یادگیری ماشین

دسترسی آزاد مقاله

1 - پیش بینی قیمت سهام با استفاده از روش داده کاوی
مجتبی حاجی غلامی

این مقاله به بررسی روش‌های داده کاوی برای پیش‌بینی بازار های مالی و تحلیل توسعه پایدار موضوعات مالی و پیش‌بینی روند با استفاده از داده کاوی می‌پردازد. این مقاله همچنین به بررسی تأثیر استفاده از روش‌های داده کاوی در بازار سهام و کارایی آن در این زمینه می‌پردازد. در این ت چکیده کامل

این مقاله به بررسی روش‌های داده کاوی برای پیش‌بینی بازار های مالی و تحلیل توسعه پایدار موضوعات مالی و پیش‌بینی روند با استفاده از داده کاوی می‌پردازد. این مقاله همچنین به بررسی تأثیر استفاده از روش‌های داده کاوی در بازار سهام و کارایی آن در این زمینه می‌پردازد. در این تحقیق یک رویکرد یادگیری ماشینی معرفی میشود که اطلاعات را با استفاده از داده های موجودی عمومی میسازد و از آن اطلاعات برای پیشبینی دقیق استفاده میکند. همچنین به بررسی گونه‌های متنوعی از روش‌های داده کاوی می‌پردازد که در حوزه تجزیه و تحلیل بازارهای مالی کاربرد دارند و به طور ویژه تمرکز خود را بر پیش‌بینی روندهای بازار سهام معطوف می‌دارد. مطالعه ما نشان می‌دهد که از آنجایی که بازارهای مالی پویا و متغیر هستند و همواره تحت تأثیر عوامل اقتصادی، سیاسی و اجتماعی قرار دارند، استفاده از روش‌های یادگیری ماشینی و داده کاوی می‌تواند در پیش‌بینی دقیق‌تر حرکات قیمتی سهام مؤثر واقع شود. با توجه به داده‌های گسترده و پیچیده موجود در بازارهای مالی، روش‌های داده کاوی می‌توانند پتانسیل فراوانی در کشف الگوهای پنهان و تعیین ارتباط میان متغیرهای مختلف داشته باشند. در این راستا، الگوریتم‌های مختلف یادگیری ماشینی مانند شبکه‌های عصبی مصنوعی، ماشین‌های بردار پشتیبان و جنگل‌های تصادفی به عنوان مثال مورد استفاده قرار گرفته و در کنار آنالیزهای آماری، به بهبود قابلیت‌های تحلیل‌گران و سرمایه‌گذاران در تصمیم‌گیری‌های اقتصادی کمک می‌کنند. استفاده از داده‌های بزرگ و تحلیل‌های پیچیده همچنین به توسعه استراتژی‌های معاملاتی هوشمندانه که می‌توانند به بهینه‌سازی بازگشت سرمایه کمک کنند، کمک نموده است. برای نمونه، تحلیلگران می‌توانند با ادغام داده‌های احساسی حاصل از شبکه‌های اجتماعی در مدل‌های پیش‌بینی خود، دقت تخمین‌های خود را ارتقا بدهند. این مطالعه تأکید دارد که توسعه پایدار در بازارهای مالی نیازمند تحلیلی دقیق‌تری از داده‌ها است که در نهایت منجر به تصمیم‌گیری‌های مبتنی بر داده و فرآیندهای معاملاتی قوی تر می‌شود. پرونده مقاله

دسترسی آزاد مقاله

2 - ارائه یک مدل جدید برای سناریو سازی تقاضای دستگاه‌های خودپرداز (مورد مطالعه : دستگاه‌های خودپرداز شهر تهران)
علیرضا آقا قلیزاده سیار محمد رضا معتدل علیرضا پور ابراهیمی

در دنیای رقابتی امروز توانایی شناخت و پیش بینی تقاضای مشتریان یک مقوله مهم جهت موفقیت سازمانها به شمار می‌رود.و از انجا که دستگاههای خود پرداز یکی از مهم ترین کانالهای توزیع وجه نقد و یکی از اساسی ترین معیارهای ارزیابی سطح خدمات برای بانکها بشمار میروند در این مقاله ویژ چکیده کامل

در دنیای رقابتی امروز توانایی شناخت و پیش بینی تقاضای مشتریان یک مقوله مهم جهت موفقیت سازمانها به شمار می‌رود.و از انجا که دستگاههای خود پرداز یکی از مهم ترین کانالهای توزیع وجه نقد و یکی از اساسی ترین معیارهای ارزیابی سطح خدمات برای بانکها بشمار میروند در این مقاله ویژگیهای مربوط به دستگاه های خودپرداز با توجه به زمان های مراجعه و مکان قرار گیری دستگاه‌ها بررسی می گردد . این مقاله به دنبال یافتن مدلی پویا و کاربردی جهت سناریو سازی تقاضای دستگاههای خود پرداز می باشد . از این رو مورد کاوی بر روی ۳۷۸ دستگاه خودپرداز در سراسر شهر تهران در بازه زمانی یک ماه که شامل ۶۹۴۱۸ رکورد می باشد انجام گرفت . این مدل در نهایت با خوشه بندی داده های آماری در بعد زمانی و مکانی موفق به یادگیری الگوی موجود در داده های کلان شده و بر همین مبنای درخت تصمیم ارائه شده قادر به پیش بینی تعداد مراجعه کننده به هر دستگاه می باشد که پس از ارایه سناریو های ایجاد شده در جهت ارتقای کیفیت خدمات دهی بانکی و ارتقای عملکرد شبکه خودپردازها ترکیب بهینه مکانی دستگاههای خودپرداز در بعد مکانی و زمانی ارایه میگردد. پرونده مقاله

دسترسی آزاد مقاله

3 - پیش‏ بینی قیمت بیت‏ کوین با استفاده از الگوریتم‏ های یادگیری ماشین
میثم بشیری سیدحسین پاریاب

10.30495/jae.2020.18114

بیت‌کوین معروف‌ترین رمز ارز است که از فناوری زنجیره بلوکی استفاده می&lrm;کند. در این پژوهش، مجموعه داده های مربوط به ده رمز‌ارز مورد استفاده قرار گرفته و یک مجموعه داده جدید، با در نظر گرفتن قیمت نهایی هر رمز ارز و برای دست‌یابی به هدف تحقیق و تعیین این‌که چگونه جهت و ص چکیده کامل

بیت‌کوین معروف‌ترین رمز ارز است که از فناوری زنجیره بلوکی استفاده می&lrm;کند. در این پژوهش، مجموعه داده های مربوط به ده رمز‌ارز مورد استفاده قرار گرفته و یک مجموعه داده جدید، با در نظر گرفتن قیمت نهایی هر رمز ارز و برای دست‌یابی به هدف تحقیق و تعیین این‌که چگونه جهت و صحتقیمت بیت کوین را می توان با استفاده از تکنیک‌های داده کاوی پیش‌بینی کرد، تشکیل شده است. مهندسی ویژگی مشخص کرد که هر ده رمز ارز به شدت با یکدیگر ارتباط دارند. این کار با اجرای روش یادگیری نظارت شده انجام شده است که در آن از جنگل تصادفی، طبقه‌بندیبردار پشتیبان، گرادیان تقویتی، و شبکه عصبی در گروه طبقه‌بندی و از رگرسیون خطی، شبکه عصبی بازگشتی و رگرسیون گرادیان تقویتی استفاده شده است. در این پژوهش الگوریتم های ماشین بردار پشتیبان، جنگل تصادفی، گرادیان تقویتی و شبکه عصبی مقدار صحت 52.1675 درصد را ثبت کردند. پرونده مقاله

دسترسی آزاد مقاله

4 - پیش‌بینی جریان وجه نقد عملیاتی شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران با استفاده از روش یادگیری ماشین
حامد رجب زاده جمادوردی گرگانلی دوجی آرش نادریان مجید اشرفی

10.30495/jma.2022.20205

وجوه نقد، دارایی‌های مالی سیال شرکت‌ها می‌باشد. این ویژگی موجودی نقد، اهمیت فوق‌العاده‌ای را به آن بخشیده، توانایی اخذ تصمیمات مالی بهینه و به‌موقع، به مقدار زیادی تحت تأثیر این ویژگی قرار دارد. شرکت‌هایی که دارای جریان وجوه نقد داخلی خوبی هستند کمتر به تأمین مالی خارجی چکیده کامل

وجوه نقد، دارایی‌های مالی سیال شرکت‌ها می‌باشد. این ویژگی موجودی نقد، اهمیت فوق‌العاده‌ای را به آن بخشیده، توانایی اخذ تصمیمات مالی بهینه و به‌موقع، به مقدار زیادی تحت تأثیر این ویژگی قرار دارد. شرکت‌هایی که دارای جریان وجوه نقد داخلی خوبی هستند کمتر به تأمین مالی خارجی متکی می‌باشند و وام‌دهندگان نیز به این شرکت‌ها به دلیل نقدینگی خوبی که دارند به‌راحتی اعتبار می‌دهند. پژوهش حاضر ازلحاظ هدف، از نوع تحقیقات کاربردی است. همچنین در این پژوهش، از روش داده‌های ترکیبی استفاده‌شده است. روش گردآوری داده‌ها، روش اسناد کاوی و مراجعه به بانک‌های اطلاعاتی؛ و روش تحلیل داده‌ها از نوع استنباطی است. در پژوهش حاضر داده‌های موردنیاز از نرم‌افزار ره‌آورد نوین، صورت‌های مالی شرکت‌ها و سندکاوی و همچنین سایت کدال استخراج‌شده است. جامعه آماری پژوهش حاضر کلیه شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران در بازه زمانی 1390 تا 1397 است و ازاطلاعات مالی138 شرکت مورد بررسی بهره گرفته‌شده است. هدف این پژوهش پیش‌بینی وجه نقد عملیاتی با رویکرد هوش مصنوعیPLSVM و CART در شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران می‌باشد. در این پژوهش نسبت وجه نقد عملیاتی شرکت به‌عنوان متغیر وابسته(نقدینگی) و معیارهای مالی به‌عنوان متغیر مستقل اولیه در نظر گرفته شد. نتایج آزمون فرضیه‌های پژوهش نشان می‌دهد که رویکرد هوش مصنوعی قانون‌گرا وغیرخطی پارامتریک توانایی بالایی در پیش‌بینی نقدینگی شرکت‌های بورس اوراق بهادار تهران دارد. پرونده مقاله

دسترسی آزاد مقاله

5 - کشف تقلب صورت‌های مالی با توجه به گزارش حسابرسی صورت‌های مالی
مهدی رضائی مهدی ناظمی اردکانی علیرضا ناصر صدرآبادی

هدف اصلی این مقاله کشف تقلب صورت‌های مالی با توجه به گزارش حسابرسی صورت‌های مالی است. داده های اولیه مورد بررسی در این پژوهش، مربوط به نمونه آماری با حجم 164 شرکت پذیرفته شده در بورس اوراق بهادار تهران طی مقطع زمانی 1396-1393 می‌باشد، که به روش نمونه گیری حذف سیستماتیک چکیده کامل

هدف اصلی این مقاله کشف تقلب صورت‌های مالی با توجه به گزارش حسابرسی صورت‌های مالی است. داده های اولیه مورد بررسی در این پژوهش، مربوط به نمونه آماری با حجم 164 شرکت پذیرفته شده در بورس اوراق بهادار تهران طی مقطع زمانی 1396-1393 می‌باشد، که به روش نمونه گیری حذف سیستماتیک گزینش شده اند. نمونه آماری پژوهش با توجه به نوع گزارش حسابرسی به دو گروه مجزا شامل شرکت های متقلب(1) و شرکت های غیرمتقلب(0) دسته بندی شده اند. متغیرهای مستقل تاثیر گذار بر تقلب در این پژوهش در برگیرنده 41 متغیر مالی و غیر مالی می باشد که بر اساس مبانی نظری و پیشینه پژوهش انتخاب شده اند. در نهایت داده های مربوط به متغیرها که به روش کتابخانه ای جمع آوری گردیده است، به پنچ تکنیک برتر از بین تکنیک های یادگیری ماشین داده شده است، که این تکنیک ها شامل؛ شبکه های بیزین، درخت تصمیم، شبکه های عصبی ، ماشین بردار پشتیبان و روش ترکیبی می باشد. پس از بکارگیری این تکنیک ها در کشف تقلب صورت‌های مالی ، نتایج نشان داد تمامی تکنیک ها قابلیت کشف تقلب صورت‌های مالی را در سطح نسبتا بالایی دارند و تکنیک پیشنهادی ترکیبی با میزان نرخ پیش بینی 96.2% دارای دقت و توان ارزیابی بالاتری نسبت به سایر تکنیک ها است. پرونده مقاله

دسترسی آزاد مقاله

6 - ارزیابی مکانی حساسیت سیل‌گیری با استفاده از روش‌های تقویت تطبیقی و بسته‌بندی در یادگیری ماشین
حسین آقا محمدی محمدحسن وحیدنیا زهرا عزیزی

سیل هر ساله میلیاردها دلار خسارت به کشورها وارد می کند که معیشت افراد را تهدید می کند. در نتیجه، تهدیدات اجتماعی-اقتصادی قابل توجهی برای جمعیت در سراسر جهان ایجاد می کند. بنابراین باید کنترل و مهار شود. در این راستا الگوریتم‌های یادگیری ماشین به همراه سیستم‌های اطلاعات چکیده کامل

سیل هر ساله میلیاردها دلار خسارت به کشورها وارد می کند که معیشت افراد را تهدید می کند. در نتیجه، تهدیدات اجتماعی-اقتصادی قابل توجهی برای جمعیت در سراسر جهان ایجاد می کند. بنابراین باید کنترل و مهار شود. در این راستا الگوریتم‌های یادگیری ماشین به همراه سیستم‌های اطلاعات جغرافیایی، ابزارهای اولیه‌ای هستند که در مدل‌سازی و تحلیل کنترل سیلاب مؤثر هستند. هدف از این تحقیق شناسایی بخشی از مناطق حساس به سیل در حوضه آبریز هراز در استان مازندران با استفاده از روش‌های مجموعه‌ای در الگوریتم‌های یادگیری ماشینی است. روند پژوهش به شرح زیر می‌باشد: ابتدا داده های نقاط سیلاب تهیه شد. سپس، 70 درصد از حدود 200 موقعیت نمونه برای مدل‌سازی و 30 درصد باقیمانده برای اعتبارسنجی نقشه های تولید شده استفاده شدند. سپس عوامل موثر شامل زاویه شیب، جهت شیب، توپوگرافی، نوع خاک، پوشش زمین، فاصله از رودخانه، بارندگی سالانه، شاخص پوشش گیاهی تفاوت نرمال شده، شاخص انتقال رسوب، شاخص رطوبت توپوگرافی و شاخص تراکم آبراهه برای وزن دادن تاثیر هر عامل با استفاده از الگوریتم های یادگیری ماشین جمعی استفاده شده است. بر اساس نتایج این مطالعه، منحنی مشخصه عملکرد سیستم (ROC) ترسیم شد و مساحت زیر منحنی (AUC) برای اعتبار سنجی نقشه منطقه مستعد سیل محاسبه شد. یافته‌ها نشان داد که مدل تقویت تطبیقی دقیق‌تر از مدل بگینگ در تهیه نقشه حساسیت سیلابی است. تهیه نقشه حساسیت سیل نقشی محوری در توانمندسازی برنامه‌ریزان و مدیران شهری برای کاهش و حفاظت پیشگیرانه در برابر پیامدهای نامطلوب سیل بازی می‌کند. مقامات مدیریت سیل در وزارت نیرو می توانند از مدل مجموعه پیشنهادی برای کمک به مدیریت بلایا و کاهش خطرات در مطالعات آتی استفاده کنند. پرونده مقاله

