Datasets:
carlfeynman
/
Bharat_NanoSCIDOCS_hi

Dataset card Data Studio Files Community
_id
stringlengths
40
40
text
stringlengths
0
9.75k
d31798506874705f900e72203515abfaa9278409
लेख इतिहासः 26 अगस्त 2007 को प्राप्त हुआ 7 मई 2008 को संशोधित रूप में प्राप्त हुआ 13 मई 2008 को स्वीकार किया गया
6d96f946aaabc734af7fe3fc4454cf8547fcd5ed
1c26786513a0844c3a547118167452bed17abf5d
अनुवाद समस्या का संक्षिप्त परिचय देने के बाद, और अरबी से अंग्रेजी अनुवाद के लिए विशिष्ट कुछ मुद्दों को उजागर करने के बाद, समस्या के लिए एक कम्प्यूटेशनल समाधान के रूप में एक तीन चरण एल्गोरिथ्म पेश किया गया है। एल्गोरिथ्म एक छिपे हुए मार्कोव मॉडल दृष्टिकोण पर आधारित है, लेकिन ऑनलाइन डेटाबेस में उपलब्ध जानकारी का लाभ भी उठाता है। इसके बाद एल्गोरिथ्म का मूल्यांकन किया जाता है और यह दिखाया जाता है कि यह 80% तक की सटीकता प्राप्त करता है।
dbc82e5b8b17faec972e1d09c34ec9f9cd1a33ea
सामान्य ज्ञान के तर्क पर हमारे शोध में, हमने पाया है कि एक विशेष रूप से महत्वपूर्ण प्रकार का ज्ञान मानव लक्ष्यों के बारे में ज्ञान है। विशेष रूप से जब आम अर्थ तर्क को इंटरफ़ेस एजेंटों पर लागू करते हैं, तो हमें उपयोगकर्ता क्रियाओं (योजना मान्यता) से लक्ष्यों को पहचानने की आवश्यकता होती है, और लक्ष्यों (योजना) को लागू करने वाले कार्यों के अनुक्रम उत्पन्न करते हैं। हमें अक्सर उन स्थितियों के बारे में अधिक सामान्य प्रश्नों का उत्तर देने की आवश्यकता होती है जिनमें लक्ष्य होते हैं, जैसे कि एक विशेष लक्ष्य कब और कहाँ संभव हो सकता है, या इसे प्राप्त करने में कितना समय लग सकता है। कॉमन्सेंस ज्ञान अधिग्रहण पर पिछले काम में, उपयोगकर्ताओं से सीधे ऐसी जानकारी मांगी गई है। हाल ही में, हालांकि, एक और दृष्टिकोण सामने आया है- उपयोगकर्ताओं को खेल खेलने के लिए लुभाने के लिए जहां ज्ञान की आपूर्ति खेल में अच्छी तरह से स्कोर करने का साधन है, इस प्रकार खिलाड़ियों को प्रेरित करना। इस दृष्टिकोण का अग्रणी लुइस वॉन अहन और उनके सहयोगियों ने किया है, जो इसे मानव गणना कहते हैं। आम सहमति एक मजेदार, आत्मनिर्भर वेब-आधारित खेल है, जो रोजमर्रा के लक्ष्यों के बारे में सामान्य ज्ञान को एकत्रित और मान्य करता है। यह टीवी गेम शो फैमिली फेड1 की संरचना पर आधारित है। एक छोटे उपयोगकर्ता अध्ययन से पता चला है कि उपयोगकर्ताओं को खेल में मज़ा आता है, ज्ञान की गुणवत्ता बहुत अच्छी है, और ज्ञान संग्रह की दर तेज है। एसीएम वर्गीकरणः एच.३.३ [सूचना भंडारण और पुनःप्राप्ति]: सूचना खोज और पुनर्प्राप्ति; आई.२.६ [कृत्रिम बुद्धिमत्ता]: सीखना
f8b1534b26c1a4a30d32aec408614ecff2412156
4c479f8d18badb29ec6a2a49d6ca8e36d833fbe9
