با استفاده گسترده از اینترنت و توسعه صنعت رایانه، حفاظت از حق چاپ انتشارات دیجیتالی به موضوعی بسیار جدی مبدل شده است. واترمارکینگ دیجیتالی شیوه مناسبی برای حل این مشکل است. در این مقاله یک روش واترمارکینگ وفقی در حوزه تبدیل کسینوسی گسسته (DCT) برای تصاویر دیجیتال ارائه می گردد. در این روش، تصویر میزبان به بلوک های بدون همپوشانی 8´8 تقسیم می شود و بیت های واترمارک در ضرایب DCT این بلوک ها جاسازی می شوند. برای افزایش امنیت روش مکان های جاسازی به صورت تصادفی انتخاب می گردند. بلوک های منتخب برای جاسازی واترمارک بر اساس ویژگی هایی نظیر بافت، روشنایی و نزدیکی به لبه ها به شش کلاس مختلف طبقه بندی می شوند. در این تحقیق، از ماشین بردار پشتیبان (SVM) برای شبیه سازی سیستم بینایی انسان (HVS) جهت طبقه بندی بلوک ها استفاده می شود. سپس برای جاسازی وفقی واترمارک، از الگوریتم ژنتیک برای تعیین ضرایب قوت واترمارک بهینه در کلاس های مختلف استفاده می شود. نتایج پیاده سازی نشان می دهد که روش ارائه شده شفافیت بالا و مقاومت بسیار خوبی در برابر حمله های مختلف دارد.

آب چاه به عنوان منبع محدود طبیعی تامین آب، نقش حیاتی در مناطق خشک و نیمه خشک ایفا می کند. در سال های اخیر با توجه به مشکل کمبود منابع آبی، مساله استفاده و مدیریت بهینه از اهمیت ویژه ای برخوردار است. به منظور آگاهی از وضعیت این منابع و مدیریت بهینه آن، پیش بینی نوسانات سطح آب چاه لازم است. مدل های دقیق و قابل اطمینان پیش بینی سطح آب چاه ها می توانند به استفاده پایدار از آب زیرزمینی به منظور تامین نیاز های شهری، کشاورزی و صنعتی کمک کنند. مدل های عددی نیازمند پارامترهای زیاد، زمان بر و پرهزینه هستند، لذا در سال های اخیر توجه خاصی به مدل هوشمند شده است. در این پژوهش مدل حداقل مربعات ماشین بردار پشتیبان وزن دار (WLS-SVM) با دقیق ترین تابع وزنی Myriad با الگوریتم های فراکاوشی جامعه پرندگان (PSO) و گرانشی (GSA) ترکیب شده است و این دو مدل هیبریدی (WLSSVM-PSO) و (WLSSVM-GSA) به عنوان روش های محاسباتی هوشمند جدید به منظور تخمین سطح آب زیرزمینی ارایه شده است. به منظور تخمین سطح آب زیرزمینی از داده های ده چاه مشاهداتی در دشت باغین استان کرمان، دارای آمار تراز سطح ایستابی با سری زمانی ده ساله استفاده شده است. مقادیر تخمین زده شده از دو مدل هیبریدی با مقادیر مشاهده ای تراز سطح ایستابی مقایسه گردید و عملکرد این مدل ها با شاخص های آماری ارزیابی شده است. نتایج نشان داد که مدل های هیبریدی WLSSVM-PSO و WLSSVM-GSA دارای دقت بسیار خوبی برای تخمین سطح آب زیرزمینی می باشد، اما مدل WLSSVM-GSA نسبت به مدل WLSSVM-PSO کمی با دقت بالاتر عمل کرده است. بنابراین این مطالعه نشان می دهد که می توان از این مدل های هیبریدی ارایه شده به عنوان ابزاری کارآمد در تخمین سطح آب زیرزمینی استفاده نمود. آب چاه به عنوان منبع محدود طبیعی تامین آب، نقش حیاتی در مناطق خشک و نیمه خشک ایفا می کند. در سال های اخیر با توجه به مشکل کمبود منابع آبی، مساله استفاده و مدیریت بهینه از اهمیت ویژه ای برخوردار است. به منظور آگاهی از وضعیت این منابع و مدیریت بهینه آن، پیش بینی نوسانات سطح آب چاه لازم است. مدل های دقیق و قابل اطمینان پیش بینی سطح آب چاه ها می توانند به استفاده پایدار از آب زیرزمینی به منظور تامین نیاز های شهری، کشاورزی و صنعتی کمک کنند. مدل های عددی نیازمند پارامترهای زیاد، زمان بر و پرهزینه هستند، لذا در سال های اخیر توجه خاصی به مدل هوشمند شده است. در این پژوهش مدل حداقل مربعات ماشین بردار پشتیبان وزن دار (WLS-SVM) با دقیق ترین تابع وزنی Myriad با الگوریتم های فراکاوشی جامعه پرندگان (PSO) و گرانشی (GSA) ترکیب شده است و این دو مدل هیبریدی (WLSSVM-PSO) و (WLSSVM-GSA) به عنوان روش های محاسباتی هوشمند جدید به منظور تخمین سطح آب زیرزمینی ارایه شده است. به منظور تخمین سطح آب زیرزمینی از داده های ده چاه مشاهداتی در دشت باغین استان کرمان، دارای آمار تراز سطح ایستابی با سری زمانی ده ساله استفاده شده است. مقادیر تخمین زده شده از دو مدل هیبریدی با مقادیر مشاهده ای تراز سطح ایستابی مقایسه گردید و عملکرد این مدل ها با شاخص های آماری ارزیابی شده است. نتایج نشان داد که مدل های هیبریدی WLSSVM-PSO و WLSSVM-GSA دارای دقت بسیار خوبی برای تخمین سطح آب زیرزمینی می باشد، اما مدل WLSSVM-GSA نسبت به مدل WLSSVM-PSO کمی با دقت بالاتر عمل کرده است. بنابراین این مطالعه نشان می دهد که می توان از این مدل های هیبریدی ارایه شده به عنوان ابزاری کارآمد در تخمین سطح آب زیرزمینی استفاده نمود.

