-
دسترسی آزاد مقاله
1 - مدیریت پاداش جبران خدمت مدیران و کارکنان سازمان با یادگیری
ناصر فقهی فرهمنداین مقاله پراکندگی پاداش جبران خدمت کارکنان را قبل و بعد از کنترل پستهای سلسله مراتبی سازمانی در نمونههای مورد بررسی مطالعه میکند. از اطلاعات مربوط به مدیران عالی و میانی و کارکنان به تعداد 694 نفر از 69 سازمان مختلف بازرگانی و صنعتی یه این موضوع پی برده شد که پراکند چکیده کاملاین مقاله پراکندگی پاداش جبران خدمت کارکنان را قبل و بعد از کنترل پستهای سلسله مراتبی سازمانی در نمونههای مورد بررسی مطالعه میکند. از اطلاعات مربوط به مدیران عالی و میانی و کارکنان به تعداد 694 نفر از 69 سازمان مختلف بازرگانی و صنعتی یه این موضوع پی برده شد که پراکندگی مذکور با آموزش و تجربه کاری قبل از شاغل شدن کاهش مییابد ولی با تصدی شغلی افزایش پیدا میکند که این یافتهها با نتایج تحقیقات انجام شده قبلی که در آنها ارتباط مستقیمی بین پراکندگی پاداش جبران خدمت، آموزش و تجربه کاری حاصل شده بود، مغایرتهایی را نشان میدهد. به عبارتی این بررسی با یافتههای جدید و از طریق مدل یادگیری، پراکندگی پاداش جبران خدمت بین مشاغل و پستهای سلسله مراتبی سازمانی را تفکیک میکند و در آن راستا مدل ارائه شده، زمانی که کارکنان در پستهای سلسله مراتبی سازمانی ترفیع پیدا می کنند،مزیت ها و امتیازات اطلاعاتی مربوطه خود را نمایان می سازد و زمینه را برای تست های قوی و مطمئنتر در مورد تئوریهای یادگیری فراهم میسازد. همچنین این بررسی ادبیات و تئوریهای مذکور و مرتبط را در دو مدل و با دو معادله جدید تجربی و عملی بکار میگیرد که یکی از آنها برای سطح پاداش جبران خدمت و دیگری برای پراکندگی مشروط جهت تست پیشبینی های تئوریکی است. توضیح اینکه این مقاله به صورت زیر سازماندهی شده است. - خلاصهای از مفاهیم تجربی و عملی مدلهای یادگیری برای بررسی عوامل و فاکتورهای تعیین کننده پاداش جبران خدمت مدیران و کارکنان در شرایطی که اطلاعات درباره پستهای سازمانی کارکنان در دسترس باشد. - تشریح و توصیف دادهها و اطلاعات اساسی و همچنین متدولوژی و ارائه نتایج برآوردهای مدلهای علمی و تجربی. بحث در رابطه با اثبات تئوریهای اساسی و استنتاج به همراه خلاصه یافتههای این بررسی پرونده مقاله -
دسترسی آزاد مقاله
2 - بررسی شکلگیری انتظارات تورمی: رویکرد آزمایشگاهی (مطالعه موردی: فعالان بازار سرمایه استان کرمانشاه)
شهرام فتاحی کیومرث سهیلی محمد بهمنانتظارات تورمی به عنوان یکی از عوامل موثر بر شکل گیری تورم نقش تعیین کننده ای در سیاستگذاری اقتصادی دارد. تصمیم سازی و تصمیم گیری در ارتباط با موضوعاتی همچون مصرف، پس انداز، تولید، سرمایه گذاری، انتخاب سبد بهینه دارایی، دستمزدها، نرخ ارز و نرخ بهره همگی تحت تاثیر انتظار چکیده کاملانتظارات تورمی به عنوان یکی از عوامل موثر بر شکل گیری تورم نقش تعیین کننده ای در سیاستگذاری اقتصادی دارد. تصمیم سازی و تصمیم گیری در ارتباط با موضوعاتی همچون مصرف، پس انداز، تولید، سرمایه گذاری، انتخاب سبد بهینه دارایی، دستمزدها، نرخ ارز و نرخ بهره همگی تحت تاثیر انتظارات تورمی شکل می گیرند. در این مطالعه به نحوه شکل گیری انتظارات تورمی در میان فعالان بازار سرمایه در فضای آزمایشگاهی با استفاده از نرم افزار Z-tree پرداخته شده است. به این منظور در ابتدا با استفاده از قاعده گسترش یافته تیلور، به بررسی رفتار بانک مرکزی نسبت به انحراف تورم پرداخته و ضریب عکس العمل بانک مرکزی برآورد شده است. میانگین تورم مورد انتظار افراد شرکت کننده در این آزمایش 14.12 درصد بدست آمده است. بر اساس نتایج این مطالعه در سطح معناداری 95 درصد 34.7 درصد افراد شرکت کننده در این آزمایش انتظارات خود را بر اساس الگوی انتظارات عقلایی، 22.1 درصد افراد بر اساس الگوی انتظارات تطبیقی و 43.2 درصد بر اساس مدل های یادگیری شکل داده اند. بنابراین مقامات پولی با آگاهی از نحوه شکل گیری انتظارات تورمی در میان فعالان بازار سرمایه می توانند سیاست های مناسب، در راستای جهت دهی نقدینگی موجود به سمت بازار سرمایه که موجب کنترل تورم و جلوگیری از حرکت نقدینگی موجود در جامعه به سمت بازار ارز و طلا می گردد، اتخاذ نمایند. پرونده مقاله -
دسترسی آزاد مقاله
3 - ارزیابی مکانی حساسیت سیلگیری با استفاده از روشهای تقویت تطبیقی و بستهبندی در یادگیری ماشین
حسین آقا محمدی محمدحسن وحیدنیا زهرا عزیزیسیل 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 کاملسیل 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
4 - Body Weight Prediction of Dromedary Camels Using the Machine Learning Models
