مرحبا بالجميع. بالفعل هذا الشهر ، تبدأ دورة جديدة في OTUS - "الرياضيات لعلوم البيانات" . تحسبا لبدء هذه الدورة ، فإننا نشارككم تقليديا في ترجمة مواد مثيرة للاهتمام.

الشرح . التعلم العميق هو طليعة أبحاث التعلم الآلي (ML). وهو يتألف من عدة طبقات خفية من الشبكات العصبية الاصطناعية. تستخدم منهجية التعلم العميق التحولات غير الخطية والتجريدات النموذجية عالية المستوى في قواعد البيانات الكبيرة. لقد أسهمت التطورات الحديثة في تنفيذ هندسة التعلم العميق في العديد من المجالات بالفعل مساهمة كبيرة في تطوير الذكاء الاصطناعي. يقدم هذا المقال دراسة حديثة للمساهمة والتطبيقات الجديدة للتعلم العميق. تقدم النظرة العامة التالية ، بالترتيب الزمني ، كيفية استخدام معظم خوارزميات التعلم العميقة والتطبيقات المستخدمة فيها. بالإضافة إلى ذلك ، يتم عرض فوائد ومزايا منهجية التعلم العميق في عملياتها الهرمية متعددة الطبقات والعمليات غير الخطية ، والتي تتم مقارنتها مع الخوارزميات التقليدية في التطبيقات العادية. تكشف مراجعة التطورات الحديثة في هذا المجال عن المفاهيم المشتركة والفوائد المتزايدة وشعبية التعلم العميق.

1. مقدمة

يعد الذكاء الاصطناعي (الذكاء الاصطناعي) باعتباره الذكاء الذي تظهره الآلات طريقة فعالة لفهم تعلم الإنسان وتشكيل المنطق [1]. في عام 1950 ، تم اقتراح اختبار تورينج كتفسير مرضٍ لكيفية قيام الكمبيوتر بإعادة إنتاج المنطق المعرفي للشخص [2]. كمجال للبحث ، تنقسم الذكاء الاصطناعى إلى نطاقات فرعية أكثر تحديدًا. على سبيل المثال: معالجة اللغة الطبيعية (NLP) [3] يمكنها تحسين جودة الكتابة في التطبيقات المختلفة [4.17]. الوحدة الأكثر كلاسيكية في البرمجة اللغوية العصبية هي الترجمة الآلية ، والتي تُفهم على أنها ترجمة بين اللغات. ساهمت خوارزميات الترجمة الآلية في ظهور العديد من التطبيقات التي تأخذ في الاعتبار البنية النحوية والأخطاء الإملائية. علاوة على ذلك ، يتم استخدام مجموعة الكلمات والمفردات المتعلقة بموضوع المادة تلقائيًا كمصدر رئيسي عندما يقترح الكمبيوتر تغييرات على المؤلف أو المحرر [5]. في التين. يوضح الشكل 1 بالتفصيل كيف يغطي الذكاء الاصطناعي سبعة مجالات لعلوم الكمبيوتر.

في الآونة الأخيرة ، أصبح التعليم الآلي واستخراج البيانات تحت الأضواء وأصبح أكثر المواضيع شعبية بين مجتمع البحث. إن مجمل مجالات البحث هذه يحلل إمكانيات توصيف قواعد البيانات العديدة [9]. على مر السنين ، تم تجميع قواعد البيانات لأغراض إحصائية. يمكن للمنحنيات الإحصائية أن تصف الماضي والحاضر للتنبؤ بأنماط السلوك المستقبلية. ومع ذلك ، على مدار العقود الماضية ، تم استخدام الطرق والخوارزميات الكلاسيكية فقط لمعالجة هذه البيانات ، في حين أن تحسين هذه الخوارزميات يمكن أن يشكل أساسًا للتعلم الذاتي الفعال [19]. يمكن تنفيذ عملية محسّنة لصنع القرار بناءً على القيم الحالية ، والعديد من المعايير ، وطرق الإحصاء المتقدمة. وبالتالي ، فإن أحد أهم تطبيقات هذا التحسين هو الدواء ، حيث تنشئ الأعراض والأسباب والقرارات الطبية قواعد بيانات كبيرة يمكن استخدامها لتحديد أفضل علاج [11].

