مقدمه: بیماری کبدی یکی از بیماری های شایع و خطرناک می باشد و تشخیص بهموقع این بیماری می تواند در پیشگیری از عوارض، کنترل و درمان بیماری بسیار موثر باشد. هدف پژوهش حاضر بهبود الگوریتم آدابوست با الگوریتم کرم شب تاب برای تشخیص بیماری کبد می باشد. روش ها: مطالعه حاضر، از نوع توصیفی-تحلیلی می باشد. مجموعه داده آن شامل 583 رکورد مستقل شامل 10 ویژگی موجود در مجموعه داده یادگیری ماشین دانشگاه کالیفرنیا، ایروین ((UCI) University of California, Irvine) می باشد. در این مقاله از ترکیب الگوریتم آدابوست و کرم شب تاب در راستای افزایش کارایی تشخیص بیماری کبد استفاده شده است. از 80 درصد داده ها جهت آموزش و از 20 درصد باقی مانده جهت آزمون استفاده شده است که این مبنا توسط ارزیابی های مختلف انتخاب شده است. یافته ها: نتایج نشان داد که عملکرد مدل ترکیبی با انتخاب ویژگی در مقایسه با حالت بدون انتخاب ویژگی بهتر است. البته انتخاب ویژگی های مهم در عملکرد مدل ترکیبی موثر هستند. درصد صحت (accuracy) مدل ترکیبی با پنج ویژگی در بهترین حالت برابر با 6/98 درصد و درحالت کلی و با تمام ویژگی ها برابر با 1/94 درصد است. در مقایسه کلی، مدل ترکیبی در مقایسه با اغلب مدل های داده کاوی از درصد صحت بیشتری برخوردار است. نتیجه گیری: با توجه به نتایج به دست آمده مطالعه حاضر، مدل ترکیبی در تشخیص و طبقه بندی افراد سالم و ناسالم می تواند نقش مؤثری در کمک به پزشکان داشته باشد و در مراکز پزشکی برای بالا بردن دقت، سرعت و کاهش هزینه ها می توان از این مدل استفاده نمود. نمی توان ادعا کرد که مدل ترکیبی در مقایسه با کل مدل ها بهتر است اما در مقایسه با بیشتر مدل ها دارای درصد صحت بیشتری است.

تخلخل مؤثر یکی از خصوصیات مهم مخزن است؛ که مهندسان نفت همیشه به دنبال یافتن مدل مناسبی از نحوه توزیع این پارامتر در سنگ مخزن می باشند. با توجه به این که خصوصیات پتروفیزیکی سنگ مخزن بسیار پیچیده است؛ بنابراین در چند دهه اخیر بکار گرفتن روش های دسته بندی در تخمین و مدل سازی این خصوصیات به یکی از موضوعات مهم در صنعت نفت تبدیل شده است. در این پژوهش با تلفیق نگارهای پتروفیزیکی، نشانگرهای لرزه ای و به کارگیری الگوریتم آدابوست سعی شد تا مقدار تخلخل مؤثر در بلوک F3 بخش هلندی دریای شمال دسته بندی شود. در مرحله اول پس از استخراج نشانگرهای لرزه ای از مقطع دوبعدی لرزه ای، توسط روش انتخاب ویژگی SFS، تعداد شش نشانگر لرزه ای با تأثیر مثبت در فرآیند دسته بندی مشخص گردید. این شش نشانگر لرزه ای توسط داده های تخلخل مؤثر دسته بندی شده در موقعیت چاه برچسب گذاری شدند و برای آموزش الگوریتم آدابوست مورد استفاده قرار گرفتند. این آموزش با دقت 6/76 درصد انجام گردید. در مرحله بعد به منظور ارزیابی صحت عملکرد الگوریتم آدابوست، مرحله اعتبارسنجی با حذف اطلاعات مربوط به یک چاه انجام شد؛ که دقت 7/71 درصد به دست آمد و نشان از عملکرد و آموزش صحیح الگوریتم آدابوست دارد. درنهایت الگوریتم آدابوست به منظور دسته بندی تخلخل مؤثر در سایر بخش هایی که اطلاعات چاه موجود نبود، بکار گرفته شد. خروجی الگوریتم نشان داد که لایه های مربوط به سازندهای گروه چالک از تخلخل مؤثر خوبی برخوردارند و احتمالاً استخراج نفت از این افق ها صرفه اقتصادی خواهد داشت.

