.
خانه ژورنال دانشجویان ایران (Iranian Students Article House)
.
عنوان فارسی مقاله : تشخیص چهره عمیق با استفاده از داده های ناقص صورت
.
English Article Title: Deep face recognition using imperfect facial data
Year: 2019
Publisher: ELSEVIER
Journal: Future Generation Computer Systems
DOI: doi.org/10.1016/j.future.2019.04.025
Keywords:
#Face_recognition
#Physical_Sciences_and_Engineering
#Convolutional_neural_networks
#Deep_learning
#Cosine_similarity
#Computer_Science
#علوم_پایه_و_فنی_مهندسی
#مقاله_کامپیوتر
#تشخیص_چهره
#شبکه_عصبی_پیچشی
#یادگیری_عمیق
#شباهت_کسینوسی
چکیده مقاله: امروزه تشخیص چهره مبتنی بر کامپیوتر یک مکانیسم بالغ و قابل اطمینان است که به طور عمده برای بسیاری از سناریوهای کنترل دسترسی مورد استفاده قرار می گیرد. به این ترتیب که تشخیص چهره یا احراز هویت عمدتا با استفاده از داده های کامل از تصاویر جلوی صورت انجام می شود. اگرچه ممکن است در عمل این مورد پیش بیاید، اما موقعیت های متعددی وجود دارد که ممکن است تصاویر کامل جلوی صورت در دسترس نباشد - تصاویر چهره ناقص که اغلب از دوربین های مدار بسته می آیند، شامل این موارد هستند. از این رو، مسئله تشخیص چهره مبتنی بر رایانه با استفاده از اطلاعات جزئی به عنوان شاخص هنوز هم تا حد زیادی یک حوزه تحقیق ناشناخته است. با توجه به این که به طور ذاتی انسانها و رایانه ها در تشخیص چهره و احراز هویت متفاوت هستند، باید جالب و جذاب باشد که بدانند یک رایانه زمانی که با یک چالش تشخیص چهره روبرو می شود چگونه به اجرای مختلف صورت توجه می کند. در این کار، ما این پرسش را بررسی میکنیم که ایده تشخیص چهره با استفاده از اطلاعات جزئی صورت را در بر می گیرد. ما این مسئله را با استفاده از آزمایش های جدید برای تست عملکرد یادگیری ماشین با استفاده از تصاویر جزئی چهره و دستکاری های دیگر در تصاویر چهره مانند چرخش و زوم، که به عنوان سرنخهای آموزش و تشخیص استفاده شده است، مورد بررسی قرار دادیم. به طور ویژه، ما میزان تشخیص را با توجه به قسمت های مختلف صورت مانند چشم ها، دهان، بینی و گونه مطالعه می کنیم. ما همچنین به بررسی تشخیص چهره با چرخش صورت و بزرگنمایی تصویر صورت پرداختیم. آزمایشات ما بر اساس استفاده از معماری مبتنی بر شبکه عصبی پیچشی پیشرفته با مدل VGG-Face آموزش دیده از قبل است که از طریق آن ویژگی ها را برای یادگیری ماشین استخراج می کنیم. سپس از دو طبقه بند، يعني شباهت کوسینوسی و ماشین های بردار برای بررسی نرخهای تشخیص استفاده مي شود. ما آزمایش های ما را روی دو مجموعه داده عمومی که شامل FEI کنترل شده برزیل و مجموعه داده کنترل نشده LFW هستند انجام دادیم. نتایج ما نشان می دهد که بخش های منحصر به فرد چهره مانند چشم ها، بینی ها و گونه ها دارای نرخ تشخیص کم هستند، اما زمانی که بخش های فردی صورت ترکیب شده به عنوان شاخص معرفی می شوند، میزان تشخیص به سرعت در حال افزایش است.
کلمات کلیدی: تشخیص چهره ، شبکه عصبی پیچشی ، یادگیری عمیق ، شباهت کسینوسی
لینک دانلود رایگان مقاله انگلیسی و خرید ترجمه فارسی مقاله :
Free download link: https://bit.ly/2rweIXe
خانه ژورنال دانشجویان ایران (Iranian Students Article House)
.
عنوان فارسی مقاله : تشخیص چهره عمیق با استفاده از داده های ناقص صورت
.