پیشرفت شگرف بشر در تولید و ذخیره سازی انبوه داده ها و نیز استفاده از آن ها در ساختن ماشین استنتاج گر، امروزه در قالب یک فناوری پیشرفته به نام «یادگیری عمیق ماشینی» ظهور یافته است. این فناوری با الهام از اتصالات موجود در ساختار مغز جانداران طراحی شده و از شبکه های عصبی مصنوعی عمیق قدرت می گیرد. توانایی آن در استنتاج خبره گونه در زمینه های مختلف و یا تولید آثار مشابه افراد زبردست، با وجود مزایای بسیار، انسان امروز را با چالش های مختلفی رو در رو می سازد. این نوشتار تلاش می کند با رویکرد نظام مند عقلی-فلسفی به تحلیل و معرفی چالش های اخلاقی یادگیری عمیق ماشینی و ارائه رهیافت مناسب در قبال هر یک از این چالش ها بپردازد. اگرچه یادگیری عمیق ماشینی چالش های قابل توجهی بر سر راه انسان قرار داده، با آگاهی و چاره اندیشی نسبت به آن ها، می توان در عین بهره بردن از مزایای چشمگیر این فناوری، ارزش های انسانی را نیز آگاهانه محافظت نمود.

هدف: در حوزه ارتقای بیوتکنولوژیکی لوبیاهای معمولی، با توجه به دشواری ذاتی بازسازی این محصول در محیط های آزمایشگاهی، یک چالش ضروری در ابداع یک استراتژی قابل اعتماد و مؤثر بازسازی در شرایط آزمایشگاهی نهفته است. این تحقیق، با هدف پرداختن به این چالش، از قدرت مدل های یادگیری ماشین (ML)، به ویژه با استفاده از الگوریتم هایی برای شبکه های عصبی مصنوعی (ANN) استفاده می کند. هدف اصلی ایجاد یک فرآیند بازسازی آزمایشگاهی کارآمد و قابل تکرار همزمان با بهینه سازی و پیش بینی نتایج آینده است. مواد و روش ها: این مطالعه متغیرهای مختلفی مانند ژنوتیپ لوبیا، ریزنمونه ها و دوزهای مختلف 6-benzylaminopurine (BAP) و CuSO4 را در بر می گیرد. یک شبکه عصبی رگرسیون مکرر (RRNN) برای مدل سازی و پیش بینی نتایج بازآفرینی محصول در شرایط آزمایشگاهی، به ویژه بر روی لوبیاهای معمولی استفاده شد. تنظیم تجربی شامل آماده سازی جنین های لوبیا با 10، 15 و 20 میلی گرم در لیتر BAP به مدت 25 روز، و به دنبال آن رشد در محیط پس از تیمار شامل 3/0، 6/0، 9/0، و 2/1 میلی گرم در لیتر BAP به مدت 7 هفته بود. متعاقبا، اپیس پلومولار برای بازسازی در شرایط آزمایشگاهی جدا شد. قابل ذکر است، مدل RRNN نیز با یک الگوریتم ژنتیک (GA) یکپارچه شد تا فرآیند بازسازی را بیشتر بهینه کند. نتایج: نتایج با RRNN برابر با 061/0، که کمترین میانگین مربعات خطا را نشان می دهد قانع کننده بود و این امر نشان دهنده دقت پیش بینی برتر در بازسازی کل است. در مقایسه، مدل های رگرسیون بردار پشتیبان (SVR)، جنگل تصادفی (RF) و تقویت گرادیان شدید (XGB) مقادیر MSE بالاتری را به ترتیب برابر با 081/0، 081/0 و 097/0 نشان دادند. این یافته ها بر اثربخشی الگوریتم RRNN تأکید می کند، که از سایر مدل ها در همه پارامترها بهتر عمل می کند. نتیجه گیری: عملکرد برتر RRNN کاربرد بالقوه آن را در پیش بینی دقیق در مورد بازسازی لوبیا نشان می دهد. در زمینه یک برنامه اصلاح مشترک لوبیا، این نتایج را می توان برای بهینه سازی و پیش بینی روش های کشت بافت گیاهی مهار کرد و در نتیجه تکنیک های بیوتکنولوژیکی مورد استفاده در کشت لوبیا معمولی را تقویت کرد. ادغام مدل هایML، به ویژه RRNN، به عنوان یک راه امیدوارکننده برای پیشبرد استراتژی های بازسازی محصول و کمک به کارایی مداخلات بیوتکنولوژیکی در کشاورزی است.

