_id
stringlengths 40
40
| text
stringlengths 0
9.21k
|
|---|---|
d31798506874705f900e72203515abfaa9278409 | প্ৰবন্ধৰ ইতিহাসঃ প্ৰাপ্ত ২৬ আগষ্ট ২০০৭ সংশোধিত ৰূপত প্ৰাপ্ত ৭ মে ২০০৮ গ্ৰহণ ১৩ মে ২০০৮ |
6d96f946aaabc734af7fe3fc4454cf8547fcd5ed | |
1c26786513a0844c3a547118167452bed17abf5d | অনুবাদৰ সমস্যাৰ সংক্ষিপ্ত পৰিচয় দিয়াৰ পিছত আৰু আৰবী-ইংৰাজী অনুবাদৰ কিছুমান বিশেষ সমস্যা আলোকপাত কৰাৰ পিছত, সমস্যাৰ এক কম্পিউটেশ্যনেল সমাধান হিচাপে তিনিটা পৰ্যায়ৰ এলগৰিথমৰ বিষয়ে উল্লেখ কৰা হৈছে। এই এলগৰিথমটো লুকাই থকা মাৰ্কভ মডেল পদ্ধতিৰ ওপৰত আধাৰিত, কিন্তু অনলাইন ডাটাবেছত উপলব্ধ তথ্যৰ ওপৰতো নিৰ্ভৰ কৰে। তাৰ পিছত এই এলগৰিথমৰ মূল্যায়ন কৰা হয় আৰু ৮০%ৰ ওচৰলৈ যথাৰ্থতা প্ৰাপ্ত কৰিবলৈ প্ৰদৰ্শন কৰা হয়। |
dbc82e5b8b17faec972e1d09c34ec9f9cd1a33ea | আমাৰ সাধাৰণ জ্ঞানৰ যুক্তিৰ গৱেষণাত আমি দেখা পাইছো যে বিশেষভাৱে গুৰুত্বপূৰ্ণ জ্ঞান হৈছে মানুহৰ লক্ষ্যৰ জ্ঞান। বিশেষকৈ ইন্টাৰফেচ এজেন্টৰ বাবে কমন্সচেন্স যুক্তি প্ৰয়োগ কৰাৰ সময়ত, আমি ব্যৱহাৰকাৰীৰ ক্ৰিয়াৰে লক্ষ্য চিনাক্ত কৰিব লাগিব (পৰিকল্পনা চিনাক্তকৰণ), আৰু লক্ষ্য প্ৰয়োগ কৰা ক্ৰিয়াৰে ক্ৰম সৃষ্টি কৰিব লাগিব (পৰিকল্পনা) । আমি প্ৰায়েই লক্ষ্যৰ ক্ষেত্ৰত সাধাৰণ প্ৰশ্নৰ উত্তৰ দিয়া প্ৰয়োজন, যেনে কেতিয়া আৰু ক ত এটা নিৰ্দিষ্ট লক্ষ্য প্ৰাপ্ত কৰাৰ সম্ভাৱনা আছে, বা কিমান সময় লাগে সেয়া প্ৰাপ্ত কৰিবলৈ। সাধাৰণ জ্ঞান জ্ঞান আহৰণৰ ক্ষেত্ৰত পূৰ্বৰ কামত, ব্যৱহাৰকাৰীসকলক এনে তথ্যৰ বাবে প্ৰত্যক্ষভাৱে সোধা হৈছে। শেহতীয়াকৈ, অৱশ্যে, আন এক পদ্ধতিৰ উদ্ভৱ হৈছে- ব্যৱহাৰকাৰীসকলক গেম খেলিবলৈ প্ৰলোভিত কৰিবলৈ য ত জ্ঞানৰ যোগান ধৰাৰ মাধ্যম হৈছে খেলত ভাল স্ক ৰ কৰা, এইদৰেই খেলুৱৈসকলক প্ৰেৰণা দিয়া। এই পদ্ধতিৰ উদ্ভাৱন কৰিছিল লুইছ ভন আহান আৰু তেওঁৰ সহকৰ্মীসকলে, যিসকলে ইয়াক মানৱ গণনা বুলি কয়। সাধাৰণ সন্মতি হৈছে এটা মজাদার, স্ব-নিৰ্ভৰশীল ৱেব-ভিত্তিক খেল, যিয়ে দৈনন্দিন লক্ষ্যৰ বিষয়ে সাধাৰণ জ্ঞান