در مورد فشرده سازی مدل های عمیق با رتبه پایین و تجزیه کم رتبه

On Compressing Deep Models by Low Rank and Sparse Decomposition

چکیده
1 مقدمه
2 کار مرتبط
3 مدل فشرده‌سازی عمیق
4 بهینه‌سازی
5 تجزیه و تحلیل نظری
6 آزمایشات
1 6 تجزیه و تحلیل در کل شبکه‌ها
2 6 تجزیه و تحلیل در لایه‌های پیچشی
7 نتیجه‌گیری
منابع

چکیده
فشرده‌سازی عمیق اشاره به حذف افزونگی پارامترها و نقشه‌های ویژگی برای مدل‌های یادگیری عمیق دارد. تقریب رتبه پایین و هرس‌‌سازی برای ساختارهای تنک در بسیاری از کارهای فشرده‌سازی نقش مهمی ایفا می‌کند. با این حال، فیلترهای وزن تمایل دارند هم رتبه پایین و هم تنک باشند. نادیده‌گیری هر بخشی از این اطلاعات ساختاری در روش‌های قبلی منجر به آموزش مجدد تکرارشونده، به خطر انداختن دقت و نرخ فشرده‌سازی پایین خواهد شد. در اینجا ما چارچوبی یکپارچه را برای ادغام تجزیه تنک و رتبه پایین از ماتریس‌های وزنی با بازسازی نقشه‌های ویژگی را پیشنهاد می‌دهیم. مدل ما شامل روش‌هایی مانند اتصالات هرس‌کننده به عنوان موارد خاص است و توسط یک الگوریتم SVDfree سریع بهینه‌سازی شده است. به لحاظ نظری ثابت شده است که با استفاده از نمونه کوچک، به علت قابلیت تعمیم‌دهی آن، مدل ما می‌تواند نقشه‌های ویژگی‌ را در هر دو مجموعه آموزشی و تست بازسازی کند که در نتیجه آن شاهد در معرض خطر قرارگیری دقت کمتری پیش از آموزش مجدد بعدی خواهیم بود. با چنین «شروع گرمی» برای بازآموزی، روش‌ فشرده‌سازی همواره دارای چندین کیفیت و ویژگی خاص است از جمله: الف) نرخ فشرده‌سازی بالاتر (ب) اتلاف کم دقت و (ج) دور‌هایی کمتر برای فشرده‌سازی مدل‌های عمیق نیاز دارد. نتایج تجربی در چندین مدل محبوب مانند AlexNet، VGG-16 و GoogLeNet حاکی از آن است که مدل ما می‌تواند به طور قابل توجهی پارامترهای هر دو‌ی لایه‌های پیچشی و کاملا متصل را کاهش دهد. در نتیجه، مدل ما اندازه VGG-16 را 15 برابر کاهش می‌دهد و بهتر از سایر روش‌های فشرده سازی جدیدی است که از یک استراتژی واحد استفاده می‌کنند.

2- کار مرتبط
فشرده‌سازی توسط هرس‌‌سازی
هان و همکاران [8] روش هرسی ساده اما موثر را پیشنهاد کردند که با استفاده از آستانه سخت تعیین شده توسط انحراف معیار وزنی بود که در یک اسکالر ضرب شده بود. این آستانه کمک می‌کند تا کم‌اهمیت‌ترین وزنها با مقادیر مطلق کوچک را حذف کنید. یک مورد خاص از مدل ما زمانی است که ما شرایط بازسازی داده‌ها و رتبه پایین را نادیده می‌گیریم، سادگی روش ما به اندازه روش آستانه‌سازی سختی کاهش‌ می‌یابد که در [8] به آن اشاره شده است.

با این حال، رویکرد ما دارای دو مزیت عمده است [8]. نخست، به دلیل شرایط بازسازی نقشه ویژگی ما، مدل ما مقداردهی اولیه بهتری برای آموزش مجدد را فراهم می‌سازد. ما معمولا می‌توانیم همه لایه‌های پیچشی را در مدل‌هایی مانند AlexNet و VGG-16 به جای تکرار هرس و آموزش مجدد در یک دور فشرده کنیم. دوما با بهره‌گیری از هر دوی مولفه هموار و وزن‌های مهم، ما وزن‌های دیگری را در لایه های پیچشی کاهش می‌دهیم و مولفه‌های حاصل از آنها بسیار ضعیف‌تر از آنچه است که در [8] وجود داشته است. این مقدار بالقوه برای شتاب‌دهی مراحل استنتاج در مدل‌های عمیق است.

فشرده‌سازی با تقریب رتبه پایین: کاهش ابعاد پارامترها به وسیله تقریب رتبه‌پایین سبب حفظ فضای ‌ذخیره‌سازی می‌شود و در عین حال سبب کاهش پیچیدگی زمانی در حین آموزش و تست می‌شود. بیشتر روش‌ها [4، 12] به تخمین یک تانسور با کمینه‌سازی خطای بازسازی پارامترهای اصلی می‌پردازند. با این حال، این رویکردها هنگامی که لایه‌های چندگانه فشرده به صورت متوالی تکرار می‌شوند، خطاهای تجمعی دارند، و نقشه‌های ویژگی‌های خروجی از مقادیر اولیه با افزایش لایه های فشرده‌شده فاصله می‌گیرند.