بیش اطمینانی که یکی از ویژگی های شخصیتی افراد می باشد، که ممکن است بر تصمیم گیری های مدیران شرکت ها تأثیر داشته باشد، مدیریت با رفتار غیرمنطقی می تواند بر عملکرد شرکت در بلند مدت تأثیرگذار باشد. هدف اصلی از پژوهش کاربردی حاضر «مقایسه توانایی الگوریتم های یادگیری ماشین آدابوست و طبقه بندی احتمالی بیزین در پیش بینی بیش اطمینانی مدیران شرکت های بازار سرمایه ایران طی سال های 1387 تا 1395» می باشد که در این راستا الگوریتم هوش مصنوعی آدابوست و احتمالی بیزین به منظور ارائه مدل جهت پیش بینی بیش اطمینانی مدیریت در شرکت های پذیرفته شده بورس اوراق بهادار تهران، برای سال جاری و یک سال آتی اعتبار سنجی شدند. درمجموع، تعداد 34 صنعت مختلف به عنوان نمونه آماری انتخاب شد (اطلاعات مالی تعداد 3145 شرکت-سال در مجموع). روش گردآوری اطلاعات در بخش مبانی نظری از روش کتابخانه ای و برای انجام محاسبات و طبقه بندی آماری داده های مالی، از نرم افزارهای Excel و برای آزمون فرضیه های پژوهش از نرم افزار matlab 2017 استفاده شده است. یافته های پژوهش نشان می دهد که، مدل های غیرخطی پیش بینی الگوریتم آدابوست و الگوریتم احتمالی بیزین به دست آمده، هر دو توانایی پیش بینی بیش اطمینانی مدیریت برای سال جاری و یک سال بعد را دارند؛ اما مدل پیش بینی آدابوست در مقایسه با مدل پیش بینی بیزین نتایج بهتری را برای پیش بینی اعتماد به نفس کاذب مدیریت دارد که نشان دهنده قدرت بیشتر در یادگیری و کارآیی بهتر این مدل به منظور پیش بینی بیش اطمینانی مدیریت می باشد.

با بهبود حد تفکیک مکانی تصاویر سنجش از دور، اطلاعات دقیق تری از صحنة تصویر همچون ساختارهای بافت، فراهم شده است. این منابع داده، به دلیل جزئیات بسیار، دارای واریانس درون کلاسی زیاد و واریانس بین کلاسی اندک اند؛ ازاین رو استخراج اطلاعات پوشش زمین از آنها به فرایندی چالش برانگیز تبدیل شده است. در این تصاویر، تفسیر بصری زمان بر و پرهزینه است و تفسیر اتوماتیک آنها لزوماً به دقت بالا منجر نمی شود و رسیدن به دقت تفسیر مطلوب نیازمند طراحی الگوریتم های اتوماتیک است؛ به صورتی که توانایی مقابله با مشکلات ناشی از پیچیدگی صحنة تصویر را داشته باشند. برای غلبه بر این مشکل، روش آنالیز عارضه مبنای تصویر که به مورفولوژی صحنة تصویر حساس است، به ویژه در مطالعه ای شهری که تراکم ساختارهای شکل گرفته به دست انسان بالاست، ممکن است کارآمد باشد. در طبقه بندی عارضه مبنا، پیکسل های بیانگر یک عارضه در ترکیب با یکدیگر، تجزیه و تحلیل می شوند؛ در نتیجه، فضای مسئله به نسبت طبقه بندی پیکسل مبنا کاهش می یابد و مزیت این امر افزایش سرعت محاسبات است. درعین حال به دلیل اندازة متنوع اشیای تصویری، طبقه بندی نظارت شدة عارضه مبنا در ایجاد مجموعة آموزشی بهینه با چالش هایی مواجه است. در تحقیق حاضر، به منظور طبقه بندی عارضه مبنا، از الگوریتم آدابوست استفاده شده است. برای غلبه بر مشکل فقدان تناسب فضای ویژگی ناشی از تعداد اندک نمونه های آموزشی و توزیع نامتناسب آنها در مقایسه با ابعاد بالای فضای ویژگی (شامل ویژگی های طیفی، مکانی و هندسی)، دو راهبرد دنبال شده است. در یک رویکرد برای تولید مجموعة آموزشی بهینه، مکانیسم یادگیری فعال با الگوریتم آدابوست ادغام شده و در رویکردی دیگر به منظور کاهش ابعاد فضای ویژگی، براساس همبستگی بین ویژگی ها (افزونگی) و همبستگی بین ویژگی ها و کلاس ها (مطابقت)، زیرمجموعة ویژگی منتخب استخراج شده است. روش پیشنهادی روی مجموعه دادة استاندارد وهینگن کشور آلمان اجرا و نتایج حاصل از آن با طبقه بندی پیکسل مبنا مقایسه شده است. به منظور بررسی معنی داری اختلاف های حاصل شده در نتایج ارزیابی ها نیز، آزمون آماری مک نمار به کار رفته است. نتایج تجربی نشان دادند که رویکرد عارضه مبنای پیشنهادی، در قیاس با رویکرد پیکسل مبنا، به طور متوسط 6% دقت کلی و 7% ضریب کاپا را بهبود داده است. همچنین سرعت محاسبات در روش آدابوست عارضه مبنای پیشنهادی، در مقایسه با رویکرد پیکسل مبنا افزایش چشمگیری یافته است. این نتایج بیانگر عملکرد بهینة رویکرد پیشنهادی، هم از نظر دقت و هم از نظر سرعت محاسبات است.

