پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 163 |
| تعداد شماره‌ها | 6,770 |
| تعداد مقالات | 72,943 |
| تعداد مشاهده مقاله | 132,296,170 |
| تعداد دریافت فایل اصل مقاله | 103,773,636 |
تحلیل و پیش‌بینی تصمیم‌های استخدامی با استفاده از یادگیری ماشین و یادگیری عمیق | ||
| مدیریت دولتی | ||
| دوره 17، شماره 2، 1404، صفحه 295-327 اصل مقاله (1.05 M) | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jipa.2025.390322.3649 | ||
| نویسندگان | ||
| احمد جعفرنژاد* 1؛ آرمان رضاسلطانی2؛ امیرمحمد خانی2 | ||
| 1استاد، گروه مدیریت صنعتی، دانشکدۀ مدیریت صنعتی و فناوری، دانشکدگان مدیریت، دانشگاه تهران، تهران، ایران. | ||
| 2دانشجوی دکتری، گروه مدیریت صنعتی، دانشکدۀ مدیریت صنعتی و فناوری، دانشکدگان مدیریت، دانشگاه تهران، تهران، ایران. | ||
| چکیده | ||
| هدف: هدف این مقاله، بررسی استفاده از یادگیری ماشین و الگوریتم‌های یادگیری عمیق برای پیش‌بینی نتایج تصمیم‌های استخدام است. انتخاب نیروی انسانی مناسب، یکی از مسائل مهم و اساسی در همۀ سازمان‌ها و نهادهاست که بر ویژگی‌های عملکرد و بهره‌وری تأثیر مستقیمی دارد. از آنجایی که فرایند استخدام بسیار پیچیده و پیش‌بینی موفقیت در استخدام دشوار است، استفاده از تکنیک‌های مدرن مانند یادگیری ماشینی و یادگیری عمیق، برای بهبود دقت و صحت انتخاب پیشنهاد می‌شود. هدف این پژوهش بررسی توانایی این تکنیک‌ها برای کمک به سازمان‌ها در اتخاذ تصمیم‌های استخدامی بهتر و دور نگه‌داشتن آن‌ها از تصمیم‌گیری‌های پُرهزینه است. روش: در این پژوهش از داده‌های مختلف شامل سن، تحصیلات، سابقۀ کار، توانایی‌های فنی و مهارت‌ها و ویژگی‌های شخصیتی متقاضیان شغل استفاده شد. این داده‌ها به‌کمک الگوریتم‌های یادگیری ماشین و یادگیری عمیق، برای پیش‌بینی احتمال موفقیت متقاضیان در مشاغل مختلف تجزیه‌وتحلیل شدند. مدل‌های طبقه‌بندی برای شبیه‌سازی رفتارهای استخدام و پیش‌بینی تصمیم‌ها در سطوح مختلف ویژگی و به‌عنوان بخشی از مدل‌های یادگیری ماشین استفاده شد. علاوه‌براین، رابطۀ بین ویژگی‌های متقاضی و نتایج استخدام از طریق مدل‌های یادگیری عمیق، برای شناسایی هرگونه روابط غیرخطی و پیچیده مورد بررسی قرار گرفت. مدل‌ها روی تمام داده‌های به‌دست‌آمده از منابع مورد اعتماد و بازبینی شده‌ای به‌دقت پردازش شدند، آموزش دیدند و ارزیابی شدند. یافته‌ها: نتایج این مطالعه نشان می‌دهد که استفاده از یادگیری ماشینی و مدل‌های یادگیری عمیق، در افزایش دقت پیش‌بینی تصمیم‌های استخدامی تأثیر بسزایی دارد. در بین مدل‌های ارزیابی شده، الگوریتم کتبوست (CatBoost) بهترین عملکرد را داشت و به صحت 9533/0، دقت 9540/0، بازیابی 8925/0 و امتیاز F1 برابر با 9222/0 دست یافت که به‌طور چشمگیری از سایر الگوریتم‌ها بهتر بود. به‌طور مشابه، مدل‌های جنگل تصادفی (Random Forest) و اکس‌جی‌بوست (XGBoost) نیز عملکرد خوبی داشتند و به‌ترتیب به دقت 9213/0 و 9500/0 دست یافتند. نتایج تحلیل ویژگی‌ها نشان داد که مهارت‌های فنی، استراتژی استخدام و امتیاز مصاحبه، مهم‌ترین عوامل مؤثر در تصمیم‌گیری استخدام بودند. علاوه‌براین، مدل‌های یادگیری جمعی، به‌ویژه کتبوست، قادر بودند اثرهای پیچیده‌تر ویژگی‌های شخصیتی متقاضیان را شناسایی کنند؛ در حالی‌که مدل‌های یادگیری ماشین سنتی قادر نبودند آن را درک کنند. نتیجه‌گیری: در این مطالعه استفاده از یادگیری ماشین و یادگیری عمیق برای کمک به تصمیم‌گیری بهتر دربارۀ انتخاب نیروی کار نشان داده شده است. کتبوست بهترین عملکرد را داشت؛ زیرا می‌توانست روابط پیچیده‌تر و غیرخطی‌تر بین ویژگی‌های متقاضی و نتایج استخدام را شبیه‌سازی کند. این الگوریتم‌ها باعث کاهش هزینه‌ها، بهبود کیفیت استخدام و بهره‌وری سازمان می‌شوند. با این حال، برای دستیابی به بهترین نتایج، سازمان‌ها باید با دقت و به‌طور مداوم، داده‌های متقاضی را جمع‌آوری و پردازش کنند و به‌طور منظم، مدل‌های یادگیری ماشین را برای حفظ و بهبود دقت پیش‌بینی‌ها با تغییر بازار کار به‌روز کنند. | ||