طبقه بندی تصویر با یادگیری انتقال با استفاده از مجموعه داده سفارشی: مطالعه مقایسه ای

Image Classification with Transfer Learning Using a Custom Dataset: Comparative Study

چکیده
1 مقدمه
2 مدل‌های پیش‌آموزش دیده شده
3 مجموعه داده (Dataset)
4 پیش‌پردازش و معیارهای ارزیابی
5 بحث و نتایج
6 نتیجه گیری
منابع و ماخذ

چکیده
آموزش شبکه های عصبی عمیق کار بسیار پرهزینه ای می باشد، که نه تنها فرایندی بسیار زمان بر خواهد بود، بلکه نیازمند توان محاسباتی بالایی نیز می باشد که عموماً هم به مجموعه داده های زیادی برای آموزش نیاز دارد و ازین حیث ممکن است همیشه در دسترس نباشد. با این وجود می توان از راه حل های جایگزین دیگری همچون مدل های پیش آموزش دیده شده که در مجموعه داده‌های استاندارد تصویربرداری کامپیوتری توسعه یافته‌اند کمک گرفت تا به رفع این چالش ها بیانجامد. در روش یادگیری انتقالی، ما اساساً سعی می‌کنیم از آنچه در یک وظیفه (Task) یاد گرفته شده است، برای بهبود تعمیم در وظیفه دیگر استفاده نماییم. در واقع ارزش گذاری داده هایی که یک شبکه در ‘وظیفه الف’ با مقدار زیادی از آن آموزش برچسب گذاری شده است را به یک ‘وظیفه ب’ جدید که داده های زیادی ندارد، منتقل می نماییم. به بیان دیگر، دانشِ یک مدل از قبل آموزش دیده شده به یک مسئله متفاوت، اما با ارتباط نزدیک از طریق یادگیری انتقالی منتقل خواهد شد. به عنوان نمونه، اگر ما یک طبقه بندی ساده برای پیش بینی اینکه آیا تصویری حاوی غذا است آموزش دهیم، می توانیم از دانش آموخته های مدل، برای شناسایی اشیای دیگری همچون نوشیدنی ها استفاده کنیم. این دانش می تواند به صورت های مختلفی به وجود آید که وابسته به مسئله و داده ها خواهد بود. در اینجا مدل‌های برتر می‌توانند به‌طور مستقیم دانلود و استفاده شوند، یا حتی در یک مدل جدید که وظیفه تشخیص مشکلات مربوط به شناسایی اشیا در کامپیوترها را بر عهده دارند ادغام گردند. بنابراین، ما با سرعت بخشیدن به مرحله آموزش و عملکرد مدل یادگیری عمیق، حتی کار با مجموعه داده کوچک را نیز بهبود می‌بخشیم. در این کار، ما پیشنهاد می‌کنیم تا وظیفه طبقه‌بندی را با استفاده از سه مدل از پیش آموزش دیده که عبارتند از: MobileNet V2 ، Resnet50  و VGG19  انجام دهیم و نتایج را با استفاده از چهار معیار ارزیابی کلیدی مورد بحث قرار بدهیم. مجموعه داده ها، متشکل از یک شی خاص است تا بتواند عملکرد مدل‌ها را مقایسه کند.

2- مدل‌های پیش‌آموزش دیده شده
2-1 موبایل نت V1
مدل MobileNet V1 از دسته مدل های CNN (شبکه عصبی کانولوشنال) است که برای استفاده در کاربردهای پردازش تصویر در تلفن همراه و سامانه های سیار طراحی شده است. ایده اصلی پشت MobileNet V1 این است که لایه های کانولوشنال، که برای وظایف بینایی رایانه ای ضروری هستند اما محاسبه آنها بسیار گران است، می توانند توسط کانولوشن‌های جداپذیر عمقی جایگزین شوند که در مقایسه با شبکه با کانولوشن‌های عادی با همان عمق در شبکه تعداد پارامترها را به طور قابل توجهی کاهش می‌دهد.

یک کانولوشن جداپذیر عمقی متشکل از دو کارکرد مختلف می باشد: کانولوشن عمقی و کانولوشن نقطه‌ای. کانولوشن عمقی ورودی را فیلتر می‌کند، در حالی که کانولوشن نقطه‌ای این مقادیر فیلتر شده را ترکیب نموده تا ویژگی‌های جدید ایجاد شود (کانولوشن نقطه‌ای لایه‌ای 1×1 است). ساختار بدنه MobileNet V1 در تصویر شماره 1 نشان داده شده است.

2-2 موبایل نت V2
MobileNet V2 نسخه بهبود یافته MobileNet V1 است که از بلوک‌های باقیمانده معکوس با امکان نیاز به فضای کمتر استفاده می‌کند. تعداد پارامترهای آن به طور قابل توجهی کمتر از MobileNet اصلی می باشد. MobileNet V2 بسیار سریعتر از MobileNet V1 بوده که به طور تقریبی دارای دو برابر دقت بیشتر و نیاز به پردازش کمتری نسبت به MobileNet V1 دارد.

به جای استفاده از کانولوشن از نوع جداپذیر عمقی به عنوان بلوک های ساختاری کارآمد، MobileNet V2 دو ویژگی جدید را به ساختار معماری اضافه می کند: گره های خطی بین لایه ها و اتصالات میان گره های خطی. ساختار بدنه MobileNet V2 در شکل 2 نشان داده شده است.

فناوری های حفاظت از امنیت و حریم خصوصی در ایمن سازی برنامه های بلاک چین

Security and privacy protection technologies in securing blockchain applications

چکیده
1 مقدمه
2 مروری بر بلاک چین
3 نظارت امنیتی
4 حفظ حریم خصوصی
5 مبادله داده
6 بحث و تحقیقات آینده
7 نتیجه گیری ها
منابع

چکیده
بلاک چین بعنوان یک فناوری کلیدی به منظور ایجاد شبکه های اعتماد و اجرای ارتباطات متقابل ارزشی موردتوجه زیادی قرار گرفته است. موارد استفاده فنی زیادی برای بلاک چین ها در زمینه های مختلفی مانند سیستم های ارز دیجیتالی، اینترنت اشیا (IOT)، شبکه های هوشمند، عرضه بلاک چین و امور مالی وجود دارد. با این حال، کاربرد گسترده بلاک چین نیز با مباحث امنیتی و حریم خصوصی مواجه است. این مقاله مرور و تحلیلی از حفظ حریم خصوصی، نظارت بر امنیت و تبادل داده در برنامه های مبتنی بر بلاک چین ارائه می دهد و تحلیل جامعی از کاربرد گسترده بلاک چین ارائه می دهد. علاوه بر این، جهت های تحقیقاتی آینده بلاک چین و روندهای توسعه را مورد بحث قرار می دهد. 

2- مروری بر بلاک چین
2-1- طبقه بندی بلاک چین
بلاک چین ها براساس تفاوت در مجوزهای خواندن و نوشتن و مجوزهای مدیریت داده به بلاک چین های عمومی، بلاک چین های مشارکتی (کنسرسیوم) و بلاک چین های خصوصی تقسیم می شوند که رایج ترین روش طبقه بندی است. ویژگی های بلاک چین عمومی، بلاک چین مشارکتی و بلاک چین خصوصی در ادامه معرفی می شوند.