التين. 1. البحوث في مجال الذكاء الاصطناعي (AI) المصدر: [1].

منذ ML يغطي مجموعة واسعة من الدراسات ، وقد تم بالفعل تطوير العديد من النهج. التكتل ، شبكة بايزي ، والتعلم والتحليل العميق لشجرة القرار ليست سوى بعض منها. يركز الاستعراض التالي بشكل أساسي على التعلم العميق ومفاهيمه الأساسية والتطبيقات المجربة والحديثة في مختلف المجالات. بالإضافة إلى ذلك ، يقدم العديد من الأرقام التي تعكس النمو السريع للمنشورات مع البحث في مجال التعلم العميق في السنوات الأخيرة في قواعد البيانات العلمية.

2. الأساس النظري

ظهر مفهوم التعلم العميق (Deep Learning - DL) لأول مرة في عام 2006 كمجال جديد للبحث في التعلم الآلي. في البداية ، كانت تُعرف بالتعلم الهرمي في [2] ، وكقاعدة عامة ، تضمنت العديد من مجالات البحث المتعلقة بالتعرف على الأنماط. يأخذ التعلم العميق في الاعتبار عاملين أساسيين: المعالجة غير الخطية في عدة طبقات أو مراحل والتدريب تحت أو بدون إشراف [4]. تشير المعالجة غير الخطية في عدة طبقات إلى خوارزمية تقبل فيها الطبقة الحالية إخراج الطبقة السابقة كمدخل. يتم إنشاء تسلسل هرمي بين الطبقات لترتيب أهمية البيانات التي يجب إنشاء الأداة المساعدة الخاصة بها. من ناحية أخرى ، يرتبط التعلم الخاضع للرقابة وغير المتحكم فيه بتسمية فئات الأهداف: وجوده يعني وجود نظام خاضع للرقابة ، والغياب يعني عدم التحكم فيه.

3. التطبيقات

يتضمن التعلم العميق طبقات من التحليل التجريدي والأساليب الهرمية. ومع ذلك ، يمكن استخدامه في العديد من التطبيقات في العالم الحقيقي. كمثال ، في معالجة الصور الرقمية ؛ تم رسم الصور بالأبيض والأسود من قبل المستخدمين الذين اضطروا إلى اختيار كل لون بناءً على تقديرهم الخاص. بتطبيق خوارزمية التعلم العميق ، يمكن إجراء التلوين تلقائيًا باستخدام جهاز كمبيوتر [10]. بنفس الطريقة ، يمكن إضافة الصوت إلى مقطع فيديو لتشغيل الطبول بدون صوت باستخدام الشبكات العصبية المتكررة (RNNs) ، والتي تعد جزءًا من أساليب التعلم العميق [18].

يمكن تقديم التعلم العميق كوسيلة لتحسين النتائج وتحسين وقت المعالجة في العديد من العمليات الحسابية. في مجال معالجة اللغة الطبيعية ، تم تطبيق أساليب التعلم العميق لإنشاء تعليق على الصور [20] وإنشاء نص مكتوب بخط اليد [6]. يتم تصنيف التطبيقات التالية بمزيد من التفصيل في مجالات مثل التصوير الرقمي والطب والقياسات الحيوية.

3.1 معالجة الصور

قبل التأسيس العميق للتعلم كنهج بحثي جديد ، تم تنفيذ بعض التطبيقات كجزء من مفهوم التعرف على الأنماط من خلال معالجة الطبقة. في عام 2003 ، تم تطوير مثال مثير للاهتمام باستخدام ترشيح الجسيمات وخوارزمية انتشار نظرية بايز. يعتقد المفهوم الأساسي لهذا التطبيق أنه يمكن لأي شخص التعرف على وجه شخص آخر من خلال ملاحظة نصف صورة الوجه فقط [14] ، بحيث يمكن للكمبيوتر استعادة صورة الوجه من الصورة التي تم اقتصاصها.

