حاصل 15سال تلاش و نخوابیدن 🙏

به لطف الهی محقق شد. پذیرش مقاله در مجله مهندس صنایع انتشارات جان وایلی😍😍😍

⬇️⬇️⬇️متغیر مداخله‌گر (یا متغیر میانجی) به متغیری اطلاق می‌شود که تأثیر یک متغیر مستقل بر یک متغیر وابسته را تحت تأثیر قرار می‌دهد. به عبارت دیگر، این متغیر می‌تواند رابطه بین دو متغیر دیگر را تغییر دهد یا تعدیل کند.
@spss23
به عنوان مثال، فرض کنید که ما در حال بررسی تأثیر تحصیلات (متغیر مستقل) بر درآمد (متغیر وابسته) هستیم. اگر سن (متغیر مداخله‌گر) را در نظر بگیریم، ممکن است سن بر درآمد تأثیر بگذارد و همچنین ممکن است بر رابطه بین تحصیلات و درآمد تأثیر بگذارد.

◀️◀️◀️شناسایی متغیرهای مداخله‌گر می‌تواند به درک بهتر از روابط پیچیده بین متغیرها کمک کند و به پژوهشگران اجازه می‌دهد تا نتایج دقیق‌تری را به دست آورند.
@spss23
@amos25
تحلیل داده دانشگاهی و صنعتی

تحلیل پوششی داده‌ها (Data Envelopment Analysis یا DEA) یک روش آماری و ریاضی است که برای ارزیابی کارایی واحدهای تصمیم‌گیری (DMUs) مانند سازمان‌ها، شرکت‌ها، بیمارستان‌ها و سایر نهادها استفاده می‌شود. این روش به خصوص در شرایطی که واحدهای تصمیم‌گیری با ورودی‌ها و خروجی‌های مختلفی مواجه هستند، کاربرد دارد.

▎ویژگی‌های کلیدی DEA:

1. ارزیابی کارایی: DEA به ارزیابی نسبت خروجی به ورودی می‌پردازد و توانایی واحدها در تبدیل ورودی‌ها به خروجی‌ها را اندازه‌گیری می‌کند.

2. عدم نیاز به توزیع خاص: یکی از مزایای DEA این است که نیازی به فرضیات مربوط به توزیع‌های خاص ندارد و می‌تواند با داده‌های واقعی کار کند.

3. تعیین مرز کارایی: DEA یک مرز کارایی ایجاد می‌کند که واحدهای کارا بر روی آن قرار دارند و واحدهای ناکارا در زیر این مرز قرار می‌گیرند.

4. تجزیه و تحلیل چندبعدی: DEA قادر است تا با بررسی همزمان چندین ورودی و خروجی، کارایی را در یک چارچوب چندبعدی تحلیل کند.

▎مراحل انجام DEA:

1. تعریف واحدهای تصمیم‌گیری (DMUs): شناسایی و انتخاب واحدهایی که قرار است مورد ارزیابی قرار گیرند.

2. جمع‌آوری داده‌ها: جمع‌آوری اطلاعات مربوط به ورودی‌ها و خروجی‌های هر واحد.

3. مدل‌سازی: انتخاب مدل مناسب DEA (مثل مدل CCR یا BCC) و محاسبه کارایی هر واحد.

4. تحلیل نتایج: بررسی نتایج به دست آمده، شناسایی واحدهای ناکارا و ارائه پیشنهادات برای بهبود.

▎کاربردها:

• ارزیابی عملکرد سازمان‌ها

• مقایسه بیمارستان‌ها یا مراکز درمانی

• تحلیل کارایی بانک‌ها و موسسات مالی

• بررسی عملکرد مدارس و دانشگاه‌ها

تحلیل پوششی داده‌ها به عنوان ابزاری قوی برای مدیران و پژوهشگران در جهت بهبود کارایی و بهره‌وری در سازمان‌ها شناخته می‌شود.
@spss23

مشکات - دانشگاه آزاد اسلامی
https://meshkat.iau.ir/courses/12242

⚡️?شبکه عصبی پرسپترون چندلایه (MLP) و ماشین بردار پشتیبان (SVM) هر دو از الگوریتم‌های یادگیری ماشین هستند که برای مسائل طبقه‌بندی و رگرسیون استفاده می‌شوند، اما در اصول و روش‌های کارکردشان تفاوت‌های قابل توجهی دارند. در ادامه به بررسی این تفاوت‌ها می‌پردازیم:
@spss23
▎?۱. ساختار و معماری

- ?پرسپترون چندلایه (MLP):
- شامل چندین لایه از نورون‌ها (لایه ورودی، لایه‌های پنها و لایه خروجی) است.
- هر نورون در یک لایه به نورون‌های لایه‌های دیگر متصل است و از توابع فعال‌سازی برای تولید خروجی استفاده می‌کند.
- می‌تواند به صورت غیرخطی داده‌ها را مدل‌سازی کند.

- ?ماشین بردار پشتیبان (SVM):
- SVM بر پایه یک هایپرپلین (hyperplane) است که داده‌ها را جدا می‌کند.
- می‌تواند با استفاده از تکنیک کرنل، داده‌های غیرخطی را نیز تفکیک کند، اما ساختار آن به اندازه شبکه‌های عصبی پیچیده نیست.
??Spss-pasw.ir??