English Article Title: Deep face recognition using imperfect facial data
Year: 2019
Publisher: ELSEVIER
Journal: Future Generation Computer Systems
DOI: doi.org/10.1016/j.future.2019.04.025
Keywords:
#Face_recognition
#Physical_Sciences_and_Engineering
#Convolutional_neural_networks
#Deep_learning
#Cosine_similarity
#Computer_Science
#علوم_پایه_و_فنی_مهندسی
#مقاله_کامپیوتر
#تشخیص_چهره
#شبکه_عصبی_پیچشی
#یادگیری_عمیق
#شباهت_کسینوسی
چکیده مقاله: امروزه تشخیص چهره مبتنی بر کامپیوتر یک مکانیسم بالغ و قابل اطمینان است که به طور عمده برای بسیاری از سناریوهای کنترل دسترسی مورد استفاده قرار می گیرد. به این ترتیب که تشخیص چهره یا احراز هویت عمدتا با استفاده از داده های کامل از تصاویر جلوی صورت انجام می شود. اگرچه ممکن است در عمل این مورد پیش بیاید، اما موقعیت های متعددی وجود دارد که ممکن است تصاویر کامل جلوی صورت در دسترس نباشد - تصاویر چهره ناقص که اغلب از دوربین های مدار بسته می آیند، شامل این موارد هستند. از این رو، مسئله تشخیص چهره مبتنی بر رایانه با استفاده از اطلاعات جزئی به عنوان شاخص هنوز هم تا حد زیادی یک حوزه تحقیق ناشناخته است. با توجه به این که به طور ذاتی انسانها و رایانه ها در تشخیص چهره و احراز هویت متفاوت هستند، باید جالب و جذاب باشد که بدانند یک رایانه زمانی که با یک چالش تشخیص چهره روبرو می شود چگونه به اجرای مختلف صورت توجه می کند. در این کار، ما این پرسش را بررسی میکنیم که ایده تشخیص چهره با استفاده از اطلاعات جزئی صورت را در بر می گیرد. ما این مسئله را با استفاده از آزمایش های جدید برای تست عملکرد یادگیری ماشین با استفاده از تصاویر جزئی چهره و دستکاری های دیگر در تصاویر چهره مانند چرخش و زوم، که به عنوان سرنخهای آموزش و تشخیص استفاده شده است، مورد بررسی قرار دادیم. به طور ویژه، ما میزان تشخیص را با توجه به قسمت های مختلف صورت مانند چشم ها، دهان، بینی و گونه مطالعه می کنیم. ما همچنین به بررسی تشخیص چهره با چرخش صورت و بزرگنمایی تصویر صورت پرداختیم. آزمایشات ما بر اساس استفاده از معماری مبتنی بر شبکه عصبی پیچشی پیشرفته با مدل VGG-Face آموزش دیده از قبل است که از طریق آن ویژگی ها را برای یادگیری ماشین استخراج می کنیم. سپس از دو طبقه بند، يعني شباهت کوسینوسی و ماشین های بردار برای بررسی نرخهای تشخیص استفاده مي شود. ما آزمایش های ما را روی دو مجموعه داده عمومی که شامل FEI کنترل شده برزیل و مجموعه داده کنترل نشده LFW هستند انجام دادیم. نتایج ما نشان می دهد که بخش های منحصر به فرد چهره مانند چشم ها، بینی ها و گونه ها دارای نرخ تشخیص کم هستند، اما زمانی که بخش های فردی صورت ترکیب شده به عنوان شاخص معرفی می شوند، میزان تشخیص به سرعت در حال افزایش است.
کلمات کلیدی: تشخیص چهره ، شبکه عصبی پیچشی ، یادگیری عمیق ، شباهت کسینوسی
لینک دانلود رایگان مقاله انگلیسی و خرید ترجمه فارسی مقاله :
Free download link: https://bit.ly/2rweIXe
.
خانه ژورنال دانشجویان ایران (Iranian Students Article House)
.
عنوان فارسی مقاله : استخراج خودکار اطلاعات کارشناس برای پایگاه دانش اینترنت اشیا
.
English Article Title: Expert Information Automatic Extraction for IOT Knowledge Base
Year: 2019
Publisher: ELSEVIER
Journal: Procedia Computer Science
DOI: doi.org/10.1016/j.procs.2019.01.266
Keywords:
#Internet_of_Things
#Expert_profile_model
#Deep_Learning
#Sequence_Tagging
#Computer_Science
#Physical_Sciences_and_Engineering
#علوم_پایه_و_فنی_مهندسی
#مقاله_کامپیوتر
#اینترنت_اشیا
#مدل_مشخصات_کارشناس
#یادگیری_عمیق
#برچسب_زدن_تکراری
چکیده مقاله: با توسعه سریع تکنولوژی IOT، نیاز به بازدهی موثر و دقیق دامنه دانش در حال افزایش است. استخراج خودکار اطلاعات کارشناس از صفحات عظیم وب و مدل نمایشی پویا و یکپارچه برای پایگاه دانش مهم است. با این حال، تفاوت های آشکار در ساختار و معناشناسی محتوا از صفحات وب بین هر دو وبسایت نشان می دهد که خزنده وب سنتی، معنای صفحه وب را درک نمی کند و اطلاعات بحرانی کارشناس را استخراج می کند. بنابراین، یک مدل نمایه حرفه ای شش بعدی معرفی شد و سپس یک روش برچسب گذاری توالی با مدل LSTM-CRF برای استخراج اتوماتیک اطلاعات غنی معنادار مبتنی بر ساختار سازمانی، معنی کلمات و ویژگی های متخصصان ارائه شد. نتایج آزمایش بر روی مجموعه داده های آزمایشی نشان داد که نرخ دقیق و فراخوان در مورد تجربه کار و زمینه تحقیق کارشناسان به ترتیب 67.8٪، 66.6٪ و 82.4٪ و 79.6٪ است. علاوه بر این، میانگین F در مورد برخی از ویژگی های مشخص متخصص مانند نام، عنوان، ایمیل، دستاورد و غیره، به 82.5٪ می رسد که بهتر از نتایج الگوریتم های MEMM و LSTM است.
