_id
stringlengths 40
40
| text
stringlengths 0
9.73k
|
|---|---|
d31798506874705f900e72203515abfaa9278409 | ఆర్టికల్ చరిత్రః 26 ఆగస్టు 2007న స్వీకరించబడింది 7 మే 2008న సవరించిన రూపంలో స్వీకరించబడింది 13 మే 2008న అంగీకరించబడింది |
6d96f946aaabc734af7fe3fc4454cf8547fcd5ed | |
1c26786513a0844c3a547118167452bed17abf5d | లిప్యంతరీకరణ సమస్యకు సంక్షిప్త పరిచయం అందించిన తరువాత, అరబిక్ నుండి ఆంగ్ల అనువాదానికి సంబంధించిన కొన్ని సమస్యలను హైలైట్ చేసిన తరువాత, సమస్యకు కంప్యూటరీకరణ పరిష్కారంగా మూడు దశల అల్గోరిథం ప్రవేశపెట్టబడింది. ఈ అల్గోరిథం హిడెన్ మార్కోవ్ మోడల్ విధానం ఆధారంగా రూపొందించబడింది, అయితే ఆన్ లైన్ డేటాబేస్ లలో లభించే సమాచారాన్ని కూడా ఇది ఉపయోగించుకుంటుంది. అల్గోరిథం అప్పుడు అంచనా వేయబడుతుంది, మరియు 80% దగ్గరగా ఖచ్చితత్వాన్ని సాధించడానికి చూపబడింది. |
dbc82e5b8b17faec972e1d09c34ec9f9cd1a33ea | కామన్స్ సెన్స్ తార్కిక వివేచన పై మా పరిశోధనలో, ఒక ముఖ్యమైన జ్ఞానం మానవ లక్ష్యాల గురించి జ్ఞానం అని మేము కనుగొన్నాము. ముఖ్యంగా ఇంటర్ఫేస్ ఏజెంట్లకు కామన్స్సెన్స్ తార్కికతను వర్తింపజేసేటప్పుడు, వినియోగదారు చర్యల నుండి లక్ష్యాలను గుర్తించాలి (ప్రణాళిక గుర్తింపు), మరియు లక్ష్యాలను అమలు చేసే చర్యల శ్రేణులను ఉత్పత్తి చేయాలి (ప్రణాళిక). లక్ష్యాలు సంభవించే పరిస్థితుల గురించి మరింత సాధారణ ప్రశ్నలకు కూడా మనం సమాధానం ఇవ్వాలి, ఒక నిర్దిష్ట లక్ష్యం ఎప్పుడు, ఎక్కడ సాధ్యమవుతుంది, లేదా సాధించడానికి ఎంత సమయం పడుతుంది. కామన్స్ సెన్స్ జ్ఞాన సముపార్జనపై గత పనిలో, వినియోగదారులను నేరుగా అటువంటి సమాచారం కోసం కోరారు. అయితే ఇటీవల మరో పద్ధతి కనిపించింది. ఆటగాళ్లను ఆటలలోకి లాగడం, జ్ఞానాన్ని అందించడం ఆటలో మంచి స్కోరు సాధించడానికి మరియు ఆటగాళ్లను ప్రేరేపించడానికి ఒక సాధనం. ఈ విధానాన్ని లూయిస్ వాన్ అహ్న్ మరియు అతని సహచరులు మానవ గణనగా సూచించారు. కామన్ కాన్సెన్సస్ అనేది ఒక ఆహ్లాదకరమైన, స్వయం సమృద్ధిగా ఉండే వెబ్ ఆధారిత గేమ్, ఇది రోజువారీ లక్ష్యాల గురించి కామన్ సెన్స్ జ్ఞానాన్ని సేకరించి ధృవీకరిస్తుంది. ఇది