| کلیدواژه‌ها | ||
| یادگیری ماشین؛ یادگیری عمیق؛ پیش‌بینی استخدام؛ الگوریتم‌های پیش‌بینی؛ ویژگی‌های متقاضی؛ تحلیل داده‌های استخدامی | ||
| عنوان مقاله [English] | ||
| Analyzing and Predicting Hiring Decisions Using Machine Learning and Deep Learning | ||
| نویسندگان [English] | ||
| Ahmad Jafarnjad1؛ Arman Rezasoltani,2؛ Amir Mohammad Khani2 | ||
| 1Prof., Department of Industrial Management, Faculty of Industrial Management and Technology, College of Management, University of Tehran, Tehran, Iran. | ||
| 2Ph.D. Candidate, Department of Industrial Management, Faculty of Industrial Management and Technology, College of Management, University of Tehran, Tehran, Iran. | ||
| چکیده [English] | ||
| Objective The aim of this article is to explore the use of machine learning and deep learning algorithms to predict the outcomes of hiring decisions. Selecting the right human resources is one of the most fundamental elements in any organization or institution, as it directly influences key performance indicators and overall productivity. Since the hiring process is inherently complex and success is difficult to predict, the application of modern techniques—such as machine learning and deep learning—is recommended to enhance the accuracy of selection decisions. This research aims to investigate the effectiveness of these techniques in helping organizations make better hiring choices and avoid costly mistakes. Methods In this study, several data points were collected, including age, education, work experience, technical abilities, and personality traits of job applicants. These data were analyzed using machine learning and deep learning algorithms to predict each applicant’s likelihood of success in various roles. Classification models were employed to simulate hiring behaviors and predict decisions at different levels of specificity as part of the machine learning analysis. Furthermore, deep learning models were used to explore complex and nonlinear relationships between applicant characteristics and hiring outcomes. All models were trained and tested on high-quality data obtained from trusted, peer-reviewed sources, which were rigorously processed to ensure accuracy and consistency. Results The findings indicate that the application of machine learning and deep learning models significantly improves the accuracy of predicting hiring outcomes. Among all the models evaluated, the CatBoost algorithm performed best, achieving an accuracy of 0.9533, a precision of 0.9540, a recall of 0.8925, and an F1 score of 