সংগ্ৰহ কৰে আৰু বৈধতা প্ৰদান কৰে। ই টিভি গেমশ্ব ফেমিলি ফিউডৰ ওপৰত আধাৰিত। এটা সৰু ব্যৱহাৰকাৰী অধ্যয়নে দেখুৱাইছে যে ব্যৱহাৰকাৰীসকলে খেলখন উপভোগ্য বুলি ভাবে, জ্ঞানৰ গুণমান অতি উত্তম, আৰু জ্ঞানৰ সংগ্ৰহৰ হাৰ দ্ৰুত। ACM শ্ৰেণীবিভাগঃ H.3.3 [তথ্য সংৰক্ষণ আৰু পুনৰুদ্ধাৰ]: তথ্য অনুসন্ধান আৰু পুনৰুদ্ধাৰ; I.2.6 [কৃত্ৰিম বুদ্ধিমত্তা]: শিকণ |
f8b1534b26c1a4a30d32aec408614ecff2412156 | |
4c479f8d18badb29ec6a2a49d6ca8e36d833fbe9 | [অধ্যয়নৰ বাবে প্ৰশ্নসমূহ] বহুতো মাংসপেশী, লিগামেণ্ট আৰু শিৰাসমূহৰ বাবে সন্নিবেশ স্থান হোৱাৰ লগতে ই ইছিয়াল টিউবেৰছিটিসমূহৰ সৈতে ট্ৰাইপডৰ এটা ভৰি হিচাপেও কাম কৰে- যি আসন অৱস্থাত এজন ব্যক্তিক ওজন বহন কৰা সমৰ্থন প্ৰদান কৰে। কক্চিডিনিয়াৰ (ককচিডিনাৰ অঞ্চলৰ বেদনা) ঘটনা প্ৰতিবেদন কৰা হোৱা নাই, কিন্তু কক্চিডিনিয়াৰ বিকাশৰ সৈতে জড়িত কাৰকবোৰৰ ভিতৰত মেদবহুলতা আৰু মহিলা লিংগ অন্তৰ্ভুক্ত আছে। [অধ্যয়নৰ বাবে প্ৰশ্নসমূহ] ফলাফল ৯০% ৰোগীৰ ক্ষেত্ৰত সংৰক্ষণশীল চিকিৎসা সফল হয় আৰু বহুতো ৰোগী চিকিৎসা অবিহনেই আৰোগ্য হয়। অগ্নিশক্ত কেছসমূহৰ চিকিৎসাৰ ভিতৰত আছে পেলভিক তলাৰ পুনৰ্বাসন, মেনুৱেল মেনিপুলেচন আৰু মেশাজ, ট্ৰান্সকুটেন ইলেক্ট্ৰিক নাৰ্ভ স্টিমুলেচন, সাইক থেৰাপি, ষ্টেৰইড ইনজেকচন, নাৰ্ভ ব্লক, স্পাইনাল মাৰ্ড স্টিমুলেচন আৰু অস্ত্ৰোপচাৰ পদ্ধতি। উপসংহাৰ ফিজিকেল থেৰাপি, অৰ্গনোমিক অভিযোজন, ঔষধ, ইনজেকচন আৰু সম্ভৱতঃ, মনোবিজ্ঞান ব্যৱহাৰ কৰি এটা বহুমুখী পদ্ধতি গ্ৰহণ কৰিলে, অত্যাৱশ্যকীয় ককচিছ বেদনা থকা ৰোগীৰ ক্ষেত্ৰত সফলতাৰ সৰ্বাধিক সম্ভাৱনা থাকে। যদিও নতুন অস্ত্ৰোপচাৰ পদ্ধতি উদ্ভৱ হৈছে, তথাপিও ইয়াৰ কাৰ্য্যকৰীতা নিৰ্ধাৰণ কৰাৰ আগতে অধিক গৱেষণাৰ প্ৰয়োজন। |