کلمات کلیدی: اینترنت اشیا ، مدل مشخصات کارشناس ، یادگیری عمیق ، برچسب زدن تکراری
لینک دانلود رایگان مقاله انگلیسی و خرید ترجمه فارسی مقاله :
Free download link: https://bit.ly/2sbeKUw
خانه ژورنال دانشجویان ایران (Iranian Students Article House)
.
عنوان فارسی مقاله : استخراج خودکار اطلاعات کارشناس برای پایگاه دانش اینترنت اشیا
.
English Article Title: Expert Information Automatic Extraction for IOT Knowledge Base
Year: 2019
Publisher: ELSEVIER
Journal: Procedia Computer Science
DOI: doi.org/10.1016/j.procs.2019.01.266
Keywords:
#Internet_of_Things
#Expert_profile_model
#Deep_Learning
#Sequence_Tagging
#Computer_Science
#Physical_Sciences_and_Engineering
#علوم_پایه_و_فنی_مهندسی
#مقاله_کامپیوتر
#اینترنت_اشیا
#مدل_مشخصات_کارشناس
#یادگیری_عمیق
#برچسب_زدن_تکراری
چکیده مقاله: با توسعه سریع تکنولوژی IOT، نیاز به بازدهی موثر و دقیق دامنه دانش در حال افزایش است. استخراج خودکار اطلاعات کارشناس از صفحات عظیم وب و مدل نمایشی پویا و یکپارچه برای پایگاه دانش مهم است. با این حال، تفاوت های آشکار در ساختار و معناشناسی محتوا از صفحات وب بین هر دو وبسایت نشان می دهد که خزنده وب سنتی، معنای صفحه وب را درک نمی کند و اطلاعات بحرانی کارشناس را استخراج می کند. بنابراین، یک مدل نمایه حرفه ای شش بعدی معرفی شد و سپس یک روش برچسب گذاری توالی با مدل LSTM-CRF برای استخراج اتوماتیک اطلاعات غنی معنادار مبتنی بر ساختار سازمانی، معنی کلمات و ویژگی های متخصصان ارائه شد. نتایج آزمایش بر روی مجموعه داده های آزمایشی نشان داد که نرخ دقیق و فراخوان در مورد تجربه کار و زمینه تحقیق کارشناسان به ترتیب 67.8٪، 66.6٪ و 82.4٪ و 79.6٪ است. علاوه بر این، میانگین F در مورد برخی از ویژگی های مشخص متخصص مانند نام، عنوان، ایمیل، دستاورد و غیره، به 82.5٪ می رسد که بهتر از نتایج الگوریتم های MEMM و LSTM است.
کلمات کلیدی: اینترنت اشیا ، مدل مشخصات کارشناس ، یادگیری عمیق ، برچسب زدن تکراری
لینک دانلود رایگان مقاله انگلیسی و خرید ترجمه فارسی مقاله :
Free download link: https://bit.ly/2sbeKUw
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
.
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
خانه ژورنال دانشجویان ایران ( Iranian Students Article House , www.entofa.net )
.
عنوان فارسی مقاله : عملی ساختن تئوری مدیریت خطا :یادگیری و عدم یادگیری برای مدیریت خطاهای عملکرد در ساخت
.
English Article Title: Putting into practice error management theory: Unlearning and learning to manage action errors in construction
Year: 2018
Publisher: ELSEVIER
Journal: Applied Ergonomics
DOI: https://doi.org/10.1016/j.apergo.2018.01.007
Keywords:
#Action_errors
#Construction
#Error_management
#Learning
#Rework
#Safety_incidents
#Unlearning
#خطاهای_عملی
#ساخت
#مدیریت_خطا
#یادگیری
#کار_دوباره
#رویدادهای_ایمنی
#فراموش_کردن
#علوم_پایه_و_فنی_مهندسی (#Physical_Sciences_and_Engineering)
#مقاله_مهندسی (#Engineering)
#علوم_انسانی_و_اجتماعی (#Social_Sciences_and_Humanities)
#مقاله_تجارت
#مقاله_کسب_و_کار
#مقاله_مدیریت
#مقاله_حسابداری (#Business_Management_and_Accounting)
#مقاله_علوم_اجتماعی (#Social_Sciences)
چکیده مقاله:
تئوری مدیریت خطا برای ازمایش چگونگی سازمان پروژه محور ترسیم شده است.که یک شکل از برنامه ی منسجم را به خود می گیرد و قادر است تا افکار بازدارنده ی خطای انجام شده را به یک یادگیری اگاهانه تبدیل کند و این یادگیری مسیری برای کوتاه کردن خطاهای عملی است.انسجام برنامه نیاز مند فراموش کردن روتین ها و عقاید موجود برای جای دادن اعمال مورد نیاز جهت پذیرفتن مدیریت خطاست.در نتیجه به کار گیری یک فرهنگ مدیریت خطا انسجام برنامه قادر به ساخت یک اگاهی مشارکتی خواهد بود که یادگیری و ابتکار حمایتی را تغذیه میکند. یافته ها محتوای مورد نیاز را برای نمایش ارتباط تئوری مدیریت خطا فراهم می اورد و به مسائل امنیتی و کار دوباره در پروژه ای ساخت اشاره ی موثر دارد و مکانیسمی را برای بوجود اوردن یادگیری از خطاها تامین میکند که میتواند با سازمان های ساخت بکار گرفته شود تا تولید پذیری و عملکرد پروژه های شان را بهبود بخشد.
