رکوردهای مرتبط با این شخص

پیش بینی موفقیت کسب و کارهای نو پا با استفاده از تفسیرپذیری و مدل های ترکیبی یادگیری ماشین (1404) / جعفری ، حسین، نویسنده

نوع مدرک: متون چاپی سرشناسه جعفری ، حسین، نویسنده شماره بازیابی : ‭COM soft ‭91 1404 عنوان : پیش بینی موفقیت کسب و کارهای نو پا با استفاده از تفسیرپذیری و مدل های ترکیبی یادگیری ماشین عنوان موازی : Predicting the Success of Startups Using Interpretability and Hybrid Machine Learning Models ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1404 صفحه شمار: 99ص شابک/شاپا 26264 یادداشت پایان نامه کارشناسی ارشد :رشته مهندسی کامپیوتر گرایش نرم افزار شناسه افزوده : یراقی ، شکوفه، استاد راهنما نصر اصفهانی ، ابراهیم، استاد مشاور توصیفگرها استارتاپ، پیش‌بینی موفقیت، یادگیری ماشین، مدل‌های ترکیبی، تفسیرپذیری، شاپ، ایکس جی بوست، جنگل تصادفی  Startup, Success Prediction, Machine Learning, Hybrid Models, Interpretability, SHAP چکیده : در سال‌های اخیر، نرخ شکست استارتاپ‌ها به‌طور میانگین بین 75 تا 90 درصد گزارش شده است، که لزوم توسعه‌ی مدل‌های داده‌محور برای پیش‌بینی احتمال موفقیت کسب‌وکارهای نوپا را پررنگ می‌سازد. هدف این پژوهش، طراحی و ارزیابی مدلی ترکیبی از الگوریتم‌های یادگیری ماشین به‌منظور پیش‌بینی موفقیت استارتاپ‌ها، همراه با تفسیرپذیری تصمیمات مدل برای استفاده در فرآیندهای تصمیم‌گیری سرمایه‌گذاری است. داده های ا‌ین پژوهش شامل 923 نمونه از استارتاپ‌ها با 49 ویژگی مختلف از استارتاپ‌های فعال بین سال‌های 2015 تا 2025 در حوزه‌های فناوری اطلاعات، زیست‌فناوری و تجارت الکترونیک است، که از پایگاه‌های کرانچ بیس گردآوری شد. پس از پاک‌سازی و نرمال‌سازی داده‌ها، 28 ویژگی کلیدی از جمله اندازه تیم مؤسس، مقدار سرمایه اولیه، نرخ رشد کاربر، و تجربه کارآفرینان مورد استفاده قرار گرفت. در بخش مدل‌سازی، ترکیب روش‌های جنگل تصادفی و ایکس جی بوست در قالب یک مدل تجمیعی طراحی شد. ارزیابی روی داده‌های آزمون نشان داد که مدل پیشنهادی با میانگین دقت برابر با 91% و دقت طبقه‌ی موفق برابر با 97٪ و فراخوان برابر با 96٪ عملکرد بهتری نسبت به مدل‌های منفرد دارد. در مجموع، این پژوهش یک چارچوب کارآمد برای ترکیب دقت مدل‌های یادگیری ماشین با شفافیت تفسیر‌پذیر داده‌ها ارائه می‌دهد که می‌تواند به تصمیم‌گیرندگان حوزه سرمایه‌گذاری خطرپذیر در شناسایی استارتاپ‌های با پتانسیل بالا کمک کند. همچنین داده‌های مورد استفاده از منابع واقعی و معتبر شامل مشخصات استارتاپ‌ها، ویژگی‌های مدیریت مالی و درک بازار و تبلیغات و خلاقیت استخراج شده و با تکنیک‌های آماری و یادگیری ماشین پیش‌پردازش گردیده‌اند. در این مطالعه تلاش شده است تا علاوه بر دقت پیش‌بینی، قابلیت استفاده و تبیین‌پذیری مدل در محیط‌های واقعی نیز مد نظر قرار گیرد؛ چراکه یکی از موانع رایج در کاربرد مدل‌های یادگیری ماشین، درک‌ناپذیری آن‌ها برای کاربران غیرفنی است. بهره‌گیری از چارچوب تفسیرپذیری شاپ در کنار مدل ترکیبی پیشنهادی، گامی مؤثر در جهت توسعه ابزارهای تصمیم‌یار هوشمند برای فعالان حوزه نوآوری و سرمایه‌گذاری محسوب می‌شود و می‌تواند زمینه‌ساز شکل‌گیری سیاست‌های داده‌محور در اکوسیستم استارتاپی کشور گردد لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=15068 زبان مدرک : فارسی

 فهرست موجودی مدرک

شماره ثبت	شماره بازیابی	نام عام مواد	محل نگهداری	بخش	وضعیت ثبت	وضعیت امانت
26264	‭COM soft ‭91 1404	پایان‌نامه	دانشگاه شهید اشرفی اصفهانی	مرکزی	اسناد مرجع	غیر قابل امانت