مقصد، از طریق منابع اینترنتی، اقدام می کنند. در پژوهش حاضر، با استفاده از داده های منتخب مربوط به پرس وجوهای کاربران سراسر جهان در موتور جست وجوی گوگل درمورد امکانات و توانمندی های گردشگری شهر یزد، تعداد گردشگران آتی این شهر پیش بینی شده است. داده های پژوهش را آمارهای جست وجوی کاربران تشکیل می دهد که از سامانه گوگل ترندز پایین گذاری شده و با استفاده از روش یادگیری ماشینی مدل پیش بینی، طراحی و اعتبارسنجی شده است. پس از آماده سازی و تحلیل داده ها، مشخص شد که پرس وجوهای ثبت شده در گوگل ترندز، قدرت فراوانی (بیش از 95 درصد) در پیش بینی تعداد گردشگران شهر یزد در بازه زمانی سال 2014 تا 2019 در مقاطع ماهانه دارد
۷.

تبیین و ارائه مدلی برای پیش بینی نقدشوندگی سهام در بورس اوراق بهادار تهران(مقاله علمی وزارت علوم)

نویسنده:
منبع: تحقیقات مالی دوره ۲۴ بهار ۱۴۰۱ شماره ۱ 134 - 156

کلیدواژه‌ها: بازار اوراق بهادار تهران نقدشوندگی یادگیری ماشینی

حوزه های تخصصی:
تعداد بازدید : ۳۱۵ تعداد دانلود : ۱۷۷
هدف: پژوهش حاضر با شناسایی عوامل مؤثر بر نقدشوندگی، مدلی برای پیش بینی وضعیت نقدشوندگی سهام، در بازار اوراق بهادار تهران ارائه کرده است. روش: 23 عامل مشخص شده در مطالعات کتابخانه ای، بر اساس داده های 154 شرکت فعال در فاصله زمانی 1388 تا 1398 استخراج و در قالب دو خوشه افراز شد. با استفاده از معادلات ساختاری با رویکرد حداقل مربعات جزئی، اعتبار متغیرهای شناسایی شده با معیار حاصل از خوشه بندی ارزیابی شد. یافته ها: ارزیابی ارتباط متغیرها در مدل های یادگیری ماشینی نشان داد که جریان نقدی غیرعادی، هزینه اختیاری غیرعادی، خطای تخمین اقلام تعهدی، تفاوت بین سرمایه در گردش تحقق یافته و موردانتظار، سهام شناور آزاد، دوره تصدی حسابرس، حق الزحمه حسابرسی، سهم بازار حسابرس، محافظه کاری و تغییر حسابرس، در خوشه بندی بیشترین تأثیر را دارند. سرانجام بهترین مدل یادگیری ماشینی، بر اساس آموزش و آزمون انتخاب شد. نتیجه گیری: نتایج نشان می دهد که متغیرهای مستقل، بیش از 72 درصد از تغییرات نقدشوندگی را توضیح می دهند. همچنین مدل شبکه های عصبی در مقایسه با سایر مدل های یادگیری ماشینی، توان پیش بینی بیشتری دارد و با 32/99 درصد صحت برازش، مناسب ترین مدل پیش بینی نقدشوندگی است.
۸.

طراحی الگوی مدیریت هوشمند جدول پخش تلویزیون جمهوری اسلامی ایران(مقاله علمی وزارت علوم)

