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.
داده‌کاوی و مفاهیم مربوط به آن
حسن خادمی زارع؛ آتنا مقیمی؛ محمدصالح اولیا؛ داود شیشه بری
چکیده
امروزه نقش و تاثیر رسانه در زندگی فردی و اجتماعی بر هیچ کس پوشیده نیست. در میان انبوه رسانه های امروزی، تلویزیون همچنان می تواند قدرتمند باشد به شرط آنکه مخاطب خود را بشناسد و مدیریتی نوین را در دستور کار خود قرار دهد. مدیریتی که منافع رسانه و مخاطب را یکی بداند. بدین منظور می توان با تحلیل توأم مخاطبان و برنامه ها به دنبال راهکارهایی ...
بیشتر
امروزه نقش و تاثیر رسانه در زندگی فردی و اجتماعی بر هیچ کس پوشیده نیست. در میان انبوه رسانه های امروزی، تلویزیون همچنان می تواند قدرتمند باشد به شرط آنکه مخاطب خود را بشناسد و مدیریتی نوین را در دستور کار خود قرار دهد. مدیریتی که منافع رسانه و مخاطب را یکی بداند. بدین منظور می توان با تحلیل توأم مخاطبان و برنامه ها به دنبال راهکارهایی برای افزایش نفوذ رسانه بود. در این مقاله با نوآوری خوشه بندی توأم مخاطبان براساس ویژگی های دموگرافیک و مشخصات برنامه های تلویزیونی، برای افراد هر خوشه راهکارهایی به منظور افزایش نفوذ رسانه ارائه گردیده است. داده ها از پرسشنامه محقق ساخته و نمونه 390 نفری از کارشناسان موضوع و مردم شهر یزد به دست آمدند. نتایج نشان می دهد که مدیران شبکه استانی یزد می بایست با توجه به خواسته های مطرح شده مخاطبان در زمان های اوج تماشا، در جدول پخش خود بازنگری کرده و راهکارهای ارائه شده این مقاله را در دستور کار قرار دهند. ارزیابی کیفیت خوشه بندی ساختارخوب آن را بیان می کند. راهکارهای ارائه شده نیز با نظر خبرگان حوزه رسانه و میزان انطباق نتایج با منابع مرتبط با موضوع تحقیق اعتبارسنجی شده است.در این مقاله با تکنیک جدید خوشه بندی توأم مخاطبان براساس ویژگی های دموگرافیک و برنامه های تلویزیونی به صورت سلسله مراتبی و همزمان خوشه بندی شده اند و برای افراد هر خوشه راهکارهایی به منظور افزایش نفوذ رسانه ارائه گردیده است.
داده‌کاوی و مفاهیم مربوط به آن
رامین صفا؛ پیمان بیات؛ لیلا مقتدر
چکیده
هدف: روند تشخیص اختلال روانی در رویکردهای سنتی، متکی بر پرسشنامه، مصاحبه و بررسی‌های بالینی است؛ درحالی‌که ابزارهای غربالگری خودکار می‌توانند مسیر کوتاه‌تری را طی کنند و به‌عنوان استراتژی‌های ارزیابی نوین، سیستم‌های پشتیبان تصمیم و راهبردهای پیشگیری برای کمک به افراد مستعد توسعه یابند. با توجه به تمایل افراد به اشتراک‌گذاری ...
