یادگیری ماشین

نوسانات زیاد قیمت نفت خام به عنوان منبع اصلی انرژی و ماده اولیه مهم صنعت شیمیایی جهانی، اهمیت تخمین دقیق و پیش بینی روند قیمت آنرا دوچندان کرده است. از اینرو هدف از انجام پژوهش کاربردی حاضر افزایش توان پیش بینی قیمت نفت خام با استفاده از الگوی های غیرخطی در هوش مصنوعی است. برای دستیابی به این هدف چهار شبکه پروسپترون ساده، شبکه بازگشتی، شبکه حافظه طولانی کوتاه مدت و شبکه عصبی واحدهای برگشتی گیت دار مدلسازی شده است سپس توانمندی آن ها نسبت به یکدیگر و مدل معیار مقایسه، و دقت پیش بینی آن ها با استفاده از روش خطای مربعات میانگین اشتباهات ارزیابی شده است. نمونه مورد مطالعه داده های نفت خام برنت دریای شمال از تاریخ 01/08/2007 لغایت 31/ 05/2024 به صورت روزانه و ماهانه و سالانه است. نتایج پژوهش نشان می دهد که معماری شبکه در این مدل ها نسبت به مدل های پیشین، در استخراج اطلاعات از داده ها توانمندتر بوده و زمان دستیابی به قیمت های آینده بهبود بخشیده شده است. همچنین از میان الگوهای غیرخطی، الگوی شبکه بازگشتی گیت دار در فرکانس های مختلف پیش بینی دقیق تر و با خطای کمتری از قیمت نفت را به دست می دهد

هدف: هدف اصلی این تحقیق انجام یک تحقیق جامع با هدف شناسایی تمامی عوامل موثر در طراحی و عملکرد بهینه سیستم های نظارت هوشمند برای کشف تقلب است. این شامل تجزیه و تحلیل دقیق انواع تقلب مالی، انواع داده های مورد استفاده برای سیستم های تشخیص تقلب (اعم از مالی و غیر مالی) و شناسایی موثرترین الگوریتم های یادگیری ماشینی و یادگیری عمیق است. علاوه بر این، هدف این تحقیق ایجاد معیارهای مناسب برای اندازه گیری کارایی آنها و شناسایی چالش ها در طراحی سیستم های نظارت هوشمند است. در نهایت، این تحقیق به دنبال پیش بینی فرآیند تحقیقات آینده است تا بتواند به این چالش ها پاسخ دهد.   روش: این پژوهش با استفاده از روش تحقیق توصیفی، به بررسی دقیق منابع از جمله مقالات منتشر شده در مجلات بین المللی، مقالات همایش ها و بویژه مقالات نمایه شده در پایگاه اسکوپوس و مجلات معتبر داخلی پرداخته است. دامنه زمانی یک دوره 20 ساله را در بر می گیرد که منتهی به سال 1401 می شود. برای اطمینان از صحت و دقت تجزیه و تحلیل، از نرم افزار MAXQDA برای کدگذاری و برگه های تجزیه و تحلیل استفاده شد، در حالی که از نرم افزار VOS Viewer برای تحلیل کلمات کلیدی و ترسیم نقشه جامع تحقیق استفاده شد.   یافته ها: این تحقیق با بررسی تحقیقات سیستم های کشف تقلب در دو دهه گذشته به ارائه مدل مفهومی تحقیقات کشف تقلب آتی منجر شده است که با ادغام داده های مالی و غیرمالی، از جمله معیارهای زیست محیطی، اجتماعی و حکمرانی ( ESG )، یک تغییرپارادیم جدی در تحقیقات این حوزه را موجب می شود. این رویکرد با رفع محدودیت های موجود در کشف تقلب و با در نظر گرفتن طیف وسیع تری از متغیرها، موجب افزایش دقت و شفافیت سیستم های تشخیص تقلب می شود.   نتیجه گیری: این پژوهش با تجزیه و تحلیل تحقیقات قبلی انجام شده در این زمینه و شناسایی چالش ها و روندهای آتی، به گسترش حوزه دانش کمک می کند. خروجی این تحقیق شامل تجزیه و تحلیل دقیق چالش های حاضر در طراحی سیستم های نظارت هوشمند و استخراج روندهای تحقیقات آتی است. با پرداختن به این چالش ها و روندها، تحقیقات آینده می توانند به طور قابل توجهی، طراحی و اجرای سیستم های نظارت هوشمند را بهبود بخشد و از اثربخشی آنها در شناسایی و پیشگیری از تقلب مالی، اطمینان حاصل نمایند.