لغات اصلی :خطاهای عملی.ساخت. مدیریت خطا.یادگیری.کار دوباره.رویداد های ایمنی.فراموش کردن.
لینک دانلود رایگان مقاله انگلیسی و خرید ترجمه فارسی مقاله :
Free download link: https://bit.ly/37h9Wwa
.
عنوان فارسی مقاله : عملی ساختن تئوری مدیریت خطا :یادگیری و عدم یادگیری برای مدیریت خطاهای عملکرد در ساخت
.
English Article Title: Putting into practice error management theory: Unlearning and learning to manage action errors in construction
Year: 2018
Publisher: ELSEVIER
Journal: Applied Ergonomics
DOI: https://doi.org/10.1016/j.apergo.2018.01.007
Keywords:
#Action_errors
#Construction
#Error_management
#Learning
#Rework
#Safety_incidents
#Unlearning
#خطاهای_عملی
#ساخت
#مدیریت_خطا
#یادگیری
#کار_دوباره
#رویدادهای_ایمنی
#فراموش_کردن
#علوم_پایه_و_فنی_مهندسی (#Physical_Sciences_and_Engineering)
#مقاله_مهندسی (#Engineering)
#علوم_انسانی_و_اجتماعی (#Social_Sciences_and_Humanities)
#مقاله_تجارت
#مقاله_کسب_و_کار
#مقاله_مدیریت
#مقاله_حسابداری (#Business_Management_and_Accounting)
#مقاله_علوم_اجتماعی (#Social_Sciences)
چکیده مقاله:
تئوری مدیریت خطا برای ازمایش چگونگی سازمان پروژه محور ترسیم شده است.که یک شکل از برنامه ی منسجم را به خود می گیرد و قادر است تا افکار بازدارنده ی خطای انجام شده را به یک یادگیری اگاهانه تبدیل کند و این یادگیری مسیری برای کوتاه کردن خطاهای عملی است.انسجام برنامه نیاز مند فراموش کردن روتین ها و عقاید موجود برای جای دادن اعمال مورد نیاز جهت پذیرفتن مدیریت خطاست.در نتیجه به کار گیری یک فرهنگ مدیریت خطا انسجام برنامه قادر به ساخت یک اگاهی مشارکتی خواهد بود که یادگیری و ابتکار حمایتی را تغذیه میکند. یافته ها محتوای مورد نیاز را برای نمایش ارتباط تئوری مدیریت خطا فراهم می اورد و به مسائل امنیتی و کار دوباره در پروژه ای ساخت اشاره ی موثر دارد و مکانیسمی را برای بوجود اوردن یادگیری از خطاها تامین میکند که میتواند با سازمان های ساخت بکار گرفته شود تا تولید پذیری و عملکرد پروژه های شان را بهبود بخشد.
لغات اصلی :خطاهای عملی.ساخت. مدیریت خطا.یادگیری.کار دوباره.رویداد های ایمنی.فراموش کردن.
لینک دانلود رایگان مقاله انگلیسی و خرید ترجمه فارسی مقاله :
Free download link: https://bit.ly/37h9Wwa
خانه ژورنال دانشجویان ایران ( Iranian Students Article House , www.entofa.net )
.
عنوان فارسی مقاله : تجربه توصیه های مفید یادگیری در سیستم توصیه شده توسط کاربر
.
English Article Title: Visualizing Serendipitous Recommendations in User Controlled Recommender System for Learning
Year: 2018
Publisher: ELSEVIER
Journal: Procedia Computer Science
DOI: https://doi.org/10.1016/j.procs.2018.10.136
Keywords:
#Recommender_System
#Visualization
#Serendipity
#سيستم_توصيه‌گر
#تجربه
#یادگیری
#مفید_بودن_تحصیل
#علوم_انسانی_و_اجتماعی (#Social_Sciences_and_Humanities)
#مقاله_تجارت
#مقاله_کسب‌و‌کار
#مقاله_مدیریت
#مقاله_حسابداری (#Business_Management_and_Accounting)
#مقاله_علوم_اجتماعی (#Social_Sciences)
#مقاله_کامپیوتر (#Computer_Science)
چکیده مقاله:
در این مقاله، گزارش مطالعات مقدماتی درباره ترجیحات کاربر برای سیستم تجربه توصیه شده در مفید بودن تحصیل ارائه داده شد. مطالعه گروه تمرکز بروی 59 کاربر (دانشجو) برای ثبت ترجیحات آنها مورد مطالعه قرار گرفت. گروه تمرکز و تعامل با شش (6) روش رایج تجربی سیستم توصیه نشان داده و شرح داده شد. آنالیز چند متغیره و LDA (آنالیز اختیاری خطی) و خوشه بندی برای محاسبه اهمیت تجربه مختلف در برابر ویژگی های مختلف توصیه گر اجرا شد. نتایج نشان دهنده وجود اختلاف در انواع مختلف تجربه توصیه گر است و این اختلاف در زمانی است که ارائه / تولید نتایج توصیه گر منجر به امکانات serendipity می شود. این تحقیق مهندسین نرم افزار و دانشمندان داده را قادر به طراحی تجربه برای سیستم های توصیه شده می سازد و تمرکز بر کاربرانی است که نیاز به ارائه توصیه های سريع و دقت دارند.
