افزایش جمعیت و گسترش شهرنشینی باعث افزایش ترافیک در شهرها، زمان و هزینه سفر، مصرف سوخت، آلودگی هوا و ... شده است. در چنین شرایطی، روش هایی لازم است که کارایی سیستم های حمل و نقل افزایش یابد. در این راستا، یکی از روش ­ها می ­تواند استفاده از ماشین­ های خودران باشد. این ماشین ها توجه محققین و صنایع را به خود جلب کرده ­اند به نحوی که بسیاری از کارشناسان حمل و نقل در حال حاضر بر روی توسعه ی این مفهوم کار می­ کنند.  این سیستم می ­تواند پایه ­ای برای رشد اقتصادی و توسعه کشورها باشد. در این مقاله، نقش ماشین ­های خودران در سیستم حمل و نقل مورد بحث قرار گرفته است. شاکله اصلی این تحقیق، استفاده از شبکه عصبی به عنوان یکی از روش ­های یادگیری ماشین است. وظیفه ی این قسمت، یادگیری سیستم و تصمیم ­گیری بر اساس حالت کنونی است. بدین منظور از ترکیب شبکه­ های عصبی Dense و Convolutional و شبیه­ ساز Udacity استفاده  شده است. این نحقیق نشان داد که این شبیه ساز می تواند موجب تسریع در فرآیند طراحی ماشین های خودران و پیاده ­سازی آ­ن ­ها شود. نتیجه به دست آمده نشانگر درصد مشابهت بالا بین ماشین کنترل شده توسط انسان و ماشین خودران حاصل از طرح پیاده­ سازی توسط شبیه ­ساز بود.

الگوریتم یادگیری ماشین به عنوان ابزرای قدرتمند، چشم انداز خوبی برای مطالعة فازهای مختلف ماده در زمینة فیزیک ماده چگال ترسیم می کند. در این مقاله سعی خواهیم کرد با بازبینی در فرمول بندی الگوریتم های شبکۀ عصبی عمیق، روشی نو جهت حل مسئلۀ بهینه سازی سامانه های اسپینی، برای بررسی حالت پایۀ سامانه های مغناطیسی زیر دمای کوری، که تقارن دورانی اسپین به صورت خودبه خودی شکسته می شود، معرفی کنیم. با استفاده از روش شبکۀ یادگیری عمیق، سیمای فاز کلاسیکی مدل هایزنبرگ همسانگرد شبکۀ مربعی و شبکۀ لانه زنبوری را مطالعه کردیم. نتایج به دست آمده با روش یادگیری ماشین، با سیمای فاز کلاسیکی مدل هایزنبرگ که از دیگر روش های تحلیلی و محاسباتی پیدا شده، همخوانی کامل دارد. همچنین، در تحقیق حاضر که اساس آن بر یادگیری عمیق است، مزیت بالاتری نسبت به الگوریتم های تکاملی، که با چالش اساسی در حل مسئله های بهینه­ سازی مواجه اند، برخوردار است. بنابراین، توانایی الگوریتم های یادگیری ماشین نظیر شبکۀ عصبی عمیق در حل مسائل فیزیک مادۀ چگال، استفاده از آن را در مطالعة حالت پایۀ سامانه های مغناطیسی، اجتناب ناپذیر می سازد‏.

با ظهور مه داده ها در دو دهه گذشته، به منظور بهره برداری و استفاده از این نوع داده ها، نیاز به یکپارچه سازی پایگاه داده ها با هدف تصمیم گیری براساس شواهد و اطلاعات قوی تر، بیش از پیش احساس می شود. لذا آشنایی با روش شناسی اتصال رکوردی به عنوان یکی از روش های یکپارچه سازی داده ها و همچنین استفاده از روش های یادگیری ماشین برای سهولت فرآیند اتصال رکوردها ضروری است. در این مقاله، ضمن تشریح فرایند اتصال رکوردی و برخی روش های مرتبط با آن، با استفاده از روش های یادگیری ماشین، برای افزایش سرعت یکپارچه سازی پایگاه داده ها، کاهش هزینه و بهبود عملکرد اتصال رکوردی، دو پایگاه داده چارچوب کارگاه های صنعتی مرکز آمار ایران و سازمان تامین اجتماعی به یکدیگر متصل شده اند.

