🧠📚 دیگه گم نشو بین هزار تا مقاله!

📝اگر در مسیر پژوهش یا یادگیری قدم برمی‌دارید، این ابزار می‌تواند راه را برایتان هموارتر سازد.

🌐 سایت Connected Papers یک ابزار خارق‌العاده‌ست که با وارد کردن یک مقاله (فقط عنوان یا DOI کافیه)، برات یه نقشه‌ی گرافیکی از مقالات مرتبط می‌سازه! 🤯

✅ پیدا کردن مقالات مرتبط
✅ شناخت سریع مسیرهای پژوهشی
✅ الهام برای انتخاب موضوع پایان‌نامه یا مقاله

📌 کافیه بری تو سایت، یه مقاله وارد کنی و بزنی رو "Build a Graph"
✨ برای آشنایی بیشتر میتونید این ویدئو رو ببینید

#پژوهش #مقاله #ConnectedPapers #تحقیق #دانشجو #پایان_نامه

@RiskPy
@RiskPyLib

📣 خبر مهم علمی

با کمال افتخار و خرسندی اعلام می‌نماییم که دو فصلنامه علمی «مطالعات اقتصاد دانش»، وابسته به دانشگاه حضرت معصومه (س)، در پایگاه استنادی علوم جهان اسلام (ISC) نمایه شد.

این موفقیت، گامی مؤثر در مسیر ارتقاء جایگاه علمی این فصلنامه و تأییدی بر کیفیت بالای محتوای علمی، فرآیند دقیق داوری دقیق ، و رعایت استانداردهای بین‌المللی نشر پژوهشی است.

🔷 فصلنامه «مطالعات اقتصاد دانش» یک نشریه میان‌رشته‌ای با دسترسی آزاد است که به تبیین و تحلیل پیوندهای میان دانش، فناوری، نوآوری و اقتصاد دیجیتال می‌پردازد.
هدف اصلی فصلنامه، انتشار پژوهش‌های نوآورانه، و ایجاد بستری برای تعامل میان پژوهشگران، صنعت‌گران و سیاست‌گذاران در حوزه اقتصاد دانش‌بنیان است.

📩 از تمامی پژوهشگران گرامی دعوت می‌شود تا مقالات علمی–پژوهشی خود را از طریق سامانه فصلنامه ارسال نمایند:
🔗 https://kes.hmu.ac.ir/

#مطالعات_اقتصاد_دانش
#نمایه_ISC
#اقتصاد_دانش_بنیان
#اقتصاد_دیجیتال
#هوش_مصنوعی
#فناوری_مالی
#نوآوری
#دانشگاه_حضرت_معصومه
#نشریه_علمی


@HMU_JKES

🎯 چطور با چولگی (Skewness) در داده‌های واقعی برخورد کنیم؟
📊 یکی از مهارت‌های حیاتی برای هر متخصص داده در مرحله‌ی پیش‌پردازش

در اکثر داده‌های دنیای واقعی — به‌ویژه در حوزه‌هایی مانند مالی، سلامت و تجارت الکترونیکی — توزیع نرمال (متقارن) بسیار نادر است. در عوض، با داده‌های چوله مواجه هستیم که می‌توانند به‌طور جدی روی عملکرد مدل‌های یادگیری ماشین تأثیر بگذارند.

🔍 شناخت انواع چولگی در توزیع داده‌ها

📈 چولگی مثبت (چوله به راست)
🔸 دنباله‌ی بلندتر در سمت راست
🔸 میانگین > میانه > نما
✅ مثال: درآمد کارکنان — تعداد کمی درآمد بسیار بالایی دارند

📉 چولگی منفی (چوله به چپ)
🔹 دنباله‌ی بلندتر در سمت چپ
🔹 میانگین < میانه < نما
✅ مثال: سن بازنشستگی — اغلب افراد در سن بالا بازنشسته می‌شوند، بازنشستگی زودهنگام نادر است

🤖 چرا چولگی در مدل‌سازی مهم است؟

بسیاری از مدل‌های کلاسیک مثل رگرسیون خطی، رگرسیون لجستیک و خوشه‌بندی K-Means فرض می‌کنند که داده‌ها به‌طور نرمال توزیع شده‌اند. اما در صورت وجود چولگی:

⚠️ مدل بیشتر به سمت داده‌های پرتکرار متمایل می‌شود
⚠️ ممکن است خطاهای طبقه‌بندی افزایش یابد
⚠️ روند آموزش کندتر یا ناپایدار شود
⚠️ نتایج نهایی گمراه‌کننده باشند

🛠 روش‌هایی برای مقابله با چولگی که در پیش‌پردازش به کار می‌رود:

🔢 تبدیل لگاریتمی (Log Transformation)
مناسب برای کاهش چولگی مثبت در داده‌های فقط مثبت مثل قیمت یا درآمد

√ تبدیل ریشه دوم یا سوم
ریشه دوم: فقط برای داده‌های مثبت
ریشه سوم: قابل استفاده برای داده‌های منفی و مثبت

📦 تبدیل Box-Cox
تبدیل توانی که مقدار بهینه λ را برای نرمال‌سازی انتخاب می‌کند (فقط داده‌های مثبت)

🔄 تبدیل Yeo-Johnson
مشابه Box-Cox، ولی برای داده‌های منفی و صفر نیز قابل استفاده است

📏 مقیاس‌گذاری مقاوم (Robust Scaling)
براساس میانه و دامنه بین چارکی (IQR) — مناسب برای داده‌های دارای پرت

🧹 حذف داده‌های پرت (Outliers)
در مواردی که چولگی ناشی از چند مقدار بسیار دورافتاده است

💡 جمع‌بندی:

🔔 چولگی همیشه ایراد نیست — گاهی حاوی اطلاعات باارزش تجاری است.
مثال: در تحلیل تقلب، تراکنش‌های بسیار بزرگ می‌توانند نشانگر رفتار مشکوک باشند؛ نباید همیشه آن‌ها را اصلاح کرد.

✅ تمایز یک متخصص داده خوب و عالی در این است که بداند:
کِی باید چولگی را اصلاح کرد، و کِی باید آن را حفظ کرد!

@RiskPy
@RiskPyLib

Significant Risk Transfer (#SRT)

در سال‌های اخیر، یکی از روش‌های نوآورانه در مدیریت ریسک اعتباری در بانک‌ها، استفاده از ابزارهایی برای انتقال بخش قابل توجهی از ریسک (Significant Risk Transfer - SRT) به سرمایه‌گذاران ثالث است.

🔍 در این روش، بانک بدون فروش دارایی یا افزایش سرمایه (equity)، بخشی از ریسک اعتباری (credit risk) سبد وام‌های خود را از طریق انتشار ابزارهای بدهی یا ساختارهای مصنوعی (synthetic structures) به بازار منتقل می‌کند.

✅ هدف اصلی از اجرای SRT کاهش نیاز بانک به سرمایه نظارتی (regulatory capital) و بهینه‌سازی دارایی‌های موزون‌شده به ریسک (Risk-Weighted Assets - RWA) است؛ مفهومی که در چارچوب مقررات #BaselIII اهمیت بالایی دارد.

💡 از منظر سرمایه‌گذاران، این ابزارها امکان دسترسی به یک سبد متنوع از وام‌ها با ریسک کنترل‌شده را فراهم می‌کنند—حتی در شرایط بی‌ثبات بازار.

📊 طبق گزارش Chorus Capital، حجم جهانی انتشار ابزارهای SRT تا پایان سال ۲۰۲۴ به حدود ۳۰ میلیارد دلار رسیده است.
🔹 در اروپا، بانک‌ها استفاده گسترده‌تری از این ابزارها دارند، در حالی که در آمریکا، تنها حدود ۲۵٪ از حجم بازار جهانی مربوط به بانک‌های آمریکایی است.

📘 این پست حاصل جمع‌بندی بیش از ۱۵ مقاله، گزارش و تحقیق تخصصی درباره SRT و Credit Risk Transfer (CRT) است که به بررسی ساختارها، مکانیزم‌های انتشار و الزامات نظارتی می‌پردازند.

@RiskPy
@RiskPyLib

🎯 چطور با فاصله‌های آماری ناهنجاری‌ها را شناسایی کنیم؟

در این ارائه ، چارلز مسون درباره‌ی استفاده از فاصله‌های آماری مانند آزمون Kolmogorov-Smirnov و فاصله Earthmover برای شناسایی ناهنجاری‌ها در داده‌های سری‌ زمانی صحبت می‌کنه.

🔍 نکات مهم:

فاصله‌های آماری به ما کمک می‌کنن انحراف از الگوهای عادی داده رو کمی‌سازی کنیم.