کليد واژه: سيستم توصيه گر | تجربه | مفید بودن تحصیل
لینک دانلود رایگان مقاله انگلیسی و خرید ترجمه فارسی مقاله :
Free download link: https://bit.ly/35dVrI5
.
عنوان فارسی مقاله : تجربه توصیه های مفید یادگیری در سیستم توصیه شده توسط کاربر
.
English Article Title: Visualizing Serendipitous Recommendations in User Controlled Recommender System for Learning
Year: 2018
Publisher: ELSEVIER
Journal: Procedia Computer Science
DOI: https://doi.org/10.1016/j.procs.2018.10.136
Keywords:
#Recommender_System
#Visualization
#Serendipity
#سيستم_توصيه‌گر
#تجربه
#یادگیری
#مفید_بودن_تحصیل
#علوم_انسانی_و_اجتماعی (#Social_Sciences_and_Humanities)
#مقاله_تجارت
#مقاله_کسب‌و‌کار
#مقاله_مدیریت
#مقاله_حسابداری (#Business_Management_and_Accounting)
#مقاله_علوم_اجتماعی (#Social_Sciences)
#مقاله_کامپیوتر (#Computer_Science)
چکیده مقاله:
در این مقاله، گزارش مطالعات مقدماتی درباره ترجیحات کاربر برای سیستم تجربه توصیه شده در مفید بودن تحصیل ارائه داده شد. مطالعه گروه تمرکز بروی 59 کاربر (دانشجو) برای ثبت ترجیحات آنها مورد مطالعه قرار گرفت. گروه تمرکز و تعامل با شش (6) روش رایج تجربی سیستم توصیه نشان داده و شرح داده شد. آنالیز چند متغیره و LDA (آنالیز اختیاری خطی) و خوشه بندی برای محاسبه اهمیت تجربه مختلف در برابر ویژگی های مختلف توصیه گر اجرا شد. نتایج نشان دهنده وجود اختلاف در انواع مختلف تجربه توصیه گر است و این اختلاف در زمانی است که ارائه / تولید نتایج توصیه گر منجر به امکانات serendipity می شود. این تحقیق مهندسین نرم افزار و دانشمندان داده را قادر به طراحی تجربه برای سیستم های توصیه شده می سازد و تمرکز بر کاربرانی است که نیاز به ارائه توصیه های سريع و دقت دارند.
کليد واژه: سيستم توصيه گر | تجربه | مفید بودن تحصیل
لینک دانلود رایگان مقاله انگلیسی و خرید ترجمه فارسی مقاله :
Free download link: https://bit.ly/35dVrI5
خانه ژورنال دانشجویان ایران ( Iranian Students Article House , www.entofa.net )
.
عنوان فارسی مقاله : سیستم تشخیص نفوذ توزیع شده برای محیط های ابری بر اساس تکنیک های داده کاوی
.
English Article Title: Distributed Intrusion Detection System for Cloud Environments based on Data Mining techniques
Year: 2018
Publisher: ELSEVIER
Journal: Procedia Computer Science
DOI: https://doi.org/10.1016/j.procs.2018.01.095
Keywords:
#Intrusion_Detection_Systems
#Data_Mining_techniques
#Cloud_Computing
#Machine_Leaning
#Hadoop
#MapReduce
#سیستم_تشخیص_نفوذ
#داده_کاوی
#نفوذ
#محاسبات_ابری
#یادگیری_ماشین
#هادوپ
#علوم_پایه_و_فنی_مهندسی (#Physical_Sciences_and_Engineering)
#مقاله_کامپیوتر (#Computer_Science)
چکیده مقاله:
تقریبا دو دهه بعد از ظهور آنها؛ محاسبات ابری همچنان در میان سازمان ها و کاربران فردی در حال افزایش است. بسیاری از مسائل امنیتی همراه انتقال برای این الگوی محاسباتی شامل تشخیص نفوذ به وجود می اید. ابزارهای حمله و نفوذ با شکستن سیستم های تشخیص نفوذ سنتی (IDS) با مقدار زیادی از اطلاعات ترافیک شبکه و رفتارهای پویا پیچیده تر شده است. IDSs ابری موجود از کمبود دقت تشخیص؛ نرخ مثبت کاذب بالا و زمان اجرای بالا رنج می برد. در این مقاله ما یک یادگیری توزیع ماشینی بر مبنی سیستم تشخیص نفوذ برای محیط های ابری را ارائه می دهیم. سیستم پیشنهاد شده برای مندرجات در سمت ابری به وسیله اندازه همراه اجزای شبکه لبه از ابرهای ارائه شده است. اینها به ترافیک رهگیری شبکه های ورودی به لبه شبکه routers از از لایه فیزیکی اجازه می دهد. یک الگوریتم پنجره کشویی (sliding window) مبتنی بر زمان برای پیش پردازش شبکه گرفتار ترافیک در هر router ابری استفاده می شود و سپس در نمونه تشخیص ناهنجاری دسته بندی Naive Bayes استفاده می شود. یک مجموعه از گره های سرور کالا بر مبنی یک Hadoop و MapReduce برای هر نمونه تشخیص ناهنجاری از زمانی که تراکم شبکه افزایش می یابد؛ در دسترس است. برای هر پنجره زمانی؛ داده ترافیک ناهنجاری شبکه در هر طرف router برای یک سرور ذخیره سازی مرکزی هماهنگ شده است. بعد؛ یک طبقه بندی یادگیری گروهی بر مبنی یک Forest تصادفی برای اجرای یک مرحله دسته بندی چند کلاسه نهایی به منظور تشخیص انواعی از هر حمله استفاده می شود.
