مطالب مرتبط با کلیدواژه

یادگیری ماشین


۸۱.

ارائه یک الگوریتم ابتکاری ارتقاء یافته برای مسئله تخصیص مکان ذخیره سازی تحت یک خط مشی ذخیره سازی اختصاصی(مقاله علمی وزارت علوم)

نویسنده:
منبع: مطالعات مدیریت صنعتی سال ۲۲ بهار ۱۴۰۳ شماره ۷۲ 173 - 226

کلیدواژه‌ها: انبار چیدمان یادگیری ماشین تخصیص مکان ذخیره

حوزه‌های تخصصی:
تعداد بازدید : ۶۹ تعداد دانلود : ۷۹
ذخیره سازی و چیدمان صحیح محصولات در انبار، باعث افزایش کارایی در پاسخگویی به درخواست ها، تسریع در شناسایی محصولات، افزایش قابلیت دسترسی به اقلام موجود در انبار، استفاده بیشتر از فضای موجود در انبار، تعیین موقعیت محصولات در انبار و آسیب ندیدن آن ها، فراهم آمدن حداکثر انعطلاف پذیری و شرایط مطلوب انبارداری می شود. با بررسی مطالعاتی که در حوزه انبارداری و چیدمان محصولات در انبار صورت گرفته و قبل از چیدمان محصولات در انبار، به صورت جامع و فراگیر با توجه به ویژگی کالاها،دسته بندی روی آنان صورت نگرفته است. لذا در این مقاله با استفاده از الگوریتم های یادگیری ماشین و داده کاوی با توجه به ویژگی هایی که برای کالاها در انبار کارخانه تولیدی - صنعتی فراسان در نظر گرفته شده است به دسته بندی محصولات پرداخته و سپس به چیدمان محصولات در انبار با استفاده از مدل برنامه ریزی ریاضی پرداختیم. هدف از مسئله مورد بررسی در حوزه انبارداری و چیدمان محصولات،علاوه بر دسته بندی محصولات بر اساس ویژگی های آن ها ،کمینه کردن تابع هزینه به دست آمده نسبت به مدل برنامه ریزی ریاضی می باشد.از این رو برای دسته بندی کالاها از الگوریتم مبتنیبر چگالی (DB ) ، شبکه عصبی نگاشت خودسازمان ده (SOM ) و روش خوشه بندی سلسله مراتبی (AGNES) استفاده شده است. نتایج به دست آمده نشان می دهد که شبکه SOM،عملکرد بهتری نسبت به الگوریتم مبتنی بر چگالی دارد و همچنین الگوریتم مبتنی بر چگالی عملکرد بهتری نسبت به روش خوشه بندی سلسله مراتبی دارد.
۸۲.

ارائه مدل پیامدهای کاربرد هوش مصنوعی و یادگیری ماشین در تبلیغات و فروش(مقاله علمی وزارت علوم)

نویسنده:
منبع: مطالعات مدیریت کسب و کار هوشمند سال ۱۲ تابستان ۱۴۰۳ شماره ۴۸ 223 - 270

کلیدواژه‌ها: هوش مصنوعی یادگیری ماشین کلان داده تبلیغات و فروش

حوزه‌های تخصصی:
تعداد بازدید : ۲۶۲ تعداد دانلود : ۱۴۶
دنیای دیجیتال فرصت های متعددی را برای بازاریابان فراهم می کند تا به مشتری دسترسی پیدا کنند. بااین حال، در دنیای پرسرعت، یافتن راه های جدید و نوآورانه برای تبلیغات و فروش محصولات و خدمات بسیار مهم است. با توجه به پیشرفت هوش مصنوعی و توسعه آن در حوزه تبلیغات و فروش، متخصصان در حال حاضر ابزارهایی برای بازتعریف کامل درک فعلی از برندسازی، بازاریابی، تبلیغات و فروش دارند. محبوبیت روزافزون اینترنت و افزایش استفاده از دستگاه های تلفن همراه، حجم عظیمی از داده ها را برای مصرف کنندگان تولید می کند که سیستم های مبتنی بر هوش مصنوعی را تغذیه می کنند. این پژوهش از نوع پژوهش های آمیخته با رویکرد کیفی و کمی است که ازنظر هدف، کاربردی و ازلحاظ نح وه گ ردآوری داده، از نوع مطالعات توصیفی پیمایشی است. جامعه آماری پژوهش، مدیران و کارشناسان متخصص در حوزه بازاریابی دیجیتال و IT در حوزه تبلیغات و فروش، بودند که با استفاده از روش نمونه گیری گلوله برفی انتخاب شدند. در بخش کیفی ابزار گردآوری اطلاعات، بررسی کتابخانه ای و مقالات، مصاحبه و در بخش کم ی پرسشنامه بود. در بخش کیفی روش تحلیل داده ها، با استفاده از تحلیل تم که با نرم افزار MAXQDA و ب ا استفاده از روش کدگذاری تدوین شد و در بخش کمی، روش تحلیل بر مبنای آزمون همبستگی کندال بود. مطابق با نتایج پژوهش، 7 تم اصلی، 22 تم فرعی و 44 کد کشف شدند که شامل پیامدهای کاربرد هوش مصنوعی و یادگیری ماشین در تبلیغات و فروش بودند.
۸۳.

کاربرد XGBoost برای پیش بینی درماندگی مالی شرکت های پذیرفته شده در فرابورس و بورس اوراق بهادار تهران(مقاله علمی وزارت علوم)

نویسنده:
منبع: تحقیقات حسابداری و حسابرسی تابستان ۱۴۰۳ شماره ۶۲ 5 - 26

کلیدواژه‌ها: پیش بینی درماندگی مالی Xgboost یادگیری ماشین داده کاوی بورس اوراق بهادار تهران