هدف: این پژوهش با هدف بهینه سازی پرتفوی سرمایه گذاری از طریق ترکیب تحلیل پوششی داده ها و یادگیری ماشین با استفاده از داده های چندمنبعی در بورس اوراق بهادار تهران انجام شده است. هدف اصلی ارایه یک مدل پیشرفته برای انتخاب سهام و بهینه سازی پرتفوی به گونه ای است که سرمایه گذاران بتوانند استراتژی های کارآمدتری را نسبت به روش های سنتی اتخاذ کنند. روش شناسی پژوهش: در این مطالعه، ابتدا از مدل تحلیل پوششی داده ها برای ارزیابی کارایی سهام از نظر بازده تاریخی و همبستگی دارایی استفاده شده است. سپس با استفاده از ماشین بردار پشتیبان و ترکیب داده های چندمنبعی، روند حرکت قیمت سهام پیش بینی شده است. به منظور بهبود دقت مدل، روش های جستجوی تصادفی و شبکه ای برای تنظیم بهینه هایپرپارامترهای الگوریتم به کار گرفته شده است. در نهایت، داده های حاصل در یک مدل بهینه سازی پرتفوی ادغام شده و استراتژی سرمایه گذاری پیشنهادی تدوین شده است. یافته ها : نتایج تجربی بر روی داده های بورس اوراق بهادار تهران نشان داد که مدل پیشنهادی قادر به بهبود عملکرد استراتژی های سرمایه گذاری در مقایسه با روش های سنتی است. نسبت های شارپ و سورتینو نشان دهنده برتری مدل پیشنهادی نسبت به استراتژی حداقل واریانس سراسری بوده اند. همچنین مشخص شد که استفاده از یک استراتژی سرمایه گذاری کم تنوع می تواند کارایی بیشتری نسبت به استراتژی های کاملا متنوع ارایه دهد. اصالت/ارزش افزوده علمی: این پژوهش با ارایه یک مدل ترکیبی از تحلیل پوششی داده و یادگیری ماشین، رویکردی نوین برای انتخاب سهام و بهینه سازی پرتفوی پیشنهاد می دهد. استفاده از داده های چندمنبعی و روش های پیشرفته یادگیری ماشین، دقت پیش بینی و تصمیم گیری سرمایه گذاران را بهبود بخشیده و زمینه را برای تحقیقات آینده در حوزه هایی مانند استفاده از مدل های فازی، الگوریتم های فرا ابتکاری و تحلیل روابط بین شاخص های مالی فراهم می کند.

