حافظه کوتاه مدت ماندگار

در این مقاله به بازشناسی باهمایی ها در زبان فارسی پرداخته می شود. پژوهش های صورت گرفته زبان فارسی در این زمینه عمدتاً آماری و مقابله ای بوده است. هدف این پژوهش بازشناسی باهمایی ها به روش پیکره بنیاد و رایانشی است. برای این منظور از پایگاه داده زبان فارسی به عنوان پیکره پژوهش استفاده شده است. همچنین به علت نداشتن لغت نامه باهمایی ها در زبان فارسی مجموعه داده ای از باهمایی بر اساس کتاب فرهنگ زبان آموز پیشرفته فارسی ساخته شده است. با استفاده از بردارهای تعبیه fasttext مدل زبانی با شبکه حافظه کوتاه مدت ماندگار آموزش داده می شود. همچنین با تنظیم دقیق «پارس برت» فراخوانی این مدل زبانی با استفاده از لیست های هزارتایی باهمایی ها و ناباهمایی ها محاسبه شد. در انتها، بررسی مقابله ای بازشناسی باهمایی در موتور ترجمه گوگل با استفاده از ترجمه هزار جمله فارسی به انگلیسی که هر یک از جملات دارای یک باهمایی است، انجام شد. نتایج نشان می دهد که مدل «پارس برت» با فراخوانی 93/95 درصد و 8/85 درصد به ترتیب، به بازشناسی باهمایی و ناباهمایی و مدل زبانی آموزش دیده با شبکه حافظه کوتاه مدت ماندگار به ترتیب باهمایی و ناباهمایی را با فراخوانی 6/6 درصد و 0 درصد بازشناسی کرد. همچنین بررسی مقابله ایِ دقت ترجمه موتور گوگل در ترجمه باهمایی ها سه نتیجه را در بر داشت: 1) باهمایی به درستی بازشناسی و ترجمه شد، 2) باهمایی به درستی بازشناسی نشد و ترجمه به صورت تحت اللفظی و واژه به واژه است، و 3) باهمایی بازشناسی نشد و ترجمه غلطی صورت پذیرفته است.

هدف این پژوهش پیش بینی قیمت سهام با استفاده از دو نوع شبکه عصبی در بورس اوراق بهادار تهران است. شبکه های عصبی بازگشتی [1] عموماً در پیش بینی داده های سری زمانی توانایی خوبی دارند، اما شبکه ی عصبی پیچشی [2] عمدتا برای کاربردهایی چون بینایی کامپیوتر استفاده می شوند. برای انجام این پژوهش از زبان پایتون در ویرایشگر VS code استفاده شده است. جامعه آماری این پژوهش بورس اوراق بهادار تهران می باشد. حجم نمونه آماری این پژوهش شامل داده های سه نماد بورس اوراق بهادار تهران به شرح ایران خودرو، البرز دارو و توسعه معادن روی ایران است. در این پژوهش از هشت ویژگی قیمت در چارچوب زمانی روزانه از تاریخ 1380 تا تاریخ 1400 استفاده می شود که شامل بالاترین قیمت، پایین ترین قیمت، قیمت بسته شدن، قیمت باز شدن، ارزش معاملات، حجم معاملات، اختلاف قیمت بسته شدن دو روز متوالی، و بازده روزانه است. برای ارزیابی عملکرد مدل ها از سه معیار خطای میانگین خطای مطلق، ریشه میانگین مربعات خطا و ضریب تعیین استفاده شده است. نتایج نشان می دهد که مدل شبکه عصبی پیچشی توانایی پیش بینی با دقت خوبی را دارا می باشد. شبکه های عصبی بازگشتی از بهترین نوع شبکه ها برای پیش بینی قیمت هستند، اما نتایج نشان می دهد که شبکه عصبی پیچشی عملکرد بهتری از شبکه عصبی حافظه کوتاه مدت ماندگار داشته است. نتایج نشان می دهد که مدل های یادگیری عمیق در صورتی که در انتخاب ویژگی هایی (متغیرهای مستقل) که بتوانند بیشترین میزان معناداری را در تفسیر علل فراز و فرودهای قیمت در دوره های رونق و رکود بازار داشته باشند، قابلیت و توانایی پیش بینی قیمت، با دقت قابل قبول را خواهند داشت. [1] . Recurrent Neural Network (RNN) [2] . Convolutional neural network (CNNs)