آموزش فارکس برای مبتدی ها

تجارت الگوریتمی

رتبه‌بندی متغیرهای اقتصادی-اجتماعی مؤثر بر تجارت دوجانبه زعفران ایران و شرکای تجاری

تجارت دوجانبه یا دادوستد متقابل به تجارتی گفته می‌شود که بین دو کشور و معمولاً تحت مذاکرات حکومتی انجام می‌شود. تجارت دوجانبه عموماً به‌دلایل سیاسی یا به‌دلیل مشکلاتی که در پرداخت‌ها پیش می‌آید، ترتیب داده می‌شود. تجارت خارجی محصولات کشاورزی به‌علت ارزآوری بالا و پایدار نقش مهمی در گسترش صادرات و واردات کشورهای مختلف بازی می‌کند. درمیان محصولات کشاورزی، زعفران یکی از مهم‌ترین کالاهای صادراتی کشاورزی می‌باشد که سهم زیادی در ایجاد ارزش افزوده بخش کشاورزی دارد. برای حفظ مقام ایران (به‌عنوان بزرگ‌ترین تولیدکننده و صادرکننده زعفران) در بازارهای جهانی و توسعه بیشتر صادرات این محصول باارزش، شناخت و تعیین درجه اهمیت عوامل مؤثر بر آن، می‌تواند گام مهمی در این راستا باشد. از این‌رو، مطالعه حاضر به‌دنبال بررسی رتبه‌بندی متغیرهای اقتصادی-اجتماعی مؤثر بر تجارت دوجانبه زعفران ایران و شرکای تجاری طی دوره‌زمانی 2016-2007 می‌باشد. بدین‌منظور از الگوی جاذبه و برای تعیین درجه اهمیت عوامل مؤثر از الگوی الگوریتم ژنتیک استفاده شده است. نتایج حاصل از مدل جاذبه نشان داد که تمام متغیرها معنی‌دار می‌باشند. متغیر حجم واردات، هزینه حمل و نقل و فاصله تأثیر منفی بر تجارت دوجانبه دارند. همچنین نتایج حاصل از الگوریتم ژنتیک نشان می‌دهد که متغیرهای مورد مطالعه با توجه به ضرایب اهمیتشان در زمره متغیرهای تأثیرگذار بر عوامل مؤثر در تجارت دوجانبه زعفران ایران با شرکای تجاری می‌باشند. اندازه عددی آماره ضریب خودهمبستگی نیز بیان‌گر پوشش خوب داده-ها با استفاده از الگوریتم ژنتیک می‌باشد

کلیدواژه‌ها

  • واژه‌های کلیدی: تجارت دوجانبه
  • زعفران
  • الگوی جاذبه
  • الگوی الگوریتم ژنتیک

مراجع

Ahmadvand, M., and Deylaminezhad, R., 2018. Investigating the process of globalization of the industrial and mining sector in Iran. J. Econ. Res. Policy. 40, 6-26. [in Persian with English Summary].

Aqaei, M., and Gholizadeh, M.R., 2011. Iran's comparative advantage in saffron production. Econ. Agric. Dev. 25(1), 121-132. [in Persian with English Summary].

Barattieri, A., 2014 Comparative advantage, service trade, and global imbalances. J. Int. Econ. 92(1), 1-13.

Beigzadeh Abbasi, F., 2007. Factors affecting export development of Ian's pistachio, Ph.D. thesis, Islamic Azad University of Kerman, Kerman, Iran. [in Persian].

Customs of the Islamic Republic of Iran., 2016. Planning and Appraisal, Business Statistics Yearly Iran. Office of Statistics and Machine Services. [in Persian].

Gani, A., and Scrimageour, F., 2016. New Zealand’s trade with Asia and the role of good governance. Int. Rev. Econ. Finance. 42, 36-53.

Institute for Agricultural Planning and Economics Research., 2008. Summary of reports from the study group. [in Persian].