0.9222, outperforming the other algorithms by a notable margin. The Random Forest and XGBoost models also delivered strong performances, with precision scores of 0.9213 and 0.9500, respectively. Feature analysis revealed that technical skills, recruitment strategy, and interview scores were the most influential factors in hiring decisions. Additionally, ensemble learning models-especially CatBoost-were able to identify and model the complex effects of applicants' personality traits, which traditional machine learning models often failed to capture. Conclusion This study demonstrates that machine learning and deep learning algorithms can significantly enhance decision-making in workforce selection. The CatBoost algorithm performed best due to its ability to model complex and nonlinear relationships between applicant characteristics and hiring outcomes. These technologies offer the potential to reduce hiring costs, improve the quality of new hires, and boost organizational productivity. However, to maximize the benefits of these methods, organizations must collect and process applicant data consistently and accurately. They must also regularly retrain and update machine learning models to ensure continued effectiveness and adaptability in the face of evolving labor market dynamics. | ||
| کلیدواژه‌ها [English] | ||
| Machine learning, Deep learning, Recruitment forecasting, Forecasting algorithms, Applicant characteristics, Recruitment data analysis | ||
| مراجع | ||
|
ایمانی، حسین؛ قلی‌پور، آرین؛ آذر، عادل و پورعزت، علی اصغر (1398). شناسایی مؤلفه‌های سیستم تأمین منابع انسانی در راستای ارتقای سلامت نظام اداری. مدیریت دولتی، 11(2)، 251-284.
خلجستانی، سعید؛ پیری، حبیب و ستوده، رضا (1403). ارائه الگوی پیش‌بینی حساسیت جبران خدمات مدیرعامل با استفاده از الگوریتم‌های فراابتکاری (ژنتیک و ازدحام ذرات). مدیریت دولتی، 16(3)، 562- 600.
جعفرنژاد چقوشی، احمد؛ رضاسلطانی، آرمان و خانی، امیرمحمد (1403). مقایسه مدل‌های یادگیری جمعی برای پیش‌بینی رتبۀ کشوری دانش‌آموزان در کنکور سراسری. مدیریت صنعتی، 16(3)، 457- 481.
حسینی، سیدعابد (1403). تجزیه‌وتحلیل سیگنال‌های مغزی به کمک آنتروپی پراکندگی سلسله‌مراتبی و جنگل تصادفی در کاربرد بازاریابی عصبی. هوش محاسباتی در مهندسی برق، 15(1)، 41- 56.
عارف نژاد، محسن و سپهوند، رضا (1396). اثر جهت‌گیری مسیر شغلی متنوع بر قابلیت استخدامی کارکنان با نقش میانجی سرمایۀ مسیر شغلی (مطالعۀ موردی: ترخیص‌کاران گمرک شهید رجایی هرمزگان). مدیریت دولتی، 9(4)، 687-708.
عباس‌پور، عباس؛ رحیمیان، حمید؛ غیاثی ندوشن، سعید و نرگسیان، جواد (1397). ارائه مدل انتخاب کارکنان مستعد در سازمان‌های دولتی. مدیریت دولتی، 10(4)، 605-628.
فهیمی، محمدرضا؛ رجب‌زاده قطری، علی؛ شعار مریم، خادمی مریم (۱۴۰۲). مدل پیش‌بینی تقاضای زنجیره تأمین با تنوع محصولی بالا با استفاده از روش‌های یادگیری ماشین مبتنی بر تقویت گرادیان. فصلنامه علمی ـ پژوهشی اقتصاد و مدیریت شهری، 12(45)، 47- 66.
کزازی، ابوالفضل؛ خانی، امیر محمد و بیرامی، ثریا (1400). تأثیر مدیریت کیفیت زنجیره‌تأمین و عملکرد نوآوری بر عملکردعملیاتی کسب وکارهای فعال در صنایع غذایی استان گلستان. مطالعات مدیریت صنعتی، 19(62)، 67-98.