دسترسی آزاد مقاله

7 - ارزیابی پایداری برآوردهای مدل بیشینه آنتروپی برای مدل‌سازی فرسایش شیاری
مریم پورنادر سادات فیض نیا حسن احمدی حاجی کریمی حمیدرضا پیروان

لازمه مدیریت فرسایش خاک، ارائه راهکارهای مناسبی می‌باشد که با شناخت از وضعیت فرسایش خاک حاصل می‌شود. هدف از مطالعه حاضر، مدل‌سازی پتانسیل فرسایش شیاری با استفاده از مدل بیشینه آنتروپی و بررسی پایداری مدل به-منظور آگاهی از حساسیت‌پذیری این فرسایش در حوضه آبخیز گل‌گل استا چکیده کامل

لازمه مدیریت فرسایش خاک، ارائه راهکارهای مناسبی می‌باشد که با شناخت از وضعیت فرسایش خاک حاصل می‌شود. هدف از مطالعه حاضر، مدل‌سازی پتانسیل فرسایش شیاری با استفاده از مدل بیشینه آنتروپی و بررسی پایداری مدل به-منظور آگاهی از حساسیت‌پذیری این فرسایش در حوضه آبخیز گل‌گل استان ایلام است. بدین منظور، فاکتورهای زمین- محیطی برای استفاده در فرایند مدل‌سازی انتخاب شد. افزون بر این، موقعیت 157 واقعه فرسایش شیاری با استفاده از سیستم موقعیت‌یاب جغرافیایی (GPS) ثبت شد. این وقایع در قالب دو گروه آموزش و اعتبارسنجی با نسبت 70 به 30 کلاس‌بندی شد. به‌منظور ارزیابی پایداری مدل، کلاس‌بندی‌های مذکور سه بار تکرار شد و بنابراین، سه نمونه مجموعه داده (D1، D2 و D3) آماده شد. ارزیابی کارایی مدل با استفاده از سطح زیر منحنی ROC صورت پذیرفت. با توجه به نتایج پایداری، تمامی مجموعه داده‌ها مقادیر سطح زیر منحنی خوبی را کسب نمودند و ازنظر کارایی برازش (3/1 = RAUC) و پیش‌بینی (1/3 = RAUC) پایدار می‌باشند. به‌بیان‌دیگر، نتایج ثابت نمود زمانی که داده‌های کالیبراسیون و اعتبارسنجی تغییر پیدا نمود مدل کاملاً پایدار باقی ماند. علاوه بر این، مشخص شد که مدل حداکثر آنتروپی (MaxEnt) قادر به تولید نقشه حساسیت‌پذیری فرسایش شیاری است. از سوی دیگر، برمبنای آنالیز حساسیت، مشخص شد که مهم‌ترین اجزا در مدل-سازی حساسیت‌پذیری فرسایش شیاری سنگ‌شناسی و فاصله از آبراهه می‌باشد. روش‌شناسی تطبیق‌یافته به‌عنوان یک رویکرد مؤثر برای برنامه‌ریزی کاربری اراضی و مدیریت ریسک فرسایش سودمند می‌باشد. پرونده مقاله

دسترسی آزاد مقاله

8 - تبیین مدل نظری تولید و توسعه پلان های معماری در تعامل الگوریتم های یادگیری ماشین و ژنتیک
رضا باباخانی آزاده شاهچراغی حسین ذبیحی

10.30495/jest.2022.58808.5295

زمینه و هدف: مساله این پژوهش تبیین مدل نظری در جهت یافتن راهکاری نوین برای تولید و توسعه چیدمان فضایی پلان های معماری مبتنی بر روش های تعاملی و تلفیقی با کمک الگوریتم های یادگیری ماشین و ژنتیک است، در واقع هدف رسیدن به یک مدل نظری است که بیان می دارد الگوریتم های تکاملی چکیده کامل

زمینه و هدف: مساله این پژوهش تبیین مدل نظری در جهت یافتن راهکاری نوین برای تولید و توسعه چیدمان فضایی پلان های معماری مبتنی بر روش های تعاملی و تلفیقی با کمک الگوریتم های یادگیری ماشین و ژنتیک است، در واقع هدف رسیدن به یک مدل نظری است که بیان می دارد الگوریتم های تکاملی به تنهایی مثمر ثمر نیستند، بلکه الگوریتم های یادگیری ماشین می توانند پلان ها را فراگیری کرده و مبنای مدل عملی شوند که به واسطه استفاده از الگوریتم های ژنتیک می توانند توسعه و تولید کننده نمونه های جدید باشند.روش بررسی: در همین راستا روش پژوهش ترکیبی شامل مطالعات کتابخانه ای، گردآوری داده های خام، بررسی نمونه های موردی و استفاده از فرمول های محاسباتی به صورت تابع های هدف و جریمه است.یافته ها: مطالعات این تحقیق نشان می دهد که الگوریتم ژنتیک توانایی حافظه سپاری ندارد و از طرفی مبنای محاسبات آن جهش و تصادفی عمل نمودن است که این فرآیند در تولید پلان های معماری به تنهایی اثربخش نخواهد بود.نتیجه گیری: نتایج پژوهش نشان می دهد که براساس مدل نظری ارائه شده، الگوریتم یادگیری ماشین به واسطه ساختار نمونه پذیر خود می تواند نمونه هایی را ذخیره و بازشناسی نماید و الگوریتم ژنتیک که یک الگوریتم جستجوگر و توسعه پذیر است، هر بار نمونه های بیشتری را از پلان های معماری براساس مدل ریاضی ارائه شده تولید نماید. پرونده مقاله

دسترسی آزاد مقاله

9 - پیش بینی محدودیت مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران با بکار گیری روش های Relief-Svm -Chaid
مریم سلمانیان حمیدرضا وکیلی فرد محسن حمیدیان فاطمه صراف رویا دارابی

پیش بینی محدودیت مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهرانبا بکار گیری روش های Relief-Svm -Chaidچکیدهبحث محدودیت‌های مالی یکی از موضوعات اساسی و مهم پیش روی تمام شرکت‌ها می‌باشد. پیش‌بینی محدودیت مالی یک پدیده بااهمیت برای سرمایه‌گذاران، اعتباردهندگان و سایر چکیده کامل

پیش بینی محدودیت مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهرانبا بکار گیری روش های Relief-Svm -Chaidچکیدهبحث محدودیت‌های مالی یکی از موضوعات اساسی و مهم پیش روی تمام شرکت‌ها می‌باشد. پیش‌بینی محدودیت مالی یک پدیده بااهمیت برای سرمایه‌گذاران، اعتباردهندگان و سایر استفاده‌کنندگان از اطلاعات مالی محسوب می‌شود. این پژوهش با استفاده از اطلاعات 7 سال مالی طی دوره 1390 الی 1396 و با استفاده از اطلاعات مالی 213 شرکت به بررسی عوامل مؤثر بر محدودیت مالی و پیش‌بینی آن با استفاده از روش های یادگیری ماشین (الگوریتم طبقه بندی ماشین بردار پشتیبان و الگوریتم قانون گرای چاید) پرداخته است. در گام نخست با استفاده از روش ریلیف از بین متغیرهای اولیه پژوهش تعداد پنج متغیر نسبت وجه نقد عملیاتی به‌کل دارایی‌ها، اهرم مالی، کیوتوبین، بازده فروش و نسبت مالکان نهادی به‌عنوان متغیرهای بااهمیت در پیش‌بینی محدودیت مالی شرکت ها انتخاب‌شده‌اند. همچنین نتایج نشان داد که الگوریتم ماشین بردار پشتیبان با استفاده از داده‌های مالی منتخب توانایی پیش‌بینی محدودیت مالی را با قدرت بالای 80 درصد و همچنین بیشتر از الگوریتم قانون‌گرا چاید دارد.واژه‌های کلیدی: محدودیت مالی، روش‌های یادگیری ماشین، متغیرهای مالی و حاکمیت شرکتیطبقه‌بندی موضوعی:M41-B26-C63 پرونده مقاله

دسترسی آزاد مقاله

10 - تشخیص حملات منع سرویس توزیع شده در اینترنت اشیاء با استفاده از رویکرد رأی گیری اکثریت
حبیب اله مزارعی مرضیه دادور محمدهادی اتابک زاده

10.30495/jce.2023.1984927.1201

با افزایش روزافزون دستگاه های اینترنت اشیاء، امنیت آنها به موضوعی بسیار نگران کننده تبدیل شده است. اقدامات امنیتی ضعیف، مهاجمان را قادر می سازد تا دستگاه‌های اینترنت اشیاء را مورد حمله قرار دهند. یکی از این حملات، حمله منع سرویس توزیع شده است. بنابراین وجود سیستمهای تشخ چکیده کامل

با افزایش روزافزون دستگاه های اینترنت اشیاء، امنیت آنها به موضوعی بسیار نگران کننده تبدیل شده است. اقدامات امنیتی ضعیف، مهاجمان را قادر می سازد تا دستگاه‌های اینترنت اشیاء را مورد حمله قرار دهند. یکی از این حملات، حمله منع سرویس توزیع شده است. بنابراین وجود سیستمهای تشخیص نفوذ در اینترنت اشیاء، از اهمیت ویژه ای برخوردار است. در این پژوهش، از رویکرد گروهی رأی گیری اکثریت که زیرمجموعه یادگیری ماشین است جهت تشخیص و پیش بینی حملات استفاده شده است. انگیزه استفاده از این روش، دستیابی به دقت تشخیص بهتر و نرخ مثبت کاذب بسیار پایین با ترکیب چند الگوریتم طبقه بندی یادگیری ماشین، در شبکه‌های ناهمگن اینترنت اشیاء است. در این پژوهش از مجموعه داده جدید و بهبود یافته CICDDOS2019 برای ارزیابی روش پیشنهادی استفاده شده است. نتایج شبیه‌سازی نشان می‌دهد که با اعمال روش گروهی رأی گیری اکثریت روی پنج حمله از این مجموعه داده، این روش به ترتیب به دقت تشخیص 99.9668%، 99.9670%، 100%، 99.9686% و 99.9674% در شناسایی حملات DNS، NETBIOS، LDAP، UDP و SNMP دست یافت که نسبت به مدلهای پایه، عملکرد بهتر و پایدارتری در تشخیص و پیش بینی حملات، از خود نشان داده است. پرونده مقاله

دسترسی آزاد مقاله

11 - بهینه‌سازی پیش‌بینی تابش خورشیدی بر اساس بستر اینترنت اشیاء در نیروگاه فوتولتائیک
مریم محمودی ندا اشرفی خوزانی شبنم نصر اصفهانی

10.30495/jce.2023.1996606.1224

پارامتر مقدار تابش خورشیدی یکی از مهم‌ترین پارامترها در تعیین مقدار توان خروجی پنل‌های فتوولتائیک است. پیش‌بینی دقیق این پارامتر برای برنامه‌ریزی در واحدهای دیسپچینگ و مدیریت بار از اهمیت ویژه‌ای برخوردار است. عدم قطعیت در میزان تابش خورشیدی و سختی پیش‌بینی کوتاه مدت آن چکیده کامل

پارامتر مقدار تابش خورشیدی یکی از مهم‌ترین پارامترها در تعیین مقدار توان خروجی پنل‌های فتوولتائیک است. پیش‌بینی دقیق این پارامتر برای برنامه‌ریزی در واحدهای دیسپچینگ و مدیریت بار از اهمیت ویژه‌ای برخوردار است. عدم قطعیت در میزان تابش خورشیدی و سختی پیش‌بینی کوتاه مدت آن، مدیران و طراحان را با چالش‌های اقتصادی و مدیریتی مواجه می‌کند. در این پژوهش یک روش پیش‌بینی با دقت و عمومیت بالا با استفاده از روش‌های مبتنی بر درخت و بهبود عملکرد این روش‌ها به کمک الگوریتم‌های فرا ابتکاری ارائه می‌شود. تاکید اصلی در روش پیشنهادی عدم بیش-برازش و قابلیت اتکای بالا و همچنین قابلیت به‌کارگیری در سیستم‌های اینترنت اشیاء است. به این منظور، الگوریتم‌های فراابتکاری نه تنها در بهینه‌سازی روش‌های مبتنی بر درخت استفاده شده‌اند بلکه در انتخاب ویژگی و انتخاب نمونه‌ها نیز دخیل شده‌اند. لذا استفاده از روش‌های فراابتکاری به عنوان جنبه‌ی نوآوری اصلی این پژوهش، نه ‌تنها استفاده برای به دست آوردن تنظیمات بهینه‌ی مدل‌های یادگیری ماشین بلکه در کاهش اثر نویزها، داده‌های پرت و ورودی‌های کم‌اثر نیز به بهبود کیفیت خروجی نهایی کمک کرده است. به علاوه مناسب‌سازی نتایج پیش‌بینی برای استفاده عملی در محیط‌ نیروگاه‌های فتوولتائیک موضوع پراهمیتی است. این موضوع که از طریق تابع برازش نوآورانه این پژوهش در بهینه‌سازی مدل‌ها انجام پذیرفته است، باعث می‌شود که خروجی نهایی علاوه بر دقت بالا از نظر سهولت پیاده‌سازی در محیط‌های واقعی نیروگاه‌های فتوولتائیک نیز بهینه باشد. خروجی نهایی، به یک مدل قوی است که با معیار مربع-R دارای امتیاز 95/0 است و از نظر سادگی مدل حدود زیادی بهینه است. پرونده مقاله

دسترسی آزاد مقاله

12 - شناسایی خاستگاه‌های‌ هواویزهای اتمسفری با استفاده از سنجش از دور و داده‌کاوی (مطالعه موردی: استان یزد)
محمد کاظمی علیرضا نفرزادگان فربیرز محمدی علی رضایی‌لطیفی

10.30495/girs.2021.678426

پیشینه و هدف کشور ایران بدلیل قرار گرفتن در کمربند خشک و نیمه خشک جهان، در معرض پدیده های محلی و منطقه ای گرد و غبار قرار دارد. میانگین روزهای تؤام با گرد و غبار در استان یزد بالغ بر 43 روز در سال است و این مهم به نحوی بر سلامت و کیفیت زندگی مردم اثرات مخربی وارد آو چکیده کامل

