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.

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.

مقدمه :  جریان چگال یکی از عوامل موثر بر انتقال رسوبات به مخازن سدها می باشد. در این راستا یکی از روش های عملی برای کنترل رسوبات، ایجاد مانع در مسیر این جریان ها می­باشد.روش :  در این تحقیق آزمایشگاهی، رفتار جریان چگالی تحت تأثیر موانع استوانه ای ساخته شده از چوب با قطر 1.5 سانتی متر و ارتفاع 30 سانتی متر (بیش از ارتفاع بدنه جریان چگالی) مورد ارزیابی قرار گرفت. بنابراین با در نظر گرفتن متغیرهایی مانند شیب کف، غلظت و دبی، مقادیر هد جریان غلیظ تعیین شد. همچنین در این مقاله از الگوریتم های یادگیری ماشین مانند سیستم استنتاج فازی-عصبی تطبیقی و شبکه عصبی مصنوعی برای مدل سازی نتایج استفاده شد.یافته ­ها :  بر اساس نتایج، هد جریان نمک چگال با استفاده از الگوریتم های یادگیری ماشینی مانند سیستم استنتاج عصبی فازی تطبیقی و شبکه عصبی مصنوعی مدل سازی انجام شد و عملکرد این دو روش مقایسه شد. نتایج نشان داد که الگوریتم های یادگیری ماشین در مدل سازی هد جریان نمک چگالی مفید هستند و مقادیر رگرسیون سیستم استنتاج فازی عصبی تطبیقی برای داده های آموزش و آزمون 0.99 و رگرسیون شبکه عصبی مصنوعی به ترتیب 0.94 و 0.91 به دست آمد.نتیجه ­گیری : با مقایسه این دو روش مشخص شد که سیستم استنتاج عصبی-فازی تطبیقی در مدل سازی درصد کاهش جریان سر چگالی نسبت به روش شبکه عصبی مصنوعی پیش خور مؤثرتر بوده است.

تصادفات جاده ای خسارات اجتماعی و اقتصادی زیادی را به جوامع تحمیل می کنند. از این حیث مطالعات ایمنی ترافیک در دهه های اخیر مورد توجه قرار گرفته است. در این راستا مطالعات مختلفی در راستای مدل سازی شدت ترافیک انجام شده که اکثریت این مدل ها از روش های آماری استفاده کرده اند و استفاده از روش های مبتنی یادگیری ماشین در این زمینه محدود بوده است. روش های آماری فرضیات مشخصی در رابطه با داده ها و متغیر ها دارند که در صورت تخطی مساله از آنها، استنباط آماری تحت تاثیر قرار خواهد گرفت. این در حالی است که روش های مبتنی بر یادگیری ماشین این فرضیات را نداشته و از این حیث نسبت به روش های آماری برتری دارند. طیف وسیعی از روش های یادگیری ماشین می توانند در امر مدل سازی شدت تصادفات مورد استفاده قرار گیرند، از این حیث پژوهش پیش رو به بررسی عملکرد چهار مدل مبتنی بر یادگیری ماشین شامل روش درخت تصمیم، شبکه عصبی مصنوعی، ماشین بردار پشتیبان و نزدیک ترین همسایگی پرداخته است. نتایج نشان دادند عملکرد درخت تصمیم هم از حیث دقت مدل و هم از حیث دسته بندی تصادفات جرحی/فوتی بهتر بوده است. همچنین پژوهش حاضر با استفاده از روش SHAP به بررس تاثیر متغیر های مختلف پرداخته. نتایج نشان دادند متغیر های سن راننده مقصر، روشنایی راه و سرعت مجاز در تمامی مدل ها تاثیر گذاری معناداری داشته اند.

با پیشرفت فناوری های توالی یابی، آزمایش غیرتهاجمی NIPT توسعه یافته است و در غربالگری تریزومی 21 از طریق تشخیص DNA جنین موجود در خون مادر، استفاده می شود. برای تحلیل داده های NIPT معمولاً از آزمون Z استفاده می شود. در روش های مورد استفاده برای تشخیص سندرم داون احتمال تشخیص اشتباه وجود دارد. بنابراین ارائۀ روشی که بتواند در کنار روش های تشخیصی به کار برده شود و کارایی این روش ها را بهبود بخشد؛ ضروری است. هدف اصلی این مقاله طراحی مدلی بر اساس الگوریتم های یادگیری ماشین برای تشخیص زودهنگام سندرم داون است؛ به طوری که بتوان از این روش ها برای افزایش دقت تشخیص استفاده کرد. در این مقاله به بهبود روش های تشخیصی به کمک الگوریتم های یادگیری ماشین مانند: ماشین بردار پشتیبان، بیز ساده، درخت تصمیم، جنگل تصادفی و نزدیکترین همسایه برای بررسی یک مجموعه دادۀ مربوط به سندرم داون پرداخته شده است. عملکرد هر یک از مدل ها در مجموعه دادۀ سندرم داون بررسی و در نهایت مناسب ترین مدل برای این هدف معرفی شده است. نتایج نشان می دهند که این الگوریتم ها دقت بسیار مناسبی در تشخیص این بیماری دارند.