کیفیت حسابرسی برای استفاده کنندگان اطلاعات حسابداری جهت ارزیابی عملکرد، پیش بینی سودآوری و تعیین ارزش واقعی شرکت اهمیت دارد. با این بیان، هدف اصلی پژوهش حاضر ارائه الگوی کیفیت حسابرسی(عوامل ورودی، فرایند، خروجی و زمینه ای) جهت استفاده در تصمیمات سرمایه گذاران و فعالان بازارهای مالی است. برای دسترسی به هدف پژوهش انواع مدل های آماری و یادگیری ماشین در دستیابی به الگویی بهینه در پیش بینی مدل تصمیم سرمایه گذاری استفاده شده است. به منظور ارزیابی عملکرد مدل های یادگیری ماشین از دو معیار دقت پیش بینی مدل و ناحیه سطح زیر منحنی استفاده شده است. در نهایت به منظور انتخاب مدلی که بهترین عملکرد را برای پیش بینی مدل تصمیم سرمایه گذاری دارد، از منحنی مشخصه عملکرد سیستم استفاده شده است. نتایج پژوهش نشان داد پس از محاسبه متوسط دقت پیش بینی، مدل های قوانین استنتاجی، K نزدیک ترین همسایه و ماشین بردار پشتیبان تکاملی به ترتیب دارای بالاترین دقت پیش بینی 29/84 درصد 74/78 درصد و 01/77 درصد در بین مدل های یادگیری ماشین هستند. همچنین براساس نتایج منحنی مشخصه عملکرد سیستم مدل قوانین استنتاجی با دقت پیش بینی 29/84 درصد در پیش بینی مدل تصمیم سرمایه گذاری بهترین عملکرد را دارد و به عنوان مدل بهینه انتخاب شد. یکی از راه های کمک به تحلیلگران سرمایه گذاری و فعالان بازارهای مالی، ارائه الگوهای پیش بینی درباره دورنمای اطلاعات شرکت است. هرچه پیش بینی ها به واقعیت نزدیک تر باشد، مبنای تصمیم های صحیح تری قرار خواهند گرفت. کیفیت بالای حسابرسی می تواند به تحکیم گزارشگری مالی شفاف و افزایش دقت در ارزیابی وضعیت مالی شرکت ها منجر شود که به نوبه خود، بر کیفیت تصمیم گیری های مالی سرمایه گذاران و افزایش کارآیی بازارهای مالی تأثیر می گذارد. روش های آماری و داده کاوی می توانند تا حد زیادی یک سیستم پشتیبانی برای تصمیم گیری سرمایه گذاران ارائه دهد. از این رو در این پژوهش انواع مختلف مدل های آماری و یادگیری ماشین توسعه داده شد. نتایج پژوهش می تواند درک بهتری از چگونگی تاثیر کیفیت حسابرسی از منظر عوامل ورودی، فرایند، خروجی و زمینه ای بر مدل تصمیم مطابق با دیدگاه محتوای اطلاعاتی و نظریه سودمندی تصمیم برای تصمیم گیری به استفاده کنندگان اطلاعات حسابداری ارائه نماید.

بازار سهام به عنوان یکی از اجزای حیاتی بازار سرمایه، بخش مهمی از اقتصاد کشور است که می تواند جریان سرمایه را مدیریت و تخصیص سرمایه را بهینه کرده و از این طریق به رشد و توسعه اقتصادی کمک کند. پیش بینی هرچه دقیق تر روند بازار سهام می تواند با کاهش ریسک، به تصمیم گیری سرمایه گذاران برای کسب بازده بیشتر کمک کند. به طور کلی بازار سهام همواره در حال تغییر است و عوامل زیادی بر روند حرکت این بازار اثر می گذارند لذا پیش بینی الگوهای حرکتی در بازا سهام نیازمند داشتن اطلاعات کافی از گذشته بازار و عوامل اثرگذار بر آن می باشد. این مقاله ضمن پیش بینی شاخص کل بازار سهام ایران، به دنبال تفسیر مدل و مشخص کردن اثرگذارترین متغیر اقتصادی بر پیش بینی شاخص کل می باشد. برای این منظور از داده های روزانه بازار سهام و متغیرهای کلان اقتصادی طی دوره 1394-1401 استفاده شده است. همچنین از مدل های یادگیری ماشین برای پیش بینی و از رویکرد توضیحات افزودنی (SHAP) برای تفسیر چگونگی پیش بینی و تعیین بااهمیت ترین متغیر اقتصادی در مدل پیش بینی استفاده شده است. براساس نتایج بدست آمده از میان روش های گروهی مبتنی بر درخت، مدل پیشنهادی این مطالعه یعنی ExtraTrees بهترین عملکرد را بر اساس معیارهای خطا در پیش بینی دارد. درمورد مبحث اهمیت ویژگی نیز بر اساس مدل ExtraTrees، به ترتیب دلار نیمایی، نرخ بیکاری، دلار بازار آزاد و نقدینگی با اهمیت ترین متغیرهای اقتصادی اثرگذار بر مدل پیش بینی می باشند. همچنین براساس سایر مدل های استفاده شده در پژوهش، نقدینگی مؤثرترین متغیر بر روند شاخص سهام می باشد. در نهایت می توان گفت که مؤثرترین متغیر های پولی بر شاخص بازار سهام در ایران متغیرهای نقدینگی و نرخ ارز می باشند لذا سیاست گذاران پولی و سرمایه گذاران بازار سهام در تصمیم گیری های خود باید به تغییرات این متغیرها حساسیت بیشتری نشان دهند.

