مسئله اصلی که در صنعت فولاد و مدیریت زنجیره ارزش وجود دارد؛ شناسایی و مدل سازی نوسانات در این بازار است. با توجه به زنجیره عمودی در این صنعت و تعامل مابین بازیکنان این صنعت از نظریه بازی ها جهت مدل سازی قیمت بهینه بهره خواهیم برد. از طرفی با توجه به اینکه برای رسیدن به تعادل نیاز به تعامل بازیکنان و تکرار بازی هست از مدل های یادگیری عمیق جهت تکرار بازی کمک گرفته شد.تحقیق حاضر از نظر مخاطب، ﮐﺎرﺑﺮدی، از نظر هدف، توصیفی و از نظر زمانی در رسته تحقیقات مقطعی قرار دارد. داده های مورد استفاده در پژوهش حاضر در بازه زمانی 2011 تا 2020 تهیه و توسط نرم افزار متلب تحلیل شده است.در این تحقیق یک مدل ترکیبی بر اساس شبکه های یادگیری عمیق و تئوری بازی ها ارائه شده است تا بتواند در تعیین سطح قیمت و تولید بهینه به فعالان صنعت فولاد کمک کند. جهت پیش بینی قیمت فولاد از سه الگوریتم های CNN، LST، RNN در حالت عمیق بهره گرفته شد.نتایج بیانگر این واقعیت است که با حرکت از سمت بازی کورنو به سمت بازی استکلبرگ و از بازی استکلبرگ به سمت بازی تبانی در زنجیره تأمین موجب افزایش قیمت و تولید در صنعت فولاد می گردد، به عبارتی با افزایش سطح تبانی در بازار فولاد میزان محصول بیش تری در بازار عرضه شده و همزمان سطح قیمت محصول نیز افزایش خواهد یافت؛ انحصاری بودن بازار فولاد در ایران این اطمینان را به تولید کنندگان می دهد که با افزایش عرضه قیمت کاهش نیابد.

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.

در حوزه شناخت مکاتب فلسفی، تفکر هر شخص با توجه به نوع نگرشی که در خصوص مکاتب مختلف می تواند داشته باشد متفاوت است. تشخیص نگرش نویسنده و میزان شباهت آن به هرکدام از مکاتب فلسفی همواره یکی از موضوعات مهم در حوزه علوم انسانی بوده است. در این مقاله، روشی مبتنی بر یادگیری عمیق برای تشخیص مکاتب فلسفی از روی متن پیشنهاد شده است. در روش پیشنهادی، ابتدا متن ها نرمال شده و کلمات اضافی و فاقد معنا حذف می شوند. بعد از مرحله نرمال سازی، متن به جملات و کلمات شکسته شده و سپس با استفاده از کتابخانه فست تکست هر کلمه به بردار عددی تبدیل می شوند، پس از آن با استفاده از شبکه طراحی شده ویژگی های متون استخراج شده و در نهایت سیستم، متون را یاد گرفته و آماده برای استخراج داده ها می باشد و با دادن یک جمله جدید میزان شباهت آن به هر مکتب بیان می شود. بر اساس ارزیابی صورت گرفته، میزان دقت در روش پیشنهادی 94 درصد می باشد.

یادگیری عمیق یکی از روش های پرکاربرد و موثر در تحلیل داده های بزرگ است. این روش از شبکه های عصبی عمیق برای استخراج و تفسیر الگوها و اطلاعات از داده های بزرگ استفاده می کند. با توجه به حجم بزرگ داده های موجود امروزی، استفاده از یادگیری عمیق برای تحلیل این داده ها اهمیت بیشتری پیدا کرده است. این روش به انسان امکان می دهد تا الگوها و روابط پیچیده در داده ها را شناسایی کند و اطلاعات مفیدی را استخراج کند که در تصمیم گیری ها و پیش بینی ها می تواند کمک کننده باشد. یادگیری عمیق در تحلیل داده های بزرگ به عنوان یک ابزار قدرتمند واکنشگرا شناخته می شود. با توجه به قابلیت های خودآموزی و پیش بینی، این روش می تواند به صورت خودکار و بهبود یافته با گذشت زمان با داده های جدید کار کند. این امکان به تحلیلگران و محققان کمک می کند تا به داده های جدید و تغییراتی که در داده ها رخ می دهد، واکنش نشان دهند و به روز رسانی های لازم را اعمال کنند. به این ترتیب، یادگیری عمیق در تحلیل داده های بزرگ نه تنها به بهبود عملکرد و دقت تحلیل ها کمک می کند، بلکه به پیش بینی های دقیق تر و بهبود فرآیندهای تصمیم گیری نیز کمک می کند.

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.