آخرین مهلت ارسال چکیده مقالات
1399-12-20
تاریخ اعلام نتیجه داوری چکیده مقالات
1399-12-26
تاریخ شروع ارسال مقالات کامل
1399-12-26
آخرین مهلت ارسال مقالات کامل
1399-12-15
تاریخ اعلام نتیجه داوری مقالات
1399-12-29
تاریخ شروع سمینار
1400-01-25
تاریخ پایان سمینار
1400-01-26

برگزار کنندگان

دانشگاه علامه طباطبائی
دانشگاه علامه طباطبائی

قطب علمی ریاضیات مالی
قطب علمی ریاضیات مالی

انجمن آمار ایران
انجمن آمار ایران

Islamic World Science Citation center
Islamic World Science Citation center

Universiti Malaysia PAHANG
Universiti Malaysia PAHANG

Universiti Teknologi Mara
Universiti Teknologi Mara

پژوهشکده ی آمار
پژوهشکده ی آمار

دانشگاه فردوسی مشهد
دانشگاه فردوسی مشهد

دانشگاه خلیج فارس
دانشگاه خلیج فارس

دانشگه آزاد اسلامی
دانشگه آزاد اسلامی

پویا
پویا


زمان‌بندی اجرای برنامه ها

08:15 - 09:30

کلاس A: قران و سرود- سخنرانی دبیر سمینار - سخنرانی معاون پژوهشی دانشگاه علامه طباطبایی - سخنرانی رییس مرکز آمار ایران - رییس انجمن آمار ایران

 

 

09:30 - 10:10

Class A: Blockchain Applications in Government and Agriculture

Professor Ahmad Ihsan bin Mohd Yassin
Abstract Blockchain Technology is an online digital tamper-proof and transparent ledger founded based on the principles of cryptography and peer-to-peer networking. The technology has various useful applications, particularly in digital transfer and exchange of value, and failure-proof storage of information. In this talk, we will be discussing the foundations of Blockchain Technology, how it is different from traditional database models. Additionally, potential applications of Blockchain in Finance and Agriculture is discussed.

 

 

10:15 - 10:55

Class A: ‌‌Big Healthcare Data : Survey of Challenges and Privacy

Ts. Dr. Mohd Arfian Bin Ismail
Abstract: The last century witnessed a dramatic leap in the shift towards digitizing the healthcare workflow and moving to e-patients' records. Health information is consistently becoming more diverse and complex, leading to the so-called massive data. Additionally, the demand for big data analytics in healthcare organizations is increasingly growing with the aim of providing a wide range of unprecedented potentials that are considered necessary for the provision of meaningful information about big data and improve the quality of healthcare delivery. It also aims to increase the effectiveness and efficiency of healthcare organizations; provide doctors and care providers better decision-making information and help them in the early detection of diseases. It also assists in evidence-based medicine and helps to minimize healthcare costs. However, a clear contradiction exists between the privacy and security of big data and its widespread usage. In this situation, the focus is on big data with respect to its characteristics, trends, and challenges. Additionally, the risks and benefits associated with data analytics also need to be considered

 

 

11:00 - 11:40

کلاس A: نقش داده ها در فناوری های مالی

آقای وحید غفارپور

قائم مقام مدیرعامل شرکت خدمات هوشمند همراه لوتوس (همپا)

چکیده: پس از خلق پول، صنعت مالی و بانک‌داری شاهد تحولات بسیار متنوعی گردید، اما تحولات عصر دیجیتال و فناوری براین صنعت را به جرات می‌توان سریع‌ترین و تاثیرگذارترین تغییرات این صنعت دانست. فناوری مالی یا فین‌تک کلیدواژه‌ای است که به کاربردها و تحولات فناوری در ارائه خدمات مالی اطلاق می شود. حضور استارت‌آپ‌های چابک در صنعت سنتی مالی و بانک‌داری بدون بهره‌برداری از حجم عظیم داده‌های موجود در این صنعت توان رقابت و مقیاس‌پذیری ندارد و لذا بانک‌داری داده محور، یا به عبارت ساده، استفاده از داده‌ها برای ایجاد تغییر در فرایند تولید، ارائه و مدیریت خدمات مالی، چشم‌اندازی نوین به سوی فرصت‌های جدید و سودآور، بسیار فراتر از ماموریت فعلی بانکداری می باشد. بدین منظور با بررسی اجمالی تاریخچه فناوری‌های مالی و بررسی موردهای کاربردی تحلیل داده‌ها در بخش‌های کلیدی صنعت مالی می‌پردازیم که تا پیش از این بدلایل مختلف دوراز دسترس انسان بوده است و در موارد معدودی که وجود داشته امکان بهره برداری بلادرنگ وجود نداشته است. نقش‌آفرینی داده‌ها در صنعت مالی کمک کرده است تا قانون‌گذاری داده‌ها در ابعاد مختلف مانند شاخه‌بندی ذی‌نفعان داده‌ها، اخلاق داده‌ها، مالکیت داده و استحکام داده‌ها مورد توجه ویژه قرارگیرد و در کنار هم مفاهیم جدیدی در قالب بانک‌داری باز ایجاد نمایند.

