روش های یادگیری ماشین

شناسایی نویسنده یکی از مسایل مهم در دسته بندی متن و پردازش زبا نهای طبیعی به شمار می رود. این نوشتار دستآورد پژوهشی با هدف تعیین هوشمند نوشته های 50 نویسنده سایبری(50 نفر از مشتریان بالقوه ی وب سایت آمازون با توجه به پیام ها و مراجعاتی که به این وب سایت داشته اند انتخاب شده اند) به کمک روش های یادگیری ماشین است. برای سنجش کارایی روش پیشنهادی، دقت تصمیم گیری آزموده و نتایج آنها با بازدهی روش های یادگیری ماشین مقایسه شده است. همچنین در هنگام استخراج ویژگیهای گوناگون نوشته های نویسندگان برای ارزیابی توسط ماشین، کوشش شده تا حداکثر ویژگی های مورد نیاز برای تشخیص نویسنده شبیه سازی گردد و بدین منظور، نزدیک به10000 ویژگی گوناگون از نوشته های مختلف استخراج شده و در چهار دسته ی ویژگی های لغوی ، ویژگی های نحوی ، ویژگی های خاص و ویژگی های ساختاری قرار گرفته اند. در این پژوهش به طور میانگین دقت تعیین نویسنده به کمک روش پیشنهادی تا 98/78 درستی نیز رسیده است.

دقت در تخمین تلاش لازم برای تولید نرم افزار، موجب شده است که تخمین تلاش هنوز به عنوان موضوع چالش انگیزی مطرح باشد. علاوه بر تخمین تلاش کلی، تعیین تلاش صرف شده در هر مرحله از تولید نیز به دلیل برنامه ریزی منابع اهمیت دارد؛ زیرا تخصیص نادرست منابع می تواند به شکست پروژه منجر شود. در این مقاله، یک شبکه بیزی برای تخمین تلاش برپایه مؤلفه های مؤثر و فرایند تولید ارائه شده است. در این مدل بین مراحل تولید، حلقه های تکرار در نظر گرفته شده که میزان تکرار آنها برای پروژه های مختلف، متفاوت خواهد بود و موجب می شود که درصد تلاش صرف شده در هر مرحله تولید برای هر پروژه به صورت منحصربه فرد تعیین شود. معیار خطای حاصل از تخمین تلاش، بهینه سازی شده و ضریب های بهینه برای اصلاح مدل به دست می آیند. نتایج مقایسه مدل پیشنهادی با مدل های دیگر تخمین نشان می دهد مدل پیشنهاد شده، علاوه بر توانایی در تخمین دقیق تلاش کلی (با خطا 114/0)، قابلیت بالایی نیز برای تعیین تلاش هر مرحله تولید دارد.

مقدمه: پیش بینی بازده سهام اگرچه پیچیده است ولی همواره مورد علاقه سرمایه گذاران می باشد. سرمایه گذاران و تصمیم گیران جهت پیش بینی بازده سهام نیازمند اطلاعات هستند. هدف: این پژوهش با هدف پیش بینی بازده سهام در شرکت های پذیرفته شده بورس اوراق بهادار تهران  با تاکید بر نقش معیارهای مالی و نظارتی با استفاده از روش های یادگیری ماشین انجام شد . روش: این پژوهش از لحاظ هدف کاربردی و به لحاظ نوع مطالعه میدانی- کتابخانه ای است. جامعه آماری را شرکت های پذیرفته شده بورس اوراق بهادار تهران  طی سال های 1390 تا 1396 (یک دوره هفت ساله) تشکیل دادند و آزمون فرضیه ها با استفاده از روش های یادگیری ماشین (رویکرد خطی و غیرخطی و قانون گرا) انجام گرفت. یافته ها: نتایج آزمون متغیرگزینی با استفاده از روش Relief-F حاکی از ارتباط معنادار متغیرهای بازده دارایی، نسبت قیمت به سود هر سهم،کیوتوبین، نسبت وجه نقد عملیاتی، اهرم مالی و نسبت مالکان نهادی با بازده سهام است. همچنین نتایج نشان داد که روش های یادگیری ماشین PINSVR در حالت خطی و غیرخطی و CART توانایی مناسبی (بیش از 90 درصد) جهت پیش بینی بازده سهام دارند اما روش غیرخطی  PINSVR و قانون گرای CART نسبت به روش خطی قدرت پیش بینی بالاتری را نشان داد. نتیجه گیری: با توجه به نتایج به دست آمده، به صاحبان سرمایه و تصمیم گیران شرکت ها توصیه می شود که در تصمیم گیری های خود پیرامون سرمایه گذاری در بورس اوراق بهادار تهران از قدرت پیش بینی الگوریتم های هوش مصنوعی به ویژه روش های غیرخطی استفاده کنند.