زمین لغزش به عنوان یکی از خطرناک ترین مخاطرات طبیعی در نواحی کوهستانی همواره تأسیسات انسانی به ویژه جاده ها و محورهای ارتباطی را تهدید می کند و رخداد آن خسارات جانی و مالی بسیاری را همراه دارد لذا مطالعه و شناخت این مخاطره در جهت پهنه بندی خطر وقوع آن امری ضروری است. هدف از این پژوهش پهنه بندی خطر وقوع زمین لغزش در جاده ماسال به گیلوان با استفاده از الگوریتم شبکه عصبی می باشد. الگوریتم شبکه عصبی جزوه یکی از بهترین مدل های یادگیری ماشینی شناخته می شود که در عین سادگی توانایی حل مسائل پیچیده در امر پیش بینی و طبقه بندی را دارد. لذا در این جهت برای پهنه بندی خطر وقوع زمین لغزش 9 عامل تأثیرگذار به ترتیب: 1- زمین شناسی 2-پوشش گیاهی 3- شیب 4- کاربری اراضی 5- فاصله از جاده 6-جهت شیب 7- ارتفاع 8- فاصله از گسل 9- فاصله از رودخانه استفاده شده است. بنابراین داده ها بعد از تهیه و پیش پردازی وارد نرم افزار متلب 2018 شده و مدل سازی الگوریتم شبکه عصبی با 9 نورون ورودی 8 نورون میانه و 1 نورون خروجی طراحی و اجراشده و نتایج نشان داد که چهار عامل که بیش ترین ارزش وزنی را داشته به ترتیب مربوط به لایه های شیب با مقدار 24/0 درصد، پوشش گیاهی با مقدار 17/0 درصد، عامل فاصله از گسل با مقدار 14/0 درصد، زمین شناسی با مقدار 11/0 می باشد. و صحت سنجی نهایی از خروجی با استفاده از نمودار ROC نشان داد که مقدار AUC عدد 854/0 در بخش آموزش و 971/0 در بخش تست شبکه هر دو در حالت بسیار مطلوب قرار دارند و میزان خطا بسیار پایین است.

قرار گرفتن در معرض ذرات ریز (PM2.5) آلاینده هوا، به ویژه در مناطقی که میانگین سالانه آن از دستورالعمل های سازمان بهداشت جهانی فراتر است، به طور قابل توجهی بر سلامت عمومی تأثیر می گذارد. در ایران، افزایش سطح مواجهه با PM2.5، به میزان قابل توجهی بر مرگ و میر در میان بزرگسالان نقش داشته است. محدودیت های پوشش مکانی و شکاف مقطعی داده های ایستگاه های پایش زمینی، چالش هایی را در مدیریت مؤثر کیفیت هوا ایجاد نموده است. محصولات فناوری های سنجش از دور، مانند عمق نوری آئروسل (AOD) برگرفته از حسگرهای MODIS، جایگزین امیدوارکننده ای در برآورد PM2.5 به شمار می روند. در مقاله حاضر، تحقیقات پیشین در زمینه استفاده از الگوریتم های یادگیری ماشین در برآورد غلظت PM2.5 بر اساس داده های AOD، مرور شده است. تجزیه و تحلیل ساختاری 127 مطالعه انتخاب شده، همبستگی های متفاوتی را بین AOD و PM2.5 نشان داد (R2 در محدوده 48 تا 99%)، که می تواند با بهره گیری از متغیرهای کمکی نظیر شرایط هواشناسی و عوامل محیطی، بهبود یابد. اگرچه ادغام این متغیرها، دقت برآورد را افزایش می دهد، ولی در عین حال، پیچیدگی و خطاهای بالقوه را در مدل های یادگیری ماشین افزایش خواهد داد. مدل های یادگیری ماشین ترکیبی عملکرد بهتری را در مقایسه با الگوریتم های فردی نشان می دهند، چراکه قابلیت انطباق، پردازش موازی و مدیریت داده های از دست رفته را دارند. علی رغم پیشرفت های اخیر، هنوز چالش هایی به دلیل عدم قطعیت داده ها و دینامیک بودن پدیده های هواشناسی، باقی مانده اند. الگوریتم های یادگیری ماشین، اگرچه ابزاری قوی در برآورد PM2.5 بر اساس شاخص AOD ارائه می دهد، لیکن تحقیقات آتی در راستای رفع محدودیت ها و بهینه سازی عملکرد مدل متناسب با تغییرات محیطی، ضروری است.