بلاک چین عمومی: بلاک چین های عمومی نیز که با عنوان بلاک چین های بدون مجوز شناخته شده اند، دارای یک مجوز متمرکز نیستند. داده های مرتبط شامل مجموعه دسترسی های خواندن و نوشتن نمی شوند. هر گره در شبکه در هر زمان قابل دسترسی است و همه گره ها می توانند آزادانه در تراکنش های بلاک چین مشارکت کنند. آنها به طور کلی بعنوان بلاک چین هایی با عدم تمرکز کامل، ناشناس بودن زیاد و مقاومت در برابر دستکاری در نظر گرفته می شوند. بلاک چین های عمومی در مرکز بسیاری از برنامه های محبوب مانند بیت کوین قرار دارند.

بلاک چین مشارکتی: بلاک چین های مشارکتی نیز بعنوان بلاک چین های مجاز شناخته می شوند که بین بلاک چین های عمومی و بلاک چین های خصوصی قرار دارند. آنها یک روش غیرمتمرکز جزئی در ساختار در نظر می گیرند و به صورت مشترک توسط چندین شرکت یا نهاد مدیریت می شوند [20]. این شرکت کنندگان باید از قبل ثبت نام کنند و احراز هویت کنند و پیوستن به یک گره نیاز به مجوز سایر اعضای کنسرسیوم دارد. بلاک چین های کنسرسیوم در مقایسه با بلاک چین های عمومی شامل گره های مشارکتی کمتر هستند. این داده ها توسط شرکت کنندگان احراز هویت شده ای که حق دارند داده ها را بخوانند، ثبت و حفظ می شود.

استفاده از الگوریتم یادگیری ماشین در آموزش بازاریابی

Application of Machine Learning Algorithm in Marketing Education

چکیده

1 مقدمه

2 تحقیقات مرتبط

3 موقعیت فعلی ترکیب حالت بازاریابی

4 ایده بازاریابی پایگاه داده مبتنی بر الگوریتم یادگیری ماشینی

5 یادگیری ماشینی پنج دلیل برای بازاریابی آینده است

6 نتیجه گیری

منابع

چکیده

تکامل علمی و فناورانه بشر، شناخت فروشندگانی را که بیش از یک دهه قبل تنها با راه اندازی مغازه های کوچک آشنا بودند، دچار تغییر کرده است. در این دوره، تغییر از کسب و کارهای ساده مرتبط با مبادلات آنلاین پیچیده نه تنها توسعه علم و فناوری و پیشرفت چند برابری را نشان می دهد، بلکه همچنین تغییر در روش ها و ابزارهای بازاریابی را نشان می دهد. در زمینه بازاریابی در داخل و خارج از کشور، بازاریابی پایگاه داده بعنوان یک روش بازاریابی مقرون به صرفه در سالهای اخیر همانند یک فروشنده تازه کار در بازار فروش مورد توجه زیادی قرار گرفته است. با این حال، بازاریابی پایگاه داده بعنوان پیش بینی کننده بازار غیرقابل پیش بینی یا الکترونیک های نوترونی از طریق تحلیل داده ساده کامل می شود که به شیوه خاصی استفاده می شود. بنابراین، این مقاله مبتنی بر کاربرد الگوریتم یادگیری ماشینی در زمینه بازاریابی است. 

2- تحقیقات مرتبط
2-1- رویه های اصلی بازاریابی پایگاه داده
     بازاریابی پایگاه داده نه تنها می تواند مدیریت و کنترل کیفی جامع را ارائه دهد، بلکه همچنین یک مدل بازاریابی جدید را براساس فناوری اطلاعات توسعه می دهد، که در شیوه فعلی و تایید به سطح جدیدی رسیده است. با بهبود بازاریابی پایگاه داده، استفاده گسترده ای در خدمات تجاری، خدامت سفارش، بازاریابی کلان داده، سازمان های غیر انتفاعی و حتی تامین مالی تولید صنعتی شده است. بازاریابی پایگاه داده نیاز به کنترل کلان منطقی و برنامه بازاریابی متفکرانه دارد. بازاریابی پایگاه داده در طبقه بندی و موقعیت یابی کمی و دقیق تر است، و یک برنامه بازاریابی موثر است. باید اعتماد و «رابطه صمیمی» با مصرف کنندگان ایجاد شود [3]. این مورد رابطه انسان-ماشین را نشان می دهد، یک هسته مصنوعی ایجاد می کند، حقوق مصرف کنندگان و فروشندگان را ارزیابی می کند. همانطور که در شکل 2 نشان داده شده است، به طور کلی رویه های اصلی بازاریابی پایگاه داده را می توان به صورت زیر خلاصه کرد:

2-2- بررسی الگوریتم های یادگیری ماشینی
     یادگیری ماشینی روش خود تعلیمی و خود بهبودی و بهینه سازی عملکرد میزان زیادی از داده های موجود است. الگوریتم طبقه بندی یادگیری ماشینی عمدتا به دو فرایند تقسیم می شود: ایجاد و طبقه بندی مدل. ابتدا، الگوریتم طبقه بندی انتخاب می شود، و یک مدل طبقه بندی با آموزش پارامترهای مدل از طریق آموزش مجموعه داده بدست می آید، و سپس مدل آموزش دیده برای برچسب گذاری داده نمونه ناشناخته آموزش دیده استفاده می شود. یادگیری ماشینی عمدتا شامل طبقه بندی بدون نظارت و طبقه بندی نظارت شده می شود.

     طبقه بندی بدون نظارت عمدتا برای خوشه بندی استفاده می شود، یعنی بدون آگاهی از طبقه بندی مجموعه داده آموزشی به صورت خودکار قوانین را از مجموعه داده برای ایجاد خوشه ها پیدا کنید. هر خوشه را برای تشکیل یک طبقه علامت گذاری کنید.