Iran Trade Development Organization., 2016. Reviewing the state of production and export of saffron. Office of Exports of Commodities and Services. Available on the website http://www.civilika.com. [in Persian].

Jalaei esfanAbadi, S., Taleghani, F., Mangali, H., and Aramesh, H., 2013. Non-oil simulation and pre-exports of Iran up to 1404 horizons. J. Econ. Strat. (4), 148-166. [in Persian with English Summary].

Kashi, K., and Lynn Kennedyp, P., 2012. Exchange rate volatility and bilateral agricultural trade flows: the case of the United States and OECD countries. LSU Master's Thesis. Louisiana State University and Agricultural and Mechanical College.

Koochakzadeh, A., Jalaee Esfand Abadi, A., and Koochakzadeh, S., 2014. Investigating the effect of real exchange rate uncertainty on foreign trade in Iranian crops: Case Study: Date, Pistachio, Raisin and Walnut. Quarterly J. Economics of Agric. and Dev. 88, 109-125. [in Persian with English Summary].

Koochakzadeh, S., and Karbasi, A., 2015. Investigating the Factors Affecting Saffron Trading in Iran. Saffron Agron. Technol. 3(3), 217-227. [in Persian with English Summary].

Mohamadzadeh, S.H., Karbasi, A., and Kashefi, M., 2016. Comparison of logit, probit and tobit in the factors affecting the adoption of saffron insurance Case study: Qaen city, Case study: Cain. Saffron. J. Agron. Technol. 4(3), 239-254. [in Persian with English Summary].

Naanwaab, C., and Diarrassouba, M., 2013. The impact of economic freedom on bilateral trade: A Cross-Country Analysis. Int. J. Buss. Mgt. Eco. Res. 4(1), 668-672.

Rajabi, Z., and Moghaddasi, R., 2014. Investigating the cost of trade in agricultural products and the factors affecting it in Iran's trade with developing countries. International Green Economy Online Conference, p. 1-13. [in Persian].

Shakibaee, A., and Beta, F., 2010. Economic convergence in the Southwest Asia. J. Commerce Res. 53, 23-47. [in Persian with English Summary].

Tinbergen, J., and Endeicus, K., 1962. Shaping تجارت الگوریتمی the World Economy: Suggestions for an International Economic Policy.

تجارت الگوریتمی

تحلیل الگوریتم های پیشنهادی برای تجارت الکترونیک

ترجمه فارسی عنوان مقاله:

تحلیل الگوریتم های پیشنهادی برای تجارت الکترونیک

عنوان انگلیسی مقاله:

Analysis of Recommendation Algorithms for E-Commerce

EC 00 Proceedings of the 2nd ACM conference on Electronic commerce, Pages 158-167, ACM New York, NY, USA ©2000

Badrul Sarwar, George Karypis, Joseph Konstan, and John Riedl

به دلیل رمزگذاری فایل pdf چکیده انگلیسی درج نگردید. برای مشاهده فایل اصل مقاله را به رایگان دانلود نمایید.

سیستم های پیشنهاد دهنده از تکنیک های اکتشافی آماری و دانشی (علمی) برای مسئله پیشنهاد کالا در طول عمر تعامل مشتری استفاده کرده و امروزه به موفقیت گسترده ای در تجارت الکترونیک دست یافته اند. در این مقاله، ما چند تکنیک تجزیه و تحلیل خرید در مقیاس بزرگ و داده های ترجیحی به منظور تولید پیشنهادات مفید به مشتریان را بررسی می کنیم. به طور خاص، از مجموعه ای از الگوریتم ها مانند داده کاوی مرسوم (سنتی)، فیلتر مشترک نزدیکترین همسایه، و کاهش ابعادی در دو مجموعه داده ای مختلف استفاده کردیم. اولین مجموعه داده ای از معاملات خرید از طریق وب سایت یک شرکت بزرگ تجارت الکترونیکی گرفته شده در حالی که مجموعه تجارت الگوریتمی داده ای دوم از سایت پیشنهاد فیلم MovieLensجمع آوری شده است. برای اهداف آزمایشی (تجربی)، ما فرآیند تولید پیشنهاد را به سه مرحله فرعی تقسیم می کنیم: ارائه داده های ورودی، شکل گیری همسایگی، و ایجاد پیشنهاد. ما تکنیک های مختلفی برای فرآیندهای فرعی مختلف بکار برده و ترکیب آنها را بر مجموعه داده هایمان را برای مقایسه کیفیت و عملکرد پیشنهاد، اِعمال می کنیم.
کلمات کلیدی: سیستم های اطلاعاتی | محاسبات انسان محور | تجارت الکترونیک | برنامه های کاربردی سیستم های اطلاعاتی | داده کاوی