حوزه‌های تخصصی:
تعداد بازدید : ۱۲۵ تعداد دانلود : ۱۱۶
هدف این مقاله، پیش بینی درماندگی مالی بالقوه شرکت های پذیرفته شده در فرابورس و بورس اوراق بهادار است. بدین منظور، دامنه گسترده ای از ویژگی ها از جمله متغیرهای حسابداری تعهدی، حسابداری نقدی، بازار سهام، مکانیسم های حاکمیت شرکتی و شاخص های اقتصاد کلان برای پیش بینی درماندگی مالی شرکت های نمونه شناسایی شده اند. نمونه نهایی شامل 421 شرکت و در نتیجه، 3670 شرکت-سال مشاهده است. سپس، داده آماده شده با استفاده از نسبت 70 به 30 به مجموعه داده آموزشی و آزمایشی تفکیک شد. در این پژوهش، تکینک های پیش پردازش داده یادگیری ماشین نظیر استانداردسازی نمره Z، وان-هات انکدینگ، اعتبارسنجی متقابل K لایه طبقه ای، همراه با مهندسی ویژگی برای بهبود عملکرد طبقه بندی کننده بکار گرفته شدند. روش اعتبارسنجی متقابل K لایه طبقه ای با (5=K) برای برآورد عملکرد پیش بینی مدل طی مرحله آموزش استفاده شد. طی مرحله آموزش، میزان سازی اَبرپارامتر مدل با استفاده از جستجوی شبکه ای انجام شد. افزون بر این، تکنیک SMOTE همراه با معیار مختص مسائل نامتوازن یعنی نمره F1 برای غلبه بر مسأله نامتوازنی افراطی کلاس ها استفاده شده است.بر اساس نتایج تجربی، مدل XGBoost به نمرهF1، ضریب همبستگی متیوز، فراخوانی و دقتی به ترتیب برابر با 90%، 90%، 100% و 82% بر روی مجموعه آموزشی دست یافت. سرانجام، مدل پیشنهادی بر روی مجموعه آزمایشی کنار گذاشته شده آزمون شد که به نمرهF1، ضریب همبستگی متیوز، فراخوانی و دقتی به ترتیب برابر با 52%، 52%، 73% و 41% بر روی مجموعه آزمایشی منجر شد. این اطلاعات، ابزار قدرتمندی برای پیش بینی درماندگی مالی شرکت ها  فراهم می کنند.
۸۴.

گونه بندی و استخراج ویژگی های پلان معماری با به کارگیری روش های یادگیری ماشین؛ نمونه موردی: خانه های بومی بندر کنگ(مقاله علمی وزارت علوم)

نویسنده:
منبع: معماری و شهرسازی ایران دوره ۱۵ بهار و تابستان ۱۴۰۳ شماره ۲۷ 161 - 174

کلیدواژه‌ها: مسکن بومی منطقه گرم و مرطوب ایران یادگیری ماشین تشابه سنجی

حوزه‌های تخصصی:
تعداد بازدید : ۱۰۱ تعداد دانلود : ۷۸
منطقه گرم و مرطوب ایران دارای تابستان های گرم با رطوبت بالا و از بحرانی ترین اقلیم های جهان است. مطالعه ویژگی های مسکن بومی این مناطق می تواند منجر به ارائه راهکارهای پیشنهادی برای طراحی مسکن معاصر شود. یکی از چالش هایی که پژوهشگران در مطالعه گونه های معماری با آن مواجه هستند، انتخاب نمونه های موردی می باشد. هدف این پژوهش استفاده از روش های یادگیری ماشین برای انتخاب نمونه های موردی و دسته بندی خانه های بندر کنگ بر اساس شکل و نحوه قرارگیری بادگیر و فضاهای مجاور آن است. برای این منظور از نرم افزار آناکوندا 3.9 و جوپیتر 6.4.5 استفاده شده است. سنجش شباهت از لحاظ شکلی و روابط فضایی توسط الگوریتم فاصله کسینوسی انجام شده است. دسته بندی بر اساس ویژگی های استخراج شده توسط الگوریتم سلسله مراتبی به روش پیوند میانگین انجام شده است. بر اساس نتایج شباهت سنجی نمونه های موردی منتخب پلان خانه های یونسی، گلبت و کرچی، با بالاترین میزان شباهت شکلی و روابط فضایی با دیگر پلان ها می باشند. نتایج حاصل از دسته بندی نشان می دهد پلان ها از نظر ویژگی های استخراج شده به سه دسته قابل تقسیم می باشند. با تحلیل نمودار پراکندگی ویژگی های هر دسته، نتایج زیر استخراج شده است. در دسته اول اتاق بادگیر در شرق خانه قرار دارد و ساباط و یا حیاط در سمت غرب آن قرار گرفته است. اتاق های اصلی غالباً در ضلع شمالی و فضاهای خدماتی در ضلع شرقی و غربی قرار دارند. در دسته دوم اتاق بادگیر در میانه ضلع غربی خانه قرار گرفته است. در این دسته کشیدگی پلان شمالی- جنوبی است و اتاق های زیستی در سمت غربی و شرقی قرار گرفته اند. در دسته سوم بادگیر در ضلع غربی پلان قرار دارد. در این دسته کشیدگی پلان ها بیشتر شرقی- غربی می باشد. مجاورت شمالی اتاق بادگیر گتیه و یا اتاق می باشد و در اکثر پلان های این دسته اتاق بادگیر به اتاق شمالی و یا گتیه راه دارد.
۸۵.

طرح و بررسی برخی از مسائلِ اخلاقیِ هوش مصنوعی در هنر(مقاله علمی وزارت علوم)

نویسنده:
منبع: متافیزیک سال ۱۶ بهار و تابستان ۱۴۰۳ شماره ۳۷ 93 - 110

کلیدواژه‌ها: هوش مصنوعی اخلاق هنر یادگیری ماشین اخلاق هوش مصنوعی

حوزه‌های تخصصی:
تعداد بازدید : ۱۰۱ تعداد دانلود : ۱۰۶
هدف از پژوهش حاضر، بررسی مسائل اخلاق هوش مصنوعی در حوزه هنر است. به این منظور، با تکیه بر فلسفه و اخلاق هوش مصنوعی، موضوعات اخلاقی که می تواند در حوزه هنر تأثیرگذار باشد، بررسی شده است. باتوجه به رشد و توسعه استفاده از هوش مصنوعی و ورود آن به حوزه هنر، نیاز است تا مباحث اخلاقی دقیق تر مورد توجه پژوهشگران هنر و فلسفه قرار گیرد. برای دست یابی به هدف پژوهش، با استفاده از روش تحلیلی توصیفی، مفاهیمی همچون هوش مصنوعی، برخی تکنیک های آن و موضوعات اخلاقی هوش مصنوعی در هنر تبیین و بررسی شده است. نتایج پژوهش نشان می دهد موضوعات اخلاقی همچون حریم خصوصی و نظارت، دستکاری در رفتار، تاری و شفافیت، سوگیری در تصمیمات سیستم، و اتوماسیون و اشتغال حوزه هنر قابل بررسی است. این موضوعات اخلاقی، گاهی درتقابل و گاهی در ارتباط مستقیم و هم سو با یکدیگر قرار دارند. بررسی ها نشان می دهد پاسخ به پرسش های اخلاق هوش مصنوعی در حوزه هنر، نیازمند پاسخ به پرسش های اخلاقی به صورت عام در هوش مصنوعی است.
۸۶.