امروزه نیاز روزافزون به مصرف انرژی به دلیل توسعه جوامع انسانی، امری اجتناب ناپذیر است. با توجه به محدودیت منابع انرژی کره زمین و همچنین ایجاد آلودگی های زیست محیطی ناشی از مصرف سوخت های فسیلی، استفاده از انرژی خورشیدی به عنوان یک انرژی پاک ضرورتی انکارناپذیر است. استفاده از مبدل های فوتوولتایی (سلول های خورشیدی) از راهکارهای موثر برای استفاده بهینه از این منبع عظیم انرژی است. تاکنون پژوهش های متعددی درباره طراحی، ساخت و بهینه سازی سلول های خورشیدی انجام شده است. در حوزه بهینه سازی سلول های خورشیدی، روش های یادگیری ماشین یکی از رویکردهای مفید و مورد استفاده است. یادگیری ماشین به عنوان شاخه جدیدی از حوزه علوم دانشگاهی محسوب می شود که با پردازش داده های موجود، اطلاعات ارزشمند نوینی ارایه می دهد. زمینه های کاربرد یادگیری ماشین در طراحی و ساخت سلول های خورشیدی پلیمری به سه دسته کلی پیش بینی عملکرد سلول خورشیدی، انتخاب مواد مناسب و بهینه سازی فرایندهای ساخت تقسیم بندی شده است. در این نوشتار سعی شده است تا روش های یادگیری ماشین به طور اجمالی معرفی و در ادامه، کاربردهای آن در زمینه طراحی و ساخت سلول های خورشیدی توضیح داده شود. در این نوشتار، باتوجه به مطالعات بسیار انجام شده، مرور مقالات نمایه شده بین المللی معتبر به سال های 2020 و 2019 میلادی محدود شده است.

امروزه یکی از حوزه هایی که نیازمند پیشبینی است، پیشبینی تورم است. به این منطور پیشبینی تورم می تواند تا حد زیادی به برنامهریزی و تعیین سیاستهای کلی اقتصادی در آینده کمک کند. در این پژوهش هفت متغیر اقتصادی میزان پس انداز، نرخ ارز، حجم نقدینگی، درآمد مالیاتی، میزان صادرات، میزان واردات و میزان درآمد نفتی به عنوان پایگاه داده پژوهش از سال 1370 تا 1400 از بانک مرکزی جمهوری اسلامی ایران استفاده شده است. میزان تورم هرسال در یکی از دسته های سهگانه نرخ تورم کم، نرخ تورم متوسط و نرخ تورم بالا دستهبندی شدند. میزان تورم از 0تا 15 در دسته نرخ تورم کم، میزان تورم 15 تا 30 در دسته تورم متوسط و میزان تورم بالای 30 در دسته تورم بالا لحاظ شدند. در این پژوهش برای دستهبندی، دو دستهبند ماشین بردار پشتیبان، K-نزدیک ترین همسایه بر روی مجموعه دادههای خام اعمال شده است. دقت دسته بندی و پیش بینی در کلاسبند K-نزدیک ترین همسایه 73% و در کلاسبند ماشین بردار پشتیبان 66% بدست آمد.

داده های جریانی متشکل از داده هایی است که به ترتیب و با سرعت و حجم زیاد به سیستم وارد می شوند. توزیع این داده ها ناپایدار بوده و در طول زمان ممکن است تغییر کنند. با توجه به اهمیت این نوع داده ها در حوزه هایی مهم نظیر اینترنت اشیا، تسریع عملکرد و افزایش توان عملیاتی تحلیل داده های بزرگ جریانی به عنوان موضوعی مهم، مورد توجه محققین است. در روش پیشنهادی، از مفهوم یادگیری ترکیبی برخط در مدل بهبودیافته ماشین یادگیر مفرط به منظور طبقه بندی داده های جریانی استفاده شده است. به دلیل استفاده از رویکرد افزایشی، در هر لحظه تنها یک بلوک داده بدون نیاز به دسترسی به داده های پیشین یاد گرفته می شود. همچنین با بهره گیری از رویکرد آدابوست، وزن دهی به طبقه بندی کننده های پایه و تصمیم گیری در مورد حفظ و یا حذف آنها بر اساس کیفیت پیش بینی ها انجام می شود. مزیت دیگر روش پیشنهادی، بهره گیری از رویکرد مبتنی بر صحت طبقه بندی کننده جهت شناسایی رانش مفهوم است که منجر به تسهیل انطباق مدل و افزایش کارایی آن می شود. آزمایش ها بر روی مجموعه داده های استاندارد انجام گردید و روش پیشنهادی به طور میانگین با کسب 90/0% خاص بودن، 69/0% حساسیت و 87/0% صحت توانست اختلاف معناداری با دو روش رقیب داشته باشد.