حجم فایل: 224 کیلوبایت

قیمت: ترجمه این مقاله رایگان است

این مقاله یکی از بهترین مقالت در زمینه تجارت الکترونیک می باشد و تا کنون بیش از 450 بار توسط نویسندگان مختلف مورد ارجاع قرار گرفته است.

اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

یک الگوریتم بهبودیافته برای تجارت چندطرفه برای تبادل و تهاتر

هزینه ترجمه مقاله بر اساس تعداد کلمات مقاله انگلیسی محاسبه می شود.

این مقاله تقریباً شامل 6492 کلمه می باشد.

هزینه ترجمه مقاله توسط مترجمان با تجربه، طبق جدول زیر محاسبه می شود:

شرح تعرفه ترجمه زمان تحویل جمع هزینه
ترجمه تخصصی - سرعت عادی هر کلمه 90 تومان 10 روز بعد از پرداخت 584,280 تومان
ترجمه تخصصی - سرعت فوری هر کلمه 180 تومان 5 روز بعد از پرداخت 1,168,560 تومان

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Electronic Commerce Research and Applications , Volume 10, Issue 1, January–February 2011, Pages 67–74

پیش نمایش مقاله یک الگوریتم بهبودیافته برای تجارت چندطرفه برای تبادل و تهاتر

چکیده انگلیسی

Most e-commerce exchange systems today facilitate a single simple transaction. Systems allow the trade of an object or resource for exactly one other object or resource. The trade could also be for some quantity of one object or resource for another, but usually all of the objects traded are of a kind, for example, trading 10 iPods. The common type of exchange involves money for an object. There are other kinds of exchanges though. These include barter exchanges in which an object is traded for another object. In this scenario there is a space of available objects and a space of desired objects. When an available object matches a desired object a trade can be made. Usually this type of trade is bi-directional. One trader has an item that a second trader wants and the second trader has the item that the first trader wants. This trade is a simple two-party trade. Another kind of trade involves multi-way trade in which multiple parties are involved, along with an intermediary. Multi-way trading is the process of constructing a trade that involves two original or initial traders but also has intermediary traders to facilitate the original trade. This research presents an algorithm for supporting multi-way trades. It describes a graph data structure and then searches the graph for paths to effect the trade. The algorithm also identifies a sequence of trades through at least one intermediate trader that will complete the trades of the two original traders.

بلومبرگ: پرش اخیر بازار رمز ارز ها ممکن است با تجارت الگوریتمی مرتبط باشد

به گزارش بلومبرگ، تجارت الگوریتمی (روشی که از نرم افزار های خودکار برای شناسایی روندها و تعیین زمان انجام معاملات استفاده می کند) در ماه های اخیر رو به افزایش بوده است. از ماه سپتامبر، ۱۷ صندوق سرمایه گذاری کمّی و الگوریتمی در این صنعت آغاز به کار کرده اند که معادل ۴۰ درصد از صندوق های پوشش ریسک رمز ارزی هستند که در طی همین دوره وارد این کارزار شده اند.