پهنه بندی توده های جنگلی مستعد زوال بلوط زاگرس با استفاده از روش های یادگیری ماشین (جنگل بلوط بلند در استان چهارمحال و بختیاری)(مقاله علمی وزارت علوم)

نویسنده:
منبع: مخاطرات محیط طبیعی سال ۱۳ زمستان ۱۴۰۳ شماره ۴۲ 91 - 106

کلیدواژه‌ها: جنگل های زاگرس خشکیدگی بلوط شاخص پوشش گیاهی الگوریم طبقه بندی یادگیری ماشین

حوزه‌های تخصصی:
تعداد بازدید : ۸۲ تعداد دانلود : ۸۱
جنگل های زاگرس به عنوان یکی از زیست بوم های ارزشمند ایران به شمار می آیند که زیستگاه جانوران و گیاهان متنوعی هستند. بحران های اخیر مانند گرم شدن کره زمین، خشکسالی و طوفان های گرد و غبار این زیست بوم را به خطر انداخته و باعث ضعیف شدن تک درختان یا گروه هایی از درختان منطقه شده است. زوال به عنوان یک اختلال و چالش مهم، درختان بلوط در منطقه زاگرس را تهدید می کند. هدف این مطالعه بررسی امکان پهنه بندی درختان مستعد زوال با استفاده از الگوریتم های یادگیری ماشین است. منطقه مورد مطالعه 101 هکتار از جنگل های زاگرس میانی موسوم یه منطقه "بلوط بلند" واقع در استان چهارمحال و بختیاری را در بر می گیرد. آماربرداری زمینی به منظور برداشت وضعیت سلامت درختان در 37 عدد قطعه نمونه 1000 مترمربعی انجام شد. علاوه بر این نقشه واقعیت زمینی به صورت موردی بر اساس بررسی درخت به درخت در 11 درصد از سطح منطقه تهیه شد. پس از انجام تحلیل تفکیک پذیری سه طبقه شامل "طبقه 1 خشکیدگی" با میزان خشکیدگی کمتر از 50 درصد، "طبقه 2 خشکیدگی" با میزان خشکیدگی بیش از 50 درصد و طبقه "سایر" شامل خاک لخت، جنگل تنک، جاده و بیرون زدگی سنگی برای طبقه بندی انتخاب شدند. در این مطالعه قابلیت چهار روش یادگیری ماشین شامل حداکثر احتمال، شبکه عصبی، جنگل تصادفی و ماشین بردار پشتیبان مقایسه شد. نتایج نشان داد که روش حداکثر احتمال می تواند بیشترین صحت کلی و ضریب کاپا را به ترتیب معادل 87/0 درصد و 73/0 ارائه دهد. همچنین در طبقه دوم مساحت خشکیدگی زیادتر است و بیانگر این است که میزان خشکیدگی منطقه رو به رشد است. پیشنهاد می شود با مطالعه مستقیم رفتار طیفی درخت در فرایند خشکیدگی و معرفی شاخص های طیفی مناسب، نسبت به شناسایی زود هنگام توده های در معرض خشکیدگی اقدام نمود.
۸۷.

مقایسه دقت هوشمندی الگوریتم های مبتنی بر داده کاوی جهت برآورد قیمت سهام(مقاله علمی وزارت علوم)

نویسنده:
منبع: راهبرد مدیریت مالی سال ۱۲ پاییز ۱۴۰۳ شماره ۳ (پیاپی ۴۶) 213 - 230

کلیدواژه‌ها: بورس اوراق بهادار الگوریتم های هوشمند یادگیری ماشین داده کاوی

حوزه‌های تخصصی:
تعداد بازدید : ۷۵ تعداد دانلود : ۶۸
حجم اطلاعات بازار سرمایه به طرز چشمگیری در حال گسترش می باشد و بدون استفاده از الگوریتم های داده کاوی و مدلهای کلان داده، بهره برداری از این داده ها امکان پذیر نخواهد بود. مطالعات گذشته بیانگر امکان پیش بینی قیمت سهام توسط مدل های یادگیری ماشین می باشد؛ اما دقت پیش بینی این مدل ها مورد ارزیابی قرار نگرفته است. هدف از این پژوهش مقایسه دقت هوشمندی پنج الگوریتم پرکاربرد داده کاوی شامل شبکه عصبی، رگرسیون لجستیک، نزدیکترین همسایه k، ماشین بردار پشتیبان و اعتبارسنجی ضربدری می باشد. از بین 385 شرکت فعال در بورس اوراق بهادار تهران، 72 شرکت به روش حذف سیستماتیک انتخاب و دقت مدل های فوق برای پیش بینی قیمت سهام بر روی داده های روزانه سهام منتحب برای سال های 1388 تا 1399 پیاده سازی شده است. متغیر قیمت سهام به عنوان متغیر وابسته و متغیرهای قیمت باز شدن، قیمت بسته شدن، بالاترین قیمت، پایین ترین قیمت و حجم معاملات، قیمت روزانه ارز آزاد، قیمت طلا و قیمت نفت به عنوان متغیر مستقل استفاده شده است. برای ارزیابی دقت برآورد قیمت سهام از سه شاخص ، MSE و RMSE استفاده شده و از تحلیل واریانس با استفاده از آماره F برای برازش دقت مدل ها و از آماره t برای مقایسه دو به دو مدل ها با یکدیگر استفاده شده است. نتایج پژوهش نشان داد از بین الگوریتم های هوشمند استفاده شده، الگوریتم ماشین بردار پشتیبان بیشترین قدرت برآورد قیمت سهام را به خود اختصاص داده است
۸۸.

