---

در عصر حاضر دسته‌بندی داده‌ها به‌منظور تشخیص و پیش‌بینی وقایع، یکی از موضوعات بسیار مهم در علوم مختلف است. در علم آمار دیدگاه سنتی این کلاس‌بندی‌ها براساس روش‌های کلاسیک و بر پایه مدل‌های آماری از جمله رگرسیون لژستیک امکان‎‌ پذیر خواهد بود. در عصر حاضر که به‌عبارتی عصر انفجار اطلاعات نامیده می‌شود، در اکثر موارد با داده‌هایی مواجه هستیم که نمی‌توان توزیع دقیقی را برای آن‌ها یافت؛ از این‌رو استفاده از روش‌های داده کاوی و یادگیری ماشین که به مدل‌های از پیش تعیین شده نیاز ندارند، می‌تواند مسمر ثمر باشد. در بسیاری از کشورها تشخیص دقیق نوع منابع آب‌های زیر زمینی، یکی از مسائل قابل توجه در زمینه علوم آب است. در این مقاله به مقایسه نتایج حاصل از رده‌بندی یک مجموعه داده مربوط به منابع آب‌های زیرزمینی با استفاده از روش‌های رگرسیونی، شبکه عصبی و ماشین بردار پشتیبان پرداخته‌ایم. نتایج از این کلاس‌بندی‌ها نشان داد که روش‌های یادگیری ماشین در تشخیص دقیق نوع چشمه‌ها موثر بوده است.

---

یکی از مسائل مهم در علوم مختلف موضوع رده‌بندی است. رگرسیون لوژیستیک یکی از روش‌های آماری برای رده‌بندی داده‌ها است که در آن توزیع داده‌ها معلوم فرض می‌شود.محققان امروزه علاوه بر روش‌های آماری از روش‌های دیگری که در آن نیاز به معلوم بودن توزیع داده‌ها نیست مانند روش‌های یادگیری ماشین برای رده‌بندی داده‌ها استفاده می‌کنند . در این در این مقاله علاوه بر رگرسیون لوژیستیک، برخی از الگوریتم های یادگیری ماشین شامل CART،تقویت، Bagging جنگل تصادفی  در حوزه ی یادگیری با نظارت توضیح داده می شود. در نهایت با استفاده از ۴ مجموعه داده واقعی و یک مثال شبیه سازی شده  کارایی رگرسیون لوژیستیک با الگوریتم‌های یادشده  بر اساس معیار دقت و حساسیت و صحت  مورد مقایسه قرار می گیرند.


 

---

امروزه کاربرد علم آمار در علوم دیگر از جمله علوم پزشکی بسیار رایج شده است.  اخیرا طرح بهینه بعنوان ابزاری برای افزایش کارایی در انجام آزمایش‌ها  در این علوم مورد توجه محققان است.
فارماکوکنتیک بعنوان شاخه‌ای از داروشناسی که وظیفه بررسی عملکرد دارو در موجودات زنده را دارد، از اهمیت خاصی در علوم پزشکی برخوردار است. هدف این تحقیق معرفی طرح‌های بهینه برای  مدل‌های مطالعات فارماکوکنتیک است. مدل‌های مورد استفاده در این مقاله، در متون آماری تحت عنوان مدل‌های غیرخطی شناخته می‌شوند. این مدل‌ها وابسته به پارامترهای خاص براساس فاکتورهای داروشناسی و نیز زمان بعنوان متغیر پیشگو کننده هستند. طرح‌های بهینه براساس توابعی از ماتریس اطلاع فیشر بدست می‌آیند. این توابع بعنوان معیارهای بهینگی شناخته می‌شوند. در این مقاله ما دو معیار A- و E- بهینگی را در نظر می‌گیریم. براساس این دومعیار طرح‌های بهینه موضعی برای مدل‌های  معرفی‌شده، بدست آورده می‌شوند.