بیشتر
هدف: روند تشخیص اختلال روانی در رویکردهای سنتی، متکی بر پرسشنامه، مصاحبه و بررسی‌های بالینی است؛ درحالی‌که ابزارهای غربالگری خودکار می‌توانند مسیر کوتاه‌تری را طی کنند و به‌عنوان استراتژی‌های ارزیابی نوین، سیستم‌های پشتیبان تصمیم و راهبردهای پیشگیری برای کمک به افراد مستعد توسعه یابند. با توجه به تمایل افراد به اشتراک‌گذاری افکار و احساسات در سکوهای اجتماعی، داده‌های میکروبلاگینگ حاوی اطلاعات ارزشمندی هستند که می‌توانند برای شناسایی حالات روانی مورد تحلیل قرار گیرند. هدف از این پژوهش تشریح سازوکار تحلیل داده در زمینه مورد بحث است.روش‌شناسی پژوهش: در این مقاله، در ابتدا مفاهیمی مانند سلامت روان الکترونیک و سکوهای میکروبلاگینگ معرفی شده و با ارائه توضیحاتی در خصوص علم داده و تحلیل داده اجتماعی، ارتباط مفاهیم با یکدیگر مورد بحث قرار می‌گیرد. در ادامه در قالب بخشی جداگانه، پیش‌بینی اختلال در شبکه‌های اجتماعی شرح داده می‌شود. در نهایت با بررسی سوابق تحقیق و مسائل باز، به چگونگی جمع‌آوری داده، پیش‌پردازش و روند استفاده از ویژگی‌های متفاوت به کمک ابزارهای تحلیل گوناگون می‌پردازیم.یافته‌ها: این پژوهش با پیاده‌سازی نمونه‌ای کاربردی از تجزیه‌وتحلیل داده اجتماعی روی داده‌های دنیای واقعی نشان می‌دهد، ویژگی‌های استخراج شده از نمایه کاربر، تأثیر قابل توجهی در پیش‌بینی علائم افسردگی دارند و حتی می‌توان با اطلاعات استخراج شده از نمایه عمومی کاربر، وضعیت روانی را با دقتی مناسب پیش‌بینی نمود.اصالت/ارزش افزوده علمی: در این پژوهش چگونگی تحلیل خودکار داده اجتماعی با هدف شناسایی اختلال روانی شرح داده شده و در پیاده‌سازی مشخص می‌شود که علائم تقریباً در تمام ویژگی‌های مورد مطالعه قابل پیگیری هستند.
داده‌کاوی و مفاهیم مربوط به آن
حسین صدر؛ مژده نظری سلیمان دارابی؛ زینب خداوردیان
چکیده
هدف: نمره‌دهی خودکار آزمون‌های تشریحی فرآیند ارزیابی اتوماتیک پاسخ‌های سوالات مبتنی بر متن با استفاده از روشهای محاسباتی و یادگیری ماشین است. گسترش استفاده از سیستم‌های آموزشی هوشمند و اهمیت ارزیابی نیاز به سیستم‌های خودکار برای نمره‌دهی آزمون‌ها را بیش از پیش افزایش داده است.روش شناسی پژوهش: با توجه به اینکه در فرآیند نمره‌دهی ...
بیشتر
هدف: نمره‌دهی خودکار آزمون‌های تشریحی فرآیند ارزیابی اتوماتیک پاسخ‌های سوالات مبتنی بر متن با استفاده از روشهای محاسباتی و یادگیری ماشین است. گسترش استفاده از سیستم‌های آموزشی هوشمند و اهمیت ارزیابی نیاز به سیستم‌های خودکار برای نمره‌دهی آزمون‌ها را بیش از پیش افزایش داده است.روش شناسی پژوهش: با توجه به اینکه در فرآیند نمره‌دهی خودکار، پاسخ‌های متنی ارائه شده توسط دانش‌آموزان با یک پاسخ ایده آل بر اساس میزان شباهت آن‌ها مورد مقایسه قرار می‌گیرد، می‌توان از تکنیک‌های محاسبه ارتباط و شباهت معنایی بین متون نیز برای اینکار بهره برد. در این راستا، در این مقاله ابتدا روشهای مختلف محاسبه ارتباط معنایی در کاربرد ارزیابی خودکار آزمون‌های تشریحی با هم مقایسه و تاثیر دامنه و اندازه منبع دانش پیش‌زمینه‌ای روی دقت الگوریتم‌ها بررسی شد. در ادامه، یک رویکرد برای بهبود عملکرد سیستم نمره‌دهی خودکار آزمون‌های تشریحی معرفی شده که از پاسخ‌های ارائه شده توسط آزمون‌دهندگان که بالاترین نمره را دریافت کرده‌اند، به عنوان بازخورد استفاده می‌کند.یافته‌ها: برای ارزیابی کارایی روشهای محاسبه شباهت و ارتباط معنایی در کاربرد نمرده‌دهی خودکار آزمون‌های تشریحی و عملکرد مدل پیشنهادی، آزمایشاتی روی مجموعه داده ارائه شده توسط موهلرو میهالسیا که دارای 7 سوال با 630 پاسخ تشریحی است، صورت گرفت.اصالت/ارزش افزوده علمی: بر اساس نتایج حاصل از آزمایش‌ها، نه تنها روشهای محاسبه ارتباط معنایی از کارایی بالایی در حوزه ارزیابی خودکار آزمون‌های تشریحی برخوردارند، بلکه استفاده از از بازخورد اتوماتیک نیز می‌تواند دقت و کارایی روشهای محاسبه ارتباط معنایی برای این هدف به طور قابل توجهی افزایش دهد.