ఫ్యామిలీ ఫ్యూడ్1 అనే టీవీ గేమ్ షో నిర్మాణం మీద ఆధారపడి ఉంటుంది. ఒక చిన్న వినియోగదారుల అధ్యయనం వినియోగదారులు ఆటను సరదాగా కనుగొన్నారని, జ్ఞానం యొక్క నాణ్యత చాలా బాగుందని, జ్ఞానం సేకరణ రేటు వేగంగా ఉందని చూపించింది. ఎసిఎం వర్గీకరణః హెచ్.3.3 [సమాచారం నిల్వ మరియు తిరిగి పొందడం]: సమాచార శోధన మరియు తిరిగి పొందడం; ఐ.2.6 [కృత్రిమ మేధస్సు]: నేర్చుకోవడం |
f8b1534b26c1a4a30d32aec408614ecff2412156 | |
4c479f8d18badb29ec6a2a49d6ca8e36d833fbe9 | వెనకభాగం బహుళ కండరాలు, స్నాయువులు మరియు స్నాయువుల కోసం చొప్పించే ప్రదేశంతో పాటు, ఇది త్రిపాద యొక్క ఒక కాలిగా కూడా పనిచేస్తుంది-ఇషియల్ ట్యూబరోసిటీలతో పాటు-ఇది కూర్చున్న వ్యక్తికి బరువును మోసే మద్దతును అందిస్తుంది. కోక్సిడినియా (కోక్సిక్స్ ప్రాంతంలో నొప్పి) సంభవం నివేదించబడలేదు, అయితే కోక్సిడినియా అభివృద్ధి చెందడానికి పెరిగిన ప్రమాదానికి సంబంధించిన కారకాలు ఊబకాయం మరియు స్త్రీ లింగం. ఈ వ్యాసం కోక్సీడినియా యొక్క శరీర నిర్మాణం, శరీరధర్మశాస్త్రం, చికిత్స గురించి వివరంగా చెబుతుంది. ఫలితాలు 90% కేసుల్లో సంప్రదాయవాద చికిత్స విజయవంతం అవుతుంది, మరియు అనేక కేసులు వైద్య చికిత్స లేకుండానే నయం అవుతాయి. అగ్ని చొరబడని కేసులకు చికిత్సలు కటి దిగువ పునరావాస, మాన్యువల్ మానిప్యులేషన్ మరియు మసాజ్, ట్రాన్స్కటనేజ్ ఎలక్ట్రిక్ నరాల ఉద్దీపన, సైకోథెరపీ, స్టెరాయిడ్ ఇంజెక్షన్లు, నరాల బ్లాక్, వెన్నెముక ఉద్దీపన మరియు శస్త్రచికిత్స విధానాలు. ముగింపు ఫిజియోథెరపీ, ఎర్గోనామిక్ అనుసరణలు, మందులు, సూది మందులు, మరియు, బహుశా, మానసిక చికిత్సను ఉపయోగించి ఒక బహుళ విభాగ విధానం అగ్ని చొరబాటు కాకిస్ నొప్పి రోగులలో విజయం సాధించడానికి గొప్ప అవకాశం దారితీస్తుంది. కొత్త శస్త్రచికిత్సా పద్ధతులు ఆవిర్భవిస్తున్నప్పటికీ, వాటి ప్రభావము గురించి తెలుసుకోవడానికి ఇంకా పరిశోధన అవసరం. |