في وقت لاحق من عام 2006 ، تم دمج الخوارزمية الجشدية والتسلسل الهرمي في تطبيق قادر على معالجة الأرقام المكتوبة بخط اليد [7]. استخدمت الدراسات الحديثة التعلم العميق كأداة أساسية لمعالجة الصور الرقمية. على سبيل المثال ، يمكن أن يكون استخدام الشبكات العصبية التلافيفية (CNN) للتعرف على القزحية أكثر فعالية من استخدام أجهزة الاستشعار التقليدية. يمكن أن تصل كفاءة CNN إلى 99.35٪ من الدقة [16].

يتيح التعرف على موقع الجوال حاليًا للمستخدم معرفة عنوان محدد استنادًا إلى الصورة. تحولت خوارزمية SSPDH (دلالات تحت الإشراف - المحافظة على التجزئة العميقة) إلى تحسن كبير على VHB (بت التجزئة البصري) و SSFS (تحديد بصمات الأصابع الفضائية). SSPDH دقة بقدر 70 ٪ أكثر كفاءة [15].

أخيرًا ، هناك تطبيق رائع آخر في معالجة الصور الرقمية باستخدام طريقة التعلم العميق وهو التعرف على الوجوه. تمتلك Google و Facebook و Microsoft نماذج فريدة للتعرف على الوجوه مع تعلم عميق [8]. في الآونة الأخيرة ، تغير التعرف على صورة الوجه إلى التعرف التلقائي من خلال تحديد العمر والجنس كمعلمات أولية. على سبيل المثال ، اختبرت Sighthound Inc. خوارزمية شبكة عصبية تلافيفية عميقة لا يمكنها التعرف على العمر والجنس فحسب ، بل وحتى العواطف [3]. بالإضافة إلى ذلك ، تم تطوير نظام موثوق به لتحديد بدقة عمر ونوع الشخص من صورة واحدة من خلال تطبيق بنية التعلم العميق متعدد المهام [21].

3.2 الطب

لا شك أن معالجة الصور الرقمية جزء مهم من مجالات البحث حيث يمكن تطبيق التعلم العميق. بنفس الطريقة ، تم اختبار التطبيقات السريرية مؤخرًا. على سبيل المثال ، أدت المقارنة بين التعلم المنخفض المستوى والتعلم العميق في الشبكات العصبية إلى تحسين فعالية التنبؤ بالأمراض. تمت معالجة الصورة التي تم الحصول عليها باستخدام التصوير بالرنين المغناطيسي (MRI) [22] من الدماغ البشري للتنبؤ بمرض الزهايمر المحتمل [3]. على الرغم من النجاح السريع لهذا الإجراء ، يجب مراعاة بعض المشكلات بجدية للتطبيقات المستقبلية. أحد القيود هو التدريب والاعتماد على الجودة العالية. حجم وجودة وتعقيد البيانات هي جوانب معقدة ، ومع ذلك ، فإن دمج أنواع البيانات غير المتجانسة هو جانب محتمل من بنية التعلم العميق [17 ، 23].

التصوير المقطعي التماسك البصري (OCT) هو مثال آخر حيث تقنيات التعلم العميق تظهر نتائج مهمة. تقليديا ، تتم معالجة الصور عن طريق التطوير اليدوي للمصفوفات التلافيفية [12]. لسوء الحظ ، فإن نقص مجموعات التدريب يحد من طريقة التعلم العميق. ومع ذلك ، على مدار عدة سنوات ، فإن إدخال مجموعات تدريب محسّنة سيتنبأ بفعالية بأمراض الشبكية ويقلل من تكلفة تقنية OCT [24].

3.3 القياسات الحيوية

في عام 2009 ، تم تطبيق طلب التعرف التلقائي على الكلام لتقليل تكرار خطأ الهاتف (Phone Error Rate - PER) باستخدام اثنين من هياكل شبكة الثقة العميقة المختلفة [18]. في عام 2012 ، تم تطبيق طريقة CNN [25] كجزء من شبكة عصبية مختلطة - نموذج المخفية ماركوف - NN - HMM. نتيجة لذلك ، تم تحقيق معدل فائدة بنسبة 20.07٪. تتم مقارنة PER الناتج بشكل أفضل مع الطريقة الأساسية للشبكة العصبية ثلاثية الطبقات المستخدمة مسبقًا [26]. تم اختبار الهواتف الذكية ودقة كاميراتها للتعرف على القزحية. عند استخدام الهواتف المحمولة التي طورتها شركات مختلفة ، يمكن أن تصل دقة التعرف على القزحية إلى كفاءة تصل إلى 87 ٪ [22،28].