داده‌کاوی و مفاهیم مربوط به آن
فاطمه میرسعیدی؛ حمیدرضا کوشا؛ محمد قدوسی
چکیده
بررسی عملکرد تحصیلی دانشجویان با استفاده از داده‌کاوی آموزشی یکی از مهم‌ترین موضوعات در حوزه مدیریت آموزشی است و مورد توجه بسیاری از پژوهشگران قرار گرفته‌است. هدف پژوهش حاضر، ارائه روش تجربی برای انتخاب الگوریتم با بهترین عملکرد از منظر شاخص‌های ارزیابی در پیش‌بینی وضعیت تحصیلی دانشجویان در حالت دو و سه کلاسه است. پایگاه داده ...
بیشتر
بررسی عملکرد تحصیلی دانشجویان با استفاده از داده‌کاوی آموزشی یکی از مهم‌ترین موضوعات در حوزه مدیریت آموزشی است و مورد توجه بسیاری از پژوهشگران قرار گرفته‌است. هدف پژوهش حاضر، ارائه روش تجربی برای انتخاب الگوریتم با بهترین عملکرد از منظر شاخص‌های ارزیابی در پیش‌بینی وضعیت تحصیلی دانشجویان در حالت دو و سه کلاسه است. پایگاه داده دوکلاسه، پذیرش یا رد دانشجویان در درس موردنظر را پیش‌بینی می‌کند، درحالی‌که پایگاه داده سه کلاسه، علاوه بر پذیرش یا رد به شناسایی دانشجویان مستعد و نخبه می‌پردازد. با استفاده از مقالات پیشین در حوزه داده‌کاوی آموزشی و نظرات خبرگان، فاکتورهای تاثیرگذار بر عملکرد تحصیلی دانشجویان شناسایی و براساس آن‌ها پایگاه داده تدوین شد. پس از تنظیم پارامترها و اجرای الگوریتم‌های مختلف، نمره عملکرد الگوریتم‌ها با استفاده از آزمون تی زوجی براساس سه شاخص صحت، F-measureو ROC محاسبه شده، سپس با استفاده از روشهای تاپسیس و ویکور، الگوریتم‌ها مقایسه و رتبه‌بندی شدند. در حالت دو کلاسه ماشین بردار پشتیبان در تاپسیس با مقدار 999115/0 ویکور با مقدار صفر بهترین عملکرد را از خود نشان داده است. در حالت چندکلاسه، الگوریتم رگرسیون لجستیک در هر دو روش تاپسیس و ویکور با مقادیر به ترتیب 0.9986044 و 0.0009798، بهتر از سایر الگوریتم‌ها عمل کرده‌است. می‌توان روش پیشنهادی را به عنوان یک ابزار برای انتخاب الگوریتم با بهترین عملکرد در داده‌کاوی آموزشی استفاده نمود. زیرا انتخاب الگوریتم برای دستیابی به نتایج دقیق و صحیح بسیار موثر است و می‌توان در فرایند مشاوره و جلوگیری از افت تحصیلی دانشجویان با دقت نظر بیشتری عمل کرد.
