_id
stringlengths 40
40
| text
stringlengths 0
9.62k
|
|---|---|
d31798506874705f900e72203515abfaa9278409 | लेख के इतिहासः 26 अगस्त 2007 के प्राप्त भइल 7 मई 2008 के संशोधित रूप में प्राप्त भइल 13 मई 2008 के स्वीकार कइल गइल |
6d96f946aaabc734af7fe3fc4454cf8547fcd5ed | |
1c26786513a0844c3a547118167452bed17abf5d | अनुवाद समस्या के संक्षिप्त परिचय प्रदान करे के बाद, आ अरबी से अंग्रेजी अनुवाद के कुछ खास मुद्दा सभ के उजागर करे के बाद, समस्या के कम्प्यूटेशनल समाधान के रूप में तीन चरण के एल्गोरिथ्म के परिचय दिहल गइल बा। एल्गोरिथ्म छिपल मार्कोव मॉडल दृष्टिकोण पर आधारित बा, लेकिन ऑनलाइन डेटाबेस में उपलब्ध जानकारी के भी लाभ उठावेला. फेर एल्गोरिथ्म के मूल्यांकन कइल जाला, आउर 80% तक सटीकता प्राप्त करे खातिर देखावल जाला. |
dbc82e5b8b17faec972e1d09c34ec9f9cd1a33ea | सामान्य ज्ञान के तर्क के बारे में हमनी के शोध में हमनी के ई पता चलल बा कि ज्ञान के एगो खास तरह के महत्व मानव लक्ष्य के बारे में ज्ञान हवे. खासतौर से जब कॉमन्सेंस तर्क के इंटरफेस एजेंट पर लागू कइल जाला, त हमनी के उपयोगकर्ता क्रिया (योजना मान्यता) से लक्ष्य के पहिचान करे के चाहीं, आउर लक्ष्य के लागू करे वाला क्रिया के अनुक्रम (योजना) उत्पन्न करे के चाहीं. हमनी के अक्सरहाँ अइसन सामान्य सवालन के भी जवाब देवे के पड़ेला कि कवना स्थिति में लक्ष्य हासिल कइल जा सकेला, जइसे कि कब आ कहाँ एगो खास लक्ष्य हासिल कइल जा सकेला, या एह लक्ष्य के हासिल करे में कतना समय लागी। कॉमन्सेंस ज्ञान अधिग्रहण पर पहिले के काम में, उपयोगकर्ता लोग से सीधे अइसन जानकारी खातिर पूछल गइल रहे. हालाँकि, हाल में एगो दूसर तरीका सामने आइल बा - प्रयोगकर्ता लोग के गेम खेले खातिर लुभावे खातिर जहाँ ज्ञान के आपूर्ति खेल में अच्छा स्कोर करे के साधन बाटे, एह तरह से खिलाड़ी लोग के प्रेरित करे खातिर। इ दृष्टिकोण के लुइस वॉन आह्न आउर उनकर सहयोगी द्वारा अग्रणी बनावल गइल रहे, जे एकर उल्लेख मानव गणना के रूप में कइलें. कॉमन कंसेंस एगो मजेदार, आत्मनिर्भर वेब-आधारित गेम ह, जे रोजमर्रा के लक्ष्य के बारे में कॉमनसेन्स ज्ञान के इकट्ठा करेला आउर मान्य करेला. ई टीवी गेम शो फैमिली फेड1 के संरचना पर आधारित बा। एगो छोट प्रयोगकर्ता अध्ययन से पता चलल कि प्रयोगकर्ता लोग के खेल में मजा आवेला, ज्ञान के गुणवत्ता बहुत बढ़िया बा, आउर ज्ञान के संग्रह के दर तेज बा. एसीएम वर्गीकरणः एच.3.3 [सूचना भंडारण आउर पुनर्प्राप्ति]: सूचना खोज आउर पुनर्प्राप्ति; आई.2.6 [कृत्रिम बुद्धिमत्ता]: सीखना |
f8b1534b26c1a4a30d32aec408614ecff2412156 | |