یادگیری عمیق در تجزیه و تحلیل کسب و کار: برخورد انتظارات و واقعیت

Deep learning in business analytics: A clash of expectations and reality

چکیده

1- مقدمه

2- مواد و روش ها

3- نتایج عددی

4- DL در واکاوش کسب و کار: یک بررسی واقع بینانه

5- نتیجه گیری

منابع

چکیده

اقتصاد دیجیتال پرسرعت ما که به واسطه ی رقابت جهانی شکل گرفته مستلزم افزایش تصمیم گیری داده محور براساس هوش مصنوعی (AI) و یادگیری ماشین (ML) می باشد. مزایای یادگیری ژرف (DL) بسیار زیاد و فراوان می باشند، اما با محدودیت هایی نیز همراه است که تا کنون با پذیرش و اتخاذ گسترده ی صنعت تداخل داشته اند. این مقاله به توضیح این مسئله می پردازد که چرا یادگیری ژرف (DL) – علی رغم شهرت و آوازه اش – در سرعت بخشیدن به پذیرش و اتخاذش در واکاوش کسب و کار با دشواری هایی مواجه است. نشان داده شده است که پذیرش یادگیری ژرف نه تنها تحت تأثیر پیچیدگی محاسباتی قرار می گیرد، درحالیکه فاقد معماری کلان داده، فاقد شفافیت (جعبه سیاه)، کمبود مهارت، و تعهد رهبری می باشد، بلکه تحت تأثیر این واقعیت نیز قرار می گیرد که DL در مورد مجموعه داده های ساختاریافته با بردارهای ویژگی با طول ثابت بهتر از مدل های ML (یادگیری ماشین) عمل نمی کند. یادگیری ژرف را باید به صورت یک گزینه ی اضافی قدرتمند برای پیکره ی موجود مدل های ML به جای یک راه حل همه کاره و مناسب درنظر گرفت. نتایج به شدت نشان می دهند که تقویت گرادیان (گرادیان بوستینگ) را می توان به صورت مدل برو به برای پیش بینی هایی در مورد مجموعه داده های ساختاریافته در واکاوش کسب و کار دید. علاوه بر مطالعه ی تجربی براساس سه مورد و نمونه ی کاربردی صنعت، این مقاله بحثی جامع از آن نتایج، کاربردهای عملی، و دستورکاری برای تحقیقات آتی را ارائه می کند. 

2- مواد و روش ها
2-1 یادگیری ماشین
این بخش از مقاله مروری بر واکاوش پیش نگر و مدل های ML استفاده شده در آزمایش را ارائه می کند. مدل های ML استفاده و مقایسه شده در این آزمایش رگرسیون لجستیک (LR)، جنگل تصادفی (FR)، ماشین تقویت گرادیان (GBM)، و یادگیری ژرف (DL) می باشند. برای رسیدگی جامع به نظریه ی اساسی و بحث درمورد آن، به تحقیقات (هستی، تبشیرانی، و فرایدمن، 2017) و (مورفی، 2012) برای ML و (گودفلو و همکاران، 2016) برای DL اشاره شده است.

2-1-1 رگرسیون لجستیک
رگرسیون لجستیک (LR) به خانواده ی بزرگی از مدل های خطی تعمیم یافته (GLMs) تعلق دارد. GLMs اینگونه مشخص می شوند که به صورت ورودی، ترکیبی خطی از ویژگی ها و ربط دادن آن ها به خروجی با کمک تابعی که در آن خروجی از یک تابع توزیع نمایی اساسی مثل توزیع نرمال یا توزیع دو جمله ای برخوردار است (مورفی، 2012). رگرسیون لجستیک (LR) روش استانداردی برای طبقه بندی دودویی (باینری) می باشد و به شکل گسترده ای در دانشگاه و صنعت مورد استفاده قرار می گیرد. ترکیبی خطی از ورودی ها و وزن ها محاسبه می شود و از طریق وارد کردن wTx به تابع سیگموئید یا تابع منطقی اعمال می شود که از طریق فرمول (1) نشان داده می شود

2-1-2 جنگل تصادفی
الگوریتم های افراز بازگشتی جنگل تصادفی (RF) بخشی از خانواده ی روش های گروهی می باشد و خیلی شبیه به درخت های تصمیم با بگینگ (دسته بندی) عمل می کند. بگینگ (برایمن، 1996) زیرمجموعه های M متفاوت را به صورت تصادفی از داده های آموزشی با جایگزین انتخاب می کند و این تخمین ها را میانگین گیری می کند. جنگل تصادفی درخت های تصمیم متفاوتی را ایجاد می کند و نتایج را در انتها میانگین گیری می کند تا واریانس و اختلاف مدل پیش بینی را کاهش دهد (مورفی، 2012). این یکی از قوی ترین و مؤثرترین الگوریتم های ML برای وظایف طبقه بندی و رگرسیون نامتعارف می باشد.

پیش بینی رفتار آتش سوزی با هوش مصنوعی در جنگل کاج سیاه نازک (Pinus nigra Arnold)

Fire behavior prediction with artificial intelligence in thinned black pine (Pinus nigra Arnold) stand

چکیده
1 مقدمه
2 روش تحقیق
3 نتایج و بحث
4 نتیجه گیری
منابع

چکیده

     مدل‌سازی روند آتش‌سوزی جنگل برای کنترل مؤثر آتش‌سوزی‌های جنگلی و انجام اقدامات احتیاطی لازم پیش از شروع آتش سوزی امری بسیار مهم است. با این حال، مطالعات روند آتش‌سوزی در جنگل، مطالعات پیچیده ای است که به بسیاری از متغیرها وابسته بوده و معمولا شامل مجموعه داده های بزرگی می‌باش. به همین دلیل، قدرت پیش بینی و سرعت  مدل‌های کلاسیک در مواردی که داده‌های بزرگ و بسیاری از متغیرها را شامل می‌شوند، پایین‌تر از مدل‌های هوش مصنوعی هستند. علاوه بر این، مدل‌های پیش‌بینی کلاسیک بر خلاف مدل‌های هوش مصنوعی، ملزم به تأمین مفروضات آماری خاصی هستند. در واقع در این مطالعه، پیش‌بینی‌ روند آتش‌سوزی سطحی، به‌ویژه میزان گسترش آتش و شدت آتش، در محل آغاز آتش سوزی با استفاده از دو روش هوش مصنوعی شامل مدل شبکه عصبی مصنوعی و مدل درخت تصمیم انجام شد و مدل‌های توسعه‌یافته در این مطالعه از نظر برازش مورد آزمایش و بررسی قرار گرفتند. در نهایت، مدل رگرسیون کلاسیک برای پیش‌بینی روند آتش‌سوزی سطحی با دو مدل هوش مصنوعی فوق، مقایسه شد. یافته‌ها نشان داد که معیارهای دقت مدل‌های هوش مصنوعی بهتر از مدل کلاسیک بوده است.

