بهینه سازی در علوم و مهندسی
علی شیخانی؛ فرشاد حسین زاده لطفی؛ آرش مقصودی
چکیده
در سطح جهان، میزان زایمان‌های زودرس در حال افزایش است، بنابراین مشکلات قابل توجهی در زمینه سلامت، توسعه و اقتصادی ایجاد خواهد شد. زایمان زودرس یکی از دلایل اصلی مرگ و میر و علت قابل توجهی برای از بین بردن توانایی بالقوه انسانی در میان بازماندگان در سراسر جهان است. عوارض زایمان زودرس تنها بزرگترین علت مستقیم مرگ نوزادان است. روش‌های ...
بیشتر
در سطح جهان، میزان زایمان‌های زودرس در حال افزایش است، بنابراین مشکلات قابل توجهی در زمینه سلامت، توسعه و اقتصادی ایجاد خواهد شد. زایمان زودرس یکی از دلایل اصلی مرگ و میر و علت قابل توجهی برای از بین بردن توانایی بالقوه انسانی در میان بازماندگان در سراسر جهان است. عوارض زایمان زودرس تنها بزرگترین علت مستقیم مرگ نوزادان است. روش‌های فعلی برای تشخیص زود هنگام چنین زایمانی ناکافی می‌باشد. یکی از تکنیک‌های امیدوار کننده، که در نظارت بر فعالیت رحمی به رسمیت شناخته شده است، استفاده از الگوریتم‌های یادگیری پیشرفته دستگاه و القای الکتروهیستروگرافی (EHG) است. در این مقاله با طراحی یک ماشین یادگیری، برای تشخیص انواع زایمان انجام شده است. با استفاده از الگوریتم‌های یادگیری عمیق، از سیگنال‌های الکتروهیستروگرافی برای تشخیص تولد زودرس استفاده شده است. نتایج با استفاده از یک مجموعه داده که شامل 262 پرونده برای زنانی است که دارای زایمان واقعی و 38 پرونده برای زنانی که دارای زایمان زودرس بوده‌اند، حاصل شده است. با استفاده از تکنیک "کراس" روی ۴ نوع مجموعه داده با دو روش با آموزش و بدون آموزش، اجرا گردید. نتایج حاص در این تحقیق نشان داد که روی این مجموعه از داده خطای موجود یک درصد بوده است.
داده‌کاوی و مفاهیم مربوط به آن
سامان هراتی زاده؛ فاطمه رضایی
چکیده
هدف: انتخاب سهام برای قرار گرفتن در یک سبد سهام و هم‌چنین تخصیص میزان مناسبی از سرمایه به هر یک از سهام درون سبد، چالش‌های جدی سرمایه‌گذاری در بازار سهام هستند. تاکنون در پژوهش‌های متعددی از روش‌های پیشرفته یادگیری ماشین برای انتخاب سهام درون سبد سهام استفاده شده است، استفاده از ظرفیت‌های یادگیری ماشین در فرآیند تخصیص کارآمد سرمایه ...
بیشتر
هدف: انتخاب سهام برای قرار گرفتن در یک سبد سهام و هم‌چنین تخصیص میزان مناسبی از سرمایه به هر یک از سهام درون سبد، چالش‌های جدی سرمایه‌گذاری در بازار سهام هستند. تاکنون در پژوهش‌های متعددی از روش‌های پیشرفته یادگیری ماشین برای انتخاب سهام درون سبد سهام استفاده شده است، استفاده از ظرفیت‌های یادگیری ماشین در فرآیند تخصیص کارآمد سرمایه میان سهام سبد کم‌تر موردتوجه قرار گرفته است و معمولا وزن یکسان به سهام سبد تخصیص داده می‌شود یا از روش‌های سنتی ارزیابی ریسک برای تقسیم سرمایه میان سهام سبد استفاده می‌شود. نقطه‌ضعف مشترک این روش‌ها این است که در همه آن‌ها از مکانیزم‌های ساده و انعطاف‌ناپذیر برای تخمین کارایی یک سبد سهام استفاده می‌شود. در این مقاله ما برای نخستین‌بار نشان می‌دهیم که با استفاده از یادگیری ماشین می‌توان مکانیزم موثرتری برای این تخمین کارایی ساخت که منجر‌به تخصیص پربازده‌تر سرمایه به سهام سبد می‌شود.روش‌شناسی پژوهش: چارچوب پیشنهادی ما موسوم به Per-Learner از دو مدل پیش‌بینی مبتنی بر یادگیری ماشین استفاده می‌کند. در گام 1 با استفاده از اطلاعات تاریخی سهام در یک مدل پیش‌بینی بازده سهم، سهام مناسب سبد انتخاب می‌شود و در گام 2 به کمک یک مدل پیش‌بینی مجزا سعی می‌شود با در‌نظر گرفتن هم‌زمان سود پیش‌بینی‌شده در مدل اول و ریسک مورد انتظار هر یک از سهم‌های سبد، بازده سبد در آینده پیش‌بینی شده و بر این اساس ترکیب وزن مناسب برای سهام سبد انتخاب و پیشنهاد گردد.یافته‌ها: مقایسه بازده تجمعی سبدهای تنظیم‌شده با این مدل و سبدهای تنظیم‌شده با سایر روش‌های بهینه‌سازی سبد سهام، برتری مدل پیشنهادی را نشان می‌دهد.اصالت/ارزش‌افزوده علمی: در این مقاله با بهرهگیری از مدل‌های یادگیری ماشین، فرآیند انتخاب سهام سبد و تخصیص سرمایه مناسب میان سهام سبد به‌صورت خودکار انجام شده است و تاثیر آن در کارایی سبد به‌وضوح دیده می‌شود.