مسلمان‌زاده، فاطمه؛ کوشا، حمیدرضا و صاعدی،کاظم (1403). پیش‌بینی ماهیت حریق مبتنی بر یادگیری ماشین: رگرسیون لجستیک یک الگوریتم تفسیر پذیر. پژوهش‌های نظری و کاربردی هوش ماشینی، 2(1)،104-119.
References Abbas Pour, A., Rahimian, H., Ghiasi Nodooshan, S. & Nargesian, J. (2018). Presenting a Model to Select Talented Employee in State Organizations. Journal of Public Administration, 10(4), 605-628. doi: 10.22059/jipa.2019.271575.2443 .(in Persian) Akiba, T., Sano, S., Yanase, T., Ohta, T. & Koyama, M. (2019). Optuna: A Next-generation Hyperparameter Optimization Framework. ArXiv (Cornell University). https://doi.org/10.48550/arxiv.1907.10902 Al Akasheh, M., Faisal Malik, E., Hujran, O. & Zaki, N. (2023). A Decade of Research on Data Mining Techniques for Predicting Employee Turnover: A Systematic Literature Review. Expert Systems with Applications, 121794. https://doi.org/10.1016/j.eswa.2023.121794 Albaroudi, E., Mansouri, T. & Alameer, A. (2024). A Comprehensive Review of AI Techniques for Addressing Algorithmic Bias in Job Hiring. AI, 5(1), 383–404. MDPI. https://www.mdpi.com/2673-2688/5/1/19 Albassam, W. A. (2023). The Power of Artificial Intelligence in Recruitment: An Analytical Review of Current AI-Based Recruitment Strategies. International Journal of Professional Business Review, 8(6). https://doi.org/10.26668/businessreview/2023. v8i6.2089 Ali Shah, S. A., Uddin, I., Aziz, F., Ahmad, S., Al-Khasawneh, M. A. & Sharaf, M. (2020). An Enhanced Deep Neural Network for Predicting Workplace Absenteeism. Complexity, 2020, 1–12. https://doi.org/10.1155/2020/5843932 Al-Quhfa, H., Mothana, A., Aljbri, A. & Song, J. (2024). Enhancing Talent Recruitment in Business Intelligence Systems: A Comparative Analysis of Machine Learning Models. Analytics, 3(3), 297–317. https://doi.org/10.3390/analytics3030017 Alsheref, F. K., Fattoh, I. E. & Ead, M.W. (2022). Automated Prediction of Employee Attrition Using Ensemble Model Based on Machine Learning Algorithms. Computational Intelligence and Neuroscience, 2022, 1–9. https://doi.org/10.1155/2022/7728668 Arefnejad, M. & Sepahvnd, R. (2018). The Effect of the Diverse Job Orientation on the Employability of Employees Considering the Mediating Role of the Career Path Capital (Case Study: Shahid Rajaee Customs' Clearance Officers in Hormozgan). Journal of Public Administration, 9(4), 687-708. doi: 10.22059/jipa.2018.251033.2183 (in Persian) Awad, M. & Fraihat, S. (2023). Recursive Feature Elimination with Cross-Validation with Decision Tree: Feature Selection Method for Machine Learning-Based Intrusion Detection Systems. Journal of Sensor and Actuator Networks, 12(5), 67. https://doi.org/10.3390/jsan12050067 Awasthi, N., Gautam, P. R. & Sharma, A. K. (2024). RFECV-DT: Recursive Feature Selection with Cross Validation using Decision Tree based Android Malware Detection. 