اینترنت اشیاء و کاربردهای آن امروزه در همه ی ابعاد زندگی بشری قابل مشاهده است که اضافه شدن قابلیت تحرک به اشیاء، چالش های جدیدی به وجود آورده است. تحرک گره ها باعث پویایی در توپولوژی و ناپایداری در لینک های شبکه شده و کشف مسیر با سربار و تاخیر کمتر را با چالش های متعدد مواجه کرده است. بیشتر الگوریتم های مسیریابی مبتنی بر تکنیک مسیر بردار فاصله مبتنی بر درخواست می باشند که مبتنی بر درخواست گره مبدأ می باشد. در سال های اخیر بهبودهایی برروی این مکانیزم ارائه شده است که نسخه چند مسیره آن یکی از این بهبودها می باشد. با توجه به پویایی بالای شبکه و تغییرات لحظه ایی در اینترنت اشیاء متحرک، امکان پیش بینی همه شرایط و تنظیم بهینه پارامترها از قبل وجود ندارد. لذا در این مقاله یک رویکرد مسیریابی مبتنی بر الگوریتم مسیریابی بردار فاصله چند مسیره ارائه می شود که با یادگیری ماشین سعی دارد شرایط شبکه را ارزیابی کرده و بهترین گره واسط را برای مسیریابی انتخاب کند. در رویکرد پیشنهادی پنج الگویتم یادگیری ماشین مانند ماشین بردار پشتیبان، جنگل تصادفی و درخت تصمیم گیری برای یادگیری مورد بررسی قرار می گیرند که چندین پارامتر شبکه مانند سرعت حرکت گره ها، تعداد گره های همسایه، اندازه بافر، انرژی باقیمانده و میانگین فاصله هر گره با همسایگانش را برای انتخاب گره واسط مناسب مورد بررسی قرار می دهند. نتایج شبیه سازی های انجام شده با زبان پایتون نشان می دهد که درخت تصمیم و گرادیان تقویت شده بهترین نتایج را در مجموعه داده جمع آوری شده دارند و با ترکیب آنها با رویکرد پیشنهادی، میزان تاخیر آنها به انتها به طور متوسط تا 30 درصد و تعداد بسته های گمشده نیز تا 18 درصد کاهش داشته است.

این پژوهش در رابطه با بررسی سودمندی الگوریتم های هوشمند مختلف در حوزه یادگیری ماشین برای پیش بینی سری های زمانی در بازارهای مالی می باشد. چالش مورد توجه در این حوزه، این است که مدیران اقتصادی و جامعه علمی، همچنان خواستار مدل های پیش-ینی با دقت بیشتری می باشند. رفع چالش یاد شده موجب ارتقای کیفیت پیش بینی و به جهت آن، سودآوری و بهره وری بالاتری می شود. راه حل پیشنهادی، تکیه بر بکارگیری الگوریتم های یادگیری ماشین مبتنی بر رگرسیون، با تاکید بر روش انتخاب ویژگی پیشرو، جهت یافتن بهترین متغیرهای فنی ورودی دارد. موارد یاد شده، با بکارگیری ابزارهای یادگیری ماشین به زبان پایتون پیاده سازی گردیدند. داده های تحقیق که در این پژوهش به کار گرفته شدند، اطلاعات مربوط به سهام دو شرکت از بورس تهران می باشند. این داده ها مربوط به سال های 1387 تا ابتدای سال 1397 می باشند. نتایج آزمایشی نشان می دهند که ویژگی های فنی منتخب توسط روش پیشرو، موثرترین و نیز بهترین مقادیر برای پارامترهای الگوریتم های یادگیری مورد نظر را می یابند. نتایج آزمایشی و تحلیل های رسمی دلالت بر این دارند که بکارگیری ویژگی های فنی منتخب، به عنوان ورودی دو الگوریتم ماشین بردار پشتیبان و ماشین پرسپترون چند لایه، یک پیش بینی با حداقل خطا را در اختیار می گذارد.؛ این مطلب منجر به ارائه پیش بینی با دقت بالاتری می گردد.