من وجهة نظر الأمن ، وخاصة التحكم في الوصول ؛ يستخدم التعلم العميق جنبا إلى جنب مع الخصائص البيومترية. تم استخدام DL لتسريع عملية تطوير وتحسين أجهزة FaceSentinel للتعرف على الوجوه. وفقًا لهذه الشركة المصنعة ، يمكن لأجهزتها توسيع عملية تحديد الهوية من واحد إلى واحد إلى واحد إلى كثير في تسعة أشهر [27]. قد تستغرق ترقية المحرك هذه 10 سنوات من العمل دون إدخال DL. ما تسارع إنتاج وإطلاق المعدات. يتم استخدام هذه الأجهزة في مطار لندن هيثرو ، ويمكن استخدامها أيضًا لتسجيل ساعات العمل والحضور ، وفي القطاع المصرفي [3 ، 29].

4. نظرة عامة

يلخص الجدول 1 العديد من التطبيقات التي تم تنفيذها خلال السنوات السابقة فيما يتعلق بالتعلم العميق. ذكر معظمها التعرف على الكلام ومعالجة الصور. لا تشمل هذه المراجعة سوى عدد قليل من قائمة الاستخدامات الطويلة.

الجدول 1. تطبيقات التعلم العميق ، 2003-2017

( التطبيق: 2003 - الاستدلال الهرمي بايزي في القشرة البصرية ؛ 2006 - تصنيف الأرقام ؛ 2006 - شبكة ثقة عميقة للتعرف على الهاتف ؛ 2012 - التعرف على الكلام من مصادر متعددة ؛ 2015 - التعرف على قزحية العين باستخدام الهواتف الذكية ؛ 2016 - إتقان الذهاب العميق البحث عن الشبكات العصبية للبحث عن الأشجار ؛ 2017 - نموذج التعرف على الحواس القزحية).

4.1 تحليل المنشورات للسنة

في التين. يوضح الشكل 1 عدد منشورات التعلم العميق من قاعدة بيانات ScienceDirect سنويًا من عام 2006 إلى يونيو 2017. من الواضح أن الزيادة التدريجية في عدد المنشورات يمكن أن تصف النمو المتسارع.

في التين. يوضح الشكل 2 إجمالي عدد منشورات Springer للتعلم العميق سنويًا من يناير 2006 إلى يونيو 2017. في عام 2016 ، كانت هناك زيادة مفاجئة في المنشورات ، حيث وصلت إلى 706 منشورات ، مما يثبت أن التعلم العميق هو في الواقع محور البحث الحديث.

في التين. يوضح الشكل 3 عدد المنشورات في المؤتمرات والمجلات ومنشورات IEEE من يناير 2006 إلى يونيو 2017. من الجدير بالذكر أنه منذ عام 2015 زاد عدد المنشورات بشكل كبير. الفرق بين عامي 2016 و 2015 هو أكثر من 200 ٪ من الزيادة.

التين. 1. زيادة عدد المنشورات المتعلقة بالتعلم العميق في قاعدة بيانات Sciencedirect (يناير 2006 - يونيو 2017)

التين. 2. زيادة في عدد المنشورات على التعلم العميق من قاعدة بيانات Springer. (يناير 2006 - يونيو 2017)

التين. 3. زيادة منشورات التعلم العميق من قاعدة بيانات IEEE. (يناير 2006 - يونيو 2017)

5. الاستنتاجات

التعلم العميق هو تطبيق سريع النمو حقًا للتعلم الآلي. تثبت التطبيقات العديدة الموصوفة أعلاه تطوره السريع في غضون بضع سنوات فقط. يوضح استخدام هذه الخوارزميات في الحقول المختلفة تعدد استخداماتها. يوضح تحليل المنشورات التي أجريت في هذه الدراسة بوضوح أهمية هذه التكنولوجيا ويوفر توضيحًا واضحًا لنمو التعلم العميق والاتجاهات المتعلقة بالبحوث المستقبلية في هذا المجال.