پیش بینی سپرده های بانکی به روش یادگیری ماشین(مقاله علمی وزارت علوم)

نویسنده:
منبع: مطالعات اقتصادی کاربردی ایران سال ۱۳ تابستان ۱۴۰۳ شماره ۵۰ 137 - 167

کلیدواژه‌ها: سپرده یادگیری ماشین چهاروجهی روش های رگرسیونی

حوزه‌های تخصصی:
تعداد بازدید : ۹۳ تعداد دانلود : ۷۴
در این پژوهش براساس آمار تاریخی سپرده های یک بانک خصوصی (انصار) قبل از ادغام در چهار دسته بندی (وجه) مختلف، به دنبال این هستیم که نتایج و پیش بینی سپرده های بانک در هریک از دسته بندی ها،  با استفاده از روش های پیش بینی یادگیری ماشین  برای نخسین بار در مطالعات داخلی انجام گیرد. در این روش پیش بینی، ارجحیت روش یادگیری ماشین به دلیل بررسی کلیه تغییرات زمانی داده ها در حجم وسیع (از ابتدا تاکنون) مورد تأیید قرار می گیرد. پیش بینی آمار سپرده های فوق برای تصمیم گیران بانک در آینده باتوجه به شرایط اقتصادی می تواند مبنای تصمیمات کلان بانکی باشد. نتایج نشان می دهد که سپرده بلندمدت تاحدودی باثبات و به طورکلی سپرده باثبات روند نزولی در آینده در بانک مزبور به خود خواهند گرفت و سپرده بی ثبات و حساس به سود نیز روند نزولی به خود خواهند گرفت. سپرده قرض الحسنه روند صعودی دارد، اگرچه همواره نوساناتی شبیه نوسانات سینوسی-کسینوسی داشته است. باید دقت کرد که این روش پیش بینی یادگیری ماشین، روشی پایدار و فاقد تحلیل حساسیت است و قابلیت اتکا بالایی دارد. مطابق این پژوهش، توجه به سپرده های بلندمدت و باثبات و هم چنین قرض الحسنه از اهمیت بالایی در بودجه بانک قرار دارد. 
۸۹.

کاربرد مقایسه ای الگوریتم ذرات و الگوریتم ژنتیک در پیش بینی روند بلندمدت و کوتاه مدت بازده سهام(مقاله علمی وزارت علوم)

نویسنده:
منبع: اقتصاد مالی سال ۱۸ پاییز ۱۴۰۳ شماره ۳ (پیاپی ۶۸) 383 - 404

کلیدواژه‌ها: الگوریتم ذرات الگوریتم ژنتیک هموار سازی داده یادگیری ماشین هوش مصنوعی

حوزه‌های تخصصی:
تعداد بازدید : ۳۷ تعداد دانلود : ۴۳
عدم وجود قطعیت در روند حرکت بازار سهام پیش بینی آنرا به یک کار پرچالش در حوزه ی پیش بینی سری های زمانی مالی تبدیل کرده است. از سوی دیگر تحلیل داده های سری زمانی قیمت های سهام به علت غیر خطی بودن و وجود نویز زیاد آسان نیست. از اینرو هدف این پژوهش پیش بینی روند بلند مدت و کوتاه مدت بازار سرمایه است. برای دستیابی به این هدف از الگوریتم های هوش مصنوعی ذرات و ژنتیک بصورت مقایسه ای استفاده شده است. متغیر مورد مطالعه شاخص کل قیمت سهام در بورس اوراق بهادار تهران در دوره زمانی 1395 تا 1400 و بصورت ماهانه می باشد. داده ها پس از گردآوری با استفاده از روش هموارسازی برای روزهای تعطیل بازبینی شده اند و به منظور افزایش دقت مدل ها طول پنجره بهینه هر الگوریتم محاسبه شده است. یافته های حاصله بیانگر آن است که الگوریتم ژنتیک با به حداقل رساندن خطای پیش بینی یک الگوریتم مناسب برای پیش بینی روند کوتاه مدت و بلند مدت شاخص کل قیمت نسبت به الگوریتم ذرات در دوره زمانی مورد مطالعه است.
۹۰.

ترکیب مدل های تحلیل پوششی داده ها و الگوریتم های یادگیری ماشین برای ارزیابی کارایی واحدهای تصمیم گیری با در نظر گرفتن ستانده های نامطلوب(مقاله علمی وزارت علوم)

نویسنده:
منبع: مطالعات مدیریت صنعتی سال ۲۲ پاییز ۱۴۰۳ شماره ۷۴ 139 - 174

کلیدواژه‌ها: تحلیل پوششی داده ها یادگیری ماشین شبکه عصبی مصنوعی ماشین بردار پشتیبان ستانده های نامطلوب

حوزه‌های تخصصی:
تعداد بازدید : ۴۲ تعداد دانلود : ۳۰
ستانده نامطلوب جز لاینفکی از تولید درواحدهای تصمیم گیری مختلف می باشد و در جهت نزدیکترکردن تحلیلها به جهان واقعی نیاز به در نظر گرفتن ستانده نامطلوب در تحقیقات مرتبط با ارزیابی عملکرد می باشد ، در این مقاله، یک مدل ترکیبی جدید برای ارزیابی کارایی واحدهای تصمیم گیری در شرکت ملی پخش فرآورده های نفتی ایران ارائه شده است که در آن از تکنیک های تحلیل پوششی داده ها اسلک محور و الگوریتم های پیشرفته یادگیری ماشین استفاده می شود. مدل پیشنهادی به خصوص بر بهبود کارایی با توجه به ستانده های نامطلوب و در شرایط عدم قطعیت تمرکز دارد. سه الگوریتم یادگیری ماشین شامل شبکه های عصبی مصنوعی، ماشین های بردار پشتیبانی و XGBoost برای پیش بینی و بهبود نتایج مدل های SBM مورد استفاده قرار گرفته اند. این مطالعه شامل ارزیابی 37 واحد تصمیم گیری زیرمجموعه شرکت ملی پخش فرآورده های نفتی بوده که نتایج نشان دهنده بهبود معنادار کارایی با استفاده از داده های پیش بینی شده در مقایسه با داده های واقعی است. این تحقیق نه تنها به ارائه دیدگاه های جدید در ارزیابی و بهبود کارایی کمک می کند، بلکه روش های ترکیبی نوآورانه ای را برای مقابله با چالش های موجود در مدیریت عملیاتی ارائه می دهد.
۹۱.

شناسایی تقلب مالی در شرکت های سهامی عام با استفاده معیارهای مالی وغیر مالی با رویکرد یادگیری ماشین(مقاله علمی وزارت علوم)

نویسنده:
منبع: مطالعات مدیریت کسب و کار هوشمند سال ۱۲ زمستان ۱۴۰۳ شماره ۵۰ 99 - 142

کلیدواژه‌ها: سیستم های هوشمند کشف تقلب یادگیری عمیق یادگیری ماشین معیارهای مالی معیارهای غیر مالی

