استفاده از یادگیری عمیق در پیش بینی موفقیت ایده های کار آفرینی

پیش بینی موفقیت ایده های کارآفرینی یکی از چالش های اصلی در توسعه استارتاپ ها و تصمیم گیری های سرمایه گذاری است. با افزایش رقابت در اکوسیستم کارآفرینی، استفاده از روش های پیشرفته تحلیل داده برای پیش بینی دقیق تر ضروری شده است. این پژوهش با هدف توسعه مدلی مبتنی بر یادگیری عمیق برای پیش بینی موفقیت ایده های کارآفرینی انجام شد. در این پژوهش، داده های مربوط به ویژگی های تیم موسس، سرمایه اولیه، بازار هدف، و نظرات کاربران از منابع مختلف جمع آوری و پیش پردازش شدند. مدل پیشنهادی شامل یک شبکه عصبی بازگشتی (LSTM) ترکیبی با لایه های Dense است که داده های متنی، عددی و سری زمانی را تحلیل می کند.یافته های پژوهش نشان می دهد که مدل پیشنهادی با دقت ۸۷.۵% توانسته عملکرد بهتری نسبت به روش های سنتی مانند Logistic Regression (۷۶%) و الگوریتم های یادگیری ماشین مانند Random Forest (۸۱%) ارائه دهد. علاوه بر این، نظرات کاربران به عنوان داده های متنی، تاثیر چشمگیری بر پیش بینی موفقیت داشته اند. این پژوهش نشان می دهد که ترکیب داده های چندگانه و استفاده از مدل های یادگیری عمیق می تواند ابزار قدرتمندی برای تحلیل و پیش بینی در حوزه کارآفرینی فراهم کند. نتایج این تحقیق می تواند برای سرمایه گذاران، کارآفرینان، و سیاست گذاران در تصمیم گیری های هوشمندانه تر مورد استفاده قرار گیرد.

Keywords:

یادگیری عمیق , پیش بینی موفقیت , کارآفرینی , شبکه عصبی بازگشتی , تحلیل داده های متنی.