_id
stringlengths 40
40
| text
stringlengths 0
9.38k
|
|---|---|
d31798506874705f900e72203515abfaa9278409 | આર્ટિકલ ઇતિહાસઃ 26 ઓગસ્ટ 2007 પ્રાપ્ત સુધારેલા સ્વરૂપમાં 7 મે 2008 પ્રાપ્ત 13 મે 2008 સ્વીકારવામાં |
6d96f946aaabc734af7fe3fc4454cf8547fcd5ed | |
1c26786513a0844c3a547118167452bed17abf5d | ટ્રાન્સલિટેરેશન સમસ્યાનો સંક્ષિપ્ત પરિચય આપ્યા પછી, અને અરબીથી અંગ્રેજી અનુવાદ માટે વિશિષ્ટ કેટલાક મુદ્દાઓને પ્રકાશિત કર્યા પછી, સમસ્યાના કમ્પ્યુટેશનલ ઉકેલ તરીકે ત્રણ તબક્કાના અલ્ગોરિધમનો રજૂ કરવામાં આવે છે. આ અલ્ગોરિધમનો હિડન માર્કોવ મોડેલ અભિગમ પર આધારિત છે, પરંતુ ઓનલાઈન ડેટાબેઝમાં ઉપલબ્ધ માહિતીનો પણ લાભ લે છે. ત્યારબાદ અલ્ગોરિધમનો મૂલ્યાંકન કરવામાં આવે છે, અને 80% ની નજીકની ચોકસાઈ પ્રાપ્ત કરવા માટે બતાવવામાં આવે છે. |
dbc82e5b8b17faec972e1d09c34ec9f9cd1a33ea | કોમનસેન્સ તર્ક પર અમારા સંશોધનમાં, અમે શોધી કાઢ્યું છે કે ખાસ કરીને મહત્વપૂર્ણ પ્રકારનું જ્ઞાન માનવ ધ્યેયો વિશેનું જ્ઞાન છે. ખાસ કરીને જ્યારે કોમનસેન્સ તર્કને ઇન્ટરફેસ એજન્ટો પર લાગુ કરવામાં આવે છે, ત્યારે આપણે વપરાશકર્તા ક્રિયાઓ (યોજના માન્યતા) માંથી લક્ષ્યોને ઓળખવાની જરૂર છે, અને ક્રિયાઓની શ્રેણી પેદા કરે છે જે લક્ષ્યો (યોજના) અમલમાં મૂકે છે. આપણે ઘણીવાર એવા સામાન્ય પ્રશ્નોના જવાબ આપવાની જરૂર હોય છે જેમાં લક્ષ્યો આવે છે, જેમ કે કોઈ ચોક્કસ ધ્યેય ક્યારે અને ક્યાં હોઈ શકે છે, અથવા તે કેટલો સમય લેશે તે પ્રાપ્ત કરવા માટે. કોમનસેન્સ જ્ઞાન સંપાદન પર ભૂતકાળમાં કામમાં, વપરાશકર્તાઓને સીધી રીતે આવી માહિતી માટે પૂછવામાં આવી છે. તાજેતરમાં, જોકે, એક અન્ય અભિગમ ઉભરી આવ્યો છે - વપરાશકર્તાઓને રમતો રમવા માટે લલચાવવા માટે જ્યાં જ્ઞાન પૂરું પાડવું એ રમતમાં સારી રીતે સ્કોર કરવાનો માધ્યમ છે, આમ ખેલાડીઓને પ્રેરણા આપે છે. આ અભિગમ લુઈસ વોન અહ અને તેમના સાથીદારો દ્વારા અગ્રણી કરવામાં આવ્યો છે, જે તેને હ્યુમન કમ્પ્યુટિંગ તરીકે ઓળખે છે. સામાન્ય સંમતિ એ એક મનોરંજક, સ્વ-સહાય વેબ-આધારિત રમત છે, જે