حوزه‌های تخصصی:
تعداد بازدید : ۶۸ تعداد دانلود : ۵۵
بیشتر سیستم های تشخیص تقلب سنتی برای شناسایی تقلب مالی، صرفا معیار های مالی را در نظر می گیرند که به نظر می رسد درحالیکه این احتمال وجود دارد که شرکت های متقلب علاوه بر تقلب های مالی، مرتکب سایر انواع تقلبهای غیر مالی نیز شوند. اگرچه تحقیقات اخیر، بیش از حد بر اهمیت داده های مالی به عنوان تنها فاکتور پیش بینی کننده تقلب تأکید کرده اند؛ هیچ مطالعه ای بر معیارهای غیر مالی یا ESG به عنوان یک فاکتور کمکی برای برای پیش بینی تقلب انجام نشده است. لذا هدف این تحقیق این است که با ارائه یک مدل یادگیری ماشینی پیشرفته و یادگیری عمیق، امکان بهبود پیش بینی تقلب های بر اساس ترکیبی از داده های مالی و ESG، را بررسی نماید. در این پژوهش با استفاده از الگوریتم های نظارت شده یادگیری ماشین و یادگیری عمیق، به بررسی چگونگی شناسایی تقلب مالی در بازه زمانی 10 ساله منتهی به سال 1401 پرداخته می شود. این تحقیق به طور نوآورانه ای نشان داد که استفاده از مدل ترکیبی مبتنی بر داده های مالی ومعیارهای غیرمالی قدرت پیش بینی کننده ای بهتری برای تقلب های مالی نسبت به تکیه صرف بر داده های مالی دارد. مطابق یافته های این تحقیق، در پاسخ به پرسش اول این تحقیق، در میان الگوریتم های یادگیری ماشین و یادگیری عمیق، بالاترین کارایی در برای الگوریتم طبقه بندی یا Bagging مشاهده گردید. همچنین یافته های این تحقیق در خصوص سوال دوم تحقیق نشان می دهد که مجموعه داده ای همه ویژگی ها(مدل ترکیب داده های مالی و غیرمالی) کارایی بهتری در مقایسه با مجموعه داده های مالی به تنهایی) و غیرمالی به تنهایی داشته است.
۹۲.

به کارگیری مدل بهینه سازی پورتفوی مبتنی بر پیش بینی با استفاده از شبکه عصبی CNN و معیار MSAD در بورس اوراق بهادار تهران(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهش های راهبردی بودجه و مالیه سال ۵ پاییز ۱۴۰۳ شماره ۳ 11 - 30

کلیدواژه‌ها: بهینه سازی پورتفوی یادگیری ماشین یادگیری عمیق شبکه های عصبی CNN

حوزه‌های تخصصی:
تعداد بازدید : ۵۱ تعداد دانلود : ۴۸
در دهه های اخیر، بهینه سازی پورتفوی به عنوان یک حوزه تحقیقاتی پرطرفدار، مورد توجه زیادی از سوی پژوهشگران قرار گرفته است. کیفیت بهینه سازی پورتفوی به سرمایه گذاران کمک می کند تا سودهای پایدارتری ایجاد کنند. در این پژوهش از شبکه عصبی کانواوشنال (CNN) برای ساخت مدل بهینه سازی پورتفوی بر پایه پیش بینی استفاده شده است. این مدل ، نه تنها از مزایای تکنولوژی یادگیری عمیق بهره مند می باشد، بلکه از مزایای تئوری مدرن پورتفوی نیز برخوردار است. در این رویکرد، ابتدا از CNN برای پیش بینی بازده آتی هر سهم استفاده می شود. سپس، خطای پیش بینی CNN به عنوان معیار ریسک هر سهم به کار گرفته می شود. ادغام بازده ی پیش بینی شده با انحراف نیمه مطلق خطای پیش بینی (MSAD)، منجر به ساخت مدل بهینه سازی پورتفوی می شود. این مدل با پورتفوی هم وزن که سهام آن با CNN انتخاب شده است، مقایسه می شود. همچنین، دو مدل پورتفوی مبتنی بر پیش بینی از طریق رگرسیون بردار پشتیبان (SVR) به عنوان پورتفوی معیار مورد استفاده قرار می گیرند. داده های تجربی این پژوهش، شامل شرکت های حاضر در شاخص 50 شرکت فعال تر بورس اوراق بهادار تهران می باشد. نتایج تجربی نشان می دهند که مدل پورتفوی مبتنی بر پیش بینی با CNN ، عملکرد برتری در مقایسه با SVR در شرایط بازده های متفاوت از خود نشان می دهد. همچنین، افزایش بازده مورد انتظار می تواند منجر به بهبود عملکرد این مدل شود. این پژوهش به وضوح نقش مثبت شبکه های عصبی عمیق (DNNها) در ایجاد مدل های بهینه سازی پورتفوی را نشان می دهد.
۹۳.

مدل ها و روش های تشخیص دیپ فیک در هوش مصنوعی و تاثیر این پدیده بر فرهنگ اجتماعی از منظر رسانه(مقاله علمی وزارت علوم)

نویسنده:
منبع: مدیریت نوآوری و راهبردهای عملیاتی سال ۵ پاییز ۱۴۰۳ شماره ۳ 259 - 287

کلیدواژه‌ها: هوش مصنوعی دیپ فیک رسانه دیجیتال یادگیری ماشین یادگیری عمیق

حوزه‌های تخصصی:
تعداد بازدید : ۶۷ تعداد دانلود : ۳۷
هدف: این پژوهش به بررسی پدیده دیپ فیک به عنوان یکی از پیامدهای فناوری های پیشرفته هوش مصنوعی، یادگیری ماشین و یادگیری عمیق در دهه اخیر می پردازد. هدف این تحقیق، تحلیل روش های مختلف مقابله با محتوای جعلی و بررسی اثرات اجتماعی و قانونی آن ها است.روش شناسی پژوهش: این مطالعه به بررسی چهار دسته از روش های مقابله با دیپ فیک شامل روش های مبتنی بر یادگیری عمیق، یادگیری ماشین کلاسیک، روش های آماری و بلاک چین می پردازد. همچنین، عملکرد این روش ها در شناسایی دیپ فیک ها بر اساس مجموعه داده های مختلف مورد ارزیابی قرار می گیرد.یافته ها: نتایج نشان می دهند که روش های مبتنی بر یادگیری عمیق در شناسایی دیپ فیک ها کارایی بیشتری دارند. همچنین، این تحقیق به تحلیل جنبه های مختلف دیپ فیک از منظر رسانه ها، جامعه، تولید و بازنمایی رسانه ها، مخاطبان، جنسیت، قانون و سیاست می پردازد و نشان می دهد که جامعه در مقابله با دیپ فیک ها آماده نیست.اصالت/ارزش افزوده علمی: این پژوهش با بررسی جامع و تطبیقی روش های مختلف شناسایی دیپ فیک، به ارزشمندی و اصالت خود در زمینه ارایه راهکارهای موثر و تحلیل ابعاد اجتماعی و قانونی این پدیده می افزاید. نتایج این مطالعه می تواند به سیاست گذاران و محققان در تدوین راهبردهای مناسب برای مقابله با دیپ فیک کمک کند.
۹۴.