 

 

11:00 - 11:40

کلاس B: استفاده از الگوریتم‌های یادگیری آماری رده‌بندی و متن کاوی در آمار رسمی

دکتر زهرا رضائی قهرودی

دانشیار دانشکده‌ی ریاضی، آمار و علوم کامپیوتر دانشگاه تهران

چکیده: در سال‌های اخیر شاهد گستردگی، تنوع و سرعت تولید اطلاعات در حوزه‌های مختلف از جمله آمار رسمی هستیم. با توجه به ضرورت مدرن‌سازی نظام آماری کشورها و جایگزینی پردازش محاسباتی ارزا‌ن‌تر، سریعتر و دقیق‌تر رایانه‌ها به جای انسا‌ن‌ها، استفاده از روش‌های یادگیری آماری در فرایند تولید آمار رسمی امری ضروری است. از طرفی پردازش زبان‌های طبیعی و متن‌کاوی، نقش مهمی در پردازش نیمه‌خودکار متون در پرسش‌نامه‌ها دارد. بنا بر این، ضرورت انجام فعالیت‌هایی چون جورسازی داده‌ها، اتصال پایگاه‌ داده‌های مختلف، کدگذاری، شناسایی داده‌های دورافتاده‌ و جانهی با استفاده از روش‌های یادگیری آماری و متن‌کاوی به جای روش‌های سنتی از اهمیت به‌سزایی برخوردار است. در این مقاله ضمن مرور تجربیات کشورهای مختلف در استفاده از روش‌های یادگیری آماری در آمار رسمی، به چند کاربرد از روش‌های یادگیری آماری در آمار رسمی، شامل کدگذاری و اتصال منابع اطلاعاتی مختلف پرداخته می‌شود.

 

 

14:00 - 14:20

سخنرانی

کلاس B: ارائه معماری تکنولوژی مه داده با رویکرد هوش تجاری

محمد بهبهانی نژاد
چکیده: در سالهای اخیر با ظهور پدیده جدیدی به نام مَه داده کلیه مباحث مربوط به فناوری اطلاعات از جمله سیستم های هوش تجاری تحت تاثیر قرار گرفتند. شرکتها و سازمانهایی که با سیستم هوش تجاری سرو کار دارند و همچنین دارای منابع داده ای از نوع مَه داده بودند، دچار چالش های عمده ای هستند. سیستم های هوش تجاری با معماری فعلیشان توانایی استفاده از مَه داده را ندارند. دراین مقاله برای پاسخ به این چالش ها، معماری هوش تجاری توسعه داده می شود. در توسعه این معماری بیشترین تمرکز بر ارتقا و توسعه هوش تجاری جهت ایجاد توانمندی برای بهره برداری از مَه داده صورت گرفته است. در این راستا معماری جدید جهت یکپارچگی معماری های هوش تجاری و مَه داده پیشنهاد می شود. برای ارزیابی معماری پیشنهادی ابتدا نقاط ضعف و قوت آن در مقایسه با معماری هوش تجاری و معماری مَه داده ارائه می گردد. سپس نمودارهای ‎UML‎ معماری پیشنهادی، نمایش داده شده است. علاوه برآن با استفاده از شبکه پتری رنگی، معماری پیشنهادی، به کمک یک مطالعه موردی، ارزیابی می گردد. نتایج بدست آمده از ارزیابی و مقایسه انجام شده معماری هوش تجاری با معماری پیشنهادی ، حاکی از آن است که معماری پیشنهادی کارآیی بالاتری بعنوان معماری برتر دارد. به کمک معماری پیشنهادی شرکتها و سازمانها می توانند ارزش بیشتری از منابع داده ای خود کسب نمایند و پشتیبانی بهتری از مدیران شرکتها و سازمانها در تصمیم گیری هایشان داشته باشند.