2  روش تحقیق
     در مطالعۀ پیش رو، روند آتش در سطح در محل وقوع با کمک هوش مصنوعی به ویژه میزان گسترش اولیه و شدت آتش سوزی، پی بینی شد. مناسب بودن مدل‌های توسعه یافته تنظیم و بررسی شد. در نهایت مدل سنتی رگرسیون برای پیش بینی روند آتش در سطح با دو مدل هوش مصنوعی مقایسه شد (تصویر 1). در این مطالعه تعداد ده متغیر مورد استفاده قرار گرفت که عبارتند از: دمای هوا (T)، رطوبت نسبی (RH)، سرعت باد (W) مقدار رطوبت برگ کاج (NMC)، مقدار رطوبت سوخت ریز (FFMC)، احتراق طول خط آتش (ILL)، بار سوخت کل (TFL)، سرعت گسترش آتش (ROS)، طول شعله (FL)، و شدت آتش (FI).

2-1 مکان تحقیق
     این مطالعه در جنگل کاج سیاه واقع در آناتولی انجام شد. این جنگل در منطقه جنگلی کاستامونو در شمال غربی ترکیه. واقع است این گونه کاج سیاه بعد از ماج کالابریایی، رایج‌ترین گونه در جهان است. این نوع کج ارزش اکولوژیکی و اقتصادی دارد و در مناطق مستعد آتش سوزی در ترکیه واقع شده است (کوچوک 2000; GDF 2022).

     منطقۀ فوق در 546819، 4577880 UTM واقع شده است و میانگین ارتفاع آن 1200 متر بوده و دارای آب و هوای دریای سیاه شمال غربی با تابستان های کوتاه گرم و زمستان های طولانی سرد است. در طول فصل تابستان، میانگین دما از 25 تا 38 درجه متغیر است و فصل آتش سوزی عموماً از اواخر ژوئن شروع می شود و تا اواسط سپتامبر ادامه دارد. سن مکان مورد مطالعه 45 تا 50 سال می‌باشد و میانگین یافته ها، 560 ساقه در هکتار با قطر متوسط درخت به میزان 20 سانتی متر در ارتفاع سینه را نشان می‌دهد. ارتفاع استند 16 متر، و میانگین انتهای تاج در استند 75٪ بود. سوخت های سطحی شامل یک لایه خاک و برگ کاج مرده، شاخه و خار و خاشاک در کف جنگل بود.

بررسی اثر قابلیت های هوش تجاری و یادگیری شبکه بر داده کاوی برای عملکرد استارتاپ

Investigating the business intelligence capabilities’ and network learning effect on the data mining for start-up’s function

چکیده
1 مقدمه
2 روش ها
3 نتایج
4 بحث
5 نتیجه گیری
منابع

چکیده

در سال‌های اخیر، استارتاپ ها جز مفاهیم جدید در دنیای فناوری هستند و به‌ معنای سازمان‌های موقت می باشند که برای یافتن یک مدل کسب و کار تکرارپذیر و قابل ارتقا طراحی شده‌اند، حال آنکه یک راه‌حل جدید برای مسئله ارائه می‌دهند. آنچه برای موفقیت استارتاپ ها اهمیت دارد، هدفگذاری درست و معقول است. این همان چیزی است که معمولاً توسط درصد زیادی از چنین کسب و کارهایی نادیده گرفته می شود و موجب می شود در مدت زمان کوتاهی شکست بخورند. تولید محصول یا ارائه خدمات جدید، بدون برنامه ریزی امکان پذیر نیست. هدف این مطالعه بررسی عمیق‌تر این موضوع است که چگونه استارتاپ‌ ها باید مسائل و مشکلات را هنگام معرفی یک محصول یا خدمات جدید شناسایی و اولویت‌بندی کنند. ابتدا، استارتاپ‌ ها و کسب‌وکارهای مرتبط با موضوع مورد بررسی و سپس مسائل جدید و نوظهور، از جمله وضعیت داده‌کاوی بر عملکرد استارتاپ‌ها، موضوعات هوش کسب و کار(BI)، نوآوری و یادگیری شبکه ای و همچنین نقش آنها در کسب و کار استارتاپی مورد بحث قرار گرفت. نتایج نشان داد که BI می تواند یک مزیت رقابتی برای استارتاپ ها ایجاد کند. با در نظر داشتن این موضوع، این کسب و کارها ممکن است با نیازهای متنوع مشتریان در بازار سازگار شوند و به بقای خود ادامه دهند و همچنین سهم بازار بیشتری را نسبت به رقبای خود به دست آورند. علاوه بر این، استفاده از ابزارهای فناوری به شرکت ها کمک می کند تا داده های خود را به صورت یکپارچه یا ایمن در دسترس قرار دهند و با تجزیه و تحلیل داده ها، روش بهتر تصمیم گیری را برای مدیران فراهم کنند. با توجه به فرضیه ها، مشخص شد که BI به عنوان یک ابزار قدرتمند در حوزه فناوری اطلاعات، مزیت رقابتی ایجاد می کند و برای مدیران استارتاپ لازم است این ابزار را بپذیرند.

2- روش ها
2-1 نوع و روش تحقیق، روایی، نمونه آماری و اندازه نمونه
انتخاب روش تحقیق یکی از مراحل مهم تحقیق است که به اهداف، ماهیت موضوع و امکانات اجرایی آن بستگی دارد. روش تحقیق مجموعه ای از قواعد، ابزار و روش های معتبر برای بررسی حقایق، کشف مجهولات و یافتن راه حل ها برای مسائل است. هدف این تحقیق بررسی تاثیر قابلیت های BI بر کارایی کسب و کارهای استارتاپی می باشد که از نظر نوع تحقیق، توصیفی می باشد.

