احمد جعفرنژاد

احمد جعفرنژاد

مطالب
ترتیب بر اساس: جدیدترینپربازدیدترین

فیلترهای جستجو: فیلتری انتخاب نشده است.
نمایش ۱ تا ۵ مورد از کل ۵ مورد.
۱.

مدل پویایی توانمندی های میان داری شرکت های بزرگ در گذر به بانکداری باز(مقاله علمی وزارت علوم)

نویسنده:
منبع: مدیریت صنعتی دوره ۱۷ بهار ۱۴۰۴ شماره ۱ 131 - 162

کلیدواژه‌ها: توانمندی میان داری میان داری شبکه شبکه نوآوری بانکداری باز

حوزه‌های تخصصی:
تعداد بازدید : ۱۱۲ تعداد دانلود : ۱۳۷
هدف: به منظور مدیریت و هدایت شبکه های بین سازمانی، جایگاه میان دار در شبکه های نوآوری ضروری است و شرکت کانونی که معمولاً در شبکه این نقش را ایفا می کند، به احصا و ارتقای توانمندی های میان داری خود نیاز دارد. همچنین به منظور تثبیت دیدگاه راهبردی و بلندمدت به توانمندی های میان داری، باید در دو سطح ایستا (در مراحل راه اندازی و عملیات روزمره شبکه) و پویا (در زمان بروز تغییر اساسی در متغیرهای اصلی شبکه) از سوی بنگاه کانونی توجه شود. هدف این پژوهش ارائه مدلی برای تبیین پویایی توانمندی های میان داری شرکت های بزرگ مالی و بانک ها در گذار به بانکداری باز است. بر این اساس، این پژوهش با تمرکز روی تغییرات توانمندی های میان دار شبکه در مواجهه با پارادایم بانکداری باز، ضمن معرفی توانمندی های نوظهور در فضای جدید، ابعاد مختلف را برای نقش های میان داری در این سیر تحولی بررسی می کند.روش: این پژوهش بر اساس مطالعه موردی صنعت بانکداری ایران با تمرکز روی بانک های موفق میان دار شبکه های نوآوری در به کارگیری بانکداری باز، به عنوان سطح تحلیل و همچنین توانمندی های میان داری شبکه های نوآوری به عنوان واحد تحلیل صورت گرفته است. با در نظر گرفتن پارادایم بانکداری باز به عنوان عامل برهم زننده و با بهره گیری از ۱۹ مصاحبه نیمه ساختاریافته برای تحلیل پنج بانک منتخب میان دار در شبکه های نوآوری بانکی که توسط معیارهای چهارگانه برگزیده شده بودند، مجموعه توانمندی های میان داری در سه مقطع زمانی بانکداری بسته، برهه مهاجرت و همچنین بانکداری باز، با روش تحلیل محتوا کدگذاری و شناسایی شدند.یافته ها: در این پژوهش مجموعه توانمندی های میان داری برای شرکت کانونی، در سه مقطع زمانی بانکداری بسته، برهه مهاجرت و همچنین بانکداری باز، شناسایی و در قالب مدل پویایی تبیین شد. بر این اساس چهار تم اصلی توانمندی در بانکداری بسته، یک تم در مرحله مهاجرت با عنوان مدیریت دگردیسی شبکه و همچنین ۲۲ مقوله جدید تحت چهار تم اصلی با عناوین طراحی و راه اندازی شبکه، القای ارزش شبکه ای پلتفرم، مشروعیت بخشی به پلتفرم و مشارکت دهی شبکه پلتفرم در خصوص توانمندی های میان دار بانکداری باز ارائه شد. همچنین با مقایسه و تحلیل نتایج در دو فضای اشاره شده، توانمندی های نوظهور معرفی شدند، برخی از مواردی که در بانکداری سنتی موجود بودند، حذف شدند، تعدادی از توانمندی ها به صورت یکسان تکرار و برخی از آن ها با اضافه شدن مفاهیم و کدهای جدید و غیرتکراری، به عنوان توانمندی های تقویت شده دسته بندی شدند.نتیجه گیری: نتایج این پژوهش از بُعد نظری، ضمن ارائه مجموعه ای جامع از توانمندی ها و قابلیت های موردنیاز برای میان داری شبکه نوآوری، با نگاهی پویا ابعاد تاریک این موضوع را در مواجهه با تغییرات پارادایمی فناوری بررسی کرد و تئوری های قبلی را ارتقا بخشید. کلیه نقش ها و توانمندی های موردنیاز بانک های میان دار در دو پارادایم بانکداری سنتی/ بسته و همچنین بانکداری باز برای میان داری شبکه های نوآوری حول خود، به صورت دسته بندی شده ارائه شد. بر این اساس، مبحث میان داری شبکه های نوآوری پلتفرم محور و ابعاد مختلف آن با تکیه بر توانمندی های میان داری پلتفرم های بانکداری باز، در این پژوهش شناسایی و ارائه شد. مطابق با نتایج به دست آمده، لزوم تغییر در توانمندی های میان داری برای شرکت کانونی، در مواجهه با تغییرات پارادایمی از نوع فناوری، به منظور حفظ مزیت رقابتی ضروری به نظر می رسد.
۲.