 

 

14:00 - 14:40

کلاس A: کاربرد شبکه های عصبی برای پیش بینی میزان بارش در ایران و نواحی اطراف آن

دکتر آرزو حبیبی راد

دانشیار گروه آمار دانشگاه فردوسی مشهد

چکیده: داده‌کاوی، به مفهوم استخراج اطلاعات نهان یا دست یابی به الگوها و روابط مشخص در حجم زیادی از داده‌ها در یک یا چند بانک اطلاعاتی بزرگ گفته می‌شود. شبکه های عصبی، سیستم ها و روش های محاسباتی نوینی هستند که برای یادگیری ماشینی، نمایش دانش، و در انتها اعمال دانش به دست آمده در جهت پیش بینی پاسخ های خروجی از سامانه های پیچیده استفاده می شوند. ایده اصلی این گونه شبکه ها تا حدودی الهام گرفته از سیستم عصبی زیستی برای پردازش داده ها به منظور یادگیری و ایجاد دانش می باشد. داده های مورد استفاده در این تحقیق، داده های مرکز هواشناسی (مربوط به میزان بارندگی) است که از دو طریق سازمان هواشناسی و دانلود از سایت های مربوطه جمع آوری و در دسترس قرار گرفته اند . داده ها شامل ستون برچسب یا همان متغیر هدف (میزان بارندگی) و متغیر های مستقل تاریخ، طول و عرض جغرافیایی و دوازده ستون که شامل داده هایی که از مدل های دینامیکی استخراج میشوند می باشد. سپس داده ها جهت استفاده و برازش مدل طی چند مرحله آماده سازی شده و در ادامه پنج مدل شبکه عصبی که مناسب با داده های سری زمانی می باشند به داده ها برازش داده می شوند. در قسمت ارزیابی، مدلی که اکثر معیارهای ارزیابی آن نسبت به سایر مدل ها بهینه باشد جهت پیش بینی میزان بارندگی مورد استفاده قرار می گیرد.

 

 

14:25 - 14:45

سخنرانی

کلاس B: تشخیص بیماری دیابت با ترکیب NBTree و طبقه بندی ترکیبی با کمک الگوریتم کاهش ابعاد

خانم اشرف بهاریانی پور

موسسه غیرانتفاعی دانا یاسوج

دیابت نوعی بیماری است که به دلیل افزایش سطح قند خون ایجاد می شود. دیابت را می توان بیماری قرن نامید، زیرا بسیاری از مردم جهان به این بیماری مبتلا هستند یا در معرض خطر آن هستند. روش های سنتی مختلف موجود برای تشخیص دیابت مبتنی بر آزمایش های فیزیکی و شیمیایی است. این روش ها به دلیل عدم قطعیت های مختلف می توانند دارای خطا باشند. الگوریتم های اصلی مورد استفاده در این مقاله، ترکیب الگوریتم کاهش ابعاد و الگوریتم NBTree می باشد. برای تشخیص میزان دقت بیماری دیابت یکم جموعه داده که شامل ٢٩ نمونه (بیمار) و ٢٠ ویژگی در آن بررسی شده است، را استفاده کردیم. برای پیاده سازی از ترکیب الگوریتم کاهش ابعاد (PCA) با الگوریتم NBTree استفاده کردیم. الگوریتم NBTree یکی از روش های طبقه بندی است که ترکیبی از NaveBayes و الگوریتم درخت تصمیم است. خروجی به شکل یک درخت نشان داده می شود. این درخت بصورت بازگشتی ساخته شده است. اما، گره های برگ دسته بندی NaiveBayes هستند. با استفاده از ترکیب الگوریتم کاهش ابعاد و الگوریتم NBTree توانستیم میزان دقت تشخیص بیماری دیابت را ٪ ٧٩٫۴١٣٨ افزایش دهیم.