از میان انواع فضاهای شهری، فضاهای سبز شهری و پارک ها، به عنوان تنفس گاه های شهر، عرصه هایی سرسبز و آرامش بخش هستند و، به عنوان بستر فضایی پژوهش انتخاب شده اند. بنابراین این مقاله، با هدف تحلیل احساسات کاربران از پارک ملت تهران، در قالب پژوهشی تحلیلی و مبتنی بر روش کمی (رویکرد یادگیری ماشین نظارت شده و مبتنی بر لغت) است. داده ها پس از پیش پردازش و برچسب گذاری، با دو روش: مدل گرا و غیرمدل گرا، بررسی و تحلیل احساسات با زبان برنامه نویسی پایتون، انجام شده است. مقایسه این دو روش نشان داد که از میان الگوریتم های یادگیری ماشین، ایکس. جی.بوست با بیشترین دقت (87%)، کی-نزدیکترین همسایه و ماشین بردار پشتیبان با دقت کمتر، قابلیت پیش بینی احساسات در فضاهای سبز را دارند. روش لغوی (استفاده از فرهنگ لغت ویدر) در مقایسه با یادگیری ماشین، قابلیت پیش بینی کمتری دارد. در نهایت مدل یادگیری گروهی از نوع پشته سازی که برای بالا بردن دقت مدل استفاده شده که بر اساس نتایج ماتریس درهم آمیختگی (96%) قابلیت پیش بینی احساسات را دارد. بنابراین با بهره گیری از روش مبتنی بر داده های فضای مجازی، می توان، به پیش بینی احساسات کاربران سایر فضاهای سبز شهری با سرعت و دقت بالا در شهر تهران دست یافت.

با توجه به اهمیت تغییرات کاربری اراضی در آمایش سرزمین و حفاظت اکوسیستم های حیاتی نظیر تالاب ها، هدف از این مطالعه بررسی تغییر کاربری اراضی حوضه آبریز تالاب انزلی مبتنی بر تلفیق الگوریتم نقشه بردار زاویه طیفی (SAM) و جنگل تصادفی (RF) با به کارگیری نمونه های آموزشی متغیر در پلتفرم گوگل ارث انجین (GEE) است. لذا، از تصاویر سنتینل-2 هارمونایز شده در طی سال های 2019-2023 و شش شاخص طیفی به منظور افزایش دقت الگوریتم در طبقه بندی کاربری اراضی استفاده شد. با جمع آوری 500 نقطه زمینی در سال پایه و بر اساس اختلاف زاویه طیفی تصاویر، نمونه های آموزشی جدید در سال های 2021 و 2023 تولید و نقشه های طبقه بندی با استفاده از الگوریتم RF ایجاد شدند. نتایج حاکی از بیشترین تغییرات در طی 5 سال در کاربری های پهنه آب (کاهشی)، تالاب و انسان ساخت (افزایشی) است. نتایج مدل سازی نیز بیانگر دقت بالای 87 درصد برای صحت کلی و کاپا در بازه زمانی در نظر گرفته شده است. از طرفی کاربری پهنه آب با دقت بالای 90 درصد، بیشترین مقدار را برای شاخص های صحت کاربر و تولیدکننده دارد. نتایج اهمیت نسبی نیز بیانگر آن بود که باندهای سبز، آبی، قرمز و شاخص اصلاح شده اختلاف آب نرمال بیشترین تأثیر را در تفکیک کاربری ها و انتقال نمونه های آموزشی داشته اند. ازاین رو مشخص می شود که روش نوین اتخاذشده با توجه به در نظر گرفتن پویایی و خودکارسازی تولید نمونه های آموزشی جدید، قابلیت بالایی در تفکیک پذیری و بهبود دقت طبقه بندی در مناطق تالابی دارد؛ بنابراین این روش برای مطالعات آینده و سایر حوضه های تالابی نیز قابل اتکا است.