بیشتر بخوانید: بهترین کاربرد بیت کوین در حال حاضر چیست؟

در حالی که صندوق های سرمایه گذاری رمز ارز ها به طور کلی ۷۲ درصد از سرمایه شان را در سال ۲۰۱۸ به خاطر بازار نزولی از دست دادند، صندوق های الگوریتمی بین ۳ تا ۱۰ درصد در طول این دوره که به زمستان رمز ارز ها معروف است، سود به دست آوردند.

بلومبرگ: پرش اخیر بازار رمز ارز ها ممکن است با تجارت الگوریتمی مرتبط باشد

Bloomberg: Bitcoin’s Recent Renaissance Could Be Linked to Algorithmic Trading/ Source

بلومبرگ اظهار داشت که قیمت بیت کوین (BTC) در روز سه شنبه، مدتی پس از بازگشایی بازار های سرمایه آسیایی و انجام معاملاتی به ارزش ۱۰۰ میلیون دلار روی سه اکسچنج بزرگ، به طور غیرمنتظره ای ۲۰ درصد افزایش یافت.

بیشتر بخوانید: تحقیقات نشان می دهد ۵۴٪ از تراکنش های بیت کوین (BTC) نقص حریم خصوصی دارند

به گفته ی کارشناسان رویترز، سفارش خرید ۲۰ هزار بیت کوین (به ارزش تقریبی ۱۰۰ میلیون دلار در زمان نگارش این مطلب) در صرافی های رمز ارز Coinbase، Kraken و Bitstamp گذاشته شده بود. با وجود چنین سفارش بزرگی، ربات ها می توانند وارد معامله شوند و قیمت ها و حجم ها را افزایش دهند.

به نقل از بلومبرگ، برخی معتقدند که تجارت الگوریتمی تاثیر مثبتی روی بازار رمز ارز ها خواهد داشت. برخی دیگر نگرانند که تجارت الگوریتمی منشا دستکاری در بازار شود.

عده ای خبر دروغ آوریل تصویب ETF بیت کوین توسط کمیسیون بورس و اوراق بهادار امریکا را دلیل افزایش قیمت می دانند. عده ای نیز به برگزیت اشاره می کنند و معتقدند که سرمایه گذاران پس از جدایی بریتانیا از اتحادیه اروپا پوند هایشان را به بیت کوین تبدیل خواهند کرد.

بیشتر بخوانید: معامله گران چطور بازار رمز ارز ها را تحلیل می کنند؟

همچنین، به گزارش بلومبرگ فعالیت کیف پول های بیت کوین در دو هفته ی گذشته افزایش چشمگیری داشته و آمار کیف پول های دیجیتال غیر فعال بیت کوین در یک تا شش ماه گذشته از ۴۰ تا ۵۰ درصد به ۱۰ تا ۱۵ درصد کاهش یافته است.

شبکه های عصبی و الگوریتم های ژنتیک در تجارت

شبکه های عصبی و الگوریتم های ژنتیک در تجارت

چگونگی اداره حجم انبوه اطلاعات و استفاده موثر از آنها در بهبود تصمیم گیری ، از موضوعات بحث برانگیز در عصرحاضر است. یکی از مسائل مهم تحقیقاتی در زمینه علوم کامپیوتر، پیاده سازی مدلی شبیه به سیستم داخلی مغز انسان برای تجزیه و تحلیل سیستم های مختلف بر اساس تجربه است .