استفاده از چند شاخص آماری به جای یک شاخص، دقت شناسایی ناهنجاری‌ها رو به‌طور چشم‌گیری افزایش می‌ده.

فاصله Earthmover نه‌تنها مقدار تفاوت، بلکه میزان جابه‌جایی توزیع‌ها رو هم در نظر می‌گیره، و برای داده‌های پیچیده عالیه.

📈 اگه با تحلیل داده، سری‌های زمانی یا یادگیری ماشین سروکار دارین، این ویدئو رو از دست ندین.

@RiskPy
@RiskPyLib

🚀 تشخیص ناهنجاری در داده‌های سری زمانی: راهنمای جامع از PyData Prague!

📊 آیا تا به حال با داده‌هایی مواجه شدید که "یه چیزی‌شون عجیب بود"؟ این همون چیزیه که در دنیای علم داده بهش می‌گن ناهنجاری (Anomaly)!

🎙 لوسی ، مدیر تیم داده در Similarweb، در ارائه‌اش در PyData 5، به سراغ یکی از چالش‌برانگیزترین حوزه‌های علم داده رفت: تشخیص ناهنجاری بدون نظارت در داده‌های سری‌ زمانی چندبعدی.

🔍 در این ویدئو چه یاد می‌گیریم؟
✔️ تفاوت ناهنجاری‌ها با مفاهیمی مثل Data Drift
✔️ دسته‌بندی ناهنجاری‌ها
✔️ چالش‌های مهم: عدم تعادل کلاس‌ها، نویز، تعامل چند متغیر
✔️ ۴ رویکرد کاربردی برای شناسایی ناهنجاری‌ها:

استخراج ویژگی + طبقه‌بندی (مثل Isolation Forest)

استخراج ویژگی + خوشه‌بندی (مثل DBScan)

بازسازی با Autoencoder یا PCA

پیش‌بینی و مقایسه با واقعیت (ARIMA، VAR)


🎥 لینک تماشای ویدئو

#علم_داده #تشخیص_ناهنجاری #سری_زمانی #PyData #ماشین_لرنینگ #Similarweb #AnomalyDetection #TimeSeries

@RiskPy
@RiskPyLib

🚨 تشخیص ناهنجاری: ابزار پنهان مدیران ریسک هوشمند!

در مدیریت ریسک، همیشه به دنبال این هستیم که قبل از وقوع بحران، نشانه‌هاش رو شناسایی کنیم.
اینجاست که تشخیص ناهنجاری (Anomaly Detection) به کمک ما میاد.

🔍 ناهنجاری یعنی چی؟
یعنی هر چیزی که از "الگوی طبیعی" خارج بشه.
در دنیای ریسک، این انحراف‌ها می‌تونن نشانه‌ای از تهدید یا حتی فرصت باشن!

📌 کاربردهای تشخیص ناهنجاری در مدیریت ریسک:

💳 ریسک عملیاتی:

تراکنش‌های مشکوک یا تقلبی در سیستم‌های مالی

عملکرد غیرعادی کارمندان یا کاربران در سامانه‌ها

📉 ریسک مالی:

نوسان غیرمنتظره در سود و زیان

رفتار غیرطبیعی دارایی‌ها یا سبدهای سرمایه‌گذاری

📊 ریسک اعتباری:

تغییر ناگهانی در الگوی بازپرداخت مشتریان

افت غیرمنتظره در نمرات اعتباری

🌪 ریسک سیستمی یا محیطی:

شناسایی زودهنگام حوادث نادر، اما پرریسک

هشدار درباره تغییرات شدید در بازار یا شرایط اقتصادی

✅ و حتی شناسایی فرصت‌ها:

کشف رفتارهای موفق در تیم‌های فروش

شناسایی بخش‌هایی با مصرف بهینه منابع

💡 تشخیص ناهنجاری یعنی «دیدن چیزهایی که دیگران نمی‌بینند» — و این دقیقاً همون چیزیه که مدیریت ریسک نیاز داره!