اهداف: امروزه استفاده از هوش مصنوعی رشد چشمگیری داشته، و به عنوان یک حوزه نوین در حال پیشرفت است. هدف اصلی این پژوهش، شناخت ظرفیت های هوش مصنوعی در پیشبرد فرآیند طراحی و اجرا در محیط مصنوع است. هدف کاربردی پژوهش، توسعه و کاربردی سازی مهمترین دستاوردهای یادگیری ماشینی و در حوزه طراحی است. روش­ها: روش تحقیق اصلی پژوهش «فراتحلیل» در پارادایم «آزادپژوهی» با رویکرد انتقادی و طراحی مبنا است که با استفاده از تکنیک های پهنانگر، حوزه کلی دانشی این حوزه را بررسی می کند. سپس به منظور تثبیت اشراف به ادبیات موضوع، از طریق جستوجو در سه پایگاه های معتبر دانشی این حوزه، نسبت به جمع آوری مقالات مرتبط به یادگیری ماشین در حوزه های روش های یادگیری بدون نظارت، یادگیری نیمه نظارتی و یادگیری تقویتی اقدام شده؛ مهمترین ظرفیت ها و کاستی ها، و نقاط قوت و ضعف مورد نقد و بررسی قرار می گیرد. یافته­ ها: یافته های کمی حاصل از داده های ترکیب شده بیانگر آن است که یادگیری ماشینی تحت نظارت و یادگیری عمیق هدایت شده، می تواند بهترین گزینه برای توصیه در آینده طراحی باشد. در حالی که فرآیند یادگیری در یادگیری عمیق تدریجی و کندتر است، یادگیری ماشینی تحت نظارت در مرحله آزمون و تست سریع تر عمل می­کند. نتیجه ­گیری: نتایج پژوهش تاکید دارد که یادگیری ماشینی تحت نظارت، بهترین گزینه برای پیش بینی پاسخ ها در فرآیند طراحی است اما در صورتی که علاوه بر پیش بینی، موضوع خلاقیت در طراحی مورد نظر باشد، یادگیری عمیق کارآمدتر است.

پژوهش حاضر به منظور ارایه ی یک مدل محاسباتی برای بازشناسی هیجان در متن فارسی صورت گرفته است. در مدل پیشنهادی تحقیق، گروه بندی هشت گانه ی پلاچیک در هیجان ها به عنوان مبنای یادگیری نظارت شده، ویژگی های بافتی متن فارسی و لیست واژگان هیجانی برچسب دار به عنوان عناصر و اجزای مدل تعیین شده اند. برای آزمون مدل (شرایط واقعی) از صد متن منتخب شامل سرمقاله ی روزنامه های سیاسی-اجتماعی استفاده شده است. همچنین در این تحقیق از الگوریتم «ماشین بردار پشتیبان» به عنوان طبقه بند یادگیرنده استفاده گردیده و چهار شاخص دقت، درستی، ضریب f و بازخوانی برای ارزیابی مدل بکار گرفته شده اند. نتایج تحقیق نشان می دهند که کارایی مدل (دقت) در شناسایی هیجان های مختلف از 79 درصد تا 98 درصد متغیر بوده و در ارزیابی کلی مدل، میانگین دقت مدل معادل 84 درصد است. بر اساس سایر شاخص ها، می توان گفت که بیشترین نرخ درستی مربوط به هیجان خوشی و کمترین آن مربوط به هیجان خشم است. همچنین تطبیق قابل توجهی میان شاخص f با شاخص «بازخوانی» وجود دارد و بیشترین مقدار آن در گروه هیجان شادی دیده می شود. نتایج این تحقیق نشان می دهد استفاده از رهیافت مبتنی بر گروه بندی هیجان ها، یادگیری نظارت شده و نیز ویژگی های بافتی حداقلی در متن می تواند کارایی مناسبی در شناسایی خودکار هیجان ها داشته و می توان تلفیقی از گروه های اصلی هیجان را به منظور افزایش کارایی مدل یادگیری بکار گرفت.

