Skip to main content
فهرست مقالات

شبکه های عصبی: رویکردی نوین در تصمیم گیریهای مدیریت

نویسنده:

علمی-پژوهشی/ISC (22 صفحه - از 133 تا 154)

کلیدواژه ها :

تصمیم‌گیری ،مدیریت ،هوش مصنوعی ،شبکه‌های عصبی مصنوعی ،روشهای کیفی و کمی ،یادگیری

کلید واژه های ماشینی : اطلاعات، شبکه‌های عصبی، نرون، شبکه‌های عصبی مصنوعی، مدیریت، کاربرد شبکه‌های عصبی در مدیریت، مصنوعی، تصمیم‌گیری، تابع، پردازش اطلاعات

یکی از مهمترین وظایف مدیریت، تصمیم‌گیری است؛مهمترین عنصر تصمیم‌گیری، اطلاعات مناسب است؛اطلاعاتی که بتواند آینده را بهتر ترسیم نماید، منجر به تصمیم‌گیری بهتری خواهد شد.ابزارهای مختلف کمی و کیفی، برای تصمیم‌گیری و تأمین اطلاعات وجود دارد؛یکی از روشهای کیفی که به عنوان یکی از شاخه‌های هوش مصنوعی مطرح است، شبکه‌های عصبی مصنوعی است؛شبکه‌های عصبی برای حل مسایل متنوعی، مانند دسته‌بندی الگو، خوشه‌یابی، تخمین تابع، پیش‌بینی، بهنیه‌سازی، حافظه انجمنی و کنترل در مدیریت به کار می‌رود.این مقاله برای دانشجویان و متخصصان در حوزه مدیریت، تهیه شده و سعی دارد معرفی مختصری از کاربرد شبکه‌های عصبی در مدیریت را ارائه نماید.

خلاصه ماشینی:

"ابزارهای مختلف کمی و کیفی، برای تصمیم‌گیری و تأمین اطلاعات وجود دارد؛یکی از روشهای کیفی که به عنوان یکی از شاخه‌های هوش مصنوعی مطرح است، شبکه‌های عصبی مصنوعی است؛شبکه‌های عصبی برای حل مسایل متنوعی، مانند دسته‌بندی الگو، خوشه‌یابی، تخمین تابع، پیش‌بینی، بهنیه‌سازی، حافظه انجمنی و کنترل در مدیریت به کار می‌رود. از آنجا که هدف هوش مصنوعی، توسعه پارادایمها یا الگوریتمهای مورد استفاده انسان جهت کاربرد در ماشین است، شبکه‌های عصبی مصنوعی نیز به عنوان یکی از مهمترین روشهای هوش مصنوعی به دنبال تقلید از عملکرد مغز انسان است‌[2]. یادگیری یکی از مهمترین ویژگیهای شبکه‌های عصبی مصنوعی که عملکرد آن را به انسان نزدیکتر می‌نماید، قدرت یادگیری است؛یادگیری ممکن است شامل دو نوع پردازش اطلاعات شود: (1). اگر چه ارائه تعریف دقیقی از یادگیری برای فرموله کردن، مشکل است، اما فرایند یادگیری در زمینه شبکه‌های عصبی مصنوعی، موضوع بهنگام‌سازی معماری شبکه و وزنهای ارتباطی آن، به نحوی است که یک شبکه بتواند یک وظیفه خاص آن را به صورت کارآ انجام دهد. شبکه‌های عصبی برای یادگیری به جای دنبال کردن مجموعه‌ای از قواعد تعریف شده توسط انسان متخصص، از قواعد مبنایی(مانند روابط ورودی-خروجی)از مجموعه نمونه‌های بازنمایی استفاده می‌کند که یکی از مهمترین مزایای شبکه‌های عصبی نسبت به سیستم‌های خبره سنتی است. 2-2-قواعد یادگیری چهار نوع قاعده یادگیری اساسی در شبکه‌های عصبی وجود دارد: 2-2-1-قواعد خطا-تصحیح 4 در یادگیری با سرپرستی ممکن است خروجی واقعی(y)توسط شبکه با خروجی مطلوب (d)یکسان نباشد. پیش‌بینی یکی از مهمترین حوزه‌هایی است که می‌تواند آینده را برای مدیریت روشن نماید؛شبکه‌های عصبی در این شاخه، موفقیت بسیار بالایی را از خود نشان داده است و با مدلهای کلاسیک رقابت جدی می‌نماید."

  • دانلود HTML
  • دانلود PDF

برای مشاهده محتوای مقاله لازم است وارد پایگاه شوید. در صورتی که عضو نیستید از قسمت عضویت اقدام فرمایید.