نویسنده:
منبع: رسانه های دیداری و شنیداری دوره ۱۶ پاییز ۱۴۰۱ شماره ۴۳ 103 - 130

کلیدواژه‌ها: مدیریت هوشمند جدول پخش تلویزیون هوش مصنوعی یادگیری ماشینی

حوزه های تخصصی:
تعداد بازدید : ۳۲۶ تعداد دانلود : ۱۸۷
افزایش رقابت، تمایز، تکثیر رسانه ها، هم چنین بخش بندی فزاینده مخاطبان موجب نیاز به تغییر شیوه مدیریت جدول پخش تلویزیون صدا و سیمای جمهوری اسلامی ایران، به کارگیری فناوری در مدیریت پخش، برنامه ریزی، تصمیم گیری، تخصیص بهینه منابع مبتنی بر هوش مصنوعی، یادگیری ماشینی جهت  دستیابی به اهداف و جذب مخاطبان شده است. هدف این پژوهش، چگونگی طراحی الگوی مدیریت هوشمند جدول پخش تلویزیون ایران، با اتکا به شناخت ابعاد، مؤلفه ها و شاخص ها است، روش تحقیق ترکیبی است، داده های کیفی از مطالعه کتابخانه، اسنادی، مصاحبه نیمه ساختاریافته با خبرگان(نمونه گیری هدفمند) به دست آمده است. شیوه و مؤلفه های مدیریت هوشمند جدول پخش استخراج و الگوی اولیه پیشنهاد شده و تأیید الگو نهایی از داده های کمّی پرسش نامه شیوه دلفی بهره برده است. مدیریت هوشمند از هوش مصنوعی، زمان بندی و برنامه ریزی خودکار، سیستم های پشتیبانی تصمیم گیری هوشمند جهت حل بهینه مسائل چندمعیاری و چندهدفی چینش جدول پخش تلویزیون  ایران استفاده خواهد کرد. یادگیری ماشینی، الگوریتم های با نظارت، یادگیری تقویتی و سامانه توصیه گر پالایش گروهی برای تنظیم داده ها، اطلاعات رسانه، در برنامه ها و جدول پخش استفاده می شود. شاخصه های انتخاب و تناسب برنامه های مجاور، نحوه چینش،  توالی، تکرار برنامه و بازخورد صریح، ضمنی  و تجربی،  برای مدیریت هوشمند جدول پخش بکار می رود. ابعاد الگوی مدیریت هوشمند جدول پخش تلویزیون ایران، شامل تنظیم هوشمند داده های ورودی(مدیریت منابع)، برنامه ریزی هوشمند(تصمیم گیری هوشمند) پیش بینی، تخصیص بهینه منابع و ارزیابی هوشمند در این پژوهش، شناسایی و معرفی شده اند.
۹.

کارکردها و بایسته های هوش مصنوعی از منظر دادرسی منصفانه(مقاله علمی وزارت علوم)

نویسنده:
منبع: حقوق فناوری های نوین دوره سوم پاییز و زمستان ۱۴۰۰ شماره ۶ 47 - 60

کلیدواژه‌ها: هوش مصنوعی دادرسی منصفانه یادگیری ماشینی هوش مصنوعی و پیشگیری هوش مصنوعی و قضاوت

حوزه های تخصصی:
تعداد بازدید : ۴۹۵ تعداد دانلود : ۳۲۷
حق بر استفاده از فناوری های نوین همواره یکی از حقوق اساسی بشر قلمداد شده است و اسناد حقوق بشری متعددی همانند اعلامیه اروپایی حقوق دیجیتال و اصول برای دهه دیجیتال و میثاق بین المللی حقوق اقتصادی، اجتماعی و فرهنگی بر این مهم صحه گذاشته اند. از جمله این فناوری های نوین، فناوری هوش مصنوعی است که در نسل های چندگانه حقوق بشر تأثیرات فراگیری داشته و یکی از کارکردهای آن به کارگیری این هوش در فرایند دادرسی قضایی است. در پژوهش پیش رو، صورت های به کارگیری هوش مصنوعی در فرایند دادرسی قضایی و اصول و بایسته های آن را با روش تحقیق تحلیلی توصیفی و استفاده از ابزار کتابخانه ای بررسی شده است. نتایج این پژوهش حاکی از آن است که هوش مصنوعی این قابلیت را دارد که به صورت ابزار پیشگیری، ابزار تصمیم سازی (دستیار قاضی) و ابزار تصمیم گیری (قاضی مستقل) در فرایند دادرسی به کار گرفته شود و چنانچه در الگوریتم طراحی شده برای هوش مصنوعی اصولی مانند حاکمیت قانون، برابری و عدم تبعیض، استقلال و بی طرفی و شفافیت نهادینه شود و این الگوریتم را منصفانه گرداند، بهره گیری از آن به دادرسی منصفانه خواهد انجامید.
۱۰.