لغات کلیدی: سیستم های تشخیص نفوذ | محاسبات ابری | یادگیری ماشین | هادوپ | MapReduce
لینک دانلود رایگان مقاله انگلیسی و خرید ترجمه فارسی مقاله :
Free download link: https://bit.ly/36nA3kR
.
عنوان فارسی مقاله : سیستم تشخیص نفوذ توزیع شده برای محیط های ابری بر اساس تکنیک های داده کاوی
.
English Article Title: Distributed Intrusion Detection System for Cloud Environments based on Data Mining techniques
Year: 2018
Publisher: ELSEVIER
Journal: Procedia Computer Science
DOI: https://doi.org/10.1016/j.procs.2018.01.095
Keywords:
#Intrusion_Detection_Systems
#Data_Mining_techniques
#Cloud_Computing
#Machine_Leaning
#Hadoop
#MapReduce
#سیستم_تشخیص_نفوذ
#داده_کاوی
#نفوذ
#محاسبات_ابری
#یادگیری_ماشین
#هادوپ
#علوم_پایه_و_فنی_مهندسی (#Physical_Sciences_and_Engineering)
#مقاله_کامپیوتر (#Computer_Science)
چکیده مقاله:
تقریبا دو دهه بعد از ظهور آنها؛ محاسبات ابری همچنان در میان سازمان ها و کاربران فردی در حال افزایش است. بسیاری از مسائل امنیتی همراه انتقال برای این الگوی محاسباتی شامل تشخیص نفوذ به وجود می اید. ابزارهای حمله و نفوذ با شکستن سیستم های تشخیص نفوذ سنتی (IDS) با مقدار زیادی از اطلاعات ترافیک شبکه و رفتارهای پویا پیچیده تر شده است. IDSs ابری موجود از کمبود دقت تشخیص؛ نرخ مثبت کاذب بالا و زمان اجرای بالا رنج می برد. در این مقاله ما یک یادگیری توزیع ماشینی بر مبنی سیستم تشخیص نفوذ برای محیط های ابری را ارائه می دهیم. سیستم پیشنهاد شده برای مندرجات در سمت ابری به وسیله اندازه همراه اجزای شبکه لبه از ابرهای ارائه شده است. اینها به ترافیک رهگیری شبکه های ورودی به لبه شبکه routers از از لایه فیزیکی اجازه می دهد. یک الگوریتم پنجره کشویی (sliding window) مبتنی بر زمان برای پیش پردازش شبکه گرفتار ترافیک در هر router ابری استفاده می شود و سپس در نمونه تشخیص ناهنجاری دسته بندی Naive Bayes استفاده می شود. یک مجموعه از گره های سرور کالا بر مبنی یک Hadoop و MapReduce برای هر نمونه تشخیص ناهنجاری از زمانی که تراکم شبکه افزایش می یابد؛ در دسترس است. برای هر پنجره زمانی؛ داده ترافیک ناهنجاری شبکه در هر طرف router برای یک سرور ذخیره سازی مرکزی هماهنگ شده است. بعد؛ یک طبقه بندی یادگیری گروهی بر مبنی یک Forest تصادفی برای اجرای یک مرحله دسته بندی چند کلاسه نهایی به منظور تشخیص انواعی از هر حمله استفاده می شود.
لغات کلیدی: سیستم های تشخیص نفوذ | محاسبات ابری | یادگیری ماشین | هادوپ | MapReduce
لینک دانلود رایگان مقاله انگلیسی و خرید ترجمه فارسی مقاله :
Free download link: https://bit.ly/36nA3kR
خانه ژورنال دانشجویان ایران ( Iranian Students Article House , www.entofa.net )
.
عنوان فارسی مقاله : کنترل کاربر و توصیه های موفقیت در محیط های یادگیری
.