#مدیریت_ریسک #تشخیص_ناهنجاری #داده_محور #ریسک_مالی #ریسک_عملیاتی #DataDrivenRisk #AnomalyDetection #RiskManagement

@RiskPy
@RiskPyLib

🔥«برگه تقلب مدیریت ریسک مطلقاً ضروری، بی‌نقص و کاملاً غیرقابل انکار»🔥

این راهنما برای همه کسانی است که تا به حال:

در کارگاه ریسک شرکت کرده‌اند و فکر کرده‌اند تئاتر اجرا می‌کنند

برنامه کاهش ریسکی نوشته‌اند که به نظر فعالانه می‌رسد ولی عملاً هیچ تغییری ایجاد نمی‌کند

نمودار risk heatmap دیده‌اند که بیشتر شبیه نقاشی انتزاعی است

«درس‌های آموخته» ارائه داده‌اند که دیگر هرگز به آن‌ها اشاره نمی‌شود

برای همه حرفه‌ای‌های ریسک، مدیران پروژه و بازماندگان دنیای کسب‌وکار که می‌دانند ریسک واقعی، عدم قطعیت نیست، بلکه وانمود کردن به کنترل کامل است.
ترجمه پست بعدی

@RiskPy
@RiskPyLib

🔥 نکات ناب و قطعی مدیریت ریسک! 🔥

1️⃣ شناسایی ریسک‌ها:
دور هم جمع شو، «خارج از چارچوب» فکر کن!
از خرابی قهوه‌ساز تا تهاجم بیگانگان رو شناسایی کن!
توهم کنترل رو جشن بگیر، چون خب... ریسک‌ها شناسایی شدن!

2️⃣ ارزیابی ریسک‌ها:
احتمال × شدت = «چقدر مدیرعامل عصبانی میشه؟»
ریسک بزرگ؟ احتمالش رو کم کن که کسی نترسه!
ریسک کوچیک؟ بزرگش کن که نقشه جذاب‌تر باشه!

3️⃣ برنامه کاهش ریسک:
ایده‌هایی بساز که به نظر موثر باشن اما عملاً کاری نکن!
«چارچوب حکمرانی متقابل» یعنی فقط جلسات بیشتر!
جدول زمان‌بندی؟ حتماً بعد از تحویل پروژه!

4️⃣ فهرست ریسک:
رنگی رنگی کن: قرمز یعنی «مشکل مال کس دیگه‌ست»، سبز یعنی «بیخیال شو!»
«مالک ریسک»؟ معمولاً نیست!
«برنامه کاهش خسارت»؟ فقط روی کاغذه!

5️⃣ نظارت و بازبینی:
هر سه ماه یه بار بگو انجام شد، حتی اگر نشده!
از کلمات «ریسک مدیریت میشه» و «فعالانه نظارت داریم» استفاده کن!
ریسک افتاد؟ بگو «مجهول‌مجهوله» و بنداز گردن تالِب یا رامسفلد!

6️⃣ درس‌های آموخته شده:
یه پاورپوینت بساز با عنوان «چه کار باید می‌کردیم؟»
بعد بذارش تو بایگانی خاک‌خورده!

⚠️ یادت باشه:
کارگاه پرشور ریسک خیلی بهتر از کاهش واقعی ریسکه!

#مدیریت_ریسک #ریسک #برنامه_ریزی #کسب_و_کار #موفقیت

@RiskPy
@RiskPyLib

📌 مدیریت ریسک‌های ژئوپلیتیکی؛ ضرورتی برای بنگاه‌ها و دولت‌ها در عصر بی‌ثباتی جهانی

ریسک‌های ژئوپلیتیکی، به‌عنوان تهدیداتی ناشی از تحولات و تنش‌های سیاسی بین‌المللی، می‌توانند آثار قابل توجهی بر ثبات مالی، زنجیره‌های تأمین و تصمیم‌گیری‌های سرمایه‌گذاری داشته باشند. در شرایطی که اقتصاد جهانی به شدت در هم تنیده و آسیب‌پذیر شده است، شناخت و مدیریت این ریسک‌ها بیش از هر زمان دیگری اهمیت یافته است.