کاربرد معماری های یادگیری عمیق در پیش بینی قیمت سهام (رویکرد شبکه عصبی پیچشی CNN)(مقاله علمی وزارت علوم)

نویسنده:
منبع: مدیریت دارایی و تامین مالی سال دهم پاییز ۱۴۰۱ شماره ۳ (پیاپی ۳۸) 1 - 20
تعداد بازدید : ۲۲۸ تعداد دانلود : ۱۵۶
اهداف: الگوریتم های مبتنی بر شبکه عصبی پیچشی (CNN) که شاخه ای از مبحث یادگیری عمیق است، در سال های اخیر پیشرفت چشمگیری در حوزه های تحلیل فیلم و تصویر داشته اند؛ موفقیت و پذیرفته شدن الگوهای نوین این حوزه باعث به کارگیری گسترده آنها در زمینه های مختلف اعم از تحلیل متن و داده های سری زمانی شده است. یادگیری عمیق بخشی از الگوریتم های یادگیری ماشینی است که در آن از چندین لایه پردازش اطلاعات به ویژه اطلاعات غیرخطی استفاده می شود تا از ورودی خام، بهترین ویژگی های مناسب با هدف تحلیل، بازشناخت الگو یا پیش بینی استخراج شود. روش: در پژوهش حاضر توانایی معماری های مختلف الگوریتم CNN برای پیش بینی قیمت سهام بررسی شده است. نتایج: نتایج حاصل از اجرای الگوریتم به تعداد 54 دفعه با معماری ها و پارامترهای متفاوت و با استفاده از دو دسته اصلی داده های ورودی شامل اطلاعات قیمتی روزانه سهام و ده شاخص منتخب تکنیکال برای سهام شرکت ذوب آهن اصفهان نشان دهنده آن است که استفاده از CNN همراه با لایه ادغام بیشینه (ترکیب پارامترهای اندازه دسته 64، تعداد فیلتر 256 و با تابع فعال سازی ReLU)، دارای خطاهای درصد 79/1 = MAPE و درصد 71/2 =  NRMSE است که نشان دهنده عملکرد بهتر آن نسبت به سایر معماری ها و الگوریتم RNN است.
۱۱.

ارزیابی کارایی مدل های دو متغیره در تعیین حساسیت پذیری فرونشست آبخوان دشت کاشان(مقاله علمی وزارت علوم)