English Article Title: User Control and Serendipitous Recommendations in Learning Environments
Year: 2018
Publisher: ELSEVIER
Journal: Procedia Computer Science
DOI: https://doi.org/10.1016/j.procs.2018.04.032
Keywords:
#User_Interaction
#Serendipity
#Recomemnder_System
#تعامل_کاربر
#نعمت_غیر‌مترقبه
#سیستم_توصیه‌شده
#مقاله_اقتصاد
#یادگیری
#محیط_یادگیری
#مقاله_مالی
#مقاله_فاینانس (#Economics_Econometrics_and_Finance)
#مقاله_علوم_اجتماعی (#Social_Sciences)
#علوم_انسانی_و_اجتماعی (#Social_Sciences_and_Humanities)
#علوم_پایه_و_فنی_مهندسی (#Physical_Sciences_and_Engineering)
#مقاله_کامپیوتر (#Computer_Science)
چکیده مقاله:
این مقاله به مطالعه ی موفقیت توصیه شده با استفاده از سیستم های پیشنهاد دهنده در محیط های آموزشی می پردازد. سیستم پیشنهادی به منظور بررسی بیان موفقیت دلخواه و دقت در توصیه ی دانش آموزان، لغزش از موفقیت را ارائه می دهد. توصیه گر از پردازش تصادفی سطح ارتباطات لیست توصیه ها استفاده می کند. افزایش موفقیت در تغییر نمره/ارزش دقت توصیه شوندگان موثر است. این مسئله توسط گسترش سیستم پیشنهاد دهنده مواد و روشهای مطالعه و بر اساس تکنیک های فیلترینگ مشترک مورد آزمایش قرار گرفت. سیستم پیشنهادی توسط 60 دانش آموز در یک نشست گروهی متمرکز مورد استفاده قرار گرفت. در نتیجه، تحقیقات نشان می دهد که توصیه های موفقیت می تواند با استفاده از توصیه های کنترل شده توسط کاربر در محیط یادگیری بایگانی و قابل دسترس شود.
کلمات کلیدی: تعامل کاربر | نعمت غیر مترقبه | سیستم توصیه شده
لینک دانلود رایگان مقاله انگلیسی و خرید ترجمه فارسی مقاله :
Free download link: https://bit.ly/2ZQ0z3Q
.
عنوان فارسی مقاله : کنترل کاربر و توصیه های موفقیت در محیط های یادگیری
.
English Article Title: User Control and Serendipitous Recommendations in Learning Environments
Year: 2018
Publisher: ELSEVIER
Journal: Procedia Computer Science
DOI: https://doi.org/10.1016/j.procs.2018.04.032
Keywords:
#User_Interaction
#Serendipity
#Recomemnder_System
#تعامل_کاربر
#نعمت_غیر‌مترقبه
#سیستم_توصیه‌شده
#مقاله_اقتصاد
#یادگیری
#محیط_یادگیری
#مقاله_مالی
#مقاله_فاینانس (#Economics_Econometrics_and_Finance)
#مقاله_علوم_اجتماعی (#Social_Sciences)
#علوم_انسانی_و_اجتماعی (#Social_Sciences_and_Humanities)
#علوم_پایه_و_فنی_مهندسی (#Physical_Sciences_and_Engineering)
#مقاله_کامپیوتر (#Computer_Science)
چکیده مقاله:
این مقاله به مطالعه ی موفقیت توصیه شده با استفاده از سیستم های پیشنهاد دهنده در محیط های آموزشی می پردازد. سیستم پیشنهادی به منظور بررسی بیان موفقیت دلخواه و دقت در توصیه ی دانش آموزان، لغزش از موفقیت را ارائه می دهد. توصیه گر از پردازش تصادفی سطح ارتباطات لیست توصیه ها استفاده می کند. افزایش موفقیت در تغییر نمره/ارزش دقت توصیه شوندگان موثر است. این مسئله توسط گسترش سیستم پیشنهاد دهنده مواد و روشهای مطالعه و بر اساس تکنیک های فیلترینگ مشترک مورد آزمایش قرار گرفت. سیستم پیشنهادی توسط 60 دانش آموز در یک نشست گروهی متمرکز مورد استفاده قرار گرفت. در نتیجه، تحقیقات نشان می دهد که توصیه های موفقیت می تواند با استفاده از توصیه های کنترل شده توسط کاربر در محیط یادگیری بایگانی و قابل دسترس شود.
کلمات کلیدی: تعامل کاربر | نعمت غیر مترقبه | سیستم توصیه شده
لینک دانلود رایگان مقاله انگلیسی و خرید ترجمه فارسی مقاله :
Free download link: https://bit.ly/2ZQ0z3Q
Forwarded from ترجمه انگلیسی به فارسی
عنوان فارسی مقاله : پخش بار اقتصادی در ریزشبکه‌ها براساس یادگیری تقویتی مشارکتی
.