در این مطالعه، برای جمع آوری اطلاعات مورد نیاز از پرسشنامه استفاده شد (جدول1). پیش از شروع آغاز پرسشنامه، ابتدا هدف از جمع آوری داده ها توسط پرسشنامه و لزوم همکاری پاسخ دهندگان در ارائه داده های مورد نیاز بیان می شود.

شناسایی جامعه آماری یکی از ضروریات و اصول هر تحقیقی است. جامعه آماری در این مطالعه 1200 کسب و کار استارتاپی است. با در نظر گرفتن آمادگی استاندارد 1.96، احتمال موفقیت / شکست در نمونه گیری، 0.5 و احتمال خطای اندازه گیری 0.08 است. اندازه نمونه این تحقیق، 150 کسب و کار استارتاپی می باشد.

2-2 روش تحلیل اطلاعات
از آنجایی که تحقیق توصیفی است، در این تحقیق از روش های آماری توصیفی و استنباطی برای تجزیه و تحلیل داده ها استفاده شده است. بنابراین، برای تفسیر داده های آماری در ارتباط با فراوانی و درصد فراوانی، جداول و نمودارها و بررسی آمار توصیفی متغیرها از نرم افزار SPSS(نسخه 26: CPU i7-11600h با 32GB Ram) و برای بررسی رابطه بین متغیرهای مستقل و وابسته از نرم افزار Amos استفاده شده است. شکل 1 مدل مفهومی را نشان می دهد. این مدل مفهومی، بازنمایی از سیستمی است که در این تحقیق استفاده شده است، شامل مفاهیم مورد استفاده برای کمک به خوانندگان جهت درک موضوع این مدل می باشد. مدل مفهومی شامل 4 نقطه است، BI، NL، نوآوری و عملکرد. هر نقطه توسط یک فرآیند منطقی به یکدیگر متصل می شوند.

تشخیص الگوی عمومی با استفاده از یادگیری ماشین در فضای ابری

General pattern recognition using machine learning in the cloud

چکیده

1 مقدمه

2 بررسی پژوهش

3 تشخیص الگو با استفاده از یادگیری ماشین

4 آثار مرتبط با موضوع ما

منابع

چکیده
     یادگیری ماشین(ML) و رایانش ابری، دو زمینۀ مطالعاتی هستند که از ادغام پذیری بسیار خوبی برخوردارند. وجود رایانش ابری، این امکان را برای دانشمندان داده فراهم می سازد تا مدل های یادگیری ماشین خود را را با بهره گیری از مزایای رایانش ابری اعم از هزینۀ کم، عملکرد عالی و دسترس پذیری بالا ایجاد نمایند. این مهم، فرصت جدیدی را در اختیار دانشجویان و سایر افراد می گذارد تا با به کارگیری سرویس ابری مناسب، ماشین های قدرتمند را در کارهای روزمرۀ خود مورد استفاده قرار دهند. از سوی دیگر، معمولاً یادگیری ماشین، برای تشخیص الگوها در زندگی روزمرۀ ما، روشی ایده آل به شمار می‌رود. این مقاله، امکان پذیری و مزایای ایجاد یک الگوی تشخیص همه منظورۀ کاربرپسند را به چالش می کشد که می تواند توسط هر فردی که از نرم افزار به عنوان یک سرویس(SaaS) استفاده می کند، به کار گرفته شود.

2-2 تشخیص الگو

     تشخیص الگو، مطالعۀ درک داده ها با هدف استخراج معانی و ویژگی های درون الگوها است. اگر با دیدی موشکافانه به محیط پیرامون خود بنگریم، الگوها را در همه جا رویت خواهیم نمود. آنها معمولاً توسط ما برای شناسایی هر گونه شی ای مورد استفاده قرار می گیرند. همچنین درست در زمانی که ما در حال تجسم هستیم، ماشین ها می توانند از الگوها برای هرگونه هدف امکان پذیری استفاده کنند[10].

2-3 رایانش ابری

     رایانش ابری مفهومی است که خدمات کامپیوتری در آن وجود دارند و این خدمات از طریق اینترنت در دسترس قرار می گیرند. این عامل، برای صاحبان سرور این امکان را فراهم می سازد تا به آسانی، سرورهای خود را را فارغ از هرگونه تخصص در مدیریت و نگهداری سخت افزار و نرم افزار مربوط به سرورهای کامپیوتری اجرا نمایند. افزون بر این، رایانش ابری مدیران سرور را قادر می سازند که به راحتی یک سرور مقیاس پذیر و مبتنی بر پرداخت را اجاره کنند[11]. ابر، یک مخزن سرور است که می تواند منابع محاسباتی را در اختیار مشتریان خود قرار دهد. برخی از ویژگی های رایانش ابری عبارتند از: خود ترمیم شونده، چند مستاجره، مقیاس پذیر خطی، سرویس گرا، مبتنی بر SLA( توافقنامه سطح خدمات) و انعطاف پذیر.

      چهار عنصر اساسی در رایانش ابری وجود دارد که عبارتند از: سلف سرویس بر حسب تقاضا، که در آن کاربران بدون اینکه نیاز به تماس مستقیم با ارائه دهندگان برای دریافت مجوز داشته باشند، می توانند منابع محاسباتی را درخواست دهند. دسترسی به شبکۀ گسترده که در آن منابع محاسباتی در سراسر شبکه به کاربران چند پلتفرمی ارائه می گردد. تجمیع منابع [12]، که به تشریح تجمیع منابع با یکدیگر در یک مکان واحد می پردازد و سبب «نامرئی» به نظر رسیدن منابع محاسباتی فیزیکی برای کاربران می گردد؛ و خدمات اندازه گیری شده، که به منظور اندازه گیری میزان استفاده از منابع، ما به ازای پرداخت مورد استفاده قرار می گیرد. ابر جَمعی (جامعۀ ابری) همچنین مدل های خدمات زیر را برای طبقه بندی سرویس ابری مورد استفاده قرار می دهد: نرم افزار به‌ عنوان سرویس (SaaS)، پلت فرم به‌عنوان سرویس (PaaS)، زیرساخت به‌عنوان سرویس (IaaS)، و ذخیره سازی داده به‌عنوان سرویس (DaaS)[13].

