_id
stringlengths 40
40
| text
stringlengths 0
9.21k
|
|---|---|
dcd72f0a9cdc37450379f401fc2f4f87e30f5021 | |
c1b66422b1dab3eeee6d6c760f4bd227a8bb16c5 | |
e75c5d1b7ecd71cd9f1fdc3d07f56290517ef1e5 | অনলাইন লেনদেন প্ৰক্ৰিয়া (OLTP) আৰু অনলাইন বিশ্লেষণাত্মক প্ৰক্ৰিয়া (OLAP) ৰ ক্ষেত্ৰত ডাটাবেছ স্থাপত্যৰ বাবে ভিন্ন প্ৰত্যাহ্বান থাকে। বৰ্তমানে, উচ্চ হাৰ সম্পন্ন কৰা মিছন-ক্ৰিটিকেল লেনদেনৰ গ্ৰাহকসকলে তেওঁলোকৰ তথ্য দুটা পৃথক চিষ্টেমত ভাগ কৰিছে, OLTP ৰ বাবে এটা ডাটাবেছ আৰু OLAP ৰ বাবে এটা তথাকথিত ডাটা ৱেৰহাউচ। য ত এটা ভাল লেনদেনৰ হাৰ থাকিব পাৰে, এই পৃথককৰণৰ বহুতো অসুবিধা আছে, য ত তথ্যৰ সতেজতাৰ সমস্যা অন্তৰ্ভুক্ত কৰা হৈছে, কাৰণ কেৱল সময়ে সময়ে এক্সট্ৰেক্ট ট্ৰেন্সফৰ্ম লোড-ডাটা ষ্টেজিং আৰম্ভ কৰাৰ ফলত হোৱা বিলম্ব আৰু দুটা পৃথক তথ্য ব্যৱস্থা বজাই ৰখাৰ বাবে হোৱা অতিৰিক্ত সম্পদ ব্যৱহাৰৰ বাবে। আমি হাইপাৰ নামৰ এটা দক্ষ হাইব্ৰিড চিষ্টেম প্ৰদৰ্শন কৰিছো যি লেনদেনৰ তথ্যৰ ধাৰাবাহিক স্নেপশ্বট বজাই ৰাখিবলৈ হাৰ্ডৱেৰ সহায়ক প্ৰতিলিপি ব্যৱস্থা ব্যৱহাৰ কৰি OLTP আৰু OLAP দুয়োটা একেলগে পৰিচালনা কৰিব পাৰে। হাইপাৰ হৈছে এটা মূল-স্মৃতি ডাটাবেছ ব্যৱস্থা যি OLTP লেনদেনৰ ACID বৈশিষ্ট্যসমূহৰ নিশ্চয়তা দিয়ে আৰু একে, স্বতঃস্ফূর্তভাৱে বৰ্তমান আৰু ধাৰাবাহিক স্নেপশ্বটত OLAP কুৱেৰী ছেছন (বহু কুৱেৰী) কাৰ্যকৰী কৰে। ভাৰ্চুৱেল মেমৰি মেনেজমেণ্টৰ বাবে প্ৰচেছৰ-অৱগত সমৰ্থনৰ ব্যৱহাৰ (ঠিকনা অনুবাদ, কেচিং, আপডেটত কপি) একে সময়তে দুয়োটা ফলন দিয়েঃ প্ৰতি ছেকেণ্ডত 100000 ৰ দৰে উচ্চ লেনদেনৰ হাৰ আৰু একেটা ছিষ্টেমত দুয়োটা ৱৰ্কলোড সমান্তৰালভাৱে কাৰ্যকৰী কৰা অতি দ্ৰুত OLAP কুৱেৰী সঁহাৰিৰ সময়। পাৰদৰ্শিতা বিশ্লেষণটো TPC-C আৰু TPC-H ৰ সংযুক্ত মানদণ্ডৰ ওপৰত ভিত্তি কৰি কৰা হৈছে। |
732212be0e6c5216158a7470c79fa2ff98a2da06 | আমি এটা স্তুপিত-FET একক মিলিমিটাৰ-ৱেভ (mmW) সংহত চক্ৰ ড হার্টি শক্তি বৰ্ধক (DPA) উপস্থাপন কৰিছোঁ। DPA এ ৬ ডিবি পাৱাৰ বেক-অফ (PBO) ত উচ্চ শক্তি আৰু উচ্চ কাৰ্যক্ষমতা প্ৰাপ্ত কৰিবলৈ এক নতুন অসামৰিক ষ্টেক গেট বিয়াৰ্ছ ব্যৱহাৰ কৰে। এই চাৰ্কিটটো 0.15-μm এন্চানশ্যন মোড (ই-মোড) গ্যালিয়াম আৰ্সেনাইড (GaAs) প্ৰক্ৰিয়াত নিৰ্মিত। পৰীক্ষামূলক ফলাফলত ২৮.২ ডিবিএমৰ ১ ডিবি গেজ কম্প্ৰেছন (পি১ডিবি) ৰ আউটপুট পাৱাৰ, ৩৭%ৰ পিক পাৱাৰ এডেড ইফেক্টিভিটি (পিএই) আৰু ২৮ গিগাহৰ্টছত ৬ ডিবি পিবিঅ ৰ ২৭%ৰ পিএই প্ৰমাণিত হয়। পৰিমাপ কৰা সৰু সংকেত লাভ 15 dB হয় আৰু 3-dB বেণ্ডউইথৰ ক্ষেত্ৰত 25.5 ৰ পৰা 29.5 GHz পৰ্যন্ত সামৰি লোৱা হয়। 20 MHz 64 QAM মডুলেটেড চিগনেল সহ ডিজিটেল প্ৰিড ৰ্টচন (DPD) ব্যৱহাৰ কৰি, -46 dBc ৰ এটা সংলগ্ন চেনেল পাৱাৰ ৰেচন (ACPR) দেখা গৈছে। |
03837b659b4a8878c2a2dbef411cd986fecfef8e | আমি এটা অটোৰেগ্রেচিভ মনোযোগৰ ব্যৱস্থা প্ৰৱৰ্তন কৰো সমান্তৰালভাৱে কৰিব পৰা চৰিত্ৰ পৰ্যায়ৰ ক্ৰমৰ মডেলিংৰ বাবে। আমি এই পদ্ধতিটো ব্যৱহাৰ কৰি এটা নিউৰেল মডেলৰ সম্প্ৰসাৰণ কৰো য ত এটা ব্লকক অত্যাৱশ্যকীয় সংযোজনীয় স্তৰ হিচাপে ব্যৱহাৰ কৰো য ত এটা হাইৱে নেটৱৰ্কৰ সংযোগৰ যোগেদি সংযোগ কৰা হয়। আমি প্ৰস্তাৱিত মনোযোগৰ ব্যৱস্থাটোৰ সৈতে আৰু অবিহনে মডেলসমূহক ক্ৰমে হাইৱে ক জাল কনভলশ্যন (ক জাল কনভ) আৰু অটোৰেগ্রেচিভ-আনটেনশ্যন ক জাল কনভলশ্যন (এআৰএ-ক জাল কনভ) বুলি চিহ্নিত কৰোঁ। স্বতঃপ্ৰৱর্তনশীল মনোযোগৰ ব্যৱস্থাটোৱে ডিকোডাৰত কাৰণ-সন্ধিক বজাই ৰাখে, সমান্তৰাল ৰূপায়ণৰ অনুমতি দিয়ে। আমি দেখুৱাম যে এই মডেলবোৰে, সিহঁতৰ পুনৰাবৃত্তিমূলক সমতুল্যবোৰৰ তুলনাত, চৰিত্ৰ-স্তৰৰ এনএলপি কামত দ্ৰুত আৰু সঠিক শিকন সক্ষম কৰে। বিশেষকৈ, এই মডেলবোৰে প্ৰাকৃতিক ভাষা সংশোধন আৰু ভাষা মডেলিং কামত পুনৰাবৃত্ত নিউৰেল নেটৱৰ্ক মডেলক অতিক্ৰম কৰে আৰু সময়ৰ এটা ভগ্নাংশত চলে। |
fe419be5c53e2931e1d6370c914ce166be29ff6e | |
0c3078bf214cea52669ec13962a0a242243d0e09 | এই প্ৰবন্ধত এটা নতুন কম্পেক্ট ফিডিং চাৰ্কিট ব্যৱহাৰ কৰি এটা ব্ৰডবেণ্ড প্ৰিণ্টেড চতুৰ্ভুজীয় হেলিকল এণ্টেনাৰ প্ৰস্তাৱ কৰা হৈছে। এই এণ্টেনাই এটা বিশাল বেমৱডথত এক উৎকৃষ্ট অক্ষীয় অনুপাত প্ৰদৰ্শন কৰে, যাৰ বেণ্ডৱডথ ২৯%। এপ্ৰেচাৰ-কপলড ট্ৰেনজিছনৰ ওপৰত আধাৰিত আৰু দুটা ৯০° ছাৰফেচ মাউন্ট হাইব্ৰিড সহ এটা বিশেষ ফিডিং চাৰ্কিট চতুৰ্ভুজ এণ্টেনাৰ সৈতে একত্ৰিত হ বলৈ ডিজাইন কৰা হৈছে। বেণ্ডউইডথৰ ক্ষেত্ৰত, ব্ৰডবেণ্ড কম্পেক্ট চিৰকিউটৰ দ্বাৰা সঞ্চালিত এন্টেনাৰ পৰিমাপিত প্ৰতিফলন সংকৰটো -১২ ডিবি বা তাতকৈ কম পোৱা গৈছে আৰু সৰ্বাধিক লাভ ১.৫ আৰু ২.৭ ডিবিআইচিৰ মাজত ১.১৮ ৰ পৰা ১.৫৮ গিগাহৰ্টছলৈ পৰিৱৰ্তন হয়। আধা শক্তিৰ বীম-বিডথ হৈছে 150°, এই পৰিসৰত 3 dB তলৰ এক্সিয়েল অনুপাতৰ সৈতে। খাদ্য পৰিবাহী চক্ৰৰ সংকীৰ্ণতাই সৰু উপাদান ব্যৱধানক এৰে বিন্যাসত অনুমতি দিয়ে। |
0c3751db5a24c636c1aa8abfd9d63321b38cfce5 | ষ্ট কাষ্টিক গ্ৰেডিয়েন্ট ডেচান্ট (SGD) এ তেওঁলোকৰ শক্তিশালী তাত্ত্বিক গেৰাণ্টিৰ বাবে SVM ৰ দৰে বৃহৎ স্কেল নিৰীক্ষণযুক্ত মেচিন লাৰ্ণিং অপ্টিমাইজেশ্যন সমস্যা সমাধানৰ বাবে জনপ্ৰিয় হৈ পৰিছে। যদিও ঘনিষ্ঠভাৱে সম্পৰ্কিত ডুৱেল ক অর্ডিনেট এচচেইণ্ট (ডিচিএ) পদ্ধতি বিভিন্ন ছফ্টৱেৰ পেকেজত ৰূপায়ণ কৰা হৈছে, ইয়াত এতিয়ালৈকে ভাল সংমিশ্ৰণ বিশ্লেষণৰ অভাৱ আছিল। এই প্ৰবন্ধত ষ্ট কাষ্টিক ডুৱেল ক অর্ডিনেট এচচটেণ্ট (SDCA) ৰ এটা নতুন বিশ্লেষণ দাঙি ধৰা হৈছে যিয়ে দেখুৱাইছে যে এই শ্ৰেণীৰ পদ্ধতিবোৰ শক্তিশালী তাত্ত্বিক গেৰাণ্টি লাভ কৰে যি SGD ৰ তুলনাত তুলনীয় বা ভাল। এই বিশ্লেষণে SDCAৰ কাৰ্য্যকৰীতা ব্যৱহাৰিক প্ৰয়োগৰ বাবে ন্যায়সঙ্গত কৰে। |
24424918dc93c016deeaeb86a01c8bfc01253c9b | বহুতো ধ্ৰুপদী এলগৰিথম বহু বছৰ পিছতহে পোৱা যায় যিবোৰৰ ভিতৰত সেইবোৰ গঢ় লৈ উঠে আৰু অপ্ৰত্যাশিত ছেটিংছতো প্ৰাসংগিক হৈ থাকে। এই প্ৰবন্ধত আমি দেখুৱাম যে SVRG হৈছে এনে এক পদ্ধতিঃ মূলত শক্তিশালীভাৱে উত্তোলিত লক্ষ্যৰ বাবে ডিজাইন কৰা হৈছে, অ-শক্তিকৰভাৱে উত্তোলিত বা অ-উত্তোলিত ছেটিংছৰ যোগফলৰ অধীনতও অতিশয় শক্তিশালী। যদি f (x) সমতল, উত্তল ফাংচনসমূহৰ যোগফল কিন্তু f বেছি উত্তল নহয় (যেনে লাসো বা লজিষ্টিক ৰিগ্রেছন), আমি এটা বৈকল্পিক SVRG প্ৰস্তাৱ কৰো যি SVRG ৰ ওপৰত ক্ৰমবৰ্ধমান কালৰ দৈৰ্ঘ্যৰ এক নতুন পছন্দ কৰে। SVRG এই ছেটিংটোত SVRG ৰ এটা প্ৰত্যক্ষ, দ্ৰুত ৰূপ। যদি f (x) হৈছে অ-উলম্ব ফাংশনসমূহৰ যোগফল কিন্তু f হৈছে প্ৰবলভাৱে উলম্ব, আমি দেখুৱাম যে SVRG ৰ ঘনিষ্ঠতা সামঞ্জস্যৰ অ-উলম্বতা পাৰামিটাৰৰ ওপৰত নিৰ্ভৰ কৰে। ই এই ছেটিংটোত সৰ্বশ্ৰেষ্ঠ পৰিণাম উন্নত কৰে, আৰু ষ্ট কাষ্টিক পিচিএৰ বাবে ভাল চলমান সময় প্ৰদান কৰে। |
680cbbc88d537bd6f5a68701b1bb0080a77faa00 | ষ্ট কাষ্টিক গ্ৰেডিয়েন্ট অৱতৰণ বৃহৎ স্কেল অপ্টিমাইজেশ্যনৰ বাবে জনপ্ৰিয় কিন্তু অন্তৰ্নিহিত বৈকল্পিকতাৰ বাবে ধীৰ সমাগম হয়। এই সমস্যাটো সমাধান কৰিবলৈ আমি ষ্ট কাষ্টিক গ্ৰেডিয়েণ্ট অৱতৰণৰ বাবে এটা স্পষ্ট বিসংগতি হ্ৰাস পদ্ধতি প্ৰৱৰ্তন কৰো যাক আমি ষ্ট কাষ্টিক বিসংগতি হ্ৰাসিত গ্ৰেডিয়েণ্ট (SVRG) বুলি কওঁ। মসৃণ আৰু শক্তিশালীভাৱে উত্তল ফাংশনসমূহৰ বাবে, আমি প্ৰমাণ কৰোঁ যে এই পদ্ধতিটোৱে ষ্ট কাষ্টিক ডুৱেল ক অর্ডিনেট অস্সেণ্ট (SDCA) আৰু ষ্ট কাষ্টিক এভাৰেজ গ্ৰেডিয়েণ্ট (SAG) ৰ দৰে একে দ্ৰুত সংমিশ্ৰণ হাৰ লাভ কৰে। অৱশ্যে, আমাৰ বিশ্লেষণ যথেষ্ট সৰল আৰু অধিক স্বজ্ঞাত। তদুপৰি, SDCA বা SAG ৰ বিৰূদ্ধে, আমাৰ পদ্ধতিত গ্ৰেডিয়েন্টৰ সঞ্চয়ৰ প্ৰয়োজন নাই, আৰু সেয়েহে কিছুমান গাঁথনিবদ্ধ ভৱিষ্যদ্বাণী সমস্যা আৰু স্নায়ু নেটৱৰ্ক শিকন আদিৰ দৰে জটিল সমস্যাৰ বাবে সহজেই প্ৰয়োগ কৰিব পাৰি। |
9fe5a7a24ff81ba2b6769e811b6ab47188a45242 | অ-উলম আৰু অ-মোজা সমস্যাসমূহে শেহতীয়াকৈ সংকেত/ছবি প্ৰক্ৰিয়া, পৰিসংখ্যা আৰু মেচিন লাৰ্ণিংত যথেষ্ট মনোযোগ লাভ কৰিছে। অৱশ্যে, অ-উলম্ব আৰু অ-মোজা অপ্টিমাইজেশ্যন সমস্যা সমাধান কৰাটো এটা ডাঙৰ প্ৰত্যাহ্বান হৈয়ে ৰৈছে। ত্বৰিত প্ৰক্সিমেল গ্ৰেডিয়েন্ট (APG) হৈছে কনভেক্স প্ৰগ্ৰামিংৰ বাবে এক উৎকৃষ্ট পদ্ধতি। অৱশ্যে, এতিয়াও এইটো জনা নাযায় যে সাধাৰণ এপিজিয়ে অ-উচ্চতাযুক্ত কাৰ্যসূচীত এক গুৰুত্বপূৰ্ণ বিন্দুত সন্মিলন নিশ্চিত কৰিব পাৰে নে নহয়। এই প্ৰবন্ধত, আমি পৰ্যাপ্ত বংশবৃদ্ধি সম্পত্তি পূৰণ কৰা মনিটৰ প্ৰৱৰ্তন কৰি সাধাৰণ ন নকনভেক্স আৰু ন নস্মথ প্ৰগ্ৰামৰ বাবে এপিজি সম্প্ৰসাৰিত কৰিছো। সেই অনুসৰি আমি এটা একক আৰু এটা অ-একক এপিজিৰ প্ৰস্তাৱ আগবঢ়াইছো। এই পদ্ধতিয়ে উদ্দেশ্য ফাংচনৰ একক অনুপাত হ্ৰাসৰ প্ৰয়োজনীয়তা বাদ দিয়ে আৰু প্ৰতিটো পুনৰাবৃত্তিত কম গণনাৰ প্ৰয়োজন হয়। আমাৰ জ্ঞানৰ উত্তম, আমি এপিজি-প্ৰকাৰৰ এলগৰিথমৰ প্ৰথমটো সাধাৰণ ন নকনভেক্স আৰু ন নস্মুত সমস্যাৰ বাবে প্ৰদান কৰো, যাতে প্ৰতিটো সংগ্ৰহ বিন্দু এটা সমালোচনামূলক বিন্দু হয়, আৰু ঘনিষ্ঠতা হাৰ O (1k2) হৈ থাকে যেতিয়া সমস্যাসমূহ ঘন হয়, য ত k হৈছে পুনৰাবৃত্তিৰ সংখ্যা। সংখ্যাসূচক ফলাফলসমূহে আমাৰ অ্যালগৰিদমৰ গতিৰ ওপৰত প্ৰমাণ কৰে। |
3e36eb936002a59b81d8abb4548dc2c42a29b743 | প্ৰায়ে সুৰক্ষাক স্বয়ংক্ৰিয়কৰণ প্ৰণালীৰ বাবে এটা এড-অন সেৱা হিচাপে দেখা যায় যি সঘনাই দক্ষ প্ৰচাৰ বা সম্পদ সীমাবদ্ধতাৰ দৰে অন্যান্য লক্ষ্যৰ সৈতে সংঘৰ্ষ কৰে। এই প্ৰবন্ধটো স্বয়ংক্ৰিয়কৰণ প্ৰণালীত সুৰক্ষাৰ ক্ষেত্ৰত এক অনুশীলন-ভিত্তিক পদ্ধতিৰ বাবে। ইয়াত স্বয়ংক্ৰিয়কৰণ ব্যৱস্থা আৰু স্বয়ংক্ৰিয়কৰণ নেটৱৰ্কসমূহৰ বাবে সাধাৰণ ভাবুকিসমূহৰ বিশ্লেষণ কৰা হৈছে, নিৰাপত্তাৰ ক্ষেত্ৰত ব্যৱস্থাসমূহক শ্ৰেণীবদ্ধ কৰাৰ বাবে এটা মডেল নিৰ্ধাৰণ কৰা হৈছে আৰু বিভিন্ন ব্যৱস্থা স্তৰত উপলব্ধ সাধাৰণ ব্যৱস্থাসমূহৰ বিষয়ে আলোচনা কৰা হৈছে। ব্যৱস্থাৱলীৰ বিৱৰণত সামগ্ৰিক ব্যৱস্থাৰ সুৰক্ষাৰ ওপৰত প্ৰভাৱৰ মূল্যায়ন কৰিব পৰা যাব |
8b74a32cebb5faf131595496f6470ff9c2c33468 | সামাজিক যোগাযোগৰ বাবে ফেচবুক দ্ৰুতগতিত এক জনপ্ৰিয় সঁজুলি হৈ পৰিছে। অৱশ্যে, ফেচবুক আন সামাজিক নেটৱৰ্কিং চাইটসমূহৰ পৰা কিছু পৃথক কিয়নো ই অফলাইন-টু-অনলাইন প্ৰৱণতা প্ৰদৰ্শন কৰে; অৰ্থাৎ, ফেচবুকৰ বন্ধুসকলৰ সংখ্যাগৰিষ্ঠ অফলাইন দেখা হয় আৰু পিছত যোগ কৰা হয়। এই গৱেষণাত ব্যক্তিত্বৰ পাঁচটা কাৰকৰ মডেলৰ সৈতে ফেচবুকৰ ব্যৱহাৰৰ সম্পৰ্কত অনুসন্ধান কৰা হৈছে। বহিঃমুখিতা আৰু অভিজ্ঞতাৰ প্ৰতি মুকলিতা সম্পৰ্কীয় কিছুমান প্ৰত্যাশিত প্ৰৱণতা সত্ত্বেও, ফলাফলসমূহে সূচাইছে যে পূৰ্বৰ সাহিত্যৰ পৰামৰ্শ অনুসাৰে ব্যক্তিত্বৰ কাৰকবোৰ ইমান প্ৰভাৱশালী নাছিল। ফলাফলসমূহে লগতে উল্লেখ কৰে যে যোগাযোগৰ অনুপ্ৰেৰণাই ফেচবুক ব্যৱহাৰৰ ক্ষেত্ৰত প্ৰভাৱ পেলায়। ই প্ৰস্তাৱ কৰা হৈছে যে ফেচবুকৰ দৰে সঁজুলি ব্যৱহাৰ কৰাৰ সিদ্ধান্তত বিভিন্ন প্ৰেৰণা প্ৰভাৱিত হ ব পাৰে, বিশেষকৈ যেতিয়া ফেচবুকৰ পৃথক কাৰ্য্যবোৰ বিবেচনা কৰা হয়। © ২০০৮ এলেছভিয়েৰ লিমিটেড. সকলো অধিকাৰ সংৰক্ষিত. ১. মোৰ ব্যক্তিত্বৰ সম্পৰ্ক আৰু ইয়াৰ সৈতে জড়িত দক্ষতা কাৰকসমূহ |
423fff94db2be3ddef5e3204338d2111776eafea | আমি ৩৬২ মিলিয়ন মেছেজৰ সম্পূৰ্ণ বেনামী হেডাৰ বিশ্লেষণ কৰিছো, ৪.২ মিলিয়ন ফেচবুক ব্যৱহাৰকাৰীৰ দ্বাৰা বিনিময় কৰা, কলেজীয়া ছাত্ৰ-ছাত্ৰীৰ অনলাইন সামাজিক নেটৱৰ্ক, ২৬ মাহৰ অন্তৰালত। এই তথ্যসমূহে কলেজীয়া শিক্ষাৰ্থীসকলৰ সময় ব্যৱহাৰ আৰু তেওঁলোকৰ সামাজিক জীৱনৰ বিষয়ে অন্তৰ্দৃষ্টি প্ৰদান কৰে, য ত ঋতুভিত্তিক পৰিৱৰ্তনো অন্তৰ্ভুক্ত কৰা হৈছে। আমি স্কুলৰ সম্বন্ধ আৰু অনলাইনৰ অনানুষ্ঠানিক "বন্ধু" তালিকাৰ দৰে কাৰকবোৰে কিদৰে পৰ্যবেক্ষণ কৰা আচৰণ আৰু সময়ৰ আৰ্হিসমূহক প্ৰভাৱিত কৰে সেয়াও পৰীক্ষা কৰিছিলো। শেষত, আমি দেখুৱাম যে ফেচবুক ব্যৱহাৰকাৰীসকলক তেওঁলোকৰ সাময়িক বাৰ্তাবহতাৰ ধৰণ অনুসৰি বিদ্যালয়ৰ দ্বাৰা গোটাই ৰখা হৈছে। |
