‎َ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.

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.

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.

فعالیتهای مرکز تحقیقات در علم داده بهینه سازی مه داده از دیدگاه جامعه شناسی نمره کل سازی

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.

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.

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.

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.

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.

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