هوش مصنوعی و یادگیری عمیق: ملاحظات موسسات مالی برای مطابقت با بار نظارتی در بریتانیا

Artificial intelligence and deep learning: considerations for financial institutions for compliance with the regulatory burden in the United Kingdom

چکیده

1- مقدمه

2- ملاحظات عملی و هزینه ها

3- هوش مصنوعی، یادگیری ماشین، یادگیری عمیق

4- مؤسسات مالی و استفاده ی آن ها از یادگیری عمیق – پیدایش های فعلی و روندهای آتی

5- نتیجه گیری

منابع

چکیده

هدف – هوش مصنوعی (AI)، یادگیری ماشین (ML)، و یادگیری عمیق (DL) تأثیر به سزایی روی بانکداری (فناوری مالی یا فین تک)، سلامت و بهداشت (فناوری سلامت)، قانون (فناوری مقررات گذاری)، و سایر بخش هایی مثل جمع آوری کمک های مالی برای خیریه (فناوری خیریه) دارند. سرعت نوآوری مرتبط با فناوری و توانایی سیستم های هوش مصنوعی برای فکر کردن درست شبیه به انسان ها (شبیه سازی هوش انسان)، انجام وظایف و کارها به صورت مستقل، توسعه و بسط هوش براساس تجارب خود، و پردازش لایه های اطلاعاتی برای یادگیری بازنمایی های همواره پیچیده از داده ها (ML/DL) به این معناست که ارتقا و پیشرفت در نرخ هایی که در آن ها این فناوری می تواند وظایف پیچیده، فنی، و زمان بر را انجام دهد، مردم، اشیاء، صداها، الگوها و غیره را شناسایی کند، مشکلات را زودتر بررسی کند، و راه حل ها را ارائه نماید، سودهای خیره کننده ای را در شرایط اقتصادی، سیاسی، و اجتماعی فراهم نماید. هدف از انجام این مقاله بررسی دقیق اختراعات و پیدایش های جدید در هوش مصنوعی، یادگیری ماشین، و یادگیری عمیق در بستر چالش تطبیق مقرراتی است که مؤسسات مالی در بریتانیا (UK) با آن مواجه می شوند.
طراحی/ متدولوژی/ رویکرد – موضوع از طریق آنالیز داده ها و ادبیات پژوهشی منتشر شده به صورت داخلی و بین المللی دقیقا بررسی می شود. اولین بخش این مقاله زمینه ی مسائل مقرراتی فعلی، پیدایش موارد جدید در یادگیری عمیق، چگونگی استفاده از هوش مصنوعی توسط مؤسسات مالی در حال حاضر، و اینکه چطور هوش مصنوعی می تواند از فوریه ی 2023 راه حل های تکنولوژیکی بیشتری را برای انطباق با مقررات ارائه دهد را خلاصه می کند.
یافته ها – نشان داده شده است که مؤسسات مالی بریتانیا می توانند استفاده ی بیشتری از هوش مصنوعی، یادگیری ماشین، و یادگیری عمیق به عنوان بخشی از انبار راه حل هایی داشته باشند که بار مقرراتی را راحت کرده و به سطوح بالایی از موفقیت انطباق با مقررات دست پیدا می کنند.
اصالت/ ارزش – تا جایی که نویسنده ی این مقاله می داند، این اولین مطالعه ایست که به صورت مشخص به بررسی دقیق این مسئله پرداخته است که چطور هوش مصنوعی، یادگیری ماشین، و یادگیری عمیق کماکان می توانند به موسسات مالی بریتانیا در برآورده کردن چالش تطبیق مقرراتی و فرصت های فراهم شده برای موسسات مالی از طریق فراجهان کمک کنند.

2- ملاحظات عملی و هزینه ها
مؤسسات مالی، در انگلستان و ولز، سازمان های قانون مند و تحت نظارت منوط به قانون خدمات مالی 2012 هستند که مسیر را برای یک سیستم قانون گذاری سه جانبه ی متشکل از ناظر امور مالی (FCA)، مرجع مقررات احتیاطی (PRA)، و کمیته ی برنامه ریزی مالی (FPC) هموار کرد. درحالیکه بحث و گفتمان در مورد عملکرد آن ها، و عملکرد نهادهای فرعی مثل شورای گزارش دهی مالی و خدمات بازرس مالی، فراتر از حوزه ی این مقاله است، بهتر است خلاصه ای از نمای کلی مالی ارائه شود تا زمینه ای به بزرگی کار تطبیق مقرراتی دردست داده شود [1]. وظیفه ی ناظر امور مالی (FCA) این است تا اطمینان دهد که بازار مالی برای کسب و کارها، اقتصاد و مصرف کنندگان قابل اطمینان، منصفانه و مؤثر و کارآمد است. این ناظر به دنبال حصول اطمینان از این است که مصرف کنندگان به یک معامله ی منصفانه دست پیدا می کنند. ناظر امور مالی (FCA) برای بیشتر از 50 هزار کسب و کار مقررات تنظیم می کند، 48 هزار سازمان را به صورت محتاطانه نظارت می کند، و استانداردهای مشخص را برای 18 هزار شرکت و بنگاه اقتصادی تعیین می نماید. مرجع مقررات احتیاطی (PRA) برای بالغ بر 1500 بانک، جامعه ی ساخت و ساز، واحدهای اعتبار، بیمه گران، و شرکت های بزرگ سرمایه گذاری تنظیم مقررات می کند، و کمیته ی برنامه ریزی مالی (FPC) با شناسایی ریسک ها و نظارت بر آن ها که ممکن است ثبات و پایداری کل سیستم مالی بریتانیا را تهدید کنند به هدایت کار بانک انگلستان درخصوص پایداری مالی می پردازد. لذا، درحالیکه مرجع مقررات احتیاطی (PRA) روی شرکت های مستقل متمرکز است، درمقابل، کمیته ی برنامه ریزی مالی (FPC) روی کل سیستم تمرکز می کند.