نویسنده:
منبع: جغرافیا و مخاطرات محیطی زمستان ۱۴۰۱ شماره ۴۴ 69 - 98

کلیدواژه‌ها: آب زیرزمینی دشت کاشان روش های دومتغیره فرونشست یادگیری ماشینی

حوزه های تخصصی:
تعداد بازدید : ۱۷۰ تعداد دانلود : ۱۰۴
فرونشست زمین یکی از مهم ترین مشکلات محیط زیستی است که بر کشاورزی و زیرساخت های شهری تأثیر می گذارد. لذا به منظور برنامه ریزی برای کاهش خطرات ناشی از فرونشست، شناسایی مناطق پرخطر و مستعد وقوع این پدیده در دشت های مختلف ایران ضروری است. هدف اصلی این تحقیق، حساسیت پذیری فرونشست زمین در آبخوان کاشان با استفاده از روش های دمپستر- شفر، وزن دهی شواهد، آنتروپی شانون و نسبت فراوانی است. برای انجام این تحقیق از 14 عامل مؤثر بر وقوع فرونشست شامل ارتفاع، شیب، جهت شیب، انحنای سطح، فاصله از آبراهه، فاصله از گسل، فاصله از جاده، لیتولوژی، کاربری اراضی، انحنای طولی و عرضی، تغییرات سطح ایستابی، فاصله از معدن و تراکم چاه در سطح آبخوان استفاده شد. آنگاه پس از تعیین 108 موقعیت فرونشست و نیز 108 موقعیت عدم فرونشست در سطح آبخوان، این نقاط به صورت تصادفی و به نسبت 30 و 70 درصد به ترتیب به عنوان داده های اعتبارسنجی و داده های آزمون طبقه بندی شدند و برای ارزیابی هرکدام از مدل ها از منحنی تشخیص عملکرد نسبی ( ROC ) استفاده شد. نتایج نشان داد که از بین روش های مورداستفاده بر اساس منحنی ROC و میزان AUC ، روش نسبت فراوانی (آموزش: 84/0 و اعتبارسنجی: 89/0) بهترین عملکرد را داشته است و به عنوان بهترین روش پیش بینی مناطق دارای حساسیت فرونشست در منطقه مطالعاتی معرفی می شود. روش های آنتروپی شانون، دمپستر- شفر و وزن دهی شواهد نیز به ترتیب در رتبه های بعدی قرار گرفتند. نتایج این تحقیق برای کاهش خسارات ناشی از وقوع فرونشست زمین و تعیین مناطق بالقوه فرونشست، قابل استفاده برای مدیران استانی خواهد بود.
۱۲.

ارزیابی تاثیر تصاویر راداری در طبقه بندی انواع کلاس های کاربری اراضی در الگوریتم های مبتنی بر یادگیری ماشینی

نویسنده:
منبع: اکولوژی سرزمین سال دوم بهار ۱۴۰۲ شماره ۲ 137 - 150

کلیدواژه‌ها: یادگیری ماشینی کاربری اراضی رادار سری زمانی

حوزه های تخصصی:
تعداد بازدید : ۱۲۶ تعداد دانلود : ۱۵۶
به طور کلی هدف اصلی تحقیق حاضر بررسی تاثیر حضور تصاویر راداری در طبقه بندی تصاویر ماهواره-ای چند زمانه اپتیکی در الگوریتم های طبقه بندی مبتنی بر یادگیری ماشینی، شامل جنگل تصادفی (Random Forest)، درخت تصمیم کارت (CartDecision Tree) و ماشین بردار پشتیبان (Support Vector Machine) می باشد. در تحقیق حاضر ابتدا اطلاعات شاخص طیفی تفاضل نرمال شده گیاهی(NDVI) به همراه لایه های شیب، مدل رقومی ارتفاعی و یک تصویر اصلی تصحیح شده ماهواره Sentinel-2 توسط سه روش اشاره شده به صورت نظارت شده مورد آموزش و طبقه بندی قرار گرفت. سپس فرآیند طبقه بندی با حضور تصاویر راداری ماهواره Sentinel-1 مجدداً انجام گردید. در نهایت طی عملیات پس پردازش با استفاده از فیلتر بیشترین فراوانی پیکسل های منفرد به کلاس های همسایه الصاق شده و نتایج نهایی با داده های زمینی مورد صحت سنجی قرار گرفت. نتایج نشان داد در بررسی تمام کلاس ها، دقت کل و ضریب کاپا در حالت حضور داده های راداری و برای هر سه روش طبقه بندی تنها 3 درصد بهبود یافته است اما در بررسی یک به یک کلاس ها مشاهده می شود دقت تولید کننده روش جنگل تصادفی در کلاس کشت مجدد بهبود قابل توجهی داشته و مقدار آن از 74/0 به 84/0 رسیده است. در روش ماشین بردار پشتیبان نیز کلاس های دیم و باغات بهبود محسوس تری داشته اند که به ترتیب از 75/0 و 78/0 به 84/0 و 92/0 افزایش یافته است. نهایتاً می توان چنین عنوان کرد که اضافه کردن تصاویر راداری به عمل طبقه بندی تنها در کلاس های مربوط به اراضی کشت مجدد، دیم و باغات تاثیر مثبت و قابل توجهی دارد و نیز برتری کاملاً محسوس روش جنگل تصادفی در مقایسه با روش های دیگر مشهود است.
۱۳.