در عصر حاضر در بسیاری از موارد ماشین ها جایگزین تجارت الگوریتمی انسانها شده اند و بسیاری از کارهای فیزیکی که در گذشته توسط انسانها انجام می گرفت امروزه توسط ماشین ها صورت می گیرد . اگرچه قدرت کامپیوترها در ذخیره، بازیابی اطلاعات و اتوماسیون اداری ،. غیر قابل انکار است، اما همچنان مواردی وجود دارد که انسان ناچار است خودش کارها را انجام دهد. اما به طور کلی ، موارد مرتبط با ماشین شامل سیستم هایی است که در آن به علت ارتباطات پیچیده بین اجزا، مغز انسان از درک ریاضی این ارتباطات قاصر است . مغز انسان به مرور زمان با مشاهده توالی رفتارهای سیستم و گاه آزمایش نتیجه ای که بر اثر دستکاری یکی از اجزای سیستم به دست می آید تا حدی می تواند عادتهای سیستم را شناسایی کند . این روند یادگیری بر اثر مشاهده مثالهای متنوع از سیستم ، به کسب تجربه منجر می شود. در چنین سیستم‌هایی مغز قادر به تجزیه و تحلیل داخلی سیستم نیست و تنها با توجه به رفتارهای خارجی، عملکرد داخلی سیستم را تخمین می زند و عکس العملهای آن را پیش بینی می کند.
چگونگی اداره حجم انبوه اطلاعات و استفاده موثر از آنها در بهبود تصمیم گیری ، از موضوعات بحث برانگیز در عصرحاضر است. یکی از مسائل مهم تحقیقاتی در زمینه علوم کامپیوتر، پیاده سازی مدلی شبیه به سیستم داخلی مغز انسان برای تجزیه و تحلیل سیستم های مختلف بر اساس تجربه است .در این راستا شبکه های عصبی یکی از پویاترین حوزه‌های تحقیق در دوران معاصر هستند که افراد متعددی از رشته های گوناگون علمی را به خود جلب کرده است .استفاده از شبکه‌های عصبی و الگوریتم های ژنتیک در حل مسائل پیچیده کاربردی این روزها بیش از بیش رواج یافته است . در این مقاله پس از معرفی اجمالی شبکه های عصبی و الگوریتم های ژنتیک، ارتباط وسهم آن ها در تصمیم گیری در حوزه تجارت وکسب وکار مورد بررسی قرارگرفته است .
● مقدمه
توجه به کاربرد تکنیک های هوش مصنوعی و ابزارهای مدل سازی در حوزه کسب و کار به طور فزاینده ای در حال افزایش است. در این راستا سیستم های خبره جایگاه ویژه ای یافته اند. در چند دهه گذشته دو عنوان شبکه های عصبی و الگوریتم های ژنتیک از موضوعاتی بوده اند که تجارت الگوریتمی توجه بسیاری از دانشگاهیان را به خود جلب کرده اند . این دو به عنوان ابزاری نیرومند در حل مسائلی که دیگر توسط متدلوژی ها و روش های سنتی گذشته قابل حل نبودند، شناخته شده و مورد استفاده قرارگرفته اند. این روزها استفاده از آنها به زندگی اجتماعی ما نیز تسری یافته تا جایی که کاربرد آنها در تصمیم گیری ها نقش حیاتی یافته است .
این مقاله شواهدی را مبتنی برامکان استفاده اخلاقی از شبکه های عصبی و الگوریتم ها ی ژنتیک که به منجر به تصمیم گیریهای موفقیت آمیز در ارتباط با مسائل مرتبط با کسب و کار می شود ارائه می کند . برای این منظور لازم است که بررسی تطبیقی ای در رابطه با تلاشهای دیگر محققان در قالب ادبیات موضوع صورت گیرد . به همین دلیل ، در تحقیق ما بر نقش محققان عملیاتی در حوزه کاربرد شبکه های عصبی و الگوریتم های ژنتیک تأکید شده است . همچنین در کنار ایجاد چنین پایگاهی برای محققان ، به سوالات اساسی زیر نیز پاسخ داده شده است :