4c479f8d18badb29ec6a2a49d6ca8e36d833fbe9 | एकर छोट आकार के बावजूद, कोकसिक्स के कईगो महत्वपूर्ण काम बाटे. कई गो मांसपेशियन, लिगामेंट्स, आ टेंडन खातिर सम्मिलन स्थल के रूप में काम करे के अलावा ई ट्रिपॉड के एक ठो गोड़ के रूप में भी काम करे ला - इस्चियल ट्यूबरोसिटी के साथ-साथ ई बइठल स्थिति में व्यक्ति के वजन लेवे खातिर समर्थन प्रदान करेला। कोक्सिडिनिया (कोकसिक्स के क्षेत्र में दर्द) के घटना के सूचना ना मिलल बा, लेकिन कोक्सिडिनिया के विकास के बढ़ल जोखिम से जुड़ल कारक में मोटापा आउर महिला लिंग शामिल बा. ई लेख कोक्सिडिनिया के बिस्फोट, शरीर बिज्ञान, अउरी इलाज के बारे में जानकारी देत बा. परिणाम 90% मामला में रूढ़िवादी उपचार सफल होला, आउर कई मामला चिकित्सा उपचार के बिना ठीक हो जाला. अपवर्तक मामला के इलाज में श्रोणि तल के पुनर्वास, मैनुअल हेरफेर आउर मालिश, ट्रांसकटनस इलेक्ट्रिकल तंत्रिका उत्तेजना, मनोचिकित्सा, स्टेरॉयड इंजेक्शन, तंत्रिका ब्लॉक, रीढ़ के हड्डी उत्तेजना, आउर सर्जिकल प्रक्रिया शामिल बा. निष्कर्ष भौतिक चिकित्सा, एर्गोनोमिक अनुकूलन, दवा, इंजेक्शन, आउर, संभवतः, मनोचिकित्सा के नियोजित एगो बहु-विषयक दृष्टिकोण रेफ्रेक्टरी कोकसिक्स दर्द के रोगी में सफलता के सबसे बड़ा मौका देवेला. हालाँकि नया सर्जिकल तकनीक उभर रहल बा, एकर प्रभावकारिता स्थापित करे से पहिले अउरी शोध के जरुरत बा. |
0989bbd8c15f9aac24e8832327df560dc8ec5324 | लगभग छह दशक में जब से शोधकर्ता लोग एकरा के बनावे के तरीका के खोज शुरू कइलन, तब से एक्सोस्केलेटन विज्ञान कथा के सामान से लगभग व्यवसायिक उत्पाद में आगे बढ़ गइल बा. जबकि एक्सोस्केलेटन विकास से जुड़ल अभी भी कई गो चुनौती बाड़ी सन जिनका के अभी तक पूर्ण रूप से पूरा नइखे कइल गइल, एह क्षेत्र में प्रगति बहुत बड़ बाटे. इ लेख में, हम इतिहास के समीक्षा करब आउर निचला अंग के एक्सोस्केलेटन आउर सक्रिय ऑर्थोसिस के अत्याधुनिक स्थिति पर चर्चा करब. हम अधिकांश उपकरणन खातिर हार्डवेयर, एक्ट्यूएशन, सेंसर, आउर नियंत्रण प्रणालियन के डिजाइन अवलोकन प्रदान करत बानी जवन के साहित्य में वर्णित कइल गइल बा, आउर प्रमुख प्रगति के चर्चा के साथ समाप्त होत बा आउर बाधा के दूर करे के बा. |
4adffe0ebdda59d39e43d42a41e1b6f80164f07e | गैर-नकारात्मक मैट्रिक्स फैक्टरिज़ेशन (एनएमएफ) एगो अनसुप्रवीक्षित सीखल जाए वाला तरीका बा जे बिबिध अनुप्रयोग में उपयोगी होला जेह में इमेज प्रोसेसिंग आ दस्तावेज़ के सिमेंटिक विश्लेषण शामिल बा. इ पत्र सममित एनएमएफ (एसएनएमएफ) पर केंद्रित बा, जवन एनएमएफ अपघटन के एगो विशेष मामला ह. तीन समानांतर गुणनात्मक अद्यतन एल्गोरिदम के उपयोग करके सीधे स्तर 3 के मूल रैखिक बीजगणित उपप्रोग्राम के इ समस्या खातिर विकसित कइल गइल बा. पहिले, यूक्लिडियन दूरी के कम से कम करके, एगो गुणनात्मक अद्यतन एल्गोरिथ्म प्रस्तावित कइल गइल बा, आउर एकर अभिसरण हल्के परिस्थिति में सिद्ध कइल गइल बा. एकर आधार पर, हम आगे दू गो आउर तेज समानांतर विधि के प्रस्तावित करिला: α-SNMF आउर β-SNMF एल्गोरिदम. इ सब लागू कइल आसान बा. इ एल्गोरिदम के संभाव्यता समूह में लागू कइल जाला. हमनी के चेहरा के छवि के समूह बनावे, दस्तावेज के वर्गीकरण करे, आ जीन अभिव्यक्ति में पैटर्न के समूह बनावे में एकर प्रभावकारिता देखावल जा रहल बा. |