1bed30d161683d279780aee34619f94a860fa973 | আমাৰ বিশ্লেষণে দেখুৱাইছে যে বহুতো "বিগ-মেমৰি" চাৰ্ভাৰ ৱৰ্কলোড, যেনে ডাটাবেছ, ইন-মেমৰি কেচ, আৰু গ্ৰাফ বিশ্লেষণ, পৃষ্ঠ-ভিত্তিক ভাৰ্চুৱেল মেমৰিৰ বাবে উচ্চ মূল্য পৰিশোধ কৰে। তেওঁলোকে TLB মিছসমূহত ১০% পৰ্যন্ত কাৰ্য্যকৰী চক্ৰ ব্যৱহাৰ কৰে, আনকি ডাঙৰ পৃষ্ঠাসমূহ ব্যৱহাৰ কৰিও। আনহাতে, আমি পাওঁ যে এই ৱৰ্কলোডবোৰে বেছিভাগ পৃষ্ঠাত পঠন-লিখনৰ অনুমতি ব্যৱহাৰ কৰে, বিনিময় নকৰিবলৈ সাজু কৰা হয়, আৰু পৃষ্ঠা-ভিত্তিক ভাৰ্চুৱেল মেমৰিৰ সম্পূৰ্ণ নমনীয়তাৰ পৰা বিৰলভাৱে উপকৃত হয়। বৃহৎ-স্মৃতিৰ কৰ্ম-আৱৰণসমূহৰ বাবে TLB মিছ ওভাৰহেড আঁতৰ কৰিবলৈ, আমি এটা প্ৰক্ৰিয়াৰ ৰেখীয় ভাৰ্চুৱেল ঠিকনা স্থানৰ অংশক প্ৰত্যক্ষ খণ্ডৰে মেপিং কৰাৰ প্ৰস্তাৱ দিওঁ, আনহাতে বাকী ভাৰ্চুৱেল ঠিকনা স্থানৰ পৃষ্ঠা মেপিং কৰোঁ। প্ৰত্যক্ষ খণ্ডবোৰে সংলগ্ন ভার্চুয়েল মেমৰি অঞ্চলসমূহক প্ৰত্যক্ষভাৱে সংলগ্ন ভৌতিক মেমৰিলৈ মেপ কৰিবলৈ অতি কম হাৰ্ডৱেৰ---বেজ, লিমিট আৰু অফছেট ৰেজিষ্টাৰ প্ৰতি ক ৰ ৰ ব্যৱহাৰ কৰে। তেওঁলোকে মূল তথ্যৰ গাঁথনিৰ বাবে TLB মিছাৰ সম্ভাৱনা দূৰ কৰে যেনে ডাটাবেছ বাফাৰ পুল আৰু ইন-মেম ৰি কী-ভেল্যু ষ্ট ৰ। প্ৰয়োজন সাপেক্ষে এটা প্ৰত্যক্ষ খণ্ডৰ দ্বাৰা মেমৰি মেপ কৰা পুনঃ পেজিংলৈ ৰূপান্তৰিত কৰিব পাৰি। আমি লিনাক্সত x86-64 ৰ বাবে প্ৰত্যক্ষ-বিভাগৰ ছফ্টৱেৰ সমৰ্থনৰ প্ৰট টাইপ কৰো আৰু প্ৰত্যক্ষ-বিভাগৰ হাৰ্ডৱেৰ অনুকৰণ কৰোঁ। আমাৰ কামৰ বোজাৰ বাবে, প্ৰত্যক্ষ খণ্ডসমূহে প্ৰায় সকলোবোৰ TLB মিছ আঁতৰ কৰে আৰু TLB মিছসমূহত অপচয় হোৱা কাৰ্যকৰী সময় 0.5% ৰ কমলৈ হ্ৰাস কৰে। |
86dc975f9cbd9a205f8e82fb1db3b61c6b738fa5 | যান্ত্ৰিকভাৱে মাল্টিমিডিয়া সামগ্ৰী ট্যাগিং কৰাৰ বাবে ক্ৰমাৎ শক্তিশালী কৌশল উদ্ভাসিত হোৱাৰ লগে লগে, ইয়াৰ অন্তৰ্নিহিত শব্দভাণ্ডাৰক মানকীকৰণ কৰাটো ক্ৰমাৎ গুৰুত্বপূৰ্ণ হৈ পৰিছে। এনে কৰিলে আন্তঃসংযোগ সম্ভৱ হয় আৰু মাল্টিমিডিয়া সম্প্ৰদায়ক ভালদৰে নিৰ্ধাৰিত শব্দাৰ্থৰ ওপৰত চলিত গৱেষণাক কেন্দ্ৰ কৰি চলিবলৈ দিয়ে। এই প্ৰবন্ধত মাল্টিমিডিয়া গৱেষক, পুথিভঁৰাল বিজ্ঞানী আৰু শেষ ব্যৱহাৰকাৰীৰ এক সহযোগিতামূলক প্ৰচেষ্টাৰ বিষয়ে বৰ্ণনা কৰা হৈছে যাতে সম্প্ৰচাৰিত বাতৰি ভিডিঅ ৰ বৰ্ণনাৰ বাবে এক বৃহৎ মানকযুক্ত শ্ৰেণীবিভাজন বিকাশ কৰিব পৰা যায়। মাল্টিমিডিয়াৰ বাবে বৃহৎ-স্কেল ধাৰণা অনট লজি (এলএছচিঅ এম) হৈছে ইয়াৰ প্ৰকাৰৰ প্ৰথমটো যি একে সময়তে ব্যৱহাৰকাৰীৰ প্ৰৱেশাধিকাৰ সহজতৰ কৰিবলৈ ইউটিলিটি অপ্টিমাইজ কৰিবলৈ, এক বৃহৎ অৰ্থগত স্থান সামৰি, স্বয়ংক্ৰিয় আহৰণ সম্ভৱপৰ কৰি তোলা আৰু বিভিন্ন সম্প্ৰচাৰ সংবাদ ভিডিঅ ডাটা ছেটত পৰ্যবেক্ষণযোগ্যতা বৃদ্ধি কৰা। |
2b2ba9b0022ff45939527836a150959fe388ee23 | |
c39d04c6f3b84c77ad379d0358bfbe7148ad4fd2 | |
8db7f5a54321e1a4cd51d0666607279556a57404 | মেডিটেচন কৌশলবোৰ চিকিৎসা আৰু মানসিক সমস্যাৰ সৈতে যুঁজিবলৈ ৰোগীয়ে সঘনাই বিচাৰে। কাৰণ এই পদ্ধতিসমূহৰ জনপ্ৰিয়তা আৰু ব্যৱহাৰৰ ব্যাপকতা বৃদ্ধি পাইছে আৰু চিকিৎসা পদ্ধতি হিচাপে ব্যৱহাৰৰ সম্ভাৱনা আছে, এই পদ্ধতিসমূহৰ চিকিৎসা পদ্ধতি হিচাপে বৈজ্ঞানিক জ্ঞানৰ বৰ্তমানৰ স্থিতিৰ এক সংক্ষিপ্ত আৰু পুংখানুপুংখ পৰ্যালোচনা কৰা হৈছিল। উদ্দেশ্য ৰোগৰ চিকিৎসাৰ ক্ষেত্ৰত ধ্যানৰ কাৰ্য্যকৰীতা আৰু সুৰক্ষাৰ সমৰ্থন কৰা প্ৰমাণৰ পৰিকল্পিতভাৱে পৰ্যালোচনা কৰা আৰু অধিক অধ্যয়নৰ প্ৰয়োজন থকা ক্ষেত্ৰসমূহ পৰীক্ষা কৰা। স্বাভাৱিক স্বাস্থ্যৱান জনসংখ্যাৰ ওপৰত কৰা অধ্যয়নসমূহ অন্তৰ্ভুক্ত কৰা হোৱা নাই। METHODS PubMed, PsycInfo আৰু Cochrane ডাটাবেছ ব্যৱহাৰ কৰি অনুসন্ধান কৰা হৈছিল। মূল কথা আছিল ধ্যান, ধ্যানমূলক প্ৰাৰ্থনা, যোগ, শিথিলতা প্ৰতিক্ৰিয়া। যোগ্যতা অৰ্জনকাৰী অধ্যয়নসমূহ পৰ্যালোচনা কৰা হৈছিল আৰু দুগৰাকী পৰ্যালোচকৰে গুণগত মানৰ ওপৰত ভিত্তি কৰি স্বাধীনভাৱে মূল্যায়ন কৰা হৈছিল। মধ্যম মানৰ পৰা উচ্চ মানৰ অধ্যয়নসমূহ (গৱেষণাৰ মানদণ্ডৰ মানদণ্ডত ০.৬৫ বা ৬৫% ৰ ওপৰত স্ক ৰ কৰা) অন্তৰ্ভুক্ত কৰা হৈছিল। ফলাফল মুঠ ৮২টা চিনাক্ত কৰা গৱেষণাৰ পৰা, ২০টা এৰাবিক নিয়ন্ত্ৰিত পৰীক্ষাই আমাৰ চৰ্ত পূৰণ কৰিছিল। এই অধ্যয়নত মুঠ ৯৫৮ জন ব্যক্তিক অন্তৰ্ভুক্ত কৰা হৈছিল (পৰীক্ষামূলকভাৱে ৩৯৭ জনক চিকিৎসা কৰা হৈছিল, ৫৬১ জনক নিয়ন্ত্ৰণ কৰা হৈছিল) । অন্তৰ্ভুক্ত বা বাদ দিয়া কোনো ক্লিনিকাল ট্ৰায়েলত কোনো গুৰুতৰ পাৰ্শ্ব-প্ৰতিক্ৰিয়াৰ বিষয়ে জনা যোৱা নাছিল। গুৰুতৰ পাৰ্শ্ব-প্ৰতিক্ৰিয়াৰ বিষয়ে চিকিৎসা সাহিত্যত উল্লেখ আছে যদিও ই বিৰল। এপিলেপ্সি, প্ৰিমেন্সট্ৰুয়েল ছিণ্ড্ৰ ম আৰু মেন প জাল ছিণ্ড্ৰ মৰ লক্ষণসমূহৰ ক্ষেত্ৰত কাৰ্যকৰীতাৰ আটাইতকৈ শক্তিশালী প্ৰমাণ পোৱা গৈছে। মেজাজ আৰু উদ্বেগজনিত ৰোগ, স্ব- প্ৰতিৰোধী ৰোগ আৰু নিউপ্লাষ্টিক ৰোগত আৱেগিক বিসংগতিৰ ক্ষেত্ৰতও উপকাৰিতা প্ৰদৰ্শন কৰা হৈছিল। এই ফলাফলসমূহে কিছুমান ৰোগৰ চিকিৎসাৰ বাবে ধ্যানৰ কাৰ্যকলাপৰ সুৰক্ষা আৰু সম্ভাৱ্য কাৰ্যকৰীতা, বিশেষকৈ মানসিকতা আৰু উদ্বেগজনিত ৰোগৰ ক্ষেত্ৰত সহায় কৰে। বৃহত পৰিসৰৰ, পদ্ধতিগতভাৱে সুস্থ অধ্যয়নৰ পৰা কাৰ্যকৰীতা সমৰ্থন কৰা স্পষ্ট আৰু পুনঃপ্ৰকাশযোগ্য প্ৰমাণৰ অভাৱ। |
46b2cd0ef7638dcb4a6220a52232712beb2fa850 | 3D মানৱ গতিৰ সৃষ্টিশীল মডেলবোৰ প্ৰায়ে কম সংখ্যক কাৰ্যকলাপৰ বাবে সীমাবদ্ধ থাকে আৰু সেয়েহে নতুন গতি বা প্ৰয়োগৰ বাবে ভালকৈ সাধাৰণীকৰণ কৰিব নোৱাৰে। এই কামত আমি মানৱ গতি ধৰা তথ্যৰ বাবে এটা গভীৰ শিক্ষণ ফ্ৰেমৱৰ্ক প্ৰস্তাৱ কৰো যি গতি ধৰা তথ্যৰ বৃহৎ ক ৰপাসৰ পৰা এটা সাধাৰণ প্ৰতিনিধিত্ব শিকায় আৰু নতুন, অদৃশ্য গতিবোৰলৈ ভালদৰে সাধাৰণীকৰণ কৰে। এটা এনকোডিং-ডিক ডিং নেটৱৰ্ক ব্যৱহাৰ কৰি যি অতি সাম্প্ৰতিক অতীতৰ পৰা ভৱিষ্যতৰ 3D পোজবোৰ অনুমান কৰিবলৈ শিকিব পাৰে, আমি মানৱ গতিৰ এটা বৈশিষ্ট্য প্ৰতিনিধিত্ব আহৰণ কৰো। ক্ৰমৰ ভৱিষ্যদ্বাণী কৰিবৰ বাবে গভীৰ শিক্ষণৰ ওপৰত কৰা অধিকাংশ কাম ভিডিঅ আৰু কথনক কেন্দ্ৰ কৰি কৰা হয়। যিহেতু স্কেলেটৰ তথ্যৰ এটা ভিন্ন গাঁথনি আছে, আমি বিভিন্ন নেটৱৰ্ক স্থাপত্যৰ উপস্থাপন আৰু মূল্যায়ন কৰো যিয়ে সময় নিৰ্ভৰশীলতা আৰু অংগ সম্পৰ্ক সম্পৰ্কে বিভিন্ন অনুমান কৰে। শিকোৱা বৈশিষ্টসমূহ গণনা কৰিবলৈ, আমি বিভিন্ন স্তৰৰ আউটপুট ব্যৱহাৰ কৰো আৰু নেটৱৰ্ক এককসমূহৰ গ্ৰহণযোগ্য ক্ষেত্ৰসমূহ দৃশ্যমান কৰো। আমাৰ পদ্ধতিয়ে অস্থিচক্ৰৰ গতিৰ ভৱিষ্যদ্বাণী কৰাৰ ক্ষেত্ৰত সাম্প্ৰতিক কলা-কৌশলসমূহক অতিক্ৰম কৰিছে যদিও এইসমূহত ক্ৰিয়া-নিৰ্দিষ্ট প্ৰশিক্ষণৰ তথ্য ব্যৱহাৰ কৰা হৈছে। আমাৰ ফলাফলবোৰে দেখুৱাইছে যে সাধাৰণ ম কআপ ডাটাবেছৰ পৰা প্ৰশিক্ষিত গভীৰ ফিডফৰৱাৰ্ড নেটৱৰ্কবোৰ মানৱ গতিৰ তথ্যৰ পৰা বৈশিষ্ট্যৰ আহৰণৰ বাবে সফলতাৰে ব্যৱহাৰ কৰিব পাৰি আৰু এই প্ৰতিনিধিত্বক শ্ৰেণীবিভাজন আৰু ভৱিষ্যদ্বাণীৰ বাবে ভিত্তি হিচাপে ব্যৱহাৰ কৰিব পাৰি। |
3c094494f6a911de3087ed963d3d893f6f2b1d71 | এই অধ্যয়নৰ উদ্দেশ্য আছিল হাইব্ৰিড এছিছিটিভ লেম্ব চিষ্টেমৰ ক্লিনিকেল এপ্লিকেচনসমূহত পদব্ৰজে প্ৰশিক্ষণৰ বাবে সাহিত্য পৰ্যালোচনা কৰা। পদ্ধতি Web of Science, PubMed, CINAHL আৰু clinicaltrials.gov ব্যৱহাৰ কৰি এটা পদ্ধতিগত সাহিত্য অনুসন্ধান কৰা হয় আৰু চিনাক্ত কৰা প্ৰতিবেদনত তথ্যসূত্ৰৰ তালিকাৰ সহায়ত অতিৰিক্ত অনুসন্ধান কৰা হয়। সংক্ষিপ্ত বিৱৰণসমূহ পৰীক্ষা কৰা হয়, প্ৰাসংগিক প্ৰবন্ধসমূহ পৰ্যালোচনা কৰা হয় আৰু গুণগত মানদণ্ডৰ মূল্যায়ন কৰা হয়। ফলাফল ৩৭টা গৱেষণাৰ ভিতৰত ৭টা গৱেষণাই অন্তৰ্ভুক্তিকৰণ চৰ্ত পূৰণ কৰিছিল। ৬ টা অধ্যয়ন আছিল একক গোটৰ অধ্যয়ন আৰু ১ টা আছিল এক অনুসন্ধানমূলক এলোমেলোভাৱে নিয়ন্ত্ৰিত পৰীক্ষা। মুঠতে, এই অধ্যয়নত ১৪০ জন অংশগ্ৰহণকাৰীয়ে অংশগ্ৰহণ কৰিছিল, যাৰ ভিতৰত ১১৮ জনে হস্তক্ষেপ সম্পূৰ্ণ কৰিছিল আৰু ১০৭ জনে HAL ব্যৱহাৰ কৰিছিল খোজৰ প্ৰশিক্ষণৰ বাবে। পাঁচটা অধ্যয়নত ষ্ট্ৰ কৰ পিছত গেইট প্ৰশিক্ষণ, এটা স্পাইনেল মেড ইনজেকশ্যনৰ (SCI) পিছত আৰু এটা ষ্ট্ৰ ক, SCI বা অন্যান্য ৰোগৰ পিছত গেইট প্ৰশিক্ষণৰ বিষয়ে অধ্যয়ন কৰা হৈছিল। এই অধ্যয়নত সামান্য আৰু ক্ষণস্থায়ী পাৰ্শ্ব-প্ৰতিক্ৰিয়া দেখা গৈছিল কিন্তু কোনো গুৰুতৰ পাৰ্শ্ব-প্ৰতিক্ৰিয়াৰ বিষয়ে কোৱা হোৱা নাছিল। পদব্ৰজে কাৰ্য্যকৰণ আৰু খোজকাঢ়ি স্বাধীনতাৰ ক্ষেত্ৰত উপকাৰী প্ৰভাৱ দেখা যায়। উপসংহাৰসমূহ সংগ্ৰহ কৰা তথ্যই প্ৰমাণ কৰে যে HAL ব্যৱস্থাটো ব্যৱহাৰযোগ্য যেতিয়া নিম্ন অঙ্গ-প্ৰত্যঙ্গৰ পাৰেচিছ থকা ৰোগীৰ পদব্ৰজে প্ৰশিক্ষণৰ বাবে ব্যৱহাৰ কৰা হয়। পদব্ৰজে কাৰ্য আৰু খোজকাঢ়ি স্বাধীনতাৰ ওপৰত উপকাৰী প্ৰভাৱ পৰিলক্ষিত হয় কিন্তু তথ্যই সিদ্ধান্ত গ্ৰহণৰ অনুমতি নিদিয়ে। অধিক নিয়ন্ত্ৰিত অধ্যয়ন পৰামৰ্শ দিয়া হৈছে। |
515e34476452bbfeb111ce5480035ae1f7aa4bee | মানুহৰ স্বাস্থ্যৰ বাবে ঘৰুৱা বায়ুৰ গুণগত মান অতি গুৰুত্বপূৰ্ণ। ঘৰৰ ভিতৰত বায়ুৰ নিম্ন মানৰ বাবে হাঁপানি, হৃদৰোগ আৰু হাওঁফাওঁৰ কেন্সাৰ আদিৰ দৰে দীৰ্ঘস্থায়ী শ্বাস-প্ৰশ্বাসজনিত ৰোগ হ ব পাৰে। বিষয়টো জটিল কৰি তোলাৰ লগতে, বায়ুৰ নিম্ন মানৰ গুণমান কেৱল চকু আৰু গোন্ধৰ দ্বাৰা চিনাক্ত কৰাটো মানুহৰ বাবে অতিশয় কঠিন আৰু বৰ্তমানৰ সংবেদক যন্ত্ৰপাতিসমূহ সাধাৰণ নাগৰিকতকৈ বিজ্ঞানীসকলৰ বাবে ব্যৱহাৰ আৰু তথ্য প্ৰদানৰ বাবে ডিজাইন কৰা হৈছে। আমি inAirৰ প্ৰস্তাৱ দিছো, যিটো এটা ইনড ৰ এয়াৰ কোৱালিটি জোখাৰ, দৃশ্যমান কৰাৰ আৰু শিকাৰ বাবে এটা সঁজুলি। inAir এ অন্তঃসত্ত্বা বায়ুৰ মানৰ ঐতিহাসিক আৰু বাস্তৱ-সময়ৰ দৃশ্যমানতা প্ৰদান কৰে, য ত ক্ষুদ্ৰ ক্ষুদ্ৰ বিপজ্জনক বায়ুবাহিত কণাবোৰৰ আকাৰ 0.5 মাইক্ৰন পৰ্যন্ত হয়। ব্যৱহাৰকাৰী অধ্যয়নৰ জৰিয়তে আমি প্ৰদৰ্শন কৰিছো যে ইন এয়াৰে কেনেকৈ অধিক সজাগতা বৃদ্ধি কৰে আৰু গৃহস্থ বায়ুৰ গুণমান উন্নত কৰিবলৈ ব্যক্তিগত কাৰ্য্যক অনুপ্ৰাণিত কৰে। |
44db0c2f729661e7b30af484a1ad5df4e70cb22a | বৰ্তমান সময়ত ব্লুটুথ ৱৰ্ম্ ইণ্টাৰনেট স্কেনিং ৱৰ্ম্ ৰ তুলনাত তুলনামূলকভাৱে কম বিপদজনক। ব্লুবেগ প্ৰকল্পই প্ৰমাণ-অফ-কনচেপ্ট ক ড আৰু ম বাইল ডিভাইচ ব্যৱহাৰ কৰি ব্লুটুথ ম লৱেৰ দ্বাৰা লক্ষ্যবস্তু আক্ৰমণ দেখুৱায় |
0a87428c6b2205240485ee6bb9cfb00fd9ed359c | মিডলবেৰী অপ্টিকেল ফ্ল ছ বেঞ্চমাৰ্কৰ ফলাফলৰ পৰা প্ৰমাণিত হোৱা অনুসৰি অপ্টিকেল ফ্ল ছ অনুমান এলগৰিথমৰ সঠিকতা ক্ৰমান্বয়ে উন্নত হৈছে। অৱশ্যে, হৰ্ণ আৰু চুংক ৰ কামৰ পৰা সাধাৰণ সূত্ৰটো অলপ সলনি হৈছে। আমি লক্ষ্য কাৰ্য্য, অপ্টিমাইজেশ্যন পদ্ধতি, আৰু আধুনিক ৰূপায়ণ প্ৰক্ৰিয়াবোৰে সঠিকতাক কেনেদৰে প্ৰভাৱিত কৰে তাৰ এক পুংখানুপুংখ বিশ্লেষণৰ জৰিয়তে শেহতীয়া অগ্ৰগতি কেনেকৈ সম্ভৱ হৈছে সেয়া উন্মোচন কৰিবলৈ চেষ্টা কৰোঁ। আমি আৱিষ্কাৰ কৰো যে "শাস্ত্রীয়" প্রবাহৰ সূত্রসমূহে আধুনিক অনুকূলন আৰু ৰূপায়ণ কৌশলসমূহৰ সৈতে মিলিত হ লে বিস্ময়কৰভাৱে ভাল কাম কৰে। তদুপৰি, আমি পাওঁ যে যদিও মধ্যৱৰ্তী প্ৰবাহ ক্ষেত্ৰৰ মধ্যমীয়া ফিল্টাৰিং অনুকূলিতকৰণৰ সময়ত শেহতীয়া কাৰ্যক্ষমতা লাভৰ বাবে এক গুৰুত্বপূৰ্ণ, ই উচ্চ শক্তি সমাধানৰ দিশলৈ লৈ যায়। এই পৰিঘটনাটোৰ আঁৰৰ নীতিসমূহ বুজিবলৈ আমি এটা নতুন উদ্দেশ্য আহৰণ কৰো যি মধ্যম ফিল্টাৰিং হেউৰিষ্টিকক আনুষ্ঠানিক কৰে। এই লক্ষ্যত অন্তৰ্ভুক্ত হৈছে এক অ-স্থানীয় শব্দ যি বৃহৎ আঞ্চলিক চুবুৰীয়াত প্ৰবাহৰ অনুমানক শক্তিশালীভাৱে একত্ৰিত কৰে। এই নতুন শব্দটো সলনি কৰি প্ৰবাহ আৰু ছবিৰ সীমাৰ বিষয়ে তথ্য অন্তৰ্ভুক্ত কৰি আমি এটা পদ্ধতি বিকাশ কৰো যি মিডলবেৰী মানদণ্ডৰ শীৰ্ষত স্থান পায়। |