تابش خورشیدی به عنوان یکی از متغیرهای مهم در مدل های بیلان انرژی و شبیه سازی رشد گیاهان اهمیت زیادی دارد. در این پژوهش عملکرد روش تحلیل مؤلفه اصلی (PCA) و تئوری آنتروپی شانون (ENT) برای تعیین ورودی مدل های یادگیری ماشین جنگل تصادفی (RF)، رگرسیون خطی (LR)، ماشین بردار پشتیبان (SVR)، نزدیک ترین همسایه (KNN)، درخت تصمیم (DT) و (XGB) XGBoost در برآورد تابش خورشیدی در ایستگاه سینوپتیک یزد در حد فاصل سال های 2006 تا 2023 موردبررسی قرار گرفت. متغیرهای میانگین دما، دمای کمینه، دمای بیشینه، ساعات آفتابی، رطوبت نسبی و تابش خورشیدی به صورت روزانه از سازمان هواشناسی دریافت و متغیرهای تابش فرازمینی، فاصله نسبی زمین تا خورشید، زاویه میل خورشیدی و حداکثر ساعات آفتابی با روابط موجود محاسبه و به عنوان ورودی روش های پیش پردازش انتخاب شدند. نتایج الگوریتم های یادگیری ماشین حاکی از دقت قابل قبول آن ها در تخمین تابش خورشیدی بود. با کاهش بعد داده های ورودی به الگوریتم های یادگیری ماشین، نتایج نشان داد که روش تحلیل مؤلفه اصلی دقت مدل را افزایش داد و در بین مدل های به کاررفته، مدل PCA-SVR با ضریب تبیین 923/0 و دقت 84/92% بهترین نتیجه را در ایستگاه یزد نشان داد. لازم به ذکر است که روش تئوری آنتروپی شانون نتوانست نتایج مدل سازی را نسبت به روش بدون پیش پردازش اولیه بهبود بخشد. این تحلیل نشان می دهد که استفاده از تکنیک های کاهش ابعاد و انتخاب مدل های مناسب می تواند منجر به دقت بیشتر و پیچیدگی محاسباتی کمتر در مسائل پیش بینی شود، هرچند در انتخاب مدل پیش پردازش داده های اولیه باید دقت کافی داشت.

