_id
stringlengths 40
40
| text
stringlengths 0
9.56k
|
|---|---|
d31798506874705f900e72203515abfaa9278409 | लेख इतिहास: प्राप्त 26 ऑगस्ट 2007 प्राप्त सुधारित स्वरूपात 7 मे 2008 स्वीकारले 13 मे 2008 |
6d96f946aaabc734af7fe3fc4454cf8547fcd5ed | |
1c26786513a0844c3a547118167452bed17abf5d | अनुवाद समस्येची थोडक्यात ओळख करून दिल्यानंतर आणि अरबी ते इंग्रजी भाषांतरातील काही विशिष्ट समस्यांना उजाळा दिल्यानंतर, समस्येचे संगणकीय समाधान म्हणून तीन टप्प्यांचा अल्गोरिदम सादर केला जातो. या अल्गोरिदमचा उपयोग लपविलेल्या मार्कोव्ह मॉडेल पद्धतीवर आधारित आहे. त्यानंतर अल्गोरिदमचे मूल्यांकन केले जाते आणि 80% पर्यंत अचूकता मिळते. |
dbc82e5b8b17faec972e1d09c34ec9f9cd1a33ea | कॉमन सेन्स तर्कशास्त्रावरच्या आमच्या संशोधनात आम्हाला आढळले आहे की एक विशेष महत्वाचा प्रकारचा ज्ञान म्हणजे मानवी ध्येयांबद्दलचे ज्ञान. विशेषतः कॉमनसेन्स तर्क ला इंटरफेस एजंट्स वर लागू करताना, आपल्याला वापरकर्त्याच्या कृतींमधून उद्दीष्टे ओळखण्याची गरज आहे (योजना ओळखणे), आणि उद्दीष्टे (नियोजन) अंमलात आणणार्या कृतींची क्रमवारी तयार करणे. आपल्याला अनेकदा उद्दीष्टे साध्य होण्याच्या परिस्थितीविषयी अधिक सामान्य प्रश्नांची उत्तरे देण्याची गरज असते, जसे की एखादे उद्दीष्ट कधी आणि कुठे साध्य होण्याची शक्यता असते, किंवा ते साध्य होण्यास किती वेळ लागेल. कॉमन्सेंस ज्ञान संपादन या विषयावर पूर्वीच्या कामामध्ये, वापरकर्त्यांना थेट अशी माहिती मागितली गेली आहे. अलीकडे, तथापि, एक दुसरा दृष्टिकोन उदयास आला आहे - वापरकर्त्यांना गेम खेळण्यास प्रवृत्त करणे जेथे ज्ञान पुरवणे हे गेममध्ये चांगले स्कोअर करण्याचे साधन आहे, अशा प्रकारे खेळाडूंना उत्तेजन देणे. या पद्धतीचा शोध लुईस वॉन अहन आणि त्यांच्या सहकाऱ्यांनी घेतला आहे, ज्यांना हे मानवी गणना असे म्हणतात. कॉमन कन्सन्सस हा एक मजेदार, स्वयंपूर्ण वेब-आधारित खेळ आहे, जो रोजच्या ध्येयांबद्दल कॉमनसेन्स ज्ञान एकत्रित करतो आणि त्याचे प्रमाणीकरण करतो. हे फॅमिली फेड1 या टीव्ही गेम शोच्या संरचनेवर आधारित आहे. एका छोट्याशा वापरकर्त्याच्या अभ्यासातून असे दिसून आले आहे की वापरकर्त्यांना गेममध्ये मजा येते, ज्ञानाची गुणवत्ता खूप चांगली आहे आणि ज्ञान संकलनाचा दर वेगवान आहे. एसीएम वर्गीकरण: एच. ३. ३ [माहिती साठवण आणि पुनर्प्राप्ती]: माहिती शोधणे आणि पुनर्प्राप्ती; आय. २. ६ [कृत्रिम बुद्धिमत्ता]: शिक्षण |
f8b1534b26c1a4a30d32aec408614ecff2412156 | |