2024 15th International Conference on Computing Communication and Networking Technologies (ICCCNT), 1–6. https://doi.org/10.1109/icccnt61001.2024.10725127 Brown, L., George, B. & Mehaffey-Kultgen, C. (2018). The development of a competency model and its implementation in a power utility cooperative: an action research study. Industrial and Commercial Training, 50(3), 123–135. https://doi.org/10.1108/ict-11-2017-0087 Dey, I. & Pratap, V. (2023). A Comparative Study of SMOTE, Borderline-SMOTE, and ADASYN Oversampling Techniques using Different Classifiers. https://doi.org/10.1109/icsmdi57622.2023.00060 Ding, Y., Zhu, H., Chen, R. & Li, R. (2022). An Efficient AdaBoost Algorithm with the Multiple Thresholds Classification. Applied Sciences, 12(12), 5872. https://doi.org/10.3390/app12125872 Douider, M., Amrani, I., Balenghien, T., Bennouna, A., & Abik, M. (2022). Impact of Recursive Feature Elimination with Cross-validation in Modeling the Spatial Distribution of Three Mosquito Species in Morocco. Revue D Intelligence Artificielle, 36(6), 855–862. https://doi.org/10.18280/ria.360605 ElSharkawy, G., Helmy, Y. & Yehia, E. (2022). Employability Prediction of Information Technology Graduates using Machine Learning Algorithms. International Journal of Advanced Computer Science and Applications, 13(10). https://doi.org/10.14569/ijacsa.2022.0131043 Gao, H., Liang, G. & Chen, H. (2022). Multi-Population Enhanced Slime Mould Algorithm and with Application to Postgraduate Employment Stability Prediction. Electronics, 11(2), 209. https://doi.org/10.3390/electronics11020209 Ghasemian Sahebi, I., Toufighi, S.P. Azzavi, M. & Zare, F. (2023). Presenting an optimization model for multi cross-docking rescheduling location problem with metaheuristic algorithms. OPSEARCH, 61(1), 137–162. https://doi.org/10.1007/s12597-023-00694-5 Grunenberg, E., Peters, H., Francis, M. J., Back, M. D. & Matz, S. C. (2024). Machine learning in recruiting: predicting personality from CVs and short text responses. Frontiers in Social Psychology, 1. https://doi.org/10.3389/frsps.2023.1290295 Hosseini, S. A. (2024). Analysis of EEG Signals using Hierarchical Dispersion Entropy and Random Forest in the Neuromarketing Application. Computational Intelligence in Electrical Engineering, 15(1), 41-56. doi: 10.22108/isee.2023.133401.1561(in Persian) Hunt, W. & O’Reilly, J. (2022). Rapid Recruitment in Retail: Leveraging AI in the hiring of hourly paid frontline associates during the Covid-19 Pandemic. https://doi.org/10.20919/alnb9606 Imani, H., Gholipour, A., Azar, A. & Pourezzat, A. A. (2019). Identifying Components of Staffing System to Develop Administrative Integrity. Journal of Public Administration, 11(2), 251-284. doi: 10.22059/jipa.2019.277466.2504 (in Persian) Imianvan, A. A., Robinson, S. A., Asuquo, D. E., George, U. D., Dan, E. A., Ejodamen, P. U. & Udoh, A. E. (2024). Enhancing Job Recruitment Prediction through Supervised Learning and Structured Intelligent System: A Data Analytics Approach. Journal of Advances in Mathematics and Computer Science, 39(2), 72–88. https://doi.org/10.9734/jamcs/2024/v39i21869 Jafarnejad Chaghoshi, A., Rezasoltani, A. & Khani, A. M. (2024). Unleashing the Power of Ensemble Learning: Predicting National Ranks in Iran’s University Entrance Examination. Industrial Management Journal, 16(3), 457-481. doi: 10.22059/imj.2024.381521.1008178 (in Persian) Jayanti, L. P. S. D. & Wasesa, M. (2022). Application of Predictive Analytics To Improve The Hiring Process In A Telecommunications Company. Jurnal CoreIT: Jurnal Hasil Penelitian Ilmu Komputer Dan Teknologi Informasi, 8(1). https://doi.org/10.24014/coreit.v8i1.16915 Jha, K., Likhitha, D., Chandana, M. S., Reddy, M. R. P., & Bhargavi, M. (2024, July). Career Prediction Using Machine Learning. In 2024 8th