کاربرد هوش مصنوعی (یادگیری ماشینی) در روانشناسی یادگیری: رونمایی از بینش ها و جهت گیری های جدید(مقاله علمی وزارت علوم)

نویسنده:
منبع: علوم روانشناختی دوره ۲۳ پاییز (آذر) ۱۴۰۳ شماره ۱۴۱ ۱۹۷-۱۷۹

کلیدواژه‌ها: یادگیری ماشین درک مطلب پردازش زبان طبیعی ویژگی های نحوی و واژگانی یادگیری زبان انگلیسی

حوزه‌های تخصصی:
تعداد بازدید : ۱۲۹ تعداد دانلود : ۶۹
زمینه: تلاقی هوش مصنوعی (AI)، روانشناسی و زبان شناسی کاربردی به ویژه در حوزه یادگیری زبان، مسیری جذاب را برای کاوش در فرآیندها و مکانیسم های پیچیده زیربنایی شناخت انسان باز کرده است. الگوریتم های یادگیری ماشینی این پتانسیل را دارند که اصول اساسی یادگیری زبان به ویژه درک مطلب را به عنوان متغیر اصلی یادگیری زبان روشن کنند ولی بررسی ادبیات این حوزه نشان داد تاکنون مطالعه ای به بررسی مهم ترین ویژگی های نحوی و واژگانی مؤثر بر درک مطلب زبان آموزان انگلیسی با تکنیک های یادگیری ماشین انجام نشده است. هدف: هدف پژوهش حاضر شناسایی مهم ترین ویژگی های نحوی و واژگانی مؤثر بر درک مطلب زبان آموزان انگلبسی با تکنیک های یادگیری ماشین نظارت شده بود. روش: طرح پژوهش حاضر از نوع علّی مقایسه ای بود. جامعه آماری در این مطالعه شامل همه دانش آموزان متوسطه دوم شهر تهران در سال 1402 بود که زبان انگلیسی را در مؤسسات آموزش زبان یاد می گیرند. از این میان با استفاده از روش نمونه گیری در دسترس 360 نفر از آن ها انتخاب شدند. ابزار گردآوری داده ها شامل آزمون BALA (یانگ، 2022) به صورت کتبی و گفتاری بود. برای تحلیل داده ها از الگوریتم های موجود در بسته نرم افزاری COVFEFE (کمیلی و سایرین، 2019) تحت نرم افزار Python استفاده شد. یافته ها: 260 ویژگی از متون کامپیوتری تهیه شده از پاسخ های گفتاری و نوشتاری زبان آموزان با استفاده از الگوریتم های پردازش زبان طبیعی (NLP) استخراج شد. سپس از مدل های یادگیری درخت تصمیم، نزدیک ترین همسایه، روش بردار پشتیبان، شبکه عصبی و روش خطی منظم برای پیش بینی درک مطلب با استفاده از ویژگی های زبانی استخراج شده استفاده شد. نتیجه گیری: نتایج نشان داد که تغییرات درک مطلب خواندن زبان آموزان را می توان با استفاده از ویژگی های دستوری و واژگانی استخراج شده به خوبی مدل سازی کرد. علاوه بر این، بیست ویژگی که بیشترین نقش را در تبیین واریانس دارند، شناسایی شد. این مطالعه نشان می دهد که روش های ML می توانند بررسی دقیق فرآیندهای زبانی مربوط به درک مطلب را تعیین کنند.
۹۵.

طراحی مدل هوشمند مدیریت ریسک در زنجیره تأمین با استفاده از تکنیک های یادگیری ماشین

نویسنده:
منبع: مدیریت استراتژیک هوشمند سال سوم تابستان ۱۴۰۳ شماره ۲ 57 - 72

کلیدواژه‌ها: مدیریت ریسک زنجیره تأمین یادگیری ماشین مدل هوشمند پیش بینی ریسک

حوزه‌های تخصصی:
تعداد بازدید : ۷۴ تعداد دانلود : ۴۵
مدیریت ریسک در زنجیره تأمین یکی از چالش های مهم در دنیای کسب وکار است که تأثیر زیادی بر عملکرد سازمان ها دارد. در این تحقیق، مدل هوشمند مدیریت ریسک در زنجیره تأمین با استفاده از تکنیک های یادگیری ماشین طراحی شده است. هدف از این مدل، شناسایی و ارزیابی ریسک ها، پیش بینی اثرات آن ها و ارائه راهکارهای بهینه سازی استراتژی ها با توجه به داده های بزرگ و پیچیده است. با استفاده از الگوریتم های یادگیری ماشین مانند درخت تصمیم، شبکه های عصبی و ماشین های بردار پشتیبان، مدل پیشنهادی قادر است ریسک ها را به صورت دقیق تر و سریع تر شبیه سازی و پیش بینی کند. نتایج این تحقیق نشان می دهند که این مدل هوشمند می تواند در بهبود تصمیم گیری ها و افزایش تاب آوری زنجیره تأمین مؤثر باشد. در نهایت، این مدل به سازمان ها کمک می کند تا ریسک ها را به نحو مؤثری مدیریت کرده و هزینه های ناشی از بحران ها را کاهش دهند. این مطالعه می تواند به عنوان پایه ای برای تحقیقاتی بیشتر در زمینه به کارگیری یادگیری ماشین در مدیریت ریسک زنجیره تأمین مورد استفاده قرار گیرد.
۹۶.

