زمینه و هدف: سرطان پوست یکی از شایعترین سرطان ها و ملانوما (Melanoma) کشنده ترین نوع سرطان پوست می باشد. خال ملانوسیتیک (Melanocytic nevi) و ملانوما هر دو از ملانوسایت ها (سلول های تولیدکننده رنگدانه) به وجود می آیند، اما خال ملانوسیتیک خوش خیم و ملانوما بدخیم هستند. این مقاله یک مدل یادگیری عمیق (Deep learning) برای طبقه بندی (Classification) این دو ضایعه پوستی ارایه می کند. روش بررسی: در این مطالعه تحلیلی که در بهمن 1398 در دانشگاه علوم پزشکی شهید بهشتی انجام شد، از مجموعه داده عکس های درماسکوپی Human against machine with 10000 training images, (HAM10000)، هزار تصویر خال ملانوسیتیک و هزار تصویر ملانوما استخراج گردید. از هر مورد، 900 تصویر به شکل تصادفی برای آموزش سیستم انتخاب شدند و 100 تصویر باقیمانده برای تست اختصاص داده شد. یک مدل یادگیری عمیق شبکه عصبی کانولوشنال (Convolutional neural network)، با استفاده از AlexNet (Krizhevsky et al., 2012) به عنوان مدل از پیش آموزش دیده شده (Pretrained)، به کارگرفته شد. در ابتدا این شبکه با 1800 تصویر آموزش داده شد و سپس عملکرد آن بر روی 200 تصویر ارزیابی گردید. یافته ها: مدل پیشنهادی به دقت 93% (Accuracy) در طبقه بندی تصاویر به دو کلاس خوش خیم و بدخیم دست یافت. همچنین مساحت زیر منحنی Receiver operating characteristic (ROC)، 98/0، حساسیت 94% (Sensitivity) و اختصاصیت 92% (Specificity) به دست آمد. همچنین با تنظیم پارامتر آستانه طبقه بندی مدل، امکان افزایش حساسیت، به قیمت کاهش اختصاصیت وجود دارد و بالعکس. نتیجه گیری: با توجه به دشواری تشخیص ملانوما حتی برای متخصصین با تجربه، یافته های این مطالعه، توانایی بالای یادگیری عمیق را در تشخیص سرطان پوست نشان می دهد.

محاسبه واریوگرام و پیوستگی فضایی یکی از اولین و مهم ترین فرآیندها در مدل سازی زمین آماری بوده که فرآیندی زمان بر و تجربه محور است. همچنین به دلیل پیچیدگی های محاسبه واریوگرام تجربی، تفسیر و برازش مدل مناسب همواره یکی از چالش های اصلی در این زمینه است. در این مقاله یک روش مدل سازی هوشمند واریوگرام با استفاده از یادگیری عمیق ارایه شده است که می تواند سرعت برازش مدل واریوگرام را افزایش دهد و مانع بروز خطاهای متداول در برازش دستی مدل واریوگرام شود. در این روش از دو شبکه عصبی کانولوشن استفاده شده است. شبکه اول داده های اولیه را تبدیل به نقشه دوبعدی شبیه سازی شده بر مبنای مدل های مختلف واریوگرام می کند. بدین منظور نیاز است تا شبکه اول، با داده های اولیه و شبیه سازی های مانند آن ها آموزش داده شود؛ سپس خروجی این مدل وارد شبکه عصبی کانولوشن دوم شده که در این شبکه تصاویر دوبعدی شبیه سازی شده به عنوان ورودی به شبکه داده می شود و پارامترهای واریوگرام شامل دامنه، آزیموت جهت اصلی، نسبت دامنه جهت اصلی به جهت فرعی و اثر قطعه ای پیش بینی می شود. در این مقاله ابتدا الگوریتم پیشنهادی بر روی داده های دوبعدی مصنوعی پیاده سازی و پارامترهای مدل بهینه شده است. دقت مدل در پیش بینی پارامترهای واریوگرام 97 درصد بوده است. سپس از الگوریتم پیشنهادی برای مدل سازی واریوگرام داده های ژئوشیمیایی منطقه نوچون که شامل عناصر Cu، Zn و Pb استفاده شد که دقت مدل واریوگرام به دست آمده نسبت به مدل دستی برازش شده 90 درصد است.