▪ آیا کاربردهای سیستم های مبتنی بر هوش مصنوعی می تواند از فرایندهای تصمیم گیری شرکت شما پشتیبانی کند ؟
▪ آیا اسناد ودلایل و مدارک معتبری برای اثبات این ادعا وجود دارد ؟
▪ آیا اینها تنها یک تئوری و ایده دانشگاهی است یا دارای قابلیت کاربرد و تعمیم نیز هست؟
به عبارت دیگر ، با درنظر گرفتن مطالعات مشابه در رابطه با استفاده از سیستم های خبره در کسب و کار، نویسندگان و محققان در آرزوی دستیابی به فرصتی جهت بحث مقایسه ای در باره این سه متدلوژی هوشمند هستند (متاکسیوس و پساراس ۲۰۰۳ ) . یکی از مهم ترین و بحث‌برانگیزترین تحقیقات ، بررسی صورت گرفته توسط لایبوتز (۲۰۰۱) است که نتیجه آن تحت عنوان «سیستمهای خبره و کاربرد آنها» مطرح شد.
ساختار این مقاله به صورت زیر است‌: در ابتدا مروری بر پایه و اساس شبکه های عصبی و الگوریتم های ژنتیک خواهیم داشت و سپس به بازنگری جامعی بر کاربرد شبکه های عصبی و الگوریتم های ژنتیک در حوزه کسب و کار خواهیم پرداخت و نهایتا آن را با نتایج و پیشنهاداتی برای تحقیقات کاربردی آینده به پایان خواهیم رساند .
● فناوری شبکه عصبی
شبکه های عصبی یک تجارت الگوریتمی تکنیک پردازش اطلاعات مبتنی بر روش سیستم های عصبی بیولوژیکی مانند مغز و پردازش اطلاعات است. مفهوم بنیادی شبکه های عصبی ، ساختار سیستم پردازش اطلاعات است که از تعداد زیادی واحدهای پردازشی (نورون‌) مرتبط با شبکه ها تشکیل شده اند‌. سلول عصبی بیولوژیکی یا نورون، واحد سازنده سیستم عصبی در انسان است. یک نورون ازبخشهای اصلی زیر تشکیل شده است :
۱) بدنه سلولی که هسته در آن است و سایر قسمتهای سلولی از آن منشأ گرفته است.
۲) هسته
۳) آکسون که وظیفه آن انتقال اطلاعات از سلول عصبی است.
۴) دندریت که وظیفه آن انتقال اطلاعات از سلول های دیگر به سلول عصبی است
یک سیستم شبکه عصبی از تکنیک‌های مورد استفاده انسان در یادگیری از طریق استناد به مثالهایی از حل مسائل استفاده می‌کند (هایکین ،۱۹۹۴ ) . هر نورون ورودیهای متعددی را پذیراست که با یکدیگر به طریقی جمع می شوند . اگر در یک لحظه تعداد ورودی های فعال نرون به حد کفایت برسد نرون نیز فعال شده و آتش می کند . در غیر این‌صورت نورون به صورت غیر فعال و آرام باقی می ماند .فعالیت هر نورون از مجموعه ای از یک یا چند ورودی ، عملیات و وظیفه خروجی برای محاسبه خروجیهایش تشکیل شده است . عملکرد اساسی این مدل مبتنی بر جمع کردن ورودیها و به دنبال آن به وجود آمدن یک خروجی است . ورودیهای نورون از طریق دندریت ها که به خروجی نورون های دیگر از طریق سیناپس متصل شده اند وارد می شوند . بدنه سلولی کلیه این ورودیها را دریافت می کند و چنانچه جمع این مقادیراز مقداری که به آن آستانه گفته می شود بیشتر شود در اصطلاح بر انگیخته شده یا آتش می کند و درغیر این صورت خروجی نورون روشن یا خاموش خواهد شد.