पृष्ठभूमि अपने छोटे आकार के बावजूद, कोकसिक्स के कई महत्वपूर्ण कार्य हैं। कई मांसपेशियों, लिगामेंट्स और कंधों के लिए सम्मिलन स्थल होने के साथ-साथ, यह इशियल ट्यूबरोसिटी के साथ-साथ तिपाई के एक पैर के रूप में भी कार्य करता है- जो बैठे स्थिति में किसी व्यक्ति को वजन सहन करने का समर्थन प्रदान करता है। कोक्सिडिनिया (कोक्सिक्स के क्षेत्र में दर्द) की घटना की सूचना नहीं दी गई है, लेकिन कोक्सिडिनिया के विकास के बढ़ते जोखिम से जुड़े कारकों में मोटापा और महिला लिंग शामिल हैं। इस लेख में कोक्सिडिनिया की संरचना, शरीर रचना और इलाज के बारे में बताया गया है। परिणाम 90% मामलों में रूढ़िवादी उपचार सफल होता है और कई मामले बिना चिकित्सा उपचार के ठीक हो जाते हैं। अपवर्तक मामलों के लिए उपचार में श्रोणि तल पुनर्वास, मैनुअल हेरफेर और मालिश, ट्रांसकटनस इलेक्ट्रिकल तंत्रिका उत्तेजना, मनोचिकित्सा, स्टेरॉयड इंजेक्शन, तंत्रिका ब्लॉक, रीढ़ की हड्डी उत्तेजना और शल्य चिकित्सा प्रक्रियाएं शामिल हैं। निष्कर्ष शारीरिक चिकित्सा, एर्गोनोमिक अनुकूलन, दवाओं, इंजेक्शन और संभवतः मनोचिकित्सा का उपयोग करके एक बहु-विषयक दृष्टिकोण, अपवर्तक कोकसिक्स दर्द वाले रोगियों में सफलता की सबसे बड़ी संभावना की ओर जाता है। यद्यपि सर्जरी की नई तकनीकें उभर रही हैं, लेकिन उनकी प्रभावकारिता स्थापित करने से पहले अधिक शोध की आवश्यकता है।
0989bbd8c15f9aac24e8832327df560dc8ec5324
लगभग छह दशकों में जब से शोधकर्ताओं ने उन्हें बनाने की विधियों की खोज शुरू की, एक्सोस्केलेटन विज्ञान कथा के सामान से लगभग व्यावसायिक उत्पादों में प्रगति की है। जबकि एक्सोस्केलेटन विकास से जुड़ी अभी भी कई चुनौतियां हैं जिन्हें अभी तक पूर्ण नहीं किया गया है, क्षेत्र में प्रगति बहुत बड़ी रही है। इस लेख में, हम इतिहास की समीक्षा करते हैं और निचले अंगों के एक्सोस्केलेटन और सक्रिय ऑर्थोसिस की अत्याधुनिक स्थिति पर चर्चा करते हैं। हम साहित्य में वर्णित अधिकांश उपकरणों के लिए हार्डवेयर, एक्ट्यूएशन, सेंसर और नियंत्रण प्रणालियों का एक डिज़ाइन अवलोकन प्रदान करते हैं, और उन प्रमुख प्रगति की चर्चा के साथ समाप्त होते हैं जो अभी तक की गई हैं और बाधाओं को दूर किया जाना है।
4adffe0ebdda59d39e43d42a41e1b6f80164f07e
गैर-नकारात्मक मैट्रिक्स फैक्टरिज़ेशन (एनएमएफ) एक अनसुर्क्षित सीखने की विधि है जो छवि प्रसंस्करण और दस्तावेजों के अर्थ विश्लेषण सहित विभिन्न अनुप्रयोगों में उपयोगी है। यह कार्य सममित एनएमएफ (एसएनएमएफ) पर केंद्रित है, जो एनएमएफ अपघटन का एक विशेष मामला है। इस समस्या के लिए सीधे स्तर 3 मूल रैखिक बीजगणित उपप्रोग्राम का उपयोग करते हुए तीन समानांतर गुणात्मक अद्यतन एल्गोरिदम विकसित किए गए हैं। सबसे पहले, यूक्लिडियन दूरी को कम करके, एक गुणात्मक अद्यतन एल्गोरिथ्म प्रस्तावित किया गया है, और हल्के परिस्थितियों में इसके अभिसरण को साबित किया गया है। इसके आधार पर हम दो अन्य त्वरित समानांतर विधियों का प्रस्ताव करते हैं: α-SNMF और β-SNMF एल्गोरिदम। इन सभी को लागू करना आसान है। ये एल्गोरिदम संभाव्यता क्लस्टरिंग पर लागू होते हैं। हम उनके प्रभावशीलता का प्रदर्शन करते हैं चेहरे की छवि समूह, दस्तावेज़ वर्गीकरण, और जीन अभिव्यक्ति में पैटर्न समूह।
