مهم‌ترین مزیت رقابتی سازمان‌ها در دنیای تغییرات سریع امروزی داشتن عامل انسانی شایسته است. لذا موفقیت سازمان‌ها وابسته به توسعه منابع انسانی است و توسعه منابع انسانی در هر سازمان و حتی در هر کشوری بدون درک و کشف قابلیت‌ها و شایستگی‌های سرمایه عظیم و بالقوه میسر نمی شود. مسأله شایستگی متخصصان فناوری اطلاعات، نقش مهمی در عملکرد آن‌ها و همچنین موفقیت و کارآمدی آن‌ها ایفا می‌کند. بر همین اساس، هدف این پژوهش طراحی مدل سنجش میزان شایستگی متخصصآن فناوری اطلاعات با رویکرد سیستم خبره فازی است. این پژوهش، آمیخته اکتشافی محسوب می‌شود که در نخستین مرحله آن، مطالعه‌ای کیفی (بررسی ادبیات و مصاحبه با خبرگان) و مدل پژوهش جهت بررسی کمّی در مرحله بعد قرار می‌گیرد. برای بررسی سؤالات پژوهش از 15 تن از متخصصان فناوری اطلاعات به عنوان جامعه آماری تحقیق استفاده گردید. پژوهش حاضر از نوع توصیفی-پیمایشی و ابزار گردآوری داده ها پرسشنامه است؛ برای تجزیه و تحلیل داده‌های پژوهش از نرم‌افزارهای Excel و SPSS و Matlab استفاده شده است. جهت پاسخ به سؤال پژوهش، پس از انجام مصاحبه با خبرگان و در نهایت پس از تجزیه و تحلیل مصاحبه‌ها، چهار شاخص اصلی مورد تأیید خبرگان قرار گرفت. همچنین، اولویت و سهم هرکدام از شاخص‌ها در میزان شایستگی متخصصان، با استفاده از فرآیند تحلیل سلسله مراتبی فازی به دست آمده است. پس از به دست آوردن این اطلاعات و بهره گرفتن از نظر خبرگان، پایگاه قوانین اگر-آنگاه تکمیل شد و برای تعیین میزان دقیق شایستگی متخصصان فناوری اطلاعات، از روش استنتاج فازی ممدانی استفاده گردید. پس از اجرای سیستم با نرم‌افزار متلب، سطح شایستگی متخصصان فناوری اطلاعات زیاد و به مقدار دقیق 712/0 برآورد شده است. اعتبارسنجی مدل، از انطباق بالای نتایج به دست آمده با نظر خبرگان این حوزه حکایت دارد. پرونده مقاله

امروزه انواع مدل‌های هوش مصنوعی جایگاه خود را در محاسبات و پیش‌بینی‌های بازارهای مالی تثبیت کرده‌اند؛ در این میان معماری‌های مبتنی بر یادگیری عمیق که خود براساس الگوریتم‌های یادگیری ماشینی می‌باشند، از طریق رفع ضعف‌های‌ مدل‌های سنتی شبکه عصبی در خصوص پیش-بینی ساختارهای دینامیک، مورد توجه قرار گرفته‌اند. مهمترین مزیت الگوریتم‌های یادگیری عمیق نسبت به مدل‌های سنتی شبکه‌ عصبی، استخراج خودکار ویژگی‌های مناسب از ورودی‌های خام می-باشد که از آن برای روند یادگیری مدل استفاده می‌کند؛ به عبارتی الگوریتم‌های این روش از چندین لایه‌ی پردازش اطلاعات و به ویژه اطلاعات غیرخطی بهره می‌برند تا بهترین ویژگی‌های مناسب را از ورودی خام استخراج نمایند. در پژوهش حاضر توانایی معماری‌های الگوریتم حافظه کوتاه‌مدت ماندگار (LSTM) جهت پیش-بینی قیمت سهام مورد بررسی قرار گرفته است؛ علاوه بر این، ضمن طبقه‌بندی عوامل موثر بر قیمت سهام، مولفه‌‌های نشان‌دهنده معاملات سهامداران حقیقی و حقوقی به عنوان عاملی اثرگذار بر قیمت سهام معرفی و بررسی شده است. برای اجرای مدل از سه گروه داده‌های قیمتی، شاخص‌های تکنیکال و معاملات سهامداران حقیقی و حقوقی استفاده شده است. نتایج تحقیق نشان از عملکرد بهتر معماری LSTM همراه با لایه Drop Out نسبت به مدل ساده آن و همچنین مدل RNN دارد. پرونده مقاله