0989bbd8c15f9aac24e8832327df560dc8ec5324 | పరిశోధకులు వాటిని సృష్టించే పద్ధతులను అన్వేషించడం మొదలుపెట్టినప్పటి నుండి దాదాపు ఆరు దశాబ్దాలలో, ఎక్సోస్కెలెట్లు సైన్స్ ఫిక్షన్ నుండి దాదాపుగా వాణిజ్యపరంగా ఉత్పత్తులకు పురోగమించాయి. ఎక్సోస్కెలెన్ అభివృద్ధికి సంబంధించిన అనేక సవాళ్లు ఇంకా పరిపూర్ణంగా ఉండగా, ఈ రంగంలో పురోగతి చాలా పెద్దది. ఈ వ్యాసంలో, మేము చరిత్రను సమీక్షించి, దిగువ అవయవ ఎక్సోస్కెలెట్లు మరియు క్రియాశీల ఆర్థోసిస్ యొక్క తాజా స్థితిని చర్చిస్తాము. సాహిత్యంలో వివరించిన చాలా పరికరాల హార్డ్వేర్, యాక్యుయేషన్, సెన్సార్ మరియు కంట్రోల్ సిస్టమ్స్ యొక్క డిజైన్ అవలోకనాన్ని మేము అందిస్తాము మరియు సాధించిన ప్రధాన పురోగతుల చర్చతో మరియు ఇంకా అధిగమించాల్సిన అడ్డంకులతో ముగుస్తుంది. |
4adffe0ebdda59d39e43d42a41e1b6f80164f07e | నాన్ నెగటివ్ మ్యాట్రిక్స్ ఫ్యాక్టరైజేషన్ (ఎన్ఎంఎఫ్) అనేది ఇమేజ్ ప్రాసెసింగ్ మరియు డాక్యుమెంట్ల అర్థ విశ్లేషణతో సహా వివిధ అనువర్తనాల్లో ఉపయోగపడే పర్యవేక్షణ లేని అభ్యాస పద్ధతి. ఈ పత్రం సిమ్మెట్రిక్ ఎన్ఎమ్ఎఫ్ (ఎస్ఎన్ఎమ్ఎఫ్) పై దృష్టి పెట్టింది, ఇది ఎన్ఎమ్ఎఫ్ కుళ్ళిపోయే ప్రత్యేక కేసు. ఈ సమస్య కోసం నేరుగా 3వ స్థాయి ప్రాథమిక సరళ బీజగణిత ఉపప్రోగ్రామ్లను ఉపయోగించి మూడు సమాంతర గుణకార నవీకరణ అల్గోరిథంలు అభివృద్ధి చేయబడ్డాయి. మొదట, యూక్లిడియన్ దూరాన్ని కనిష్టీకరించడం ద్వారా, ఒక గుణకార నవీకరణ అల్గోరిథం ప్రతిపాదించబడింది మరియు తేలికపాటి పరిస్థితులలో దాని సారూప్యత నిరూపించబడింది. దీని ఆధారంగా, మేము మరో రెండు వేగవంతమైన సమాంతర పద్ధతులను ప్రతిపాదించాముః α-SNMF మరియు β-SNMF అల్గోరిథంలు. వాటిని అమలు చేయడం సులభం. ఈ అల్గోరిథంలు సంభావ్యతా సమూహీకరణకు వర్తించబడతాయి. మేము వారి ప్రభావాన్ని ప్రదర్శిస్తాము ముఖం చిత్రం సమూహీకరణ, పత్ర వర్గీకరణ, మరియు జన్యు వ్యక్తీకరణలో నమూనా సమూహీకరణ. |
2a4423b10725e54ad72f4f1fcf77db5bc835f0a6 | గణాంక మెకానిక్స్ (పరిమిత ఉష్ణోగ్రత వద్ద ఉష్ణ సమతుల్యతలో అనేక డిగ్రీల స్వేచ్ఛ కలిగిన వ్యవస్థల ప్రవర్తన) మరియు బహువిషయ లేదా కలయిక ఆప్టిమైజేషన్ (అనేక పారామితులపై ఆధారపడి ఇచ్చిన ఫంక్షన్ యొక్క కనిష్టాన్ని కనుగొనడం) మధ్య లోతైన మరియు ఉపయోగకరమైన సంబంధం ఉంది. ఘన పదార్థాలలో గాలిపటాన్ని ఒక వివరణాత్మక సారూప్యత చాలా పెద్ద మరియు సంక్లిష్ట వ్యవస్థల యొక్క లక్షణాలను ఆప్టిమైజ్ చేయడానికి ఒక ఫ్రేమ్వర్క్ను అందిస్తుంది. గణాంక మెకానిక్స్ కు ఈ అనుసంధానం కొత్త సమాచారాన్ని బహిర్గతం చేస్తుంది మరియు సాంప్రదాయ ఆప్టిమైజేషన్ సమస్యలు మరియు పద్ధతులపై తెలియని దృక్పథాన్ని అందిస్తుంది. |