90930683f4ef3da8c51ed7d2553774c196172cb3 | |
919bd86eb5fbccd3862e3e2927d4a0d468c7c591 | |
73e51b9820e90eb6525fc953c35c9288527cecfd | বৰ্তমানৰ নিউৰেল ডিপেণ্ডেন্সি পাৰ্চাৰবোৰে সাধাৰণতে দ্বি-নিৰ্দেশমূলক LSTMs ৰ সৈতে এটা বাক্যত প্ৰতিটো শব্দ এনকোড কৰে, আৰু মূৰ আৰু সংশোধনকাৰীৰ LSTM প্ৰতিনিধিত্বৰ পৰা এটা আৰ্কৰ স্ক ৰ অনুমান কৰে, সম্ভৱতঃ বিবেচনা কৰা আৰ্কৰ বাবে প্ৰাসংগিক প্ৰসংগ তথ্যৰ অভাৱ। এই অধ্যয়নত আমি এটা নিউৰেল ফিচাৰ এক্সট্ৰাকশ্যন পদ্ধতি প্ৰস্তাৱ কৰিছো যিয়ে আৰ্চ-নিৰ্দিষ্ট ফিচাৰবোৰ আহৰণ কৰিবলৈ শিকিব। আমি এটা নিউৰেল নেটৱৰ্ক-ভিত্তিক মনোযোগ পদ্ধতি প্ৰয়োগ কৰি প্ৰতিজন সম্ভাব্য মূৰ-পৰিৱৰ্তনকাৰী জোড়াৰ সপক্ষে আৰু বিপক্ষে প্ৰমাণ সংগ্ৰহ কৰো, যাৰ সহায়ত আমাৰ মডেলটোৱে বিশ্বাস আৰু অবিশ্বাসৰ নিশ্চিততা স্ক ৰ গণনা কৰে, আৰু বিশ্বাসৰ স্ক ৰৰ পৰা অবিশ্বাসৰ স্ক ৰটো হৰণ কৰি চূড়ান্ত আৰ্চ স্ক ৰ নিৰ্ণয় কৰে। দুটা প্ৰমাণৰ স্পষ্ট প্ৰৱৰ্তন কৰি, প্ৰাৰ্থীসকলে অধিক প্ৰাসংগিক তথ্যৰ ওপৰত ভিত্তি কৰি পৰস্পৰৰ বিৰুদ্ধে প্ৰতিদ্বন্দ্বিতা কৰিব পাৰে, বিশেষকৈ সেই ক্ষেত্ৰত য ত তেওঁলোকে একেটা মূৰ বা সংশোধক ভাগ-বতৰা কৰে। ই দুটা বা ততোধিক প্ৰতিদ্বন্দ্বিতামূলক আৰ্কৰ প্ৰতিদ্বন্দ্বিতা (অবিশ্বাস প্ৰমাণ) উপস্থাপন কৰি ভালদৰে বৈষম্যমূলক কৰা সম্ভৱ কৰে। বিভিন্ন ডাটা ছেটত কৰা পৰীক্ষাসমূহৰ পৰা দেখা গৈছে যে আমাৰ আৰ্চ-বিশেষ বৈশিষ্ট্য আহৰণৰ পদ্ধতিয়ে দীঘলীয়া দূৰত্বৰ নিৰ্ভৰশীলতা স্পষ্টভাৱে মডেলিং কৰি দ্বি-দিকনিৰ্দেশক LSTM-ভিত্তিক মডেলৰ কাৰ্যক্ষমতা যথেষ্ট উন্নত কৰে। ইংৰাজী আৰু চীনা উভয় ভাষাৰ বাবে, প্ৰস্তাৱিত মডেলটোৱে বৰ্তমানৰ অধিকাংশ নিউৰেল মনোযোগ-ভিত্তিক মডেলতকৈ নিৰ্ভৰশীলতা বিশ্লেষণ কাৰ্যত উচ্চ নির্ভুলতা অৰ্জন কৰে। |
7bdb08efd640311ad18466a80498c78267f886ca | |
26d92017242e51238323983eba0fad22bac67505 | এই প্ৰবন্ধত ব্যৱহাৰকাৰীসকলক চিনাকি, অফলাইন যোগাযোগ আৰু সামাজিক নেটৱৰ্কিং ছাইটত নতুন বন্ধু বিচাৰি উলিওৱাত সহায় কৰিবলৈ ডিজাইন কৰা লোক পৰামৰ্শৰ অধ্যয়ন কৰা হৈছে। আমি এটা এন্টাৰপ্ৰাইজ ছ চিয়েল নেটৱৰ্কিং ছাইটত ৪টা পৰামৰ্শদাতা এলগৰিথমৰ মূল্যায়ন কৰিছিলো ৫০০ জন ব্যৱহাৰকাৰীৰ ব্যক্তিগতকৃত সমীক্ষা আৰু ৩০০০ জন ব্যৱহাৰকাৰীৰ ক্ষেত্ৰ অধ্যয়নৰ সহায়ত। আমি সকলোবোৰ এলগৰিথম ব্যৱহাৰকাৰীৰ বন্ধু তালিকা সম্প্ৰসাৰণত কাৰ্যকৰী বুলি পাইছো। সামাজিক নেটৱৰ্ক তথ্যৰ ওপৰত ভিত্তি কৰি এলগৰিথমবোৰে ভালকৈ গ্ৰহণ কৰা পৰামৰ্শ প্ৰদান কৰিবলৈ সক্ষম হৈছিল আৰু ব্যৱহাৰকাৰীসকলৰ বাবে অধিক পৰিচিত যোগাযোগ বিচাৰিছিল, আনহাতে ব্যৱহাৰকাৰী-নিৰ্মিত সামগ্ৰীৰ সাদৃশ্য ব্যৱহাৰ কৰি এলগৰিথমবোৰে নতুন বন্ধু বিচাৰি উলিওৱাৰ ক্ষেত্ৰত শক্তিশালী আছিল। আমি আমাৰ সমীক্ষাৰ ব্যৱহাৰকাৰীসকলৰ পৰা গুণগত ফিডবেক সংগ্ৰহ কৰিছিলো আৰু কেইবাটাও অৰ্থপূৰ্ণ ডিজাইন প্ৰভাৱ আঁকিলো। |
3621bc359003e36707733650cccadf4333683293 | |
54c32d432fb624152da7736543f2685840860a57 | আমি এক প্ৰকাৰৰ ডিপ ব ল্টজমান মেচিন (ডি বি এম) প্ৰৱৰ্তন কৰিছো যি বৃহৎ অ-সংগঠিত নথি সংগ্ৰহৰ পৰা বিতৰণ কৰা অৰ্থগত প্ৰতিনিধিত্ব আহৰণৰ বাবে উপযুক্ত। আমি এটা ডি বি এমক বুদ্ধিমান পাৰামেটাৰ টাইঙৰ সৈতে প্ৰশিক্ষণৰ আপাত অসুবিধা অতিক্ৰম কৰো। ই এটা কাৰ্যকৰী প্ৰাক প্ৰশিক্ষণ এলগৰিথম আৰু দ্ৰুত অনুমানৰ বাবে এক ৰাজ্যিক আৰম্ভণিকৰণ আঁচনি সক্ষম কৰে। এই মডেলক এটা মানক প্ৰতিবন্ধক বল্টজমান মেচিনৰ দৰে দক্ষতাৰে প্ৰশিক্ষণ দিব পাৰি। আমাৰ পৰীক্ষাসমূহত দেখা গৈছে যে এই মডেলটোৱে প্ৰতিলিপি কৰা ছফ্টমেক্স মডেলতকৈ নজানা তথ্যৰ বাবে ভাল লগ সম্ভাৱনা প্ৰদান কৰে। আমাৰ মডেলৰ পৰা আহৰণ কৰা বৈশিষ্টসমূহে নথিপত্ৰ পুনৰুদ্ধাৰ আৰু নথিপত্ৰ শ্ৰেণীবিভাজনৰ কামত LDA, প্ৰতিলিপি কৰা ছফ্টমেক্স আৰু ডকনেড মডেলক অতিক্ৰম কৰে। |
3d8650c28ae2b0f8d8707265eafe53804f83f416 | পূৰ্বৰ এক প্ৰবন্ধত আমি এডাব ষ্ট নামৰ এটা নতুন বুষ্টিং এলগৰিথমৰ বিষয়ে উল্লেখ কৰিছিলো যিটো তত্ত্বগতভাৱে যিকোনো লাৰ্ণিং এলগৰিথমৰ ত্ৰুটিৰ পৰিমাণ যথেষ্ট হ্ৰাস কৰিবলৈ ব্যৱহাৰ কৰিব পাৰি যিটো ধাৰাবাহিকভাৱে শ্ৰেণীবিভাজনকাৰী সৃষ্টি কৰে যাৰ প্ৰদৰ্শন এলোমেলো অনুমানতকৈ অলপ ভাল। আমি এটা সম্পৰ্কিত ধাৰণা "ছদ্দ-ক্ষতি"ৰ প্ৰৱৰ্তন কৰিছিলো যি হৈছে বহু-লেবেল ধাৰণাৰ এটা শিক্ষণ এলগৰিথমক বৈষম্য কৰিবলৈ আটাইতকৈ কঠিন লেবেলবোৰত মনোনিবেশ কৰিবলৈ বাধ্য কৰাৰ এটা পদ্ধতি। এই প্ৰবন্ধত আমি এডাবুষ্টৰ প্ৰকৃত শিক্ষণ সমস্যাসমূহৰ ক্ষেত্ৰত কিমান ভালভাৱে প্ৰদৰ্শন কৰে তাৰ মূল্যায়ন কৰিবলৈ আমি কৰা পৰীক্ষাসমূহৰ বৰ্ণনা দিছো। আমি দুটা পৰীক্ষা সম্পন্ন কৰিলো। প্ৰথমটো ছেটত ব্ৰেমানৰ [1] বেগিং পদ্ধতিৰ সৈতে তুলনা কৰা হৈছিল যেতিয়া বিভিন্ন শ্ৰেণীবিভাজক (ডিচিচন ট্ৰী আৰু একক বৈশিষ্ট্য-মূল্য পৰীক্ষা সহ) সংগ্ৰহ কৰিবলৈ ব্যৱহাৰ কৰা হৈছিল। আমি যান্ত্ৰিক শিক্ষণৰ মানদণ্ডৰ সংকলন এটাত দুয়োটা পদ্ধতিৰ প্ৰদৰ্শন তুলনা কৰিছিলো। দ্বিতীয়টো পৰীক্ষাত আমি ওচিআৰ সমস্যাৰ ওপৰত নিকটতম-প্ৰতিবেশী শ্ৰেণীবিভাজক ব্যৱহাৰ কৰি ব ষ্ট কৰাৰ পাৰদৰ্শিতাৰ বিষয়ে অধিক বিশদভাৱে অধ্যয়ন কৰিছিলো। |
85379baf4972e15cd7b9f5e06ce177e693b35f53 | এই প্ৰবন্ধত, আমি এটা আধা-নিৰীক্ষণ কৰা কাৰ্নেল মেচিং পদ্ধতিৰ প্ৰস্তাৱ দিছো ডোমেইন অভিযোজন সমস্যাসমূহ সমাধান কৰিবলৈ য ত উৎস বিতৰণ লক্ষ্য বিতৰণৰ পৰা যথেষ্ট পৃথক। বিশেষভাৱে, আমি লক্ষ্য কার্নেল মেট্রিক্সক উৎস কার্নেল মেট্রিক্সৰ উপ-মেট্রিক্সৰ লগত মিলাই লক্ষ্য ডাটা পইণ্টসমূহক একে ধৰণৰ উৎস ডাটা পইণ্টলৈ মেপিং কৰাৰ সময়ত লেবেলযুক্ত উৎস ডাটাত এটা ভৱিষ্যদ্বাণী ফাংশন শিকোঁ। আমি এই সমান্তৰাল শিকণ আৰু মেপিং প্ৰক্ৰিয়াটো এটা অ-উপবৰ্তক অখণ্ড সংখ্যাৰ অপ্টিমাইজেশ্যন সমস্যা হিচাপে প্ৰস্তুত কৰো আৰু ইয়াৰ শিথিল ধাৰাবাহিক ৰূপৰ বাবে স্থানীয় সংক্ষিপ্তকৰণ প্ৰক্ৰিয়াটো উপস্থাপন কৰো। আমাৰ অভিজ্ঞতাতান্ত্ৰিক ফলাফলবোৰে প্ৰস্তাৱিত কাৰ্নেল মেচিং পদ্ধতিটো ক্ৰছ ড মেইন ছেণ্টিমেণ্ট শ্ৰেণীবিভাজনৰ কামত বিকল্প পদ্ধতিবোৰতকৈ যথেষ্ট উন্নত বুলি প্ৰমাণ কৰে। |
7eeb362f11bfc1c89996e68e3a7c5678e271f95b | |
893167546c870eac602d81874c6473fd3cd8bd21 | বহু-মাত্রিক বিন্দুৰ (টুপল) এটা সমষ্টিৰ আকাশ-সীমা সেই বিন্দুসমূহৰ দ্বাৰা গঠিত যাৰ বাবে কোনো সুস্পষ্টভাৱে ভাল বিন্দু নিৰ্দিষ্ট সমষ্টিত নাই, ইণ্টাৰেষ্ট ড মেইনসমূহৰ উপাদান-বুদ্ধিমান তুলনা ব্যৱহাৰ কৰি। স্কাইলাইন অনুসন্ধানসমূহ, অৰ্থাৎ, স্কাইলাইনৰ গণনা জড়িত কৰা অনুসন্ধানসমূহ, গণনাকাৰী ব্যয়বহুল হ ব পাৰে, সেয়েহে সমান্তৰাল পদ্ধতিবোৰ বিবেচনা কৰাটো স্বাভাৱিক যি একাধিক প্ৰক্ৰিয়াকৰ্তাৰ ভাল ব্যৱহাৰ কৰে। আমি এই সমস্যাৰ সমান্তৰাল প্ৰক্ৰিয়াকৰণৰ বাবে ডাটা ছেটৰ উপযোগী বিভাজন প্ৰাপ্ত কৰিবলৈ হাইপাৰপ্লেন প্ৰক্ষেপণ ব্যৱহাৰ কৰি প্ৰসংগটো চাম। এই বিভাজনবোৰে কেৱল সৰু স্থানীয় আকাশ-মাৰ্গ সংহতিবোৰ নিশ্চিত কৰাই নহয়, কিন্তু ফলাফলসমূহৰ দক্ষ সংমিশ্ৰণো সম্ভৱ কৰে। আমাৰ পৰীক্ষাসমূহে দেখুৱাইছে যে আমাৰ পদ্ধতিয়ে সমান্তৰাল আকাশসীমা গণনাৰ বাবে একেধৰণৰ পদ্ধতিসমূহক ধাৰাবাহিকভাৱে অতিক্ৰম কৰে, তথ্য বিতৰণৰ ওপৰত নিৰ্ভৰ কৰি, আৰু বিভিন্ন অপ্টিমাইজেশ্যন কৌশলৰ প্ৰভাৱৰ ওপৰত অন্তৰ্দৃষ্টি প্ৰদান কৰে। |
b87d5f9b8013386f4ff5ad1a130efe6e924dca5c | প্ৰবন্ধৰ ইতিহাসঃ প্ৰাপ্তি ২৭ আগষ্ট ২০১২ সংশোধিত ৰূপত প্ৰাপ্তি ১ আগষ্ট ২০১৩ গ্ৰহণ ৫ আগষ্ট ২০১৩ অনলাইন উপলব্ধ ১৫ আগষ্ট ২০১৩ |
bc18ee4a0f26320a86852b057077e8eca78b0c13 | এই অধ্যয়নে ঘানাৰ প্ৰাক-সেৱা শিক্ষকসকলৰ মাজত প্ৰযুক্তি গ্ৰহণৰ ওপৰত প্ৰভাৱ পেলোৱা কাৰকসমূহ চিনাক্ত কৰিবলৈ প্ৰযুক্তি গ্ৰহণৰ মডেলটো সম্প্ৰসাৰিত কৰে। ৩৮০টা ব্যৱহাৰযোগ্য প্ৰশ্নকাকতৰ তথ্যক গৱেষণা মডেলৰ সৈতে পৰীক্ষা কৰা হয়। সম্প্ৰসাৰিত প্ৰযুক্তি গ্ৰহণৰ মডেল (TAM) ক গৱেষণাৰ আৰ্হি হিচাপে ব্যৱহাৰ কৰি অধ্যয়নত দেখা গৈছে যেঃ প্ৰাক-সেৱা শিক্ষকসকলৰ শৈক্ষিক বিশ্বাস, ব্যৱহাৰৰ সহজতা, কম্পিউটাৰ প্ৰযুক্তিৰ ব্যৱহাৰ আৰু কম্পিউটাৰ ব্যৱহাৰৰ প্ৰতি মনোভাব কম্পিউটাৰ প্ৰযুক্তিৰ প্ৰকৃত ব্যৱহাৰৰ গুৰুত্বপূৰ্ণ নিৰ্ণায়ক। বহুতো পৰ্যায়ৰ প্ৰতিলিপি বিশ্লেষণৰ দ্বাৰা প্ৰাপ্ত ফলাফলসমূহে প্ৰকাশ কৰে যে: (1) প্ৰাক-সেৱা শিক্ষকসকলৰ শৈক্ষিক বিশ্বাসসমূহে ব্যৱহাৰৰ সহজতা আৰু ব্যৱহাৰৰ উপযোগীতা দুয়োটা দিশতে যথেষ্ট প্ৰভাৱ পেলায়, (2) ব্যৱহাৰৰ সহজতা আৰু ব্যৱহাৰৰ উপযোগীতা দুয়োটাই কম্পিউটাৰ ব্যৱহাৰৰ প্ৰতি মনোভাব আৰু কম্পিউটাৰ ব্যৱহাৰৰ প্ৰতি মনোভাব প্ৰাক-সেৱা শিক্ষকসকলৰ প্ৰকৃত ব্যৱহাৰৰ ওপৰত যথেষ্ট প্ৰভাৱ পেলায়। অৱশ্যে, পৰিসংখ্যাগতভাৱে, ব্যৱহাৰৰ সহজতাৰ ওপৰত প্ৰভাৱ পেলোৱা হোৱা নাছিল। এই ফলাফলসমূহে ঘানাৰ প্ৰেক্ষাপটত টিএমইৰ বৈধতা প্ৰদান কৰি সাহিত্যত অৱদান আগবঢ়ায় আৰু প্ৰযুক্তি সংহতকৰণ বিকাশৰ গৱেষণা আৰু অনুশীলনৰ বাবে কেইবাটাও গুৰুত্বপূৰ্ণ প্ৰভাৱ প্ৰদান কৰে। |
04e5b276da90c8181d6ad8397f763a181baae949 | ক্ৰছ-ভ্যালিডেচন হৈছে মেচিন লাৰ্ণিংৰ প্ৰদৰ্শন আৰু অগ্ৰগতিৰ জোখাৰ বাবে এক মূল স্তম্ভ। ক্ৰছ-ভ্যালিডেচন অধ্যয়নত সঠিকতা, F-পদক্ষেপ আৰু ROC বক্ৰৰ তলত থকা এলেকা (AUC) ৰ সঠিক গণনা কৰাৰ ক্ষেত্ৰত সুক্ষ্ম পাৰ্থক্য আছে। অৱশ্যে, এই সবিশেষবোৰ সাহিত্যত আলোচনা কৰা হোৱা নাই, আৰু অসামঞ্জস্যপূৰ্ণ পদ্ধতিবোৰ বিভিন্ন কাগজ আৰু চফ্টৱেৰ পেকেটবোৰে ব্যৱহাৰ কৰে। ইয়াৰ ফলত গৱেষণা সাহিত্যত অসঙ্গতি দেখা যায়। বিশেষ ভাঁজ আৰু পৰিস্থিতিৰ বাবে পাৰফৰমেন্স গণনাৰ অস্বাভাৱিকতাসমূহ যেতিয়া বহুতো ভাঁজ আৰু ডাটা ছেটৰ ওপৰত সংগ্ৰহিত ফলাফলত পুতি থোৱা হয়, তেতিয়া মধ্যৱৰ্তী পাৰফৰমেন্স পৰিমাপসমূহলৈ কেতিয়াও এজন ব্যক্তিয়ে নজৰ নিদিয়াকৈয়ে আৱিষ্কাৰ কৰা নহয়। এই গৱেষণা টোকাটোৱে পাৰ্থক্যবোৰ স্পষ্ট কৰে আৰু ইয়াক বৰ্ণনা কৰে, আৰু ই ক্ৰছ-ভ্যালিডেচনৰ অধীনত শ্ৰেণীবিভাজনৰ পাৰদৰ্শিতাৰ শ্ৰেষ্ঠতম জোখৰ বাবে নিৰ্দেশনা প্ৰদান কৰে। বিশেষকৈ, F-measure গণনা কৰিবলৈ বিভিন্ন ভিন্ন পদ্ধতি ব্যৱহাৰ কৰা হয়, যাক প্ৰায়ে শ্ৰেণী ভাৰসাম্যহীনতাৰ অধীনত প্ৰদৰ্শন পৰিমাপ হিচাপে পৰামৰ্শ দিয়া হয়, উদাহৰণস্বৰূপে, পাঠ্য শ্ৰেণীবিভাজনৰ ক্ষেত্ৰসমূহৰ বাবে আৰু বহু শ্ৰেণী থকা ডাটাছেটৰ এক-বিৰোধী-সকলো হ্ৰাসৰ ক্ষেত্ৰত। আমি পৰীক্ষাৰ দ্বাৰা দেখুৱাম যে এই গণনা পদ্ধতিসমূহৰ এটা বাদে সকলোবোৰে পক্ষপাতমূলক জোখৰ সৃষ্টি কৰে, বিশেষকৈ উচ্চ শ্ৰেণীৰ ভাৰসাম্যহীনতাৰ অধীনত। এই প্ৰবন্ধটো বিশেষভাৱে আগ্ৰহী যন্ত্ৰৰ শিকন ছফ্টৱেৰ লাইব্ৰেৰী ডিজাইন কৰা আৰু উচ্চ শ্ৰেণীৰ ভাৰসাম্যহীনতাত মনোনিবেশ কৰা গৱেষকসকলৰ বাবে। |
8efac913ff430ef698dd3fa5df4cbb7ded3cab50 | আমি এটা নিৰীক্ষণহীন ক্লাষ্টাৰিং সঁজুলি প্ৰদৰ্শন কৰিছো, প্ৰধান দিশ বিভাজন বিভাজন, যি এটা স্কেল-যোগ্য আৰু বহুমুখী ওপৰৰ পৰা তললৈ পদ্ধতি যি কোনো সংখ্যক ভেক্টৰ হিচাপে প্ৰতিনিধিত্ব কৰিব পৰা তথ্যৰ ছেটৰ বাবে প্ৰযোজ্য। এই প্ৰবন্ধত মূল পদ্ধতিৰ বিৱৰণ, ইয়াৰ ব্যৱহাৰৰ প্ৰধান ক্ষেত্ৰসমূহৰ সাৰাংশ আৰু গুৰুত্বপূৰ্ণ শব্দ নিৰ্বাচনৰ শেহতীয়া ফলাফলৰ লগতে নতুন তথ্য লাভ কৰাৰ লগে লগে ক্লাষ্টাৰসমূহ উন্নীতকৰণৰ প্ৰক্ৰিয়াৰ বিষয়ে আলোচনা কৰা হৈছে। |