 

 

14:45 - 15:25

Class A: Are sex and drug essential in modeling Primary Biliary Cirrhosis data

دکتر محمد آرشی

دانشیار گروه آمار، دانشگاه فردوسی مشهد

Abstract: We analyze primary clinical Biliary Cirrhosis sequential (PBCseq) data in an R-package from a data science angle in this talk. The problem under focus is when commonly, practitioners register the sex and drug variables; and benefit from the descriptive analysis. The question that arises here is whether we need these critical variables in modeling. By regression modeling, we talk about the pros and cons. We conduct a penalized estimation for the longitudinal data and efficiently select important variables in the multivariate regression modeling. We found drugs and sex can be eliminated from the PBCseq analysis when both serum bilirubin and serum albumin are measured as responses, and over time the disease progresses. This study shows the critical and significant role of statistics in data science for correct decision-making.

 

 

14:50 - 15:10

سخنرانی

Class B: Capsule Network Regression Using Information Measures: An Application in Bitcoin Market

خانم مهسا توکلی
Abstract: Predicting financial markets has always been one of the most challenging issues that has attracted the attention of many investors and researchers. In this regard, deep learning methods have been used a lot recently and due to the desired results, these networks are always developing and progressing. One of the networks that is being implemented in various fields is capsule network. The first time the classification capsule network was introduced, it was able to attract a lot of attention with its success on MNIST data. In such networks, as in the other ones, the parameters are obtained by minimizing the loss function. In this paper, we first change the classification capsule network to a regression capsule network by changing the last layer of the network. We then use different Information measures such as Kullnack-Leibler, Lin-Wang and Triangular information measures as a loss function and compare their results with well-known models including Artificial Neural Network (ANN), Convolutional Network (CNN) and Long Short-Term Memory (LSTM) as well as common used loss functions such as Mean Square Error (MSE) and Mean Absolute Percentage Error (MAPE). Using appropriate accuracy metrics, it is shown that the capsule network using Triangular information measure is well able to predict the price of bitcoin for the medium and long term period including 10, 90 and 180 days.

 

 

15:15 - 15:35

سخنرانی

Class B: IoT data encryption using symmetric encryption using AES encryption standard

دکتر محمدمیثاق جواهریان

استادیار، گروه کامپیوتر/دانشکده فنی و مهندسی/ دانشگاه آزاد اسلامی

Abstract: The Internet of Things is evolving every day. In this paper, an information encryption system using the AES encryption standard, designed and implemented in search of IoT technologies, is presented. Because of the many benefits of the Internet of Things, the need for a private platform outweighs the need for development. The purpose of this study is to show that, in principle, the practical principles of cryptography and privacy are practical and flexible. The proposed system and integration of this operating system has been studied. In this regard, the use of symmetric cryptography based on the Advanced Encryption Standard (AES) has been introduced. In addition, two other security schemes have been submitted by the GCM using code (GCM) and AES software. At the same time, the GCM model, in a validation scheme, is designed to provide credibility and confidentiality. On the other hand, it can be used as a message verification code. Both operations are optimized using executable resources, as the total cost of lc for the AES kernel is assumed. In addition, based on the integrated hardware modules, user registration and validation is performed at no extra cost and without penalty. In addition, two authentication factors are designed and suggested based on the passage of time, which can be created in a random way. Then, considering the relationship between the IoT layers of the architecture, it is considered.

 

 

15:30 - 16:10

کلاس A: روش جدید یادگیری ماشین برای بیگ دیتای برخط مالی

دکتر افشین آشفته

مدرس علم داده مالی و بیگ دیتا - دانشگاه نووای لیسبون.