تحلیل و پیش بینی تصمیم های استخدامی با استفاده از یادگیری ماشین و یادگیری عمیق(مقاله علمی وزارت علوم)

نویسنده:
منبع: مدیریت دولتی دوره ۱۷ تابستان ۱۴۰۴ شماره ۲ 295 - 327

کلیدواژه‌ها: یادگیری ماشین یادگیری عمیق پیش بینی استخدام الگوریتم های پیش بینی ویژگی های متقاضی تحلیل داده های استخدامی

حوزه‌های تخصصی:
تعداد بازدید : ۱۱۹ تعداد دانلود : ۱۰۴
هدف: هدف این مقاله، بررسی استفاده از یادگیری ماشین و الگوریتم های یادگیری عمیق برای پیش بینی نتایج تصمیم های استخدام است. انتخاب نیروی انسانی مناسب، یکی از مسائل مهم و اساسی در همه سازمان ها و نهادهاست که بر ویژگی های عملکرد و بهره وری تأثیر مستقیمی دارد. از آنجایی که فرایند استخدام بسیار پیچیده و پیش بینی موفقیت در استخدام دشوار است، استفاده از تکنیک های مدرن مانند یادگیری ماشینی و یادگیری عمیق، برای بهبود دقت و صحت انتخاب پیشنهاد می شود. هدف این پژوهش بررسی توانایی این تکنیک ها برای کمک به سازمان ها در اتخاذ تصمیم های استخدامی بهتر و دور نگه داشتن آن ها از تصمیم گیری های پُرهزینه است. روش: در این پژوهش از داده های مختلف شامل سن، تحصیلات، سابقه کار، توانایی های فنی و مهارت ها و ویژگی های شخصیتی متقاضیان شغل استفاده شد. این داده ها به کمک الگوریتم های یادگیری ماشین و یادگیری عمیق، برای پیش بینی احتمال موفقیت متقاضیان در مشاغل مختلف تجزیه وتحلیل شدند. مدل های طبقه بندی برای شبیه سازی رفتارهای استخدام و پیش بینی تصمیم ها در سطوح مختلف ویژگی و به عنوان بخشی از مدل های یادگیری ماشین استفاده شد. علاوه براین، رابطه بین ویژگی های متقاضی و نتایج استخدام از طریق مدل های یادگیری عمیق، برای شناسایی هرگونه روابط غیرخطی و پیچیده مورد بررسی قرار گرفت. مدل ها روی تمام داده های به دست آمده از منابع مورد اعتماد و بازبینی شده ای به دقت پردازش شدند، آموزش دیدند و ارزیابی شدند.   یافته ها: نتایج این مطالعه نشان می دهد که استفاده از یادگیری ماشینی و مدل های یادگیری عمیق، در افزایش دقت پیش بینی تصمیم های استخدامی تأثیر بسزایی دارد. در بین مدل های ارزیابی شده، الگوریتم کتبوست (CatBoost) بهترین عملکرد را داشت و به صحت 9533/0، دقت 9540/0 ، بازیابی 8925/0 و امتیاز F1 برابر با 9222/0 دست یافت که به طور چشمگیری از سایر الگوریتم ها بهتر بود. به طور مشابه، مدل های جنگل تصادفی (Random Forest) و اکس جی بوست (XGBoost) نیز عملکرد خوبی داشتند و به ترتیب به دقت 9213/0 و 9500/0 دست یافتند. نتایج تحلیل ویژگی ها نشان داد که مهارت های فنی، استراتژی استخدام و امتیاز مصاحبه، مهم ترین عوامل مؤثر در تصمیم گیری استخدام بودند. علاوه براین، مدل های یادگیری جمعی، به ویژه کتبوست، قادر بودند اثرهای پیچیده تر ویژگی های شخصیتی متقاضیان را شناسایی کنند؛ در حالی که مدل های یادگیری ماشین سنتی قادر نبودند آن را درک کنند. نتیجه گیری: در این مطالعه استفاده از یادگیری ماشین و یادگیری عمیق برای کمک به تصمیم گیری بهتر درباره انتخاب نیروی کار نشان داده شده است. کتبوست بهترین عملکرد را داشت؛ زیرا می توانست روابط پیچیده تر و غیرخطی تر بین ویژگی های متقاضی و نتایج استخدام را شبیه سازی کند. این الگوریتم ها باعث کاهش هزینه ها، بهبود کیفیت استخدام و بهره وری سازمان می شوند. با این حال، برای دستیابی به بهترین نتایج، سازمان ها باید با دقت و به طور مداوم، داده های متقاضی را جمع آوری و پردازش کنند و به طور منظم، مدل های یادگیری ماشین را برای حفظ و بهبود دقت پیش بینی ها با تغییر بازار کار به روز کنند.
۳.