یادگیری عمیق ابزار قدرتمندی در خوشه بندی تصاویر پیچیده و حجیم است. اغلب روش های خوشه بندی عمیق عمل دسته بندی تصاویر را بر اساس بردارهای بازنمایی حاصل از آموزش یک شبکه عصبی عمیق انجام می دهند به طوریکه ویژگی های مستخرج از لایه آخر شبکه مورد ارزیابی نهایی عمل خوشه بندی قرار می گیرد. بهره مندی از ویژگی های معنایی متفاوت حاصل از چندین شبکه عمیق می تواند نقش مؤثری در بهبود کارایی نتایج خوشه بندی حاصل ایفا کند که تاکنون تحقیقات کمی در این زمینه صورت گرفته است. ما در این مقاله رویکردی مبتنی بر خوشه بندی عمیق گروهی ارائه می کنیم که در آن با پیوند دادن روش های خوشه بندی عمیق و یادگیری گروهی، سعی در استفاده از مزایای شبکه های عصبی عمیق در کنار یکدیگر داریم. در این راستا ابتدا پنج مدل مختلف خودرمزگذار عمیق با لایه های کانولوشنی متعدد آموزش داده می شوند که در هر یک از آنها از رویکرد یادگیری انتقالی نیز جهت افزایش دقت و بهبود عملکرد استفاده می شود. پس از استخراج ویژگی های چندگانه تصاویر توسط مدل های مختلف عمیق، بازنمایی های حاصل خوشه بندی شده و طبق رویکرد یادگیری گروهی نتایج آنها با یکدیگر تجمیع می شود. نهایتاً دسته بندی نهایی تصاویر بر اساس اطلاعات مشترک خوشه بندی های پایه صورت می گیرد. نتایج حاصل از اعمال روش پیشنهادی بر روی چهار مجموعه داده استاندارد، نشان دهنده کارایی بهتر و مؤثرتر روش پیشنهادی نسبت به رویکردهای اخیر خوشه بندی عمیق تصاویر است.

دست ­نوشته، به عنوان راهی متداول برای ارتباط در میان جوامع انسانی و یک زیست سنج رفتاری به منظور احراز هویت، شناخته شده است. تایید هویت نویسنده­ ی یک متن مکتوب از کاربردهای قابل توجه­ ای در حوزه سیستم­ های امنیتی، پزشکی قانونی و اسناد تاریخی و ادبی، برخوردار است. در این مقاله، برای نخستین بار، یک معماری عمیق بهینه شده با بهره­ مندی از شبکه سیامی، یادگیری انتقالی و الگوریتم بهینه ­ساز گرگ خاکستری، به منظور تایید هویت نویسنده به صورت برون­ خط از روی دست ­خط فارسی ارایه می­ گردد. به دلیل عدم دسترسی به مجموعه داده مناسب در زبان فارسی، یک مجموعه داده شامل کلمات، جملات و ارقام فارسی جمع ­آوری شده است. علاوه بر آن، از دو مجموعه داده ­ی شناخته شده ­ی IAM و KHATT نیز برای تجزیه و تحلیل روش پیشنهادی استفاده گردید. نتایج آزمایشات و ارزیابی ­ها بر روی این مجموعه­ داده­­ها، بر توانایی رویکرد پیشنهادی برای تایید هویت نویسنده از روی دست­ خط در زبان ­های مختلف و سبک های گوناگون نگارش، تاکید دارند.

شناسایی چهره انسان باپهپادها، برای کاربردهای مختلف، مانند نظارت، جستجوو امنیت ضروری است. روش های قبلی برای تشخیص و شناسایی چهره حساسیت بالایی به محدودیت هایی مانند، ارتفاع، زاویه و فاصله از چهره دارند. در این مقاله رویکرد جدیدی برای تشخیص و شناسایی چهره بایادگیری عمیق ارائه می شود. روش پیشنهادی در سه مرحله انجام می شود. در مرحله اول، با الگوریتم جستجوی انتخابی، ناحیه بندی تصاویر انجام می شود. در مرحله دوم، یک شبکه عمیق برای عملیات پالایش جعبه ها پیشنهاد می شودتا جعبه های هدف با دقت و سرعت بالایی شناساییشوند. درواقع، یک مسئله طبقه بندی دو کلاسه توسط یادگیری عمیقانجام می شود تا چهره ها مکان یابیشوند. در مرحله سوم، تصاویر مکان یابی شده به شبکه عمیق پیشنهادی آموزش داده می شوند تا شناسایی چهره ها انجام شود. در معماری روش پیشنهادی از خاصیت شبکه های عمیق پرکاربرد به صورت ترکیبی استفاده می شود و مقایسه کمی روش پیشنهادی با روش های جدید از نظر پیچیدگی محاسباتی نشان می دهد که آموزش مدل پیشنهادی نسبت به سایر روش ها زمان اجرای کمتری لازم دارد. به علاوه، ارزیابی روش پیشنهادی روی مجموعه داده DroneFace نشان می دهد که برای فاصله و ارتفاع مختلف نسبت به هدف، روش پیشنهادی میانگین نرخ تشخیص چهره 9/75 و میانگین نرخ شناسایی چهره 6/84 را دارد. بنابراین، روش پیشنهادی نسبت به روش های جدید در این حوزه دقت و کارایی بالاتری دارد و می تواند برای کاربردهای نظارتی و امنیتی استفاده شود.