ارایه مدلی برای نقدشوندگی روزانه سهام در بورس اوراق بهادار تهران(مقاله علمی وزارت علوم)

نویسنده:
منبع: بورس اوراق بهادار سال ۱۶ تابستان ۱۴۰۲ شماره ۶۲ 173 - 192

کلیدواژه‌ها: معیار نقدشوندگی نقدشوندگی یادگیری ماشینی

حوزه های تخصصی:
تعداد بازدید : ۱۴۶ تعداد دانلود : ۱۲۹
نقدشوندگی مفهومی است که به روشنی قابل تعریف نبوده و تاکنون بیش از 90 معیار مختلف در سراسر جهان برای نقدشوندگی بکار رفته است. پژوهش حاضر با هدف ارایه مدلی بومی برای نقدشوندگی روزانه سهام بر مبنای عوامل موثر بر نقدشوندگی، شکل گرفته است. مقادیر 7 عامل غیرسیستماتیک که قابلیت ارزیابی روزانه داشتند، براساس داده های 151 شرکت فعال در بازه زمانی 1388 لغایت 1400 استخراج و در قالب دو خوشه افراز شد. با استفاده از معادلات ساختاری با رویکرد حداقل مربعات جزیی، اعتبار متغیرهای شناسایی شده با معیار استخراجی ارزیابی و توان آنها در توضیح دهندگی تغییرات آن محاسبه شد. ارزیابی ارتباط متغیرها در مدل های یادگیری ماشینی نشان داد که قیمت پایانی، ارزش روزانه معاملات، بازده روزانه، واریانس بازده های روزانه و اندازه شرکت بیشترین تاثیر را در خوشه بندی دارند. سرانجام بهترین مدل یادگیری ماشینی، براساس آموزش و آزمون انتخاب شد. نتایج نشان می دهد متغیرهای مستقل، بیش از 83 درصد از تغییرات نقدشوندگی را توضیح می دهند. همچنین مدل رگرسیون لجستیک در مقایسه با سایر مدل های یادگیری ماشینی، توان پیش بینی بالاتری داشته و با 6/99 درصد صحت برازش، مناسب ترین مدل پیش بینی نقدشوندگی است.
۱۴.

پیش بینی عملکرد دانشجویان با استفاده از الگوریتم های یادگیری ماشین و داده کاوی آموزشی (مطالعه موردی دانشگاه شاهد)(مقاله علمی وزارت علوم)

نویسنده:
منبع: مطالعات مدیریت کسب و کار هوشمند سال ۱۲ بهار ۱۴۰۳ شماره ۴۷ 315 - 366

کلیدواژه‌ها: پیش بینی عملکرد دانشجویان داده کاوی یادگیری ماشینی مدلسازی بهبود کیفیت آموزش