چکیده: بحران های اخیر مانند بحران مالی سال 2007-2008 باعث ایجاد قوانین نظارتی شدیدی شد که لزوم و اهمیت این قوانین با وقایعی مانند همه گیری کروناویروس بیش از گذشته مورد توجه قرار گرفته است. اجرای این قوانین که برای مدیریت بهتر انواع ریسک ایجاد شدند به افشای کافی اطلاعات شرکت های مالی نیاز دارند. اخیراً، با مفاهیم جدیدی مانند بانکداری باز مواجه هستیم که داده های مالی جدید آنلاین و منابع بزرگ داده را برای کنترل انواع مختلف ریسک فراهم می کنند. با این حال ، روش های موجود یادگیری ماشین و هوش مصنوعی برای تشخیص و کنترل ریسک های اعتباری، بازار و عملیاتی به اندازه کافی کارا نیستند. این مسئله مخصوصا در محیط های مالی و اقتصادی نامتعادل و پرریسک بیشتر نمود پیدا می کند. در این سخنرانی، راه حلی بر اساس مباحث یادگیری ماشین، بیگ دیتا و مباحث مدیریت ریسک مالی ارایه می شود که بصورت مقاله در یکی از مجلات علمی حوزه هوش مصنوعی و علوم کامپیوتر با رتبه پنج درصد برتر این حوزه به چاپ رسیده است . کد و برنامه رایانه ای این مقاله نیز که توسط زبان برنامه نویسی پای اسپارک نوشته شده در اختیار علاقه مندان قرار داده شده است . همچنین نسخه ای از این متدولوژی و الگوریتم جدید موفق به اخذ جایزه اول کنفرانس بین المللی تجزیه و تحلیل ریسک در کشور اتریش شد.

 

 

16:15 - 17:00

Class A: Functional Singular Spectrum Analysis

Dr. Mehdi Maadooliat

Department of Mathematical and Statistical Sciences, Marquette University, Wisconsin, USA

Abstract: In this paper, we introduce a new extension of the Singular Spectrum Analysis (SSA) called functional SSA to analyze functional time series. The new methodology is developed by integrating ideas from functional data analysis and univariate SSA. We explore the advantages of the functional SSA in terms of simulation results and two real data applications. We compare the proposed approach with Multivariate SSA (MSSA) and dynamic Functional Principal Component Analysis (dFPCA). The results suggest that further improvement to MSSA is possible, and the new method provides an attractive alternative to the dFPCA approach that is used for analyzing correlated functions. We implement the proposed technique to an application of remote sensing data and a call center dataset. We have also developed an efficient and user-friendly R package and a shiny web application to allow interactive exploration of the results.

 

 

17:00 - 19:00

کلاس B: نشست تخصصی پژوهشکده آمار - علم داده ها و دولت الکترونیک

دکتر شباک - دکتر باقری - دکتر اصغری
کاربرد علم داده در آمارگیری های نوین کاربرد علم داده در آمار رسمی نظام تبادل داده کاربرد علم داده در نظام مالی و پولی کاربرد علم داده در اجرای هویت دیجیتال

 

 

 

08:30 - 09:20

Class A: A Robust High Dimensional Estimation of Multinomial Mixture Models

دکتر فرزاد اسکندری

استاد گروه آمار، دانشکده آمار، ریاضی و رایانه دانشگاه علامه طباطبایی

‎َAbstract: In this paper‎, ‎we are concerned with a robustifying high-dimensional (RHD) structured estimation in finite mixture of multinomial models(FMMM)‎. ‎This method has been used in many applications that often involve outliers and data corruption‎. ‎Thus‎, ‎we introduce a class of the multinomial logistic mixture models(MLMM) for dependent variables having two or more discrete categorical levels‎. ‎Through the optimization with the expectation maximization (EM) algorithm‎, ‎we study two distinct ways to overcome sparsity in FMMM; i.e.‎, ‎in the parameter space‎, ‎or in the output space‎. ‎It is shown that the new method is consistent for RHD structured estimation‎. ‎Finally‎, ‎we will implement the proposed method on real data‎.

 

 

08:30 - 08:50

سخنرانی

کلاس B: تحلیلی از یک مدل ریاضی درمان سرطان مثانه با دو روش مقایسه ای ایمنی درمانی و شیمی درمانی با رویکرد کنترل بهینه غلظت دارو درمانی