✅ در این مجموعه تحلیلی، آخرین یافته‌ها و دیدگاه‌ها درباره ریسک‌های ژئوپلیتیکی و نحوه مواجهه با آن‌ها گردآوری شده است:

🔹بررسی تأثیر ادراک شرکت‌ها از ریسک ژئوپلیتیکی بر الگوهای سرمایه‌گذاری

🔸تحلیل شوک‌های ناشی از ریسک ژئوپلیتیکی؛ اهمیت اندازه و شدت رخدادها

🔹ارزیابی تجربی راهبردهای مدیریت ریسک در زنجیره‌های تأمین بین‌المللی

🔸مواجهه با ریسک‌های نظام‌مند در دوران تنش‌های ژئوپلیتیکی، تغییرات اقلیمی و تحولات فناورانه

🔹راهکارهای افزایش تاب‌آوری ژئوپلیتیکی در فضای پرتلاطم جهانی

🔸ارائه دیدگاه‌های تخصصی درباره ریسک ژئوپلیتیکی

🔹چارچوب‌های تلفیق ریسک‌های ژئوپلیتیکی با نظام‌های مدیریت ریسک سازمانی

@RiskPy
@RiskPyLib

🔥اِنَّا مِنَ المُجْرِمِینَ مُنتَقِمُونَ

قطعا ما از مجرمان انتقام می گیریم...


💠 دو توصیه جهت در امان ماندن از آفات و خطرات:

برای حفظ و حراست از آفات، دستورات فراوانی وارد شده، که در میان آنها دو دستور زیر بسیار توصیه شده:

۱- صدقه منظم در صبح و شب

۲- امام صادق علیه‌السلام فرمودند: پدرم هر روز صبح و شب برای حفظ و حراست از آفات این دعا را سه بار می‌خواندند و می‌فرمودند این دعا از گنج‌های مخزون الهی است.
همه روزه سه بار صبح و شب بعد از نماز صبح و عشاء آن را خواند:

«اللَّهُمَّ اجْعَلْنِي فِي دِرْعِكَ الْحَصِينَةِ الَّتِي تَجْعَلُ فِيهَا مَنْ تُرِيدُ.»

«خداوندا! من را در آن پوششى که از هر بلا و آفتى حفظ مى‏ کند و هر کسى را که بخواهى در آن قرار مى ‏دهى، قرار بده»


ان شاءالله به یُمن نور ولایت آقا امیرالمؤمنین علیه السلام و خون سرداران سپاه و دانشمندان هسته‌ای و مردم بیگناه وطن عزیزمان، نابودی کامل رژیم غاصب صهیونیستی به زودی محقَّق شود

@RiskPy

💙برای ایران، در کنار هم
با توجه شرایط فعلی کشور و برای گذر از این روزها، در تیم کوئرا کالج تصمیم گرفتیم ۳ دوره از دوره‌هامون

🔹️دروازه ورود به برنامه‌نویسی

🔹️دروازه ورود به هوش مصنوعی

🔹️دروازه ورود به ماشین لرنینگ

رو به صورت کاملا رایگان ارائه کنیم، که در صفحه اصلی کوئرا کالج با تگ 《رایگان شد》یا از طریق لینک‌های بالا می‌تونید ثبت‌نام کنید.

🔴با توجه به قطعی اینترنت کشور بدون VPN باز کنید.

با دست‌به‌دست کردن این اطلاعیه کمک کنید تا افراد بیشتری از این موضوع مطلع شوند

✅دوره آموزش جامع پایتون «جادی» در مکتب‌خونه رایگان شد


‏🔹جادی برای ارائه تخفیف صد درصد به مخاطبان خود توضیح داده:

«تیک «دسترسی کامل» رو بردارید، به سبد اضافه کنید و کد PEACE رو بزنید.»

لینک دوره

@RiskPy
@RiskPyLib

هدیه فرادرس به انتخاب خودتون دریافت یک دوره آموزشی هست با کد تخفیف:

IRAN

@RiskPy
@RiskPyLib

🔁 چرخه‌های ۳۱ ساله طلا: چرا قیمت طلا با تغییر ایدئولوژی‌های اقتصادی همگام است؟

طلا فقط به تورم یا نرخ بهره واکنش نشان نمی‌دهد.
او بیشتر از همه وقتی می‌درخشد که اعتقاد عمومی به سیستم اقتصادی حاکم فرو می‌ریزد — زمانی که مردم دیگر به «روش کارکرد سیستم» اعتماد ندارند.

و جالب اینجاست که این اتفاق تقریباً هر ۳۰ تا ۳۱ سال یکبار به صورت منظم رخ می‌دهد.

تاریخچه این چرخه‌ها:
🟡 دهه ۱۸۶۰ تا ۱۸۷۰: پس از جنگ داخلی آمریکا، تورم شدید و بی‌ثباتی پولی باعث بازگشت به استاندارد طلا شد. طلا نماد انضباط مالی در میان آشفتگی‌ها بود.

