_id
stringlengths 40
40
| text
stringlengths 0
9.54k
|
|---|---|
d31798506874705f900e72203515abfaa9278409 | लेख इतिहासः प्राप्त 26 अगस्ट 2007 प्राप्त संशोधित रूप मा 7 मई 2008 स्वीकार 13 मई 2008 |
6d96f946aaabc734af7fe3fc4454cf8547fcd5ed | |
1c26786513a0844c3a547118167452bed17abf5d | अनुवाद समस्याको संक्षिप्त परिचय दिएपछि र अरबीबाट अंग्रेजी अनुवादका लागि विशिष्ट केही मुद्दाहरूलाई हाइलाइट गरेपछि, समस्याको कम्प्युटेशनल समाधानको रूपमा तीन चरणको एल्गोरिथ्म प्रस्तुत गरिएको छ। यो एल्गोरिथ्म लुकेको मार्कोभ मोडेल दृष्टिकोणमा आधारित छ, तर अनलाइन डाटाबेसमा उपलब्ध जानकारीलाई पनि लाभ उठाउँछ। त्यसपछि एल्गोरिथ्मको मूल्यांकन गरिन्छ र ८०% नजिक पुग्ने गरी देखाइन्छ। |
dbc82e5b8b17faec972e1d09c34ec9f9cd1a33ea | सामान्य ज्ञान तर्कको बारेमा हाम्रो अनुसन्धानमा हामीले पाएका छौं कि विशेष गरी महत्वपूर्ण प्रकारको ज्ञान मानव लक्ष्यको बारेमा ज्ञान हो। विशेष गरी जब इन्टरफेस एजेन्टहरूमा कमन्ससेन्स तर्क लागू गर्दा, हामीले प्रयोगकर्ता कार्यहरू (योजना मान्यता) बाट लक्ष्यहरू पहिचान गर्न आवश्यक छ, र लक्ष्यहरू (योजना) कार्यान्वयन गर्ने कार्यहरूको अनुक्रम उत्पन्न गर्न आवश्यक छ। हामीले प्रायः सामान्य प्रश्नहरूको उत्तर पनि दिनुपर्छ जसमा लक्ष्यहरू हुन्छन्, जस्तै कहिले र कहाँ कुनै विशेष लक्ष्य सम्भव छ, वा यसलाई प्राप्त गर्न कति समय लाग्ने सम्भावना छ। सामान्य ज्ञान ज्ञान प्राप्त गर्ने विगतका कामहरूमा, प्रयोगकर्ताहरूलाई प्रत्यक्ष रूपमा यस्तो जानकारीको लागि सोधिएको छ। हालसालै, तथापि, अर्को दृष्टिकोण देखा पर्यो - प्रयोगकर्ताहरूलाई खेल खेल्न आकर्षित गर्न जहाँ ज्ञान प्रदान गर्नु खेलमा राम्रो स्कोर गर्ने माध्यम हो, यसैले खेलाडीहरूलाई उत्प्रेरित गर्दै। यो दृष्टिकोण लुइस भोन आङ र उनका सहकर्मीहरूले शुरु गरेका हुन्, जसले यसलाई मानव गणना भन्छन्। साझा सहमति एक रमाईलो, आत्म-सहायता वेब-आधारित खेल हो, जुन दुबै दैनिक लक्ष्यहरूको बारेमा साझा ज्ञानको संग्रह र मान्य गर्दछ। यो टेलिभिजन गेम शो परिवार झगडा १ को संरचनामा आधारित छ। एउटा सानो प्रयोगकर्ता अध्ययनले देखाएको छ कि प्रयोगकर्ताहरूले खेललाई रमाइलो पाउँछन्, ज्ञानको गुणस्तर धेरै राम्रो छ, र ज्ञान स .्कलनको दर द्रुत छ। एसीएम वर्गीकरणः एच.३.३ [सूचना भण्डारण र पुनःप्राप्ती]: सूचना खोज र पुनःप्राप्ती; आई.२.६ [कृत्रिम बुद्धिमत्ता]: सिकाइ |
f8b1534b26c1a4a30d32aec408614ecff2412156 | |