آقای سید شهاب حسینی

دانشگاه تربیت مدرس تهران-گروه ریاضی کاربردی

چکیده: ایمنی درمانی، یک روش بالینی برای درمان سرطان مثانه سطحی است هر چند با وجود گسترش روزافزون تجارب بیولوژیکی هنوز عملکرد آن به طور کامل مشخص نشده است. هدف از این مقاله بررسی رویکرد کنترل بهینه برای تحلیلی از یک مدل ریاضی درمان سرطان مثانه سطحی، با روش های ایمنی درمانی و شیمی درمانی است ، که در آن هدف کاهش حجم تومور است ، به شکلی که تعداد سلول های توموری کاهش یابد و اثرات جانبی ناشی از شیمی درمانی و ایمنی درمانی برای بیمار به کمترین مقدار خود برسد. این مدل مشخص می کند که غلظت داروی ایمنی درمانی و شیمی درمانی باید در چه محدوده ای باشد و غلظت داروها باید در اندازه محدود و مشخصی کنترل شود، زیرا سطح درمان خیلی کم ممکن است قادر به نابودی کامل تومور نباشد و همچنین به طور عکس ، سطح درمان بالا می تواند باعث تحریک بیش از حد سیستم ایمنی بدن شود که می تواند عوارض جانبی خطرناکی برای بیمار داشته باشد. در این مقاله، با بررسی مدل ارائه شده که به شکل یک سیستم دینامیکی غیرخطی است، به آنالیز نقاط تعادلی پرداخته می شود و رویکرد کنترل بهینه را بر مدل اعمال کرده و به بررسی نتایج و شبیه سازی های عددی در متلب برای مدل کنترلی پرداخته می شود.

 

 

08:55 - 09:15

سخنرانی

Class B: New Variable Selection Approaches in High-Dimensional Linear Regression Analysis

دکتر ندا گیلانی

استادیار گروه آمار و اپیدمیولوژی، دانشکده بهداشت، دانشگاه علوم پزشکی تبریز

Abstract: High-dimensional data are getting a tremendous of attention from diverse fields of modern scientific research involving very many parameters with a moderate size of data. Variable selection is an important issue in such a high-dimensional data analysis. Recent literature on theoretical understanding of high-dimensional models covers a wide range of regularization methods including LASSO, Adaptive LASSO and Elastic-net. This paper provides a brief review of the motivation, theory, and computational challenges of several regularization methods for the analysis of high-dimensional data under different sparse situation. Moreover, these penalized regularization approaches typically focus on selecting variables with strong effects. This may result in biased prediction, especially when weak signals outnumber strong signals. To solve this problem, we incorporate weak signals in variable selection and estimation. We propose a two-stage procedure, consisting of variable selection and post-selection estimation. The variable selection is done using the LASSO and Elastic-Net penalties to detect weak signals, whereas the post-selection estimation involves by shrinking a post-selection weighted ridge estimator in the direction of a selected candidate subset from the first stage. This framework includes linear regression. We hope our review helps researchers in this field to have a better understanding of the area and provides useful information to future study.

 

 

09:00 - 11:00

کلاس C: نشست تخصصی مرکز تحقیقات توسط ساز مان سنجش اموزش کشور در حوزه علم داده ها نمره کل سازی منطقه بندی مه داده‌هاازدیدگاه جامعه شناسی بهینه سازی

دکتر سیما نقی زاده
فعالیتهای مرکز تحقیقات در علم داده بهینه سازی مه داده از دیدگاه جامعه شناسی نمره کل سازی

 

 

09:20 - 09:40

سخنرانی

کلاس B: یک روش ترکیبی برای تشخیص بیماری دیابت با استفاده از الگوریتم زنبور عسل و رگرسیون لجستیک

آقای فرزاد حیدری

دانشگاه شهید باهنر کرمان

چکیده: دیابت نوعی بیماری مزمن است که با افزایش سطح قند خون مرتبط است. براساس داده های سازمان بهداشت جهانی ، ۴٢٢ میلیون بزرگسال در جهان به دیابت مبتلا هستند و با توجه به فراگیر شدن بیماری دیابت تعداد افراد مبتلا به این بیماری روز به روز افزایش می یابد. بی توجهی به تشخیص و درمان این بیماری منجر به بروز برخی مشکلات اساسی در کلیه ها ، قلب و عروق، چشم ها و ... می شود. یکی از کاربرد های مهم داده کاوی، کاربرد آن در تشخیص پزشکی است. شایع ترین نوع دیابت، دیابت نوع ٢ است. استفاده از روش های یادگیری ماشین برای تشخیص به موقع دیابت به پزشکان کمک زیادی می کند. در این مقاله یک روش ترکیبی برای تشخیص بیماری دیابت با استفاده از الگوریتم زنبور عسل و لجستیک ارائه می شود که با سه ویژگی استخراج شده دقت بالاتری نسبت به سایر روش های مورد بررسی دارد و الگوریتم زنبور عسل استفاده شده علاوه بر حافظه ذخیره سازی، زمان و هزینه را کاهش می دهد.