بهبود پیش بینی مدل های ARIMA با طراحی مدل های ترکیبی یادگیری عمیق: مطالعه موردی رمزارزها(مقاله علمی وزارت علوم)

نویسنده:
منبع: اقتصاد و تجارت نوین سال ۱۹ بهار ۱۴۰۳ شماره ۱ 163-191

کلیدواژه‌ها: مدل های ARIMA یادگیری ماشین یادگیری عمیق مدل های ترکیبی رمزارز

حوزه‌های تخصصی:
تعداد بازدید : ۳۴ تعداد دانلود : ۳۳
این پژوهش بدنبال طراحی و ارائه رویکردی جه بهبود نتایج پیش بینی بدست آمده از رویکردهای سنتی اقتصادسنجی با استفاده از روش های نوین مدل سازی است. مدل سازی خودرگرسیون هم انباشته میانگین متحرک (ARIMA، بعنوان یکی از گسترده ترین روش های پیش بینی سری های زمانی اقتصادی و مالی شناخته می شود، که رویکرد مناسبی بویژه برای پیش بینی های خطی کوتاه مدت سری های زمانی محسوب می شود. با این حال فرض وجود اثرات غیرخطی در سری های زمانی و ظهور الگوریتم های نوین مدل سازی بخصوص روش های یادگیری عمیق، که قابلیت استخراج ویژگی های پیچیده سری زمانی و مدل سازی آن را دارند، انگیزه ای برای محققین جهت بررسی و مقایسه قدرت پیش بینی رویکردهای سنتی و نوین مدل سازی گردیده است. در این پژوهش، دو روش برای پیش بینی قیمت چهار رمزارز، با بالاترین ارزش بازار مورد بررسی قرار می گیرد. روش مدل سازی (ARIMA) و سه رویکرد در حوزه یادگیری عمیق شامل (RNN، LSTMوGRU)، علاوه بر این یک رویکرد ترکیبی از مدل های یادگیری عمیق و ARIMA معرفی شده است که ترکیبی از نقاط قوت هر دو مدل برای افزایش دقت پیش بینی است. نتایج نشان می دهد مدل های ترکیبی ARIMA و یادگیری عمیق در پیش بینی مقادیر آتی سری زمانی نسبت به هر یک از مدل های ARIMA و یادگیری عمیق بصورت جداگانه، بهتر عمل می کنند. همچنین مدل ARIMA-GRU نسبت به تمام مدل های برآورد شده، مقادیر خطای پیش بینی کمتری دارد. طبقه بندی JEL : C22،C89،G17
۹۷.

نقش دید فضایی بر تراکم حضور در مجموعه های نمایشگاهی (مطالعه موردی: موزه دفاع مقدس تهران)(مقاله علمی وزارت علوم)

نویسنده:
منبع: باغ نظر سال ۲۱ بهمن ۱۴۰۳ شماره ۱۴۰ 33 - 44

کلیدواژه‌ها: معماری فضاپژوهی محاسبات فضا دستگاه شناخت - رفتار توپولوژی یادگیری ماشین

حوزه‌های تخصصی:
تعداد بازدید : ۶۵ تعداد دانلود : ۴۰
بیان مسئله: فهم و بازتعریف ارتباط میان پیکره بندی فضا، چگونگی ادراک و تعامل مخاطب با محیط پیرامونش، دانشی کلیدی در پردازش روند طراحی معماری است. در این میان، نظریه نقاط هم دید متکی بر تجزیه، تحلیل و ترجمه مشخصه های شکلی و هندسی فضا، چارچوبی عملیاتی برای کشف این رابطه است. بااین حال، به نظر می رسد در بدنه دانشی آن کمتر به محتوای توپولوژیک فضا پرداخته شده و بخشی از لایه های دریافتی طراح و تجربه مخاطب، پنهان باقی مانده است.هدف پژوهش: این پژوهش با هدف صورت بندی و ساختاربندی تحلیل های هندسی نظریه نقاط هم دید به دنبال تبیین رابطه میان متغیرهای دید فضایی و تراکم حضور بازدیدکنندگان است تا به بازتعریف لایه های هندسی- توپولوژیکی در دستگاه های شناختی- رفتاری فضا برای فهم معماری بپردازد.   روش پژوهش: این پژوهش بر روش های کمی و تحلیلی در بررسی رابطه همبستگی میان متغیرها و مقادیر در مجموعه های نمایشگاهی موزه دفاع مقدس تهران استوار است. نحوه برداشت های میدانی از طریق مشاهده، جهت زمان سنجی و ردیابی الگوی توقف و حرکت بازدیدکنندگان با استفاده از دوربین های مداربسته انجام شده است. تجزیه وتحلیل داده ها نیز با بهره گیری از تکنیک های یادگیری ماشین و براساس مدل های رگرسیون و آزمون معنی داری همبستگی است. در این میان بااستفاده از ایده گراف توپولوژیکی دستگاه شناختی- رفتاری در قالب بخش های موزه شامل فضاهای نمایشی، تعاملی، شبیه سازی شده و فراغتی مجموعه پرداخته است.نتیجه گیری: یافته ها نشان می دهد که در فضاهای چهارگانه موزه، الگوهای متنوعی از ارتباط میان پیکره بندی فضایی و رفتار بازدیدکنندگان وجود دارد. عواملی چون شعاع عمودی، هم پیوندی سه بعدی، پراکندگی دید، توزیع یکنواخت میدان دید و فرم های منحنی، نقشی محوری در صورت بندی تجربه مخاطبان فضا بازی می کنند. نتایج این پژوهش حاکی از آن است که تحلیل های اختصاصی و مستقل فضاهای موزه براساس کارکردشان، دریافت و سنجشی دقیق تر برای درک رابطه فضا و رفتار کاربران است. هم چنین این مطالعه، نقد و بازنقد نظریه نحو فضا برای قبض و بسط آن در حوزه دستگاه شناخت- رفتار غیرهندسی و توپولوژیک را ضروری می داند.
۹۸.

مقایسه کارآیی طبقه بندی کننده های یادگیری ماشین در استخراج محدوده توسعه فیزیکی شهر همدان با استفاده از پردازش شیئ گرای تصاویر ماهواره ای(مقاله علمی وزارت علوم)