4c479f8d18badb29ec6a2a49d6ca8e36d833fbe9 | [पृष्ठ २३-मा भएको चित्र] धेरै मांसपेशी, लिगामेन्ट र टेंडनहरूको लागि सम्मिलित स्थान हुनुको साथै, यो ट्राइपडको एक खुट्टाको रूपमा पनि काम गर्दछ - इस्चियल ट्युबरोसिटीहरूसँग - जसले बस्ने स्थितिमा व्यक्तिलाई वजन-असर समर्थन प्रदान गर्दछ। कोक्सिडिनिया (कोक्सिक्स क्षेत्रमा दुखाइ) को घटना रिपोर्ट गरिएको छैन, तर कोक्सिडिनिया विकासको बढ्दो जोखिमसँग सम्बन्धित कारकहरू मोटोपना र महिला लि gender्ग समावेश गर्दछ। [पृष्ठ २३-मा भएको चित्र] परिणामहरू ९० प्रतिशत अवस्थामा रूढिवादी उपचार सफल हुन्छ र धेरैजसो बिरामीहरू उपचार बिना नै निको हुन्छन्। रेफ्रेक्टरी केसहरूको उपचारमा श्रोणि तल्ला पुनर्वास, म्यानुअल हेरफेर र मालिश, ट्रान्सक्युटेनस इलेक्ट्रिकल स्नायु उत्तेजना, मनोचिकित्सा, स्टेरोइड इंजेक्शन, स्नायु ब्लक, रीढ़को हड्डी उत्तेजना, र शल्य चिकित्सा प्रक्रियाहरू समावेश छन्। निष्कर्ष शारीरिक उपचार, एर्गोनोमिक अनुकूलन, औषधि, इंजेक्सन, र सम्भवतः मनोचिकित्साको प्रयोग गरी बहु-विषयक दृष्टिकोणले अप्रिय कोकसिक्स दुखाइ भएका बिरामीहरूमा सफलताको सबैभन्दा ठूलो सम्भावना निम्त्याउँछ। नयाँ शल्यक्रिया प्रविधिको विकास भइरहेको भए तापनि यसको प्रभावकारिताको पुष्टि गर्न थप अनुसन्धान आवश्यक छ। |
0989bbd8c15f9aac24e8832327df560dc8ec5324 | [पृष्ठ २३-मा भएको चित्र] बाहिरी अस्थि विकासमा अझै पनि धेरै चुनौतीहरू छन् जसलाई अझै पूर्णतामा पु¥याउनुपर्ने छ, तर यस क्षेत्रमा भएको प्रगति निकै ठूलो छ। यस लेखमा हामी इतिहासको समीक्षा गर्छौं र निम्न अंगको एक्सोस्केलेटन र सक्रिय ओर्थोसिसको बारेमा चर्चा गर्छौं। हामी हार्डवेयर, एक्ट्युएशन, सेन्सर र नियन्त्रण प्रणालीको डिजाइन सिंहावलोकन प्रदान गर्दछौं जुन प्रायः उपकरणहरूको लागि साहित्यमा वर्णन गरिएको छ, र प्रमुख प्रगतिहरूको छलफलको साथ समाप्त हुन्छ जुन बनाइएको छ र अझै पार गर्न बाँकी अवरोधहरू। |
4adffe0ebdda59d39e43d42a41e1b6f80164f07e | गैर-नकारात्मक म्याट्रिक्स फैक्टरिजेसन (एनएमएफ) एक अनुगमन रहित सिकाउने विधि हो जुन छवि प्रसंस्करण र कागजातहरूको अर्थ विश्लेषण सहित विभिन्न अनुप्रयोगहरूमा उपयोगी छ। यो कागज सममित एनएमएफ (एसएनएमएफ) मा केन्द्रित छ, जुन एनएमएफ विघटनको विशेष मामला हो। यस समस्याको लागि तीन समानान्तर गुणात्मक अद्यावधिक एल्गोरिदमहरू स्तर 3 आधारभूत रैखिक बीजगणित उपप्रोग्रामहरू प्रयोग गरेर विकसित गरिएको छ। पहिलो, युक्लिडियन दूरीलाई न्यूनतम बनाएर, एक गुणात्मक अद्यावधिक एल्गोरिथ्म प्रस्ताव गरिएको छ, र यसको कन्भर्जेन्स हल्का अवस्थाहरूमा प्रमाणित गरिएको छ। यसको आधारमा हामी थप दुई छिटो समानान्तर विधिहरू प्रस्ताव गर्दछौं: α-SNMF र β-SNMF एल्गोरिदमहरू। ती सबै कार्यान्वयन गर्न सजिलो छ। यी एल्गोरिदमहरू सम्भावित क्लस्टरिङमा लागू हुन्छन्। हामीले अनुहारको छवि समूहमा, कागजात वर्गीकरणमा, र जीन अभिव्यक्तिमा ढाँचा समूहमा उनीहरूको प्रभावकारिता प्रदर्शन गरेका छौं। |