4c479f8d18badb29ec6a2a49d6ca8e36d833fbe9 | पार्श्वभूमी लहान आकाराचे असले तरी कोकणात अनेक महत्त्वाचे काम असतात. अनेक स्नायू, स्नायूबंध आणि स्नायू समाविष्ट करण्याच्या जागेसह, हे ट्रायपॉडच्या एका पाय म्हणून देखील कार्य करते-इस्किअल ट्यूबरोसिटीजसह-जे बसलेल्या स्थितीत असलेल्या व्यक्तीला वजन-आधार देणारी आधार प्रदान करते. कोक्सिडिनिया (कोकशिंघच्या भागातील वेदना) च्या घटनांची नोंद झाली नाही, परंतु कोक्सिडिनिया होण्याचा धोका वाढविण्याशी संबंधित घटकांमध्ये लठ्ठपणा आणि स्त्री लिंग यांचा समावेश आहे. या लेखात कोक्सिडिनियाच्या शरीराची रचना, शरीरशास्त्र आणि उपचारांचा आढावा दिला आहे. परिणाम ९०% प्रकरणांमध्ये रूढिवादी उपचार यशस्वी होतात आणि अनेक प्रकरणे वैद्यकीय उपचाराशिवाय बरे होतात. अग्निरोधक प्रकरणांमध्ये उपचारात श्रोणि तळाची पुनर्वसन, मॅन्युअल मॅनिपुलेशन आणि मालिश, ट्रान्सक्युटीन इलेक्ट्रिकल मज्जातंतू उत्तेजन, मानसोपचार, स्टिरॉइड इंजेक्शन, मज्जातंतू ब्लॉक, रीढ़ मज्जातंतू उत्तेजन आणि शस्त्रक्रिया यांचा समावेश आहे. निष्कर्ष फिजिकल थेरपी, एर्गोनोमिक अॅडॅप्टेशन्स, औषधे, इंजेक्शन आणि शक्यतो मानसोपचार यांचा वापर करून बहु-विषयक दृष्टिकोन घेतल्यास, अग्निरोधक कोकशिराच्या वेदना असलेल्या रुग्णांमध्ये यश मिळण्याची शक्यता जास्त असते. नवीन शस्त्रक्रिया पद्धती उदयास येत असली तरी त्यांची कार्यक्षमता निश्चित करण्यापूर्वी अधिक संशोधनाची आवश्यकता आहे. |
0989bbd8c15f9aac24e8832327df560dc8ec5324 | एक्सोस्केलेटन तयार करण्याच्या पद्धती शोधण्यास सुरुवात केल्यापासून जवळपास सहा दशकांमध्ये, एक्सोस्केलेटन विज्ञान कल्पनारम्य गोष्टींपासून जवळजवळ व्यावसायिक उत्पादनांपर्यंत प्रगती केली आहे. एक्सोस्केलेटनच्या विकासाशी संबंधित अनेक आव्हाने अजूनही आहेत ज्या अद्याप परिपूर्ण झाल्या नाहीत, या क्षेत्रात झालेली प्रगती प्रचंड आहे. या लेखात आम्ही इतिहास आणि खालच्या पायातील एक्सोस्केलेटन आणि सक्रिय ऑर्थोसिसच्या अत्याधुनिक स्थितीबद्दल चर्चा केली. आम्ही साहित्य मध्ये वर्णन केलेल्या बहुतेक उपकरणांसाठी हार्डवेअर, अॅक्ट्युएशन, सेन्सर आणि कंट्रोल सिस्टमचे डिझाइन विहंगावलोकन प्रदान करतो आणि केलेल्या प्रमुख प्रगती आणि अद्याप पार पाडण्यासाठी असलेल्या अडथळ्यांच्या चर्चेसह समाप्त करतो. |
4adffe0ebdda59d39e43d42a41e1b6f80164f07e | नॉन-नेगेटिव्ह मॅट्रिक्स फॅक्टरायझेशन (एनएमएफ) ही एक अनसुप्रिव्हेटेड लर्निंग पद्धत आहे जी प्रतिमा प्रक्रिया आणि दस्तऐवजांचे सिमेंटिक विश्लेषण यासह विविध अनुप्रयोगांमध्ये उपयुक्त आहे. या लेखात सममित एनएमएफ (एसएनएमएफ) वर लक्ष केंद्रित केले आहे, जे एनएमएफ विघटनचे एक विशेष प्रकरण आहे. या समस्येसाठी थेट लेव्हल 3 बेसिक रेषेचा बीजगणित उपप्रोग्राम वापरून तीन समांतर गुणक अद्यतन अल्गोरिदम विकसित केले गेले आहेत. प्रथम, युक्लिडियन अंतर कमी करून, एक गुणक अद्यतन अल्गोरिदम प्रस्तावित आहे, आणि सौम्य परिस्थितीत त्याचे अभिसरण सिद्ध केले आहे. याच्या आधारे आम्ही आणखी दोन वेगवान समांतर पद्धती प्रस्तावित करतो: α-SNMF आणि β-SNMF अल्गोरिदम. ते सर्व अंमलात आणणे सोपे आहे. हे अल्गोरिदम संभाव्य क्लस्टरिंगवर लागू केले जातात. आम्ही त्यांचे कार्यक्षमता दर्शवितो चेहर्यावरील प्रतिमा क्लस्टरिंग, दस्तऐवज वर्गीकरण, आणि जीन अभिव्यक्तीमध्ये नमुना क्लस्टरिंग. |
