طراحی یک مدل شبکه عصبی برای پیش بینی امکان استخدام مدیران بر اساس داده های تاریخی و یادگیری ماشین : مطالعه موردی مدیران حج تمتع سازمان حج و زیارت کشور
Subject Areas : تحقیق در عملیاتمهران فرشید 1 , امیررضا نقش 2 , بیتا یزدانی 3
1 - گروه مدیریت، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران
2 - گروه مدیریت، واحد اصفهان (خوراسگان)، دانشگاه آزاد اسلامی، اصفهان، ایران
3 - گروه مدیریت، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران
Keywords: Artificial Neural Network, Hajj and pilgrimage organization, managers of Hajj Tamattu, Machine learning,
Abstract :
این مقاله بر اساس مفاهیم فرهنگ داده به پیش‌بینی و انتخاب هوشمندانه مدیران حج تمتع در سازمان حج و زیارت جمهوری اسلامی ایران برای ارایه خدمات به زائرین حج تمتع پرداخته است. انتخاب مدیران هر سازمان یکی از حلقه های تاثیرگذار در عملکرد آن سازمان است. در سازمان حج و زیارت این موضوع از اهمیت ویژه ای برخوردار است و نقش بسزایی در رضایت زائران و کیفیت سفرهای زیارتی دارد. از آن جا که این انتخاب هر ساله در سازمان حج و زیارت انجام می شود، با توجه به معیار های چندگانه موثر بر انتخاب مدیران و دسته بندی های صورت گرفته در میانگین امتیازات آنان از سوی سازمان حج و زیارت، بررسی داده های تاریخی و استفاده از آن ها می تواند نگرشی مناسب برای انتخاب و دسته بندی مدیران جدید باشد. از طرفی امتیازات مدیران پیشین نیز هر ساله تغییر می کند و دسته بندی آنان نیز ممکن است مجدد تغییر کند. در این مقاله بر اساس چند مدل یادگیری ماشین به حل مساله انتخاب مدیران حج تمتع در سازمان حج و زیارت کشور پرداخته شده است. همچنین اعتبار سنجی این مدل ها بر اساس ماتریس آشفتگی تعیین شده است. از آنجایی که انتخاب مدیران حج وابسته به شاخص‌های متفاوت می‌باشد لذا تصمیم‌گیری در خصوص چگونگی ادغام این شاخص ها و رسیدن به یک سیاست مطلوب برای انتخاب هوشمندانه مدیران حج تمتع، هدف اصلی این مقاله بوده است.
1. شاه علی زاده کلخوران، محمد، ضیایی، محمدوحید، و الوانی، سیدمهدی. (1387). مدل انتخاب مدیران با متدولوژی AHP-DEMATEL. پژوهشگر (مدیریت) (Journal of Industrial Strategic Management)، 5(12)، 21-32
2. فرشید, مهران, حسین زاده لطفی, فرهاد, نقش, امیررضا, & یزدانی, بیتا. (1401). تحلیل عوامل مؤثر بر انتخاب مدیران حج تمتع با استفاده از روش دیمتل. پژوهشنامه حج و زیارت, 7(4), 103-134.
3. Alom, M. Z., Taha, T. M., Yakopcic, C., Westberg, S., Sidike, P., Nasrin, M. S., ... & Asari, V. K. (2018). The history began from alexnet: A comprehensive survey on deep learning approaches. arXiv preprint arXiv:1803.01164.
4. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT press.
5. Huang, D. S. (1999). Radial basis probabilistic neural networks: Model and application. International Journal of Pattern Recognition and Artificial Intelligence, 13(07), 1083-1101.
6. Li, J., Ren, A., Li, Z., Ding, C., Yuan, B., Qiu, Q., & Wang, Y. (2017, January). Towards acceleration of deep convolutional neural networks using stochastic computing. In 2017 22nd Asia and South Pacific Design Automation Conference (ASP-DAC) (pp. 115-120). IEEE.
7. Mao, Q., Chen, J., Lv, J., Guo, M., & Xie, P. (2023). Selection of plastic solid waste treatment technology based on cumulative prospect theory and fuzzy DEMATEL. Environmental Science and Pollution Research, 30(14), 41505-41536.
Mitchell, T. M. (2007). Machine learning (Vol. 1). New York: McGraw-hill.
8. Ozcalici, M., & Bumin, M. (2022). Optimizing filter rule parameters with genetic algorithm and stock selection with artificial neural networks for an improved trading: The case of Borsa Istanbul. Expert Systems with Applications, 208, 118120.
9. Sze, V., Chen, Y. H., Yang, T. J., & Emer, J. S. (2017). Efficient processing of deep neural networks: A tutorial and survey. Proceedings of the IEEE, 105(12), 2295-2329.
10. Yan, H., Yang, Y., Lei, X., Ye, Q., Huang, W., & Gao, C. (2023). Regret Theory and Fuzzy-DEMATEL-Based Model for Construction Program Manager Selection in China. Buildings, 13(4), 838.
11. Zhang, C., Li, P., Sun, G., Guan, Y., Xiao, B., & Cong, J. (2015, February). Optimizing FPGA-based accelerator design for deep convolutional neural networks. In Proceedings of the 2015 ACM/SIGDA international symposium on field-programmable gate arrays (pp. 161-170).
