شبکه بیزین یکی از توانمندترین روش‌ها در تخمین داده‌های مفقود است. از طرفی ماشین یادگیری مفرط به‌طور تحلیلی وزن‌های خروجی‌های بهینه را محاسبه می‌کند و این امیدواری وجود دارد که در مورد داده‌های مفقود، به‌عنوان یک مدل خوب عمل کند. مهمترین چالش بسیاری از روش‌های تخمین مقادیر مفقود این است که ماهیت این روش‌ها عمدتا برای داده‌ها با مقادیر پیوسته یا داده ها با مقادیر گسسته مناسب است. شبکه بیزین و ماشین یادگیری مفرط نیز از این قاعده مستثنا نیستند و به ترتیب برای پر کردن مقادیر مفقود گسسته و مقادیر مفقود پیوسته مناسب‌ترند. لذا در این پژوهش از ترکیب این دو مدل جهت تخمین داده‌های مفقود مخلوط در مجموعه داده هپاتیت استفاده شده و در نهایت دسته بندی بر اساس شبکه بیزین جهت تخمین کلاس خروجی انجام شده است. روش پیشنهادی بر اساس معیارهای دقت، فراخوانی، صحت و ریشه میانگین مربعات خطا مورد ارزیابی قرار گرفت. نتایج نشان داد، جبران داده‌های مفقود با ترکیب BN-ELM و طبقه‌بندی بر اساس شبکه بیزین صحت بالایی کسب کرده است. همچنین روش پیشنهادی با سایر روش‌های تخمین داده، بر اساس طبقه بندهای BN، ELM و KNN مورد مقایسه قرار گرفت و نتایج برتری روش پیشنهادی را نشان می دهد. Manuscript profile

بسیاری از مدل‌های پیش‌بینی در سیستم‌های توصیه‌گر سعی در مدل کردن فاکتورهای پنهان کاربران و آیتم‌ها دارند. این مدل‌ها به کمک ماتریس امتیازات داده شده توسط کاربران به آیتم‌ها آموزش می‌بینند و کم بودن نسبت امتیازات داده شده کاربران به آیتم‌ها نسبت به کل امتیازات ممکن، باعث کاهش دقت این مدل‌ها شده است. لذا برای حل این مشکل در برخی پژوهش‌ها سعی گردیده است که علاوه بر امتیازات موجود از اطلاعات کمکی نظیر اسناد توصیفی که در مورد آیتم‌ها وجود دارند استفاده گردد. اما بسیاری از آنها از مدل‌های قدیمی‌تر پرکاربرد در متن کاوی استفاده نموده اند و همچنین عدم لحاظ نمودن حداکثر حاشیه در هنگام محاسبه ویژگی‌های کاربران و آیتم‌ها باعث گردیده است که ویژگی‌های کاربران و آیتم‌ها به شکل موثری استخراج نگردد. در این مقاله و در روش ارایه شده، مدلی غیرخطی ارایه کرده‌ایم که انعطاف بیشتری در مقایسه با مدل‌های خطی دارد و علاوه بر استفاده از اسناد توصیفی در مورد آیتم‌ها، با لحاظ کردن حداکثر حاشیه در هنگام استخراج ویژگی‌های کاربران باعث بهبود صحت پیش‌بینی گردیده است. با توجه به توانایی شبکه‌های عصبی در کار با دنباله‌ها، برای استخراج ویژگی از اسناد متنی از شبکه LSTM در مدل پیشنهادی استفاده می‌نماییم. Manuscript profile

مدل‌سازی سری‌های زمانی هم‌گام، در سیستم‌های مالی دارای پیچیدگی‌‌های زیادی است. برای تحلیل این سری‌ها نیاز به رویکردهایی است که بتوان با دقت بالاتری رابطه بلندمدت آن‌ها را استخراج نمود. روش تحلیل همبستگی متقابل روند‌زدایی‌ شده چندفرکتالی (MFDCCA)، با روند‌زدایی از سری‌های زمانی به تحلیل رابطه آن‌ها می‌پردازد. ما در این مقاله روشی نوین در راستای روند‌زدایی دقیق‌تر از یک سری زمانی مالی به نام تحلیل همبستگی متقابل روند‌زدایی شده چندفرکتالی مبتنی بر اندیکاتور(IMFDCCA) ارائه داده‌ایم. هدف از روش پیشنهادی، استخراج کاراتر رابطه همبستگی بین سری‌های زمانی مالی با استفاده از اندیکاتورهای بازار مالی است. روش پیشنهادی به‌عنوان نمونه بر روی دو جفت‌ارز یورو/دلار و دلار/ین بررسی شد. تست این روش بر روی مجموعه داده هشت‌ساله از سال 2011 تا 2019 صورت گرفت. همچنین جهت ارزیابی روش پیشنهادی از روش‌های تخمین نمایه هارست شامل R.S و GHE استفاده شد که در هر دو ارزیابی خطای کمتری نسبت به روش پایه را مشخص نمود. میزان خطای میانگین جذر مربعات در روش ارزیابی R.S نسبت به روش پایه 30% و در روش ارزیابی GHE 26% کاهش‌یافته است. Manuscript profile