રોજિંદા લક્ષ્યો વિશે કોમનસેન્સ જ્ઞાનને એકત્રિત કરે છે અને માન્ય કરે છે. તે ટીવી ગેમ શો ફેમિલી ફીડ 1 ના માળખા પર આધારિત છે. એક નાનો વપરાશકર્તા અભ્યાસ દર્શાવે છે કે વપરાશકર્તાઓને રમતમાં આનંદ મળે છે, જ્ઞાનની ગુણવત્તા ખૂબ સારી છે, અને જ્ઞાન સંગ્રહનો દર ઝડપી છે. એસીએમ વર્ગીકરણઃ એચ.3.3 [માહિતી સંગ્રહ અને પુનઃપ્રાપ્તિ]: માહિતી શોધ અને પુનઃપ્રાપ્તિ; આઇ.2.6 [કૃત્રિમ બુદ્ધિ]: શીખવી |
f8b1534b26c1a4a30d32aec408614ecff2412156 | |
4c479f8d18badb29ec6a2a49d6ca8e36d833fbe9 | કોક્સિક્સનું કદ નાનું હોવા છતાં, તેમાં ઘણા મહત્વના કાર્યો છે. બહુવિધ સ્નાયુઓ, અસ્થિબંધન અને કંડરા માટે દાખલ કરવાની જગ્યા હોવા ઉપરાંત, તે ઇસ્કીઆલ ટ્યુબરોસિટીઝ સાથે ત્રપાઈના એક પગ તરીકે પણ કામ કરે છે- જે બેઠેલા સ્થિતિમાં વ્યક્તિને વજન-બેરિંગ સપોર્ટ પૂરો પાડે છે. કોક્સીડિનિયા (કોક્સિક્સના વિસ્તારમાં પીડા) ની ઘટનાની જાણ કરવામાં આવી નથી, પરંતુ કોક્સીડિનિયા વિકસાવવાના વધેલા જોખમને લગતા પરિબળોમાં સ્થૂળતા અને સ્ત્રી જાતિનો સમાવેશ થાય છે. આ લેખમાં કોક્સીડિનિયાના શરીરરચના, શરીરવિજ્ઞાન અને સારવાર વિશે જણાવવામાં આવ્યું છે. પરિણામ ૯૦% કેસોમાં રૂઢિચુસ્ત સારવાર સફળ છે, અને ઘણા કેસો તબીબી સારવાર વિના ઉકેલી જાય છે. અંધકારમય કેસોની સારવારમાં પલ્વિક ફ્લોર રિહેબિલિટેશન, મેન્યુઅલ મેનિપ્યુલેશન અને મસાજ, ટ્રાન્સક્યુટેનસ ઇલેક્ટ્રિકલ નર્વ ઉત્તેજના, મનોરોગ ચિકિત્સા, સ્ટેરોઇડ ઇન્જેક્શન, નર્વ બ્લોક, સ્પાઇનલ મર્ડર ઉત્તેજના અને સર્જિકલ કાર્યવાહીનો સમાવેશ થાય છે. નિષ્કર્ષ ફિઝિકલ થેરાપી, એર્ગોનોમિક અનુકૂલન, દવાઓ, ઇન્જેક્શન અને, કદાચ, મનોરોગ ચિકિત્સાનો ઉપયોગ કરીને બહુ-વિષયક અભિગમ અણઘડ કોક્સિસ પીડા ધરાવતા દર્દીઓમાં સફળતાની સૌથી મોટી તક તરફ દોરી જાય છે. સર્જરીની નવી પદ્ધતિઓ ઉભરી રહી છે, પરંતુ તેની અસરકારકતા નક્કી કરવા માટે વધુ સંશોધન જરૂરી છે. |