الگوریتم های تولید دامنه در شبکه های بات به عنوان نقاط ملاقات مدیر بات با خدمت دهنده فرمان و کنترل آن ها مورداستفاده قرار می گیرند و می توانند به طور مداوم تعداد زیادی از دامنه ها را برای گریز از تشخیص توسط روش های سنتی از جمله لیست سیاه، تولید کنند. شرکت های تامین کننده امنیت اینترنتی، معمولا لیست سیاه را برای شناسایی شبکه های بات و بدافزارها استفاده می کنند، اما الگوریتم تولید دامنه می تواند به طور مداوم دامنه را به روز کند تا از شناسایی لیست سیاه جلوگیری کند. شناسایی شبکه های بات مبتنی بر الگوریتم تولید دامنه یک مسیله چالش برانگیز در امنیت سامانه های کامپیوتری است. در این مقاله، ابتدا با استفاده از مهندسی ویژگی ها، سه نوع ویژگی (ساختاری، آماری و زبانی) برای تشخیص الگوریتم های تولید دامنه استخراج شده و سپس مجموعه داده جدیدی از ترکیب یک مجموعه داده با دامنه های سالم و دو مجموعه داده با الگوریتم های تولید دامنه بدخواه و ناسالم تولید می شود. با استفاده از الگوریتم های یادگیری ماشین، رده بندی دامنه ها انجام شده و نتایج به صورت مقایسه ای جهت تعیین نمونه با نرخ صحت بالاتر و نرخ مثبت نادرست کمتر جهت تشخیص الگوریتم های تولید دامنه مورد بررسی قرار می گیرد. نتایج به دست آمده در این مقاله، نشان می دهد الگوریتم جنگل تصادفی، نرخ صحت، نرخ تشخیص و مشخصه عملکرد پذیرنده بالاتری را به ترتیب برابر با 32/89%، 67/91% و 889/0 ارایه می دهد. همچنین در مقایسه با نتایج سایر الگوریتم های بررسی شده، الگوریتم جنگل تصادفی نرخ مثبت نادرست پایین تری برابر با 373/0 نشان می دهد.

1مقدمه: بیماری آلزایمر یکی از شایع ترین اختلال های زوال مغز در بزرگسالان است. ماهیت پیش رونده آلزایمر باعث بروز آسیب گسترده به قسمت های مغز می شود و تشخیص زودرس می تواند در مدیریت بیماری و کاهش سرعت پیشرفت آن مؤثر باشد. روش: در این مطالعه، از یک مجموعه داده مربوط به پیش بینی زودهنگام بیماری آلزایمر در بستر اسپارک (Spark Framework) به منظور مدیریت داده ها استفاده شد و با سه الگوریتم یادگیری ماشین از جمله بیز ساده، درخت تصمیم، شبکه عصبی مصنوعی با بهترین فراپارمترها پیاده سازی و مقایسه گردید. به منظور جلوگیری از بیش برازش و سنجش کارایی مدل ها از 5-تکرار اعتبارسنجی متقابل استفاده شد. در آخر، یک روش برای تفسیر مدل های جعبه سیاه یادگیری ماشین در این مطالعه در نظر گرفته شد. نتایج: مدل های درخت تصمیم و شبکه عصبی مصنوعی دقتی برابر 98/61% و امتیاز-اف1 98/60% را در بستر اسپارک شامل یک و یا سه کامپیوتر به دست آوردند. ویژگی های تأثیرگذار در تصمیم گیری شبکه عصبی مصنوعی با استفاده از تکنیک تفسیرپذیری مشخص شد. علاوه بر این، زمان محاسباتی لازم برای یادگیری مدل های پیشنهادی در رویکردهای مختلف محاسبه و استفاده از چندین کامپیوتر در مقایسه با تک کامپیوتر 35/95% سریع تر بود. نتیجه گیری: با افزایش تعداد بیماران آلزایمر در جهان، لزوم وجود سیستم پشتیبان تصمیم که بتواند در حجم عظیمی از داده ها با استفاده از الگوریتم های یادگیری ماشین، توانایی پیش بینی زودهنگام بیماری را داشته باشد بیشتر احساس می شود. بدین منظور، مدل های یادگیری ماشین پیشنهادی این مطالعه، می توانند به عنوان یک ابزار کمکی با قابلیت تفسیرپذیری در تصمیم گیری پزشکان به جهت پیش بینی زودهنگام بیماری آلزایمر کمک نمایند.