1e20f9de45d26950ecd11965989d2b15a5d0d86b | মডেল-ভিত্তিক পদ্ধতি আৰু গভীৰ নিউৰেল নেটৱৰ্ক দুয়োটাই যান্ত্ৰিক শিক্ষণৰ ক্ষেত্ৰত অতি সফল দৃষ্টান্ত। মডেল-ভিত্তিক পদ্ধতিত, আমি সহজেই আমাৰ সমস্যা ক্ষেত্ৰ জ্ঞানক মডেলৰ সীমাবদ্ধতাত অনুমানৰ সময়ত অসুবিধাৰ খৰচত প্ৰকাশ কৰিব পাৰো। নিৰ্ণায়ক গভীৰ স্নায়ু নেটৱৰ্ক এনেদৰে নিৰ্মাণ কৰা হয় যে অনুমান সহজ, কিন্তু আমি সহজেই সমস্যা ক্ষেত্ৰ জ্ঞান অন্তৰ্ভুক্ত কৰাৰ ক্ষমতা ত্যাগ কৰোঁ। এই প্ৰবন্ধৰ উদ্দেশ্য হৈছে দুয়োটা পদ্ধতিৰ সুবিধা লাভ কৰাৰ লগতে ইয়াৰ বহুতো অসুবিধাৰ পৰা হাত সাৰিবলৈ এটা সাধাৰণ কৌশল প্ৰদান কৰা। সাধাৰণ ধাৰণাটো তলত দিয়া ধৰণে সংক্ষেপিত কৰিব পাৰিঃ এটা মডেল-ভিত্তিক পদ্ধতি প্ৰদান কৰা হৈছে যাক এটা পুনৰাবৃত্ত inference পদ্ধতিৰ প্ৰয়োজন, আমি পুনৰাবৃত্তিবোৰক এটা স্তৰ-বুদ্ধিমান গাঁথনিৰ দৰে নিউৰেল নেটৱৰ্কৰ সৈতে মিলাই দিওঁ। তাৰ পিছত আমি স্তৰসমূহৰ মাজত মডেলৰ পাৰামিতিবোৰ বিচ্ছিন্ন কৰি নতুন নিউৰ ল নেটৱৰ্কৰ দৰে আৰ্হি প্ৰস্তুত কৰো যিবোৰ সহজে গ্রেডিয়েন্ট-ভিত্তিক পদ্ধতি ব্যৱহাৰ কৰি প্ৰশিক্ষিত কৰিব পাৰি। ফলস্বৰূপে পোৱা সূত্ৰটোৱে এটা সাধাৰণ গভীৰ নেটৱৰ্কৰ অভ্যন্তৰীণ গাঁথনিৰ সৈতে মডেল-ভিত্তিক পদ্ধতিৰ অভ্যন্তৰীণ গাঁথনিৰ সৈতে মিলিত হয়, যিটো শ্ৰেষ্ঠ প্ৰদৰ্শনৰ বাবে অপ্টিমাইজ কৰিব পৰা এক নিৰ্দিষ্ট সংখ্যক স্তৰত অনুমান কৰিবলৈ অনুমতি দিয়ে। আমি দেখুৱাম যে এই ফ্ৰেমৱৰ্কটো কেনেকৈ ন ন-নেগেটিভ মেট্ৰিক্স ফেক্টৰাইজেশ্যনত প্ৰয়োগ কৰিব পাৰি যাতে এক নতুন ন ন-নেগেটিভ গভীৰ নিউৰ নেল নেটৱৰ্ক আৰ্কিটেকচাৰ লাভ কৰিব পাৰি, যাক এক বহুগুণিত পিছলৈ প্ৰসাৰিত শৈলীৰ আপডেট এলগৰিথমৰ সৈতে প্ৰশিক্ষণ দিয়া যায়। আমি বক্তৃতা বৰ্ধনৰ ক্ষেত্ৰত কৰা পৰীক্ষাসমূহৰ বিষয়ে উল্লেখ কৰিছো, য ত আমি দেখুৱাম যে ইয়াৰ ফলত সৃষ্টি হোৱা মডেলটোৱে সাধাৰণ নিউৰেল নেটৱৰ্কক অতিক্ৰম কৰিব পাৰে যদিও ইয়াত মাত্ৰ এটা পৰিমাপৰ প্ৰয়োজন হয়। আমি বিশ্বাস কৰো যে গভীৰ নেটৱৰ্কৰ আৰ্হিৰ সৈতে সমস্যা স্তৰৰ ধাৰণা অন্তৰ্ভুক্ত কৰাৰ বাবে আমাৰ ফ্ৰেমৱৰ্কে প্ৰদান কৰা সামৰ্থ্যৰ বাবে এয়া হ ব। arXiv.org এই কামটো কোনো বাণিজ্যিক উদ্দেশ্যৰ বাবে সম্পূৰ্ণ বা আংশিকভাৱে প্ৰতিলিপি বা প্ৰজনন কৰিব নোৱাৰিব। অলাভজনক শৈক্ষিক আৰু গৱেষণা উদ্দেশ্যে সম্পূৰ্ণ বা আংশিকভাৱে কোনো মাচুল নিদিয়াকৈ প্ৰতিলিপি কৰাৰ অনুমতি প্ৰদান কৰা হয়, যদিহে এই ধৰণৰ সকলো সম্পূৰ্ণ বা আংশিক প্ৰতিলিপিৰ ভিতৰত নিম্নলিখিতবোৰ অন্তৰ্ভুক্ত থাকেঃ এটা জাননী যে এই প্ৰতিলিপি মিটছুবিছি ইলেক্ট্ৰিক ৰিচাৰ্ছ লেবৰেটৰী, ইনক ৰ অনুমতিৰ দ্বাৰা কৰা হৈছে; লেখকৰ স্বীকৃতি আৰু কামলৈ পৃথক অৱদান; আৰু কপিৰাইট জাননীৰ সকলো প্ৰযোজ্য অংশ। অন্য যিকোনো উদ্দেশ্যত প্ৰতিলিপি, প্ৰজনন বা পুনৰ প্ৰকাশৰ বাবে মিটছুবিছি ইলেক্ট্ৰিক ৰিচাৰ্ছ লেবৰেটৰীজ, ইনক ৰ ফী পৰিশোধৰ সৈতে অনুজ্ঞাপত্ৰৰ প্ৰয়োজন। সকলো অধিকাৰ সংৰক্ষিত। কপিৰাইট c © মিটছুবিছি ইলেক্ট্ৰিক ৰিচাৰ্ছ লেবৰেটৰী, ইনক., ২০১৪ 201 ব্ৰডৱে, কেম্ব্ৰিজ, মেছাচুচেটছ ০২১৩৯ |
26f4f07696a3828f5eeb0d8bb8944da80228b77d | সিদ্ধান্ত বৃক্ষ এলগৰিথমৰ বাবে ব ষ্টিং পদ্ধতিৰ প্ৰয়োগে অতি সঠিক শ্ৰেণীবিভাগৰ সৃষ্টি কৰে। এই শ্ৰেণীবিভাগবোৰ বহু সংখ্যক সিদ্ধান্ত বৃক্ষৰ ওপৰত সংখ্যাগৰিষ্ঠ ভোটৰ আকাৰত থাকে। কিন্তু দুখৰ কথা যে এই শ্ৰেণীবিভাজনবোৰ প্ৰায়েই বৃহৎ, জটিল আৰু ব্যাখ্যা কৰিবলৈ কঠিন। এই প্ৰবন্ধত এক নতুন ধৰণৰ শ্ৰেণীবিভাজন নিয়মৰ বৰ্ণনা কৰা হৈছে, য ত বিকল্প সিদ্ধান্ত বৃক্ষ, যি সিদ্ধান্ত বৃক্ষ, ভোটদান কৰা সিদ্ধান্ত বৃক্ষ আৰু ভোটদান কৰা সিদ্ধান্ত স্তম্ভৰ সাধাৰণীকৰণ। একে সময়তে এই ধৰণৰ শ্ৰেণীবিভাজনবোৰ ব্যাখ্যা কৰা তুলনামূলকভাৱে সহজ। আমি এটা শিক্ষণীয় এলগৰিথম উপস্থাপন কৰিছো সিদ্ধান্তৰ বৃক্ষৰ বাবে যিটো বুষ্টিংৰ ওপৰত আধাৰিত। পৰীক্ষামূলক ফলাফলসমূহে দেখুৱায় যে ই C5.0 ৰ দৰে ব ষ্টড ডিচিছন ট্ৰী এলগৰিথমৰ সৈতে প্ৰতিযোগিতামূলক আৰু নিয়ম সৃষ্টি কৰে যি সাধাৰণতে আকাৰত সৰু আৰু সেয়েহে ব্যাখ্যা কৰা সহজ। ইয়াৰ উপৰিও এই নিয়মবোৰে শ্ৰেণীবিভাজনৰ এক স্বাভাৱিক পৰিমাপ প্ৰদান কৰে যি শ্ৰেণীবিভাজনৰ কঠিন উদাহৰণবোৰক ভৱিষ্যদ্বাণী কৰাৰ পৰা বিৰত থকাৰ খৰচত সঠিকতা উন্নত কৰিবলৈ ব্যৱহাৰ কৰিব পাৰি। |
5e28e81e757009d2f76b8674e0da431f5845884a | এই প্ৰবন্ধত বহু-মাত্রিক ৰেখীয় বৈষম্য বিশ্লেষণ আৰু ইয়াৰ সৈতে জড়িত সৰ্বোত্তম ৰেখীয় অভিক্ষেপ ব্যৱহাৰ কৰি এখন ছবি প্ৰশিক্ষণ ছেটৰ পৰা বৈশিষ্ট্যৰ স্বয়ংক্ৰিয় নিৰ্বাচনৰ বিষয়ে বৰ্ণনা কৰা হৈছে। আমি এই Most Discriminating Features ৰ কাৰ্য্যকৰিতা প্ৰদৰ্শন কৰো, দৃশ্য-ভিত্তিক শ্ৰেণী পুনৰুদ্ধাৰৰ বাবে এটা বৃহৎ ডাটাবেছৰ পৰা ব্যাপকভাৱে বিভিন্ন বাস্তৱ জগতৰ বস্তুবোৰক ভালদৰে ফ্ৰেম কৰা দৃশ্য হিচাপে উপস্থাপন কৰা হয়, আৰু ইয়াক মূল উপাদান বিশ্লেষণৰ সৈতে তুলনা কৰা হয়। |
dbe8c61628896081998d1cd7d10343a45b7061bd | কেইবাটাও কৌশল বৰ্ণনা কৰা হৈছে যিয়ে বৃহৎ সংযোগবাদী বক্তৃতা স্বীকৃতি প্ৰণালীৰ ডিজাইনৰ দিশত পদক্ষেপ হিচাপে মৌলিক নেটৱৰ্ক মডেলৰ সীমাবদ্ধতাক অতিক্ৰম কৰে। দুটামান প্ৰধান চিন্তাৰ বিষয় হ ল সময়ৰ সমস্যা আৰু স্কেলৰ সমস্যা। ভাষাৰ সংকেতবোৰ সময়ৰ লগে লগে ধাৰাবাহিকভাৱে পৰিৱৰ্তন হয় আৰু মানৱ জ্ঞানৰ এক বৃহৎ পৰিমাণৰ সংকেত প্ৰতিলিপি আৰু প্ৰচাৰ কৰে। এই সংকেতবোৰ ডিকোড কৰিবলৈ, নিউৰেল নেটৱৰ্কসমূহে সময়ৰ উপযুক্ত প্ৰতিনিধিত্ব ব্যৱহাৰ কৰিব পাৰিব লাগিব আৰু এই নেটৱৰ্কসমূহক প্ৰায় নিৰ্দিষ্ট আকাৰ আৰু জটিলতাৰ বাবে সীমিত সম্পদৰ ভিতৰত সম্প্ৰসাৰিত কৰিব লাগিব। সময়ৰ সমস্যাটো এটা টাইম-ডেলেট নিউৰেল নেটৱৰ্কৰ বিকাশৰ দ্বাৰা সমাধান কৰা হয়; সৰু সৰু উপ-উপাদান নেটৱৰ্কৰ ওপৰত ভিত্তি কৰি ডাঙৰ নেটৱৰ্কৰ মডুলাৰিতী আৰু ইনক্ৰমেণ্টেল ডিজাইনৰ স্কেলিংৰ সমস্যা। এইটো দেখুওৱা হৈছে যে সীমিত কাম সম্পাদন কৰিবলৈ প্ৰশিক্ষিত সৰু নেটৱৰ্কবোৰে সময়-অবৰ্তনশীল, গোপন বিমূর্ততা বিকাশ কৰে যি পৰৱৰ্তী সময়ত বৃহত্তৰ, অধিক জটিল নেটৱৰ্কবোৰ দক্ষতাৰে প্ৰশিক্ষণৰ বাবে ব্যৱহাৰ কৰিব পাৰি। এই কৌশলসমূহ ব্যৱহাৰ কৰি, ক্ৰমবৰ্ধমান জটিলতাৰ ফ নেম স্বীকৃতি নেটৱৰ্ক নিৰ্মাণ কৰিব পাৰি যিবোৰ সকলোৱে উচ্চ স্বীকৃতি প্ৰদৰ্শন অৰ্জন কৰে। |
eeb8c7a22f731839755a4e820b608215e9885276 | |
01905a9c0351aad54ee7dbba1544cd9db06ca935 | তথ্য প্ৰণালীৰ সুৰক্ষাৰ সৈতে জড়িত যিকোনো সংস্থাৰ বাবে আজি বিপদ ব্যৱস্থাপনা হৈছে এক গুৰুত্বপূৰ্ণ নিৰ্দেশনা। কিন্তু, আইএছ সুৰক্ষা বিপদাশংকা ব্যৱস্থাপনা (আইএছআৰএম) এটা কঠিন প্ৰক্ৰিয়া হৈয়ে আছে, বিশেষকৈ জটিল আৰু আন্তঃসংযোগযুক্ত আইএছসমূহৰ সৈতে বহুবিধ নিয়ন্ত্ৰণৰ এক প্ৰেক্ষাপটত। আমি দাবী কৰোঁ যে এন্টাৰপ্ৰাইজ আৰ্কিটেকচাৰ মেনেজমেণ্ট (ইএএম) ৰ সৈতে সংযোগে এই সমস্যাসমূহৰ সৈতে মোকাবিলা কৰাত সহায় কৰে। দুয়োটা ক্ষেত্ৰৰ একত্ৰিতকৰণৰ দিশত প্ৰথম পদক্ষেপ হিচাপে এটা সংহত ইএএম-আইএছএছআৰএম ধাৰণাগত মডেল নিৰ্ধাৰণ কৰা হ ব। এই প্ৰবন্ধটো এই মডেলৰ বিশ্লেষণ আৰু প্ৰমাণীকৰণৰ বিষয়ে। ইয়াৰ বাবে আমি আইএছএছআৰএমৰ এটা ড মেইন মডেল উন্নত কৰিছো, অৰ্থাৎ ইএএমৰ ধাৰণাসমূহৰ সৈতে আইএছআৰএছএমৰ ক্ষেত্ৰখনক চিত্ৰিত কৰা এক ধাৰণাগত মডেল। ইএএম-আইএছএছআৰএম একত্ৰিত মডেলৰ বৈধতা প্ৰমাণন এটা বৈধতা গোটৰ সহায়ত কৰা হয়, যিয়ে মডেলৰ উপযোগিতা আৰু ব্যৱহাৰযোগ্যতা মূল্যায়ন কৰে। |
1976c9eeccc7115d18a04f1e7fb5145db6b96002 | ফ্ৰিবেইজ হৈছে সাধাৰণ মানৱ জ্ঞানৰ গাঁথনি তৈয়াৰ কৰিবলৈ ব্যৱহাৰ কৰা এটা ব্যৱহাৰিক, স্কেলযোগ্য টুপল ডাটাবেছ। ফ্ৰিবেইজৰ তথ্য সমূহ সহযোগিতামূলকভাৱে সৃষ্টি, গঠন আৰু পৰিচালনা কৰা হয়। ফ্ৰিবেইজত বৰ্তমান ১২৫,০০০,০০০ তপল, ৪০০০ তপল আৰু ৭০০০ তপল সম্পত্তি আছে। মেটাৱেব কুৱেৰী লেংগুৱেজ (MQL) ক ডাটা কুৱেৰী আৰু মনিপুলেচন লেংগুৱেজ হিচাপে ব্যৱহাৰ কৰি এটা HTTP-ভিত্তিক গ্ৰাফ-কুৱেৰী API ৰ জৰিয়তে ফ্ৰিবেইছলৈ ৰাজহুৱা পঠন/লিখন প্ৰৱেশৰ অনুমতি দিয়া হয়। MQL এ ফ্ৰিবেইজৰ টিপল ডাটাৰ বাবে এটা সহজে ব্যৱহাৰযোগ্য অবজেক্ট-ওৰিয়েন্টেড ইন্টাৰফেচ প্ৰদান কৰে আৰু সহযোগিতামূলক, ৱেব-ভিত্তিক ডাটা-ওৰিয়েন্টেড এপ্লিকেশ্যনসমূহৰ সৃষ্টি সহজ কৰিবলৈ ডিজাইন কৰা হৈছে। |
77b99e0a3a6f99537a4b497c5cd67be95c1b7088 | স্বায়ত্তশাসিত বাহনৰ গৱেষণা এটা দশকৰো অধিক কাল ধৰি প্ৰচলিত হৈ আছে কিন্তু শেহতীয়াকৈ স্বায়ত্তশাসিত বাহনত হোৱা মানৱীয় ক্ৰিয়া-কলাপৰ ওপৰত অলপ পৰিমাণে গৱেষণা কৰা হৈছে। যদিও কাৰ্যকৰী ছফ্টৱেৰ আৰু ছেন্সৰ প্ৰযুক্তি নিৰাপদ কাম-কাজৰ বাবে আৱশ্যকীয়, যি স্বায়ত্তশাসিত বাহন গৱেষণাৰ প্ৰধান ফ কাছ হৈ আহিছে, মানৱ ক্ৰিয়া-কলাপৰ সকলো উপাদান পৰিচালনা কৰাটোও তেওঁলোকৰ সফলতাৰ এক অতি গুৰুত্বপূৰ্ণ দিশ। এই প্ৰবন্ধত স্বায়ত্তশাসিত বাহনত মানৱ বাহনৰ ক্ৰিয়া-প্ৰতিক্ৰিয়াৰ গুৰুত্বৰ বিষয়ে এক সামগ্ৰিক দৃষ্টিভংগী প্ৰদান কৰা হ ব, লগতে ইয়াৰ সৈতে জড়িত প্ৰাসংগিক কাৰকসমূহ বিবেচনা কৰা হ ব যিবোৰে গ্ৰহণত প্ৰভাৱ পেলাব পাৰে। অটোমোবাইলৰ নিয়ন্ত্ৰণৰ লগত জড়িত গুৰুত্বপূৰ্ণ ক্ষেত্ৰসমূহত পূৰ্বৰ গৱেষণাৰ ওপৰত বিশেষ মনোযোগ দিয়া হ ব, লগতে বিভিন্ন উপাদানসমূহ যি মানৱ পৰিচালনাৰ বাবে প্ৰথমে বিকশিত এই বাহনসমূহৰ সফলতাৰ সম্ভাৱনীয়তাক প্ৰভাৱিত কৰিব বুলি আশা কৰা হৈছে। এই প্ৰবন্ধত মানুহৰ সৈতে মত-বিনিময়ৰ বাবে কৰা সীমিত গৱেষণাৰ আলোচনা আৰু প্ৰকাশিত কাৰ্যকৰী ছফ্টৱেৰ আৰু ছেন্সৰ প্ৰযুক্তিৰ বৰ্তমানৰ অৱস্থাও অন্তৰ্ভুক্ত কৰা হ ব। |
31f3a12fb25ddb0a27ebdda7dd8d014996debd74 | আমি প্ৰায় দুবছৰ ধৰি বন্যপ্ৰাণীত ১২,৫০০ এণ্ড্ৰইড ডিভাইচৰ ব্যৱহাৰৰ তথ্য সংগ্ৰহ কৰিছো। আমাৰ ডাটা ছেটত এণ্ড্ৰইডৰ ৬৮৭টা সংস্কৰণ চলোৱা ৮৯৪টা মডেলৰ ডিভাইচৰ ৫৩ বিলিয়ন ডাটা পইণ্ট আছে। সংগ্ৰহ কৰা তথ্যৰ প্ৰক্ৰিয়াকৰণত স্কেলিবিলিটিৰ পৰা সামঞ্জস্যতা আৰু গোপনীয়তাৰ বিষয়লৈ বিভিন্ন প্ৰত্যাহ্বান থাকে। আমি এই অতি বিতৰণিত ডাটা ছেটৰ সংগ্ৰহ আৰু বিশ্লেষণৰ বাবে আমাৰ চিষ্টেম স্থাপত্যৰ প্ৰদৰ্শন কৰিম, আমাৰ চিষ্টেমটোৱে কেনেকৈ অবিশ্বস্ত সময়-তালিকা তথ্যৰ উপস্থিতিত নিৰ্ভৰযোগ্যভাৱে সময়-শৃংখলাৰ তথ্য সংগ্ৰহ কৰিব পাৰে তাৰ বিষয়ে আলোচনা কৰিম, আৰু আমি বিশ্বাস কৰা সমস্যা আৰু শিকনিৰ বিষয়ে আলোচনা কৰিম যে আমি বহুতো আন ডাঙৰ তথ্য সংগ্ৰহ প্ৰকল্পৰ ক্ষেত্ৰত প্ৰযোজ্য। |
408a8e250316863da94ffb3eab077175d08c01bf | |
5656fa5aa6e1beeb98703fc53ec112ad227c49ca | আমি মাল্টি-প্ৰিডিকেচন গভীৰ ব ল্টজমান মেচিন (এমপি-ডিবিএম) প্ৰৱৰ্তন কৰিছো। MPDBMক সাধাৰণ ছাইড লিকবিলিডিডৰ বাবে এক বৈকল্পিক সমীকৰণক সৰ্বাধিক কৰাৰ বাবে প্ৰশিক্ষিত একক সম্ভাৱ্যতা মডেল হিচাপে দেখা যায়, বা পৰিমাপক ভাগ কৰি লোৱা আৰু প্ৰায় বিভিন্ন অনুমান সমস্যা সমাধান কৰা পুনৰাবৃত্ত নেটৱৰ্কৰ পৰিয়াল হিচাপে দেখা যায়। পূৰ্বৰ DBM প্ৰশিক্ষণৰ পদ্ধতিবোৰ শ্ৰেণীবিভাজনৰ কামত ভালদৰে প্ৰদৰ্শন নকৰে বা প্ৰাৰম্ভিক শিক্ষণ পাছৰ প্ৰয়োজন হয় যি DBMক এক সময়ত এক স্তৰ প্ৰশিক্ষণ দিয়ে। MP-DBM ৰ বাবে লোভী স্তৰবিভাজন পূৰ্ব প্ৰশিক্ষণৰ প্ৰয়োজন নাই, আৰু শ্ৰেণীবিভাজন, অনুপস্থিত ইনপুটৰ সৈতে শ্ৰেণীবিভাজন, আৰু গড় ক্ষেত্ৰ পূৰ্বানুমান কাৰ্য্যত মান DBM ৰ তুলনাত ভাল প্ৰদৰ্শন কৰে। |