N. Asadzadeh M. Bitaraf Sani E. Shams Davodly J. Zare Harofte M. Khojestehkey S. Abbaasi A. Shafie NaderiThe study aimed to compare the accuracy of seven Machine Learning methods for estimating the weight of dromedary camels, during birth-240 day of age, using the body measurements. With this mind, in overall, 458 records, including body weight and also 12 biometric linear چکیده کاملThe study aimed to compare the accuracy of seven Machine Learning methods for estimating the weight of dromedary camels, during birth-240 day of age, using the body measurements. With this mind, in overall, 458 records, including body weight and also 12 biometric linear measurements collected from dromedary camels at different stage of life, were used. The seven machine learning methods, including bayesian regularized neural network (BRNN), extreme learning (EL), random forest (RF), support vector machine with linear kernel (LSVM), polynomial kernel (PNLSVM), and radial basis kernel (RNLSVM) and linear regression (LR) were compared to estimate the body weight of camels. The performance of the models was evaluated based on mean absolute error, mean absolute percentage error, R-squared, mean squared error, and root mean squared error. A 10 repeated 10-fold cross-validation was used to check the stability of the models and averaged the results. Except the tail length, abdomen width, and abdomen to hump height, most predictors had good correlation (r>0.7) with body weight. Among predictive variables, the highest correlation was 0.96 between heights at whither and height at hump, as well as abdomen width and abdomen to hump height (P<0.01). The accuracy of seven machine learning methods, including BRNN, EL, RF, LSVM, PNLSVM, RNLSVM and LR were 94.93, 93.22, 94.61, 93.2, 95.43, 94.93 and 93.15, respectively. As final conclusion, the outputs of this report showed that, although all compared models had an acceptable and high performance in predicting the weight based on height of camels, However, the PNLSVM can be suggested candidate model due to expressing the higher accuracy than the others considering all studied criteria. پرونده مقاله -
دسترسی آزاد مقاله
5 - ارائه مدل پیشبینی بازدهی بیتکوین با استفاده از روش هیبریدی یادگیری عمیق - الگوریتم تجزیه سیگنال (CEEMD- DL)
سکینه صیادی نژاد علی اسماعیل زاده محمدرضا رستمیچکیده با افزایش محبوبیت و فراگیر شدن رمزارزها، ایجاد و توسعه روش های پیش بینی حرکت های قیمتی در این حوزه، توجهات زیادی را به خود جلب کرده است. در این بین مدل های یادگیری عمیق (DL) با ساختارهایی مانند حافظه طولانی کوتاه مدت (LSTM) و شبکه عصبی کانولوشنی (CNN) پیشرفت هایی چکیده کاملچکیده با افزایش محبوبیت و فراگیر شدن رمزارزها، ایجاد و توسعه روش های پیش بینی حرکت های قیمتی در این حوزه، توجهات زیادی را به خود جلب کرده است. در این بین مدل های یادگیری عمیق (DL) با ساختارهایی مانند حافظه طولانی کوتاه مدت (LSTM) و شبکه عصبی کانولوشنی (CNN) پیشرفت هایی در تحلیل این نوع از داده ها ایجاد کرده است. یکی دیگر از رویکردهایی که می تواند در تحلیل قیمتی بازار رمزارزها کارا باشد تجزیه سیگنال های از طریق الگوریتم هایی مانند تجزیه مد تجربی یکپارچه کامل (CEEMD) می باشد. با توجه به اهمیت مقوله پیش بینی در بازار رمز ارزها، در این تحقیق با ترکیب مدل های یادگیری عمیق و روش تجزیه مد تجربی یکپارچه کامل (CEEMD)، مدل هیبریدی CEEMD- DL(LSTM) به منظور پیش بینی بازدهی قیمتی رمز ارز بیت کوین (به عنوان محبوب ترین رمز ارز) مورد استفاده قرار گرفته است. در این راستا از داده های روزانه قیمتی بیت کوین در دوره زمانی01/01/2013 - 28/05/2022 استفاده گردید و نتایج بدست آمده با نتایج مدل های رقیب بر اساس معیارهای سنجش کارایی مقایسه شد. بر اساس نتایج بدست آمده، استفاده از مدل معرفی شده (CEEMD- DL(LSTM)) ، کارایی و دقت پیش بینی های بازدهی رمزارز بیت کوین را افزایش داده است. بر همین اساس کاربرد این مدل به منظور پیش بینی در این حوزه پیشنهاد می گردد. واژههای کلیدی: مدل های یادگیری عمیق (DL)، تجزیه مد تجربی یکپارچه کامل (CEEMD)، بیت کوین، پرونده مقاله