dec997b20ebe2b867f68cc5c123d9cb9eafad6bb | లోతైన నాడీ నెట్వర్క్లను శిక్షణ ఇవ్వడానికి సాధారణంగా భారీ మొత్తంలో డేటా అవసరం మరియు చాలా కంప్యూటింగ్ ఇంటెన్సివ్. ఖరీదైన గ్రాడియంట్ డెస్సెంట్ విధానాన్ని దాటవేయడం మరియు శిక్షణా డేటా యొక్క లక్షణాల నుండి నేరుగా న్యూరల్ నెట్వర్క్ యొక్క పారామితులను పొందడం సాధ్యమవుతుందని మేము ఇక్కడ చూపిస్తున్నాము. మేము సమీపంలో సారూప్యత, ఇన్పుట్ దగ్గరగా పొరలు కోసం ప్రవణత సంతతి సమీకరణాలు సరళీకరించవచ్చు మరియు ప్రతి తరగతి కోసం డేటా covariance సంబంధించిన శబ్దం తో స్టోకాస్టిక్ సమీకరణాలు మారింది చూపిస్తున్నాయి. ఈ సమీకరణాలకు పరిష్కారాల పంపిణీని మేము పొందాము మరియు ఇది ఒక పర్యవేక్షించబడిన ప్రధాన భాగం విశ్లేషణతో సంబంధం కలిగి ఉందని మేము కనుగొన్నాము. మేము ఈ ఫలితాలను ఇమేజ్ డేటాసెట్లలో MNIST, CIFAR10 మరియు CIFAR100 పై అమలు చేస్తాము మరియు మా ఫలితాలను ఉపయోగించి ముందే శిక్షణ పొరలు పోల్చదగినవి లేదా ఉన్నతమైనవి అని కనుగొంటాము అదే పరిమాణం మరియు ఆర్కిటెక్చర్ యొక్క న్యూరల్ నెట్వర్క్లు ప్రవణత సంతతికి శిక్షణ పొందాయి. అంతేకాకుండా, మా ముందుగా శిక్షణ పొందిన పొరలను శిక్షణా డేటా యొక్క ఒక భాగాన్ని ఉపయోగించి లెక్కించవచ్చు, ఎందుకంటే కోవారియెన్స్ మాతృక యొక్క శీఘ్ర సారూప్యత. అందువల్ల, మా ఫలితాలు శిక్షణా సమయాన్ని తగ్గించవచ్చని సూచిస్తున్నాయి, గ్రేడియంట్ అవరోహణ కోసం ఉపయోగించే డేటా యొక్క కొంత భాగాన్ని మాత్రమే అవసరమని మరియు శిక్షణ యొక్క ఖరీదైన వెనుకకు వ్యాప్తి దశలో పొరలను తొలగించడం ద్వారా. అదనంగా, ఈ ఫలితాలు లోతైన నాడీ నెట్వర్క్ల యొక్క అంతర్గత పనితీరును పాక్షికంగా స్పష్టం చేస్తాయి మరియు వర్గీకరణ సమస్యల యొక్క కొన్ని దశలకు సరైన పరిష్కారాలను గణితపరంగా లెక్కించడానికి అనుమతిస్తాయి, తద్వారా అటువంటి సమస్యలను సమర్థవంతంగా పరిష్కరించే మన సామర్థ్యాన్ని గణనీయంగా పెంచుతుంది. |
Subsets and Splits