▎۲. ?نحوه یادگیری

- پرسپترون چندلایه:
- از روش‌های یادگیری نظارت شده استفاده می‌کند و معمولاً با استفاده از الگوریتم‌هایی مانند پس‌انتشار خطا (backpropagation) آموزش می‌بیند.
- نیاز به تنظیم وزن‌ها در طول آموزش دارد و این فرآیند ممکن است زمان‌بر باشد.

- ?ماشین بردار پشتیبان:
- SVM سعی می‌کند تا فاصله بین هایپرپلین و داده‌های نزدیک‌ترین کلاس‌ها (Support Vectors) را حداکثر کند.
- معمولاً از روش‌های بهینه‌سازی برای پیدا کردن بهترین هایپرپلین استفاده می‌کند.

▎?۳. نوع داده و کارایی

- پرسپترون چندلایه:
- مناسب برای داده‌های پیچیده و غیرخطی، به ویژه زمانی که تعداد ویژگی‌ها زیاد است.
- می‌تواند به خوبی با داده‌های بزرگ و پیچیده کار کند، اما ممکن است نیاز به تنظیم دقیق داشته باشد.

- ماشین بردار پشتیبان:
- به ویژه در مواردی که داده‌ها به‌طور خطی قابل تفکیک هستند، عملکرد خوبی دارد.
- در فضاهای با ابعاد بالا نیز موثر است، اما ممکن است در برابر داده‌های بزرگ زمان محاسباتی بالایی داشته باشد.

▎۴. تفسیر و توضیح

- پرسپترون چندلایه:
- تفسیر نتایج ممکن است دشوار باشد، زیرا ساختار شبکه پیچیده است و ارتباطات بین نورون‌ها غیرقابل مشاهده‌اند.

- ماشین بردار پشتیبان:
- نتایج SVM معمولاً قابل تفسیرتر هستند، زیرا بر اساس فاصله‌ها و موقعیت داده‌ها نسبت به هایپرپلین عمل می‌کند.

▎?????نتیجه‌گیری

در نهایت، انتخاب بین MLP و SVM به ویژگی‌های خاص داده‌ها، نوع مسئله و نیازهای پروژه بستگی دارد. هر دو الگوریتم مزایا و معایب خاص خود را دارند و در شرایط مختلف ممکن است عملکرد متفاوتی از خود نشان دهند.
@spss23

?ماشین بردار (Support Vector Machine یا SVM) یک الگوریتم یادگیری ماشین است که برای طبقه‌بندی و رگرسیون استفاده می‌شود. این روش به ویژه در مسائل طبقه‌بندی دو کلاس بسیار موثر است. در ادامه به توضیح اصول و کارکرد SVM می‌پردازم:
@spss23
▎?اصول کارکرد SVM

1. جداسازی داده‌ها: SVM سعی می‌کند تا یک هایپرپلین (hyperplane) را پیدا کند که داده‌ها را به بهترین شکل ممکن از هم جدا کند. این هایپرپلین به گونه‌ای انتخاب می‌شود که فاصله بین داده‌های نزدیک‌ترین کلاس‌ها (که به آن‌ها Support Vectors گفته می‌شود) و هایپرپلین حداکثر باشد.

2. پشتیبانی از داده‌های غیرخطی: اگر داده‌ها به‌طور خطی قابل تفکیک نباشند، SVM از تکنیک‌هایی مانند کرنل (Kernel) استفاده می‌کند تا داده‌ها را به فضای بعدی تبدیل کند، جایی که ممکن است خطی قابل تفکیک باشند. انواع مختلفی از کرنل‌ها وجود دارد، از جمله کرنل‌های خطی، چندجمله‌ای، و گاوسی (RBF).

3. تنظیم پارامترها: SVM دارای پارامترهایی است که باید تنظیم شوند، مانند C (پارامتر تنظیم کننده که تعادل بین حداکثر کردن فاصله و اشتباهات طبقه‌بندی را تعیین می‌کند) و پارامترهای کرنل.

▎✔️مزایا و معایب

مزایا:
- کارایی بالا در فضاهای با ابعاد بالا.
- موثر در مواردی که تعداد ویژگی‌ها بیشتر از تعداد نمونه‌هاست.
- به خوبی با داده‌های غیرخطی با استفاده از کرنل‌ها کار می‌کند.

❌معایب:
- زمان محاسباتی بالا برای مجموعه داده‌های بزرگ.
- انتخاب مناسب کرنل و تنظیم پارامترها ممکن است چالش‌برانگیز باشد.
- حساسیت به نویز و داده‌های خارج از قاعده (outliers).

▎?کاربردها

SVM در بسیاری از زمینه‌ها مانند شناسایی الگو، تشخیص چهره، تحلیل متن و سایر مسائل طبقه‌بندی کاربرد دارد.

???به طور کلی، SVM یک ابزار قدرتمند در یادگیری ماشین است که با توجه به نوع داده‌ها و نیازهای خاص می‌تواند عملکرد خوبی داشته باشد.

دانلود eviews 10-12-13 : https://drive.google.com/drive/u/2/folders/1xS0wB6c6Ndo55pJeGLxrADzHuPqG8vKg

افزونه‌های EViews ابزارهای اضافه‌ای هستند که قابلیت‌ها و امکانات نرم‌افزار EViews را گسترش می‌دهند و به کاربران امکان می‌دهند تا تحلیل‌ها و مدل‌سازی‌های پیچیده‌تری انجام دهند. این افزونه‌ها به طور معمول برای انجام وظایف خاصی طراحی شده‌اند که در نسخه اصلی نرم‌افزار…