2a4423b10725e54ad72f4f1fcf77db5bc835f0a6 | सांख्यिकीय यांत्रिकी (सीमित तापमान पर तापीय संतुलन में स्वतंत्रता के कई डिग्री वाला प्रणालियों के व्यवहार) आउर बहु-परिवर्तनीय या संयोजक अनुकूलन (कई मापदंडों पर निर्भर एगो दिहल गइल फलन के न्यूनतम के खोज) के बीच एगो गहन आउर उपयोगी संबंध बा. ठोस पदार्थ में एनीलिंग के साथ विस्तृत सादृश्य बहुत बड़ आउर जटिल प्रणालियन के गुण के अनुकूलन खातिर एगो ढांचा प्रदान करेला. सांख्यिकीय यांत्रिकी से ई संबंध नया जानकारी के उजागर करेला आउर पारंपरिक अनुकूलन समस्या आउर विधि पर एगो अपरिचित परिप्रेक्ष्य प्रदान करेला. |
dec997b20ebe2b867f68cc5c123d9cb9eafad6bb | गहरी तंत्रिका नेटवर्क के प्रशिक्षण करे खातिर आम तौर पर भारी मात्रा में डेटा के आवश्यकता होला आउर इ बहुत गणना गहन होला. हम इहाँ देखावल चाहत बानी कि महँग ढाल के अवतरण प्रक्रिया के दरकिनार कइल संभव हो सकेला आउर प्रशिक्षण डेटा के गुण से सीधे तंत्रिका नेटवर्क के पैरामीटर के प्राप्त कइल संभव हो सकेला. हम देखवईब कि अभिसरण के पास, इनपुट के पास परतन खातिर ढाल वंश समीकरण के रैखिक बनावल जा सकेला आउर प्रत्येक वर्ग खातिर डेटा के सह-परिवर्तन से संबंधित शोर के साथ स्थैतिक समीकरण बन जाला. हम इ समीकरणन के हल के वितरण के प्राप्त कर लेले आउर इ खोजले कि इ एगो पर्यवेक्षित मुख्य घटक विश्लेषण से संबंधित बा. हम इ परिणाम के छवि डेटासेट MNIST, CIFAR10 आउर CIFAR100 पर लागू करले आउर पावेला कि, वास्तव में, हमार निष्कर्ष के उपयोग करके पूर्व-प्रशिक्षित परत समान आकार आउर आर्किटेक्चर के तंत्रिका नेटवर्क के तुलनीय या बेहतर प्रदर्शन करेला आउर ढाल वंश के साथ प्रशिक्षित होला. एकरे अलावा, हमनी के पूर्व-प्रशिक्षित परत के गणना अक्सर प्रशिक्षण डेटा के एगो अंश के उपयोग करके कइल जा सकेला, सह-विचलन मैट्रिक्स के तेजी से अभिसरण के चलते. इ प्रकार, हमार निष्कर्ष इ दर्शावेला कि हम प्रशिक्षण समय के कम कर सकेला काहे कि हमसब के ढाल के उतराई के खातिर उपयोग कयल जाय बला डेटा के केवल एगो अंश के आवस्यकता रहेला, अउरी प्रशिक्षण के खर्चीला बैकप्रोपेगशन चरण में परतसब के समाप्त करके. एकरे अलावा, ई खोज गहिरा तंत्रिका नेटवर्क के आंतरिक कामकाज के आंशिक रूप से स्पष्ट करे ले आ गणित के हिसाब से वर्गीकरण समस्या के कुछ चरण के इष्टतम समाधान के गणना करे के अनुमति देले, एह तरह से एह तरह के समस्या के कुशलता से हल करे के हमनी के क्षमता में काफी वृद्धि होला. |
Subsets and Splits