Comparative Analysis of Machine Learning Algorithms in Predicting Jumps in Stock Closing Price: Case Study of Iran Khodro Using NearMiss and SMOTE Approaches(مقاله علمی وزارت علوم)

نویسنده:
منبع: Iranian Journal of Finance, Volume ۹, Issue ۳, Summer ۲۰۲۵ 27 - 54

کلیدواژه‌ها: Machine Learning Imbalanced Data Handling nearmiss SMOTE Stock Price Prediction

حوزه‌های تخصصی:
تعداد بازدید : ۱۳ تعداد دانلود : ۹
Predicting stock price fluctuations has always been one of the most important financial challenges due to the complexities of financial data and nonlinear market behavior. This research aimed to analyze and compare the performance of machine learning algorithms in predicting the closing price jump of Iran Khodro Company shares. Two different methods of managing unbalanced data, NearMiss and SMOTE, were used to overcome the challenge of unbalanced data. The results showed that the NearMiss method outperformed SMOTE by balancing precision and recall in machine learning models. The CatBoost model was recognized as the best machine learning model in this study due to its stable performance in NearMiss and SMOTE methods. The CatBoost model showed a perfect balance between evaluation indicators in the NearMiss method, with an accuracy of 91.46% and an F1 score of 91.29%. This model also had high precision (93.18%) and acceptable recall (89.52%), which showed the ability to detect jumps and avoid wrong predictions correctly. On the other hand, in the SMOTE method, the Random Forest model was superior, with an accuracy of 85.08%. These results show that a combination of unbalanced data management methods and advanced machine learning algorithms can significantly improve the accuracy of price volatility prediction. The results of this research can help investors and financial analysts make better decisions in risk management and optimizing investment strategies.
۴.

Predicting Heart Disease Using Automated Machine Learning Based on Genetic Algorithms(مقاله علمی وزارت علوم)

نویسنده:
منبع: Journal of Information Technology Management , Volume ۱۷, Issue ۲, ۲۰۲۵ 91 - 122

کلیدواژه‌ها: Heart Disease Prediction Automatic Machine Learning Genetic Algorithms TPOT Framework

