علم داده، هوشمندی و تحلیل‌های آینده نگر
عباس باقریان کاسگری؛ ایمان رئیسی وانانی؛ مقصود امیری؛ سعید همایون
چکیده
بیشتر سیستم‌های تشخیص تقلب سنتی برای شناسایی تقلب مالی، صرفا معیارهای مالی را در نظر می‌گیرند که به نظر می‌رسد درحالیکه این احتمال وجود دارد که شرکت‌های متقلب علاوه بر تقلبهای مالی، مرتکب سایر انواع تقلبهای غیر مالی نیز شوند. اگرچه تحقیقات اخیر، بیش از حد بر اهمیت داده های مالی به عنوان تنها فاکتور پیش‌بینی‌کننده تقلب تأکید ...
بیشتر
بیشتر سیستم‌های تشخیص تقلب سنتی برای شناسایی تقلب مالی، صرفا معیارهای مالی را در نظر می‌گیرند که به نظر می‌رسد درحالیکه این احتمال وجود دارد که شرکت‌های متقلب علاوه بر تقلبهای مالی، مرتکب سایر انواع تقلبهای غیر مالی نیز شوند. اگرچه تحقیقات اخیر، بیش از حد بر اهمیت داده های مالی به عنوان تنها فاکتور پیش‌بینی‌کننده تقلب تأکید کرده‌اند؛ هیچ مطالعه‌ای بر معیارهای غیر مالی یا ESG به عنوان یک فاکتور کمکی برای برای پیش‌بینی تقلب انجام نشده است. لذا هدف این تحقیق این است که با ارائه یک مدل یادگیری ماشینی پیشرفته و یادگیری عمیق، امکان بهبود پیش‌بینی تقلبهای بر اساس ترکیبی از دادههای مالی و ESG، را بررسی نماید. در این پژوهش با استفاده از الگوریتم های نظارت‌شده یادگیری ماشین و یادگیری عمیق، به بررسی چگونگی شناسایی تقلب مالی در بازه زمانی 10 ساله منتهی به سال 1401 پرداخته می شود. این تحقیق به طور نوآورانه‌ای نشان داد که استفاده از مدل ترکیبی مبتنی بر دادههای مالی ومعیارهای غیرمالی قدرت پیش‌بینی‌کننده‌ای بهتری برای تقلبهای مالی نسبت به تکیه صرف بر دادههای مالی دارد. مطابق یافته های این تحقیق، در پاسخ به پرسش اول این تحقیق، در میان الگوریتم‌های یادگیری ماشین و یادگیری عمیق، بالاترین کارایی در برای الگوریتم طبقه‌بندی یا Bagging مشاهده گردید. همچنین یافته های این تحقیق در خصوص سوال دوم تحقیق نشان می دهد که مجموعه داده‌ای همه ویژگی‌ها(مدل ترکیب دادههای مالی و غیرمالی) کارایی بهتری در مقایسه با مجموعه دادههای مالی به تنهایی) و غیرمالی به تنهایی داشته است.
علم داده، هوشمندی و تحلیل‌های آینده نگر
یعقوب احمدلو؛ علیرضا پورابراهیمی؛ جعفر تنها؛ علی رجب زاده قطری
چکیده
موارد کلاهبرداری در سال‌های اخیر به ویژه در زمینه‌های مهم و حساس مالی و بیمه‌ای افزایش یافته است. از این رو، برای مقابله با این‌گونه کلاهبرداری‌ها نیاز به اقدامات متفاوتی نسبت به روش‌های بازرسی سنتی وجود دارد. بیمه کشاورزی نیز با توجه به ماهیت و گستردگی وسیع آن از این تهدید مستثنا نبوده و سالانه هزینه‌‌های زیادی صرف پرداخت به ...
بیشتر
موارد کلاهبرداری در سال‌های اخیر به ویژه در زمینه‌های مهم و حساس مالی و بیمه‌ای افزایش یافته است. از این رو، برای مقابله با این‌گونه کلاهبرداری‌ها نیاز به اقدامات متفاوتی نسبت به روش‌های بازرسی سنتی وجود دارد. بیمه کشاورزی نیز با توجه به ماهیت و گستردگی وسیع آن از این تهدید مستثنا نبوده و سالانه هزینه‌‌های زیادی صرف پرداخت به خسارت‌‌های ساختگی می‌شود. این پژوهش با هدف ارائه مدلی برای کشف ادعاهای خسارت غیرواقعی در بیمه کشاورزی با بکارگیری تکنیک‌های داده کاوی و یادگیری ماشین ارائه شد. برای ساخت مدل یادگیری عمیق مورد استفاده قرار گرفت. دادههای مورد استفاده از صندوق بیمه کشاورزی اخذ شد و مربوط به بیمه‌‌نامه‌‌های گندم آبی و دیم استان خوزستان بود که در سال زراعی 1399-1398 برای آنها غرامت پرداخت شده بود. بعد از آماده‌‌سازی و پیش‌‌پردازش داده‌ها، با استفاده از یادگیری عمیق نسبت به کشف موارد غیرعادی اقدام و نتایج توسط کارشناسان صندوق بیمه کشاورزی مورد ارزیابی قرار گرفت. بعد از تحلیل نتایج مشخص شد یک درصد از خسارت‌‌های پرداختی مربوط به درخواست‌های غیرواقعی بوده و در پرداخت خسارت بایستی دقت و بررسی بیشتری انجام شود. دقت مدل در تشخیص موارد غیرعادی برای گندم آبی و دیم به ترتیب برابر با 53/53 و 63/37 درصد بدست آمد. در بررسی نتایج مشخص شد 5 دسته رفتار غیرعادی منجر به پرداخت خسارت غیرواقعی شده‌اند که رفتار عدم ارائه مستندات خسارت فراوانی بیشتری نسبت به بقیه داشت.