پیشینه و هدف کشور ایران بدلیل قرار گرفتن در کمربند خشک و نیمه خشک جهان، در معرض پدیده های محلی و منطقه ای گرد و غبار قرار دارد. میانگین روزهای تؤام با گرد و غبار در استان یزد بالغ بر 43 روز در سال است و این مهم به نحوی بر سلامت و کیفیت زندگی مردم اثرات مخربی وارد آورده است. میزان غلظت ذرات معلق و شاخص عمق اُپتیکی هواویز (AOD) در پی وقایع گرد و غبار یکی از شاخص های کیفیت هوا می باشد. بنابراین بررسی و تهیه نقشه های پهنه بندی حساسیت با هدف شناسایی مناطق دارای قابلیت بالای تولید گرد و غبار، در محدوده فعالیت های بشری دارای اهمیت است و جهت کاهش خسارات احتمالی و مدیریت خطر، اقداماتی مانند پهنه بندی عرصه های مختلف تولید گرد و غبار می تواند مؤثر واقع شود. هدف از پژوهش حاضر پهنه بندی پتانسیل عرصه های مختلف مستعد گرد و غبار با استفاده از مدل های داده کاوی و شناسایی مهم‌ترین متغیرها بر این پدیده و بهره مندی از سنجش از دور در این راستا در استان یزد می‌باشد.مواد و روش ها در این تحقیق ابتدا متغیرهای اقلیمی مختلف (از تصاویر ماهواره ای مختلف) از جمله سرعت باد در ارتفاع ده متری سطح زمین (Vs)، رطوبت خاک (Soil)، بارش تجمعی (Pr)، شاخص خشکسالی پالمر (Pdsi)، شاخص پوشش گیاهی نرمال شده (NDVI)، خشکی خاک یا کمبود آب خاک (Def)، تبخیر و تعرق مرجع (Pet) و واقعی (Aet)، بعد توپوگرافی (TD)، رادیانس طول موج کوتاه رسیده به زمین (Srad)، حداقل دمای هوا (Tmmn)، حداکثر دمای هوا (Tmmx)، فشار بخار (Vap)، کمبود فشار بخار(Vpd) و درصد رس (Clay) با استفاده از کدنویسی در سامانه آنلاین گوگل ارت انجین (GEE) استخراج شدند. سپس نمونه ها از مناطق بحرانی و مستعد گرد و غبار در سیستم اطلاعات جغرافیایی و به کمک تصاویر AOD مودیس استخراج شدند و این ویژگی و همچنین سایر ویژگی ها در متغیرهای اقلیمی وارد سه مدل داده کاوی الگوریتم درختان رگرسیون و طبقه بندی (CART)، رگرسیون انطباقی چندمتغیره اسپیلاین (MARS) و درختان رگرسیون چندگانه جمع‌شدنی (TreeNet) شدند. در نهایت نتایج پیش بینی این مدل های داده کاوی در سیستم اطلاعات جغرافیایی تبدیل به نقشه و پهنه های مختلف پتانسیل خطر خیزش گرد و غبار شدند.نتایج و بحث در روش CART متغیرهایی هم‌چون شاخص پوشش گیاهی نرمال شده، تبخیر و تعرق واقعی، مدل رقومی ارتفاع، طول موج کوتاه رسیده به سطح زمین، شاخص خشکسالی پالمر، سرعت باد و درصد رس، گره های انتهایی جهت شناسایی مناطق با میانگین بالای عمق اپتیکی هواویزها می باشد. در این روش رطوبت خاک، مدل رقومی ارتفاعی و تبخیر تعرق رفرنس بیشترین اهمیت نسبی را در شناسایی مناطق بحرانی خیزش گرد و غبار نشان دادند. ضریب همبستگی مدل مقدار 0.85 را نشان داد. نتایج داده کاوی به روش MARS نشان داد متغیرهای تبخیر و تعرق واقعی، رطوبت خاک و شاخص خشکسالی پالمر بیشترین اهمیت نسبی را در شناسایی مناطق بحرانی خیزش گرد و غبار داشته اند. ضریب همبستگی مدل مقدار 0.72 را نشان داد. همچنین در روش TreeNet متغیرهای رطوبت خاک، شاخص خشکسالی پالمر و تبخیر و تعرق واقعی بیشترین اهمیت نسبی را نشان دادند. ضریب همبستگی مدل 0.75 بود. همچنین مناطق با حساسیت بسیار زیاد، زیاد، متوسط، کم و بسیار کم به ترتیب حدود 16% ، 19% ، 26% ، 20% و 20%، استان یزد را اشغال کردند.نتیجه گیری با توجه به نتایج یاد شده در مورد شناسایی تأثیرگذارترین متغیرها بر گرد و غبار در مناطق مختلف، نمی توان یک یا چند متغیر را در پدیده خیزش گرد و غبار برای همه مناطق، مشترک در نظر گرفت و این مهم از منطقه به منطقه ای دیگر تغییر می کند. کما اینکه متغیرهای زمین شناسی و کاربری اراضی در پژوهش حاضر جزء متغیرهایی بودند که هیچ‌گونه اثری بر متغیر وابسته یعنی حساسیت به گرد و غبار نداشتند. در پژوهش حاضر، اشتراکات متغیرهای مستقل مهم و چرخه تصمیم گیری شامل تبخیر و تعرق واقعی، رطوبت خاک، شاخص خشکسالی پالمر، سرعت باد، ارتفاع، شاخص پوشش گیاهی و حداقل دمای روزانه بودند. هیچ‌کدام از پژوهش های مرتبط در مورد موضوع پژوهش، در انتخاب بهترین مدل داده کاوی، همپوشانی نداشتند و مدل داده کاوی واحدی برای بررسی حساسیت مناطق مختلف به پدیده گرد و غبار در ایران یافت نشد. شایان ذکر است، در این پژوهش مدل الگوریتم درختان رگرسیون و طبقه بندی انتخاب شد. پژوهش حاضر در نوع مدل های داده کاوی استفاده شده و متغیرهای مستقل با پژوهش‌های یاد شده متفاوت بوده و با توجه به عدم همپوشانی نتایج انتخاب مدل برتر، نمی توان نسخه واحدی برای انتخاب بهترین مدل داده کاوی برای ایران در بحث گرد و غبار ارائه نمود. لذا پیشنهاد می شود از بهترین مدل های منتخب در پژوهش‌های یاد شده برای داده کاوی پدیده گرد و غبار در پژوهش‌های آتی استفاده و مورد قیاس قرار گیرند.http://dorl.net/dor/20.1001.1.26767082.1400.12.1.4.5 پرونده مقاله

دسترسی آزاد مقاله

13 - مقایسه روش های طبقه بندی در تخمین تلاش توسعه نرم افزار
صادق انصاری پور تقی جاودانی گندمانی

نادرست بودن تخمین هزینه نرم افزار یکی از دلایل مهم ناامیدی متخصصان نرم افزار و محققان تخمین هزینه بوده است و علیرغم تلاش های فراوانی که برای بهبود آن انجام شده است اما هنوز هم دقت تخمین پایین است. عدم تجزیه و تحلیل مناسب در ابتدای شروع به کار پروژه و همچنین عدم به روز آ چکیده کامل

نادرست بودن تخمین هزینه نرم افزار یکی از دلایل مهم ناامیدی متخصصان نرم افزار و محققان تخمین هزینه بوده است و علیرغم تلاش های فراوانی که برای بهبود آن انجام شده است اما هنوز هم دقت تخمین پایین است. عدم تجزیه و تحلیل مناسب در ابتدای شروع به کار پروژه و همچنین عدم به روز آن در حین انجام پروژه یکی از مهم ترین دلایل شکست پروژه ها محسوب می شود. اگر چه زمانی که یک پروژه‌ها بسته می‌شوند، بازخورد های آن ایجاد می‌شود، اما اگر تخمین‌ها و واقعیات ثبت‌شده با پروژه انجام‌شده به طور کامل مطابقت نداشته باشند، آنگاه نمی توان انتظار تخمین دقیقی را داشت. بنابراین جمع آورده داده های پروژه بر اساس ویژگی های مشخص امری ضروری است و در اینجاست که می توان به نقش پررنگ پروژه های انجام شده در گذشته و مجموعه داده هایی که می توان با استفاده از آنها ایجاد نمود پی برد. در این مطالعه سعی بر این است که به بررسی نقش روش های مختلف طبقه بندی در تخمین تلاش نرم افزار بپردازیم. پرونده مقاله

دسترسی آزاد مقاله

14 - توسعه یک سیستم توصیه‌کننده چند عاملی برای دستیاران خرید هوشمند
رمضان تیموری یانسری مجتبی آجودانی

با توجه به حجم فزاینده اطلاعات و خدمات موجود در وب، ارائه ابزارهایی مانند سیستم‌های توصیه‌کننده به وب‌سایت‌ها و برنامه‌های کاربردی که می‌توانند به کاربران در دستیابی به اطلاعات و خدمات متناسب با علایقشان کمک کنند، ضروری است. به همین دلیل، ارائه راهنمایی و پیشنهاد مناسب چکیده کامل

با توجه به حجم فزاینده اطلاعات و خدمات موجود در وب، ارائه ابزارهایی مانند سیستم‌های توصیه‌کننده به وب‌سایت‌ها و برنامه‌های کاربردی که می‌توانند به کاربران در دستیابی به اطلاعات و خدمات متناسب با علایقشان کمک کنند، ضروری است. به همین دلیل، ارائه راهنمایی و پیشنهاد مناسب به کاربران در انتخاب‌های مختلف، مطابق با اولویت‌های کاربر در حوزه‌های مختلف جایگاه خاصی پیدا کرده است. سامانه‌های توصیه‌ کننده سیستم‌های اطلاعاتی هستند که با مدل‌سازی رفتار کاربران در محیط‌های عملیاتی در رتبه‌بندی، مقایسه، انتخاب و ترجیحات اقلام کاربران، با محدود کردن فضای جستجوی از طریق توصیه‌های با دقت و کیفیت بالا، در فرآیند تصمیم‌گیری کمک می‌کنند. در این پژوهش سیستم‌ توصیه کننده چند عاملی پیشنهاد شد که بتواند به عنوان دستیار خرید در فرآیند خرید توصیه-های مناسبی ارائه دهد. برای تحلیل مدل پیشنهادی مجموعه داده فروش یک فروشگاه مستقر در بریتانیا شامل 1067371 رکورد از داده-های فروش آنلاین، مورد استفاده قرار گرفته است. با شبیه سازی مدل پیشنهادی نتایج حاصل از به کارگیری مدل بر روی داده‌های مربوط به مشتریان مورد تجزیه و تحلیل قرار گرفت. نتایج به کارگیری مدل پیشنهادی نشان داد، مدل پیشنهادی در ارزیابی پارامترهای مورد استفاده در مقایسه با روش‌های رایج در این حوزه دارایی کارایی مناسبی می‌باشد. پرونده مقاله

دسترسی آزاد مقاله

15 - تشخیص و کاهش خرابی ساکت داده براساس پیش بینی نرخ رخداد خرابی بدون تزریق اشکال
مونا یخچی مهدی فاضلی سید امیر اصغری توچائی

خرابی ساکت داده (SDC) به طور جدی قابلیت اطمینان یک سیستم را به مخاطره می‌اندازد. رویکردهای فعلی با استفاده از یادگیری ماشین نرخ رخداد SDC برای هر دستورالعمل‌ را پیش بینی می‌کنند. در حالی‌که اکثر آنها فاقد دقت مناسب و نیازمند مجموعه داده برای آموزش هستند و به دلیل مصرف م چکیده کامل

خرابی ساکت داده (SDC) به طور جدی قابلیت اطمینان یک سیستم را به مخاطره می‌اندازد. رویکردهای فعلی با استفاده از یادگیری ماشین نرخ رخداد SDC برای هر دستورالعمل‌ را پیش بینی می‌کنند. در حالی‌که اکثر آنها فاقد دقت مناسب و نیازمند مجموعه داده برای آموزش هستند و به دلیل مصرف منابع زیاد دستیابی به آنها دشوار است. از سوی دیگر نرخ رخداد اشکالات چندبیتی در قطعات نیمه هادی افزایش چشمگیری داشتهاند. لذا تشخیص دستورات آسیب پذیر در حضور اشکال اهمیت یافته است. اما خلاء تحقیقات موجود عدم وجود یک روش نرم افزاری با دقت بالا بدون نیاز به تزریق اشکال است؛ به طوریکه تشخیص اشکال در SDC با منشاء داده و دستورالعمل مورد بررسی قرار بگیرد. بدین منظور، در این پژوهش با محاسبه نرخ رخداد SDC برای هر دستورالعمل‌ها، مدل درخت تصمیم گیری M5rule پیشنهاد گردیده است. سپس از روش تشخیص خطا، با کپی کردن دستورالعملهای حیاتی بوسیله مرتبسازی استفاده شده و در نهایت مدل ارائه شده بر روی معیار Mibench با برنامه‌های آزمایشی متعدد ارزیابی گردیده است. نتایج ارزیابی نشان می‌دهد روش ارائه شده در مقایسه با سایر روش‌های پیشرفته به دقت تشخیص بهتری با سربار در حدود 99 درصد برای 58 درصد نرخ پوشش SDC رسیده است. پرونده مقاله

دسترسی آزاد مقاله

16 - تحلیل احساس نظرات مردم در مورد خودروهای ملی ایران به کمک مدل زبانی BERT
لیلا گنبدی نیلوفر رنجبر

امروزه با پیشرفت شبکه جهانی اینترنت و توسعه شبکه‌های اجتماعی، افراد در مورد موضوعات مختلف سیاسی و اقتصادی به تبادل نظر و گفت‌وگو می‌پردازند. با استفاده از روش‌های متن‌کاوی می‌توان به استخراج اطلاعات از این نظرات پرداخت. یکی از روش‌های تحلیل نظرات، تحلیل نظرات مبتنی بر ج چکیده کامل

امروزه با پیشرفت شبکه جهانی اینترنت و توسعه شبکه‌های اجتماعی، افراد در مورد موضوعات مختلف سیاسی و اقتصادی به تبادل نظر و گفت‌وگو می‌پردازند. با استفاده از روش‌های متن‌کاوی می‌توان به استخراج اطلاعات از این نظرات پرداخت. یکی از روش‌های تحلیل نظرات، تحلیل نظرات مبتنی بر جنبه است که به کمک آن می‌توان نظرات مردم را در مورد جنبه‌های مختلف یک موضوع تحلیل و بررسی کرد. تحلیل نظرات مردم در مورد صنعت خودروسازی و خودروهای ملی یکی از کاربردهای مهم استفاده از روش‌های متن‌کاوی در موضوعات اقتصادی است. این کار باعث مطلع شدن مدیران صنعت خودروسازی از میزان رضایت واقعی مردم از خودروهای ملی است. برای دست یافتن به این مهم روش‌های مختلفی ارائه شده است. در این مقاله ما به معرفی روشی برای استخراج جنبه‌های مختلف مربوط به خودروهای ملی می‌پردازیم، سپس به کمک مدل زبانی برت برای جملات مختلف، بردار استخراج کرده و پس از آن به کمک شبکه عصبی به دسته‌بندی آن‌ها می‌پردازیم. سپس با داشتن جنبه‌های مختلف مهم برای خودروها و این که نظر مطرح شده به کدام یک از این جنبه‌ها می‌پردازد و حس مطرح شده در نظر مثبت، منفی یا خنثی است، به تحلیل میزان رضایت مردم از جنبه‌های مختلف خودروهای ایرانی می‌پردازیم. هدف نهایی این مقاله تحلیل نظرات مردمی در مورد انواع خودروهای ملی و اجزای آن با هدف بهبود عملکرد خودروسازان است. پرونده مقاله

