fa مدل‌بندی داده‌های شمارشی با استفاده از رگرسیون پواسون آماسیده در صفر با یادگیری عمیق آمار کاربردی Applied Statistics پژوهشی بنیادی Research در چشم‌انداز وسیع تحلیل داده‌های مدرن، مواجهه با داده‌های شمارشی که با مشکل فراوانی بیش از حد صفر درگیر هستند، یک معضل تحلیلی بنیادین به شمار می‌رود. مدل‌های کلاسیک چون رگرسیون پواسون، در برابر این پدیده از خود ضعف نشان می‌دهد، زیرا فاقد توانایی برای تفکیک صفرهای ساختاری (ناشی از فرایندهای قطعی) از صفرهای تصادفی (ناشی از فرایندهای تصادفی) هستند. اگرچه مدل‌های رگرسیون پواسون آماسیده در صفر گامی مهم در جهت حل این چالش برداشته‌اند، اما کارایی آن‌ها در عصر داده‌های بزرگ و با ابعاد بسیار بالا، با محدودیت‌های جدی روبه‌رو است. این پژوهش، با نگاهی فراتر از چارچوب‌های سنتی، چارچوبی نوین مبتنی بر شبکه‌های عصبی عمیق را برای تقویت و متحول ساختن مدل‌های رگرسیون پواسون آماسیده در صفر معرفی می‌کند. این رویکرد ترکیبی، با بهره‌گیری از قدرت بی‌نظیر یادگیری عمیق در استخراج ویژگی‌های غیرخطی و پیچیده، قادر است فرایند دوگانه تولید داده‌ها (فرایند تولید صفر و فرایند شمارش) را با دقتی بی‌سابقه مدل‌سازی کند. نتایج حاصل از شبیه‌سازی‌های گسترده و کاربرد بر روی مجموعه داده‌های واقعی، برتری چشمگیر این معماری نوین را در سناریوهای با ابعاد بالا و روابط متغیرهای پیچیده، به وضوح آشکار می‌سازد. In the broad landscape of modern data analysis, dealing with count data affected by excessive zeros represents a fundamental analytical challenge. Classical models such as Poisson regression exhibit notable weaknesses in this context, as they cannot distinguish between structural zeros (arising from deterministic processes) and random zeros (arising from stochastic processes). Although zero-inflated Poisson regression models have taken a significant step toward addressing this issue, their performance is seriously limited in the era of high-dimensional and large-scale data.<br> This research, looking beyond traditional frameworks, introduces an innovative deep neural network&ndash;based framework designed to enhance and transform zero-inflated Poisson regression models. By leveraging the remarkable capacity of deep learning to extract nonlinear and complex features, this hybrid approach can model the dual data-generating processes, the zero-generation process, and the count-generation process with unprecedented precision. پرسپترون چند لایه, داده شمارشی, رگرسیون پواسون آماسیده در صفر, رگرسیون پواسون عمیق, شبکه‌های عصبی. Zero-Inflated Poisson Regression,Deep Poisson Regression, Neural Net- works, Multilayer Perceptron, Count Data 0 0 http://jss.irstat.ir/browse.php?a_code=A-10-77-3&slc_lang=fa&sid=1 taranom Torabi Neman ترنم ترابی نعمان taranom.torabi1377@gmail.com 0924647094 0009-0002-5316-9355 No Ferdowsi of Mashhad دانشگاه فردوسی مشهد mahdi Emadi مهدی عمادی emadi@um.ac.ir 0934173672 10031947532846009299 Yes Ferdowsi of Mashhad دانشگاه فردوسی مشهد Mohammad Arashi محمد آرشی m_arashi_stat@yahoo.com 09000000000 10031947532846009300 No Ferdowsi of Mashhad دانشگاه فردوسی مشهد