پولشویی، به عنوان یکی از چالش های کلیدی نظام های مالی، با ظهور رمزارزها ابعاد پیچیده تری یافته است. ویژگی هایی نظیر ناشناس بودن و انتقال سریع و فرامرزی رمزارزها، آن ها را به ابزاری جذاب برای جرایمی همچون پولشویی تبدیل کرده است. یادگیری ماشینی، به عنوان یک ابزار پیشرفته، قابلیت شناسایی الگوهای مشکوک و پیشگیری از پولشویی در سیستم های مالی غیرمتمرکز را دارد. با این حال، موفقیت این فناوری مستلزم تدوین سیاست جنایی هوشمندانه است که بتواند هم از مزایای رمزارز بهره برداری کند و هم مخاطرات آن را کاهش دهد. این پژوهش، با روش توصیفی-تحلیلی، به بررسی چالش های حقوقی نظیر نبود قوانین جامع و جهانی، چالش های مقرراتی مانند فقدان استانداردهای بین المللی برای نظارت بر تراکنش های رمزارزی، و چالش های فنی از جمله پیچیدگی و حجم بالای داده ها و ناشناس بودن کاربران می پردازد. تأکید بر همکاری بین المللی و هماهنگی سیاست های جنایی برای مقابله با پولشویی در حوزه رمزارزها ضروری است. یافته ها نشان می دهند که مدل های یادگیری ماشینی می توانند نقش مهمی در بهبود نظارت و پیشگیری از جرایم مالی مرتبط با رمزارزها ایفا کنند، اما این امر مستلزم چارچوب های قانونی و نظارتی مناسب است.

از دهه 1380 شمسی، نگارش و انتشار مقالات علمی در ایران سرعت بسیار زیادی یافته‎ و سبب شده افزون بر سازمان‎های دولتی مانند «ایرانداک» و «سازمان اسناد و کتابخانه ملی جمهوری اسلامی ایران»، سامانه های برخط متعدد دیگری چون «پرتال جامع علوم انسانی»، «نورمگز»، «مگ ایران»، «علم نت»، «سیویلیکا» و غیره اقدام به مدیریت دانش و تهیه بایگانی های ساختارمند مستندات علمی کنند. هر کدام از این بایگانی ها امکاناتی را در اختیار کاربر قرار می دهد. یکی از این امکانات، قابلیت جست وجوست و جست وجوی دقیق می تواند بر کاربریِ این سامانه ها تأثیر به سزایی بگذارد. برای افزایش دقت جست وجو نیاز است حوزه علمی مقالات مشخص شود. دسته بندی حجم زیاد منابع علمی در حوزه های مختلف بسیار زمان بر است و استفاده از روش های ماشینی به عنوان یک راه حل می‎تواند از این کار طاقت فرسا بکاهد. هدف اصلی این مقاله ارائه یک مدل دسته بندی برای تعیین حوزه مقالات علمی است. اگرچه در پژوهش های پیشینِ دسته بندی، به طور عمده، الگوریتم های دسته بندیِ متداول برای متن ساده به کار رفته اند، در این پژوهش تلاش می شود افزون بر استفاده از این دسته بندی ها، از دسته بندهای مبتنی بر شبکه عصبی، مانند شبکه عصبی «پیچشی» و «پرسپترون»، به همراه بازنمایی معنایی مبتنی بر بافت، مانند «پارس برت» استفاده شود و نتایج آن با سایر روش های متداول در ساخت بردار مستندات، مانند «ورد2وک» مقایسه شود. برای این هدف، از داده های «پرتال علوم انسانی» که دربرگیرنده مقالات متنوع علوم انسانی است، استفاده می کنیم. ویژگی این داده مشخص بودن حوزه تخصصی هر مقاله است. یکی از ویژگی های شبکه عصبی این است که برایندی از ویژگی های نهفته از داده در فضای برداریِ ساخته شده شکل می گیرد و برای آموزش مدل استفاده می شود. بر اساس نتایج عملی، دسته بند «پرسپترون» مبتنی بر «پارس برت» بالاترین کاراییِ 71/74 درصدی بر اساس امتیاز F میکرو و کارایی 55/72 درصدی بر اساس امتیاز F ماکرو را به دست آورده است