0989bbd8c15f9aac24e8832327df560dc8ec5324 | গৱেষকসকলে এই অস্থিসমূহ সৃষ্টি কৰাৰ পদ্ধতিৰ বিষয়ে অনুসন্ধান আৰম্ভ কৰাৰ প্ৰায় ৬০ বছৰ ধৰি, এই অস্থিসমূহ বিজ্ঞান কল্পকাহিনীৰ পৰা প্ৰায় বাণিজ্যিক উৎপাদনৰ দিশলৈ আগবাঢ়ি গৈছে। যদিও এতিয়াও এক্স স্কেলেটনৰ বিকাশৰ সৈতে জড়িত বহুতো প্ৰত্যাহ্বান আছে যি এতিয়াও নিখুঁত হোৱা নাই, ক্ষেত্ৰখনত অগ্ৰগতি হৈছে বিশাল। এই প্ৰবন্ধত আমি ইতিহাসৰ পৰ্যালোচনা কৰিম আৰু নিম্ন অংগ এক্স স্কেলেট আৰু সক্ৰিয় অৰ্থ ছিছৰ অত্যাধুনিক প্ৰযুক্তিৰ বিষয়ে আলোচনা কৰিম। আমি সাহিত্যত বৰ্ণনা কৰা বেছিভাগ ডিভাইচৰ বাবে হাৰ্ডৱেৰ, অ্যাকুৱেচন, ছেন্সৰ আৰু নিয়ন্ত্ৰণ প্ৰণালীৰ ডিজাইন আভাস প্ৰদান কৰোঁ আৰু কৰা প্ৰধান অগ্ৰগতি আৰু এতিয়াও অতিক্ৰম কৰিবলগীয়া বাধাসমূহৰ আলোচনাৰ সৈতে শেষ কৰোঁ। |
4adffe0ebdda59d39e43d42a41e1b6f80164f07e | অ-নেগেটিভ মেট্ৰিকছ ফেক্টৰাইজেশ্যন (NMF) হৈছে এক নিৰীক্ষণহীন শিক্ষণ পদ্ধতি যি বিভিন্ন প্ৰয়োগৰ বাবে উপযোগী, য ত ছবি প্ৰক্ৰিয়া আৰু নথিৰ অৰ্থ বিশ্লেষণ অন্তৰ্ভুক্ত। এই প্ৰবন্ধত সমতুল্য NMF (SNMF) ৰ ওপৰত গুৰুত্ব দিয়া হৈছে, যি NMF বিভাজনৰ এক বিশেষ ঘটনা। এই সমস্যাৰ বাবে ৩ স্তৰৰ মৌলিক ৰেখীয় বীজগণিতৰ উপ-প্ৰোগ্ৰাম ব্যৱহাৰ কৰি তিনিটা সমান্তৰাল গুণক আপডেট এলগৰিথম প্ৰস্তুত কৰা হৈছে। প্ৰথমতে, ইউক্লিডীয় দূৰত্বৰ ক্ষুদ্রাকৰণ কৰি, এটা গুণক আপডেট এলগৰিথমৰ প্ৰস্তাৱ দিয়া হৈছে, আৰু ইয়াৰ সংমিশ্ৰণক হালধীয়া অৱস্থাত প্ৰমাণ কৰা হৈছে। ইয়াৰ ভিত্তিত আমি আৰু দুটা দ্ৰুত সমান্তৰাল পদ্ধতিৰ প্ৰস্তাৱ দিছো: α-SNMF আৰু β-SNMF এলগৰিদম। সেই সকলোবোৰ কাৰ্যকৰী কৰাটো সহজ। এই এলগৰিথমবোৰ সম্ভাব্যতাবাদী ক্লাষ্টাৰিংত প্ৰয়োগ কৰা হয়। আমি মুখৰ ছবিৰ ক্লাষ্টাৰিং, নথি শ্ৰেণীবিভাজন আৰু জিনৰ প্ৰকাশৰ ক্ষেত্ৰত পটভূমি ক্লাষ্টাৰিংৰ বাবে তেওঁলোকৰ কাৰ্য্যকৰীতা প্ৰদৰ্শন কৰিছো। |
2a4423b10725e54ad72f4f1fcf77db5bc835f0a6 | পৰিসংখ্যাগত যান্ত্ৰিকতা (এক নিৰ্দিষ্ট তাপমাত্ৰাত তাপীয় ভাৰসাম্যত বহু ডিগ্ৰী স্বাধীনতা থকা প্ৰণালীৰ আচৰণ) আৰু বহু-পৰিৱৰ্তক বা সংমিশ্ৰণমূলক অপ্টিমাইজেশ্যনৰ (অনেক পৰিমাপৰ ওপৰত নিৰ্ভৰ কৰি এটা নিৰ্দিষ্ট কাৰ্য্যৰ ন্যূনতম সন্ধান) মাজত এক গভীৰ আৰু উপযোগী সংযোগ আছে। কঠিন পদাৰ্থত ৰিনিংৰ সৈতে এটা বিশদ উপমা অতি ডাঙৰ আৰু জটিল প্ৰণালীৰ বৈশিষ্ট্যসমূহৰ অনুকূলিতকৰণৰ বাবে এটা ফ্ৰেমৱৰ্ক প্ৰদান কৰে। পৰিসংখ্যাগত যান্ত্ৰিকতাৰ সৈতে এই সংযোগে নতুন তথ্যৰ উন্মোচন কৰে আৰু পৰম্পৰাগত অপ্টিমাইজেশ্যন সমস্যা আৰু পদ্ধতিৰ ওপৰত এক অপৰিচিত দৃষ্টিভংগী প্ৰদান কৰে। |