4c99b87df6385bd945a00633f829e4a9ec5ce314 | সামাজিক নেটৱৰ্কসমূহে এক বৃহৎ পৰিমাণৰ তথ্য উৎপাদন কৰে। ফেচবুকত ৪০০ মিলিয়নতকৈও অধিক সক্ৰিয় ব্যৱহাৰকাৰী আছে যিয়ে প্ৰতিমাহে ৫ বিলিয়নতকৈও অধিক তথ্যৰ আদান প্ৰদান কৰে। এই বিশাল পৰিমাণৰ অগঠনশীল তথ্য বিশ্লেষণে ছফ্টৱেৰ আৰু হাৰ্ডৱেৰক প্ৰত্যাহ্বান হিচাপে গ্ৰহণ কৰে। আমি GraphCT, এটা গ্ৰাফ চৰিত্ৰকৰণ টুলকিট প্ৰদৰ্শন কৰিছো সামাজিক নেটৱৰ্ক ডাটা প্ৰতিনিধিত্ব কৰা বিশাল গ্ৰাফৰ বাবে। ১২৮ প্ৰচেছৰযুক্ত ক্ৰেই এক্সএমটি, গ্ৰাফচিটি এ এটা কৃত্ৰিমভাৱে উৎপন্ন (আৰ-মেট) ৫৩৭ মিলিয়ন শীৰ্ষ, ৫৫ মিনিটত ৮.৬ বিলিয়ন এজ গ্ৰাফ আৰু বাস্তৱ জগতৰ গ্ৰাফ (কুৱাক, আৰু আন) ৰ মাজত কেন্দ্ৰীয়তা অনুমান কৰে। ৬১.৬ মিলিয়ন শীৰ্ষ আৰু ১.৪৭ বিলিয়ন প্ৰান্ত ১০৫ মিনিটত। আমি গ্ৰাফচিটি ব্যৱহাৰ কৰি মাইক্ৰ ব্লগিং নেটৱৰ্ক টুইটাৰ পৰা ৰাজহুৱা তথ্য বিশ্লেষণ কৰো। টুইটাৰৰ বাৰ্তাৰ সংযোগসমূহ মূলতঃ এটা বাতৰি প্ৰচাৰ প্ৰণালী হিচাপে গঢ়ি উঠিছে। কিন্তু ৰাজহুৱা তথ্যৰ ভিতৰত কিছুমান কথোপকথনৰ গোট আছে। GraphCT ব্যৱহাৰ কৰি আমি এই কথোপকথনৰ অভিনেতাসকলক শ্ৰেণীবদ্ধ কৰিব পাৰো আৰু বিশ্লেষকসকলক এটা সৰু ডাটা উপ-সমূহেৰ ওপৰত মনোযোগ কেন্দ্ৰীভূত কৰাত সহায় কৰিব পাৰো। |
7b1e18688dae102b8702a074f71bbea8ba540998 | বাহন যন্ত্ৰৰ চিষ্টেমৰ ক্ৰমাৎ বৃদ্ধি পোৱা জটিলতা, বাহ্যিক নেটৱৰ্ক, ইন্টাৰনেট অৱ থিংছ আৰু ইয়াৰ অভ্যন্তৰীণ নেটৱৰ্কিংৰ সৈতে ইয়াৰ সংযোগে হেকিং আৰু ক্ষতিকাৰক আক্ৰমণৰ দুৱাৰ মুকলি কৰি দিছে। আধুনিক অটোমোবাইল যান-বাহন প্ৰণালীত সুৰক্ষা আৰু গোপনীয়তাৰ বিপদসমূহ এতিয়া ভালদৰে প্ৰচাৰিত হৈছে। নিৰাপত্তাৰ উলংঘা হ লে নিৰাপত্তাৰ উলংঘা হ ব পাৰে- এইটো এটা যুক্তিযুক্ত আৰু গ্ৰহণযোগ্য যুক্তি। নিৰাপত্তাৰ অনুশাসন দশকজুৰি পৰিপক্ক হৈছে , কিন্তু নিৰাপত্তাৰ অনুশাসন বহু কম বয়সীয়া । কিছুমান যুক্তি আছে যে সুৰক্ষা অভিযান্ত্ৰিক প্ৰক্ৰিয়াটো কাৰ্যকৰী সুৰক্ষা অভিযান্ত্ৰিক প্ৰক্ৰিয়াৰ সৈতে একে (আইএছঅ ২৬২৬২ৰ নিয়ম অনুসৰি) আৰু সেইবোৰ একেলগে স্থাপন কৰিব পাৰি আৰু একেলগে সম্পন্ন কৰিব পাৰি কিন্তু বিশেষজ্ঞৰ ভিন্ন গোটৰ দ্বাৰা। অটোমোটিভ যানবাহন প্ৰণালীৰ বাবে কাৰ্যকৰী সুৰক্ষা অভিযান্ত্ৰিক প্ৰক্ৰিয়াৰ দৰে সুৰক্ষা অভিযান্ত্ৰিক প্ৰক্ৰিয়া এটা সংজ্ঞায়িত কৰাৰ পদক্ষেপ আছে। কিন্তু নিৰাপত্তা-নিৰাপত্তাক আনুষ্ঠানিক কৰাৰ এই প্ৰচেষ্টাসমূহ নিৰাপদ আৰু সুৰক্ষিত ব্যৱস্থা প্ৰণয়ন কৰিবলৈ পৰ্যাপ্ত হ বনে? যেতিয়া কোনোবাই সুৰক্ষিত আৰু নিৰাপদ ব্যৱস্থা গঢ়ি তোলাৰ ধাৰণা লৈ এই পথত অগ্ৰসৰ হয়, তেতিয়া তেওঁ উপলব্ধি কৰে যে সুৰক্ষিত আৰু নিৰাপদ ব্যৱস্থা উৎপাদন লাইনসমূহৰ পৰা ওলাই অহাৰ পূৰ্বেই মোকাবিলা কৰিবলগীয়া বহুতো প্ৰত্যাহ্বান, বিৰোধ, অসামঞ্জস্য, উদ্বেগ আছে। এই প্ৰবন্ধৰ উদ্দেশ্য হৈছে সমাজৰ দৃষ্টি আকৰ্ষণ কৰা আৰু আগুৱাই যোৱাৰ পথৰ পৰামৰ্শ দিয়া। |
a608bd857a131fe0d9e10c2219747b9fa03c5afc | আধুনিক অটোমোবাইলবোৰ কম্পিউটাৰাইজড, আৰু সেয়ে আক্ৰমণৰ বাবে সম্ভাব্যভাৱে স্পৰ্শকাতৰ। অৱশ্যে, পূৰ্বৰ গৱেষণাই দেখুৱাইছে যে কিছুমান আধুনিক গাড়ীৰ ভিতৰৰ আভ্যন্তৰীণ নেটৱৰ্ক অনিশ্চিত, ইয়াৰ সৈতে জড়িত ভাবুকি মডেল - পূৰ্বৱৰ্তী শাৰীৰিক প্ৰৱেশৰ প্ৰয়োজন - ন্যায়সঙ্গতভাৱে অবাস্তৱ বুলি বিবেচিত হৈছে। সেয়ে, গাড়ীসমূহো দূৰৱৰ্তী আপোচৰ বাবে সংবেদনশীল হ ব পাৰে নেকি সেয়া এটা মুকলি প্ৰশ্ন হৈয়ে আছে। আমাৰ গৱেষণাত আধুনিক গাড়ীৰ বাহ্যিক আক্ৰমণ পৃষ্ঠৰ বিশ্লেষণৰ দ্বাৰা এই প্ৰশ্নটো বিশ্ৰামৰ বাবে বিচৰা হৈছে। আমি আৱিষ্কাৰ কৰিছোঁ যে দূৰৱৰ্তী শোষণ বিস্তৃত পৰিসৰৰ আক্ৰমণ ভেক্টৰৰ জৰিয়তে সম্ভৱপৰ (যন্ত্ৰৰ যন্ত্ৰ, চিডি প্লেয়াৰ, ব্লুটুথ আৰু চেলুলাৰ ৰেডিঅ কে ধৰি) আৰু তদুপৰি, বেতাৰ যোগাযোগ চেনেলসমূহে দূৰৱৰ্তী যান-বাহন নিয়ন্ত্ৰণ, অৱস্থান ট্ৰেকিং, কেবিনৰ ভিতৰত অডিঅ এক্সফিল্ট্ৰেশ্যন আৰু চুৰিৰ অনুমতি দিয়ে। শেষত, আমি অটোমোবাইল ইক ছিষ্টেমৰ গাঁথনিগত বৈশিষ্ট্যৰ বিষয়ে আলোচনা কৰিম যিয়ে এনে সমস্যা সৃষ্টি কৰে আৰু সেইবোৰ হ্ৰাস কৰাৰ ক্ষেত্ৰত ব্যৱহাৰিক প্ৰত্যাহ্বানসমূহ আলোকপাত কৰিম। |
cdbb46785f9b9acf8d03f3f8aba58b201f06639f | অটোমোটিভ চিষ্টেমৰ তথ্য-প্ৰযুক্তি সুৰক্ষা গৱেষণাৰ এক বিকশিত ক্ষেত্ৰ। বৰ্তমান পৰিস্থিতি আৰু উদ্ভৱ হোৱা ভাবুকিৰ সম্ভাৱ্য বৰ্ধিত প্ৰৱণতা বিশ্লেষণ কৰিবলৈ আমি সাম্প্ৰতিক অটোমোবাইল প্ৰযুক্তিৰ ওপৰত কেতবোৰ ব্যৱহাৰিক পৰীক্ষা কৰিছিলো। CAN বাছ প্ৰযুক্তিৰ ওপৰত আধাৰিত অটোমোটিভ চিষ্টেমৰ ওপৰত গুৰুত্ব দি, এই প্ৰবন্ধত উইণ্ডো লিফ্ট, সতৰ্কবাণী লাইট আৰু এয়াৰবেগ নিয়ন্ত্ৰণ ব্যৱস্থাৰ লগতে কেন্দ্ৰীয় গেটৱে ৰ নিয়ন্ত্ৰণ ব্যৱস্থাৰ ওপৰত কৰা চাৰিটা নিৰ্বাচিত পৰীক্ষাৰ ফলাফল সংক্ষিপ্ত কৰা হৈছে। এই ফলাফলসমূহ এই প্ৰবন্ধত চিইআৰটি শ্ৰেণীবিভাজন আৰু অন্তৰ্নিহিত সুৰক্ষা দুৰ্বলতা আৰু বিশেষকৈ, সম্ভাব্য সুৰক্ষা প্ৰভাৱৰ বিশ্লেষণ ব্যৱহাৰ কৰি এই চাৰিটা আক্ৰমণৰ দৃশ্যপটৰ শ্ৰেণীবিভাজনৰ দ্বাৰা পৰিপূৰিত কৰা হৈছে। এই পৰীক্ষাৰ ফলাফলৰ সন্দৰ্ভত, এই প্ৰবন্ধত আমি আমাৰ পৰীক্ষাত ব্যৱহাৰ কৰা মৌলিক দুৰ্বলতাৰ সমাধানৰ বাবে দুটা নিৰ্বাচিত প্ৰতিৰোধৰ বিষয়ে আলোচনা কৰিম। এইবোৰ হ ল- অনুপ্ৰৱেশ চিনাক্তকৰণ (তিনটা উদাহৰণমূলক চিনাক্তকৰণ পদ্ধতিৰ আলোচনা) আৰু আইটি-ফৰেন্সিক ব্যৱস্থা (ফৰেন্সিক মডেলৰ ওপৰত ভিত্তি কৰি প্ৰতিক্ৰিয়াশীল ব্যৱস্থা প্ৰস্তাৱ) । এই প্ৰবন্ধত পূৰ্বতে প্ৰৱৰ্তন কৰা চাৰিটা আক্ৰমণৰ দৃশ্যপটলৈ লক্ষ্য কৰি, তেওঁলোকৰ ক্ষমতা আৰু সীমাবদ্ধতাক সামৰি লৈ আলোচনা কৰা হৈছে। যদিও এই প্ৰতিক্ৰিয়াশীল পদ্ধতিবোৰ হ ল স্বল্পকালীন ব্যৱস্থা, যি ইতিমধ্যে অটোমোবাইলৰ আইটি স্থাপত্যত যোগ কৰিব পাৰি, দীৰ্ঘকালীন ধাৰণাও শীঘ্ৰে প্ৰৱৰ্তন কৰা হ ব, যি মূলতঃ প্ৰতিৰোধমূলক কিন্তু এক গুৰুত্বপূৰ্ণ পুনৰ ডিজাইনৰ প্ৰয়োজন হ ব। এই প্ৰবন্ধত আমি সংশ্লিষ্ট গৱেষণা পদ্ধতিসমূহৰ বিষয়ে চমুকৈ আলোচনা কৰিম আৰু ইয়াৰ প্ৰয়োজনীয়তা, সম্ভাৱনা আৰু সীমাবদ্ধতা সম্পৰ্কে আলোচনা কৰিম। & 2010 এলেছভিয়াৰ লিমিটেড সকলো অধিকাৰ সংৰক্ষিত। |
13b44d1040bf8fc1edb9de23f50af1f324e63697 | আমি এট্ৰিবিউট-গাইডেড ফেচ জেনেৰেচনত আগ্ৰহী: এটা নিম্ন-ৰিজ ল্যুশ্যন ফেচ ইনপুট ইমেজ, এটা এট্ৰিবিউট ভেক্টৰ দিয়া হৈছে যিটো উচ্চ-ৰিজ ল্যুশ্যন ইমেজৰ পৰা আহৰণ কৰিব পাৰি (এট্ৰিবিউট ইমেজ), আমাৰ নতুন পদ্ধতিয়ে নিম্ন-ৰিজ ল্যুশ্যন ইনপুটৰ বাবে এটা উচ্চ-ৰিজ ল্যুশ্যন ফেচ ইমেজ সৃষ্টি কৰে যিটো প্ৰদান কৰা এট্ৰিবিউটসমূহক সন্তুষ্ট কৰে। এই সমস্যা সমাধানৰ বাবে আমি চাইকেলগানক চৰ্তযুক্ত কৰি দিছো আৰু চৰ্তযুক্ত চাইকেলগান প্ৰস্তাৱ দিছো, যিটো 1) অবিবাহিত প্ৰশিক্ষণ তথ্য পৰিচালনা কৰিবলৈ ডিজাইন কৰা হৈছে কিয়নো প্ৰশিক্ষণৰ নিম্ন/উচ্চ-ৰিজ লিউছন আৰু উচ্চ-ৰিজ লিউছন বৈশিষ্টৰ ছবিসমূহ পৰস্পৰে সৈতে সমন্বয় কৰিব নোৱাৰে, আৰু 2) ইনপুট বৈশিষ্টৰ জৰিয়তে উৎপন্ন মুখৰ উপস্থিতিৰ সহজ নিয়ন্ত্ৰণ কৰিবলৈ অনুমতি দিয়ে। আমি বৈশিষ্ট্য-নিৰ্দেশিত চৰ্তযুক্ত চাইকেলগানত উচ্চ মানৰ ফলাফল প্ৰদৰ্শন কৰো, যিয়ে ব্যৱহাৰকাৰীৰ যোগান ধৰা বৈশিষ্ট্যৰ দ্বাৰা সহজেই নিয়ন্ত্ৰিত চেহেৰাৰ সৈতে বাস্তৱিক মুখৰ ছবি সংহতি কৰিব পাৰে (যেনে, লিংগ, মেকআপ, চুলিৰ ৰং, চশমা) । প্ৰতীক প্ৰতিচ্ছবিক পৰিচয় হিচাপে ব্যৱহাৰ কৰি সংশ্লিষ্ট চৰ্তযুক্ত ভেক্টৰটো সৃষ্টি কৰা আৰু এটা মুখ প্ৰমাণীকৰণ নেটৱৰ্ক অন্তৰ্ভুক্ত কৰি, পৰিচয়-চালিত নেটৱৰ্ক পৰিচয়-চালিত চৰ্তযুক্ত চাইকেলগান হৈ পৰে যি পৰিচয়ৰ স্থানান্তৰক লৈ উচ্চ মানৰ আৰু আকৰ্ষণীয় ফলাফল সৃষ্টি কৰে। আমি পৰিচয়-চালিত চৰ্তযুক্ত চাইকেলগানৰ তিনিটা প্ৰয়োগ প্ৰদৰ্শন কৰিছোঃ পৰিচয়-সংৰক্ষণ কৰা মুখৰ অতি-উত্তৰ, মুখৰ আদান-প্ৰদান, আৰু সন্মুখৰ মুখৰ প্ৰজন্ম, যিয়ে আমাৰ নতুন পদ্ধতিৰ সুবিধাটো ধাৰাবাহিকভাৱে প্ৰদৰ্শন কৰে। |
8a7b0520de8d9af82617bb13d7aef000aae26119 | ডুৱেল-বেণ্ড অৰ্থ মোড ট্ৰেন্সডুচাৰ (OMT) উপাদানসমূহ ডিজাইন কৰিবলৈ সাধাৰণীকৃত এডমিটেনছ মেট্ৰিকছ আৰু সাধাৰণীকৃত বিচ্ছিন্নতা মেট্ৰিকছৰ সহায়ত মিশ্ৰিত চৰিত্ৰকৰণৰ প্ৰস্তাৱ দিয়া হৈছে। এই পদ্ধতিৰ ওপৰত ভিত্তি কৰি সঠিক আৰু দক্ষ ফুলৱেভ বিশ্লেষণ ছফ্টৱেৰ বিকশিত কৰা হৈছে। উন্নত ছফ্টৱেৰ ব্যৱহাৰ কৰি উচ্চ প্ৰদৰ্শনৰ সৈতে ক্যু বেণ্ডত এটা দ্বৈত ফ্ৰেক্সিং OMT সম্পূৰ্ণৰূপে ডিজাইন কৰা হৈছে। সংখ্যাসূচক আৰু পৰীক্ষামূলক ফলাফলৰ মাজত ভাল সমঞ্জসে ডিজাইন প্ৰক্ৰিয়াটো বৈধতা দিয়ে। |
17168ca2262960c57ee141b5d7095022e038ddb4 | স্মাৰ্ট ডিভাইচ আৰু পৰিধানযোগ্য ছেন্সৰৰ পৰা কাৰ্যকলাপ চিনাক্তকৰণ হৈছে এক সক্ৰিয় গৱেষণা ক্ষেত্ৰ, কাৰণ স্মাৰ্ট ডিভাইচসমূহৰ ব্যাপক গ্ৰহণযোগ্যতা আৰু ই তেওঁলোকৰ দৈনন্দিন জীৱনত মানুহক সহায় কৰিবলৈ প্ৰদান কৰা লাভালাভ। সূক্ষ্ম-কণাযুক্ত আদিম কাৰ্যকলাপ স্বীকৃতিৰ বাবে উপলব্ধ ডাটা ছেটৰ বহুতো লোকেম চন বা ক্ৰীড়া কাৰ্যকলাপত গুৰুত্ব দিয়ে আৰু বাস্তৱ-বিশ্বৰ দৈনন্দিন আচৰণত কম গুৰুত্ব দিয়ে। এই প্ৰবন্ধত বাস্তৱিক অপৰিবৰ্তিত ৰন্ধনশালাৰ পৰিৱেশত কাৰ্যকলাপ চিনাক্তকৰণৰ বাবে এটা নতুন ডাটা ছেট উপস্থাপন কৰা হৈছে। ১০ জন সাধাৰণ অংশগ্ৰহণকাৰীৰ পৰা স্মাৰ্ট ঘড়ী ব্যৱহাৰ কৰি তথ্য সংগ্ৰহ কৰা হৈছিল, যেতিয়া তেওঁলোকে এক অপৰূপা ভাড়া কৰা পাকঘৰত খাদ্য প্ৰস্তুত কৰিছিল। এই কাগজত এই ডাটা ছেটৰ বিভিন্ন শ্ৰেণীবিভাগৰ বাবে বেছলাইন পাৰফৰমেন্স মাপকাঠীও প্ৰদান কৰা হৈছে। তদুপৰি, এটা গভীৰ বৈশিষ্ট্যযুক্ত শিকন প্ৰণালী আৰু অধিক পৰম্পৰাগত পৰিসংখ্যাগত বৈশিষ্ট্য ভিত্তিক পদ্ধতিৰ তুলনা কৰা হৈছে। এই বিশ্লেষণে দেখুৱায় যে - সকলো মূল্যায়ন চৰ্তৰ বাবে - তথ্য-চালিত বৈশিষ্ট্য শিকন শ্ৰেণীবিভাজকক হস্তনিৰ্মিত বৈশিষ্টৰ তুলনাত শ্ৰেষ্ঠ প্ৰদৰ্শন লাভ কৰিবলৈ অনুমতি দিয়ে। |
62a6cf246c9bec56babab9424fa36bfc9d4a47e8 | আমি কম্পিউটাৰক কেনেকৈ স্বয়ংক্ৰিয়ভাৱে প্ৰশ্নৰ উত্তৰ দিব পাৰিম যেনে "হেৰী পটাৰ চৰিত্ৰটো কোনে সৃষ্টি কৰিছিল"? সাৱধানে গঢ়ি উঠা জ্ঞান আধাৰসমূহে তথ্যৰ সমৃদ্ধ উৎস প্ৰদান কৰে। অৱশ্যে, এটা প্ৰশ্নৰ বহুতো অভিব্যক্তিৰ বাবে প্ৰাকৃতিক ভাষাত উত্থাপিত হোৱা প্ৰশ্নৰ উত্তৰ দিয়াটো এটা প্ৰত্যাহ্বান হৈয়ে ৰৈছে। বিশেষকৈ, আমি সৰ্বাধিক সাধাৰণ প্ৰশ্নৰ ওপৰত গুৰুত্ব দিওঁ - যিবোৰ জ্ঞানৰ আধাৰত এটা একক তথ্যৰ সৈতে উত্তৰ দিব পাৰি। আমি CFO, এটা কণ্ডিচনেল ফ কাছড নিউৰ ল নেটৱৰ্ক-ভিত্তিক পদ্ধতিৰ প্ৰস্তাৱ দিছো যিয়ে জ্ঞানৰ আধাৰৰে ফেক্ট য়েড প্ৰশ্নৰ উত্তৰ দিব। আমাৰ পদ্ধতিয়ে প্ৰথমে প্ৰশ্নৰ ভিতৰত জুম কৰি অধিক সম্ভাৱ্য প্ৰাৰ্থী বিষয়ৰ উল্লেখ বিচাৰি পায় আৰু এক একীকৃত চৰ্তযুক্ত সম্ভাৱ্যতাৰ ফ্ৰেমৱৰ্কৰে চূড়ান্ত উত্তৰবোৰ অনুমান কৰে। গভীৰ ঘন ঘন স্নায়ু নেটৱৰ্ক আৰু স্নায়ু এম্বেডিংৰ দ্বাৰা চালিত, আমাৰ প্ৰস্তাৱিত চিএফঅ ই ১০৮,০০০ প্ৰশ্নৰ ডাটা ছেটত ৭৫.৭% সঠিকতা অৰ্জন কৰে - বৰ্তমানলৈকে সৰ্ববৃহৎ ৰাজহুৱা এক। ই বৰ্তমানৰ অত্যাধুনিক প্ৰযুক্তিৰ তুলনাত ১১.৮% অধিক ভাল। |
7bbacae9177e5349090336c23718a51bc94f6bfc | আমি ভৌগোলিক অৱস্থান তথ্যৰ সৈতে ষ্ট্ৰিট ছাইড ছবিৰ ডাটাবেছ ব্যৱহাৰ কৰি এটা কোৱাৰি ইমেজত দেখুওৱা স্থান চিনাক্ত কৰিবলৈ চেষ্টা কৰোঁ। অনুসন্ধান আৰু ডাটাবেছৰ ইমেজসমূহৰ মাজত স্কেল, ভিউপইণ্ট আৰু আলোকসজ্জাৰ পৰিৱৰ্তনৰ বাবে ই এক কঠিন কাম। স্থান চিনাক্তকৰণৰ এটা প্ৰধান সমস্যা হ ল গছ বা পথ চিহ্নৰ দৰে বস্তুৰ উপস্থিতি, যি ডাটাবেছত সঘনাই দেখা যায় আৰু সেয়ে বিভিন্ন ঠাইৰ মাজত গুৰুত্বপূৰ্ণ বিভ্ৰান্তিৰ সৃষ্টি কৰে। মূল অৱদান হিচাপে আমি দেখুৱাম যে কেনেকৈ কিছুমান বিশেষ স্থানৰ বিভ্ৰান্তিকৰ দিশসমূহ পৰিহাৰ কৰিব পাৰি। এই ক্ষেত্ৰত আমি জ অ টেগ ব্যৱহাৰ কৰি ডাটাবেছৰ ছবিসমূহ নিৰীক্ষণ কৰিব পাৰো। আমি বিভ্ৰান্তিকৰ বৈশিষ্ট্যৰ ছবি-নিৰ্দিষ্ট আৰু স্থানিকভাৱে-স্থানীয় গোটসমূহৰ স্বয়ংক্ৰিয় আৱিষ্কাৰৰ বাবে এটা পদ্ধতি বিকাশ কৰো, আৰু প্ৰদৰ্শন কৰোঁ যে সেইবোৰ দমন কৰিলে ডাটাবেছৰ আকাৰ হ্ৰাস কৰাৰ সময়ত স্থান স্বীকৃতিৰ কাৰ্যক্ষমতা উল্লেখযোগ্যভাৱে উন্নত হয়। আমি দেখুৱাম যে পদ্ধতিটো কোৱাৰী সম্প্ৰসাৰণকে ধৰি অত্যাধুনিক বেগ-অফ-ফিচাৰ মডেলৰ সৈতে ভালদৰে সংযুক্ত হয়, আৰু স্থান স্বীকৃতি প্ৰদৰ্শন কৰে যি বিস্তৃত পৰিসৰৰ দৃষ্টিকোণ আৰু আলোক পৰিস্থিতিত সাধাৰণীকৰণ কৰে। ফলাফলসমূহ গুগল ষ্ট্ৰীট ভিউৰ পৰা ডাউনলোড কৰা পেৰিছৰ ১৭,০০০ ৰো অধিক ছবিৰ জিঅ টেগযুক্ত ডাটাবেছত দেখুওৱা হৈছে। |