نویسنده:
منبع: اطلاعات جغرافیایی سپهر دوره ۳۳ پاییز ۱۴۰۳ شماره ۱۳۱ 7 - 22

کلیدواژه‌ها: سنجش از دور یادگیری ماشین سنتینل 2 شیئ گرا همدان

حوزه‌های تخصصی:
تعداد بازدید : ۳۴ تعداد دانلود : ۲۸
توسعه فیزیکی مناطق شهری یکی از محرک های اصلی تغییرات جهانی است که تأثیرات مستقیم و غیرمستقیم مهمی بر شرایط محیطی و تنوع زیستی دارد. استفاده از تکنیک های سنجش از دور، یکی از رویکردهای جدید در برنامه ریزی شهری  محسوب می شود. پژوهش حاضر با هدف مقایسه کارآیی طبقه بندی کننده های یادگیری ماشین مبتنی بر پردازش شیئ گرای تصاویر ماهواره ای در استخراج محدوده توسعه فیزیکی شهر همدان با استفاده از تصویر ماهواره سنتینل 2 انجام شده است. در این راستا، فرایند قطعه بندی بر اساس مقیاس، ضریب شکل و ضریب فشردگی مناسب با هدف تولید اشیاء تصویری انجام شد. پس از قطعه بندی و تبدیل تصویر به اشیاء تصویری، با استفاده از طبقه بندی کننده های یادگیری ماشین مبتنی بر پردازش شیئ گرای تصاویر ماهواره ای شامل الگوریتم های طبقه بندی کننده بیز، k - نزدیکترین همسایه، ماشین بردار پشتیبان، درخت تصمیم گیری و درخت های تصادفی، فرایند طبقه بندی انجام و نقشه های محدوده توسعه فیزیکی شهری تولید شد. در نهایت، مقدار دقت هر کدام از نقشه های تولید شده محاسبه شد. بر اساس نتایج تحقیق، امکان تولید نقشه محدوده توسعه فیزیکی شهری همدان با استفاده از الگوریتم های یادگیری ماشین مبتنی بر پردازش شیئ گرای تصاویر ماهواره ای با دقت قابل قبول وجود دارد. به طوری که طبقه بندی کننده بیز دارای دقت کلی 96 درصد و ضریب کاپای 0.95، k - نزدیکترین همسایه دارای دقت کلی 97 درصد و ضریب کاپای 0.96، ماشین بردار پشتیبان دارای دقت کلی 96 درصد و ضریب کاپای 0.95، درخت تصمیم گیری دارای دقت کلی 95 درصد و ضریب کاپای 0.94 و درخت های تصادفی دارای دقت کلی 95 درصد و ضریب کاپای 0.94 بودند. لذا از بین کلیه الگوریتم های مورد استفاده در این تحقیق، k - نزدیکترین همسایه با دقت کلی 97 درصد و ضریب کاپای 0.96 مقدار دقت بیشتری را ارائه نمود.  
۹۹.

پیش بینی مساحت منابع آبی حوضه رود دجله وفرات در سال 2040 و اثرات کاهش آب بر تنش های ژئوپلیتیکی(مقاله علمی وزارت علوم)

نویسنده:
منبع: بحران پژوهی جهان اسلام دوره ۱۱ زمستان ۱۴۰۳ شماره ۳۵ 163 - 193

کلیدواژه‌ها: مساحت منابع آب رود تنش ژئوپلیتیکی بحران آب حوضه دجله و فرات یادگیری ماشین

حوزه‌های تخصصی:
تعداد بازدید : ۵۰ تعداد دانلود : ۴۰
از الگوریتم های یادگیری ماشین برای پیش بینی مساحت منابع آبی حوضه رود دجله و فرات استفاده شد. برای تحلیل رابطه ی بین پیش بینی منابع آبی با تنش های ژئوپلیتیکی از روش توصیفی- تحلیلی استفاده شد. مسئله ی اساسی پژوهش این است که، با توجه به سیر زمانی تغییرات مساحت منابع آبی حوضه رود از سال 2000 تا 2023، مساحت منابع آبی حوضه ی رود دجله و فرات در سال 2040 چه میزان خواهد شد و این میزان چه تأثیری بر تنش های ژئوپلیتیکی خواهد داشت؟ نتایج پیش بینی نشان می دهد که روش گرادیان تقویتی دقت بالاتری دارد و مساحت منابع آبی حوضه رود از 8356.16 در سال 2020 به 5956.04 کیلومتر مربع در سال 2040 کاهش یابد. کاهش سطح منابع آبی متاثر از سدسازی های ترکیه در حوضه ی بالادست رود و تغییرات اقلیمی هستند این عوامل سبب بحران آبی و تنش های ژئوپلیتیکی میان ایران، ترکیه، سوریه و عراق خواهد شد. اختلافات هیدروپلیتیکی هم سبب تنش و هم همگرایی بین کشورهای حوضه خواهد شد. راهکار ارائه شده در پژوهش در جهت کاهش تنش ها برای مدیریت یکپارچه منابع آب، تشکیل اتحادیه منطقه ای حوضه دجله و فرات جهت مدیریت یکپارچه منابع آب شامل چهار کشور حوضه می باشد.
۱۰۰.

الگوریتم و حقوق اداری؛ چالش ها و راهکارها(مقاله علمی وزارت علوم)

نویسنده:
منبع: حقوق اداری سال ۱۰ بهار ۱۴۰۲ شماره ۳۴ ۱۹۲-۱۶۳

کلیدواژه‌ها: هوش مصنوعی یادگیری ماشین حکمرانی الگوریتمی تصمیم گیری صلاحیت

حوزه‌های تخصصی:
تعداد بازدید : ۳۸ تعداد دانلود : ۳۱
در سالیان اخیر سازوکارهای تصمیم گیری الگوریتمی و یادگیری ماشین به صورت فزاینده مورد استفاده بخش خصوصی و پس از آن سازمان های دولتی قرار گرفته است. فناوری پیش گفته با وجود مزایایی همچون افزایش سرعت، دقت و کاهش هزینه در تصمیم گیری، اصول و موازین پذیرفته شده حقوق اداری را با چالش های نوینی رویارو کرده است. سرشت الگوریتم و چگونگی عملکرد آن، رویکرد موجود نسبت به «صلاحیت اداره و نظارت قضایی بر آن»، «عدالت رویه ای»، «شفافیت» و «بی طرفی و عدم تبعیض» را در دام محذوراتی جدی گرفتار کرده است. نوشتار حاضر می کوشد با کاربست روشی توصیفی تحلیلی و با عنایت به ضرورت همگامی با دستامده های نوین بشر از یک سو و حفظ دستاوردهای کهن همچون التزام به حاکمیت قانون و اصول مبتنی بر آن از سمتی دیگر، چالش های پیش گفته را واکاوی نموده و از این طریق راهکارهایی را برای برقراری تعادل میان دو ضرورت پیش گفته و سیاست گذاری مناسب در این زمینه پیشنهاد دهد؛ بازبینی در حقوق اداری در صورت همگامی با تطورات مستمر فناوری می تواند در نهایت نظریه حقوق اداری الگوریتمی را که پایه های آن درحال شکل گیری است، به نظریه درخور توجه در حقوق اداری تبدیل کند. الزامات مربوط به ارتقای فناوری های موجود و رفع معایب آن ها نیز در راستای هرچه شفاف تر شدن فرآیندهای الگوریتمی می تواند همچنان ارزش بنیادی حاکمیت قانون را حفظ و مانع از تبدیل آن به حاکمیت الگوریتم شود؛ فناوری الگوریتم نه آن چنان مهیب و ویرانگر است که حقوق اداری را از بنیادهای خود تهی سازد و نه آن میزان کم اهمیت است که بایستگی مفصل بندی دوباره بنیادهای این شاخه حقوقی را توجیه نکند.