dec997b20ebe2b867f68cc5c123d9cb9eafad6bb | গভীৰ নিউৰেল নেটৱৰ্ক প্ৰশিক্ষণৰ বাবে সাধাৰণতে বৃহৎ পৰিমাণৰ তথ্যৰ প্ৰয়োজন হয় আৰু ই অতি গণনা-নিবিড়। আমি ইয়াত দেখুৱাম যে ব্যয়বহুল গ্ৰেডিয়েন্ট অৱতৰণ প্ৰক্ৰিয়াটো এৰাই চলিবলৈ আৰু প্ৰশিক্ষণ ডাটাৰ বৈশিষ্ট্যৰ পৰা প্ৰত্যক্ষভাৱে এটা নিউৰেল নেটৱৰ্কৰ পাৰামিটাৰবোৰ আহৰণ কৰাটো সম্ভৱ হ ব পাৰে। আমি দেখুৱাম যে, সংমিশ্ৰণৰ ওচৰত, ইনপুটৰ কাষৰ স্তৰসমূহৰ বাবে গ্ৰেডিয়েন্ট অৱতৰণ সমীকৰণসমূহক ৰেখাকৃত কৰিব পাৰি আৰু প্ৰতিটো শ্ৰেণীৰ বাবে তথ্যৰ সহ-বৈকল্পিকতাৰ সৈতে সম্পৰ্কিত শব্দৰ সৈতে ষ্ট কাষ্টিক সমীকৰণ হ ব পাৰে। আমি এই সমীকৰণসমূহৰ সমাধানৰ বিতৰণটো আহৰণ কৰোঁ আৰু এইটো আৱিষ্কাৰ কৰোঁ যে ই পৰিদৰ্শিত প্ৰধান উপাদান বিশ্লেষণৰ সৈতে সম্পৰ্কিত। আমি এই ফলাফলবোৰ এমএনআইএছটি, চিআইএফএআৰ১০ আৰু চিআইএফএআৰ১০০ ইমেজ ডাটাচেটত প্ৰয়োগ কৰোঁ আৰু পাওঁ যে, সঁচাকৈয়ে, আমাৰ ফলাফল ব্যৱহাৰ কৰি পূৰ্ব প্ৰশিক্ষিত স্তৰবোৰে একে আকাৰৰ আৰু আৰ্হিৰ স্নায়ৱিক নেটৱৰ্কৰ তুলনাত তুলনামূলক বা উন্নত কৰে। তদুপৰি, আমাৰ পূৰ্ব প্ৰশিক্ষিত স্তৰবোৰ প্ৰশিক্ষণ ডাটাৰ এটা ভগ্নাংশ ব্যৱহাৰ কৰি গণনা কৰিব পাৰি, সহ-বৈকল্পিকতা মেট্ৰিক্সৰ দ্ৰুত সংমিশ্ৰণৰ বাবে। এইদৰেই, আমাৰ ফলাফলসমূহে প্ৰমাণ কৰে যে আমি প্ৰশিক্ষণৰ সময় কমাব পাৰো, মাত্ৰ এটা অংশৰ প্ৰয়োজন হ লেহে ডাটা গ্ৰেডিয়েন্ট অৱতৰণৰ বাবে ব্যৱহাৰ কৰা হয়, আৰু প্ৰশিক্ষণৰ ব্যয়বহুল পিছলৈ প্ৰসাৰিত পদক্ষেপত স্তৰসমূহ আঁতৰ কৰি। ইয়াৰ উপৰিও, এই আৱিষ্কাৰবোৰে গভীৰ নিউৰেল নেটৱৰ্কৰ আভ্যন্তৰীণ কাৰ্যক্ৰমবোৰ আংশিকভাৱে স্পষ্ট কৰে আৰু শ্ৰেণীবিভাজনৰ সমস্যাৰ কিছুমান পৰ্যায়ৰ বাবে অনুকূল সমাধানৰ গাণিতিক গণনা কৰিবলৈ আমাক অনুমতি দিয়ে, এইদৰেই এনে সমস্যাসমূহ দক্ষতাৰে সমাধান কৰাৰ আমাৰ ক্ষমতা উল্লেখযোগ্যভাৱে বৃদ্ধি কৰে। |
Subsets and Splits