امروزه شبکه های عصبی در کاربردهای مختلفی از قبیل طبقه بندی داده ها و تشخیص الگو از طریق فرایند یادگیری که خود شامل مسائلی مانند تشخیص خط و شناسایی گفتار وپردازش تصویر است به کار می روند .به مثابه سیستم های بیولوژیکی ، آموزش شامل تنظیم پیوندهای بین سیناپس‌ها که درهر نورون وجود دارند است. به عبارت دیگر‌، اطلاعات آموخته شده به شکل ارزشهای عددی به‌نام «وزن» که به هر واحد پردازش شبکه اختصاص داده می‌شود ، ذخیره می شوند .به طور کلی ، شبکه های عصبی می توانند بین :
روشهای اتصال نورون ها، انواع روشهای ویژه محاسبه عملیات نورون ها، روش انتقال الگوی عملیات از خلال شبکه و روشهای یادگیری آنها که شامل نرخ یادگیری است، تمایز قائل شوند . با در نظر گرفتن ارتباطات بین نورون ها ، می توان بین شبکه های لایه دار و بدون لایه تمایز قایل شد . شبکه های لایه دار گروهی ازنورون ها هستند که در لایه هایی مجتمع گردیده اند که بین لایه ورودی و خروجی - که تنها پیوند خارجی دارند - یک یا چند لایه پنهان وجود دارد . داده های ورودی از لایه ورودی به وسیله لایه های پنهان (لایه میانی ) به تجارت الگوریتمی لایه خروجی منتقل می‌شوند . سیگنالها ی جاری در شبکه های لایه دار به سمت جلو حرکت می کنند که در اصطلاح فنی به آنها پیش خور گفته می شود در حالی که شبکه های بدون لایه دارای گره های اضافی بازخور هستند که از تقسیمات درست لایه ها جلوگیری می کنند .
ساختار پیوندها و تماسها و تعداد لایه‌ها و نورون ها تعیین کننده معماری شبکه است که بایستی قبل از استفاده از شبکه‌های عصبی تنظیم شود . همان طور که در تجارت الگوریتمی شکل ۲ نمایش داده شده است ، اگرچه در موارد مشخصی می توان با موفقیت از شبکه های عصبی تک لایه استفاده کرد اما رسم بر این است که شبکه های عصبی حداقل دارای ۳ لایه باشند ( لایه ورودی تجارت الگوریتمی ،لایه پنهان یا لایه میانی و لایه خروجی ) .
قبل از آنکه شبکه آموزش داده شود‌، اوزان اختصاصی کوچک و به صورت تصادفی ارزش گذاری می شوند . در خلال روند آموزش ، اوزان شبکه به شکل تدریجی تعدیل می شود تا جایی که محرز شود که کاملاً روابط فرا گرفته شده است . این شکل از یادگیری ، یادگیری با سرپرست نامیده می شود . وقتی یک الگو در لایه ورودی به‌کار گرفته می شود تا آن جا جلو می رود که ستانده نهایی در لایه خروجی محاسبه شود . ستانده شبکه با نتایج مطلوب مورد انتظار مدل مقایسه و خطاهای موجود محاسبه می‌شود .این خطاها مجدداً به عنوان بازخورد به شبکه بازمی گردد تا تغییرات لازم در اوزان پیوندها برای کاهش خطا تجارت الگوریتمی صورت گیرد .مجموعه ای از مثالهای آموزشی داده _ ستانده مکرراً ارائه می شود. تا جایی که مجموع امتیازات خطا به سطح قابل قبولی کاهش یابد . در این جایگاه م‌ توان آن شبکه را به عنوان شبکه ای آموزش دیده در نظر گرفت . اما در روش دیگری که یادگیری بدون سرپرست نامیده می شود‌، شبکه عصبی باید بدون کمک گرفتن از جهان ، بتوانند کار آموزش را انجام دهد . واقعیت آن است که در عمل ازروش یادگیری باسرپرست و تجارت الگوریتمی یا حداکثر از روشهای ترکیبی استفاده می شود و فرایند آموزش بدون سرپرست به شکل خالص تنها وعده‌ای است که شاید بتواند در آینده تحقق یابد . در حال حاضر و در کاربردهای پیشرفته ، از روش آموزش بدون سرپرست برای ایجاد تنظیمات اولیه برروی سیگنال های ورودی شبکه های عصبی استفاده می شود و باقی مراحل آموزش به روش با سرپرست ادامه می یابد .