چکیده دمای سطح زمین یا LST که از تصاویر سنجش از دور مادون قرمز حرارتی به دست می‌آید، مستقیماً با تغییرات کاربری و پوشش زمین مرتبط است. سنجش از دور، به عنوان یک روش غیرقابل جایگزین در مقیاس جهانی و منطقه‌ای، نظارت مؤثر با تداوم مکانی-زمانی دمای سطح زمین را امکان‌پذیر می‌کند. همچنین، تهیه تصاویر دمای سطح زمین امکان جداسازی بهتر شهرها از مناطق بایر اطراف را فراهم می‌کند و در طبقه‌بندی سایر پوشش‌ها و کاربری‌ها نیز مفید خواهد بود. در این مطالعه، یک رابط کاربری مبتنی بر پایتون توسعه داده شد که امکان بازیابی بسیار آسان‌ و سریع‌تر دمای سطح زمین را فراهم می‌سازد. دمای سطح زمین را می‌توان با وارد نمودن پارامترهای مورد نیاز در روش‌هایی نظیر الگوریتم تک کانال (SCA)، روش معادله انتقال تابشی (RTE)، الگوریتم پنجره مجزا (SWA) و دو الگوریتم تک پنجره (MWA)، از مأموریت‌های لندست (5، 7 و 8) بازیابی نمود. مقایسه نتایج در این مطالعه نشان داد که روش‌های روش معادله انتقال تابشی (RTE) و الگوریتم تک کانال (SCA) با خطای جذر میانگین مربعات (RMSE) معادل 76/3 و 97/8 درجه سانتی‌گراد بیشترین و کمترین دقت را داشتند. دمای سطح زمین تحت تأثیر عوامل زیادی مانند ذرات معلق در هوا، پوشش زمین و ریخت‌شناسی شهر قرار دارد. الگوریتم‌های مختلف با در نظر گرفتن دمای نزدیک به سطح زمین، محتوای بخار آب و سایر پارامترهای جوی آن را محاسبه می‌کنند. این رابط کاربری به محققان و متخصصان اجرایی کمک می‌کند تا تغییرات حرارتی را در سری‌های زمانی و بر اساس کاربری‌های مختلف در مطالعات خود و به ‌ویژه توسعه شهری پایش نمایند.

تحلیل درماندگی مالی و تعیین احتمال درمانده شدن قبل از بروز درماندگی موضوعی بااهمیت برای سرمایه گذاران، اعتباردهندگان و مدیران می باشد. در این پژوهش با استفاده از اطلاعات شش سال مالی طی دوره 1390 الی 1395 در بخش کشاورزی و مواد غذایی به بررسی عوامل مؤثر بر درماندگی مالی و پیش بینی آن با استفاده از الگوریتم آدابوست و طبقه بندی احتمالی بیز پرداخته شده است. از تأثیر مستقیم تورم، ریسک مالی و تأثیر معکوس نسبت مدیران غیرموظف، بازده سالانه سهام و نسبت وجه نقد عملیاتی بر درماندگی مالی می باشد. همچنین نتایج نشان می دهد که الگوریتم تقویت انطباقی آدابوست با استفاده از داده های مالی و اقتصادی توانایی بالاتری نسبت به روش طبقه بندی احتمالی بیز در پیش بینی درماندگی مالی دارد. نتایج این تحقیق می تواند به صورت کاربردی موردتوجه مدیران بخش کشاورزی و مواد غذایی بورس اوراق بهادار تهران قرار گیرد که با پیش بینی درماندگی مالی در شرکت ها و کار کردن بر روی عوامل مؤثر بر آن، نسبت به مدیریت کردن جذب سرمایه سهامداران، کاهش ریسک بحران های مالی و کمک به سرمایه گذاران جهت اجتناب از زیان های بزرگ در بازار سهام، اقدام نمایند.