 

 

09:30 - 10:10

کلاس A: نحوه استفاده از علم داده در فناوری‌های مالی

دکتر عبدالساده نیسی
چکیده: فناوری مالی ، که معمولا به اختصار فین-تک (Fintech ) نامیده می شود، یکی از حوزه های با رشد سریع در نوآوری و فناوری بوده که مورد علاقه سرمایه گذاران خطرپذیر و بانک ها می باشد. به طور کلی Fintech به مجموعه فناوری هایی اشاره دارد که بر روی روش های جدید ارائه خدمات بانکی و مالی به مصرف کنندگان تمرکز دارند. برای نمونه پی پال (PayPal) که یکی از امن ترین ابزارها برای پرداختهای آنلاین ارزی در اینترنت است هنگام استفاده از آن، شرکت تجارت الکترونیکی و همچنین بانک همه از Fintech برای انجام معامله استفاده می کنند، اما با گذشت زمان، Fintech تقریباً همه جنبه های خدمات مالی از جمله پرداخت ها، سرمایه گذاری ها، منابع مالی مصرف کننده، بیمه، تسویه اوراق بهادار و ارزهای رمزنگاری شده همه تحت تاثیر و دچار تغییرات قرار می گیرند و بایستی به روشهای پیچیده ریاضیات مالی و روشهای عددی تحلیل و تکامل یابند که این امر علاوه بر دانش ریاضیات مالی نیازمند تکنیکهای یادگیری ماشین، علم داده و مدلهای پیش بینی تصادفی می باشد. شرکتهای Fintech ی برای ساده سازی تصمیم گیری های مالی و ارائه راهکارهای برتر به شدت به مدلهای پیشرفته ریاضیات مالی، یادگیری ماشین، هوش مصنوعی، تجزیه و تحلیل داده های مالی، پیش بینی تصادفی و علم داده وابسته هستند. که در این پژوهش درنظر دارم جند نمونه از Fintech ها و چگونگی استفاده از علم داده در هرکدام را به اختصار بیان کنم.

 

 

09:45 - 10:05

سخنرانی

کلاس B: پروژه انبار داده

آقای مهرداد برون
انبار برای نگهداری کالاها استفاده میگردد. صنعتگران، وارد کنندگان و صادر کنندگان کالاها، عمده فروشان وگمرک ازاستفاده کنندگان ازانبارهامی باشند. انباها معمولاًدرشهرها، شهرک های صنعتی و کارخانجات ساخته میشوند ولی ممکن است جهت سهولت در دریافت و صدور کالا، در کنار راه های اصلی، فرودگاه و یا بنادر ساخته شوند تا کالاها مستقیماً به انبار وارد و یا از آن خارج گردد. انبارها از لحاظ کاربری ممکن است انواع گوناگونی داشته باشند. انبار محصول، انبار مواد اولیه، انبار قطعات نیم ساخته، انبار قطعات یدکی، انبار ابزارآلات، انبار غلات و مخازن تنها تعداد اندکی از انواع انبارها میباشند. با توجه به کاربری و تنوع زیاد انواع انبارها، ماشین آلات، سیستمها و تجهیزات سخت افزرای و نرم افزاری بسیاری متناسب با نوع کاربری انبارها توسعه یافته اند. از مهمترین ماشین الات مربوط به انبارها میتوان به انواع چرثقیل ها، لیفت تراک ها و تسمه نقاله ها در انبارها، در برخی از صنایع مدرن متداول است. استفاده از تکنولوژی RFID برای جابجایی کالا اشاره نمود. ردیابی کالاها و کنترل موجودی انبار نیز بوسیله بانکهای اطلاعاتی و تحت نرم افزارهای خاص انجام میپذیرد. از آنجا که انبارها در فرایند تجارتهیچگونه ارزشافزوده ای ایجاد نمی نمایند مکانیابی، طراحی سیستم ورود، جابجایی و خروج کالاها از انبار بسیار حیاتی است تا عملیات انبارها با حداقل هزینه و حداکثر بهره وری انجام پذیرد. در اواخر قرن بیستم استفاده از سیستم هایی نظیرJIT جهت کاهش موجودی در فرایند و حذف انبارها بکار گرفته شد.