0989bbd8c15f9aac24e8832327df560dc8ec5324 | લગભગ છ દાયકામાં સંશોધકોએ તેમને બનાવવા માટેની પદ્ધતિઓ શોધવાનું શરૂ કર્યું, એક્સોસ્કેલેટન વિજ્ઞાન સાહિત્યના સામગ્રીમાંથી લગભગ વ્યાપારીક ઉત્પાદનોમાં પ્રગતિ કરી છે. જ્યારે હજુ પણ ઘણા પડકારો છે જે એક્ઝોસ્કેલેટનના વિકાસ સાથે સંકળાયેલા છે જે હજુ સુધી સંપૂર્ણ નથી, આ ક્ષેત્રમાં પ્રગતિઓ વિશાળ છે. આ કાગળમાં, અમે ઇતિહાસની સમીક્ષા કરીએ છીએ અને નીચલા અંગ એક્ઝોસ્કેલેટન્સ અને સક્રિય ઓર્થોસીસની રાજ્યની ચર્ચા કરીએ છીએ. અમે હાર્ડવેર, એક્ટ્યુએશન, સેન્સરી અને નિયંત્રણ સિસ્ટમ્સની ડિઝાઇન ઝાંખી પ્રદાન કરીએ છીએ જે સાહિત્યમાં વર્ણવવામાં આવેલા મોટાભાગના ઉપકરણો માટે છે, અને મુખ્ય પ્રગતિની ચર્ચા સાથે સમાપ્ત થાય છે જે હજી સુધી કરવામાં આવી છે અને અવરોધો દૂર કરવામાં આવી છે. |
4adffe0ebdda59d39e43d42a41e1b6f80164f07e | નોન-નેગેટિવ મેટ્રિક્સ ફેક્ટરીઝેશન (એનએમએફ) એ એક અસુરક્ષિત શીખવાની પદ્ધતિ છે જે વિવિધ એપ્લિકેશન્સમાં ઉપયોગી છે જેમાં ઇમેજ પ્રોસેસિંગ અને દસ્તાવેજોના અર્થશાસ્ત્ર વિશ્લેષણનો સમાવેશ થાય છે. આ કાગળ સમપ્રમાણ એનએમએફ (એસએનએમએફ) પર કેન્દ્રિત છે, જે એનએમએફ વિઘટનના ખાસ કેસ છે. આ સમસ્યા માટે સીધા જ સ્તર 3 મૂળભૂત રેખીય બીજગણિત સબપ્રોગ્રામ્સનો ઉપયોગ કરીને ત્રણ સમાંતર ગુણાકાર અપડેટ અલ્ગોરિધમ્સ વિકસાવવામાં આવે છે. પ્રથમ, યુક્લિડિયન અંતરને ઘટાડીને, એક ગુણાકાર અપડેટ અલ્ગોરિધમનો પ્રસ્તાવ મૂકવામાં આવ્યો છે, અને હળવા શરતો હેઠળ તેની સંકલન સાબિત થાય છે. તેના આધારે, અમે વધુ બે ઝડપી સમાંતર પદ્ધતિઓ પ્રસ્તાવિત કરીએ છીએઃ α-SNMF અને β-SNMF અલ્ગોરિધમ્સ. તે બધા અમલમાં મૂકવા માટે સરળ છે. આ અલ્ગોરિધમ્સ સંભાવનાત્મક ક્લસ્ટરીંગ પર લાગુ થાય છે. અમે ચહેરાના છબી ક્લસ્ટરીંગ, દસ્તાવેજ વર્ગીકરણ, અને જનીન અભિવ્યક્તિમાં પેટર્ન ક્લસ્ટરીંગ માટે તેમની અસરકારકતા દર્શાવ્યું છે. |
2a4423b10725e54ad72f4f1fcf77db5bc835f0a6 | આંકડાકીય મિકેનિક્સ (સંપૂર્ણ તાપમાન પર થર્મલ સંતુલનમાં ઘણા ડિગ્રીની સ્વતંત્રતા ધરાવતી સિસ્ટમોની વર્તણૂક) અને મલ્ટીવેરીએટ અથવા સંયોજક ઑપ્ટિમાઇઝેશન (ઘણા પરિમાણો પર આધાર રાખીને આપેલ કાર્યનું લઘુત્તમ શોધવું) વચ્ચે ઊંડા અને ઉપયોગી જોડાણ છે. ઘન પદાર્થોમાં અનીલીંગની વિગતવાર સામ્યતા ખૂબ મોટી અને જટિલ પ્રણાલીઓના ગુણધર્મોને શ્રેષ્ઠ બનાવવા માટે એક માળખું પૂરું પાડે છે. આંકડાકીય મિકેનિક્સ સાથેનો આ જોડાણ નવી માહિતીને ખુલ્લી પાડે છે અને પરંપરાગત ઑપ્ટિમાઇઝેશન સમસ્યાઓ અને પદ્ધતિઓ પર એક અજાણ્યા પરિપ્રેક્ષ્ય પૂરું પાડે છે. |