دسترسی آزاد مقاله

17 - تشخیص بدافزار با یک رویکرد حساس به هزینه مبتنی بر ترکیب طبقه‏‌بندها با روش پلکانی
اعظم سادات مقدم قدیری جلالی حسن شاکری یاسر علمی سولا

رویکردهای مختلفی برای افزایش دقت تشخیص بدافزار پیشنهاد شده است که ازجمله می توان به ترکیب طبقه بندها اشاره کرد. همچنین تحقیقات گوناگونی با هدف کاهش هزینه های مختلف IDS انجام شده است. با وجود این نیاز به ارائه رویکردی جهت کاهش هزینه سیستم های مبتنی بر ترکیب طبقه بندها وج چکیده کامل

رویکردهای مختلفی برای افزایش دقت تشخیص بدافزار پیشنهاد شده است که ازجمله می توان به ترکیب طبقه بندها اشاره کرد. همچنین تحقیقات گوناگونی با هدف کاهش هزینه های مختلف IDS انجام شده است. با وجود این نیاز به ارائه رویکردی جهت کاهش هزینه سیستم های مبتنی بر ترکیب طبقه بندها وجود دارد. این مقاله راهکاری برای تشخیص بدافزارهای اندروید پیشنهاد می‌دهد. این رویکرد شامل دو مرحله است. اولین گام، انتخاب مناسب ترین ویژگی ها با استفاده از الگوریتم ‌کای‌مربع است. در گام دوم به عنوان نوآوری عمده این پژوهش، یک مدل پلکانی برای تشخیص بدافزار با استفاده از ترکیب دو طبقه‌بند مورد استفاده قرارمی‌گیرد که براساس سطح ریسک موجود و حساسیت مورد نیاز، یک مصالحه مطلوب بین نرخ هشدار اشتباه و نرخ منفی کاذب برقرار می کند. در مدل پیشنهادی طبقه بند دوم فقط بر روی رکوردهایی که با طبقه بند اول تعیین تکلیف نشده اند عمل می کند تا هزینه هزینه زمانی تشخیص در مقایسه با روش های پرهزینه ای مانند رأ‌ی گیری اکثریت کاهش یابد. نتایج ارزیابی راهکار پیشنهادی برروی یک مجموعه داده معتبر نشان داد که مدل ما صحت تشخیص را به بیش از 95% و نرخ تشخیص اشتباه را به کمتر از 0.03% می رساند که بهبود قابل ملاحظه‌ای نسبت به کارهای قبلی محسوب می شود. همچنین کارایی مدل در چهار سطح امنیتی بررسی شد. پرونده مقاله

دسترسی آزاد مقاله

18 - معماری سیستم هوشمند توصیه گر حسگرهای سلامت‌محور مبتنی بر الگوریتم های یادگیری ماشین و عمیق
مونا بخارایی نیا محمدعلی افشار کاظمی چنگیز والمحمدی قنبر عباسپور

فناوری‌های پوشیدنی در سال‌های اخیر رشد چشم‌گیری داشته و حسگرهای سلامت‌محور با ویژگی و قیمت‌های متفاوتی به صنعت سلامت ورود پیدا کرده‌اند که می‌توانند انتخاب را برای بیماران و پزشکان دشوار کنند. موضوع اصلی این تحقیق ارائه معماری سیستم توصیه‌گر سلامت‌‌محور با رویکرد هوشمند چکیده کامل

فناوری‌های پوشیدنی در سال‌های اخیر رشد چشم‌گیری داشته و حسگرهای سلامت‌محور با ویژگی و قیمت‌های متفاوتی به صنعت سلامت ورود پیدا کرده‌اند که می‌توانند انتخاب را برای بیماران و پزشکان دشوار کنند. موضوع اصلی این تحقیق ارائه معماری سیستم توصیه‌گر سلامت‌‌محور با رویکرد هوشمندسازی جهت شناسایی دو نوع بیماری قلبی و دیابت بعنوان نمونه بیمارهای شایع و پیشنهاد مناسب‌ترین دستگاه هوشمند پوشیدنی به بیماران مذکور است. بدین منظور معماری سیستم در سه لایه‌ اصلی طراحی شده است. لایه اول مدیریت داده از جمع‌آ‌وری، پاکسازی و ذخیره‌سازی داده‌های پزشکی افراد، مشخصات فنی حسگرها و نظرات استفاده‌کنندگان حسگرهای سلامت‌محور در شبکه اجتماعی مانند توییتر است. لایه دوم، برای آماده‌سازی و اعمال الگوریتم‌های یادگیری ماشین و عمیق می‌باشد و لایه سوم، تلفیق خروجی های بدست آمده از لایه‌های قبلی برای توصیه‌گری نهایی به بیمار و یا پزشک معالج می‌باشد. در این تحقیق، نتایج حاصل از پیاده‌سازی شش الگوریتم یادگیری ماشین بطور همزمان برای شناسایی بیماری و الگوریتم یادگیری عمیق، از نوع شبکه حافظه کوتاه مدت ماندگار برای محاسبه اثر تحلیل احساسات بیماران استفاده کننده دستگاه‌ها در شبکه اجتماعی توییتر در فرمول پیشنهادی برای تلفیق نتایج بدست آمده، به همراه اعمال الگوریتم ژنتیک به منظور بهینه‌سازی خروجی نهایی سیستم توصیه‌گر هوشمند أورده شده است. پرونده مقاله

دسترسی آزاد مقاله

19 - ارائه مدل جدید برای تشخیص سریع بیماری‌های حاد تنفسی با استفاده از الگوریتم‌های یادگیری ماشین
مهران نظامی عوض نقی‌پور بهنام صفیری ایرانق

کرونا ویروس، ویروس سارس و آنفلوانزای خوکی یک بیماری ناشی از سندروم حاد تنفسی است. این ویروس‌ها به سبب سرایت فوری در بین انسان‌ها نیاز به ابزارهای پیشرفته برای شناسایی عوامل خطرناک مرگ‌ومیر با دقت بالا نیاز دارند. روش‌های یادگیری ماشین مستقیماً به این موضوع می‌پردازند و چکیده کامل

کرونا ویروس، ویروس سارس و آنفلوانزای خوکی یک بیماری ناشی از سندروم حاد تنفسی است. این ویروس‌ها به سبب سرایت فوری در بین انسان‌ها نیاز به ابزارهای پیشرفته برای شناسایی عوامل خطرناک مرگ‌ومیر با دقت بالا نیاز دارند. روش‌های یادگیری ماشین مستقیماً به این موضوع می‌پردازند و ابزارهای ضروری برای شناخت و هدایت مداخلات بهداشت عمومی هستند. در این مقاله از یادگیری ماشین برای بررسی اهمیت جمعیت‌شناختی و بالینی استفاده شده است. ویژگی‌های مورد بررسی شامل سن، جنسیت، تب، کشورها و جزئیات بالینی مانند سرفه، تنگی‌نفس و ... می‌باشند. چندین الگوریتم یادگیری ماشین روی داده‌های جمع‌آوری‌شده، پیاده‌سازی و اعمال گردیده که الگوریتم K - نزدیک‌ترین همسایه با بالاترین دقت (بیش از 97%) برای پیش‌بینی و انتخاب ویژگی‌هایی که به‌درستی وضعیت ویروس‌ها را نشان می‌دهد، عمل می‌کند. پرونده مقاله

دسترسی آزاد مقاله

20 - طبقه بندی میوه پاپایا برمبنای رسیدگی، با استفاده از یادگیری ماشین و رویکرد یادگیری انتقالی
محمد قربانی مصطفی قاضی زاده احسائی کاظم جعفری نعیمی

درجه بندی و بسته بندی میوه ها بر اساس بازرسی های بصری می تواند زمان بر، مخرب و غیر قابل اطمینان باشد. هدف از پژوهش انجام شده ارائه یک روش طبقه بندی هوشمند، سریع و قابل اطمینان جهت تشخیص میزان رسیدگی میوه پاپایا در سه سطح نارس، نمیه رسیده و رسیده میباشد.تعدادکل تصاویر مو چکیده کامل

درجه بندی و بسته بندی میوه ها بر اساس بازرسی های بصری می تواند زمان بر، مخرب و غیر قابل اطمینان باشد. هدف از پژوهش انجام شده ارائه یک روش طبقه بندی هوشمند، سریع و قابل اطمینان جهت تشخیص میزان رسیدگی میوه پاپایا در سه سطح نارس، نمیه رسیده و رسیده میباشد.تعدادکل تصاویر مورد استفاده در این مقاله 300 تصویر می باشد که برای هر کدام از سطوح تعداد 100 تصویر جمع آوری گردیده است.در این پژوهش استفاده از دو رویکرد یادگیری ماشین و یادگیری انتقالی برای طبقه بندی وضعیت میزان رسیدگی میوه پاپایا پیشنهاد شده است.رویکرد یادگیری ماشین شامل استفاده از سه توصیف گر ویژگی و سه طبقه بندی کننده مختلف می باشدکه عبارت انداز: الگوریتم دو دویی محلی (LBP)، ماتریس هم رخداد سطح خاکستری (GLCM)،هیستوگرام گرادیان های جهت دار(HOG)، الگوریتم طبقه بندیk- نزدیک ترین همسایه(KNN)، ماشین بردار پشتیبان(SVM)، و الگوریتم طبقه بندی کننده بیزی ساده (Naïve Bayes). روشهای یادگیری انتقالی شامل استفاده از شش مدل یاد گیری عمیق از پیش آموزش داده شده Alexnet,Googlenet,Resnet101,Resnet50,Resnet18,VGG19 می باشد.طبقه بندی‌کننده KNN با استفاده از توصیف گر ویژگی HOG توانسته است به صحت4/95 درصد و زمان آموزش 3:52 ثانیه دست پیدا کند.طبقه بندی کننده مبتنی بر رویکرد یادگیری انتقالی VGG19 با بدست آوردن صحت 100 درصدی و زمان آموزش 10:42 ثانیه توانست عملکرد بهتری را در میان سایر شبکه های یادگیری عمیق ثبت کند.دو روش طبقه بندی با استفاده از روش های یادگیری ماشین و یادگیری انتقالی توانسته‌اند هر کدام صحت 4/95، و 100 درصدی را بدست بیاورند که به ترتیب 7/0 و 6 درصد بیشتر از روش‌های پیشنهادی موجود می باشد. پرونده مقاله

دسترسی آزاد مقاله

21 - شناسایی عوامل تاثیرگذار در رویگردانی مشتریان شرکت مخابرات کردستان و ارائه مدل هایی برای پیش بینی رویگردانی با استفاده از الگوریتم های یادگیری ماشین
vida sadeghi Anvar Bahrampour Seyed Ali Hosseini

10.30495/imj.2023.1987440.1850

مشتریان منبع اصلی درآمد و دارایی مهم برای هر سازمان هستند. با این دیدگاه، امروزه شرکت‌ها تلاش بیشتری را برای حفظ مشتریان موجود آغاز کرده‌اند. از آنجا که در بسیاری از شرکت‌ها هزینه به‌دست آوردن مشتری جدید بسیار بالاتر از هزینه ایجاد رضایتمندی مشتری فعلی است، رویگردانی مش چکیده کامل

مشتریان منبع اصلی درآمد و دارایی مهم برای هر سازمان هستند. با این دیدگاه، امروزه شرکت‌ها تلاش بیشتری را برای حفظ مشتریان موجود آغاز کرده‌اند. از آنجا که در بسیاری از شرکت‌ها هزینه به‌دست آوردن مشتری جدید بسیار بالاتر از هزینه ایجاد رضایتمندی مشتری فعلی است، رویگردانی مشتری به حوزه اصلی نگرانی این شرکت‌ها تبدیل شده است. لذا شرکت‌های مبتنی بر مشتری از جمله شرکت‌های فعال در صنعت مخابرات به دلیل رویگردانی مشتریان با چالش بزرگی روبرو هستند. با توسعه سریع صنعت مخابرات، پیش‌بینی رویگردانی به عنوان یکی از فعالیتهای اصلی در به ‌دست آوردن مزیت رقابتی در بازار محسوب می‌شود. پیش‌بینی رویگردانی مشتری به اپراتورها اجازه می‌دهد تا قبل از مهاجرت مشتریان فعلی به اپراتورهای دیگر، یک دوره زمانی برای اصلاح و اجرای یک سری اقدامات پیشگیرانه داشته باشند. در این پژوهش یک سیستم پشتیبانی تصمیم برای پیش‌بینی و تخمین رویگردانی مشتریان شرکت مخابرات استان کردستان (دارای 529000 مشترک) با روش‌های مختلف داده‌کاوی و یادگیری ماشین (شامل رگرسیون خطی چندگانه (MLR)، رگرسیون چند جمله-ای(PR)، رگرسیون لجستیک، شبکه‌های عصبی مصنوعی، آدابوست و جنگل تصادفی) ارایه شده است. نتایج ارزیابی‌های انجام شده بر روی مجموعه داده‌های شرکت مخابرات استان کردستان عملکرد بالای روش‌های شبکه‌های عصبی مصنوعی با دقت 99.9% ، آدابووست با دقت 100% و جنگل تصادفی با دقت 100% را نشان می‌دهد. پرونده مقاله

دسترسی آزاد مقاله

22 - ارائه یک مدل ترکیبی غیرقطعی برای پیشبینی قیمت رمز ارز بیتکوین CNN-LSTM
علی علی جماعت سید محسن میرحسینی

10.30495/qrm.2022.702933

چکیدهدر جامع ه امروزی تنوع سرما یهگذا ری اهمیت بالایی یافته است . افرا د با تنو عبخشی به سبد سرمایه، ریسکسرما یهگذاری را کاهش م یدهند. بی تکوین نیز ب هعنوان یکی از سرما یههای دیجیتالی محبوبیت زیادی به دستآورده و در سبد سرمای هگذاری افراد و نهادها قرارگرفته است. پی شبینی چکیده کامل