2a4423b10725e54ad72f4f1fcf77db5bc835f0a6
सांख्यिकीय यांत्रिकी (सीमित तापमान पर थर्मल संतुलन में स्वतंत्रता की कई डिग्री वाले प्रणालियों का व्यवहार) और बहु-परिवर्तनीय या संयोजक अनुकूलन (कई मापदंडों के आधार पर किसी दिए गए फ़ंक्शन का न्यूनतम पता लगाना) के बीच एक गहरा और उपयोगी संबंध है। ठोस पदार्थों में एनीलिंग के साथ एक विस्तृत सादृश्य बहुत बड़ी और जटिल प्रणालियों के गुणों के अनुकूलन के लिए एक ढांचा प्रदान करता है। सांख्यिकीय यांत्रिकी से यह संबंध नई जानकारी को उजागर करता है और पारंपरिक अनुकूलन समस्याओं और विधियों पर एक अपरिचित परिप्रेक्ष्य प्रदान करता है।
dec997b20ebe2b867f68cc5c123d9cb9eafad6bb
गहरे तंत्रिका नेटवर्क को प्रशिक्षित करने के लिए आम तौर पर भारी मात्रा में डेटा की आवश्यकता होती है और यह बहुत ही गणना गहन होता है। हम यहाँ दिखाते हैं कि यह महंगा ढाल वंश प्रक्रिया को दरकिनार करना और प्रशिक्षण डेटा के गुणों से सीधे एक तंत्रिका नेटवर्क के मापदंडों को प्राप्त करना संभव हो सकता है। हम दिखाते हैं कि अभिसरण के निकट, इनपुट के निकट परतों के लिए ढाल वंश समीकरणों को रैखिक बनाया जा सकता है और प्रत्येक वर्ग के लिए डेटा के सह-परिवर्तन से संबंधित शोर के साथ स्टोकास्टिक समीकरण बन सकते हैं। हम इन समीकरणों के समाधानों का वितरण प्राप्त करते हैं और यह पता लगाते हैं कि यह एक पर्यवेक्षित मुख्य घटक विश्लेषण से संबंधित है। हम इन परिणामों को छवि डेटासेट MNIST, CIFAR10 और CIFAR100 पर लागू करते हैं और पाते हैं कि, वास्तव में, हमारे निष्कर्षों का उपयोग करके पूर्व प्रशिक्षित परतें समान आकार और आर्किटेक्चर के तंत्रिका नेटवर्क के तुलनीय या बेहतर प्रदर्शन करती हैं। इसके अलावा, हमारी पूर्व प्रशिक्षित परतों को अक्सर प्रशिक्षण डेटा के एक अंश का उपयोग करके गणना की जा सकती है, सह-विचलन मैट्रिक्स के त्वरित अभिसरण के कारण। इस प्रकार, हमारे निष्कर्ष बताते हैं कि हम प्रशिक्षण के समय को केवल ग्रेडिएंट वंश के लिए उपयोग किए जाने वाले डेटा के एक अंश की आवश्यकता से और प्रशिक्षण के महंगे बैकप्रोपेगरेशन चरण में परतों को समाप्त करके दोनों को कम कर सकते हैं। इसके अतिरिक्त, ये निष्कर्ष आंशिक रूप से गहरे तंत्रिका नेटवर्क के आंतरिक कामकाज को स्पष्ट करते हैं और हमें वर्गीकरण समस्याओं के कुछ चरणों के लिए गणितीय रूप से इष्टतम समाधानों की गणना करने की अनुमति देते हैं, इस प्रकार ऐसी समस्याओं को कुशलतापूर्वक हल करने की हमारी क्षमता को काफी बढ़ावा देते हैं।