---

رده‌بندی داده‌های دقیق تا کنون با روش‌های مختلف و در ابعاد وسیعی مورد بررسی و تحلیل قرار گرفته است، اما داده‌هایی که برای رده‌بندی مورد استفاده قرار می‌گیرند همیشه مقدار مشخص و دقیقی ندارند. از آن‌جا که نوع مقیاس داده‌ها متفاوت است، مقدار داده ممکن است در یک بازه قرار گیرد که در این صورت‏، مسئلۀ رده‌بندی داده‌های نادقیق مطرح می‌شود. در سال‌های اخیر با فرض نرمال بودن توزیع حاکم بر داده‌های نادقیق، برآوردهای مختلفی برای میانگین و واریانس این توزیع ارائه‌شده است. در این مقاله با فرض این‌که توزیع حاکم بر داده‌های نادقیق توزیع نرمال دو‌متغیره باشد، با روش ماکسیمم درست‌نمایی بر روی مقادیر دو سر بازه داده‌های نادقیق، میانگین و واریانس این توزیع را برآورد کرده‌ایم. سپس با استفاده از رده‌بندی سادۀ بیزی، یک مدل آمیختۀ بیزی برای رده‌بندی داده‌های دقیق و نادقیق ارائه ‏کرده‌ایم. همچنین دقت و کارایی مدل ارائه‌شده بررسی شده است.

---

  بیماری‌های قلبی-عروقی شایع‌ترین علت مرگ و میر در سراسر جهان است. از سوی دیگر برای تعیین یک مدل بقای مناسب به‌منظور پیشگویی خطر بروز بیماری‌های قلبی و شناسایی عوامل خطرساز مهم در بروز این بیماری‌ها باید شکل تابعی که زمان بقا و عوامل خطرساز را به هم مرتبط ‌سازد را مشخص کرد. در این مطالعه یک روش کاهش بعد بسنده با استفاده از یک مدل کلّی که مدل‌های بقای متداول را به‌عنوان موارد خاص شامل می‌شود، به‌منظور پیشگویی خطر بروز بیماری‌های قلبی پیشنهاد شده است.

روش‌های کاهش بعد بسنده مبتنی بر رگرسیون وارون که با مدل خطرهای متناسب کاکس ترکیب شده، در مجموع یک عملکرد پیشگویانۀ خوبی برای بقای آینده افراد دارد.

---

اینترنت اشیاء با دارا بودن قابلیت بسیار بالا برای بهره‌ور نمودن کسب و کارها در حوزه‌های مختلف از جمله صنایع به‌عنوان انقلاب آتی در فناوری اطلاعات و ارتباطات معرفی شده است. این بهره‌وری در زمینه بروز نوآوری و ارائه قابلیت‌های نو برای کسب و کارها است. صنایع مختلف در خصوص اینترنت اشیاء واکنش‌های مختلفی را نشان داده‌اند اما آنچه واضح است این است که اینترنت اشیاء در تمامی کسب و کارها و صنایع دارای کاربرد است. این کاربردها در برخی صنایع مانند بهداشت و حوزه سلامت و یا حمل و نقل پیشرفت چشمگیری داشته اما در صنایع دیگر همچون کشاورزی و دامداری در حال توسعه است. در واقع تولید داده‌ها بر مبنای اینترنت اشیاء از ارکان اصلی در حوزه مه داده‌ها و علم داده‌ها خواهد بود. لذا استفاده از مفاهیم و مدل‌های آماری که در علم داده‌ها مورداستفاده قرار می‌گیرند به‌خوبی می‌توانند در این‌گونه داده‌ها مورداستفاده قرار گیرند. از جمله مدل‌های آماری معتبر آمار بیزی برای مه داده‌ها است که مبنای استفاده در این پژوهش قرار گرفته است. در این پژوهش ضمن معرفی مفاهیم مهم و معتبر که در حوزه مه داده‌ها مورد استفاده قرار می‌گیرند به‌طورخاص اصول آمار بیزی برای مه داده‌ها و به‌طور مشخص برای داده‌های حاصل از اینترنت اشیاء توضیح داده شده است. به‌صورت کاربردی نیز در دو حوزه رفتار اجتماعی افراد برای علاقه‌مندی به استفاده از وسیله نقلیه و ترافیک شهری بررسی شده است که نتایج معتبری از نظر علمی و کار بردی در برداشته است