سرطان پستان در سال های اخیر در بین زنان افزایش یافته است و یکی از شایع ترین علل مرگ و میر در زنان می باشد. مطالعات نشان می-دهد که ترموگرافی، نسبت به سایر روش های تشخیصی، روشی سریع تر، ارزان تر، غیرفعال، بدون ریسک، بدون اشعه و درد است. روش های جدید در پردازش تصویر، بینایی و یادگیری ماشین سبب شده تا مطالعات موفقیت آمیزی به منظور ایجاد سیستم های تشخیصی سرطان پستان با بکارگیری تصاویر ترموگرافی ایجاد شود. در این مطالعه یک روش مناسب برای تشخیص ناهنجاری تصاویر ترموگرافی از نمای روبه رو ارائه شده است که با بکارگیری این روش تفکیک ناحیه سینه و همه نواحی مدنظر پزشک که برای تشخیص سرطان پستان ضروری می-باشند، از ترموگرام ها جداسازی رنگی می شوند و نواحی پرحرارت، با استفاده از الگوریتم FCM از تصاویر استخراج شده و به کمک آنالیز فراکتالی، بعد فراکتال این نواحی با استفاده از سه روش متفاوت محاسبه می شوند. جنبه نوآوری این مطالعه بررسی نقش آنالیز فراکتالی در ردیابی توزیع حرارت متقارن در دو بافت سینه است. نتایج نشان می دهد که آنالیز فراکتالی به طور بالقوه می تواند قابلیت اطمینان ترموگرافی در تشخیص تومور را بهبود بخشد. همچنین آنالیز فراکتالی نقش مهمی در ردیابی توزیع حرارت متقارن، در دو بافت پستان جهت ردیابی ناهنجاری ها را دارد.

یکی از روش هایی که امروزه برای به حداقل رساندن هزینه نگهداری و تعمیرات تجهیزات صنعتی دوار به کار می رود، پایش وضعیت به کمک تحلیل صدا می باشد. این تحقیق با هدف پایش وضعیت به کمک تحلیل صدا برای تشخیص عیب یک الکتروموتور تک فاز از طریق روش یادگیری ماشین انجام شد. شرایط آزمایش شامل حالت سالم، حالت خرابی بلبرینگ، نابالانسی محور و سایش در محور در دو حالت 500 و1400 دور در دقیقه الکتروموتور بود. برای داده برداری یک دستگاه میکروفن روی الکتروموتور نصب شد. پس از داده برداری و پردازش سیگنال و تجزیه و تحلیل آماری نسبت به خوشه بندی داده ها به روش یادگیری ماشین و الگوریتم K mean و انتخاب ویژگی های برتر به روش PCA اقدام شد. سپس برترین ویژگی ها در فرآیند مدل سازی ANFIS استفاده شد. ویژگی های انتخاب شده شامل ویژگی های انتخاب شده مشترک در هر دو وضعیت دور الکتروموتور بود. پس از ارزیابی مدل ها، نتایج بالاترین دقت تشخیص عیب در بهترین مدل خروجی مقدار 82/96 درصد بود. میانگین دقت طبقه بندی کلی تشخیص عیب 71/95 درصد بود. نتایج نشان داد که آنالیز سیگنال های صوتی و مدل سازی با استفاده از روش یادگیری ماشین می تواند در تشخیص عیوب الکتروموتور استفاده شود. براساس نتایج پایش وضعیت الکتروموتور از طریق آنالیز صوتی موجب کاهش توقفات الکتروموتور و ادامه روند کار آن در صنعت شده و با پایش وضعیت مناسب آن هزینه های تعمیراتی الکتروموتور کاهش می یابد.