 

 

10:15 - 10:55

Class A: Application of Structural Equation Modelling (SEM) in mHelath Studies

Dr. Hashem Salarzadeh Jenatabadi

Department of Science and Technology Studies, Faculty of Science, Universiti Malaya, Kuala Lumpur; 50603; Malaysia

Abstract mHealth has been identified as a health application and public medical which is to be paired with mobile devices (Chandler et al., 2019). Some literatures in this area concentrated on mHealth apps for health purposes. The potential benefits in precautionary health, containing healthcare and the challenges of using the apps (Bol, Helberger, & Weert, 2018; Furlong, Morris, Serry, & Erickson, 2018). Most statistical analyses of fitness apps interconnect other aspects (e.g. users’ perceptions, health behavior, trajectories of app use, quality assessment, app evaluation, and purpose of downloading the apps) that mostly include descriptive statistics (Bender et al., 2014; Chen, Cade, & Allman-Farinelli, 2015; Payne, Moxley, & MacDonald, 2015; Sama, Eapen, Weinfurt, Shah, & Schulman, 2014) and regression (Goh et al., 2015). Along with prior studies, a few types of research on mHealth apps with Structural Equation Modelling (SEM) technique have been explored (Hoque, Karim, & Amin, 2015; Lee, Han, & Jo, 2017; Mburu, 2017). This study is about some lessons of SEM in mHealth Studies. We introduce a new framework of fitness apps associated with obesity modeling by using SEM and examining data of postpartum women through moderation and mediation analysis. Fitness mHealth apps are considered the moderator in the research framework. Online questionnaires were sent to Malaysian postpartum women within one year after pregnancy and 468 completed questionnaires were returned. The frequency of mHealth fitness app use was categorized into four groups: daily, weekly, rarely and never. Therefore, four models were considered for the final analysis. This study will help data scientists to interpret their modeling with application of SEM.

 

 

11:00 - 11:40

کلاس A: مدل آمیخته متناهی رگرسیون مدال

دکتر احسان ارمز
در این مقاله کلاس جدیدی از مدل رگرسیون آمیخته را ارائه می دهیم، که در آن مد توزیع پاسخ به شرط متغیر توضیحی مدل بندی می شود. در این راستا یک روش تخمین مدال موضعی برای تابع رگرسیون در مدل رگرسیون ناپارامتری ارائه می دهیم. به منظور به دست آوردن بهترین متغیرهای کمکی تأثیر گذار بر متغیر پاسخ تحت شرایطی تابع تاوانیده در مدل پیشنهادی وجود دارد. برای برآورد پارامترهای کلی و توابع رگرسیون مدال، یک الگوریتم EM پیشنهاد می دهیم، در ادامه خواص مجانبی برآوردگرها را در قالب ٢ قضیه مطرح می کنیم.

 

 

14:00 - 18:30

کلاس A: کارگاه علم داده و کار بردهای آن با پایتون

دکتر اسکندری - علی فخرایی - دانا نادری - محمد مهدوی
در راستای طراحی و پیاده سازی مفاهیم علم داده‌ها به صورت مجازی در کناربرگزاری اولین سمینار علم داده‌ها و کاربرد‌ها که در تاریخ‌های ۲۵ و ۲۶ فروردین ۱۴۰۰ گروه آمار دانشگاه علامه طباطبائی برگزار می گردد کارگاه علم داده‌ها و کاربردها با نرم افزار پایتون در ۴ بخش و در روز ۲۶ فروردین از ساعت ۱۳ الی ۱۸ برگزار می‌شود. برنامه کارگاه: 1- مقدمات برنامه نویسی پایتون 2- پایتون برای علم داده ها 3- مدل سازی و مصور سازی علم داده ها در پایتون 4- پیاده سازی روش ‌های علم داده ها برای مثال های واقعی در پایتون

 

 

 

تهران، خیابان شهید بهشتی، خیابان خالد استامبولی (وزرا) کوچه هفتم دانشکده علوم ریاضی و رایانه پلاک۱۴

حمایت کنندگان

فرم شرکت در سمینار

اساتید

800,000

ریال

دانشجویان

400,000

ریال

شرکت کننده آزاد

1,000,000

ریال
login