d72b366e1d45cbcddfe5c856b77a2801d8d0c11f | বৰ্তমানৰ নিউৰেল অৰ্থবিজ্ঞান বিশ্লেষকবোৰে মূলতঃ এটা ক্ৰম এনকোডাৰ, অৰ্থাৎ, এটা ক্ৰমিক LSTM, ব্যৱহাৰ কৰে শব্দৰ আদেশৰ বৈশিষ্টবোৰ আহৰণ কৰিবলৈ, অন্য মূল্যবান সিনটাক্স তথ্য যেনে নিৰ্ভৰশীলতা গ্ৰাফ বা গঠনকাৰী গছ উপেক্ষা কৰি। এই প্ৰবন্ধত আমি প্ৰথমে তিনি ধৰণৰ সিন্টেক্টিকেল তথ্যৰ প্ৰতিনিধিত্ব কৰিবলৈ সিন্টেক্টিকেল গ্ৰাফ ব্যৱহাৰ কৰাৰ প্ৰস্তাৱ দিছো, অৰ্থাৎ শব্দৰ ক্ৰম, নিৰ্ভৰশীলতা আৰু সমষ্টিৰ বৈশিষ্ট্য। আমি আৰু এটা গ্ৰাফ-টু-চিউন্স মডেল ব্যৱহাৰ কৰো যাতে সিনটাক্সিক গ্ৰাফ এনকোড কৰিব পাৰি আৰু তাৰ পিছত লজিক্যাল ফৰ্ম ডিক ড কৰিব পাৰি। বেঞ্চমাৰ্ক ডাটা ছেটৰ পৰীক্ষামূলক ফলাফলৰ পৰা দেখা গৈছে যে আমাৰ মডেলটো জবছ৬৪০, এটিআইএছ আৰু জিঅ৮৮০ৰ অত্যাধুনিক মডেলৰ সৈতে তুলনা কৰিব পাৰি। বিৰোধী উদাহৰণসমূহৰ পৰীক্ষামূলক ফলাফলবোৰে প্ৰমাণ কৰে যে অধিক সিনটাক্স তথ্য এনকোডিং কৰি মডেলৰ দৃঢ়তাও উন্নত কৰা হয়। |
32cde90437ab5a70cf003ea36f66f2de0e24b3ab | জটিল নগৰীয়া পথৰ দৃশ্যৰ চাক্ষুষ উপলব্ধি হৈছে বিস্তৃত প্ৰয়োগৰ বাবে এক সক্ৰিয় কাৰক। বিশেষকৈ গভীৰ শিক্ষণৰ ক্ষেত্ৰত বৃহৎ পৰিসৰৰ তথ্যৰ পৰা বস্তু চিনাক্তকৰণত যথেষ্ট লাভ হৈছে। অৰ্থপূৰ্ণ নগৰীয়া দৃশ্যৰ বুজাবুজিৰ বাবে, অৱশ্যে, কোনো বৰ্তমানৰ ডাটাছেটে প্ৰকৃত বিশ্বৰ নগৰীয়া দৃশ্যৰ জটিলতাক পৰ্যাপ্তভাৱে ধৰা নপৰে। ইয়াৰ সমাধানৰ বাবে, আমি চিটিস্কেপ, এটা বেঞ্চমাৰ্ক চুইট আৰু ডাঙৰ স্কেল ডাটাছেট প্ৰৱৰ্তন কৰিছো পিক্সেল-স্তৰ আৰু ইনষ্টেন্স-স্তৰ অৰ্থপূৰ্ণ লেবেলিংৰ বাবে পদ্ধতিসমূহ প্ৰশিক্ষণ আৰু পৰীক্ষা কৰিবলৈ। চিটীস্কেপসমূহ ৫০ খন বিভিন্ন চহৰৰ ৰাস্তাত ৰেকৰ্ড কৰা বৃহৎ আৰু বিভিন্ন ষ্টেৰ ইঅ ভিডিঅ ক্ৰমৰ দ্বাৰা গঠিত। এই ছবিসমূহৰ ৫০০০টা ছবিৰ উচ্চ মানৰ পিক্সেল পৰ্যায়ৰ টোকা আছে, ২০,০০০টা অতিৰিক্ত ছবিৰ আছে সাধাৰণ টোকা যাতে পদ্ধতিবোৰ ব্যৱহাৰ কৰিব পৰা যায় যিবোৰে বৃহৎ পৰিমাণৰ ডাটা ব্যৱহাৰ কৰে। গুৰুত্বপূৰ্ণ যে, আমাৰ প্ৰচেষ্টা পূৰ্বৰ প্ৰচেষ্টাতকৈ ডাটা ছেটৰ আকাৰ, টোকা সমৃদ্ধি, দৃশ্যৰ বৈচিত্ৰ্যতা আৰু জটিলতাৰ ক্ষেত্ৰত অধিক। আমাৰ লগত থকা অভিজ্ঞতামূলক অধ্যয়নত ডাটা ছেটৰ বৈশিষ্ট্যৰ গভীৰ বিশ্লেষণৰ লগতে আমাৰ মানদণ্ডৰ ওপৰত ভিত্তি কৰি কেইবাটাও অত্যাধুনিক পদ্ধতিৰ কাৰ্যক্ষমতা মূল্যায়ন কৰা হৈছে। |
7c5f143adf1bf182bf506bd31f9ddb0f302f3ce9 | |
ceb7784d1bebbc8e97e97cbe2b3b76bce1e708a5 | বিজনেছ ইন্টেলিজেন্স (বিআই) বৰ্তমান সময়ত সকলোৰে মুখে মুখে, কিয়নো ই ব্যৱসায়সমূহক তেওঁলোকৰ ব্যৱসায়িক অনুশীলন বিশ্লেষণ আৰু উন্নত কৰাৰ সম্ভাৱনা প্ৰদান কৰে। কিন্তু ক্ষুদ্ৰ আৰু মজলীয়া উদ্যোগসমূহে (এছএমই) প্ৰায়েই কৰ্মচাৰী, জ্ঞান বা ধনৰ দৰে সম্পদৰ অভাৱৰ বাবে বিআইৰ ইতিবাচক প্ৰভাৱসমূহ ব্যৱহাৰ কৰিব নোৱাৰে। যিহেতু ক্ষুদ্ৰ আৰু মজলীয়া উদ্যোগসমূহ ব্যৱসায়িক সংগঠনৰ এক প্ৰধান ৰূপ, এই সত্যক অতিক্ৰম কৰিব লাগিব। যিহেতু খুচুৰা উদ্যোগটো এমএছএমই শাখাৰ এক গুৰুত্বপূৰ্ণ অংশ, আমি খুচুৰা এমএছএমইৰ বাবে এটা বিআই চিষ্টেমৰ বাবে আন্তঃসংস্থানগত পদ্ধতিৰ প্ৰস্তাৱ দিছো, যিটোৱে তেওঁলোকক সহযোগিতামূলকভাৱে তথ্য সংগ্ৰহ কৰিবলৈ আৰু বিশ্লেষণৰ কাম সম্পাদন কৰিবলৈ অনুমতি দিয়ে। আমাৰ চলিত গৱেষণা প্ৰচেষ্টাৰ লক্ষ্য হৈছে ডিজাইন বিজ্ঞান গৱেষণা পদ্ধতি অনুসৰণ কৰি এনে এটা প্ৰণালীৰ বিকাশ। এই প্ৰবন্ধত, খুচুৰা উদ্যোগৰ ক্ষুদ্ৰ আৰু মজলীয়া উদ্যোগৰ বৰ্তমানৰ BI অনুশীলনৰ স্থিতি বিশ্লেষণ কৰা হৈছে দহটা ক্ষুদ্ৰ আৰু মজলীয়া উদ্যোগৰ মেনেজাৰসকলৰ সৈতে গুণগত সাক্ষাৎকাৰৰ জৰিয়তে। তাৰ পিছত, বিআই ব্যৱস্থা আৰু আন্তঃসংস্থাপন তথ্য ব্যৱস্থাৰ গ্ৰহণ আৰু সফলতাৰ কাৰকসমূহ এক বিস্তৃত সুসংগঠিত সাহিত্য পৰ্যালোচনাৰ জৰিয়তে নিৰ্ণয় কৰা হয়। স্থিতি আৰু গ্ৰহণ আৰু সফলতাৰ কাৰকসমূহৰ আধাৰত আন্তঃসংস্থাপনীয় বিআই চিষ্টেমৰ গ্ৰহণৰ বাবে প্ৰথম প্ৰয়োজনীয়তাসমূহ চিনাক্ত কৰা হয় আৰু আন এক গুণগত সাক্ষাৎকাৰৰ জৰিয়তে বৈধতা প্ৰদান কৰা হয়। ইয়াৰ ফলত ৯ টা কাৰ্য্যকৰী প্ৰয়োজনীয়তা আৰু ৩ টা অ-কাৰ্যকৰী প্ৰয়োজনীয়তা আহি পৰে, যিবোৰ নিম্নোক্ত গৱেষণা প্ৰচেষ্টাৰ ক্ষেত্ৰত এমএছএমইৰ বাবে আন্তঃসংস্থাপন বিআই প্ৰণালীৰ ডিজাইন আৰু প্ৰয়োগৰ বাবে ব্যৱহাৰ কৰিব পাৰি। |
43e33e80d74205e860dd4b8e26b7c458c60e201a | আমি দেখুৱাম যে (অৱশিষ্ট) কোৱলুশ্যনেল নিউৰেল নেটৱৰ্ক (চিএনএন) ৰ আউটপুটটো ওজন আৰু পক্ষপাতৰ ওপৰত উপযুক্ত পূৰ্বৰ সৈতে অসীম সংখ্যক কোৱলুশ্যনেল ফিল্টাৰৰ সীমাত গাউছীয়ান প্ৰক্ৰিয়া (জিপি) হয়, ঘন নেটৱৰ্কৰ বাবে একেধৰণৰ ফলাফল সম্প্ৰসাৰিত কৰে। এটা CNN ৰ বাবে, সমতুল্য কার্নেলটো সঠিকভাৱে গণনা কৰিব পাৰি আৰু গভীৰ কার্নেলৰ বিপৰীতে, ইয়াত অতি কম পৰিমাপক থাকেঃ কেৱল মূল CNN ৰ হাইপাৰপাৰমেটাৰ। তদুপৰি, আমি দেখুৱাম যে এই কাৰ্ণেলৰ দুটা বৈশিষ্ট্য আছে যি ইয়াক দক্ষতাৰে গণনা কৰিবলৈ অনুমতি দিয়ে; এটা জোপা ছবিৰ বাবে কাৰ্ণেলৰ মূল্যায়নৰ ব্যয় মূল CNN ৰ জৰিয়তে কেৱল এটা ফিল্টাৰ প্ৰতি স্তৰৰ সৈতে একে। ৩২-স্তৰীয় ৰিজনেটৰ সমতুল্য কার্নেলে এমএনআইএছটি-ত ০.৮৪% শ্ৰেণীবিভাজনৰ ভুল পায়, যিটো তুলনামূলক সংখ্যক পৰিমাপৰ সৈতে জিপিৰ বাবে এক নতুন অভিলেখ। 1 ৰ পৰা |
1e38c680492a958a2bd616a9a7121f905746a37e | বিটকয়েন প্ৰণালী (https://bitcoin.org) হৈছে এটা ছ্যুড -অনামী মুদ্ৰা যি ব্যৱহাৰকাৰীক যিকোনো বাস্তৱ জগতৰ পৰিচয়ৰ পৰা পৃথক কৰিব পাৰে। সেই পৰিপ্ৰেক্ষিতত, ভার্চুয়েল আৰু ফিজিকেল বিভাজনৰ সফল ভংগই বিট-কয়েন ব্যৱস্থাত এক উল্লেখযোগ্য অ উ (aw) প্ৰতিনিধিত্ব কৰে [1]। এই প্ৰকল্পত আমি দেখুৱাম যে বিটকয়েনৰ লেনদেনৰ আঁৰত থকা প্ৰকৃত ব্যৱহাৰকাৰীৰ বিষয়ে তথ্য কেনেকৈ আহৰণ কৰিব পাৰি। আমি ৰাজহুৱাভাৱে উপলব্ধ তথ্য বিশ্লেষণ কৰো। বিশেষকৈ, আমি ব্যৱহাৰকাৰীৰ ব্যয়ৰ অভ্যাস পৰীক্ষা কৰি বিটকইন ব্যৱহাৰকাৰীৰ ভৌতিক অৱস্থান সম্পৰ্কে তথ্য নিৰ্ধাৰণ কৰাত গুৰুত্ব দিওঁ। |
2c0a239caa3c2c590e4d6f23ad01c1f77adfc7a0 | |
5f6d9b8461a9d774da12f1b363eede4b7088cf5d | পূৰ্বৰ গৱেষণাৰ ফলাফলত দেখা গৈছিল যে UHF প্যাছিভ CMOS RFID টেগবোৰে -২০ ডিবিএমতকৈ কম সংবেদনশীলতা লাভ কৰাত অসুবিধা পাইছিল। এই প্ৰবন্ধত এটা ডাবল-চ্যানেল ১৫ বিট UHF প্যাছিভ CMOS RFID টেগ প্ৰট টাইপ উপস্থাপন কৰা হৈছে যি -২০ ডিবিএমতকৈ কম সংবেদনশীলতাত কাম কৰিব পাৰে। প্ৰস্তাৱিত টেগ চিপটোৱে শক্তি সংগ্ৰহ কৰে আৰু ইটিএছআইৰ বাবে ৮৬৬.৪ মেগাহাৰ্টজ (ETSI) বা এফচিচিৰ বাবে ৯২৫ মেগাহাৰ্টজ (FCC) চেনেলত আপলিংক ডাটা বিসৰ্জন কৰে আৰু ৪৩৩ মেগাহাৰ্টজ চেনেলত ডাউনলিংক ডাটা গ্ৰহণ কৰে। ফলস্বৰূপে, ডাউনলিংকৰ ডাটা প্ৰচাৰটোৱে আমাৰ টেগক আৰ এফ এনাৰ্জী আহৰণ কৰাৰ পৰা বিঘ্নিত নকৰে। সংগ্ৰহ কৰা শক্তিৰ কাৰ্য্যকৰী ব্যৱহাৰৰ বাবে আমি এটা টেগ চিপ ডিজাইন কৰো য ত নিয়ন্ত্ৰক বা ভিচিঅ অন্তৰ্ভুক্ত নহয় যাতে সংগ্ৰহ কৰা শক্তি সম্পূৰ্ণৰূপে তথ্য গ্ৰহণ, প্ৰক্ৰিয়া আৰু বিৱৰ্তন কাৰ্য্যত ব্যৱহাৰ হয়। নিয়ন্ত্ৰক অবিহনে, আমাৰ টেগটোৱে ৰিচিভাৰৰ ফ্ৰণ্ট এণ্ডত যিমান সম্ভৱ কম সক্ৰিয় এনালগ চাৰ্কিট ব্যৱহাৰ কৰে। তাৰ পৰিৱৰ্তে, আমাৰ টেগটোৱে প্ৰাপ্ত তথ্য ডিক ড কৰিবলৈ এটা নতুন ডিজিটেল চাৰ্কিট ব্যৱহাৰ কৰে। ভিচিঅ অবিহনে, আমাৰ টেগৰ ডিজাইনে ডাউনলিংক ডাটাৰ পৰা প্ৰয়োজনীয় ক্লক চিগনেলটো আহৰণ কৰিব পাৰে। পৰিমাপৰ ফলাফলৰ পৰা দেখা গৈছে যে প্ৰস্তাৱিত প্যাছিভ টেগ চিপৰ সংবেদনশীলতা -21.2 ডিচিএম পৰ্যন্ত হ ব পাৰে। এই ফলাফলটো ৩৬-ডিবিএম ইআইআৰপি আৰু ০.৪-ডিবিআই টেগ এণ্টেনাৰ লাভৰ অধীনত ১৯.৬ মিটাৰ ৰিডাৰ-টু-টেগ দূৰত্বৰ সৈতে মিলি যায়। চিপটো টিএছএমচি ০.১৮-মিঃমিঃ চিএমঅ এচ প্ৰক্ৰিয়াত নিৰ্মাণ কৰা হৈছিল। ডাই এলেকাটো হৈছে 0.958 মিমি × 0.931 মিমি। |
4991785cb0e6ee3d0b7823b59e144fb80ca3a83e | |
2f3a6728b87283ccf0f8822f7a60bca8280f0957 | সংগ্ৰহিত অনুসন্ধান হৈছে ৱেব অনুসন্ধান ফলাফলত সম্ভাব্যভাৱে একাধিক বিশেষ অনুসন্ধান সেৱা, বা উলম্বসমূহৰ পৰা ফলাফল একত্ৰিত কৰাৰ কাম। এই কামত কেৱল কোনটো শাৰীত উপস্থাপন কৰিব লাগে (সৰ্বোচ্চ পূৰ্বৰ গৱেষণাৰ ফ কাছ) অনুমান কৰাৰ প্ৰয়োজন নহয়, কিন্তু ৱেব ফলাফলৰ ক ত উপস্থাপন কৰিব লাগে (অৰ্থাৎ, ৱেব ফলাফলৰ ওপৰত বা তলত, বা তাৰ মাজত কোনো ঠাইত) অনুমান কৰাৰো প্ৰয়োজন। বহুতো উলম্বৰ পৰা ফলাফল সংগ্ৰহ কৰিবলৈ মডেল শিকাৰ সৈতে দুটা প্ৰধান প্ৰত্যাহ্বান জড়িত। প্ৰথমতে, যিহেতু ভাৰ্টিকেলসমূহে বিভিন্ন ধৰণৰ ফলাফল আহৰণ কৰে আৰু বিভিন্ন অনুসন্ধান কাৰ্য্যক সম্বোধন কৰে, বিভিন্ন ভাৰ্টিকেলসমূহৰ ফলাফল বিভিন্ন ধৰণৰ ভৱিষ্যদ্বাণীমূলক প্ৰমাণ (বা বৈশিষ্ট্য) ৰ সৈতে জড়িত। দ্বিতীয়তে, যেতিয়া এটা বৈশিষ্ট্য উলম্বসমূহত সাধাৰণ হয়, তেতিয়াও ইয়াৰ ভৱিষ্যদ্বাণীমূলকতা উলম্ব-নিৰ্দিষ্ট হ ব পাৰে। সেয়ে, উল্লম্ব ফলাফল সংগ্ৰহ কৰাৰ পদ্ধতিবোৰে উল্লম্বসমূহত এক অসংগতিপূৰ্ণ বৈশিষ্ট প্ৰতিনিধিত্ব আৰু, সম্ভাব্যভাৱে, বৈশিষ্ট আৰু প্ৰাসংগিকতাৰ মাজত এক উল্লম্ব-বিশেষ সম্পৰ্কক পৰিচালনা কৰাৰ প্ৰয়োজন। আমি ৩ টা সাধাৰণ পদ্ধতিৰ প্ৰস্তাৱ দিছো যিয়ে এই প্ৰত্যাহ্বানসমূহক বিভিন্ন ধৰণেৰে সমাধান কৰে আৰু ১৩ টা উলম্ব আৰু ১০৭০ টা প্ৰশ্নৰ সমষ্টিৰ ফলাফলৰ তুলনা কৰে। আমি দেখুৱাম যে শ্ৰেষ্ঠ পদ্ধতি হৈছে সেইবোৰ যি শিকনশীল অ্যালগৰিথমক বৈশিষ্ট্য আৰু প্ৰাসংগিকতাৰ মাজত এক উল্লম্ব-বিশেষ সম্পৰ্ক শিকিবলৈ অনুমতি দিয়ে। |
b8945cfb7ed72c0fd70263379c328b8570bd763f | |
a2770a51760a134dbb77889d5517550943ea7b81 | 2G/3G/LTE যোগাযোগৰ বাবে উচ্চ লাভৰ সৈতে এটা কমপেক্ট ডুৱেল-প লাৰেজড ডুৱেল-বেণ্ড ওমনিডাইৰেক্চনেল এণ্টেনা উপস্থাপন কৰা হৈছে, য ত দুটা হ ৰাইজান্টেল প লাৰেজ (HP) আৰু এটা উল্লম্ব প লাৰেজ (VP) উপাদান থাকে। ওপৰৰ এইচপি উপাদানটো চাৰি জোপা সংশোধিত মুদ্ৰিত চুম্বকীয়-বৈদ্যুতিক (ME) ডাইপলসমূহৰ দ্বাৰা গঠিত যি চাৰি-মুখী শক্তি বিভাজক খোৱাপানী নেটৱৰ্কৰ দ্বাৰা খোৱা হয়, আৰু আৰ্কৰ আকৃতিৰ পৰজীৱী পট্টাসমূহৰ আঠটা টুকুৰা যি বৃত্তাকাৰ মুদ্ৰিত ছাৰ্কিট বোৰ্ডৰ দুয়োফালে পৰৱৰ্তীভাৱে মুদ্ৰিত হয়। চাৰি-মুখী শক্তি বিভাজক খোৱাপানী নেটৱৰ্ক আৰু চাৰিটা ME ডাইপল প্ৰধানকৈ এটা স্থিৰ 360° ৰশ্মি পট্ৰ ন আৰু উচ্চ লাভ প্ৰদান কৰে, আনহাতে আঠটা টুকুৰা পট্ছ বেণ্ডউইডথ বঢ়াবলৈ ব্যৱহাৰ কৰা হয়। তলৰ HP উপাদানটো ওপৰৰটোৰ দৰে একে, কেৱল ইয়াৰ পেৰাচিটিক পেট্চ নাই। ভিপি উপাদানটো চাৰি জোপা শঙ্কু আকৃতিৰ পেচত থাকে। HP উপাদানৰ পৰা পৃথক, ওপৰৰ VP উপাদানে নিম্ন ফ্ৰেক্সিং বেণ্ড প্ৰদান কৰে আৰু নিম্ন VP এ উচ্চ ফ্ৰেক্সিং বেণ্ড প্ৰদান কৰে। ভিপি উপাদান আৰু এইচপি উপাদানটো কম্পেক্ট আৰু দ্বৈত-ধৰ্ষণ বৈশিষ্ট্য লাভ কৰিবলৈ উলম্বভাৱে স্থাপন কৰা হয়। পৰিমাপ কৰা ফলাফলৰ পৰা দেখা যায় যে HP দিশত প্ৰায় ২.৬ ডিবিআইৰ লাভৰ সৈতে ৩৯.৬% (0.77-1.15 গিগাহৰ্টছ) বেণ্ডউইডথ আৰু প্ৰায় ৪.৫ ডিবিআইৰ লাভৰ সৈতে ৫৫.৩% (1.66-2.93 গিগাহৰ্টছ) বেণ্ডউইডথ প্ৰাপ্ত কৰিব পাৰি, আনহাতে VP দিশত প্ৰায় ৪.৪ ডিবিআইৰ লাভৰ সৈতে ১২৮% (0.7-৩.২ গিগাহৰ্টছ) বেণ্ডউইডথ প্ৰাপ্ত কৰিব পাৰি। 20dBতকৈ ডাঙৰ পোর্ট বিচ্ছিন্নতা আৰু 2dBiৰ ভিতৰত কম লাভৰ পৰিৱৰ্তন স্তৰও প্ৰাপ্ত কৰা হয়। সেয়েহে, প্ৰস্তাৱিত এণ্টেনাটো 2G/3G/LTE ইনড ৰ যোগাযোগৰ বাবে উপযুক্ত। |