حوزه‌های تخصصی:
تعداد بازدید : ۱۶۱ تعداد دانلود : ۹۸
This study aims to apply automatic machine-learning approaches using genetic algorithms to enhance heart disease prediction. Heart disease has remained the major cause of mortality in the world, necessitating an effective and timely diagnosis. Most current diagnostic and assessment processes are lengthy and expensive, relying heavily on clinical expert knowledge. To help address these issues, machine learning approaches, which derive their utility from examining substantial datasets for the recognition of patterns, have emerged as a potential solution, providing solutions beyond those achievable by human recognition alone. Genetic algorithms are also suited to addressing these issues as they mimic natural evolution to perfect high-caliber machine-learning models, feature selection, and parameter selection in machine-learning applications. This study examines the utilization of genetic algorithms working alongside AutoML frameworks to improve accuracy in heart disease predictions. Reducing to the best combination of attributes and the optimum parameters for each attribute is a time-consuming task, so automating this aspect of the process allows for more accurate and prompt predictions, consequently reducing the manual work. The AutoML approach followed in this research is TPOT, which uses genetic algorithms to ascertain optimally designed machine-learning pipelines. The application of AutoML, together with genetic algorithms, is the most prominent finding that yields a significant improvement in the quality of the predictions for heart disease compared to the traditional assessment approaches, with an accuracy of 93.8%. This approach will enhance diagnostic accuracy and enable early diagnosis, thereby reducing the likelihood of misdiagnoses or ineffective treatments and ultimately lowering associated costs.
۵.

ارزیابی زنجیره تأمین تولید سلفون با استفاده از مدل های تصمیم گیری چندمعیاره(مقاله علمی وزارت علوم)

نویسنده:
منبع: مدیریت تولید و عملیات سال ۱۵ تابستان ۱۴۰۳ شماره ۲ (پیاپی ۳۷) 107 - 130

کلیدواژه‌ها: زنجیره تأمین تولید سلفون مدل SCOR ISM-DANP شناسایی ریسک های بالقوه بهبود عملکرد

حوزه‌های تخصصی:
تعداد بازدید : ۱۲۲ تعداد دانلود : ۱۲۱
زنجیره تأمین سلفون، یک شبکه پیچیده از اجزای وابسته به هم است که ترجیحاً به مدیریت محتاطانه برای اطمینان از کارایی عملیاتی، عملکرد و پایداری نیاز دارد. زنجیره تأمین سلفون به طور جامع با استفاده از مدل مرجع عملیات زنجیره تأمین (SCOR)، به عنوان یک ابزار معیار در این مطالعه تحلیل می شود. این مطالعه از مدل سازی ساختاری تفسیری (ISM) و روش تصمیم گیری چندمعیاره (DEMATEL) براساس فرآیندهای شبکه تحلیلی (DANP) برای بررسی وابستگی های متقابل در اجزای زنجیره تأمین، رتبه بندی فرآیندها و شناسایی تأمین کنندگان بالقوه استفاده می کند. یافته ها بر اهمیت درک بازار فعلی، خواسته های مشتری و چشم انداز رقابتی تأکید می کنند. این مستلزم درک خواسته های مشتری، دیدن روندهای نوظهور و پیشی گرفتن از رقباست. پنج سطح، ساختار سلسله مراتبی فرآیندهای زنجیره تأمین را تشکیل می دهند. سطح بالا و سطح پایین، به عنوان سطوح مهم برجسته می شوند. موضوعاتی ازجمله درک بازار، نیازهای مشتری و استراتژی های رقابتی در سطح اول پوشش داده شده است. سطح پنجم نیز شامل شناسایی ریسک های احتمالی و توسعه استراتژی های کاهش ریسک است که طرح ها و استراتژی های کاهش احتمالی را در بر می گیرد و بنابراین خطرات بالقوه را به حداقل می رساند. این عملیات، نقش مهمی در نحوه عملکرد این سرویس دارد و لازم است با احتیاط انجام شود و بهبود یابد. این مطالعه بر اهمیت درک بازار، کنترل ریسک ها و بررسی انطباق تأکید می کند. تکنیک DANP در تعیین موقعیت فرآیندهای زنجیره تأمین مختلف و یافتن تأمین کنندگان بالقوه، در عین حال کارآمدتر کردن فرآیند تخصیص منابع کمک بزرگی کرده است. این تجزیه و تحلیل یک منبع ارزشمند برای ذی نفعان در زنجیره تأمین سلفون است و به برنامه ریزی استراتژیک و فرآیندهای تصمیم گیری کمک می کند.

کلیدواژه‌های مرتبط

پدیدآورندگان همکار

تبلیغات

پالایش نتایج جستجو

تعداد نتایج در یک صفحه:

درجه علمی

مجله

سال

حوزه تخصصی

زبان