dec997b20ebe2b867f68cc5c123d9cb9eafad6bb | ડીપ ન્યુરલ નેટવર્ક્સને તાલીમ આપવા માટે સામાન્ય રીતે મોટા પ્રમાણમાં ડેટાની જરૂર પડે છે અને તે ખૂબ જ કમ્પ્યુટિંગ સઘન છે. અમે અહીં બતાવીએ છીએ કે તે ખર્ચાળ ઢાળ વંશની પ્રક્રિયાને ટાળવા અને તાલીમ ડેટાની મિલકતોમાંથી સીધા જ ન્યુરલ નેટવર્કના પરિમાણોને ઉતરી શકે છે. અમે બતાવીએ છીએ કે, સંકલનની નજીક, ઇનપુટની નજીકના સ્તરો માટે ગ્રેડિએન્ટ ઉતરાણ સમીકરણો રેખીય બનાવી શકાય છે અને દરેક વર્ગ માટે ડેટાના સહવર્તીતા સાથે સંકળાયેલા અવાજ સાથે સ્ટોકાસ્ટિક સમીકરણો બની શકે છે. અમે આ સમીકરણોના ઉકેલોનું વિતરણ મેળવીએ છીએ અને શોધી કાઢીએ છીએ કે તે એક સુપરવાઇઝ્ડ મુખ્ય ઘટક વિશ્લેષણ સાથે સંબંધિત છે. અમે આ પરિણામોને છબી ડેટાસેટ્સ એમએનઆઈએસટી, સીઆઈએફએઆર 10 અને સીઆઈએફએઆર 100 પર અમલમાં મૂકીએ છીએ અને શોધી કાઢીએ છીએ કે, ખરેખર, અમારા તારણોનો ઉપયોગ કરીને પૂર્વ-પ્રશિક્ષિત સ્તરો સમાન કદના ન્યુરલ નેટવર્ક્સ અને આર્કીટેક્ચર સાથે તુલનાત્મક અથવા બહેતર છે જે ઢાળ વંશ સાથે પ્રશિક્ષિત છે. વધુમાં, અમારા પ્રીટ્રેન કરેલા સ્તરોને ઘણીવાર તાલીમ ડેટાના અપૂર્ણાંકનો ઉપયોગ કરીને ગણતરી કરી શકાય છે, કારણ કે કોવેરીએન્સ મેટ્રિક્સની ઝડપી સંકલન. આમ, અમારા તારણો સૂચવે છે કે અમે તાલીમ સમયને ઘટાડી શકીએ છીએ, બંનેને માત્ર ઢાળ વંશ માટે ઉપયોગમાં લેવાતા ડેટાના અપૂર્ણાંકની જરૂર છે, અને તાલીમના ખર્ચાળ બેકપ્રોપગેશન પગલામાં સ્તરોને દૂર કરીને. વધુમાં, આ તારણો આંશિક રીતે ઊંડા ન્યુરલ નેટવર્ક્સની આંતરિક કામગીરીને સ્પષ્ટ કરે છે અને અમને વર્ગીકરણ સમસ્યાઓના કેટલાક તબક્કાઓ માટે શ્રેષ્ઠ ઉકેલોની ગાણિતિક રીતે ગણતરી કરવાની મંજૂરી આપે છે, આમ આવી સમસ્યાઓને અસરકારક રીતે ઉકેલવાની અમારી ક્ષમતામાં નોંધપાત્ર વધારો થાય છે. |
Subsets and Splits