🟡 دهه ۱۹۳۰: بحران بزرگ اقتصادی اعتماد به بازارهای آزاد دهه ۱۹۲۰ را نابود کرد. روزولت مالکیت طلا را ممنوع و «نیودیل» را آغاز کرد. نقطه شروع اقتصاد کینزی و دخالت گسترده دولت.

🟡 دهه ۱۹۷۰ تا ۱۹۸۰: پس از سال‌ها سلطه اقتصاد کینزی، تورم و رکود بالا گرفت. قیمت طلا به ۸۵۰ دلار رسید و اعتماد به پول فیات از بین رفت. اعتقاد به اقتصاد بازار آزاد و سیاست‌های ضد تورمی با رهبری ریگان و تاچر شکل گرفت.

🟡 سال ۲۰۱۱: پس از بحران مالی ۲۰۰۸، با تزریق پول‌های کلان و سیاست تسهیل کمی، قیمت طلا تا ۱۹۰۰ دلار بالا رفت. این نشان‌دهنده شروع دوره جدیدی با دخالت دائمی دولت، افزایش بدهی‌ها و شکنندگی مالی است.

💡 این نوسانات قیمت طلا فراتر از بازارهای مالی است؛
آنها نشانگر تغییرات ایدئولوژیک در اقتصاد و سیاست هستند.

طلا جریان نقدی یا بهره تولید نمی‌کند؛
بلکه ذخیره اعتماد است.
وقتی اعتماد به پول، سیستم مالی یا رهبری سیاسی از بین می‌رود، طلا به عنوان آخرین پناهگاه ارزش ظاهر می‌شود.

اما نکته مهم:
رشدهای بزرگ قیمت طلا معمولاً بهترین زمان خرید نیستند!
کسانی که در اوج ۱۹۸۰ یا ۲۰۱۱ خرید کردند، باید دهه‌ها صبر کنند تا فقط ارزش پولشان حفظ شود.

⚠️ اکنون در مرحله‌ای از چرخه پس از سال ۲۰۱۱ قرار داریم؛
دولت‌ها بار دیگر وارد فاز هزینه‌کرد سنگین شده‌اند، بازارها به حمایت‌های مستمر بانک‌های مرکزی وابسته‌اند، و کسری بودجه به یک مؤلفه دائمی سیاست‌گذاری اقتصادی تبدیل شده است.
اگر الگوهای تاریخی پابرجا بمانند، این چرخه ممکن است تا اوایل دهه ۱۴۲۰ شمسی (دهه ۲۰۴۰ میلادی) ادامه یابد.

@RiskPy
@RiskPyLib

🎓 آشنایی با ۱۰ روش متداول رگرسیون
(مناسب تحلیل‌گران داده، پژوهشگران و علاقه‌مندان یادگیری ماشین)

رگرسیون یکی از مهم‌ترین ابزارهای تحلیل آماری و مدل‌سازی پیش‌بینی است. در ادامه با ده روش مهم رگرسیون به زبان ساده ولی علمی آشنا می‌شوید:

1. رگرسیون خطی (Linear Regression)
ساده‌ترین نوع رگرسیون که یک رابطه خطی میان متغیر مستقل و وابسته برقرار می‌کند.
📌 مثال: بررسی رابطه بین «متراژ خانه» و «قیمت» آن.

2. رگرسیون چندجمله‌ای (Polynomial Regression)
مدلی برای زمانی که رابطه بین متغیرها غیرخطی است. با افزودن توان‌های بالاتر متغیر، مدل انعطاف‌پذیرتر می‌شود.
📌 مثال: بررسی تأثیر شدت استرس بر عملکرد، که ممکن است رابطه‌ای سهمی‌شکل داشته باشد.

3. رگرسیون بردار پشتیبان (Support Vector Regression - SVR)
مدلی مبتنی بر ماشین بردار پشتیبان که به دنبال یافتن تابعی است که حداکثر داده‌ها در یک ناحیه مجاز اطراف آن قرار بگیرند.
📌 کاربرد: پیش‌بینی‌های مقاوم به داده‌های پرت (outliers).

4. رگرسیون درخت تصمیم (Decision Tree Regression)
از ساختار درختی برای تقسیم‌بندی داده‌ها استفاده می‌کند و هر گره براساس یک شرط تصمیم‌گیری عمل می‌کند.
📌 مثال: قیمت‌گذاری رستوران براساس موقعیت جغرافیایی و نوع خدمات.