2a4423b10725e54ad72f4f1fcf77db5bc835f0a6 | सांख्यिकीय यांत्रिकी (अन्त्य तापक्रममा थर्मल सन्तुलनमा धेरै डिग्री स्वतन्त्रता भएका प्रणालीहरूको व्यवहार) र बहुभिन्नरूप वा संयोजक अनुकूलन (धेरै प्यारामिटरहरूमा निर्भर दिइएको प्रकार्यको न्यूनतम फेला पार्ने) बीच गहिरो र उपयोगी सम्बन्ध छ। ठोस पदार्थमा एनीलिङको विस्तृत समानताले धेरै ठूला र जटिल प्रणालीहरूको गुणहरूको अनुकूलनको लागि एक रूपरेखा प्रदान गर्दछ। सांख्यिकीय यांत्रिकीको यो सम्बन्धले नयाँ जानकारीलाई उजागर गर्दछ र परम्परागत अनुकूलन समस्या र विधिहरूमा अपरिचित परिप्रेक्ष्य प्रदान गर्दछ। |
dec997b20ebe2b867f68cc5c123d9cb9eafad6bb | गहिरो न्यूरल नेटवर्कको प्रशिक्षणका लागि सामान्यतया ठूलो मात्रामा डाटाको आवश्यकता हुन्छ र यो धेरै गणना गहन हुन्छ। हामी यहाँ देखाउँछौं कि यो महँगो ग्रेडियन्ट वंश प्रक्रियालाई वेवास्ता गर्न सम्भव हुन सक्छ र प्रशिक्षण डाटाको गुणबाट सीधा न्यूरल नेटवर्कको प्यारामिटरहरू प्राप्त गर्न सकिन्छ। हामी देखाउँछौं कि, कन्भर्जेन्स नजिक, इनपुटको नजिकको तहहरूको लागि ग्रेडियन्ट वंश समीकरणहरू रैखिक गर्न सकिन्छ र प्रत्येक वर्गको लागि डाटाको सह-विभिन्नतासँग सम्बन्धित शोरको साथ स्टोकास्टिक समीकरणहरू बन्न सकिन्छ। हामी यी समीकरणहरूको समाधानको वितरण प्राप्त गर्छौं र पत्ता लगाउँछौं कि यो एक पर्यवेक्षित मुख्य घटक विश्लेषणसँग सम्बन्धित छ। हामी यी परिणामहरू छवि डाटासेट MNIST, CIFAR10 र CIFAR100 मा लागू गर्दछौं र फेला पार्दछौं कि, वास्तवमा, हाम्रो निष्कर्षहरू प्रयोग गरेर पूर्व प्रशिक्षित तहहरू समान आकार र आर्किटेक्चरको न्यूरल नेटवर्कहरूसँग तुलनात्मक वा उत्कृष्ट प्रदर्शन गर्दछन्। यसबाहेक, हाम्रो पूर्व प्रशिक्षित तहहरू प्रायः प्रशिक्षण डेटाको एक अंश प्रयोग गरेर गणना गर्न सकिन्छ, कोभेरिएन्स म्याट्रिक्सको द्रुत अभिसरणको कारण। यस प्रकार, हाम्रो निष्कर्षले संकेत गर्दछ कि हामी प्रशिक्षण समय दुबैलाई ग्रेडियन्ट अवतरणको लागि प्रयोग गरिएको डाटाको एक अंश मात्र आवश्यक गरेर र प्रशिक्षणको महँगो पछाडि प्रवर्धन चरणमा तहहरू हटाएर घटाउन सक्छौं। यसको अतिरिक्त, यी निष्कर्षहरूले आंशिक रूपमा गहिरो न्यूरल नेटवर्कको भित्री कार्यलाई स्पष्ट पार्दछ र हामीलाई वर्गीकरण समस्याहरूको केही चरणहरूको लागि गणितको हिसाबले इष्टतम समाधानहरू गणना गर्न अनुमति दिन्छ, जसले गर्दा यस्ता समस्याहरू कुशलतापूर्वक समाधान गर्ने हाम्रो क्षमतामा उल्लेखनीय वृद्धि हुन्छ। |
Subsets and Splits