International Conference on Inventive Systems and Control (ICISC) (pp. 118-122). IEEE. https://doi.org/10.1109/icisc62624.2024.00027 Kazai, A., Khani, A. M. and birami, S. (2021). The effect of supply chain quality management and innovation performance on the operational performance of businesses operating in the food industry of Golestan province. Industrial Management Studies, 19(62), 67-98. doi: 10.22054/jims.2021.58750.2612 (in Persian) Khaljastani, S., Piri, H. & Sotoudeh, R. (2024). Presenting a Prediction Model for CEO Compensation Sensitivity using Meta-heuristic Algorithms (Genetics and Particle Swarm). Journal of Public Administration, 16(3), 562-600. doi: 10.22059/jipa.2024.373930.3482 (in Persian) Kumar, V. & Garg, M. L. (2018). Predictive Analytics: A Review of Trends and Techniques. International Journal of Computer Applications, 182(1), 31–37. https://doi.org/10.5120/ijca2018917434 Ma, Y., Zhang, Z. & Ihler, A. (2020). A Deep Choice Model for Hiring Outcome Prediction in Online Labor Markets. International Journal of Computers Communications & Control, 15(2). https://doi.org/10.15837/ijccc.2020.2.3760 Madanchian, M. (2024). From Recruitment to Retention: AI Tools for Human Resource Decision-Making. Applied Sciences, 14(24), 11750. https://doi.org/10.3390/app142411750 Meng, L., Bai, B., Zhang, W., Liu, L. & Zhang, C. (2023). Research on a Decision Tree Classification Algorithm Based on Granular Matrices. Electronics, 12(21), 4470–4470. https://doi.org/10.3390/electronics12214470 Meng, Z. (2023). Analysis and Prediction of College Students’ Employment Based on Decision Tree Classification Algorithm. 1–6. https://doi.org/10.1109/wconf58270.2023.10234985 Migenda, N., Möller, R. & Schenck, W. (2021). Adaptive dimensionality reduction for neural network-based online principal component analysis. PLOS ONE, 16(3), e0248896. https://doi.org/10.1371/journal.pone.0248896 Hanif, A. M., Maarop, N., Kamaruddin, N. & Samy, G. N. (2024). Machine Learning Approach in Predicting Fraudulent Job Advertisement. International Journal of Academic Research in Business and Social Sciences, 14(1), 1182–1193. http://dx.doi.org/10.6007/IJARBSS/v14-i1/20532 Mosalmanzadeh, F., Koosha, H. & Saedi, K. (2025). Predicting the nature of fire based on machine learning: Logistic regression is an interpretable algorithm. Applied and basic Machine intelligence research, 2(1), 104-119. doi: 10.22034/abmir.2025.22313.1068 Nadkarni, S. B., Vijay, G. S. & Kamath, R. C. (2023). Comparative Study of Random Forest and Gradient Boosting Algorithms to Predict Airfoil Self-Noise. https://doi.org/10.3390/engproc2023059024 Nagovitsyn, R. (2023). Predicting Student Employment in Teacher Education Using Machine Learning Algorithms. Education & Self Development, 18(2), 133–148. https://doi.org/10.26907/esd.18.2.10 Naidu, G., Zuva, T. & Sibanda, E.M. (2023). A Review of Evaluation Metrics in Machine Learning Algorithms. Lecture Notes in Networks and Systems, 724, 15–25. https://doi.org/10.1007/978-3-031-35314-7_2 Ozdemir, Y. & Nalbant, K. G. (2020). Personnel Selection for Promotion using an Integrated Consistent Fuzzy Preference Relations - Fuzzy Analytic Hierarchy Process Methodology: A Real Case Study. Asian Journal of Interdisciplinary Research, 219–236. https://doi.org/10.34256/ajir20117 