.
خانه ژورنال دانشجویان ایران (Iranian Students Article House)
.
عنوان فارسی مقاله : تحلیل احساسات مبتنی بر یادگیری عمیق در متن رومی اردو
.
English Article Title: Deep Learning-Based Sentiment Analysis for Roman Urdu Text
Year: 2019
Publisher: ELSEVIER
Journal: Procedia Computer Science
DOI: doi.org/10.1016/j.procs.2019.01.202

Keywords:
#Social_Sciences_and_Humanities
#Physical_Sciences_and_Engineering
#Recurrent_Neural_Network
#Computer_Science
#RNN
#Long_Short_term_Memory
#LSTM
#Roman_Urdu_Sentiment_Analysis
#Word_embedding
#Art_and_Humanities
#علوم_پایه_و_فنی_مهندسی
#گروه_علوم_انسانی_و_اجتماعی
#مقاله_کامپیوتر
#مقاله_هنر
#مقاله_علوم_انسانی
#شبکه_عصبی_مکرر (#RNN)
#حافظه_کوتاه_مدت
#حافظه_بلند_مدت
#آنالیز_معنایی_رومن_اردو
#تعبیه_لغت

چکیده مقاله:
آنالیز احساسات با توجه به رویکرد همه جانبه در آنالیز احساسات کاربران شبکه های اجتماعی مختلف، انجمن ها، سایت های بازاریابی الکترونیکی و وبلاگ ها، اهمیت زیادی دارد. داده های مربوط به احساسات در وب اهمیت زیادی دارد و بر مشتریان، خوانندگان و شرکت های تجاری تأثیر می گذارد. شبکه عصبی مکرر به طور گسترده ای در انجام وظایف پردازش زبان طبیعی مورد استفاده قرار گرفته است، زیرا برای مدل سازی داده های متوالی به صورت موثر طراحی شده است.
در این مقاله از مدل عصبی عمیق حافظه کوتاه-طولانی مدت (LSTM) استفاده شده است. توانایی فوق العاده ای در ضبط اطلاعات دور برد و حل مشکل کاهش گرادیان و همچنین ارائه اطلاعات متنی آتی، معناشناسی توالی لغات با شکوه دارد. این مقاله پایه و اساس تطبیق روش های یادگیری عمیق در آنالیز رومن اردو است. نتایج تجربی نشان داد که مدل ما دقت قابل توجهی دارد و دقت بیشتری از روش های یادگیری ماشین دارد.
کليدواژه: شبکه عصبی مکرر (RNN)، حافظه کوتاه-بلند مدت (LSTM) ، آنالیز معنایی رومن اردو ، تعبیه لغت

لینک دانلود رایگان مقاله انگلیسی و خرید ترجمه فارسی مقاله :
Free download link: https://bit.ly/2LIBceB

خانه ژورنال دانشجویان ایران ( Iranian Students Article House , www.entofa.net )
.
عنوان فارسی مقاله : مروری بر مورد یادگیری عمیق برای داده های بزرگ
.
English Article Title: A survey on deep learning for big data
Year: 2018
Publisher: ELSEVIER
Journal: Information Fusion
DOI: http://dx.doi.org/10.1016/j.inffus.2017.10.006

Keywords:
#Deep_learning
#Big_data
#Stacked_auto_encoders
#Deep_belief_networks
#Convolutional_neural_networks
#Recurrent_neural_networks
#یادگیری_عمیق
#داده‌های_بزرگ
#رمزگذاران_خودکار_انباشته_شده
#شبکه‌های_اعتقادی_عمیق
#شبکه‌های_عصبی_کانولوشن
#شبکه_عصبی_مکرر
#علوم_پایه_و_فنی_مهندسی (#Physical_Sciences_and_Engineering)
#مقاله_کامپیوتر (#Computer_Science)
#مقاله_انرژی (#Energy)
#مقاله_مهندسی (#Engineering)
#علوم_انسانی_و_اجتماعی (#Social_Sciences_and_Humanities)
#مقاله_علوم_اجتماعی (#Social_Sciences)

چکیده مقاله:
یادگیری عمیق، به عنوان یکی از مهم ترین تکنیک های یادگیری ماشینی، موفقیت های زیادی در بسیاری از برنامه های کاربردی مانند تحلیل تصویر، تشخیص گفتار و درک متن بدست اورده است . انها از استراتژی های نظارت شده و بی نظیر برای یادگیری چندین سطح و ویژگی های معماری سلسله مراتبی برای وظایف طبقه بندی و تشخیص الگو استفاده می کنند. پیشرفت های اخیر در شبکه های حسگر و فناوری های ارتباطی، قادر به جمع آوری داده های بزرگ می باشد. اگر چه داده های بزرگ فرصت های خوبی برای بسیاری از زمینه ها از جمله تجارت الکترونیک، کنترل صنعتی و پزشکی هوشمند فراهم می اورند، اما در زمینه داده کاوی و پردازش اطلاعات به دلیل ویژگی های حجم زیاد، انواع مختلف، سرعت زیاد و حقیقت بزرگ، چالش های فراوانی را به همراه خواهند داشت. در چند سال گذشته، یادگیری عمیق در راه حل های تحلیلی داده های بزرگ نقش مهمی را ایفا کرده است. در این مقاله، تحقیقات انجام شده درباره مدل های یادگیری عمیق برای یادگیری ویژگی های بزرگ داده ها در اینده را مرور می کنیم. علاوه بر این، ما با توجه به چالش های باقیمانده به یادگیری عمیق داده های بزرگ و بحث در مورد موضوعات آینده اشاره می کنیم.
کلمات کلیدی: یادگیری عمیق | داده های بزرگ | رمزگذاران خودکار انباشته شده | شبکه های اعتقادی عمیق | شبکه های عصبی کانولوشن | شبکه عصبی مکرر

لینک دانلود رایگان مقاله انگلیسی و خرید ترجمه فارسی مقاله :
Free download link: https://bit.ly/2SFIunJ