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.

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.

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.

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.

انواع ناوبری متناسب (PN)، قوانین هدایت برای موشک های تاکتیکی هستند. هدف PN ایجاد شتاب جانبی موشک متناسب با نرخ زاویه ای خط دید (LOS) است، به طوری که بردار سرعت موشک به گونه ای چرخش یابد که از رهگیری یک هدف اطمینان حاصل کند. برای ایجاد شتاب های جانبی، سیستم هدایت به اندازه گیری نرخ زاویه ای LOS، سرعت کلوزینگ بین موشک و هدف، و یا سرعت موشک نیاز دارد. دستگاهی که اطلاعات هدایت را ارائه می دهد، سیکر موشک نامیده می شود. در مورد سیکرهای مبتنی بر تصویربرداری (نور مرئی (EO)، نور مادون قرمز (IIR))، نرخ LOS با استفاده از سنسور تصویربرداری تخمین زده می شود، در حالی که سرعت کلوزینگ یا موشک با استفاده از سنسورهای مناسب اندازه گیری می-شود. ساختار این مقاله بدین شرح می باشد: قانون هدایت PN، اتوپایلت شتاب چند حلقه ای خطی و سیکر موشک مبتنی بر تصویربرداری متحرک. سیکر مدل YOLO از الگوریتم یادگیری ماشین عمیق پیشرفته برای تشخیص، ردیابی هدف و همچنین تخمین نرخ LOS استفاده می کند. نتایج شبیه سازی عملکرد سیستم پیشنهادی را نشان می دهد.

بیت کوین معروف ترین رمز ارز است که از فناوری زنجیره بلوکی استفاده می کند. در این پژوهش، مجموعه داده های مربوط به ده رمز ارز مورد استفاده قرار گرفته و یک مجموعه داده جدید، با در نظر گرفتن قیمت نهایی هر رمز ارز و برای دست یابی به هدف تحقیق و تعیین این که چگونه جهت و صحتقیمت بیت کوین را می توان با استفاده از تکنیک های داده کاوی پیش بینی کرد، تشکیل شده است. مهندسی ویژگی مشخص کرد که هر ده رمز ارز به شدت با یکدیگر ارتباط دارند. این کار با اجرای روش یادگیری نظارت شده انجام شده است که در آن از جنگل تصادفی، طبقه بندیبردار پشتیبان، گرادیان تقویتی، و شبکه عصبی در گروه طبقه بندی و از رگرسیون خطی، شبکه عصبی بازگشتی و رگرسیون گرادیان تقویتی استفاده شده است. در این پژوهش الگوریتم های ماشین بردار پشتیبان، جنگل تصادفی، گرادیان تقویتی و شبکه عصبی مقدار صحت 52. 1675 درصد را ثبت کردند.

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.