حوزه های تخصصی:
تعداد بازدید : ۱۲۶ تعداد دانلود : ۱۱۱
هدف این تحقیق بررسی عوامل موثر در پیش بینی عملکرد تحصیلی دانشجویان مقطع کارشناسی در طبقه بندی چهار کلاسه می باشد. برای دستیابی به این هدف، مطالعه از روش داده کاوی کریسپ پیروی می کند. مجموعه داده ها از سیستم آموزشی ناد برای مقطع کارشناسی در دانشگاه شاهد برای ورودی سال های 1390 تا 1400 استخراج شده است. تعداد 1468 رکورد در داده کاوی استفاده شده است. ابتدا شاخص های مؤثر بر عملکرد تحصیلی دانشجویان استخراج شد. مدلسازی با استفاده از ابزار رپیدماینر9.9 انجام شد. برای بهبود عملکرد طبقه بندی و دقت پیش بینی رضایت بخش ، از ترکیبی از تجزیه و تحلیل مؤلفه اصلی همراه با الگوریتم های یادگیری ماشین و تکنیک های انتخاب ویژگی و الگوریتم های بهینه سازی استفاده می کنیم. عملکرد مدل های پیش بینی با استفاده از اعتبارسنجی متقاطع 10 برابری تأیید شده است. نتایج نشان داد که الگوریتم درخت تصمیم بهترین الگوریتم در پیش بینی عملکرد دانشجویان با دقت 84.71 درصد است. این الگوریتم به درستی فارغ التحصیلی 77.88 درصد از دانشجویان عالی و 85.26 درصد از دانشجویان خوب و 84.69 درصد از دانشجویان متوسط و 85.96 درصد از دانشجویان ضعیف را بر اساس معدل نهایی پیش بینی کرد.متغیر معدل دیپلم بیشترین تأثیر را در پیش بینی عملکرد دانشجویان دارد.
۱۵.

هوش مصنوعی و الگوی بهینه مدیریت پخش تلویزیون(مقاله علمی وزارت علوم)

نویسنده:
منبع: مطالعات راهبردی ارتباطات دوره ۳ تابستان ۱۴۰۲ شماره ۲ (پیاپی ۸) 55 - 69

کلیدواژه‌ها: مدیریت پخش تلویزیون هوش مصنوعی یادگیری ماشینی

حوزه های تخصصی:
تعداد بازدید : ۱۰۹ تعداد دانلود : ۱۰۰
تحولات در عرصه های مختلف رسانه ای، به ویژه گسترش پرشتاب هوش مصنوعی مدیریت پخش تلویزیون را در وضعیت چالش برانگیزی قرار داده است. هدف از تحقیق حاضر، ارائه الگوی مدیریت بهینه پخش تلویزیون، با اتکا به هوش مصنوعی است و به این پرسش پاسخ می دهد که الگوی نوین مدیریت پخش در پاسخ به تحولات نوین فنّاورانه چگونه باید باشد. روش تحقیق، با استفاده از روش دلفی و بهره گیری از آرای 20 تن از صاحب نظران (با انتخاب هدفمند) و طی دو مرحله انجام شد و داده های کیفی از نظر خبرگان (تا رسیدن به اشباع نظری) به دست آمده است. در گام نخست، شیوه و مؤلفه های مدیریت بهینه پخش تلویزیون، استخراج و الگوی اولیه پیشنهاد شده و سپس از نتایج استخراج شده از پرسش نامه ها، در راستای تأیید داده های کمّی نتایج و تأیید الگوی نهایی بهره برده شد. یافته های پژوهش نشان می دهد ابعاد الگوی مدیریت بهینه پخش تلویزیون، شامل: تنظیم هوشمند داده های برنامه، مدیریت منابع، کاربرد سامانه همسان یاب برنامه تولیدی و آرشیوی، برنامه ریزی هوشمند، پیش بینی، تخصیص بهینه منابع، تصمیم گیری هوشمند و ارزیابی هوشمند است؛ در همین راستا هوش مصنوعی و یادگیری ماشینی، با بهره گیری از الگوریتم های نظارت، یادگیری تقویتی و سامانه توصیه گر پالایش گروهی، داده ها را تنظیم می نماید؛ علاوه بر این سامانه هوشمند، انتخاب برنامه ها و تناسب برنامه مجاور را شناسایی و تنظیم نموده و نحوه چینش برنامه ها، شیوه قرارگیری پی درپی برنامه ها و راهبردهای توالی و تسلسل برنامه به صورت خودکار مدیریت می شود. در ارزیابی هوشمند، از تجربیات مدیران و بازخورد صریح و ضمنی مخاطب نیز به منظور اصلاح هوشمند جدول پخش مورداستفاده قرار می گیرد.
۱۶.