Pampouktsi, P., Avdimiotis, S., Μaragoudakis, M. & Avlonitis, M. (2021). Applied Machine Learning Techniques on Selection and Positioning of Human Resources in the Public Sector. Open Journal of Business and Management, 09(02), 536–556. https://doi.org/10.4236/ojbm.2021.92030 Pessach, D., Singer, G., Avrahami, D., Chalutz Ben-Gal, H., Shmueli, E. & Ben-Gal, I. (2020). Employees recruitment: A prescriptive analytics approach via machine learning and mathematical programming. Decision Support Systems, 134(1), 113290. https://doi.org/10.1016/j.dss.2020.113290 Rabie El Kharoua. (2024). Predicting Hiring Decisions in Recruitment Data. Doi.org. https://doi.org/10.34740/KAGGLE/DSV/8715385 Rallapalli, S. & Kumar, Y.M. (2024). Optimizing Employee Promotion Decisions: A Novel Machine Learning Framework for Predictive Analysis by using GBM CatBoost. 1–7. https://doi.org/10.1109/ssitcon62437.2024.10796145 Raza, A., Munir, K., Almutairi, M., Younas, F. & Fareed, M. M. S. (2022). Predicting Employee Attrition Using Machine Learning Approaches. Applied Sciences, 12(13), 6424. https://doi.org/10.3390/app12136424 Sarker, I. H. (2021). Deep Learning: a Comprehensive Overview on Techniques, Taxonomy, Applications and Research Directions. SN Computer Science, 2(6). Springer. https://doi.org/10.1007/s42979-021-00815-1 Suman, S., Kaur, S. J., Sharma, A. & Kumar, S. (2024). Machine Learning-Based System for Admission and Jobs Prediction in Engineering and Technology Sector. https://doi.org/10.1109/ic2pct60090.2024.10486533 Sun, F. & Xie, X. (2023). Deep Non-Parallel Hyperplane Support Vector Machine for Classification. IEEE Access, 11, 7759–7767. https://doi.org/10.1109/access.2023.3237641 Taherdoost, H. (2023). Deep Learning and Neural Networks: Decision-Making Implications. Symmetry, 15(9), 1723. https://www.mdpi.com/2073-8994/15/9/1723 Thilak, K. D., Lalitha Devi, K., Kalaiselvi, K. & Teja, J. (2023). Revolutionizing University Graduate Employability: Leveraging Advanced Machine Learning Models to Optimize Campus Recruitment and Placement Strategies. 2023 International Conference on Research Methodologies in Knowledge Management, Artificial Intelligence and Telecommunication Engineering (RMKMATE), 1–6. https://doi.org/10.1109/rmkmate59243.2023.10369300 Vujovic, Ž. Ð. (2021). Classification Model Evaluation Metrics. International Journal of Advanced Computer Science and Applications, 12(6). https://doi.org/10.14569/ijacsa.2021.0120670 Wang, L., Tang, X., Zhang, J. & Guan, D. (2018). Correlation Analysis for Exploring Multivariate Data Sets. IEEE Access, 6, 44235–44243. https://doi.org/10.1109/access.2018.2864685 Yadav, S. (2021). A Comparative Analysis of Sampling Techniques for Imbalanced Datasets in Machine Learning - IJIRCT. Ijirct.org. https://www.ijirct.org/viewPaper.php?paperId=2411071 Zhang, S. (2021). Challenges in KNN Classification. IEEE Transactions on Knowledge and Data Engineering, 34(10), 1–1. https://doi.org/10.1109/tkde.2021.3049250 Vinutha, K. & Yogisha, H. K. (2021, March). Prediction of employability of engineering graduates using machine learning techniques. In 2021 8th International Conference on Computing for Sustainable Global Development (INDIACom) (pp. 742-745). IEEE. | ||
|
آمار تعداد مشاهده مقاله: 30 تعداد دریافت فایل اصل مقاله: 13 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب