_id
stringlengths 40
40
| text
stringlengths 0
12.9k
|
|---|---|
d31798506874705f900e72203515abfaa9278409 | آرٹیکل کی تاریخ: 26 اگست 2007 کو موصول ہوا۔ 7 مئی 2008 کو نظر ثانی شدہ شکل میں موصول ہوا۔ 13 مئی 2008 کو قبول کیا گیا۔ |
6d96f946aaabc734af7fe3fc4454cf8547fcd5ed | |
1c26786513a0844c3a547118167452bed17abf5d | ترجمہ کے مسئلے کا مختصر تعارف فراہم کرنے کے بعد ، اور عربی سے انگریزی ترجمہ کے لئے مخصوص کچھ مسائل کو اجاگر کرنے کے بعد ، اس مسئلے کے کمپیوٹیشنل حل کے طور پر تین مرحلے کا الگورتھم متعارف کرایا گیا ہے۔ الگورتھم ایک پوشیدہ مارکوف ماڈل نقطہ نظر پر مبنی ہے، لیکن آن لائن ڈیٹا بیس میں دستیاب معلومات کو بھی فائدہ اٹھاتا ہے. پھر الگورتھم کا جائزہ لیا جاتا ہے، اور 80٪ تک پہنچنے کے لئے دکھایا جاتا ہے. |
dbc82e5b8b17faec972e1d09c34ec9f9cd1a33ea | عام فہم استدلال پر ہماری تحقیق میں، ہم نے پایا ہے کہ ایک خاص طور پر اہم قسم کا علم انسانی مقاصد کے بارے میں علم ہے. خاص طور پر جب انٹرفیس ایجنٹوں پر کامنسینس استدلال کا اطلاق کرتے ہیں تو ، ہمیں صارف کے اقدامات (منصوبے کی پہچان) سے اہداف کو پہچاننے کی ضرورت ہوتی ہے ، اور اہداف (منصوبہ بندی) کو نافذ کرنے والے اقدامات کے تسلسل کو پیدا کرنا ہوتا ہے۔ ہمیں اکثر ایسے حالات کے بارے میں زیادہ عام سوالات کا جواب دینے کی ضرورت ہوتی ہے جن میں اہداف پائے جاتے ہیں، جیسے کہ کب اور کہاں ایک خاص مقصد کا امکان ہو سکتا ہے، یا اس کو حاصل کرنے میں کتنا وقت لگتا ہے۔ کامنسنس علم کے حصول پر ماضی کے کام میں، صارفین کو براہ راست اس طرح کی معلومات کے لئے کہا گیا ہے. تاہم حال ہی میں ایک اور طریقہ کار سامنے آیا ہے جس کے ذریعے صارفین کو کھیل کھیلنے کے لیے آمادہ کیا جاتا ہے۔ اس طرح سے کھیل میں اچھی سکورنگ کا ذریعہ علم فراہم کرنا ہوتا ہے، اس طرح کھلاڑیوں کو حوصلہ افزائی ملتی ہے۔ اس نقطہ نظر کو لوئس وان آن اور ان کے ساتھیوں نے پیش کیا ہے، جو اسے انسانی حساب کے طور پر حوالہ دیتے ہیں. مشترکہ اتفاق رائے ایک تفریح، خود کو برقرار رکھنے والے ویب پر مبنی کھیل ہے، جو روزمرہ کے مقاصد کے بارے میں عام احساس کے علم کو جمع اور توثیق کرتا ہے. یہ ٹی وی گیم شو فیملی فیوڈ 1 کے ڈھانچے پر مبنی ہے۔ ایک چھوٹا سا صارف مطالعہ ظاہر ہوا کہ صارفین کو کھیل مزہ آتا ہے، علم کا معیار بہت اچھا ہے، اور علم جمع کرنے کی شرح تیز ہے. اے سی ایم درجہ بندی: H.3.3 [معلومات اسٹوریج اور بازیافت]: معلومات کی تلاش اور بازیافت؛ I.2.6 [مصنوعی ذہانت]: سیکھنا |
f8b1534b26c1a4a30d32aec408614ecff2412156 | |
4c479f8d18badb29ec6a2a49d6ca8e36d833fbe9 | پس منظر چھوٹی سی سائز کے باوجود ، کوکسیکس کے کئی اہم کام ہوتے ہیں۔ متعدد پٹھوں ، بندھنوں اور ٹینڈوں کے لئے اندراج کی جگہ ہونے کے ساتھ ساتھ ، یہ ٹرپڈ کی ایک ٹانگ کے طور پر بھی کام کرتا ہے - اسکیئل ٹوبروسائٹس کے ساتھ - جو بیٹھنے کی پوزیشن میں کسی شخص کو وزن برداشت کرنے کی حمایت فراہم کرتا ہے۔ کوکیڈینیا (کاکسیکس کے علاقے میں درد) کی شرح کی اطلاع نہیں دی گئی ہے، لیکن کوکیڈینیا کی ترقی کے خطرے میں اضافہ کے ساتھ منسلک عوامل میں موٹاپا اور خواتین کی جنس شامل ہیں. اس مضمون میں کوکیڈینیا کی ساخت، فزیالوجی اور علاج کے بارے میں معلومات دی گئی ہیں۔ نتائج 90 فیصد معاملات میں کنزرویٹو علاج کامیاب ہوتا ہے اور بہت سے معاملات طبی علاج کے بغیر ٹھیک ہو جاتے ہیں۔ ریفریکٹری کیسز کے علاج میں pelvic فرش کی بحالی ، دستی ہیرا پھیری اور مساج ، ٹرانسکوٹین الیکٹرک اعصاب محرک ، سائیکو تھراپی ، اسٹیرائڈ انجیکشن ، اعصاب بلاک ، ریڑھ کی ہڈی کی محرک ، اور جراحی کے طریقہ کار شامل ہیں۔ نتیجہ جسمانی تھراپی، ergonomic موافقت، ادویات، انجکشن، اور، ممکنہ طور پر، نفسیاتی علاج کا استعمال کرتے ہوئے ایک کثیر شعبہ نقطہ نظر کو ریفریکٹری coccyx درد کے ساتھ مریضوں میں کامیابی کا سب سے بڑا موقع کی طرف جاتا ہے. آپریشن کے لیے نئی تکنیکیں تیار کی جا رہی ہیں لیکن اس کے اثر کو ثابت کرنے کے لیے مزید تحقیق کی ضرورت ہے۔ |
0989bbd8c15f9aac24e8832327df560dc8ec5324 | سائنس دانوں نے ان کے بنانے کے طریقوں کی تلاش شروع کی ہے۔ تقریباً 60 برسوں میں یہ سائنس فکشن کی کہانیوں سے نکل کر تقریباً تجارتی مصنوعات بن چکی ہیں۔ اگرچہ اب بھی بہت سے چیلنجز ہیں جو ایکسو اسکیلیٹ کی ترقی سے وابستہ ہیں جو ابھی تک کامل نہیں ہوئے ہیں ، اس میدان میں پیشرفت بہت بڑی رہی ہے۔ اس مقالے میں ہم تاریخ کا جائزہ لیتے ہیں اور نچلی ٹانگوں کے ایکسو اسکیلیٹ اور فعال آرتھیز کی جدید ترین حالت پر تبادلہ خیال کرتے ہیں۔ ہم زیادہ تر آلات کے لئے ہارڈ ویئر ، ایکٹیویشن ، سینسر ، اور کنٹرول سسٹم کا ڈیزائن جائزہ فراہم کرتے ہیں جو ادب میں بیان کیے گئے ہیں ، اور ان اہم پیشرفتوں پر تبادلہ خیال کے ساتھ اختتام پذیر ہیں جو ابھی تک طے نہیں ہوسکے ہیں۔ |
4adffe0ebdda59d39e43d42a41e1b6f80164f07e | غیر منفی میٹرکس فیکٹرائزیشن (این ایم ایف) ایک غیر نگرانی سیکھنے کا طریقہ ہے جو مختلف ایپلی کیشنز میں مفید ہے جس میں تصویری پروسیسنگ اور دستاویزات کا معنوی تجزیہ شامل ہے۔ یہ مقالہ سمتیری NMF (SNMF) پر مرکوز ہے ، جو NMF کی تحلیل کا ایک خاص معاملہ ہے۔ اس مسئلے کے لئے براہ راست سطح 3 بنیادی لکیری الجبرا سب پروگراموں کا استعمال کرتے ہوئے تین متوازی ضربی اپ ڈیٹ الگورتھم تیار کیے گئے ہیں۔ سب سے پہلے، ایوکلیڈین فاصلے کو کم سے کم کرکے، ایک ضرب اپ ڈیٹ الگورتھم کی تجویز کی جاتی ہے، اور ہلکے حالات کے تحت اس کی کنورجنس ثابت ہوتی ہے. اس کی بنیاد پر، ہم مزید دو تیز متوازی طریقوں کی تجویز کرتے ہیں: α-SNMF اور β-SNMF الگورتھم. ان سب کو نافذ کرنا آسان ہے۔ یہ الگورتھم ممکنہ طور پر کلسٹرنگ پر لاگو ہوتے ہیں. ہم نے ان کی تاثیر کا مظاہرہ کیا چہرے کی تصویر کے گروپ بندی کے لیے، دستاویز کی درجہ بندی، اور جین اظہار میں نمونہ گروپ بندی کے لیے۔ |
2a4423b10725e54ad72f4f1fcf77db5bc835f0a6 | شماریاتی میکانکس (ایک محدود درجہ حرارت پر حرارتی توازن میں آزادی کی بہت سی ڈگری کے ساتھ نظاموں کا رویہ) اور کثیر متغیر یا مجموعی اصلاح (بہت سے پیرامیٹرز پر منحصر کسی دیئے گئے فنکشن کی کم سے کم تلاش) کے درمیان ایک گہرا اور مفید تعلق ہے۔ ٹھوس مادوں میں annealing کے ساتھ ایک تفصیلی مشابہت بہت بڑے اور پیچیدہ نظام کی خصوصیات کی اصلاح کے لئے ایک فریم ورک فراہم کرتا ہے. اسٹیٹیسٹک میکانکس سے یہ تعلق نئی معلومات کو بے نقاب کرتا ہے اور روایتی اصلاح کے مسائل اور طریقوں پر ایک غیر واقف نقطہ نظر فراہم کرتا ہے۔ |
dec997b20ebe2b867f68cc5c123d9cb9eafad6bb | گہرے نیورل نیٹ ورکس کی تربیت کے لیے عام طور پر بڑے پیمانے پر ڈیٹا کی ضرورت ہوتی ہے اور یہ بہت کمپیوٹنگ کی ضرورت ہوتی ہے۔ ہم یہاں دکھاتے ہیں کہ مہنگا گرڈینٹ نزول کے طریقہ کار کو دور کرنا ممکن ہوسکتا ہے اور تربیت کے اعداد و شمار کی خصوصیات سے براہ راست نیورل نیٹ ورک کے پیرامیٹرز کو حاصل کرنا ممکن ہے۔ ہم دکھاتے ہیں کہ، کنورجنس کے قریب، ان پٹ کے قریب تہوں کے لئے گریڈینٹ نزول مساوات لکیری ہوسکتے ہیں اور ہر کلاس کے لئے اعداد و شمار کے کوآرڈیننس سے متعلق شور کے ساتھ اسٹاکسٹک مساوات بن جاتے ہیں. ہم ان مساوات کے حل کی تقسیم کو اخذ کرتے ہیں اور دریافت کرتے ہیں کہ اس کا تعلق نگرانی والے اہم جزو تجزیہ سے ہے۔ ہم ان نتائج کو امیج ڈیٹا سیٹ MNIST ، CIFAR10 اور CIFAR100 پر نافذ کرتے ہیں اور پاتے ہیں کہ ، واقعی ، ہماری تلاشوں کا استعمال کرتے ہوئے پہلے سے تربیت یافتہ پرتیں اسی سائز اور فن تعمیر کے اعصابی نیٹ ورکوں کے مقابلے میں موازنہ یا بہتر کارکردگی کا مظاہرہ کرتی ہیں جو تدریجی نزول کے ساتھ تربیت یافتہ ہیں۔ اس کے علاوہ، ہمارے پہلے سے تربیت یافتہ تہوں کو اکثر تربیت کے اعداد و شمار کے ایک حصے کا استعمال کرتے ہوئے حساب کیا جا سکتا ہے، کی وجہ سے کوویاریئنس میٹرکس کی فوری کنورجنس. اس طرح، ہمارے نتائج سے پتہ چلتا ہے کہ ہم تربیت کے وقت کو کم کر سکتے ہیں دونوں کی طرف سے گرڈینٹ نزول کے لئے استعمال کیا جاتا اعداد و شمار کا صرف ایک حصہ کی ضرورت ہوتی ہے، اور تربیت کے مہنگی بیک پروپیگنسی مرحلے میں تہوں کو ختم کرکے. اس کے علاوہ ، یہ نتائج گہرے نیورل نیٹ ورکس کے اندرونی کام کو جزوی طور پر واضح کرتے ہیں اور ہمیں درجہ بندی کے مسائل کے کچھ مراحل کے لئے ریاضی سے زیادہ سے زیادہ حل کا حساب کتاب کرنے کی اجازت دیتے ہیں ، اس طرح اس طرح کے مسائل کو موثر طریقے سے حل کرنے کی ہماری صلاحیت کو نمایاں طور پر بڑھا دیتے ہیں۔ |
Subsets and Splits