نهادهای نظارتی و قانون گذاران همگی قوانین و راهنمایی هایی دارند که باید از آن ها پیروی کنند، و خدمات مالی فرقی ندارند. علاوه بر قوانین و مقررات تنظیم شده توسط نهادهای نظارتی و قانون گذاران، جرائم سایبری، مبارزه با پولشویی، تأمین مالی ضد ترور، و تقلب مالی همگی مواردی هستند که مؤسسات مالی را تحت تأثیر قرار می دهند و رژیم های قانون گذاری گسترده ای وجود دارند که باید با دقت رعایت شوند. آنچه در ادامه آمده خلاصه ایست که به مفهوم سازی اندازه ی وظیفه/بار تطبیق مقرراتی کمک خواهد کرد.

پیش‌بینی و مقایسه سلامت روانی در طول COVID-19 در میان جمعیت هندی و مراقبه گران راجیوگا با استفاده از الگوریتم های یادگیری ماشینی

Prediction and comparison of psychological health during COVID-19 among Indian population and Rajyoga meditators using machine learning algorithms

چکیده
1 مقدمه
2 سیستم های پیش بینی مبتنی بر یادگیری ماشینی
3 روش شناسی
4 نتایج
5 نتیجه گیری
منابع

چکیده
یکی از نگرانی های مهم در سرتاسر نقاط دنیا فراهم کردن مراقبت سلامت روان برای افرادی است که از اختلالات روانی رنج می برند. روان شناسی دیجیتال تاثیرات مثبتی زیادی در طول همه گیری ویروس کووید-19 به دنبال داشته است. برای مثال، روان شناسی دیجیتال میتواند افت سلامت روانی افراد و بروز مشکلات شدید مرتبط با بهداشت روانی را در مراحل اولیه پیش بینی و شناسایی کند. در نتیجه، در این مطالعه به دنبال شناسایی کردن افرادی هستیم که احتمال بروز مشکلات روانی در بین آن ها در طول دوران همه گیری بالاتر است. در راستای دست یابی به این هدف، در مطالعه خود برداشت های افراد مراقبه کننده راجا یوگا در مورد تاثیرات روانی دوران همه گیری و همچنین سطوح اضطراب، استرس و افسردگی آن ها را با دیگر افراد جامعه، مقایسه خواهیم کرد. علاوه براین، در این مطالعه با بهره گرفتن از الگوریتم های یادگیری ماشینی و داده نظرسنجی های آنلاین اجرا شده در بین افراد مراقبه کننده راجا یوگا و جمعیت عمومی تلاش میکنیم که اختلال های سلامت روان از جمله استرس، اضطراب و افسردگی را پیش بینی کنیم. در این مطالعه ما از الگوریتم های درخت تصمیم، جنگل تصادفی، بیز ساده، بردار پشتیبانی و همچنین الگوریتم k-نزدیک ترین همسایه برای پیش بینی کردن استفاده کردیم، زیرا این الگوریتم ها دقت بالاتری در پیش بینی اختلالات روانی به نمایش گذاشته اند. در بین این الگوریتم ها مشاهده کردیم که الگوریتم بردار پشتیبانی بالاترین دقت را برای داده ما تولید می کند. علاوه براین، الگوریتم بردار پشتیبانی بالاترین نمره F1 را نیز تولید کرده است. 

2- سیستم های پیش بینی مبتنی بر یادگیری ماشینی
در این بخش در مورد نحوه کاربرد تکنیک های یادگیری ماشینی هوش مصنوعی در سیستم های بهداشت، بحث خواهیم کرد. این سیستم های پیش بینی برای تشخیص بیماری و ارزیابی بهداشت روان خلق شده اند.

1-2 پیش بینی بیماری
ژونگ و شیائو با بهره برداری از الگوریتم های یادگیری عمیق و گره همجوشی اصلاح شده توانستند یک سیستم ایده آل برای بهبود پیش بینی سلامت روان خلق کنند [15]. گره همجوشی در واقع الگویی برای ترکیب کردن اطلاعات در راستای خلق سیستم های پیش بینی بیماری و سلامت روان است. در صورتی که ما از یادگیری عمیق در کنار گره های همجوشی استفاده کنیم، می توان پیش بینی های دقیق بر مبنای حجم بزرگی از داده های سلامت تولید کرد. دقت مدل همجوشی پیشنهاد شده در تشخیص بیماری های مختلف تقریبا برابر با 73.21 درصد خواهد بود.

آمبیگا و همکارانش سیستم هوشمند پیش بینی سلامت را خلق کردند که عیب های سیستم قبلی را بر طرف می کند [16]. این سیستم یک معاینه پایه بر روی بیمار انجام می دهد و سپس بیماری های احتمالی در افراد را حدس می زند. این سیستم هوشمند در ابتدا سوالاتی در مورد علائم بیمار می پرسد. در صورتی که این سیستم بتواند بیماری فرد را صحیح تشخیص دهد، در ادامه یکی از دکترهای در دسترس در نزدیکی محل سکونت بیمار را پیشنهاد خواهد کرد. در صورتی که سیستم توانایی تشخیص مشکل فرد را نداشته باشد، مجموعه ای از سوالات را از بیمار می پرسد و سپس انجام آزمایش را پیشنهاد خواهد کرد. این سیستم در نهایت نتیجه تشخیص خود را بر مبنای مجموعه ای از داده های جمع آوری شده در گذشته ، ارائه خواهد کرد. سیستم هوشمند پیش بینی سلامت بر مبنای پایگاه داده اسناد پزشکی چندین بیمار عمل می کند. آقای داهیواد و همکارانش تکنیکی برای برای پیش بینی کردن بیماری ها بر اساس علائم افراد ارائه کردند [17]. آن ها به منظور تشخیص دقیق بیماری از الگوریتم های یادگیری ماشینی شبکه عصبی پیچشی و k-نزدیک ترین همسایه، استفاده کردند. باید اشاره کنیم که در این سیستم پیش بینی بیماری، عادات زندگی افراد و اطلاعات معاینات پزشکی آن ها در نظر گرفته میشود. در مجموع، الگوریتم شبکه عصبی پیچشی (CNN) دقت 84.5 درصد را در تشخیص بیماری های عمومی به نمایش می گذارد. این الگوریتم دقت بالاتری نسبت به تکنیک K-نزدیک ترین همسایه (KNN) دارد. علاوه براین، الگوریتم KNN نیاز زمانی و حافظه ای بیشتری نسبت به الگوریتم CNN دارد.