33a1ee51cc5d51609943896a95c1371538f2d017 | |
1eb0bf4b9bf04e870962b742c4fc6cb330d1235a | ব্যৱসায়িক প্ৰক্ৰিয়া পৰিচালনাৰ বিষয়ে লিখা বহুতো গ্ৰন্থত ব্যৱসায়িক প্ৰক্ৰিয়াৰ সংজ্ঞা দিয়া হৈছে আৰু সেইবোৰ সম্পৰ্কীয় ব্যৱসায়িক প্ৰক্ৰিয়াৰ মডেলৰ ওপৰত নিৰ্ভৰ কৰি সীমিত কৰা হৈছে। উৎপাদন প্ৰণালীৰ পৰা কাৰ্য্যালয়ৰ পৰিৱেশলৈ ব্যৱসায়িক প্ৰক্ৰিয়া মডেলিং প্ৰণালীৰ প্ৰগতিৰ সংক্ষিপ্ত ইতিহাস দিয়াৰ পিছত, এই কাগজত প্ৰস্তাৱ কৰা হৈছে যে বেছিভাগ সংজ্ঞা এটা প্ৰক্ৰিয়াৰ মেচিন মেটাফ ৰ টাইপৰ অনুসন্ধানৰ ওপৰত ভিত্তি কৰি প্ৰস্তুত কৰা হৈছে। এই কৌশলসমূহ প্ৰায়েই সমৃদ্ধিশালী আৰু আলোকিত হয় যদিও, এইটো পৰামৰ্শ দিয়া হৈছে যে ব্যৱসায়িক প্ৰক্ৰিয়াৰ প্ৰকৃত প্ৰকৃতি প্ৰকাশ কৰিবলৈ ইবোৰ অতি সীমিত যিটো বিকাশ আৰু আজিৰ প্ৰত্যাহ্বানমূলক পৰিৱেশত খাপ খাব লাগে। |
bc018fc951c124aa4519697f1884fd5afaf43439 | এটা বহল-ব্ৰেণ্ড সমতল এণ্টেনাৰ তাত্ত্বিক আৰু পৰীক্ষামূলক ফলাফলসমূহ উপস্থাপন কৰা হৈছে। এই এণ্টেনাই এটা বহল বেণ্ডউইডথ, নিম্ন ক্ৰছ-প লাৰেজেশ্যন স্তৰ, আৰু নিম্ন পিছলৈ বিক্ৰিয়াৰ স্তৰ লাভ কৰিব পাৰে। ব্যাপক বেণ্ডউইডথ আৰু সক্ৰিয় চাৰ্কিটৰ সৈতে সহজ সংহতিৰ বাবে, ই এপ্ৰেচাৰ-কপল্ড ষ্টেকেড স্কোয়াৰ পেচ ব্যৱহাৰ কৰে। কপলিং এপ্ৰেচাৰটো এটা H-আকৃতিৰ এপ্ৰেচাৰ। নিৰ্দিষ্ট-বৈষম্য সময়-ডোমেইন পদ্ধতিৰ আধাৰত এণ্টেনাৰ ইনপুট ইম্পেড্যান্সৰ এটা পাৰামেট্ৰিক অধ্যয়ন উপস্থাপন কৰা হৈছে আৰু এণ্টেনাৰ ইম্পেড্যান্সত প্ৰতিটো পাৰামেটাৰৰ প্ৰভাৱসমূহ দেখুওৱা হৈছে। এটা এণ্টেনাও ডিজাইন, নিৰ্মিত আৰু জোখা হয়। পৰিমাপ কৰা ৰিটাৰ্ণ লষ্টত ২১.৭% ৰ এম্পিডেন্স বেণ্ডউইডথ দেখুওৱা হৈছে। এই দুয়োটা সমতলত ক্ৰছ-প লাৰাইজেশ্যন স্তৰ ২৩ ডিচিৰ অধিক। এণ্টেনাৰ বিকিরণ পটভূমিৰ আগৰ-পিছৰ অনুপাত ২২ ডেচিবেলতকৈ ভাল। পৰামিতি আৰু ৰেডিয়েচন পট্ৰ নৰ তত্ত্বগত আৰু পৰীক্ষামূলক দুয়োটা ফলাফলৰ উপস্থাপন আৰু আলোচনা কৰা হৈছে। |
5adcac7d15ec8999fa2beb62f0ddc6893884e080 | আঙুলিৰ ছাপৰ দিশ নিৰ্ণয় কৰাটোৱে আঙুলিৰ ছাপৰ মান উন্নত কৰা, আঙুলিৰ ছাপৰ শ্ৰেণীবিভাজন আৰু আঙুলিৰ ছাপ চিনাক্তকৰণত গুৰুত্বপূৰ্ণ ভূমিকা পালন কৰে। এই প্ৰবন্ধত আঙুলিৰ আঙুলিৰ দিশ নিৰ্ণয়ৰ প্ৰাথমিক অগ্ৰগতিৰ সমালোচনামূলকভাৱে পৰ্যালোচনা কৰা হৈছে। বৰ্তমানৰ পদ্ধতিৰ সুবিধা আৰু সীমাবদ্ধতাসমূহ আলোচনা কৰা হৈছে। ভৱিষ্যতৰ বিকাশৰ বিষয়সমূহ আলোচনা কৰা হয়। কপিৰাইট © ২০১০ জন ৱাইলী এণ্ড ছনছ, লিমিটেড |
568cff415e7e1bebd4769c4a628b90db293c1717 | বিপুল সংখ্যক ভিডিঅ এতিয়া বিস্ময়কৰ হাৰত বন্দী কৰা হৈছে, কিন্তু ইয়াৰে অধিকাংশৰে লেবেল নাই। এনে তথ্যৰ সৈতে মোকাবিলা কৰিবলৈ, আমি ভিডিঅ ত কোনো মেনুৱেল লেবেলযুক্ত উদাহৰণ অবিহনে কন্টেন্ট-ভিত্তিক কাৰ্যকলাপ চিনাক্তকৰণৰ কামটো বিবেচনা কৰো, যাক শূন্য-ছট ভিডিঅ চিনাক্তকৰণ বুলিও জনা যায়। এই লক্ষ্যত উপনীত হ বলৈ, ভিডিঅ বোৰ চিনাক্ত কৰা চাক্ষুষ ধাৰণাৰ ক্ষেত্ৰত প্ৰতিনিধিত্ব কৰা হয়, যাক পিছত প্ৰদান কৰা পাঠ্য অনুসন্ধানৰ সৈতে তেওঁলোকৰ সাদৃশ্য অনুসাৰে প্ৰাসংগিক বা অপ্ৰাসংগিক হিচাপে স্ক ৰ কৰা হয়। এই প্ৰবন্ধত আমি পূৰ্বৰ কামৰ ভঙ্গুৰতা আৰু নিম্ন নির্ভুলতাৰ সমস্যাসমূহ দূৰ কৰাৰ বাবে ধাৰণাসমূহক স্ক ৰ দিয়াৰ বাবে এটা অধিক শক্তিশালী পদ্ধতিৰ প্ৰস্তাৱ দিছো। আমি কেৱল অৰ্থগত সম্পৰ্ক, চাক্ষুষ নিৰ্ভৰযোগ্যতা আৰু বৈষম্যমূলক শক্তিৰ বিষয়ে চিন্তা কৰা নাই। নিৰ্বাচিত ধাৰণাৰ ৰেংকিং স্ক ৰত শব্দ আৰু অ-ৰেখিকতা পৰিচালনা কৰিবলৈ, আমি স্ক ৰ সংযোজনৰ বাবে এক নৱম জোৰাযুক্ত অৰ্ডাৰ মেট্ৰিক্স পদ্ধতিৰ প্ৰস্তাৱ দিছো। বৃহৎ পৰিসৰৰ TRECVID মাল্টিমিডিয়া ইভেন্ট ডিটেকচন ডাটাত বিস্তৃত পৰীক্ষা-নিৰীক্ষা আমাৰ পদ্ধতিৰ উচ্চতা প্ৰদৰ্শন কৰে। |
a62ac71cd51124973ac57c87d09a3461ecbd8e61 | নিম্নতম গড় চতুৰ্থ (LMF) এলগৰিথমৰ আচৰণ বিশেষভাৱে আগ্ৰহজনক। এই এলগৰিথমক এলএমএছ এলগৰিথমৰ সৈতে তুলনা কৰি, যেতিয়া দুয়োটা ওজন শিথিলকৰণ প্ৰক্ৰিয়াৰ বাবে একেসময়তে স্থিৰতা নিৰ্ধাৰণ কৰা হয়, এলএমএফ এলগৰিথমৰ, কিছুমান পৰিস্থিতিত, এলএমএছ এলগৰিথমতকৈ যথেষ্ট কম ওজন শব্দ থাকিব। সেয়েহে, এটা সম্ভৱ যে এটা মিনিমাম মিডেন চতুৰ্থ ভুল এলগৰিথম এটা মিডেন স্কোৱাডাৰ ভুল এলগৰিথমতকৈ কম স্কোৱাডাৰ অনুমানৰ এটা ভাল কাম কৰিব পাৰে। এই কৌতূহলজনক ধাৰণাৰ সকলো ধৰণৰ অভিযোজিত এলগৰিথমৰ বাবে প্ৰভাৱ আছে, সেয়া তেওঁলোকে আটাইতকৈ তীব্ৰ অৱতৰণ বা অন্য কিবা ওপৰত ভিত্তি কৰি নিৰ্ধাৰণ কৰা হয়। নতুন তৰপীয় অৱতৰণ এলগৰিথমৰ বাবে অভিযোজিত ফিল্টাৰিং আৰু উদ্ভাৱন কৰা হৈছে যি গড় চতুৰ্থ আৰু গড় ষষ্ঠ, ইত্যাদি, অৰ্থত ত্ৰুটি হ্ৰাস কৰিবলৈ অনুমতি দিয়ে। অভিযোজনকালত, ওজনবোৰে তেওঁলোকৰ সৰ্বোত্তম সমাধানৰ দিশে এক অংকাত্মক শিথিলতা ভুগিছে। টাইম ধ্ৰুবকবোৰ আহৰণ কৰা হৈছে, আৰু আচৰিতভাৱে সেইবোৰ সময় ধ্ৰুবকবোৰৰ সৈতে সমানুপাতিক হৈ পৰে যিটো যদি ৱিড্ৰ আৰু হফৰ steepest descent least mean square (LMS) এলগৰিথম ব্যৱহাৰ কৰা হ লহেঁতেন। নতুন গ্রেডিয়েন্ট এলগৰিদমবোৰ এলএমএছ এলগৰিদমতকৈ প্ৰগ্ৰাম আৰু গণনা কৰাত অতি কম জটিল। সিহঁতৰ সাধাৰণ ৰূপ হ ল W J+l = w, t 2plqK-lx,, য ত W, বৰ্তমান ওজন ভেক্টৰ, W, + 1 পৰৱৰ্তী ওজন ভেক্টৰ, r, বৰ্তমান ত্ৰুটি, X, বৰ্তমান ইনপুট ভেক্টৰ, u হৈছে স্থিৰতা আৰু ঘনিষ্ঠতাৰ হাৰ নিয়ন্ত্ৰণ কৰা ধ্ৰুবক, আৰু 2 K হৈছে ত্ৰুটিৰ বিঘ্নন। নতুন গ্রেডিয়েন্ট এলগৰিদমৰ বাবে গড় আৰু বিভাজনৰ ওজন-ভেক্টৰৰ সংমিশ্রণৰ বাবে চৰ্তসমূহ আহৰণ কৰা হৈছে। |
5896b9299d100bdd10fee983fe365dc3bcf35a67 | এই প্ৰবন্ধত নিৰন্তৰ স্বাস্থ্য পৰ্যবেক্ষণৰ বাবে এক অনাৱশ্যকীয় ৱায়াৰলেচ ছেন্সৰ প্লেটফৰ্ম উপস্থাপন কৰা হৈছে। ছেন্সৰ চিষ্টেমত এটা লুপ এণ্টেনা, ৱায়াৰলেচ ছেন্সৰ ইণ্টাৰফেচ চিপ আৰু পলিমাৰ ছাবষ্ট্ৰেটত গ্লুক জ ছেন্সৰ সংহত কৰা হৈছে। ই চিৰ ভিতৰত বিদ্যুৎ পৰিচালনা, পাঠ্য পৰিবাহী, ৱায়াৰলেচ যোগাযোগ আন্তঃপৃষ্ঠ, এলইডি ড্ৰাইভাৰ আৰু শক্তি সঞ্চয় কণ্ডেন্সাৰ থাকে। আমাৰ গ্লুক জ ছেন্সৰৰ সংবেদনশীলতা হ ল 0.18 μA·mm-2·mM-1. এই ব্যৱস্থাটো ৱায়াৰলেছভাৱে শক্তিপ্ৰাপ্ত আৰু নিয়ন্ত্ৰিত ১.২-ভোল্টৰ যোগানৰ পৰা ৩ μW গ্ৰাস কৰাৰ সময়ত ৪০০ Hz/mM সংবেদনশীলতাৰে ০.০৫-১ mM ৰ গ্লুক জৰ পৰিমাপ পৰিসৰ লাভ কৰে। |
622c5da12c87ecc3ea8be91f79192b6e0ee559d2 | এই তাত্ত্বিক সংক্ষেপত, আমি ব্যৱহাৰকাৰীৰ অংশগ্ৰহণ আৰু জড়িতকৰণৰ ওপৰত পূৰ্বৰ গৱেষণাৰ তিনিটা পৰম্পৰা সংযুক্ত কৰিছোঃ ব্যৱহাৰকাৰীৰ অংশগ্ৰহণ আৰু IS সফলতাৰ মাজৰ সম্পৰ্ক সম্পৰ্কত জৰীপ আৰু পৰীক্ষামূলক সাহিত্য, বিকল্প বিকাশৰ পদ্ধতিৰ ওপৰত নিয়মানুৱৰ্তী সাহিত্য, আৰু গুণগত অধ্যয়নসমূহ যিবোৰে বিভিন্ন তাত্ত্বিক দৃষ্টিকোণৰ পৰা ব্যৱহাৰকাৰীৰ অংশগ্ৰহণ পৰীক্ষা কৰে। আমি এই তিনিটা সাহিত্যত কৰা অগ্ৰগতিৰ মূল্যায়ন কৰো আৰু ব্যৱহাৰকাৰীৰ অংশগ্ৰহণ উন্নত কৰিবলৈ ভৱিষ্যতৰ গৱেষণাৰ দিশ আৰু ব্যৱধানসমূহ চিনাক্ত কৰো। |
24beb987b722d4a25d3157a43000e685aa8f8874 | এই প্ৰবন্ধত এটা পৰিসংখ্যাগত মডেলৰ বিষয়ে আলোচনা কৰা হৈছে যিয়ে এটা ক ৰপাসৰ পৰা অংশৰ ভাষণ ট্যাগৰ সৈতে টীকা দিয়া হৈছে আৰু সেইবোৰক অত্যাধুনিক সঠিকতাৰ সৈতে পূৰ্বতে দেখা নোপোৱা পাঠৰ সৈতে সংযুক্ত কৰিছে। এই মডেলক এক সৰ্বোচ্চ এন্ট্ৰ পি মডেল হিচাপে শ্ৰেণীবদ্ধ কৰিব পাৰি আৰু একে সময়তে POS ট্যাগৰ ভৱিষ্যদ্বাণী কৰিবলৈ বহুতো প্ৰসংগগত বৈশিষ্ট ব্যৱহাৰ কৰে। ইয়াৰ উপৰিও এই প্ৰবন্ধত জটিল ট্যাগিং সিদ্ধান্তৰ মডেলৰ বাবে বিশেষ বৈশিষ্ট্যৰ ব্যৱহাৰৰ প্ৰমাণ কৰা হৈছে। এই বৈশিষ্টসমূহৰ প্ৰয়োগৰ সময়ত আৱিষ্কাৰ কৰা ক ৰপাসৰ ধাৰাবাহিকতাৰ সমস্যাসমূহৰ বিষয়ে আলোচনা কৰা হৈছে আৰু এই সমস্যাসমূহ হ্ৰাস কৰিবলৈ প্ৰশিক্ষণ কৌশল প্ৰস্তাৱ কৰা হৈছে। |
6a2fe560574b76994ab1148b4dae0bfb89e3a3e3 | মানৱ উপলব্ধিৰ এটা গুৰুত্বপূৰ্ণ দিশ হ ল প্ৰত্যাশা আৰু প্ৰত্যাশা কৰা কোনবোৰ কাৰ্য্যক্ৰম মানুহে পৰৱৰ্তী সময়ত কৰিব (আৰু কেনেকৈ কৰিব) বহুতো প্ৰয়োগৰ বাবে উপযোগী, উদাহৰণস্বৰূপে, প্ৰত্যাশা মানৱ পৰিবেশত সক্ৰিয় সঁহাৰিৰ বাবে আগতীয়াকৈ পৰিকল্পনা কৰিবলৈ সহায়ক ৰবটক সক্ষম কৰে। এই কামত, আমি বস্তুগত সামৰ্থৰ জৰিয়তে ধনী স্থান-সময় সম্পৰ্কসমূহৰ বিষয়ে যুক্তি দেখুৱাই বিভিন্ন সম্ভাব্য ভৱিষ্যত মানৱ কাৰ্যকলাপৰ সৃষ্টিৰ বাবে এক গঠনমূলক পদ্ধতি প্ৰদৰ্শন কৰোঁ। আমি এটা এণ্টিচিপেটেৰী টাইম ৰেল কণ্ডিচনেল ৰেণ্ডম ফিল্ড (ATCRF) ব্যৱহাৰ কৰি প্ৰতিটো সম্ভাব্য ভৱিষ্যতক প্ৰতিনিধিত্ব কৰো য ত আমি ভৱিষ্যত বস্তুৰ গতিপথ আৰু মানৱ ভংগীমাৰ সৈতে সামঞ্জস্য থকা ন ড আৰু এডজক এটা জেনেৰেটিভ মডেলৰ পৰা নমুনা লওঁ। তাৰ পিছত আমি এ টি চি আৰ এফ কণাৰ এটা সংকলন ব্যৱহাৰ কৰি সম্ভাৱ্য ভৱিষ্যতৰ ওপৰত বিতৰণ প্ৰতিনিধিত্ব কৰোঁ। CAD-120 মানৱ কাৰ্যকলাপ RGB-D ডাটাছেটত বিস্তৃত মূল্যায়নত, নতুন বিষয়ৰ বাবে (শিক্ষা ছেটত দেখা নাযায়), আমি ক্ৰমে ১,৩ আৰু ১০ ছেকেণ্ডৰ প্ৰত্যাশাৰ সময়ৰ বাবে ৭৫.৪%, ৬৯.২% আৰু ৫৮.১%ৰ এক কাৰ্যকলাপ প্ৰত্যাশাৰ সঠিকতা (প্ৰাথমিক তিনিটা ভৱিষ্যদ্বাণী প্ৰকৃততে হৈছিল নে নহয় তাৰ ওপৰত নিৰ্ভৰ কৰি নিৰ্ধাৰণ কৰা হৈছে) লাভ কৰো। 1 ৰ পৰা |
ea38789c6687e7ccb483693046fff5293e903c51 | আমি এটা বেটচ ৰেইনফ ৰ্চমেণ্ট লাৰ্ণিং (RL) এলগৰিথম প্ৰদৰ্শন কৰিছো যিটো ই প্ৰস্তাৱ কৰা প্ৰতিটো নীতিৰ গুণগত মানৰ বিষয়ে সম্ভাৱ্যতাবাদী গেৰাণ্টি প্ৰদান কৰে, আৰু যাৰ কোনো হাইপাৰ-পাৰামিটাৰ নাই যাৰ বাবে বিশেষজ্ঞৰ টুনিংৰ প্ৰয়োজন হয়। ব্যৱহাৰকাৰীয়ে যিকোনো পাৰফৰমেন্স নিম্ন-সীমাবদ্ধ, ρ− আৰু আস্থা স্তৰ, δ নিৰ্বাচন কৰিব পাৰে, আৰু আমাৰ এলগৰিথমটোৱে নিশ্চিত কৰিব যে ই এটা নীতি পিছুৱাই আহে যাৰ পাৰফৰমেন্স ρ− তলৰ হয়। তাৰ পিছত আমি এটা ইনক্ৰমেণ্টেল এলগৰিথম প্ৰস্তাৱ কৰো যি নীতিৰ উন্নতি সাধন কৰিবলৈ আমাৰ নীতিৰ উন্নতি সাধন এলগৰিথমক বাৰে বাৰে কাৰ্যকৰী কৰে। আমি আমাৰ পদ্ধতিৰ কাৰ্য্যক্ষমতা দেখুৱাব বিচাৰিছো এটা সৰল গ্ৰীড ৱৰ্ল্ড আৰু মানদণ্ড পৰ্বতীয় গাড়ী সমস্যাৰ সৈতে, লগতে এটা ডিজিটেল মাৰ্কেটিং এপ্লিকেশ্যন যি বাস্তৱ জগতৰ তথ্য ব্যৱহাৰ কৰে। |
780b05a35f2c7dd4b4d6e2a844ef5e145f1972ae | বহু-বাৰ সংলাপত, প্ৰাকৃতিক ভাষা বুজাৰ মডেলবোৰে প্ৰসংগত তথ্যৰ প্ৰতি অন্ধ হৈ স্পষ্ট ভুল প্ৰৱৰ্তন কৰিব পাৰে। সংলাপৰ ইতিহাস অন্তৰ্ভুক্ত কৰিবলৈ, আমি স্পীকাৰ-সংবেদনশীল দ্বৈত মেমৰি নেটৱৰ্কৰ সৈতে এক স্নায়ৱিক স্থাপত্য প্ৰদৰ্শন কৰো যিয়ে স্পীকাৰৰ ওপৰত নিৰ্ভৰ কৰি বিভিন্ন প্ৰকাৰে উক্তি এনকোড কৰে। ই ব্যৱস্থাৰ বাবে উপলব্ধ তথ্যৰ বিভিন্ন স্তৰৰ বিষয়ে আলোচনা কৰে - ব্যৱস্থাই ব্যৱহাৰকাৰীৰ উক্তিৰ পৃষ্ঠৰ ৰূপহে জানে যদিও ই ব্যৱস্থাৰ আউটপুটৰ সঠিক শব্দাৰ্থবিজ্ঞান আছে। আমি মাইক্ৰচফ্টৰ কৰ্টানাৰ পৰা লাভ কৰা তথ্যৰ ওপৰত পৰীক্ষা কৰিছিলো, যি হৈছে এক বাণিজ্যিক ব্যক্তিগত সহায়ক। এই ফলাফলৰ পৰা প্ৰসংগত তথ্য ব্যৱহাৰ কৰি সৰ্বাধিক উন্নত স্লট টেগিং মডেলৰ তুলনাত উল্লেখযোগ্য পাৰদৰ্শিতাৰ উন্নতি দেখা পোৱা গৈছে। |