بالإضافة إلى ذلك ، من المهم الإشارة إلى أن التسلسل الهرمي للمستوى والتحكم في التعلم هما عاملان أساسيان في تطوير تطبيق ناجح للتعلم العميق. التسلسل الهرمي مهم للتصنيف الصحيح للبيانات ، في حين يأخذ التحكم في الاعتبار أهمية قاعدة البيانات نفسها كجزء من العملية. تتمثل القيمة الأساسية للتعلم العميق في تحسين تطبيقات التعلم الآلي الموجودة من خلال المعالجة التسلسلية المبتكرة. يمكن للتعلم العميق أن يوفر نتائج فعالة في معالجة الصور الرقمية والتعرف على الكلام. يؤكد انخفاض النسبة المئوية للأخطاء (من 10 إلى 20٪) بوضوح التحسن مقارنة بالأساليب الحالية والمثبتة.

في هذه الحقبة وفي المستقبل ، يمكن أن يكون التعلم العميق أداة أمنية مفيدة من خلال مزيج من التعرف على الوجوه والكلام. بالإضافة إلى ذلك ، تعد معالجة الصور الرقمية مجالًا للبحث يمكن تطبيقه في العديد من المجالات الأخرى. لهذا السبب ، وبعد أن أثبتنا التحسين الحقيقي ، يعد التعلم العميق موضوعًا حديثًا وممتعًا لتطوير الذكاء الاصطناعي.