جرایم هوش مصنوعی یک تحلیل بین رشته ای؛ تهدیدات و راه حل های قابل پیش بینی

نویسنده: مترجم:
منبع: تمدن حقوقی سال ۶ زمستان ۱۴۰۲ شماره ۱۸ ویژه نامه هوش مصنوعی 133 - 154

کلیدواژه‌ها: هوش مصنوعی و قانون هوش مصنوعی استفاده دوگانه اخلاق یادگیری ماشینی

حوزه های تخصصی:
تعداد بازدید : ۶۷ تعداد دانلود : ۶۱
تحقیقات و مقررات هوش مصنوعی به دنبال متعادل کردن مزایای نوآوری در برابر هرگونه آسیب و اختلال بالقوه است. با این حال، یکی از پیامدهای ناخواسته افزایش اخیر در تحقیقات هوش مصنوعی، جهت گیری مجدد بالقوه فناوری های هوش مصنوعی برای تسهیل اعمال مجرمانه است که در این مقاله جرایم هوش مصنوعی نامیده می شود. جرایم هوش مصنوعی از لحاظ نظری به لطف آزمایش های منتشر شده در خودکارسازی تقلب با هدف کاربران رسانه های اجتماعی و همچنین نمایش هایی از دستکاری بازارهای شبیه سازی شده مبتنی بر هوش مصنوعی امکان پذیر است. از این رو، ازآنجاکه جرایم هوش مصنوعی هنوز یک حوزه نسبتاً جوان و ذاتاً بین رشته ای است که مطالعات حقوقی و اجتماعی را تا علم رسمی دربرمی گیرد اطمینان کمی وجود دارد که آینده جرایم هوش مصنوعی ممکن است چگونه باشد. این پژوهش اولین تحلیل ادبیات سیستماتیک و بین رشته ای تهدیدات قابل پیش بینی جرایم هوش مصنوعی را ارائه می کند و به اخلاق شناسان، سیاستگذاران و سازمان های مجری قانون ترکیبی از مشکلات فعلی و فضای راه حل ممکن را ارائه می دهد.
۱۷.

بررسی اثر اختلالات روانی بر بروز بیماری های جسمی در همبودی های دوگانه با استفاده از یادگیری ماشینی(مقاله علمی وزارت علوم)

نویسنده:
منبع: روان شناسی سلامت سال ۱۲ زمستان ۱۴۰۲ شماره ۴ (پیاپی ۴۸) 73 - 82

کلیدواژه‌ها: اختلالات روانی بیماری های جسمی همبودی دوگانه یادگیری ماشینی

حوزه های تخصصی:
تعداد بازدید : ۳۳ تعداد دانلود : ۳۶
مقدمه: مقدمه: تحقیقات نشان داده اند که اختلالات روانی می توانند باعث بروز بیماری های جسمی شوند. از سوی دیگر، بسیاری از بیماری های جسمی نیز با یکدیگر همبودی دارند. این مطالعه با هدف بررسی اثر ارتباطات اختلالات روانی در بروز بیماری های جسمی در همبودی های دوگانه انجام شد. روش: مطالعه حاضر از نوع زمینه یابی- همبستگی بود. جامعه آماری شامل زنان و مردان بزرگسال 18 تا 80 سال، ساکن شهر تهران بودند که در شش ماهه اول سال 1399 به علت بیماری به مراکز درمانی مراجعه کرده بودند. نمونه گیری خوشه ای در دسترس بود. کل شرکت کنندگان در طرح 304 نفر بودند که تعداد گروه همبودی دوگانه (2 مورد ابتلا) 110 نفر بود. ابزارهای اندازه گیری شامل چک لیست استاندارد بیماری های جسمی و فهرست علائم بالینی scl -90 می باشد. جهت تجزیه و تحلیل اطلاعات از شیوه یادگیری ماشینی استفاده شد. یافته ها: نتایج نشان داد که بیش از همه بروز فشارخون و سردرد تحت تاثیر پرخاشگری، مشکلات قلبی و آرتروز تحت تاثیر افسردگی، دیابت تحت تاثیر اضطراب، مشکلات تنفسی و گوارشی تحت تاثیر ترس مرضی، چاقی و آلرژی تحت تاثیر وسواس، و بیماری های پوستی تحت تاثیر مشکلات تعاملی قرار دارند. نتیجه گیری: با توجه به نتایج مشخص می گردد که بروز بیماری های جسمی در همبودی های دوگانه تحت تاثیر اختلالات روانی قرار دارند. درک این موجب ارتقای بینش ما شده و کاربردهای عملی در آسیب شناسی و طراحی مداخلات خواهد داشت.
۱۸.