2a4423b10725e54ad72f4f1fcf77db5bc835f0a6 | सांख्यिकीय यांत्रिकी (अंत तापमानात थर्मल समतोलतेमध्ये अनेक अंशांच्या स्वातंत्र्यांसह प्रणालीचे वर्तन) आणि बहुपरिवर्ती किंवा संयोजक ऑप्टिमायझेशन (अनेक मापदंडांवर अवलंबून दिलेल्या फंक्शनचे किमान शोधणे) यांच्यात एक खोल आणि उपयुक्त कनेक्शन आहे. ठोस पदार्थांमध्ये एनीलिंगची सविस्तर समानता खूप मोठ्या आणि जटिल प्रणालींच्या गुणधर्मांचे अनुकूलन करण्यासाठी एक फ्रेमवर्क प्रदान करते. या सांख्यिकीय यांत्रिकीशी जोडल्यामुळे नवीन माहिती मिळते आणि पारंपारिक ऑप्टिमायझेशन समस्या आणि पद्धतींवर एक अपरिचित दृष्टीकोन प्रदान करते. |
dec997b20ebe2b867f68cc5c123d9cb9eafad6bb | खोल न्यूरल नेटवर्कचे प्रशिक्षण घेण्यासाठी साधारणपणे मोठ्या प्रमाणात डेटाची आवश्यकता असते आणि संगणनात्मकदृष्ट्या अत्यंत गहन असते. आम्ही येथे दाखवतो की महागड्या ग्रेडियंट उतरती पध्दतीला टाळणे शक्य आहे आणि थेट प्रशिक्षण डेटाच्या गुणधर्मांमधून न्यूरल नेटवर्कचे मापदंड काढणे शक्य आहे. आम्ही दाखवतो की, अभिसरण जवळ, इनपुटच्या जवळच्या थरांसाठी ग्रेडियंट डिसेंट समीकरणे रेषेवर जाऊ शकतात आणि प्रत्येक वर्गासाठी डेटाच्या सह-परिवर्तनशी संबंधित आवाज असलेल्या स्टोकास्टिक समीकरणे बनू शकतात. आम्ही या समीकरणांचे निराकरण वितरण मिळवतो आणि हे शोधतो की ते पर्यवेक्षित मुख्य घटक विश्लेषणाशी संबंधित आहे. आम्ही हे परिणाम प्रतिमा डेटासेट एमएनआयएसटी, सीआयएफएआर 10 आणि सीआयएफएआर 100 वर लागू करतो आणि शोधतो की, खरंच, आमच्या निष्कर्षांचा वापर करून पूर्व प्रशिक्षित थर समान आकाराचे आणि आर्किटेक्चरच्या न्यूरल नेटवर्कपेक्षा तुलनात्मक किंवा श्रेष्ठ कार्य करतात. याव्यतिरिक्त, आमच्या पूर्व प्रशिक्षित थरांची गणना प्रशिक्षण डेटाच्या काही भागाचा वापर करून केली जाऊ शकते, कारण सह-परिवर्तन मॅट्रिक्सचे द्रुत अभिसरण होते. त्यामुळे, आमच्या निष्कर्ष दर्शवतात की आपण प्रशिक्षण वेळ कमी करू शकतो दोन्ही ग्रेडियंट उतरतीसाठी वापरल्या जाणार्या डेटाचा फक्त एक भाग आवश्यक आहे आणि प्रशिक्षणातील महागड्या बॅकप्रोपागरेशन टप्प्यात थर काढून टाकणे. याव्यतिरिक्त, हे निष्कर्ष आंशिकपणे खोल न्यूरल नेटवर्कच्या अंतर्गत कार्याचे स्पष्टीकरण देतात आणि आम्हाला वर्गीकरण समस्यांच्या काही टप्प्यांसाठी चांगल्या उपायांची गणितीय गणना करण्यास परवानगी देतात, अशा प्रकारे अशा समस्यांचे कार्यक्षमतेने निराकरण करण्याची आपली क्षमता लक्षणीय वाढवते. |
Subsets and Splits