حوزه های کاربردی شبکه های عصبی در موضوعات زیر است:
▪ همبستگی ناشناخته بین ویژگیهای مطلوب و ارزش متغیرهای مسائل تصمیم گیری (‌جایی که راه حل مسائل ناشناخته است )
▪ مسائلی که دارای راه حل الگوریتم نیستند
▪ جایی که داده های ناقص وجود دارد
مزیت اصلی شبکه های عصبی ، قابلیت فوق العاده آنها در یادگیری و نیز پایداری شان در مقابل اغتشاشات ناچیز ورودی است ( فاوست ، ۱۹۹۴) .به عنوان مثال اگر از روشهای عادی برای تشخیص دستخط یک انسان استفاده کنیم ممکن است در اثر کمی لرزش دست ، این روشها به تشخیص غلطی برسند در حالی که یک شبکه عصبی که به صورت مناسب آموزش داده شده است حتی در صورت چنین اغتشاشی نیز به پاسخ درست خواهد رسید .
درنتیجه ، تاکید ما بر این حقیقت است که انتخاب شبکه درست با محاسبات صحیح، عامل اصلی در تضمین موفقیت عملکرد است .
● فناوری الگوریتم ژنتیک
الگوریتم های ژنتیک روش قدرتمندی را برای توسعه اکتشافی مسائل بهینه سازی ترکیبی مقیاس بزرگ فراهم آورده است . انگیزه اصلی مطرح کردن الگوریتم ژنتیک می تواند این گونه عنوان شودکه «تکامل تدریجی» به شکل قابل ملاحظه ای در توسعه انواع وگونه های پیچیده از طریق مکانیزم های نسبتاً ساده تکمیلی نمود یافته است . حال سوال اساسی این است : پذیرش کدام ایده از تئوری تکامل تدریجی می تواند به ما در حل مسائل این قلمرو کمک کند ؟ این سوال با توجه به غنای پدیده تکامل تدریجی جوابهای متفاوتی دارد. هالند و دی جانگ (۱۹۷۵) از نخستین کسانی هستندکه با معرفی مفهوم الگوریتم ژنتیک به عنوان یک تکنیک جستجوی عمومی - که از تکامل تدریجی بیولوژیک در قالب بقای افراد اصلح و مبادله ساختارمند و تصادفی اطلاعات الگوبرداری می کند- درصدد پاسخگویی به این سوال برآمدند .
یک الگوریتم ژنتیک مسئله را به صورت مجموعه ای از رشته ها که شامل ذرات ریزهستند کد گذاری می کند ، سپس برای تحریک فرایند تکامل تدریجی ،تغییراتی را بر روی رشته ها ا عمال می‌دارد. در مقایسه با الگوریتم های جستجوی محلی ، در جستجوی عمومی که تنها یک راه حل قابل قبول وجود دارد ، الگوریتم های ژنتیک جامعه ای از افراد را در نظر می‌گیرند . کـــار با مجموعه ای از افراد، امکان مطالعه ساختارها و ویژگیهای اصلی افراد متفاوت را که منجر به شناسایی و کشف راه حلهای کارآمد تر می شود، فراهم می‌سازد . در طی مطالعه ، الگوریتم ژنتیک رشته های متناسب با ارزش را برمی گزیند و آن دسته از رشته‌هایی را که تنــاسب کمتری با جمعیت مورد بررسی دارند حذف می‌کنند .
● مروری بر کاربردهای تجاری
بعد از مروری بر پیشینه شبکه های عصبی و الگوریتم های ژنتیک و پیشرفتهای آنها ، می توان حوزه های کاربردی آنها را در کسب و کار شناسایی کرد. بنابر این در این قسمت به بررسی انواع مسائل تجاری که به شکلی مناسب به‌وسیله شبکه های عصبی و الگوریتم های ژنتیک قابل حل خواهند بود ، می پردازیم . اما قبل از آن توضیحی مختصر در ارتباط با موضوعات مرتبط با این حوزه خواهیم داد .

مقالات مرتبط

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

برو به دکمه بالا