5. رگرسیون جنگل تصادفی (Random Forest Regression)
ترکیبی از چندین درخت تصمیم است که با میانگین‌گیری از خروجی‌ها، دقت پیش‌بینی را افزایش می‌دهد.
📌 کاربرد: مدل‌سازی پیچیده بدون نیاز به فرضیات سخت‌گیرانه آماری.

6. رگرسیون بیزین (Bayesian Regression)
براساس نظریه احتمال بیز، به‌جای یک مقدار مشخص، طیفی از پاسخ‌ها همراه با احتمال آن‌ها را ارائه می‌دهد.
📌 مثال: برآورد قد فرزند با احتمال بین ۱۷۰ تا ۱۸۰ سانتی‌متر با اطمینان ۸۰٪.

7. رگرسیون Ridge
با افزودن جمله‌ی جریمه (penalty term) از نوع ℓ2 به مدل خطی، از بیش‌برازش (overfitting) جلوگیری می‌کند.
📌 کاربرد: زمانی که داده‌ها دارای هم‌خطی (multicollinearity) هستند.

8. رگرسیون Lasso
مشابه Ridge اما با جریمه ℓ1 که باعث حذف کامل برخی ویژگی‌های کم‌اهمیت می‌شود (ویژگی‌گزینی).
📌 مثال: انتخاب مهم‌ترین ویژگی‌ها در بین ده‌ها متغیر در یک مدل پزشکی یا مالی.

9. رگرسیون ElasticNet
ترکیبی از جریمه‌های ℓ1 و ℓ2، مزایای هر دو مدل Ridge و Lasso را در یک مدل ترکیب می‌کند.
📌 کاربرد: زمانی که تعداد متغیرها بیشتر از تعداد نمونه‌هاست یا برخی متغیرها به شدت با هم همبسته‌اند.

10. رگرسیون گام‌به‌گام (Stepwise Regression)
فرایندی خودکار برای اضافه یا حذف متغیرها به‌صورت تدریجی، با هدف یافتن مدل بهینه بر اساس معیارهایی مانند AIC یا BIC.
📌 مناسب برای ساخت مدل‌های قابل تفسیر با تعداد متغیر محدود.

📍 نتیجه‌گیری:
انتخاب روش مناسب رگرسیون به نوع داده، تعداد ویژگی‌ها، میزان نویز، و هدف تحلیل بستگی دارد. شناخت دقیق این روش‌ها می‌تواند به ساخت مدل‌هایی دقیق‌تر، قابل‌اعتمادتر و با قابلیت تعمیم بالاتر منجر شود.

@RiskPy
@RiskPyLib

📝 وقتی شاخص ریسک هست، اما داده نیست! راهکارهایی برای عبور از بن‌بست اطلاعاتی

در فرآیند طراحی و استقرار شاخص‌های کلیدی ریسک (KRI)، گاهی با شاخص‌هایی مواجه می‌شویم که از نظر مفهومی دقیق، کاربردی و حتی حیاتی هستند، اما یک چالش اساسی وجود دارد: داده‌ای برای محاسبه آن‌ها در دسترس نیست.

🔻 این وضعیت نه نشانه ضعف در طراحی شاخص است، و نه نشانه‌ای از ناکارآمدی سیستم. بلکه در واقع، زنگ هشداری‌ست برای تقویت و تکمیل زنجیره داده در سازمان.

در این شرایط چه باید کرد؟
✅ بررسی منشأ داده
ممکن است داده مورد نیاز در سامانه‌ای دیگر ثبت شده باشد اما در اختیار تیم مدیریت ریسک قرار نگرفته است. شناسایی محل نگهداری این داده‌ها و ایجاد دسترسی، گام نخست است.

✅ برنامه‌ریزی برای جمع‌آوری داده
اگر داده‌ای تاکنون ثبت نشده، می‌توان با همکاری واحدهای مرتبط (مانند فناوری اطلاعات یا واحدهای اجرایی) سازوکاری برای ثبت و ذخیره‌سازی آن از یک تاریخ مشخص فراهم کرد. گاهی با افزودن یک فیلد ساده به فرم‌ها یا فرایندها، داده قابل جمع‌آوری می‌شود.

✅ استفاده از شاخص‌های جانشین (Proxy Indicators)
در صورتی که محاسبه شاخص اصلی فعلاً ممکن نیست، می‌توان از شاخص‌های جایگزین که رفتاری مشابه دارند به‌طور موقت استفاده کرد.