الأدب المستخدم

1. عبد ، سين: تطبيق مفاهيم الشبكات العصبية التلافيفية على نموذج NN-HMM المختلط للتعرف على الكلام. الصوتيات والكلام ومعالجة الإشارات 7 ، 4277-4280 (2012).
2. Mosavi A.، Varkonyi-Koczy AR: تكامل التعلم الآلي وتحسين الأداء لتعلم الروبوت. التقدم في الأنظمة الذكية والحوسبة 519 ، 349-355 (2017).
3. Bannister ، A: القياسات الحيوية و AI: كيف يتطور FaceSentinel أسرع 13 مرة بفضل التعلم العميق (2016).
4. Bengio ، Y: تعلم أبنية عميقة لمنظمة العفو الدولية. الأسس والاتجاهات في Machine Learning 2، 1-127 (2009).
5. Mosavi، A.، Varkonyi-Koczy، AR، Fullsack، M.: مزيج من التعلم الآلي والتحسين من أجل صنع القرار الآلي. MCDM (2015).
6. دنغ L ، يو D التعلم العميق: الأساليب والتطبيقات. الأسس والاتجاهات في معالجة الإشارات 7 ، 197-387 (2014)
7. جويل ، ب.: التطورات في مجال معالجة اللغات الطبيعية. المجلة الدولية للبحوث المتقدمة في علوم الكمبيوتر 8 ، (2017).
8. Vaezipour ، A: Mosavi ، A. Seigerroth ، U.: التعلم الآلي المتكاملة الأمثل لصنع القرار ، المؤتمر الأوروبي ال 26 حول البحوث التشغيلية ، روما (2013).
9. Hinton GE، Simon O، Yee-Whye TA خوارزمية التعلم السريع لشبكات الإيمان العميق. الحساب العصبي 18 ، 1527-1554 (2006)
10. هشام ، أ. ، هارين ، س.: التعلم العميق - الطفل الجديد في الذكاء الاصطناعي. (2017)
11. Kim IW ​​، أوه ، إم: التعلم العميق: من المعلوماتية الكيميائية إلى الطب الدقيق. مجلة التحقيق الصيدلاني: 1-7 (2017)
12. Mosavi، A.، Vaezipour، A.: تطوير أدوات فعالة للتحليلات التنبؤية والقرارات المستنيرة. تقرير فني. جامعة تالين (2013)
13. Mosavi A.، Y.، Bathla، Varkonyi-Koczy AR: التنبؤ بالمستقبل باستخدام الويب
    المعرفة: أحدث تطورات المسح في الأنظمة الذكية والحوسبة (2017).
14. Mosavi، A.، Vaezipour، A:: Reactive Search Optimization؛ تطبيق متعدد الأهداف
    مشاكل التحسين. الرياضيات التطبيقية 3 ، 1572-1582 (2012)
15. Lee JG (2017) التعلم العميق في التصوير الطبي: نظرة عامة. المجلة الكورية لل
    الأشعة 18 (4): 570-584
16. لي T.: ديفيد ميه الاستدلال Bayesian بايزي في القشرة البصرية. JOSA 20 ، 1434-1448
    (2003).
17. ليو W عميق التعلم التجزئة للبحث المرئي المحمول. مجلة EURASIP على الصورة و
    معالجة الفيديو 17 ، (2017).
18. مارا واو: نهج التعلم العميق لتحديد نموذج استشعار القزحية. رسائل التعرف على الأنماط (2017).
19. Miotto R et al (2017) التعلم العميق للرعاية الصحية: المراجعة والفرص والتحديات.
    إحاطات في المعلوماتية الحيوية
20. محمد أ.: شبكات الإيمان العميق للتعرف على الهاتف. خطة التنفيذ الوطنية حول التعلم العميق
    للتعرف على الكلام والتطبيقات ذات الصلة: 1 ، 635-645 (2009).
21. مور. ي.: اختبار تورينج: المعيار المراوغ للذكاء الاصطناعي. سبرينغر للعلوم و
    وسائل الإعلام التجارية (2003).
22. Vaezipour، A. Mosavi، U. Seigerroth، A:: Visual visual analytics and قرارات مستنيرة في مجال الصحة
    وعلوم الحياة ، المؤتمر الدولي CAE ، فيرونا ، إيطاليا (2013)
23. Raja KB ، Raghavendra R ، Vemuri VK ، Busch C (2015) الهاتف الذكي القائم على القزحية المرئية
    الاعتراف باستخدام تصفية متفرق عميق. رسائل التعرف على الأنماط 57: 33-42.
24. Safdar S، Zafar S، Zafar N، Khan NF (2017) أنظمة دعم القرار القائم على التعلم الآلي (DSS) لتشخيص أمراض القلب: مراجعة. مراجعة الذكاء الاصطناعي: 1-17
25. موسوي ، أ. فاركوني. ج: التعلم في الروبوتات. التعلم 157 ، (2017)
26. Xing J، Li K، Hu W، Yuan C، Ling H et al (2017) تشخيص نماذج التعلم العميق للارتفاع
    تقدير دقة العمر من صورة واحدة. التعرف على الأنماط
27. Mosavi، A. Rabczuk، T: التعلم والتحسين الذكي للمواد الحاسوبية
    ابتكار التصميم والتعلم والتحسين الذكي ، Springer-Verlag ، (2017)
28. Vaezipour، A.، et al.، analysics analys for the decision-decision، International CAE Conference، Verona، Italy، (2013).
29. دههان ، أ.: داغر: العمر العميق والجنس والاعتراف العاطفي باستخدام تلافيفي