پهنه بندی حساسیت و اولویت بندی عوامل موثر بر وقوع زمین لغزش با استفاده از مدل حداکثر آنتروپی (مطالعه ی موردی: استان لرستان)(مقاله علمی وزارت علوم)

نویسنده:
منبع: هیدروژئومورفولوژی سال ۶ زمستان ۱۳۹۸ شماره ۲۱ 155 - 179

کلیدواژه‌ها: استان لرستان حداکثر آنتروپی یادگیری ماشینی زمین لغزش

حوزه های تخصصی:
تعداد بازدید : ۱۷ تعداد دانلود : ۱۳
زمین لغزش یکی از مهم ترین خطرات طبیعی با خسارات اقتصادی و اکولوژیکی قابل توجه است. استان لرستان به دلیل شرایط کوهستانی و پرباران از جمله مناطق مستعد وقوع زمی ن لغزش می باشد. هدف اصلی این تحقیق اولویت بندی عوامل مؤثر بر وقوع زمین لغزش و پهنه بندی حساسیت آن در استان لرستان با استفاده از روش حداکثر آنتروپی و مدل MaxEnt است. جهت انجام این تحقیق از 11 عامل مؤثر بر وقوع زمین لغزش شامل ارتفاع، شیب، جهت شیب، انحنای سطح، فاصله از آبراهه، فاصله از گسل، فاصله از جاده، لیتولوژی، کاربری اراضی، بارندگی و شاخص رطوبت توپوگرافیک استفاده شده است. در این تحقیق تقسیم بندی 30، 40، 50، 60 و 70 درصد زمین لغزش ها برای اعتبارسنجی جهت تعیین حساسیت و دقت مدل مورد بررسی قرار گرفت و برای ارزیابی مدل از منحنی تشخیص عملکرد نسبی (ROC) استفاده شد. از مجموع 176 زمین لغزش، با استفاده از روش فاصله ماهالانوبیس 70درصد به عنوان داده های آزمون و 30 درصد به عنوان داده های اعتبارسنجی بهترین تقسیم بندی شد و دقت مدل در مراحل آزمون و اعتبارسنجی بر اساس سطح زیر منحنی در سایر تقسیم بندی ها کاهش پیدا کرد. نتایج نشان داد که 5/35درصد استان لرستان دارای حساسیت وقوع زمین لغزش است. همچنین بر اساس نمودار Jackknife لایه های بارندگی، فاصله از جاده، لیتولوژی و کاربری اراضی به ترتیب مهم ترین عوامل تأثیرگذار بر حساسیت وقوع زمین لغزش بودند. سطح زیر منحنی (AUC) بر اساس منحنی تشخیص عملکرد نسبی، نشان دهنده ی دقت 90درصد (عالی) روش حداکثر آنتروپی در مرحله ی آموزش و 83درصد (خیلی خوب) در مرحله ی اعتبارسنجی برای تعیین مناطق دارای حساسیت وقوع زمین لغزش بود. نتایج این تحقیق جهت آمایش سرزمین و کاهش خسارات ناشی از وقوع زمین لغزش، قابل استفاده برای مدیران و مسئولان استانی خواهد بود.