✅ تخمین کیفی موقت
تا زمان فراهم شدن داده کمی، می‌توان از روش‌های کیفی مانند امتیازدهی کارشناسی یا نظر خبرگان بهره گرفت. البته باید در گزارش‌ها به صراحت محدودیت‌های این تخمین اشاره شود.

✅ مستندسازی و پیگیری
شاخص‌هایی که داده‌ ندارند باید مستندسازی شوند و برای آن‌ها اقدامات اصلاحی مشخص تعریف شود تا در بازه زمانی معقول به داده‌پذیری برسند.

@RiskPy
@RiskPyLib

🎓 چطور متریک مناسب برای سنجش فاصله در یادگیری ماشین انتخاب کنیم؟

در یادگیری ماشین، انتخاب متریک فاصله فقط یک انتخاب ریاضی نیست—بلکه می‌تونه روی دقت مدل و تحلیل داده‌ها اثر مستقیم بذاره. در این پست، با ۱۰ متریک رایج فاصله آشنا می‌شیم و کاربرد علمی هرکدوم رو مرور می‌کنیم.

1️⃣ فاصله کسینوسی (Cosine Distance)
🔹 سنجش زاویه بین دو بردار بدون توجه به بزرگی آن‌ها. مناسب برای داده‌های برداری مثل متن، وقتی جهت اهمیت دارد نه اندازه.

2️⃣ فاصله اقلیدسی (Euclidean Distance)
🔹 فاصله مستقیم بین دو نقطه در فضا. پرکاربردترین متریک در مسائل عددی و پایه‌ی بسیاری از الگوریتم‌ها مثل KNN.

3️⃣ فاصله ماهالانوبیس (Mahalanobis Distance)
🔹 در نظر گرفتن واریانس و همبستگی بین ویژگی‌ها. مفید در داده‌های چندمتغیره و زمانی که ابعاد هم‌وابسته هستند.

4️⃣ فاصله هلینگر (Hellinger Distance)
🔹 اندازه‌گیری اختلاف بین دو توزیع احتمال. در یادگیری آماری و مقایسه توزیع‌ها کاربرد دارد.

5️⃣ فاصله جاکارد (Jaccard Distance)
🔹 برای داده‌های مجموعه‌ای. تفاوت را براساس نسبت اشتراک به اجتماع اندازه می‌گیرد. مناسب برای داده‌های باینری یا متنی.

6️⃣ فاصله منهتن (Manhattan Distance)
🔹 مجموع قدرمطلق اختلافات در هر بُعد. مناسب برای داده‌هایی که در شبکه‌های گسسته یا جدول‌مانند قرار دارند.

7️⃣ فاصله همبستگی (Correlation Distance)
🔹 مبتنی بر میزان همبستگی خطی بین متغیرها. زمانی مفید است که الگوهای هم‌راستایی مدنظر باشند، نه مقادیر دقیق.

8️⃣ فاصله دایس (Dice Distance)
🔹 مشابه جاکارد با وزن بیشتر به اشتراک. در پردازش تصویر و بخش‌بندی (segmentation) کاربرد گسترده دارد.

9️⃣ فاصله همینگ (Hamming Distance)
🔹 شمارش تعداد اختلاف در موقعیت‌های متناظر. ویژه‌ی داده‌های باینری یا رشته‌های دسته‌بندی‌شده.

🔟 فاصله چبیشف (Chebyshev Distance)
🔹 بیشینه‌ی اختلاف در بین ابعاد. وقتی حساسیت به دورترین اختلاف در یک بُعد اهمیت دارد—مثلاً حرکت شاه در شطرنج.

📌 یادآوری علمی:
برای آنکه یک تابع به‌صورت رسمی «متریک فاصله» محسوب شود، باید چهار خاصیت را داشته باشد:
✔️ نامنفی بودن: Non-negativity
✔️ تقارن: Symmetry
✔️ هم‌ارزی هویتی (صفر بودن فاصله با خودش): Identity of indiscernibles
✔️ نابرابری مثلثی: Triangle inequality

🔬 انتخاب درست متریک، وابسته به نوع داده، ویژگی‌ها، نویز، و هدف نهایی مدل است. در تحلیل‌های علمی، یک انتخاب نادرست می‌تواند منجر به تفسیر نادرست ساختار داده‌ها شود.

@RiskPy
@RiskPyLib