    الشبكة العصبية 3 ، 735-748 (2017)
30. Mosavi ، A: نموذج القرار التنبئي ، 2015 ، https://doi.org/10.13140/RG.2.2.21094.630472
31. Vaezipour ، A. ، وآخرون: التحليلات البصرية والقرارات المستنيرة في العلوم الصحية والحياة ".
    ورقة في وقائع المؤتمر الدولي CAE ، فيرونا ، إيطاليا. (2013).
32. Vaezipour ، A.: تحليلات بصرية لاتخاذ قرارات مستنيرة ، مؤتمر CAE ، إيطاليا ، (2013).
33. A.Vaezipour ، A.:Machine تعلم التحسين الأمثل لاتخاذ القرارات. المؤتمر الأوروبي السادس والعشرون للبحوث التشغيلية ، روما (2013).
34. Vaezipour ، A.: التحليلات البصرية لتحليل قرار متعدد المعايير ، في وقائع المؤتمر الدولي CAE ، فيرونا ، إيطاليا (2013).
35. Mosavi، A.، Vaezipour، A.: تطوير أدوات فعالة للتحليلات التنبؤية والقرارات المستنيرة. تقرير فني. (2013). https://doi.org/10.13140/RG.2.2.23902.84800
36. Mosavi A.، Varkonyi-Koczy AR: دمج التعلم الآلي والتحسين لـ
    روبوت التعلم التقدم في الأنظمة الذكية والحوسبة 519 ، 349-355 (2017).
37. موسوي ، أ. ، فاركوني ، أ.: التعلم في الروبوتات. التعلم ، 157 ، (2017).
38. موسوي ، أ.: هندسة برمجيات صنع القرار ؛ التصور واستخراج البيانات بمساعدة النهج. المجلة الدولية للمعلومات وعلوم الكمبيوتر 3، 12-26 (2014).
39. موسوي ، أ.: نظام واسع النطاق لاتخاذ معايير متعددة ؛ قبل المعالجة،
    نظرية النظم المعقدة الكبيرة الحجم والتطبيقات 9 ، 354-359 (2010).
40. إسماعيل ، م. ، موسوي ، أ.: الحد المتغير للتحسين متعدد الأهداف باستخدام البيانات
    تقنيات التعدين. هندسة الكمبيوتر والتكنولوجيا 5 ، 325-333 (2010)
41. Mosavi ، A.: استخراج البيانات لاتخاذ القرارات في التصميم الهندسي الأمثل. مجلة الذكاء الاصطناعى
    and Data Mining 2، 7-14 (2014).
42. موسوي ، أ. ، فايزيبور ، أ.: التحليلات البصرية ، جامعة أوبودا ، بودابست ، (2015).
43. Mosavi، A.، Vaezipour، A:: Reactive Search Optimization؛ تطبيق متعدد الأهداف
    مشاكل التحسين. الرياضيات التطبيقية 3 ، 1572-1582 (2012).
44. Mosavi، A.، Varkonyi-Koczy، AR، Fullsack، M.: Combination of Machine Learning and
    الأمثل لصنع القرار الآلي. MCDM (2015).
45. Mosavi، A.، Delavar، A: Business Modeling، Obuda University، Budapest، (2016).
46. Mosavi ، A.: تطبيق استخراج البيانات في مشاكل التحسين متعددة الأهداف. المجلة الدولية للمحاكاة وتحسين التصميم متعدد التخصصات ، 5 ، (2014)
47. Mosavi، A. Rabczuk، T: التعلم والتحسين الذكي للابتكار في تصميم المواد ، علوم الكمبيوتر النظرية والقضايا العامة ، LION11 (2017).
48. موسوي ، أ. ، التحليلات البصرية ، جامعة أوبودا ، 2016.
49. موسوي ، أ.: صنع القرار التنبئي ، تك ريب 2015. دوي: 10.13140 / RG.2.2.16061.46561
50. موسوي. ج: صنع القرار التنبئي ، نموذج القرار التنبئي ، التقنية. التقرير. (2015).
    https://doi.org/10.13140/RG.2.2.21094.63047
51. Mosavi، A.، Lopez، A: Varkonyi-Koczy، A.: التطبيقات الصناعية للبيانات الضخمة: حالة
    المسح الفني والتطورات في الأنظمة الذكية والحوسبة ، (2017).
52. Mosavi، A.، Rabczuk، T.، Varkonyi-Koczy، A: Reviewing the Novel Machine Learning
    أدوات لتصميم المواد والتطورات في الأنظمة الذكية والحوسبة ، (2017).
53. Mousavi، S.، Mosavi، A.، Varkonyi-Koczy، AR: A خوارزمية موازنة التحميل للموارد
    التخصيص في الحوسبة السحابية ، والتقدم في الأنظمة الذكية والحوسبة ، (2017).
54. Baranyai، M.، Mosavi، A.، Vajda، I.، Varkonyi-Koczy، AR: Optimal Design of Electrical
    الآلات: أحدث استطلاع ، التطورات في الأنظمة الذكية والحوسبة ، (2017).
55. موسوي ، أ. ، بينكريف ، ر. ، فاركوني-كوزي ، أ.
    والحوسبة ، (2017).
56. Mosavi، A.، Rituraj، R.، Varkonyi-Koczy، AR: Review the Multiobjective Optimization
    حزمة وضع الحدود في قطاع الطاقة ، والتقدم في الأنظمة الذكية والحوسبة ،
    (2017).
57. Mosavi، A.، Bathla، Y.، Varkonyi-Koczy AR: التنبؤ بالمستقبل باستخدام الويب
    المعرفة: دراسة الحالة الحديثة ، التقدم في الأنظمة الذكية والحوسبة ،
    (2017).