چکیدهدر جامع ه امروزی تنوع سرما یهگذا ری اهمیت بالایی یافته است . افرا د با تنو عبخشی به سبد سرمایه، ریسکسرما یهگذاری را کاهش م یدهند. بی تکوین نیز ب هعنوان یکی از سرما یههای دیجیتالی محبوبیت زیادی به دستآورده و در سبد سرمای هگذاری افراد و نهادها قرارگرفته است. پی شبینی قیمت بیتکوین برای تعیین روندقیمتی و معاملات مهم است. برای ا ین کار رو شهای سنتی و نیز روشهای مبتنی بر یادگیری ماشین مختلفیارائه شده است که هرکدام مزایا و معا یب خود را دارن د. اخیرا استفاده از مد لهای ترکیبی مورد توجه قرارگرفته است. روشهای ترکیبی کارایی مناسبی داشته و از مزایای روشهای ترکیب شده استفاده میکنند. دراین مقاله، یک روش ترکیبی مبتنی بر شبکه عصبی عمیق کانولوشنی و شبکه عصبی بازگشتی با حذف تصادفیاحتمالی ارائه م یشود. حذف تصادفی احتمالی موجب منظمسازی یادگیری و پرهیز از بیش برازش شده وموجب کاهش خطای مدل م یشود. نتایج آزمایشهای انجام گرفته نشاندهنده دقت بالاتر روش پیشنهادینسبت به رو شهای مورد مقایسه در پیشبینی قیمت بیت کوین دارد .کلمات کلیدی: پیشبینی قیمت، بیتکوین، یادگیری ماشین و یادگیری عمیق . پرونده مقاله

دسترسی آزاد مقاله

23 - ارائه روشی برای تحلیل احساسات مشتری در رسانه های اجتماعی جهت استفاده در سامانه های تبلیغات
لیلا خواجه وند عباس طلوعی اشلقی مرتضی موسی خانی

10.22094/jdem.2023.1981721.3062

امروزه شبکه های اجتماعی توجه ویژه ای را به خود جلب نموده اند. در شبکه های اجتماعی گوناگون، کاربران دائما در حال ابراز نظرات عمومی و همچنین خصوصی خود درباره ی موضوعات مختلف هستند. توییتر یکی از این شبکه های اجتماعی است که در دهه اخیر محبوبیت بسیاری یافته است. تحلیل چکیده کامل

امروزه شبکه های اجتماعی توجه ویژه ای را به خود جلب نموده اند. در شبکه های اجتماعی گوناگون، کاربران دائما در حال ابراز نظرات عمومی و همچنین خصوصی خود درباره ی موضوعات مختلف هستند. توییتر یکی از این شبکه های اجتماعی است که در دهه اخیر محبوبیت بسیاری یافته است. تحلیل احساسات یا عقیده کاوی فرآیندی است که در آن نظرات، احساسات و نگرش افراد در ارتباط با موضوعی خاص استخراج می شود. . تحلیل بر روی موارد بیان شده تفاوت عمده ای با داده های توییتر دارد، به این سبب که توییت های توییتر محدودیت 280 کاراکتری دارند و کاربران را وادار به بیان احساسات خود به صورت فشرده و کوتاه می نمایند. بهترین نتایج به دست آمده در طبقه بندی احساسات از تکنیک های یادگیری ماشین مثل بیز ساده و ماشین بردار پشتیبان حاصل شده است. در این پژوهش به ارائه روشی برای تحلیل احساسات در شبکه های اجتماعی پرداخته می شود. در این راستا سعی شده با تمرکز بر مراحل پیش پردازش داده ها و انتخاب ویژگی، طبقه بندی متن توسط روش بیز را تا حدودی بهبود بخشیم. . به عبارتی ، با تعریف این مسئله به صورت یک مسئله کلاس‌بندی باینری بر اساس خصیصه‌های پیشنهادی به تحلیل احساسات کاربران پرداخته می شود. مسئله کلاس بندی با استفاده از جدیدترین دستاوردهای حوزه یادگیری ماشین فرموله و حل شده است. . برای ارزیابی روش پیشنهادی در این رساله از سناریو مجموعه دادگان توییتر می باشد. .روش پیشنهادی با سایر روش های طبقه بندی مقایسه می شود. بهترین عملکرد را از خود نشان داده است. پرونده مقاله

دسترسی آزاد مقاله

24 - ارائه مدل پیش بینی ریسک ورشکستگی مالی شرکت های بورسی و فرابورسی با بهره گیری از الگوریتم های یادگیری ماشین
محسن عالی سید علیرضا میرعرب بایگی نیما فرجیان

ورشکستگی یا شکست کسب و کار می تواند تاثیر منفی هم روی خود شرکت و هم اقتصاد جهانی داشته باشد. در این پژوهش ارائه پیش بینی ریسک ورشکستگی مالی شرکت های بورسی و فرابورسی با بهره گیری از الگوریتم های یادگیری ماشین صورت گرفته است، که در آن هدف پیش بینی نهایی ریسک ورشکستگی مال چکیده کامل

ورشکستگی یا شکست کسب و کار می تواند تاثیر منفی هم روی خود شرکت و هم اقتصاد جهانی داشته باشد. در این پژوهش ارائه پیش بینی ریسک ورشکستگی مالی شرکت های بورسی و فرابورسی با بهره گیری از الگوریتم های یادگیری ماشین صورت گرفته است، که در آن هدف پیش بینی نهایی ریسک ورشکستگی مالی شرکت های بورسی و شرکت های فرابورسی است. یادگیری جمعی، حوزه ای از یادگیری ماشین هست که در آن به جای اینکه از یک مدل برای حل یک مسئله استفاده کنند، از چندین مدل به صورت ترکیبی استفاده می کنند تا توان تخمین خروجی مدل را بالاتر ببرند. هر مدل با بهره گیری از ویژگی های بهینه مورد آموزش مجدد قرار می گیرد. در نتیجه دقت پیش بینی مدل یادگیری ماشین به روش Stacking که یکی از قوی ترین تکنیک های یادگیری جمعی است، برای پیش بینی ریسک ورشکستگی مالی از روش های مشابه بالاتر است. پرونده مقاله

دسترسی آزاد مقاله

25 - راهبرد معاملاتی خرید و فروش سهام بر اساس الگوریتم های یادگیری رگرسیونی
ناصر حیدری مجید زنجیردار علی لعل بار

هدف این پژوهش طراحی راهبرد معاملات سهام بر اساس الگوریتم های یادگیری رگرسیونی می باشد. پژوهشگر بوسیله بهره‌برداری از پایگاه اطلاع رسانی یاهو فاینانس ، داده های مورد نیاز پژوهش را با استفاده از برنامه نویسی در محیط نرم افزار پایتون استخراج و بر اساس آن شاخص ها و نوسان سا چکیده کامل

هدف این پژوهش طراحی راهبرد معاملات سهام بر اساس الگوریتم های یادگیری رگرسیونی می باشد. پژوهشگر بوسیله بهره‌برداری از پایگاه اطلاع رسانی یاهو فاینانس ، داده های مورد نیاز پژوهش را با استفاده از برنامه نویسی در محیط نرم افزار پایتون استخراج و بر اساس آن شاخص ها و نوسان سازهای تحلیل تکنیکال را محاسبه و به عنوان مولفه های اولیه وارد مدل نموده است. در راستای ارزشیابی الگوریتم های رگرسیونی از شاخص های (ضریب تعیین ، خطای میانگین مریعات و ریشه میانگین مربعات خطا ) استفاده شده است. پژوهشگر از روش های پیشرفته آماری و نرم افزارهای پایتون ، اسپایدر ، اس پی اس اس و اکسل استفاده نموده و تفاوت بین شاخص های ارزشیابی الگوریتم های طراحی شده را به لحاظ معنی داری از طریق آزمون کروسکال والیس بررسی و راهبرد خرید و فروش سهام را معرفی می‌نماید. در راستای تنوع بخشی نمونه تحقیق جهت تعمیم پذیری نتایج، شرکت های فعال در حوزه حمایت مصرف کننده، خدمات ارتباطی، مراقبت های بهداشتی، خدمات مالی، تکنولوژی، چرخه مصرف کننده و انرژی در بورس نیویورک با میانگین حجم معامله بزرگتر از 1 میلیون و ارزش بازار بزرگ تر از 200 تریلیون دلار از طریق روش فیلترنویسی در تاریخ 07/04/1400 برابر با 41 عدد به عنوان نمونه این پژوهش انتخاب و انجام تحقیق تا پایان بهمن ماه 1401 به اتمام رسید و مدل راهبرد معاملاتی جنگل تصادفی به عنوان مدل مناسب معرفی گردید.کلمات کلیدی: راهبرد معاملاتی، یادگیری ماشین، الگوریتم های رگرسیونی، بورس اوراق بهادار پرونده مقاله

دسترسی آزاد مقاله

26 - مروری جامع بر روش های داده محور در شبکه های هوشمند برق
خالق بهروز دهکردی هما موحدنژاد مهدی شریفی

امروزه شبکه برق به طور چشم گیری در حال تبدیل شدن به شبکه هوشمند (SG)، به عنوان یک چشم انداز امیدوارکننده برای برخورداری از قابلیت اطمینان بالا و مدیریت کارآمد انرژی است. این انتقال به طور پیوسته در حال تغییر است و نیازمند روش های پیشرفته برای پردازش کلان داده های تولید چکیده کامل

امروزه شبکه برق به طور چشم گیری در حال تبدیل شدن به شبکه هوشمند (SG)، به عنوان یک چشم انداز امیدوارکننده برای برخورداری از قابلیت اطمینان بالا و مدیریت کارآمد انرژی است. این انتقال به طور پیوسته در حال تغییر است و نیازمند روش های پیشرفته برای پردازش کلان داده های تولید شده از بخش های مختلف است. روش های هوش مصنوعی می توانند از طریق استخراج اطلاعات ارزشمند که توسط دستگاه های اندازه گیری و سنسور های موجود در شبکه تولید می شوند خدمات مبتنی بر داده را ارائه نمایند. به این منظور روش های یادگیری ماشین، یادگیری عمیق، یادگیری تقویتی و یادگیری عمیق تقویتی می توانند به کار گرفته شوند. این روش ها می توانند حجم زیادی از داده های جمع آوری شده را پردازش نموده و راه حل مناسبی برای مشکلات پیچیده صنعت برق ارائه نمایند. از این رو در این مقاله آخرین رویکرد های مبتنی بر هوش مصنوعی مورد استفاده در شبکه هوشمند برق برای کاربرد ها و منابع داده به طور جامع بررسی شده است. همچنین نقش کلان داده در شبکه هوشمند برق و ویژگی های آن از جمله چرخه حیات کلان داده و رویکردهای موثر آن مانند پیشگویی، تعمیرات قابل پیش بینی و تشخیص خطا در صنعت برق بیان می شود. پرونده مقاله

دسترسی آزاد مقاله

27 - الگوریتم ردیابی یادگیری تشخیص بهبود داده شده جهت نرخ قاب پایین
هومن مریدویسی فربد رزازی محمدعلی پورمینا مسعود دوستی

الگوریتم ردیابی یادگیری تشخیص (TLD) سنتی، نسبت به چالش هایی همچون تغییرات روشنایی، کلاترها و نرخ قاب پایین بسیار حساس بوده و باعث خطا در ردیابی هدف می گردد. در راستای غلبه بر این مشکلات و بهبود مقاومت الگوریتم، معماری الگوریتم ردیابی یادگیری تشخیص با ترکیب الگوریتم انتق چکیده کامل

الگوریتم ردیابی یادگیری تشخیص (TLD) سنتی، نسبت به چالش هایی همچون تغییرات روشنایی، کلاترها و نرخ قاب پایین بسیار حساس بوده و باعث خطا در ردیابی هدف می گردد. در راستای غلبه بر این مشکلات و بهبود مقاومت الگوریتم، معماری الگوریتم ردیابی یادگیری تشخیص با ترکیب الگوریتم انتقال متوسط و الگوریتم یادگیری نیمه نظارتی هم یادگیری، بهبود داده شده است. این ساختار در شرایط نرخ قاب پایین نتایج بهتری را نتیجه می دهد و مقاومت و دقت الگوریتم را نسبت به الگوریتم سنتی ردیابی یادگیری تشخیص افزایش می دهد. زیرا الگوریتم ردیابی انتقال متوسط نسبت به چرخش، موانع جزئی، تغییرات اندازه مقاوم بوده و به سادگی اجرا شده و به محاسبات کمی نیاز دارد. از طرف دیگر الگوریتم یادگیری نیمه نظارتی هم یادگیری با دو طبقه بند مستقل می تواند تغییرات ویژگی های هدف را به خوبی آموزش ببیند. بنابراین، ساختار توسعه داده شده می تواند مشکل گم کردن هدف را در شرایط وجود همزمان نرخ قاب پایین و چالش های دیگر حل نماید. نهایتا، ارزیابی مقایسه ای روش پیشنهادی با الگوریتم های معروف ردیابی بر روی سناریوهای مختلف از پایگاه داده مشهور TB-100، حاکی از عملکرد برتر روش پیشنهادی در مقایسه با سایر روش ها از لحاظ مقاومت و پایداری است. نهایتا ساختار پیشنهادی بر اساس معماری ردیابی یادگیری تشخیص در ویدیوهایی با چالش های مختلف ذکر شده به طور متوسط حدود 33 درصد نتایج را نسبت به الگوریتم سنتی ردیابی یادگیری تشخیص بهبود خواهد بخشید. پرونده مقاله

دسترسی آزاد مقاله

28 - پیش‌بینی انتخاب محصول توسط مشتریان مبتنی بر بازاریابی عصبی با الگوریتم هوش جمعی سالپ آشوبی
مرضیه ملکی زهرا دشت لعلی

10.30495/jmemiau.2024.709547

تعیین الگوی تصمیم‌گیری مشتریان در خرید محصولات یکی از موارد مهم در بازاریابی است و هدف از مقاله، ارائۀ راهکار جدید در بازاریابی عصبی در پیش‌بینی انتخاب محصولات توسط مشتریان است. در این تحقیق سیگنال‌های مغزی از بیست‌وپنج نفر شرکت کننده با محدودۀ سنی 18 تا 38 سال در زمان چکیده کامل

تعیین الگوی تصمیم‌گیری مشتریان در خرید محصولات یکی از موارد مهم در بازاریابی است و هدف از مقاله، ارائۀ راهکار جدید در بازاریابی عصبی در پیش‌بینی انتخاب محصولات توسط مشتریان است. در این تحقیق سیگنال‌های مغزی از بیست‌وپنج نفر شرکت کننده با محدودۀ سنی 18 تا 38 سال در زمان مشاهده 14 محصول مختلف استفاده‌شده است که گروه اول شامل 10 مرد و 6 زن با گسترۀ سنی 18 تا 23 سال، گروه دوم شامل 8 مرد و 5 زن با گسترۀ سنی 25 تا 30 سال و گروه سوم شامل 7 مرد و 4 زن با گسترۀ سنی 31 تا 38 سال بودند. برای انتخاب ویژگی‌ در این مقاله الگوریتم جدیدی مبتنی بر هوش جمعی سالپ آشوبی ارائه‌شده است که می‌تواند با قدرت جستجوی بالا، ویژگی‌های مؤثر را مشخص نماید و برای پیش‌بینی نهایی از طبقه بندهای مختلف در قالب یادگیری چندتایی استفاده‌شده است. در مدل پیشنهادی، از روش طیف‌‌های مرتبه بالا در استخراج ویژگی‌ها از سیگنال مغزی استفاده‌شده که شامل بیش از هفتصد ویژگی است و سپس انتخاب ویژگی با الگوریتم هوش جمعی سالپ پیشنهادی تعداد ویژگی&lrm;ها از 742 به 198 کاهش یافته است. نتایج نشان داده است که مدل پیشنهادی توانسته به‌طور میانگین در تشخیص انتخاب کاربران در همه محصولات دقت 99/75 درصد داشته باشد که نشان‌دهنده بهبود 75/3 درصدی نتایج نسبت به تحقیقات مشابه است. پرونده مقاله