در هیدرولوژی، فرآیند بارش - رواناب یکی از پیچیده ترین پدیده های غیرخطی است. پیش بینی رواناب در حوضه های فاقد آمار یکی از چالش ها در مدیریت منابع آب است. در این مطالعه کارایی مدل های یکپارچه هیدرولوژیک و روش های یادگیری ماشین در شبیه سازی دبی روزانه و ماهانه در حوضه آبخیز کبکیان که یکی از مهم ترین سرشاخه های رودخانه کارون است، بررسی شد. مدل های هیدرولوژیک یکپارچه AWBM، Sacramento، SIMHYD، SMAR و TANK و الگوریتم های مختلف روش درخت تصمیم، شبکه عصبی مصنوعی و رگرسیون بردار پشتیبان برای شبیه سازی دبی روزانه و ماهانه حوضه استفاده شد. سری های ماهانه و روزانه بارش، تبخیر و تعرق پتانسیل و دبی در دوره آماری 1401-1350 برای این منظور استفاده شدند. برای ارزیابی کارایی مدل ها نیز از ضرایب کارایی R2 ، NS و RMSE به کار گرفته شد. نتایج نشان داد که مدل های SMAR و AWBM بهترین کارایی را در شبیه سازی دبی روزانه در حوضه آبخیز کبکیان در مقایسه با سایر مدل های هیدرولوژیک استفاده شده داشته اند و مقادیر ضریب نش ساتکلیف این دو مدل در مرحله صحت سنجی به ترتیب 79/0 و 78/0 بوده که نشان از کارایی بسیار خوب این مدل ها در شبیه سازی دبی روزانه دارد. در سری های ماهانه نیز مدل های SMAR و AWBM با ضریب نش ساتکلیف به ترتیب 71/0 و 72/0 و ضریب تبیین 79/0 و 79/0 کارایی خوب داشته اند. در روش های یادگیری ماشین در مقیاس روزانه، روش درخت تصمیم با الگوریتم جنگل تصادفی با ضریب تبیین 61/0 بهترین کارایی را در شبیه سازی دبی داشته است. در شبیه سازی دبی ماهانه، الگوریتم جنگل تصادفی با ضریب تبیین 93/0 کارایی خیلی خوبی داشته است.

زمینه و هدف: برنامه ریزی شهری مشارکتی با هدف افزایش مشارکت شهروندان در تصمیم گیری های شهری، نیازمند ابزارهایی برای تحلیل حجم عظیمی از داده های متنی است. این پژوهش با هدف بررسی کاربرد پردازش زبان طبیعی در تحلیل نظرات شهروندان در مورد طرح های توسعه شهری انجام شده است. روش بررسی: با استفاده از روش تحلیل محتوا و الگوریتم های یادگیری ماشین، نظرات جمع آوری شده از پلتفرم های اجتماعی تحلیل شدند. یافته ها و نتیجه گیری: نتایج نشان داد که پردازش زبان طبیعی می تواند با دقت قابل قبولی، احساسات، موضوعات اصلی و الگوهای موجود در نظرات شهروندان را شناسایی کند. این یافته ها حاکی از آن است که پردازش زبان طبیعی می تواند به عنوان یک ابزار قدرتمند برای بهبود فرآیند تصمیم گیری در برنامه ریزی شهری مورد استفاده قرار گیرد. با این حال، محدودیت هایی همچون زبان محاوره ای و وجود اصطلاحات تخصصی در نظرات، نیاز به توسعه بیشتر مدل های پردازش زبان طبیعی را نشان می دهد.                           

انتظار می رود فنّاوری های یادگیری ماشین به طور فزاینده ای در زندگی روزمره مردم تأثیر بگذارد. نسل بعدی کودکان، بیشترین تأثیر را از این فنّاوری خواهند داشت؛ زیرا آن ها در عصری از داده های بزرگ و سیستم های ماشینی متولد و بزرگ خواهند شد که تصمیمات مربوط به زندگی شان از تحصیل، دسترسی به اعتبار و فرصت های شغلی و بسیاری از موارد دیگر را تحت تأثیر قرار خواهد داد. در این مقاله، به بررسی تأثیرات هوش مصنوعی در حقوق بشر کودکان پرداخته و سعی شده است راهکارهایی برای حفاظت از حقوق کودکان در دنیای پویای فنّاوری و هوش مصنوعی ارائه شود. همچنین تأثیر و تعامل با حقوق بشر و به ویژه کودکان درمورد حق آموزش و رعایت حریم خصوصی، آزادی بیان و منع تبعیض مسائل مهمی است که متولیان اصلی از جمله شرکت ها، والدین و دولت ها باید به آن به طور ویژه بپردازند. تعیین محدودیت زمانی، نظارت والدین، فیلترینگ محتوا،آگاه سازی و آموزش ودرنهایت ارتقای الگوریتم ها و سیستم های هوش مصنوعی از جمله تعهدات شرکت ها و والدین و دولت هاست.