زمینه و هدف: بیماری آلزایمر شایع ترین شکل زوال عقل است که مهم ترین نمود آن اختلال در حافظه است. آسیب دیدگی مغزی و اختلال استرس پس از حادثه (حوادث ایجادشده برای جانبازان جنگ، رزمندگان و نیروهای مسلح)، نقش بسزایی در افزایش خطر بیماری آلزایمر دارد. ماهیت ابعاد بالای داده های عصبی، درعین حال تعداد کمی از نمونه های موجود، باعث می شود که یک سیستم تشخیص دقیق کامپیوتری ایجاد شود. هدف از انجام مطالعه حاضر به کارگیری شبکه های عصبی یادگیری عمیق برای ایجاد یک سیستم خودکار تشخیص بیماری می باشد. مواد و روش ها: مطالعه حاضر، بر روی 200 نمونه تصاویر مغزی جانبازان جنگ توسط نرم افزار پایتون انجام شده است. در مدل پیشنهادی این پژوهش 70% از تصاویر پایگاه داده برای آموزش و 30% تصاویر پایگاه داده برای آزمون انتخاب شدند. در مرحله اول آموزش از یادگیری عمیق با شبکه کانولوشن برای استخراج ویژگی سپس در مرحله دوم به منظور طبقه بندی وضعیت سلامت بر پایه ویژگی های یاد گرفته شده می باشد. یافته ها: نتایج حاصل از خروجی تجزیه وتحلیل شده و با روش های ارایه شده در مطالعات قبلی مقایسه شده است. روش پیشنهادی، دقت تشخیص بالاتری دارد که نسبت به روش های موجود باعث افزایش بیش از 10% در دقت تشخیص در بسیاری از موارد گردیده است. نتیجه گیری: نتایج این پژوهش نشان داد که استفاده از روش های هوشمند بر مبنای یادگیری عمیق می تواند با دقت مطلوبی بیماری آلزایمر را تشخیص دهد. همچنین از الگوریتم های استفاده شده در این تحقیق را می توان در سایر امور مدیریتی، نظامی و دفاعی نیز استفاده کرد.

پیش­بینی و درک روشن از رفتار یک پدیده نقش عمده­ای در اتخاذ راهبردها و تصمیم­گیری­ها دارد. توسعه همه جانبه و تعمیق بازار سرمایه به عنوان موتور محرکه توسعه اقتصادی، نیازمند اعتماد عمومی مشارکت کنندگان به کارایی و درستی آن در تعیین قیمت عادلانه اوراق بهادار است. از سوی دیگر، پیش بینی ارزش شرکت، نوسانات قیمت یا بازدهی سهام اهمیت زیادی در انتخاب پرتفوی، مدیریت دارایی ها و حتی قیمت‏گذاری سهام شرکت هایی که تازه وارد بورس می شوند، دارد. در این پژوهش با استفاده از داده های 159 شرکت طی دوره زمانی 10 ساله شامل 1399-1390 و عوامل موثر بر ارزش شرکت شامل نسبت‏های مالی، سازوکارهای راهبری شرکتی، عوامل اقتصاد کلان و بازار سهام اقدام به پیش بینی ارزش شرکت شده است. در این پژوهش از دو ساختار روش یادگیری عمیق شامل GRU و BLSTM جهت ارزیابی بهتر استفاده می­شود. نتایج حاصل از بررسی داده های گردآوری شده با استفاده از تکنیک های یادگیری عمیق، بیانگر آن بود که مدل ترکیبی با مقدار خطای RMSE کمتری نسبت به مدل GRU ارزش شرکت را پیش­بینی کرده است

پیشرفت شگرف بشر در تولید و ذخیره سازی انبوه داده ها و نیز استفاده از آن ها در ساختن ماشین استنتاج گر، امروزه در قالب یک فناوری پیشرفته به نام «یادگیری عمیق ماشینی» ظهور یافته است. این فناوری با الهام از اتصالات موجود در ساختار مغز جانداران طراحی شده و از شبکه های عصبی مصنوعی عمیق قدرت می گیرد. توانایی آن در استنتاج خبره گونه در زمینه های مختلف و یا تولید آثار مشابه افراد زبردست، با وجود مزایای بسیار، انسان امروز را با چالش های مختلفی رو در رو می سازد. این نوشتار تلاش می کند با رویکرد نظام مند عقلی-فلسفی به تحلیل و معرفی چالش های اخلاقی یادگیری عمیق ماشینی و ارائه رهیافت مناسب در قبال هر یک از این چالش ها بپردازد. اگرچه یادگیری عمیق ماشینی چالش های قابل توجهی بر سر راه انسان قرار داده، با آگاهی و چاره اندیشی نسبت به آن ها، می توان در عین بهره بردن از مزایای چشمگیر این فناوری، ارزش های انسانی را نیز آگاهانه محافظت نمود.