دسترسی آزاد مقاله

29 - تحلیل روش ها و رویکرد های تولید چیدمان های خودکار فضایی
محمد هادی کابلی َسید علی اکبر صدری محمد رضا سلیمانی میترا میرزارضایی

بیش از 60 سال مطالعه در حوزه تولید چیدمان های خودکار فضایی نشان است که چیدمان های معماری می تواند نقش مهمی در ایجاد ساختمان هایی صرفه جوتر ایفا کنند. این پژوهش در تلاش است بر خلاف اکثر مطالعات انجام شده که به بررسی مقالات از منظر روش محاسباتی پرداخته اند، ضمن ارائه دسته چکیده کامل

بیش از 60 سال مطالعه در حوزه تولید چیدمان های خودکار فضایی نشان است که چیدمان های معماری می تواند نقش مهمی در ایجاد ساختمان هایی صرفه جوتر ایفا کنند. این پژوهش در تلاش است بر خلاف اکثر مطالعات انجام شده که به بررسی مقالات از منظر روش محاسباتی پرداخته اند، ضمن ارائه دسته بندی جدیدی برای مطالعات در حوزه تولید چیدمان های معماری، به بررسی کاربرد ها و مقایسه روش ها و رویکرد های موجود بپردازد علاوه بر آن، الگویی برای تولید خودکار چیدمان های فضایی معرفی کند این مقاله به بررسی 34 مطالعه متخب از میان 105 مطالعه مرتبط تولید چیدمان های فضایی به روش تحلیل محتوا می‌پردازد. برای این منظور از پایگاه های معتبر بین المللی و داخلی استفاده شده است. یافته‌های حاصل از بررسی نشان می دهد مطالعات در حوزه تولید خودکار چیدمان های خودکار فضایی از منظر رویکرد های بازنمایی مساله می توانند در 6 رویکرد سازمان دهی شوند. از سوی دیگر مزایای و کاربرد هر یک از این رویکرد ها بر اساس معیارهای کیفی مورد بررسی قرار گرفته اند. در این پژوهش ضمن ارائه الگوی عام، تولید چیدمان های خودکار فضا از منظر معماری، 3 روش تولید، جز به کل، کل به جز و مبتنی بر اصل خبرگی و کاربرد های آن را معرفی شده است. پرونده مقاله

دسترسی آزاد مقاله

30 - تحلیل روش ها و رویکرد های تولید چیدمان های خودکار فضایی
سید علی اکبر صدری محمد هادی کابلی میترا میرزا رضایی محمدرضا سلیمانی

بیش از 60 سال مطالعه در حوزه تولید چیدمان های خودکار فضایی نشان است که چیدمان های معماری می تواند نقش مهمی در ایجاد ساختمان هایی صرفه جوتر ایفا کنند. این پژوهش در تلاش است بر خلاف اکثر مطالعات انجام شده که به بررسی مقالات از منظر روش محاسباتی پرداخته اند، ضمن ارائه دسته چکیده کامل

بیش از 60 سال مطالعه در حوزه تولید چیدمان های خودکار فضایی نشان است که چیدمان های معماری می تواند نقش مهمی در ایجاد ساختمان هایی صرفه جوتر ایفا کنند. این پژوهش در تلاش است بر خلاف اکثر مطالعات انجام شده که به بررسی مقالات از منظر روش محاسباتی پرداخته اند، ضمن ارائه دسته بندی جدیدی برای مطالعات در حوزه تولید چیدمان های معماری، به بررسی کاربرد ها و مقایسه روش ها و رویکرد های موجود بپردازد علاوه بر آن، الگویی برای تولید خودکار چیدمان های فضایی معرفی کند این مقاله به بررسی 34 مطالعه متخب از میان 105 مطالعه مرتبط تولید چیدمان های فضایی به روش تحلیل محتوا می‌پردازد. برای این منظور از پایگاه های معتبر بین المللی و داخلی استفاده شده است. یافته‌های حاصل از بررسی نشان می دهد مطالعات در حوزه تولید خودکار چیدمان های خودکار فضایی از منظر رویکرد های بازنمایی مساله می توانند در 6 رویکرد سازمان دهی شوند. از سوی دیگر مزایای و کاربرد هر یک از این رویکرد ها بر اساس معیارهای کیفی مورد بررسی قرار گرفته اند. در این پژوهش ضمن ارائه الگوی عام، تولید چیدمان های خودکار فضا از منظر معماری، 3 روش تولید، جز به کل، کل به جز و مبتنی بر اصل خبرگی و کاربرد های آن را معرفی شده است پرونده مقاله

دسترسی آزاد مقاله

31 - ارائه مدل جامع جهت اندازه‌گیری ریسک نقدینگی بانک‌های پذیرفته‌شده در بورس اوراق بهادار تهران(مطالعه موردی: بانک ملت)
تورج آذری مجتبی دستوری رضا تهرانی

10.30495/fed.2022.694721

چکیدهعدم مدیریت نقدینگی بانک‌ها یکی از مهم‌ترین ریسک‌های هر بانک می‌باشد و کم‌توجهی به ریسک نقدینگی منجر به عواقب جبران‌ناپذیر می‌شود. جلوگیری از وقوع ریسک نقدینگی نیازمند یک روش اندازه‌گیری جامع می‌باشد؛ اما ریسک نقدینگی موضوعی پیچیده است و این پیچیدگی ارائه یک تعریف م چکیده کامل

چکیدهعدم مدیریت نقدینگی بانک‌ها یکی از مهم‌ترین ریسک‌های هر بانک می‌باشد و کم‌توجهی به ریسک نقدینگی منجر به عواقب جبران‌ناپذیر می‌شود. جلوگیری از وقوع ریسک نقدینگی نیازمند یک روش اندازه‌گیری جامع می‌باشد؛ اما ریسک نقدینگی موضوعی پیچیده است و این پیچیدگی ارائه یک تعریف مناسب را دشوار می‌سازد. علاوه بر این، تعریف فاکتورهای تعیین‌کننده ریسک نقدینگی و فرمول‌بندی تابع هدف مرتبط برای تقریب و پیش‌بینی مقدار آن پیچیده‌ است. در این تحقیق برای مقابله با این مشکلات و ارزیابی ریسک نقدینگی و فاکتورهای کلیدی آن، مدلی را پیشنهاد می‌کنیم که از شبکه‌های عصبی مصنوعی و بیزی استفاده ‌می‌کند. طراحی و اجرای این مدل شامل چندین الگوریتم و آزمایش جهت اعتبارسنجی است. در این مقاله از الگوریتم‌های بهینه‌سازی لونبرگ-مارکوارت و ژنتیک جهت آموزش شبکه‌ عصبی مصنوعی استفاده کرده‌ایم. همچنین یک مطالعه موردی در بانک ملت برای نشان دادن قابلیت اجرا، کارایی، دقت و انعطاف‌پذیری مدل اندازه‌گیری ریسک نقدینگی تحقیق، پیاده‌سازی کرده‌ایم. پرونده مقاله

دسترسی آزاد مقاله

32 - کارایی مدل‌های آماری والگوهای یادگیری ماشین در پیش بینی گزارشگری مالی متقلبانه The efficiency of statistical and machine learning models in fraud financial statement
حسن ملکی کاکلر جمال بحری ثالث سعید جبارزاده کنگرلویی علی آشتاب

وجود تقلب و تداوم آن در صورتهای مالی،آثارگسترده ای بر سلامت مالی شرکت ها و توسعه پایدار بازار سرمایه دارد. روش های متداول حسابرسی در پیشگیری و کشف صورت های مالی متقلبانه، نتوانستهاندباتقلب‌هایحسابدارینوظهور به دلیل فقداندانشموردنیازداده کاوی،پیچیدگی تقلب های جدید و عدم چکیده کامل

وجود تقلب و تداوم آن در صورتهای مالی،آثارگسترده ای بر سلامت مالی شرکت ها و توسعه پایدار بازار سرمایه دارد. روش های متداول حسابرسی در پیشگیری و کشف صورت های مالی متقلبانه، نتوانستهاندباتقلب‌هایحسابدارینوظهور به دلیل فقداندانشموردنیازداده کاوی،پیچیدگی تقلب های جدید و عدم تجربهکافیحسابرسان کناربیایند. در این پژوهش، انواع مدل های آماری و یادگیریماشین در دست یابی به الگویی با کارایی بالا در پیش بینی گزارشگری مالی متقلبانهاستفاده شد. از 20 متغیر در قالب الگوی پنج ضلعی تقلب با تاکید بر ساختار کنترل های داخلی در 166 شرکت هایفعال در بورس اوراق بهادار تهران طی سالهای 1388 الی 1397 و مقایسه بین مدل های مورد بررسی،باکمکآزمـونمقایسـة نسبت ها،نشان می‌دهدکهبه لحاظ آماریمدل هاییادگیریماشـیندرپیش‌بینیگزارشگری مالی متقلبانه نسـبتبـه مدل هایآماری،کارایی و دقتبیشتری دارند. ترکیب الگوریتم درخت تصمیم گیری CHAID، C5 و C&R بالاترین دقت در پیش بینی گزارشگری مالی متقلبانه را با دقت بالای 61/92 درصد در پیش بینی تقلب نشان می دهد. روش های داده کاوی بر پایه مدل های یادگیری ماشین و بویژه ترکیب آنها بطور موفقیت آمیزی در پیش بینی و کشف تقلب در صورت‌های مالی می تواند مورد استفاده قرار گیرد.The efficiency of statistical and machine learning models in fraud financial statement Hassan Maleki KaklarJamal Bahri SalethSaeed Jabbarzadeh KangarloeeAli AshtabThe existence and persistence of fraud in financial statements can have adverse impact on the sustainable development of the capital markets as well as the financial health of companies. Using conventional audit procedures which is applied to prevent and detect fraudulent financial statements, auditors fail to cope with emerging accounting frauds. This can be due to many reasons, such as the lack of the required data mining knowledge, the complexity and infrequency of financial frauds, and the auditors without much experience. Accordingly, due to importance of identifying fraud in capital market, different types of statistical and machine learning based models were examined to establish a rigorous and effective model to detect financial statements fraud in this study. For this purpose, 20 variables in the form of the pentagonal fraud with emphasis on the structure of internal controls (pressure, opportunity, justification, capability, arrogance and internal control structure) were used from 166 manufacturing companies listed on Tehran stock exchange over the period 2009-2018. Based on the statistical indices obtained, machine learning based models exhibited higher predictive ability and accuracy than statistical based models in predicting financial statement fraud. The results also showed that C5, CHAID and C&R decision tree models were highly accurate in prediction of fraudulent datapresented in fnancial statement. Accordingly, the efficacy of combination of CHAID, C5 and C&R decision tree algorithms which had the highest accuracy in prediction of fraudulent financial reporting was examined. The high accuracy of 92.61% of the combination of these algorithms in fraud prediction shows that data mining methods based on machine learning models and especially their combination can be used successfully in fnancial statement fraud prediction. پرونده مقاله

دسترسی آزاد مقاله

33 - به کارگیری مدل‌های یادگیری ماشین در تشکیل پرتفوی بهینه سهام و مقایسه کارایی آنها
محمد سرچمی احمد خدامی پور مجید محمدی حدیث زینلی

هرچند مدل‌های اقتصاد سنجی برای توصیف و ارزیابی روابط بین متغیرها با استنتاج آماری مناسب هستند، اما محدودیت‌هایی برای تحلیل‌های مالی دارند. تلاش‌های زیادی برای مدل‌سازی روابط غیرخطی در داده‌های مالی با استفاده از فناوری‌های یادگیری ماشین انجام شده است. هدف از انجام این پ چکیده کامل

هرچند مدل‌های اقتصاد سنجی برای توصیف و ارزیابی روابط بین متغیرها با استنتاج آماری مناسب هستند، اما محدودیت‌هایی برای تحلیل‌های مالی دارند. تلاش‌های زیادی برای مدل‌سازی روابط غیرخطی در داده‌های مالی با استفاده از فناوری‌های یادگیری ماشین انجام شده است. هدف از انجام این پژوهش به‌‌کارگیری مدل‌های یادگیری ماشین در تشکیل پرتفوی بهینه سهام و مقایسه کارایی آن‌ها است. نمونه آماری پژوهش حاضر، شامل 156 شرکت پذیرفته‌شده در بورس اوراق بهادار تهران برای بازه زمانی 1387 تا 1396 است. پس از گردآوری داده‌ها، مدل‌های یادگیری عمیق موردنظر در نرم‌افزار آناکوندا و زبان برنامه‌نویسی پای‌تون، مورد آزمون قرار گرفت و سپس توانایی هر یک از مدل‌ها در تشکیل پرتفوی بهینه سهام توسط معیارهای ارزیابی بازده، بازده مرکب، ترینر و جنسن تعیین شد. با توجه به نرخ بازده بدون ریسک و نرخ بازده بازار و اینکه سرمایه‌گذاران با تشکیل پرتفوی به دنبال سودآوری بیشتر از این دو نرخ بازده هستند و هم‌چنین نتایج ارزیابی پرتفوی دو شاخص ترینر و جنسن، این نتیجه حاصل گردید که مدل شبکه عصبی کانولوشن یادگیری عمیق توانایی تشکیل پرتفوی بهینه سهام را دارد و بر طبق همین استدلال، مدل شبکه عصبی بازگشتی حافظه طولانی کوتاه‌مدت توانایی تشکیل پرتفوی بهینه سهام را ندارد. پرونده مقاله

دسترسی آزاد مقاله

34 - ارائه الگوریتم ترکیبی یادگیری ماشین و ترکیب سنجه‎های ریسک و نظریه فازی در انتخاب سبد سرمایه گذاری
دانیال محمدی سید جعفر سجادی عمران محمدی نعیم شکری

بازده و ریسک دو عامل مهم و اساسی برای تصمیم‌گیری در حوزه مالی می‌باشند. پژوهش حاضر جهت یافتن پرتفوی بهینه برای سرمایه‌گذاری از سهام بورسی انجام گرفته و یکی‌از روش‌هایی‌که در حال حاضر محبوبیت زیادی در بین تحلیل‌گران و پژوهش-گران این حوزه شکل گرفته، روش‌های مبتنی‌بر هوش م چکیده کامل