English Article Title: Distributed Economic Dispatch in Microgrids Based on Cooperative Reinforcement Learning
Year: 2018
Publisher: IEEE
Journal: IEEE Transactions on Neural Networks and Learning Systems
DOI: https://doi.org/10.1109/TNNLS.2018.2801880
Keywords:
#Cooperative_reinforcement_learning
#diffusion_strategy
#distributed_economic_dispatch
#energy_storage (#ES)
#function_approximation
#microgrids
#علوم_پایه_و_فنی_مهندسی (#Physical_Sciences_and_Engineering)
#مقاله_انرژی (#Energy)
#مقاله_مهندسی (#Engineering)
#یادگیری_تقویتی_مشارکتی
#استراتژی_نفوذ
#بخش_بار_اقتصادی_پراکنده
#ذخیره_انرژی
#تقریب_تابع
#ریزشبکه‌ها
چکیده مقاله: ریزشبکه‌هایی که با واحدهای تولید پراکنده (DG) و ابزارهای ذخیره‌سازی انرژی (ES) جای داده می‌شوند، نقش مهمی در سیستم‌های توان آینده دارند. تاکنون، دستیابی به پخش بار اقتصادی کارآمد در ریزشبکه‌ها، موضوعی چالش برانگیز بوده است که به علت تصادفی بودن و ویژگی‌های غیرخطی واحدهای DG و بارها می‌باشد. این مقاله، الگوریتم یادگیری تقویتی مشارکتی را برای پخش بار اقتصادی در ریزشبکه‌ها را پیشنهاد می‌دهد. استفاده از الگوریتم یادگیری از دشواری مدلسازی اتفاقی و پیچیدگی بالا محاسباتی جلوگیری میکند. در الگوریتم یادگیری تقویتی مشارکتیف تقریب عملکرد به منظور سروکار داشتن با فضای حالت پیوسته و بزرگ اهرم‌بندی می‌شود. استراتژی نفوذ جهت ایجاد هماهنگی با عملکرد واحدهای DG و ابزارهای ES بکار برده می‌شود. براساس الگوریتم پیشنهادی، هر گرهی در ریزشبکه‌ها نیاز به مخابره با همسایه‌های محلی خویش دارد بدون اینکه بر کنترل‌کننده‌های متمرکز تکیه نماید. همگرایی الگوریتم مورد تحلیل واقع می‌شود و شبیه‌سازها براساس داده‌های هواسنجی دنیای واقعی و داده‌های بار اجرا می‌شود تا عملکرد الگوریتم پیشنهادی را ارزیابی نماید.
کلمات کلیدی: یادگیری تقویتی مشارکتی، استراتژی نفوذ، بخش بار اقتصادی پراکنده، ذخیره انرژی (ES)، تقریب تابع، ریزشبکه‌ها
لینک دانلود رایگان مقاله انگلیسی و خرید ترجمه فارسی مقاله :
Free download link: https://bit.ly/2xOkoPx
.
English Article Title: Distributed Economic Dispatch in Microgrids Based on Cooperative Reinforcement Learning
Year: 2018
Publisher: IEEE
Journal: IEEE Transactions on Neural Networks and Learning Systems
DOI: https://doi.org/10.1109/TNNLS.2018.2801880
Keywords:
#Cooperative_reinforcement_learning
#diffusion_strategy
#distributed_economic_dispatch
#energy_storage (#ES)
#function_approximation
#microgrids
#علوم_پایه_و_فنی_مهندسی (#Physical_Sciences_and_Engineering)
#مقاله_انرژی (#Energy)
#مقاله_مهندسی (#Engineering)
#یادگیری_تقویتی_مشارکتی
#استراتژی_نفوذ
#بخش_بار_اقتصادی_پراکنده
#ذخیره_انرژی
#تقریب_تابع
#ریزشبکه‌ها
چکیده مقاله: ریزشبکه‌هایی که با واحدهای تولید پراکنده (DG) و ابزارهای ذخیره‌سازی انرژی (ES) جای داده می‌شوند، نقش مهمی در سیستم‌های توان آینده دارند. تاکنون، دستیابی به پخش بار اقتصادی کارآمد در ریزشبکه‌ها، موضوعی چالش برانگیز بوده است که به علت تصادفی بودن و ویژگی‌های غیرخطی واحدهای DG و بارها می‌باشد. این مقاله، الگوریتم یادگیری تقویتی مشارکتی را برای پخش بار اقتصادی در ریزشبکه‌ها را پیشنهاد می‌دهد. استفاده از الگوریتم یادگیری از دشواری مدلسازی اتفاقی و پیچیدگی بالا محاسباتی جلوگیری میکند. در الگوریتم یادگیری تقویتی مشارکتیف تقریب عملکرد به منظور سروکار داشتن با فضای حالت پیوسته و بزرگ اهرم‌بندی می‌شود. استراتژی نفوذ جهت ایجاد هماهنگی با عملکرد واحدهای DG و ابزارهای ES بکار برده می‌شود. براساس الگوریتم پیشنهادی، هر گرهی در ریزشبکه‌ها نیاز به مخابره با همسایه‌های محلی خویش دارد بدون اینکه بر کنترل‌کننده‌های متمرکز تکیه نماید. همگرایی الگوریتم مورد تحلیل واقع می‌شود و شبیه‌سازها براساس داده‌های هواسنجی دنیای واقعی و داده‌های بار اجرا می‌شود تا عملکرد الگوریتم پیشنهادی را ارزیابی نماید.
کلمات کلیدی: یادگیری تقویتی مشارکتی، استراتژی نفوذ، بخش بار اقتصادی پراکنده، ذخیره انرژی (ES)، تقریب تابع، ریزشبکه‌ها
لینک دانلود رایگان مقاله انگلیسی و خرید ترجمه فارسی مقاله :
Free download link: https://bit.ly/2xOkoPx