درآمدهای مالیاتی یکی از مهم ترین منابع درآمدی دولت و تامین کننده بخش عمده ای از هزینه های دولت است. در سالهای اخیر تقلب در صورت های مالی و اظهارنامه های مالیاتی به طور فزاینده ای به یک مشکل جدی برای کسب و کار، دولت و سرمایه گذاران تبدیل شده است. اکثر مودیان مالیاتی به دنبال راهی برای دستکاری در صورتهای مالی و کاهش سود مشمول مالیات ابرازی خود می باشند. از این رو، شناسایی متقلبین مالیاتی و شرکتهایی که به تقلب در صورتهای مالی می پردازند به امری حیاتی برای دولت تبدیل شده است. هدف از این تحقیق ارایه مدلی است که در آن از الگوریتم درخت تصمیم گیریID3 بهبود یافته استفاده شده است. همچنین برای بهبود عملکرد و دقت آن، با شبکه های عصبی پرسپترون چندلایه بهینه سازی شده توسط الگوریتم ژنتیک ترکیب گردید تا نسبت های مالی مرتبط با تقلب مالیاتی انتخاب نموده و سربار محاسباتی کاهش یابد. درختی که در مدل پیشنهادی ایجاد می شود دارای کمترین عمق ممکن می باشد که از این رو دارای سرعت بالا و سربار محاسباتی پایینی می باشد. بدین منظور صورتهای مالی 60 شرکت پذیرفته شده در بورس اوراق بهادار تهران در سالهای 1394 لغایت 1396 بررسی و 54 نسبت مالی از آن ها استخراج گردید که به وسیله آزمون ANOVA تعداد 23 نسبت و نهایتا توسط شبکه های عصبی تعداد 7 نسبت مرتبط با تقلب مالیاتی، به عنوان داده های ورودی مدل انتخاب گردید. مدل ارایه شده با دقت 81/4 درصد، در شناسایی شرکتهای دارای تقلب مالیاتی، موفق بوده که نسبت به الگوریتم آدابوست دارای بالاترین دقت و قدرت پیش بینی بوده است.

نظریه اطلاعات، شاخه ای از ریاضیات است. از تئوری اطلاعات در تجزیه و تحلیل های ژنتیکی و بیوانفورماتیکی استفاده گردیده و میتوان از آن در آنالیز های مربوط به ساختارها و توالی های زیستی نیز استفاده نمود. در این پژوهش بعد از استخراج توالی DNA ژن و اگزونهای موثر بر تولید شیر در گاو شیری، فراسنجه آنتروپی در مراتب یک الی چهار برای هر ژن و اگزونهای هر ژن محاسبه شد. برای استخراج تشابه میان ژنها از یکدیگر، از اطلاعات متقابل بین ژن ها استفاده شد. نتایج با استفاده از هفت روش معمول خوشهبندی شدند. با توجه به تعدد نتایج، جهت افرایش دقت و تجمیع نتایج حاصل، از الگوریتم آدابوست استفاده گردید. در پایان جهت تایید نتایج حاصل از آدابوست و پیش-بینی عملکرد ژن ها و ارتباط بین آنها، با مراجعه به تارگاه GeneMANIA نتایج بر اساس حاشیه نویسی ژنومی آن ها مورد بررسی و مقایسه قرار گرفت. تجمیع نتایج هر خوشهبندی که با الگوریتم آدابوست انجام شد و خود نوعی درخت ژنی را تداعی می کند، نشان داد که روش پیشنهادی برای خوشهبندی مجموعهای از ژنها، از نظر زیستی جواب معقولی را حاصل میکند چرا که با نتایج حاشیه نویسی ژنومی ژنهای حاصل در تارگاه GeneMANIA مطابقت داشت. اعتقاد بر این است که روش ارائه شده برای ایجاد درخت ژنی با سایر روشهای متکی به توالی DNA برای خوشه بندی مجموعهای از ژنها، میتواند رقابت نماید و لذا میتواند در گروهبندی ژنهای سایر گونهها نیز به کار رود.