بازده و ریسک دو عامل مهم و اساسی برای تصمیم‌گیری در حوزه مالی می‌باشند. پژوهش حاضر جهت یافتن پرتفوی بهینه برای سرمایه‌گذاری از سهام بورسی انجام گرفته و یکی‌از روش‌هایی‌که در حال حاضر محبوبیت زیادی در بین تحلیل‌گران و پژوهش-گران این حوزه شکل گرفته، روش‌های مبتنی‌بر هوش مصنوعی و در پی آن روش‌هایی با هدف کاهش سنجه‌های ریسک می‌باشد. هدف پژوهش حاضر تشکیل پرتفوی با‌استفاده از روش‌های یادگیری ماشین، سنجه ریسک و ترکیب آن با نظریه فازی است، که بازده‌ای بهتر از بازده میانگین بازار داشته باشد. خروجی هر روش وارد الگوریتم جنگل تصادفی شده و پیش‌بینی به‌وسیله این الگوریتم صورت می‌گیرد و در مرحله آخر، خروجی پیش‌بینی‌ برای تشکیل سبد سرمایه وارد مدل بهینه‌سازی ارزش در معرض ریسک و ارزش در معرض ریسک شرطی با رویکرد نظریه فازی می‌شوند. اطلاعات سهم‌ها به‌صورت روزانه و بازه زمانی آن از ابتدای سال 1394 تا اواسط سال 1398 می‌باشد. در پایان هرکدام از این روش‌ها و مراحل با بازده واقعی بازار مقایسه گردید. بر اساس نتایج بدست آمده سنجه‌ریسک CVAR قابلیت بهتری را نسبت‌به سنجه ریسک VAR داشته است، هم‌چنین الگوریتم جنگل تصادفی در بین الگوریتم‌های یادگیری ماشین استفاده شده، نتایج بهتری را در انتخاب سبد سرمایه‌گذاری رقم زده‌ است. پرونده مقاله

دسترسی آزاد مقاله

35 - بررسی مقایسه‌ای دقت پیش‌بینی مدل‌های ماشین بردار پشتیبان، شبکه بیزین و سی‌فایو در پیش-بینی قیمت‌گذاری کمتر از واقع شرکت‌های پذیرفته شده در بورس اوراق بهادار و فرابورس
بیتا دهقان خانقاهی جمال بحری ثالث سعید جبارزاده کنگرلویی علی آشتاب

پژوهش‌های پیشین در زمینه عملکرد کوتاه‌مدت عرضه عمومی اولیه، بیانگر این واقعیت است که سهام تازه عرضه شده در کوتاه‌مدت، عملکرد بهتری نسبت به بازار دارد. مدل‌های آماری توانسته‌اند پیش‌بینی‌های خوبی در مورد عملکرد این‌گونه سهام ارائه دهند ولی مفروضات محدودکننده برخی از این چکیده کامل

پژوهش‌های پیشین در زمینه عملکرد کوتاه‌مدت عرضه عمومی اولیه، بیانگر این واقعیت است که سهام تازه عرضه شده در کوتاه‌مدت، عملکرد بهتری نسبت به بازار دارد. مدل‌های آماری توانسته‌اند پیش‌بینی‌های خوبی در مورد عملکرد این‌گونه سهام ارائه دهند ولی مفروضات محدودکننده برخی از این مدل‌ها بر اثربخشی‌شان موثر بوده است. بنابراین، روش‌های دیگری برای مقابله با این محدودیت‌ها و بهبود پیش‌بینی‌ها معرفی شدند. از آن‌جایی که عرضه عمومی اولیه موضوع بااهمیتی در بازار سرمایه است، در این پژوهش به بررسی مدل‌های طبقه‌بندی مختلف برای دست‌یابی به مدلی که از کارایی و دقت بالایی در پیش‌بینی قیمت‌گذاری کمتر از واقع سهام عرضه عمومی اولیه برخوردار است، پرداخته شد. به‌منظور دست‌یابی به این هدف، ۸۴ شرکت بورسی و ۵۴ شرکت فرابورسی طی سال‌های 1382 تا 1396 به‌روش حذف سیستماتیک جهت تحلیل در نظر گرفته شد. نتایج نشان داد که مدل‌های ماشین بردار پشتیبان، شبکه بیزین و سی‌فایو از دقت بالایی در پیش‌بینی قیمت‌گذاری کمتر از واقع برخوردارند. همچنین نتایج نشان داد که متغیرهای مهم تاثیرگذار شامل رشد دارایی‌ها، دوره تصدی حسابرس، تخصص حسابرس در صنعت، نسبت فعالیت‌های تامین‌مالی، نسبت قیمت به سود هرسهم، بازده دارایی‌ها، نسبت فعالیت‌های عملیاتی، اندازه موسسه حسابرسی، فرصت‌های رشد و نوسانات قیمت سهام هستند. پرونده مقاله

دسترسی آزاد مقاله

36 - مقایسه مدل‌های مختلف یادگیری ماشین در پیش‌بینی شاخص بازار سهام
مریم سهرابی سید مظفر میربرگ کار ابراهیم چیرانی سینا خردیار

پیش بینی سریهای زمانی بازارهای مالی مسئله ای چالش برانگیز در حوزه مطالعات تخصصی سری های زمانی محسوب میشود و نظر بسیاری از پژوهشگران را به خود جلب نموده است. این موضوع با توجه به حضور کلان داده‌ها موجب رشد تحولات در زمینه مدل‌های یادگیری ماشین شده است. با توجه به اهمیت ا چکیده کامل

پیش بینی سریهای زمانی بازارهای مالی مسئله ای چالش برانگیز در حوزه مطالعات تخصصی سری های زمانی محسوب میشود و نظر بسیاری از پژوهشگران را به خود جلب نموده است. این موضوع با توجه به حضور کلان داده‌ها موجب رشد تحولات در زمینه مدل‌های یادگیری ماشین شده است. با توجه به اهمیت این موضوع، در این پژوهش، با بهره‌‌گیری از مقایسه مدل‌های مختلف یادگیری ماشین از قبیل رویکردهای جنگل تصادفی، ماشین بردار پشتیبان، شبکه عصبی مصنوعی و شبکه عصبی بازگشتی مبتنی بر یادگیری عمیق به بررسی توانایی مدل های مختلف یادگیری ماشین در پیش‌بینی شاخص کل بورس اوراق بهادار تهران در طی دوره ی 1392 تا 1399 پرداخته شده است. نتایج پیش بینی دوره‌های 1، 3 و 6 روزه برای دوره خارج از نمونه نشان می‌دهد که روش‌ یادگیری ماشین مبتنی بر شبکه عصبی بازگشتی حافظه طولانی کوتاه‌مدت (LSTM) در مقایسه با سایر مدل‌های مورد بررسی نتیجه بهتری داشته است. پرونده مقاله

دسترسی آزاد مقاله

37 - توسعه یک رویکرد جدید یادگیری جمعی برای انتخاب پورتفوی سهام با استفاده از ماشین بردار پشتیبان چند کلاسه و الگوریتم ژنتیک
نسرین باقری مزرعه امیر دانشور مهدی معدنچی زاج

امروزه در بازارهای مالی حجم و سرعت معاملات افزایش چشم‌گیری یافته‌است و دچار تغییر و تحولات گسترده‌ای شده‌است. تعیین استراتژی مناسب برای خرید و فروش در بورس اوراق بهادار وقتی با روندهای افزایشی وکاهشی یا نوسانی مواجه هستند بسیار مهم می‌باشد .لذا برای انتخاب یک استراتژی م چکیده کامل

امروزه در بازارهای مالی حجم و سرعت معاملات افزایش چشم‌گیری یافته‌است و دچار تغییر و تحولات گسترده‌ای شده‌است. تعیین استراتژی مناسب برای خرید و فروش در بورس اوراق بهادار وقتی با روندهای افزایشی وکاهشی یا نوسانی مواجه هستند بسیار مهم می‌باشد .لذا برای انتخاب یک استراتژی مناسب، استفاده از مدل‌های پیچیده فراابتکاری استفاده می‌شود. در این تحقیق تلاش می-شـود تا با توسعه روش جدید انتخاب و بهینه‌سازی پرتفوی سهام مبتنی بر الگوریتم یادگیری جمعی و ژنتیک به منظور انتخاب بهترین استراتژی معاملاتی برای کسب بازدهی بیشتر و ریسک کمتر استفاده کرد. برای پیش بینی بازده و دریافت سیگنال خرید از ترکیب الگوریتم ماشین بردار پشتیبان شش کلاسه(SVM) و برای بهینه‌سازی قواعد معاملاتی از الگوریتم پویای ژنتیک استفاده شد‌ه‌است. برای بهبود دقت طبقه‌بندی بازده در این تحقیق از روش‌های یادگیری جمعی شامل Bagging، یکی از الگوریتم‌های مبتنی بر Ensemble Learning استفاده شده است .داده‌های مربوط به هر سهم و متغیرهای بنیادی، در یک بازه زمانی روزانه بین سالهای 1390 تا 1399 به عنوان داده‌های آموزش و آزمون استفاده می‌شود. نتایج بدست آمده درمقایسه با روش‌های سنتی نتایج امیدوارکننده‌ای داشته‌است. پرونده مقاله

دسترسی آزاد مقاله

38 - مقایسه رگرسیون خطی چندگانه و الگوریتم‌های یادگیری ماشین در پیش‌بینی نگهداشت وجه نقد
سمیرا سیف مصطفی یوسفی طزرجان

در سالهای اخیر، در ادبیات مالی، توجه روز افزونی به سطح نگهداشت وجه نقد شرکت‌ها شده است. لذا؛ پیش‌بینی برای تعیین سطح بهینه نگهداشت وجه نقد اهمیت دارد. در این پژوهش با استفاده از روش‌های خطی و غیرخطی و 13 متغیر ورودی تاثیر‌گذار میزان وجه نقد در 103 شرکت پذیرفته شده در بو چکیده کامل

در سالهای اخیر، در ادبیات مالی، توجه روز افزونی به سطح نگهداشت وجه نقد شرکت‌ها شده است. لذا؛ پیش‌بینی برای تعیین سطح بهینه نگهداشت وجه نقد اهمیت دارد. در این پژوهش با استفاده از روش‌های خطی و غیرخطی و 13 متغیر ورودی تاثیر‌گذار میزان وجه نقد در 103 شرکت پذیرفته شده در بورس اوراق بهادار ایران طی سال‌های 1392 تا 1400 پیش‌بینی شده است. روش‌های به‌کار رفته شامل رگرسیون خطی چندگانه (MLR) ، نزدیکترین k همسایه (KNN) ، ماشین بردار پشتیبان (SVM) و شبکه‌های عصبی چند لایه (MLNN) برای پیش‌بینی استفاده شده است. نتایج نشان می‌دهد که روش سنتی رگرسیون خطی چندگانه در پیش‌بینی وجه نقد موفق عمل نکرده‌اند ولی الگوریتم‌های یادگیری ماشین با دقت 99/0 برتر بوده‌اند. متغیرهای سود هر سهم، نسبت داراییهای جاری به بدهیهای جاری و نسبت بدهی کوتاه‌مدت به کل دارایی‌ها تاثیر‌گذاری بیشتری در همه الگوریتم‌ها داشته‌اند. بنابراین، مدیران می‌توانند از الگوریتم‌های پیشرفته یادگیری ماشین جهت پیش‌بینی میزان وجه نقد آینده شرکت‌ها بهره بگیرند. پرونده مقاله

دسترسی آزاد مقاله

39 - پیش‌بینی نگهداشت وجه نقد با استفاده از الگوریتم‌های یادگیری ماشین نظارت‌شده در شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران
سعید فلاح پور رضا راعی نگار توکلی

این مطالعه با توجه به 22 ویژگی انتخاب شده (که در حین پژوهش بررسی می‌شوند) با روش‌های یادگیری ماشین، نگهداری وجه نقد شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران را پیش‌بینی می‌کند. 201 شرکت از سال 1396 تا سال 1400 بررسی شد. رگرسیون خطی چندگانه ، کی-نزدیک‌ترین همسایه، چکیده کامل

این مطالعه با توجه به 22 ویژگی انتخاب شده (که در حین پژوهش بررسی می‌شوند) با روش‌های یادگیری ماشین، نگهداری وجه نقد شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران را پیش‌بینی می‌کند. 201 شرکت از سال 1396 تا سال 1400 بررسی شد. رگرسیون خطی چندگانه ، کی-نزدیک‌ترین همسایه، رگرسیون بردار پشتیبان، درخت تصمیم، جنگل تصادفی، الگوریتم تقویت گرادیان شدید و شبکه‌های عصبی چندلایه برای پیش‌بینی استفاده می‌شود. نتایج نشان می‌دهد که روش‌های رگرسیون خطی چندگانه ، کی-نزدیک‌ترین همسایه خطای جذر میانگین مربعات و میانگین قدرمطلق خطا بالا را ارائه می‌دهند. در همین حال، الگوریتم‌های پیچیده‌تر، به خصوص رگرسیون بردار پشتیبان ، دقت بالاتری را به دست می‌آورند؛ یافته‌ها حاکی از آن بوده است که با کاهش به 15 متغیر، روش‌های یادگیری ماشین به خصوص کی-نزدیک‌ترین همسایه نتایج بهتری را ارائه دادند. بر مبنای آزمون مقایسه زوجی نیز رگرسیون بردار پشتیبان عملکرد بهتری از سایر الگوریتم‌های یادگیری ماشین نظارت شده به جز درخت تصمیم دارد. همچنین مهمترین متغیرها نیز اندازه شرکت و مخارج سرمایه‌ای به دست آمد. شاخص عدم قطعیت جهانی و تورم نیز از متغیرهایی با اهمیت نسبتاً بالایی بودند؛ بنابراین، با استفاده از الگوریتم رگرسیون بردار پشتیبان ،‌ ممکن است میزان وجه نقد را به میزان قابل‌توجهی پیش‌بینی کنیم. پرونده مقاله

دسترسی آزاد مقاله

40 - توسعه سیستم‌های معاملاتی سبد سهام با استفاده از روش‌های یادگیری ماشین
علی حیدریان محدثه مرادی مهر علی فرهادیان

تئوری سبد سرمایه‌گذاری یک‌پایه مهم برای مدیریت سبد سهام است که در جامعه دانشگاهی موضوعی است که به‌خوبی موردمطالعه قرارگرفته است اما به‌طور کامل اشباع‌نشده است. ادغام پیش‌بینی بازده در تشکیل سبد سرمایه-گذاری می‌تواند عملکرد مدل بهینه‌سازی سبد را بهبود بخشد. ازآنجایی‌که م چکیده کامل