---

ر دنیای امروزی با استفاده از فرآیند مدل‌سازی آماری می‌‌توان پدیده‌‏های طبیعی را جهت تحلیل و پیش‌‏بینی اتفاقات مورد
بررسی، بکار برد. دﺭ ﺑﺴﻴﺎﺭﯼ ﺍﺯ ﺭﻭﺵ‌ﻫﺎﯼ ﻣﺪﻝ‌ﺳﺎﺯﯼ ﺁﺏ‌ﺷﻨﺎﺳﯽ ﺍﺯ ﺍﻃﻼﻋﺎﺕ ﻣﻮﺟﻮﺩ ﺑﻪ ﺑﻬﺘﺮﻳﻦ ﻭﺟﻪ ﺍﺳﺘﻔﺎﺩﻩ ﻧﻤﯽ‌‌ﺷﻮد به این دلیل که مدﻝ‌‌ﻫﺎﯼ ﺁﺏ‌ﺷﻨﺎﺳﯽ فرﺍﻳﻨﺪﻫﺎﯼ ﻣﺤﻴﻄﯽ ﺭﺍ ﺩﺭ ﻃﻴﻒ ﻭﺳﻴﻌﯽ ‏نشاﻥ ﻣﯽ‌ﺩﻫﻨﺪ ﮐﻪ ﺑﺎﻋﺚ ﺍﻓﺰﺍﻳﺶ ﭘﻴﭽﻴﺪﮔﯽ ﻣﺪﻝ می‌‌شود. در هنگام پیش‌بینی به طور مشخص پارامترها بر عملکرد مدل‌های آماری تاثیر می‌‌گذارند. وجود عدم قطعیت در بسیاری از مسائل ارزیابی ریسک در پارامترها منجر به عدم قطعیت در پیش‌بینی‌های مدل می‌‌شود. تحلیل حساسیت کلی ابزاری است که برای نشان‌دادن عدم قطعیت استفاده می‌شود و در تصمیم‌گیری، ارزیابی ریسک، ساده‌سازی مدل‌ها و غیره کاربرد دارد. دو روش تحلیل حساسیت فاصله مینکوفسکی و تحلیل حساسیت منطقه‌ای روش‌هایی هستند که می‌‌توانند با یک مجموعه نمونه داده شده از جفت‌های ورودی - خروجی مدل کار کنند. یک تفاوت قابل توجه بین این دو روش آن است که تحلیل حساسیت فاصله مینکوفسکی، توزیع‌های خروجی را مشروط به مقادیر ورودی (پیشرو) تحلیل می‌‌کند در حالی که تحلیل حساسیت منطقه‌ای، توزیع‌های ورودی را مشروط به مقادیر خروجی تحلیل می‌کند (معکوس). در این مقاله به تعیین روابط روش‌های حساسیت کلی (فاصله مینکوفسکی و منطقه‌ای) پرداخته و نشان داده خواهد شد، هنگامی که تحلیل حساسیت منطقه ای بر توابع چگالی احتمالی متمرکز شود به سمت تحلیل حساسیت فاصله مینکوفسکی همگرا می‌شود. همچنین مشابه شاخص‌های حساسیت پیشرو می‌توان شاخص‌‎‏‌های حساسیت معکوس را به دست آورد. سرانجام به تحلیل حساسیت یک طرح ذخیره‌سازی آب با‏ استفاده از مدل های‌‌مد با ابعاد بالای خروجی‌های مدل پرداخته می‌شود.

---

امروزه تشخیص بیماری‌ها با استفاده از هوش مصنوعی و الگوریتم‌های یادگیری ماشین از اهمیت بسیار بالایی برخوردار است، چرا که با استفاده از داده‌های موجود در زمینه مطالعاتی بیماری مورد نظر می‌توان به اطلاعات و نتایج سودمندی دست یافت که از رخداد بسیاری از مرگ ومیر‌ها می‌کاهد. از جمله این بیماری‌ها می‌توان به تشخیص بیماری دیابت که امروزه با توجه به رشد زندگی شهرنشینی و کاهش فعالیت افراد گسترش یافته است، اشاره کرد. ‌پس تشخیص این موضوع که فرد به بیماری دیابت مبتلا می‌گردد یا خیر از اهمیت بسیار بالایی برخوردار است. در این مقاله از مجموعه داده مربوط به اطلاعات افرادی که آزمایش تشخیص دیابت را انجام داده‌اند استفاده شده است. این اطلاعات مربوط به 520 نفر است، 
عمل رده‌بندی افراد به دو دسته که آیا نتیجه آزمایش دیابتشان مثبت است یا خیر صورت می‌گیرد و از روش‌های رده‌بند بیزی مانند ماشین بردار پشتیبان بیزی، بیز ساده، CN$ و روش‌ رده‌بند ترکیبی کت‌بوست استفاده شده است تا بتوان نتیجه گرفت که کدام یک از این روش‌ها می‌توانند توانمندی بهتری برای تحلیل داده‌ها داشته باشند و همچنین برای مقایسه این روش‌ها از معیار‌های دقت، صحت، وضوح، حساسیت و نمودار راک استفاده شده است.