استراتژی شرکت های بیمه در مقابله با تخلفات و تقلبات، بسیار حائز اهمیت می باشد. نداشتن چنین برنامه ای برای جلوگیری از تقلبات بیمه ای و پرداخت سریع خسارت بیمه گذاران، ممکن است در کوتاه مدت موجب رضایت مشتریان و افزایش پورتفوی شرکت ها گردد؛ اما در بلندمدت عواقب ناگواری را برای صنعت بیمه به همراه دارد. به عبارت دیگر، هزینه پرونده های تقلب خسارت در طول زمان به صورت افزایش حق بیمه و غیرمستقیم به بیمه گذاران منتقل می گردد. هدف از این مطالعه، ارائه مکانیزمی به شرکت های بیمه جهت کشف تقلب است. دستیابی به این هدف از طریق الگوریتم بدون نظارت و جهت کشف ناهنجاری آشکار در مجموعه داده می باشد. استفاده از الگوریتم مزبور به علت تجمیعی بودن آن باعث افزایش دقت در تشخیص پرونده های مشکوک به تقلب و کاهش موارد مثبت کاذب می گردد. بر اساس نتایج مقاله خسارت وارده به راننده مقصر، نوع و کاربری خودرو، جنسیت زیان دیده از مهمترین شاخص ها در کشف پرونده های مشکوک به تقلب هستند.

انتخاب بردار مشخصه مناسب برای حداکثر نمودن موفقیت یک ماشین دسته بندی کننده بسیار موثر است. در این مقاله با استفاده از ترکیب روش های مختلف محاسبه تابع هسته، یک الگوریتم انتخاب مشخصه بهینه بدون نظارت پیشنهاد گردیده است. بردار مشخصه بدست آمده از الگوریتم پیشنهادی، صحت خروجی دسته بندی کننده شبکه عصبی پس انتشارخطا را حداکثر می گرداند. در این مقاله برای مطالعه موردی از دسته بندی استاندارد تصاویر فشرده شده مبتنی بر کدگذاری تبدیلی و تصاویر فشرده نشده با استفاده از رشته بیت آن ها استفاده می گردد. استانداردهای مورد نظر برای دسته بندی، استانداردهای JPEG و JPEG2000 و تصاویر فشرده نشده با فرمت TIFF می باشند. با استفاده از بردار مشخصه بدست آمده از الگوریتم پیشنهادی، صحت دسته بندی کننده در حدود 98% می گردد.

امروزه سیستم­های کامپیوتری مبتنی بر شبکه، نقش حیاتی در جامعه مدرن امروزی دارند و به همین علت ممکن است هدف دشمن و یا نفوذ قرار گیرند. به­منظور ایجاد امنیت کامل در یک سیستم کامپیوتری متصل به شبکه، استفاده از دیوار آتش و سایر مکانیزم های جلوگیری از نفوذ همیشه کافی نیست و باید از سیستم­های دیگری به نام سیستم­های تشخیص نفوذ استفاده شود. به­دلیل وجود مشخصه های زیاد در داده های مربوط به سیستم­های تشخیص نفوذ، جهت استفاده از مشخصه های مطلوب و موثر از الگوریتم یادگیری ماشین مفرط بدون نظارت استفاده می شود. جهت طبقه بندی داده ها از مدل UELM و ارزیابی عملکرد روش پیشنهادی، از پایگاه داده با رکوردهای واقعی تر NSL-KDD نسبت به سایر مجموعه دادگان تشخیص نفوذ، استفاده می گردد. نتایج آزمایش ها نشان دهنده صحت 38/98 UELM در مقایسه با صحت 74/93 GWO است. دلیل این برتری، استفاده ازمدل مناسب در مسئله دسته بندی، تشخیص نفوذ، ساختار مستحکم و تعمیم پذیر شبکه عصبی بدون نظارت می باشد.

زعفران یک گیاه تریپلوئید و عقیم است که در همه کشورها به عنوان یک ادویه و گیاه دارویی مورد استفاده قرار می گیرد. کلاله مهم ترین قسمت گیاه زعفران می باشد. تاکنون هیچ روش مطمئن مولکولی برای شناسایی و پیش بینی گونه های دارای کلاله سه و چندشاخه ارائه نشده است. در این بررسی بر اساس نشانگرهای مولکولی چندشکلی توالی مربوط تکثیریافته و با استفاده از الگوریتم های بیوانفورماتیکی مختلف، روش های جدیدی برای پیش بینی کلاله زعفران ارائه شده است. پنج آلل M131400، M151200، M151100،M10850  و G6500 به عنوان مهم ترین دسته بندی کننده با دقت پیش بینی بالا بر اساس مدل های Attribute Weighting انتخاب شدند که دارای پتانسیل بالایی برای خوشه بندی و تشخیص کلاله سه شاخه از چند شاخه هستند. دسته بندی بدون یادگیری بر اساس الگوریتم های K-Means و K-Medoids قادر به خوشه بندی صحیح کلاله زعفران هستند. نتایج نشان می دهد که برای اولین بار، روش های داده کاوی می توانند شیوه ای بسیار موثر، با دقت و صحت بالای 90 درصد برای تمایز ژنتیکی کلاله سه شاخه از چندشاخه مورد استفاده قرار گیرد. این روش ها می توانند در مکان یابی ژنی و انتخاب به کمک بیومارکرها مورد استفاده قرار گیرند.