تئوری سبد سرمایه‌گذاری یک‌پایه مهم برای مدیریت سبد سهام است که در جامعه دانشگاهی موضوعی است که به‌خوبی موردمطالعه قرارگرفته است اما به‌طور کامل اشباع‌نشده است. ادغام پیش‌بینی بازده در تشکیل سبد سرمایه-گذاری می‌تواند عملکرد مدل بهینه‌سازی سبد را بهبود بخشد. ازآنجایی‌که مدل‌های یادگیری ماشین برتری قابل‌توجهی نسبت به مدل‌های آماری نشان داده‌اند، در این پژوهش، یک رویکرد جدید تشکیل سبد سهام در دو مرحله ارائه‌شده است. مرحله اول با پیاده‌سازی شبکه عصبی پیچشی، سهام مناسب برای خرید انتخاب‌شده و در مرحله دوم با استفاده از مدل میانگین-واریانس (MV)، وزن بهینه در سبد سرمایه‌گذاری برای آنها تعیین می‌شود. به‌طور خاص، مراحل انتخاب سهام مناسب و تشکیل سبد سهام دو مرحله اصلی مدل توسعه داده‌شده در این پژوهش است. مرحله اول، یک مدل شبکه عصبی پیچشی برای پیش‌بینی نقاط خرید و فروش سهام برای دوره بعدی پیشنهادشده است. مرحله دوم، سهامی که برچسب خرید می‌گیرند به‌عنوان سهام با مناسب برای خرید انتخاب‌شده و از مدل MV برای تعیین وزن بهینه آن‌ها در سبد سهام استفاده می‌شود. نتایج به‌دست‌آمده با استفاده از 5 سهم از بازار بهادار تهران به‌عنوان نمونه مطالعه نشان می‌دهد که بازده و نسبت شارپ روش پیشنهادی از روش‌های سنتی (بدون فیلتر کردن سهام مناسب) به‌طور قابل‌توجهی بهتر است. پرونده مقاله

دسترسی آزاد مقاله

41 - مقایسه توانایی الگوریتم‌های یادگیری ماشین آدابوست و طبقه‌بندی احتمالی بیزین در پیش‌بینی بیش‌اطمینانی مدیران شرکت‌های بازار سرمایه ایران
شکوفه اعتبار رویا دارابی محسن حمیدیان سیده محبوبه جعفری

بیش&lrm;اطمینانی که یکی از ویژگی&lrm;های شخصیتی افراد می‌باشد، که ممکن است بر تصمیم‌گیری‌های مدیران شرکت‌ها تأثیر داشته باشد، مدیریت با رفتار غیرمنطقی می‌تواند بر عملکرد شرکت در بلند‌مدت تأثیرگذار باشد. هدف اصلی از پژوهش کاربردی حاضر مقایسه توانایی الگوریتم‌های یادگیری چکیده کامل

بیش&lrm;اطمینانی که یکی از ویژگی&lrm;های شخصیتی افراد می‌باشد، که ممکن است بر تصمیم‌گیری‌های مدیران شرکت‌ها تأثیر داشته باشد، مدیریت با رفتار غیرمنطقی می‌تواند بر عملکرد شرکت در بلند‌مدت تأثیرگذار باشد. هدف اصلی از پژوهش کاربردی حاضر مقایسه توانایی الگوریتم‌های یادگیری ماشین آدابوست و طبقه‌بندی احتمالی بیزین در پیش‌بینی بیش‌اطمینانی مدیران شرکت‌های بازار سرمایه ایران طی سال‌های 1387 تا 1395 می‌باشد که در این راستا الگوریتم هوش مصنوعی آدابوست و احتمالی بیزین به‌منظور ارائه مدل جهت پیش‌بینی بیش‌اطمینانی مدیریت در شرکت‌های پذیرفته شده بورس اوراق بهادار تهران، برای سال جاری و یک سال آتی اعتبار‌سنجی شدند. درمجموع، تعداد 34 صنعت مختلف به‌عنوان نمونه آماری انتخاب شد (اطلاعات مالی تعداد 3145 شرکت-سال در مجموع). روش گردآوری اطلاعات در بخش مبانی نظری از روش کتابخانه‌ای و برای انجام محاسبات و طبقه‌بندی آماری داده‌های مالی، از نرم‌افزارهای Excel و برای آزمون فرضیه‌های پژوهش از نرم‌افزار matlab 2017 استفاده شده است. یافته‌های پژوهش نشان می‌دهد که، مدل‌های غیرخطی پیش‌بینی الگوریتم آدابوست و الگوریتم احتمالی بیزین به دست آمده، هر دو توانایی پیش‌بینی ‌بیش‌اطمینانی ‌مدیریت برای سال جاری و یک سال بعد را دارند؛ اما مدل پیش‌بینی آدابوست در مقایسه با مدل پیش‌بینی بیزین نتایج بهتری را برای پیش‌بینی اعتماد به نفس کاذب مدیریت دارد که نشان‌دهنده قدرت بیشتر در یادگیری و کارآیی بهتر این مدل به‌منظور پیش‌بینی ‌بیش‌اطمینانی مدیریت می‌باشد. پرونده مقاله

دسترسی آزاد مقاله

42 - استفاده از الگوریتم‌های ماشین بردار پشتیبان و بیز ساده و ترکیب آن با سنجه ریسک و نظریه فازی در انتخاب سبد سهام
دانیال محمدی عمران محمدی نعیم شکری نیما حیدری

10.30495/afi.2023.1995691.1257

هدف: هدف پژوهش حاضر تشکیل پرتفوی بهینه با استفاده از الگوریتم های یادگیری ماشین و نظریه فازی است که بازدهی بهتر از بازده میانگین بازار (شاخص کل بورس اوراق بهادار) داشته باشد.روش‌شناسی پژوهش: در پژوهش حاضر، سهام شرکت های منتخب در مرحله اول با استفاده از دو الگوریتم معرفی چکیده کامل

هدف: هدف پژوهش حاضر تشکیل پرتفوی بهینه با استفاده از الگوریتم های یادگیری ماشین و نظریه فازی است که بازدهی بهتر از بازده میانگین بازار (شاخص کل بورس اوراق بهادار) داشته باشد.روش‌شناسی پژوهش: در پژوهش حاضر، سهام شرکت های منتخب در مرحله اول با استفاده از دو الگوریتم معرفی شده، کلاس بندی می شوند. در مرحله بعد سهامی که وارد کلاس مثبت شده اند، با کمک الگوریتم جنگل تصادفی، برای روز معاملاتی بعد پیش بینی می شوند. برای هریک از شرکت ها سه پیش‌بینی صورت می گیرد که ورودی های بهینه سازی با روش فازی هستند. بهینه سازی با هدف کمینه‌کردن ریسک با سنجه های ریسک ارزش در معرض خطر و ارزش در معرض خطر شرطی صورت می گیرد. اطلاعات سهم ها پنج‌ساله، به صورت روزانه و بازه زمانی آن از ابتدای سال 1397 تا پایان سال 1401 می باشد.یافته‌ها: در پایان، هرکدام از الگوریتم ها و سنجه ریسک مورداستفاده آن، با بازده واقعی بازار سنجیده و مقایسه گردید. بر اساس نتایج به‌دست‌آمده سنجه ریسک CVAR قابلیت و نتیجه بهتری را نسبت به سنجه ریسک VAR داشته است و الگوریتم ماشین بردار پشتیبان نیز، عملکرد بهتری را در انتخاب سبد سرمایه گذاری رقم زده است.اصالت / ارزش‌افزوده علمی: این پژوهش با یکپارچه‌سازی روش‌های یادگیری ماشین و سنجه‌های ریسک، به شکل یک نمونه سرمایه بهینه می‌شود. اضافه‌کردن سنجه‌های ریسک VaR و CVaR فرآیند تصمیم‌گیری در خصوص کاهش ریسک را تقویت می‌کند. پیش بینی به کمک جنگل تصادفی و استفاده از رویکردی بر پایه نظریه فازی برای تحلیل ریسک و ارزش، پژوهش را به یک چشم‌انداز نوآورانه در تشکیل پرتفوی می‌بخشد. یافته‌ها، به سرمایه‌گذاران و پژوهشگران در جستجوی استراتژی‌های سرمایه‌گذاری بهتر، یافته‌های ارزشمندی ارائه می‌دهد. پرونده مقاله

دسترسی آزاد مقاله

43 - ارائه مدل راهبردی مبتنی بر رویکرد یادگیری ماشین به منظور سنجش خودکار نظرات و کاوش اطلاعات کالاها در بازاریابی دیجیتال
علیرضا عاشوری رودپشتی هرمز مهرانی کریم حمدی

مطالعه حاضر با استفاده از تکنیک های یادگیری ماشین و نظرکاوی کوشیده است تا بتواند مدل راهبردی خودکار به منظور طبقه بندی و کاوش نظرات ارائه شده در مورد کالا، برند یا خدماتی خاص ارائه نماید. بکارگیری چنین مدل راهبردی می تواند در شناسایی خصوصیات برندها و خوشه بندی عاملی بین چکیده کامل

مطالعه حاضر با استفاده از تکنیک های یادگیری ماشین و نظرکاوی کوشیده است تا بتواند مدل راهبردی خودکار به منظور طبقه بندی و کاوش نظرات ارائه شده در مورد کالا، برند یا خدماتی خاص ارائه نماید. بکارگیری چنین مدل راهبردی می تواند در شناسایی خصوصیات برندها و خوشه بندی عاملی بین آن ها بسیار کارآمد بوده و اطلاعات بسیار ارزشمندی در این زمینه ارائه دهد. نتایج حاصل از این ارزیابی می تواند در تهیه استراتژی های مدیریت بازاریابی و بهبود کمی یا کیفی عامل مذکور بکار برده شود. مدل مبتنی بر یادگیری ماشین و شبکه عصبی عمیق با شناسایی نظرات مرتبط، خصوصیات مختلف را در سطوح گوناگون ارزشیابی سنجیده و نظرات را بسته به کیفیت ارائه بصورت خودکار طبقه بندی می نماید. خروجی این مدل با بکارگیری قابلیت های بازاریابی در بهبود فروش کالا/برند/خدمات تعریف شده بصورت کارآمد وارد شده است. مجموعه داده بکار گرفته شده در این مطالعه مربوط به مجموعه نظرات کاربران فارسی زبان سایت فروش انلاین دیجیکالا و هلوکیش می باشد که بصورت آموزشی- آزمایشی (70% داده آموزشی و 30% داده آزمایشی) طی سه مدل متناوب بارگذاری گردیده که به منظور شناسایی و طبقه بندی ویژگی های مختلف کالاها و خدمات ارائه شده در مجموعه داده مورد استفاده بوده است. مدل پیشنهادی جهت ارزیابی توانمندی از توابع خطا برای محاسبه میزان خطای محاسباتی استفاده نموده تا بتواند میزان انحراف از مقادیر درستی را برای اطلاعات پیش بینی شده خود ارائه دهد. بدین منظور از ارزیابی خطای میانگین مربعات و خطای جذر میانگین مربعات بهره گرفته شده است. نتایج حاصله نشان دهنده دقت بالای مدل ارزیابی ها و پیش بینی شرایط مختلف می باشد. پرونده مقاله

دسترسی آزاد مقاله

44 - روشی بهینه برای تشخیص ناهنجاری ها در سیستم های تشخیص نفوذ
افسانه بنی طالبی

شبکه های نرم افزارمحور به عنوان معماری ازشبکه های کامپیوتری نوین با استفاده از کنترل کننده مرکزی در نظر گرفته می شوند. هر گونه تغییر در داده های شبکه و ترتیب آن می تواند به صورت بی دردسر در نرم افزار از طریق کنترل کننده در این شبکه ها اجرا شود. در نتیجه، شناسایی و پاسخ چکیده کامل

شبکه های نرم افزارمحور به عنوان معماری ازشبکه های کامپیوتری نوین با استفاده از کنترل کننده مرکزی در نظر گرفته می شوند. هر گونه تغییر در داده های شبکه و ترتیب آن می تواند به صورت بی دردسر در نرم افزار از طریق کنترل کننده در این شبکه ها اجرا شود. در نتیجه، شناسایی و پاسخ به موقع به حملات سایبری مانند حمله منع سرویس توزیع شده (DDoS)می تواند به دست آید که در شبکه های معمولی چنین نیست. در این روش، از تریشولد آلفا وروشهای یادگیری ماشین برای تشخیص ناهنجاری ها استفاده می شود. نتایج با اعتبارسنجی متقابل ۱۰ برابری ارزیابی می شوند. مجموعه داده مورد استفاده ISOT، CTU-13و UNB ISCX است. نتایج ارزیابی با دقت ۹۹.۸۴% و مقدار FPR ، 0.1% نشان دهنده کارایی بالای مدل پیشنهادی در شبکه های SDN است. پرونده مقاله

دسترسی آزاد مقاله

45 - کنترل بهینه پویایی مشتری از روش یادگیری ماشین با هسته چندجمله‌ای
سید حمید عمادی ابوالفضل صادقیان مژده ربانی حسن دهقان دهنوی

در این پژوهش، یک مدل از کنترل بهینه برای پویایی مشتریان براساس سیاست‌های بازاریابی به عنوان یک سیستم غیر خودکار از معادلات دیفرانسیل مورد بررسی قرار می‌گیرد. هدف اصلی مدل پیگیری و تحلیل رفتار تغییرات همزمان مشتریان منظم، ارجاعی و بالقوه شرکت از زمان شروع تا به اکنون ا چکیده کامل

در این پژوهش، یک مدل از کنترل بهینه برای پویایی مشتریان براساس سیاست‌های بازاریابی به عنوان یک سیستم غیر خودکار از معادلات دیفرانسیل مورد بررسی قرار می‌گیرد. هدف اصلی مدل پیگیری و تحلیل رفتار تغییرات همزمان مشتریان منظم، ارجاعی و بالقوه شرکت از زمان شروع تا به اکنون است. پیاده‌سازی یک سیاست بازاریابی موثر برای بهینه‌سازی این تغییرات و افزایش تعداد مشتریان از اهمیت ویژه‌ای برخوردار است. در راستای این هدف، یک الگوریتم جدید یادگیری ماشین نظارتی را برای شبیه‌سازی عددی مسئله ارائه شده است. الگوریتم پیشنهادی از هسته‌های چندجمله‌ای استفاده می‌کند. هسته‌های چندجمله‌ای این امکان را فراهم می‌آورند که تابعی پیچیده از داده‌ها را به گونه‌ای شبیه‌سازی کنند که به درک بهتر پویایی مشتریان کمک کند. رگرسیون بردار پشتیبان کمترین مربعات، یک روش بهینه‌سازی ساده برای استراتژی‌های بازاریابی ارائه می‌دهند که با این رویکرد، می‌توان استراتژی‌های بازاریابی را بدون پرداختن به جزئیات مربوط به هر مشتری بهینه کرد و به جای آن تمرکز را بر اثر کلی این استراتژی‌ها بر روی مجموعه مشتریان گذاشت. این تحقیق نشان می‌دهد که چگونه تکنیک‌های یادگیری ماشین می‌توانند در حل مسائل پیچیده مدیریت و بازاریابی کمک‌کننده باشند. با گذر زمان، تعداد مشتریان منظم افزایش می‌یابد و افراد مشتریان بالقوه کاهش می‌یابند. اما، تعداد مشتریان ارجاعی نشان دهنده یک رشد سریع در ابتدای دوره زمانی و وجود یک الگوی افزایشی نوسانی در ادامه زمان است. پرونده مقاله

فهرست مقالات یادگیری ماشین

سکوی نشر دانش

پیوندهای سایت

مراکز مرتبط

پشتیبانی

صفحات رسمی