علم داده، هوشمندی و تحلیل‌های آینده نگر
منیره حسینی؛ الناز گلوی
چکیده
تشخیص اجتماع یک موضوع مهم در تحلیل شبکه‌های اجتماعی می‌باشد و برای درک ساختار شبکه‌های پیچیده ضروری است. در تشخیص اجتماع هدف، شناسایی گروه‌هایی است که گره‌های گروه به طور متراکم با هم در ارتباط هستند. در این تحقیق، ضمن ارائه معماری جامع و یکپارچه‌‌ای از روش‌های تشخیص اجتماع با یادگیری عمیق، از تکنیک‌های یادگیری عمیق برای کنترل ...
بیشتر
تشخیص اجتماع یک موضوع مهم در تحلیل شبکه‌های اجتماعی می‌باشد و برای درک ساختار شبکه‌های پیچیده ضروری است. در تشخیص اجتماع هدف، شناسایی گروه‌هایی است که گره‌های گروه به طور متراکم با هم در ارتباط هستند. در این تحقیق، ضمن ارائه معماری جامع و یکپارچه‌‌ای از روش‌های تشخیص اجتماع با یادگیری عمیق، از تکنیک‌های یادگیری عمیق برای کنترل دادههای گراف با ابعاد بالا استفاده شده است. روش‌های کلاسیک تشخیص اجتماع برای شبکه‌های با ابعاد پایین مناسب هستند. از این رو، کاهش ابعاد شبکه‌های پیچیده موضوع مهمی در تشخیص اجتماع به شمار می‌آید. در این تحقیق، ابتدا ماتریس شباهت جدیدی از توپولوژی شبکه برای آشکار کردن اتصالات مستقیم و غیر مستقیم بین گره‌ها ایجاد می‌شود. سپس یک خودمرزگذار پشته براساس یادگیری بدون نظارت برای کاهش ابعاد طراحی شده‌است. پس ازآن الگوریتم‌های مختلف خوشه‌بندی تست و برای تشحیص اجتماعات به کار برده می‌شوند. ارزیابی مدل پیشنهادی تحقیق، با انجام آزمایش‌های متعدد بر روی معیار استاندارد و شش مجموعه داده واقعی کاراته، دلفین‌ها، فوتبال، کتاب‌های سیاسی،کرا و شهروند مورد بررسی قرار می‌گیرد. نتایج ارزیابی روش پیشنهادی، در مجموعه داده فوتبال در مقایسه با دوازده الگوریتم مطرح به کار رفته در تحقیقات گذشته دقت بالاتری در شناسایی اجتماعات دارد و در سایر مجموعه داده‌ها در مقایسه با سیزده الگوریتم بهبود قابل توجهی را نشان می‌دهد.
آرمینا محسنی؛ آمنه خدیور؛ فاطمه عباسی
چکیده
رشد اینترنت، شبکه‌های اجتماعی و وبسایت‌های تجارت الکترونیک بستری جهت ارائه عقاید و نظرات برای کاربران فراهم می نمایند. در سال های اخیر بسیاری از کاربران احساسات و نظرات خوب یا بد خود را در مورد غذا، خدمات، کیفیت و فضای رستوران ها در بسترهای آنلاین بیان می کنند. این نظرات برای تصمیم گیری سایرکاربران و همینطور رستوران ها جهت حفظ ...
بیشتر
رشد اینترنت، شبکه‌های اجتماعی و وبسایت‌های تجارت الکترونیک بستری جهت ارائه عقاید و نظرات برای کاربران فراهم می نمایند. در سال های اخیر بسیاری از کاربران احساسات و نظرات خوب یا بد خود را در مورد غذا، خدمات، کیفیت و فضای رستوران ها در بسترهای آنلاین بیان می کنند. این نظرات برای تصمیم گیری سایرکاربران و همینطور رستوران ها جهت حفظ کیفیت، توسعه‌ی محصول و برندشان بسیار مهم می باشند. تحلیل احساسات رویکردی جهت پردازش زبان طبیعی است و امکان تحلیل سیستماتیک نظرات کاربران را فراهم می نماید. با توجه به اهمیت این موضوع هدف این مطالعه ارائه‌ی مدل تحلیل احساسات نظرات سایت تریپ‌ادوایزر درباره‌ی رستوران‌های ایرانی می‌باشد. در این تحقیق ما تحلیل احساسات مبتنی بر جنبه بر اساس الگوریتم یادگیری عمیق شبکه‌ی عصبی حافظه‌ی طولانی کوتاه‌مدت استاندارد را برای استخراج احساسات کاربران در مورد رستوران‌ها پیشنهاد نموده‌ایم. برای آموزش مدل، 4000 نظر طبق چهار جنبه در سه حالت عدم اشاره، مثبت و منفی برچسب زده شد و گام‌های مطالعه طبق متدولوژی کریسپ صورت گرفت. میزان دقت برای معیارهای غذا، سرویس، قیمت و اتمسفر به ترتیب 82%، 86%، 87% و 81% به دست آمد. این نتایج نشان از کارایی و عملکرد قابل قبول مدل برای تحلیل احساسات مبتنی بر جنبه‌ی رستوران‌ها است. همچنین جنبه‌ی غذا و اتمسفر به ترتیب مهم‌ترین جنبه‌ها برای مشتریان رستوران‌های ایرانی محسوب می‌شوند. رستوران‌داران و صاحبان کسب‌وکار می‌توانند از مدل توسعهیافته برای کسب مزیت رقابتی و یافتن نقاط قوت و ضعف خود استفاده کنند.