مسئله ی بازشناسایی شخص شامل بازیابی تصاویر یک فرد در میان تصاویر جمع آوری شده توسط مجموعه ای از دوربین های غیرهم پوشان می باشد. باوجود عملکرد موفق آمیز مدل های عمیق بازشناسایی شخص، هنگام آزمایش مدل روی مجموعه داده ی بدون برچسب متفاوت با مجموعه داده ی آموزشی برچسب گذاری شده، عملکرد مدل به شدت کاهش می یابد. برای حل این مشکل می توان از وفق دهی دامنه ی بدون نظارت استفاده کرد.در این پژوهش مدلی با تعمیم پذیری بالا برای وفق دهی دامنه ی بدون نظارت در مسئله ی بازشناسایی شخص ارائه شده است. در این مدل از مجموعه داده ی برچسب گذاری شده ی دامنه ی منبع و مجموعه داده ی بدون برچسب دامنه ی هدف برای آموزش مدل استفاده می شود و مدل باید در هنگام آزمایش روی دامنه ی هدف عملکرد مناسبی داشته باشد. برای این هدف، مدل پیشنهادی توسط سه تابع اتلاف بهینه سازی می شود.  مجموع تابع اتلاف یادگیری بانظارت ویژگی های دامنه ی منبع، تابع اتلاف یادگیری بدون نظارت ویژگی های دامنه ی هدف و یک تابع اتلاف سه گانه به منظور یادگیری توأم ویژگی های دامنه ی منبع و دامنه ی هدف، تابع اتلاف نهایی شبکه را تشکیل می دهد. مدل پیشنهادی با استراتژی دوم انتخاب همسایه ها در تنظیمات Duke→Market در رتبه ی 1 معیارCMC مقدار 84.5 درصد و مقدارmAP63 درصد و در تنظیمات Market→Duke در رتبه ی 1 معیارCMC مقدار 70.1 درصد و مقدار mAP49.1 درصد را به دست آورده است.

هدف از توسعه سیستم نظارت بر کلونی های زنبورهای بدون نیش با اینترنت اشیا، ارائه اطلاعات در لحظه درباره دما، رطوبت و وزن کندو برای مقابله با اختلال فروپاشی کلونی (CCD) ناشی از مداخله انسان در زنبورداری است. همچنین بهبود روش های فعلی نظارت بر زنبورها و نظارت موثرتر و کارآمدتر از دیگر اهداف این سیستم هستند. سیستم نظارتی همچنین دارای یک سیستم خنک کننده آب برای حفظ دمای مطلوب زنبورهای بدون نیش (Tetragonula Biroi) است. این سیستم همچنین دارای داشبورد کاربر برای نظارت از راه دور بوده و هنگام فرارسیدن زمان برداشت به زنبوردار اطلاع می دهد. این دستگاه بر روی میکروکنترلر ESP8266MOD ساخته شده و از Arduino Mega 2560 R3 برای سیستم کنترل دریچه آب استفاده شده است. داده های دما و رطوبت با سنسور DHT22 و وزن کندو با لودسل های متصل به آمپلیفایر HX711 جمع آوری شدند. برای تست سیستم، داده های به دست آمده از سیستم با اندازه گیری دستی به مدت دو ماه و با استفاده از MAPE مقایسه شدند و در نتیجه، دقت سیستم به ترتیب 98.74 و 97.89 درصد برای دما و رطوبت محیط اندازه گیری شد. همچنین دقت 95.92 درصد برای وزن کندو و 93 درصد برای سیستم کنترل شیر آب به دست آمد. کندوهای مجهز به سیستم نظارت اینترنت اشیا 3.414 درصد وزن بیشتری نسبت به کندوهای عادی به دست آوردند که نشان دهنده ی موفقیت پژوهش در دستیابی به اهداف خود می باشد.

در سال­ های اخیر، استفاده از موتورهای جست وجو افزایش روزافزون داشته و نیاز به توسعه روش های دقیق تر بازیابی و رتبه بندی اسناد بیشتر شده است؛ درنتیجه پیش­بینی عملکرد موتورهای جست وجو، یکی از الزامات و چالش ­های بازیابی اطلاعات محسوب می شود. اگر بتوان عملکرد پرس­ وجوها را پیش از مرحله بازیابی یا بعد از آن تخمین زد، می­ توان اقدامات خاصی را برای بهبود بازیابی انجام داد. پیش بینی عملکرد پرس وجو بر تخمین دشواری برآوردن درخواست کاربر برای یک روش بازیابی خاص متمرکز است. این پژوهش، به بررسی عملکرد پرس وجو با کمک روش های پس از بازیابی می پردازد؛ در این راستا از روش ­های بدون نظارت استفاده می شود و به خوشه­ بندی و اندازه­ گیری معیارهای مختلف جهت ارزیابی عملکرد پاسخ ­دهی پرس ­وجوها می ­پردازیم؛ درنهایت کار خود را با روش ­های بدون نظارت موجود در ادبیات این حوزه مقایسه خواهیم کرد. نتایج نشان می دهد روش پیشنهادی پژوهش حاضر توانست ضریب اسپیرمن را در مجموعه داده TREC DL 2019 و DL-Hard به ترتیب 0.009 و 0.163 و در مجموعه داده TREC DL 2020 ضریب پیرسون را 0.037 نسبت به بهترین کار موجود افزایش دهد.