هدف: در بازارهای رقابتی، شرکت ها روی برقراری روابط بلندمدت با مشتریان و تقویت وفاداری تمرکز دارند. به علت هزینه های سنگین جذب مشتری جدید، کسب وکارها روی نگهداری مشتریان موجود تمرکز می کنند. پیش بینی مشتریانی که احتمال روی گردانی آن ها در آینده وجود دارد، بخش مهمی از راهبرد حفظ مشتری است. در این مقاله پیش بینی ریزش مشتری در صنعت بانکداری، روی دادگان واقعی مشتریان یکی از بانک های بزرگ ایران انجام شده است. روش: در صنعت بانکداری، کاهش شدید میانگین مانده مؤثر یک مشتری در یک بازه زمانی نسبت به بازه زمانی قبلی، به عنوان ریزش مشتری در نظر گرفته می شود. در این مقاله، ابتدا با پردازش حجم زیادی از تراکنش های بانکی در یک بازه زمانی مشخص، ویژگی های رفتاری متفاوت در سطوح مختلف برای مشتریان به دست آمد؛ سپس برای پیش بینی ریزش، از الگوریتم های پُراستفاده در یادگیری ماشین و روش های یادگیری جمعی استفاده شد. در ادامه، با استفاده از روش های یادگیری عمیق و واحدهای نوین آن، معماری مدل مدنظر ارائه شد. در نهایت، با انجام آزمایش های جامع، عملکرد روش های نام برده بررسی شد. یافته ها: این پژوهش در یکی از بانک های بزرگ ایران اجرا شد و آزمایش ها روی دادگان واقعی مشتریان بانک صورت پذیرفت. در این آزمایش ها، از اطلاعات جمعیت شناختی و رفتار گذشته مشتریان بهره گرفته شد؛ اما از اطلاعات شخصی افراد استفاده نشد تا حریم خصوصی مشتریان حفظ شود. در آزمایش های صورت گرفته، پیش بینی ریزش مشتری روی بازه زمانی یک ماهه انجام گرفت. بدین ترتیب دو بازه یک ماهه متوالی مدنظر قرار گرفت و ویژگی های رفتاری مشتریان، از بازه زمانی اول استخراج شد. متغیر هدف نیز از مقایسه میانگین مانده مؤثر در بازه های زمانی اول و دوم به دست آمد. در صورتی که میانگین مانده مؤثر یک مشتری، در بازه دوم نسبت به بازه اول با بیش از ۷۰درصد کاهش همراه بود، به عنوان ریزش در نظر گرفته شد. در نتایج به دست آمده الگوریتم های یادگیری جمعی و همچنین مدل های عمیق ارائه شده، عملکرد بهتری را نسبت به مدل های مبنا نشان دادند. افزایش اندازه مجموعه آموزش در عملکرد بهتر مدل ها مؤثر بود. مدل تقویت گرادیان با 8984/0 بیشترین مساحت زیر منحنی مشخصه عامل گیرنده نسبت به مجموعه اعتبارسنجی را به دست آورد. نتیجه گیری: استخراج ویژگی های رفتاری از تراکنش های بانکی مشتریان و استفاده از روش های یادگیری جمعی و همچنین مدل های ارائه شده مبتنی بر یادگیری عمیق، در پیش بینی ریزش مشتری مؤثرند. پس از تحلیل رفتار و شناسایی مشتریان در شرف روی گردانی، پیشنهادهایی برای جلوگیری از ریزش و حفظ مشتری ارائه شد. برای نمونه، تفکیک مشتریان بر اساس سن، شغل، تحصیلات و غیره به منظور ارائه خدمات و تولید محصولات بانکی بر این مبنا، ایجاد تنوع در خدمات موجود، ارائه خدمات مورد نیاز مشتریان از طریق بسترهای مجازی و در صورت نیاز در محل فعالیت و زندگی مشتریان، تسهیل در ارائه خدمات مطلوب به مشتریان، افزایش اعتماد مشتریان از طریق ارائه کاربردیِ امن و همچنین، حفاظت از اطلاعات مشتریان، به حفظ مشتری کمک می کند.

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.