259bbc822121df705bf3d5898ae031cd712505ea | 1মোবাইল যোগাযোগ বিভাগ, ইলেক্ট্ৰনিক ইঞ্জিনিয়াৰিং আৰু কম্পিউটাৰ বিজ্ঞান বিদ্যালয়, বাৰ্লিনৰ কাৰিকৰী বিশ্ববিদ্যালয়, বাৰ্লিন, জাৰ্মানী 2ৱায়াৰলেছ নেটৱৰ্কিং, চিগনেল প্ৰচেছিং আৰু সুৰক্ষা গৱেষণাগাৰ, ইলেক্ট্ৰনিক আৰু কম্পিউটাৰ ইঞ্জিনিয়াৰিং বিভাগ, হাউষ্টন বিশ্ববিদ্যালয়, হাউষ্টন, টিএক্স 77004, আমেৰিকা যুক্তৰাষ্ট্ৰ 3যোগাযোগ ব্যৱস্থা বিভাগ, ইলেক্ট্ৰনিক ইঞ্জিনিয়াৰিং বিভাগ (আইএছৱাই), লিংকপিং বিশ্ববিদ্যালয়, এছই-581 83 লিংকপিং, ছুইডেন 4যোগাযোগ গৱেষণাগাৰ, ইলেক্ট্ৰনিক ইঞ্জিনিয়াৰিং আৰু তথ্য প্ৰযুক্তি বিভাগ, ড্ৰেচডেন বিশ্ববিদ্যালয়ৰ প্ৰযুক্তি, 01062 ড্ৰেচডেন, জাৰ্মানী |
4eca7aa4a96300caf8622d666ecf5635d8b72132 | স্বয়ংক্ৰিয় পুনৰ্বাসন আৰু ক্ৰীড়া প্ৰশিক্ষণ ব্যৱস্থাৰ বিকাশৰ বাবে মানৱ কাৰ্যকলাপৰ সঠিক চিনাক্তকৰণ ক্ষমতা অতি প্ৰয়োজনীয়। এই প্ৰবন্ধত, এন্টাৰআৰ্ম-পিন্ধা পিন্ধিব পৰা ছেন্সৰৰ পৰা প্ৰাপ্ত বৃহৎ স্কেল ব্যায়াম গতিৰ তথ্যক কনভলুশ্যনেল নিউৰেল নেটৱৰ্ক (চিএনএন) ৰ সৈতে শ্ৰেণীবদ্ধ কৰা হৈছে। ত্বৰণমাপক আৰু অভিমুখীতা জোখাৰ পৰা পোৱা সময়-শৃংখলাৰ তথ্যসমূহক ছবি হিচাপে ফৰমেট কৰা হয়, যিটো চি এন এনক স্বয়ংক্ৰিয়ভাৱে বৈষম্যমূলক বৈশিষ্ট্যসমূহ আহৰণ কৰিবলৈ অনুমতি দিয়ে। ছবিৰ ফৰ্মেটিং আৰু বিভিন্ন চি এন এন আৰ্কিটেকচাৰৰ প্ৰভাৱৰ ওপৰত এটা তুলনামূলক অধ্যয়নও প্ৰদৰ্শন কৰা হৈছে। শ্ৰেষ্ঠ প্ৰদৰ্শনকাৰী বিন্যাসই ৫০ টা জিম অনুশীলনক ৯২.১% সঠিকতাৰে শ্ৰেণীবদ্ধ কৰে। |
1b1a829c43f1a4f3a3d70f033a1b8e7bee1f7112 | |
6abac64862f7d207cac58c6a93f75dc80d74e575 | |
5fb874a1c8106a5b2b2779ee8e1433149109ba00 | ডাটাৰ পৰা বেইচিয়ান নেটৱৰ্ক শিকাৰ বাবে এলগৰিথমৰ দুটা উপাদান আছেঃ এটা স্ক ৰিং মেট্ৰিক আৰু এটা অনুসন্ধান প্ৰক্ৰিয়া। স্ক ৰিং মেট্ৰিকত এটা স্ক ৰ গণনা কৰা হয় যিয়ে ডাটাৰ সৈতে গাঁথনিৰ ভাল-অফ-টি নিৰ্ধাৰণ কৰে। অনুসন্ধান প্ৰক্ৰিয়াটোৱে উচ্চ স্ক ৰ থকা নেটৱৰ্ক গঠন চিনাক্ত কৰিবলৈ চেষ্টা কৰে। হেকাৰমেন আৰু আনসকল। (1995) এটা বেইচিয়ান মেট্ৰিকৰ প্ৰৱৰ্তন কৰে, যাক বিডি মেট্ৰিক বোলা হয়, যি এটা নেটৱৰ্ক গঠন প্ৰদান কৰা তথ্যৰ আপেক্ষিক পিছৰ সম্ভাৱনা গণনা কৰে। এই প্ৰবন্ধত আমি দেখুৱাম যে, এটা বেইচিয়ান নেটৱৰ্ক চিনাক্ত কৰাৰ অনুসন্ধান সমস্যা, য ত প্ৰতিটো নডৰ K অভিভাৱক থাকে, য ত এটা নিৰ্দিষ্ট ধ্ৰুবকতকৈ ডাঙৰ আপেক্ষিক পিছৰ সম্ভাৱনা থাকে, যেতিয়া BDe মেট্ৰিক ব্যৱহাৰ কৰা হয় তেতিয়া ই NP-সম্পূৰ্ণ হয়। 12.1 প্ৰৱৰ্তন শেহতীয়াকৈ, বহুতো গৱেষকে বেইচিয়ান নেটৱৰ্ক শিকাৰ পদ্ধতিৰ অনুসন্ধান আৰম্ভ কৰিছে। এই পদ্ধতিসমূহৰ বহুতো একেই মৌলিক উপাদান আছেঃ এটা স্ক ৰিং মেট্ৰিক আৰু এটা অনুসন্ধান প্ৰক্ৰিয়া। স্ক ৰিং মেট্ৰিকত পৰ্যবেক্ষণ কৰা কেচ D আৰু নেটৱৰ্ক গঠন B S ৰ এটা ডাটাবেছ লোৱা হয় আৰু ডাটাটোৰ ভাল-অফ-টি প্ৰমাণ কৰি এটা স্ক ৰ প্ৰদান কৰা হয়। এটা অনুসন্ধান প্ৰক্ৰিয়াই স্ক ৰিং মেট্ৰিকৰ দ্বাৰা মূল্যায়নৰ বাবে নেটৱৰ্ক সৃষ্টি কৰে। এই পদ্ধতিবোৰে নেটৱৰ্ক গঠন বা গঠনসমূহৰ সংহতি চিনাক্ত কৰিবলৈ দুটা উপাদান ব্যৱহাৰ কৰে যি ভৱিষ্যতৰ ঘটনা বা কাৰণ-সংশয় সম্পৰ্ক অনুমান কৰিবলৈ ব্যৱহাৰ কৰিব পাৰি। কুপাৰ আৰু হাৰ্স্ক ভিটছ (১৯৯২) এ ইয়াত CH বুলি উল্লেখ কৰা এটা বেইজিয়ান মেট্ৰিক নিৰ্ণয় কৰে, যাক আমি বিডি মেট্ৰিক বুলি কওঁ, কেৱল বিচ্ছিন্ন ভৰলীয়া থকা বেইজিয়ান নেটৱৰ্ক শিকাৰ বিষয়ে যুক্তিসংগত ধাৰণাসমূহৰ এটা ছেটৰ পৰা। হেকাৰমেন আৰু আনসকল। (1995) ত উল্লেখ কৰা এইচজিচিৰ ওপৰত CHৰ কামৰ ওপৰত নিৰ্ভৰ কৰি আমি এটা নতুন মেট্ৰিক আহৰণ কৰো, যাক আমি BDe মেট্ৰিক বুলি কওঁ, যাৰ সম্ভাৱনা সমতুল্যৰ আকাংক্ষিত সম্পত্তি আছে। সম্ভাৱ্যতা সমতুল্যতা বুলিলে কয় যে তথ্যসমূহে সমতুল্য গাঁথনিৰ মাজত বৈষম্য কৰাত সহায় কৰিব নোৱাৰে। এতিয়া আমি CH ৰ দ্বাৰা আহৰণ কৰা BD মেট্ৰিকটো প্ৰদৰ্শন কৰিম। আমি B h S ব্যৱহাৰ কৰি অনুমানটো বুজাই যে B S হৈছে ডাটাবেছ সৃষ্টি কৰা বিতৰণৰ I-ম্যাপ। 2 এটা বিশ্বাস-নেটৱৰ্ক গঠন বি এছ দিয়া হ লে আমি x i ৰ অভিভাৱকক বুজাবলৈ i ব্যৱহাৰ কৰো। আমি r i ব্যৱহাৰ কৰো x i ভৰিবলীৰ অৱস্থাসমূহৰ সংখ্যা বুজাবলৈ, আৰু q i = Q x l 2 i r l ব্যৱহাৰ কৰো i ৰ উদাহৰণবোৰৰ সংখ্যা বুজাবলৈ। আমি এইসমূহক সূচীভুক্ত কৰিবলৈ সম্পূৰ্ণ সংখ্যা j ব্যৱহাৰ কৰো। অৰ্থাৎ, আমি i = j লিখি x i ৰ অভিভাৱকৰ jth উদাহৰণটোৰ পৰ্যবেক্ষণক বুজাব পাৰো। ১৯৯৬ স্প্ৰিংগাৰ-ভাৰ্লাগ। ২ এটা আছে ... |
7783fd2984ac139194d21c10bd83b4c9764826a3 | সম্ভাব্যতাবাদী পদ্ধতিৰে কম্পিউটেশ্যনেল সঁজুলিৰ ক্ষেত্ৰ সৃষ্টি কৰা। কিন্তু মই ক ব নোৱাৰিলো, বেইচিয়ান নেটৱৰ্কবোৰে সম্প্রতি ভাল কাম কৰিছে। অলপতে মই এই কিতাপখন প্ৰকাশ পাইছিলো। ইন্টেলিজেণ্ট চিষ্টেমছৰ গৱেষকসকলে এআই অপাৰেচন গৱেষণাত শ্ৰেষ্ঠত্বৰ বঁটা লাভ কৰে। মই কি হৈ আছোঁ তাৰ বিষয়ে মই চিন্তিত হৈ পৰিছোঁ। এনেদৰে ডাফ্ ণ ক লাৰ আৰু শিক্ষণ প্ৰণালীয়ে প্ৰমাণাত্মক যুক্তিৰ প্ৰমাণ কৰে। পাৰ্ল হৈছে এটা ভাষা যাৰ বাবে মই কথা ক ব পাৰো। ইয়াৰ প্ৰাৰম্ভিক প্ৰকাশৰ তাৰিখৰ সত্ত্বেও, ইয়াত শ্ৰেষ্ঠ প্ৰসংগ উল্লেখ কৰা হোৱা নাই। |
5c386d601ffcc75f7635a4a5c6066824b37b9425 | বৰ্তমান সময়ত, এটা জনপ্ৰিয় ৱেবচাইটৰ সৈতে এটা পঞ্জীয়ন ফৰ্ম বিচাৰি পোৱাটো কঠিন যিটো এটা স্বয়ংক্ৰিয় মানৱ প্ৰমাণ পৰীক্ষাৰ দ্বাৰা সুৰক্ষিত নহয় যি এটা ছবিত বৰ্ণৰ এটা ক্ৰম প্ৰদৰ্শন কৰে, আৰু ব্যৱহাৰকাৰীক এটা ইনপুট ক্ষেত্ৰত ক্ৰম প্ৰবিষ্ট কৰিবলৈ অনুৰোধ কৰে। এই সুৰক্ষা ব্যৱস্থাটো ট্যুৰিং টেষ্টৰ ওপৰত আধাৰিত- কৃত্ৰিম বুদ্ধিমত্তাৰ আটাইতকৈ পুৰণি ধাৰণাৰ এটা- আৰু ইয়াক সঘনাই কম্পিউটাৰ আৰু মানুহক পৃথক কৰিবলৈ সম্পূৰ্ণ স্বয়ংক্ৰিয় ৰাজহুৱা ট্যুৰিং পৰীক্ষা (কেপ্টচা) বুলি কোৱা হয়। এই ধৰণৰ পৰীক্ষাৰ ধাৰণা কৰা হৈছে এটা গুৰুত্বপূৰ্ণ ৱেব সম্পদলৈ স্বয়ংক্ৰিয় প্ৰৱেশ প্ৰতিৰোধ কৰিবলৈ, উদাহৰণ স্বৰূপে, এটা ৱেব মেইল সেৱা বা এটা সামাজিক নেটৱৰ্ক। বৰ্তমানে এনে ধৰণৰ শ শ পৰীক্ষা আছে, যিবোৰ প্ৰতিদিনে লাখ লাখ বাৰ কৰা হয়, যাৰ বাবে মানুহৰ বহু কাম জড়িত হৈ থাকে। আনহাতে, এই পৰীক্ষাসমূহৰ বহুতো ভংগ হৈছে, অৰ্থাৎ গৱেষক, হেকাৰ আৰু স্পামাৰসকলে প্ৰস্তুত কৰা স্বয়ংক্ৰিয় প্ৰগ্ৰামসমূহ স্বয়ংক্ৰিয়ভাৱে সঠিক উত্তৰ দিবলৈ সক্ষম হৈছে। এই অধ্যায়ত, আমি কেপচা (CAPTCHA) ৰ ইতিহাস আৰু ধাৰণা, ইয়াৰ প্ৰয়োগ আৰু ইয়াৰ প্ৰদৰ্শনৰ বিস্তৃত পৰ্যালোচনা আগবঢ়াইছো। আমি ব্যৱহাৰকাৰীৰ আৰু সুৰক্ষাৰ দৃষ্টিকোণৰ পৰা, ব্যৱহাৰযোগ্যতা, আক্ৰমণ আৰু প্ৰতিৰোধৰ ব্যৱস্থাকে ধৰি তেওঁলোকৰ মূল্যায়ন সম্পৰ্কেও আলোচনা কৰো। আমি আশা কৰোঁ যে এই অধ্যায়টোৱে পাঠকক এই আকৰ্ষণীয় ক্ষেত্ৰখনৰ এক ভাল সামগ্ৰিক দৃষ্টি প্ৰদান কৰিব। কম্পিউটাৰ প্ৰগ্ৰেম, VOL. 83 109 Copyright © 2011 Elsevier Inc. 65-2458/DOI: 10.1016/B978-0-12-385510-7.00003-5 সকলো অধিকাৰ সংৰক্ষিত ১১০ জে. এম. গমেজ হিডালগ আৰু জি. আলভাৰেজ মাৰাণন ১. মই প্ৰৱৰ্তন । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । ১১০.১.১. টিউৰিং টেষ্ট আৰু কেপচা-ৰ উৎপত্তি - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । ১১২. অনুপ্ৰেৰণা আৰু প্ৰয়োগসমূহ - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । 127 ৩.১. ও চি আৰ। - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । ১৩০ ৩.২ মই বয়সীয়া । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । ১৩৫ ৩.৩ এটা অডিঅ । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । ১৪৩ ৩.৪ বুদ্ধিজীৱী । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । ১৭৩ আৰ ৰেফাৰেন্স। - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । 173 নম্বৰ - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । ১৫৪.৫ বাৰ S সুৰক্ষা আৰু কেপচা আক্ৰমণ - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । ১৫৬.৫.১. কেপ্টচা-ত এটা টিকট । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । ১৫৮ ৫.২ কেপচা (CAPTCHA) ৰ সুৰক্ষা প্ৰয়োজনীয়তা - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । ১৬৯৬। কেপ্টচা-ৰ বিকল্প - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । ১৭১৭। C সিদ্ধান্ত আৰু ভৱিষ্যতৰ প্ৰৱণতা - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । ১৪৪৪। কেপচা (CAPTCHA) ৰ মূল্য নিৰূপণ । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । 146 চাৰি.১ ই-দক্ষতা - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । 147 চাৰি.২ এটা অ্যাক্সেসিবিলিটি সমস্যা - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । ১৫২ ৪.৩ ৰাজনৈতিক কাৰণসমূহ - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । ১১৬ ২.১. কেপচাসমূহৰ সাধাৰণ বিৱৰণ - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । ১১৬ ২.২. কেপ্টচাৰ আকাংক্ষিত বৈশিষ্ট্যসমূহ - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । 117 ২.৩. মই ৰূপায়ণ আৰু প্ৰণয়ন - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । ১১৯ ২.৪. এ পি পি এচ আৰু ৰবটৰ উত্থান - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । ১২১৩। কেপ্টচা প্ৰকাৰসমূহ - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । - মই জানো । |
941a668cb77010e032a809861427fa8b1bee8ea0 | ই চি জি বিশ্লেষণ আৰু ব্যাখ্যা কৰাৰ বাবে চিগনেল প্ৰচেছিং বৰ্তমান সময়ত সৰ্বাধিক সংখ্যক চিষ্টেমত কৰা হয়। ইচিজি সংকেত প্ৰক্ৰিয়াকৰণৰ উদ্দেশ্য বহুমুখী আৰু ইয়াক জোখাৰ সঠিকতা আৰু পুনঃপ্ৰকাশযোগ্যতাৰ উন্নতি (যদিহে ইয়াক হস্তচালিত জোখৰ সৈতে তুলনা কৰা হয়) আৰু সংকেতৰ পৰা দৃশ্যমান মূল্যায়নৰ জৰিয়তে সহজতে উপলব্ধ নোহোৱা তথ্যৰ আহৰণ অন্তৰ্ভুক্ত কৰে। বহু পৰিস্থিতিত, ইচিজি এম্বুলেটৰী বা কঠোৰ পৰিস্থিতিৰ সময়ত ৰেকৰ্ড কৰা হয় যাতে বিভিন্ন ধৰণৰ শব্দৰ দ্বাৰা সংকেত বিকৃত হয়, কেতিয়াবা শৰীৰৰ অন্য এক শাৰীৰিক প্ৰক্ৰিয়াৰ পৰা উদ্ভূত হয়। সেয়েহে, ইচিজি সংকেত প্ৰক্ৰিয়াকৰণৰ আন এক গুৰুত্বপূৰ্ণ উদ্দেশ্য হৈছে শব্দৰ হ্ৰাস; প্ৰকৃততে, আগ্ৰহৰ ঢৌৰ আকাৰ কেতিয়াবা ইমান বেছি পৰিমাণে শব্দৰ দ্বাৰা আচ্ছাদিত হয় যে উপযুক্ত সংকেত প্ৰক্ৰিয়া প্ৰথমে প্ৰয়োগ কৰাৰ পিছতহে তেওঁলোকৰ উপস্থিতি প্ৰকাশ কৰিব পাৰি। হৃদযন্ত্ৰৰ গতিবিধিৰ বিঘ্নিত অৱস্থাৰ চিনাক্তকৰণৰ উদ্দেশ্যে ইলেক্ট্ৰ কাৰ্ডিঅ গ্ৰাফিক সংকেতসমূহ দীৰ্ঘকালীন (অৰ্থাৎ কেইবাদিন) ৰেকৰ্ড কৰিব পাৰি। ফলস্বৰূপে, উৎপন্ন ইচিজি ৰেকৰ্ডিং বৃহৎ ডাটা আকাৰৰ হয় যি সঞ্চয় স্থান দ্ৰুতভাৱে পূৰণ কৰে। ৰাজহুৱা টেলিফোন নেটৱৰ্কৰ জৰিয়তে সংকেত প্ৰচাৰ কৰাটো আন এক প্ৰয়োগ য ত বৃহৎ পৰিমাণৰ তথ্য জড়িত হৈ থাকে। দুয়োটা পৰিস্থিতিৰ বাবে, তথ্য সংকোচন এটা গুৰুত্বপূৰ্ণ কাৰ্য্য আৰু, ফলস্বৰূপে, ইচিজি সংকেত প্ৰক্ৰিয়াৰ আন এক উদ্দেশ্য প্ৰতিনিধিত্ব কৰে। সংকেত প্ৰক্ৰিয়াকৰণে ইচিজি আৰু ইয়াৰ গতিশীল বৈশিষ্ট্যসমূহৰ এক নতুন বুজা-বুজিৰ বাবে গুৰুত্বপূৰ্ণ অৱদান আগবঢ়াইছে, যিটো গতি আৰু বীট মৰ্ফ লজিৰ পৰিৱৰ্তনৰ দ্বাৰা প্ৰকাশিত হয়। উদাহৰণস্বৰূপে, কাৰ্ডিওভাছকুলাৰ প্ৰণালীৰ সৈতে সম্পৰ্কিত দ্ৰাৱকসমূহৰ বৈশিষ্ট্যযুক্ত কৌশলসমূহ বিকাশ কৰা হৈছে আৰু হৃদস্পন্দনৰ সূক্ষ্ম বৈচিত্ৰ্যৰ দ্বাৰা প্ৰতিফলিত হৈছে। টি-ৱেভ এম্প্লিট্যুডৰ নিম্ন স্তৰৰ, পৰৱৰ্তী পৰিৱৰ্তনসমূহ ধৰা পেলোৱাটো দ্ৰাৱকীয় আচৰণৰ আন এক উদাহৰণ যি আকস্মিক, জীৱন-হুমকিপূৰ্ণ এৰিথমিয়াৰ বাবে বৰ্ধিত বিপদৰ সূচক হিচাপে প্ৰতিষ্ঠিত হৈছে। এই দুয়োটা দ্ৰাৱক সংকেতৰ বৈশিষ্ট্য কোনো এটাকে সাধাৰণ ইচিজি প্ৰিণ্টআউটৰ পৰা খালী চকুৰে উপলব্ধি কৰিব নোৱাৰি। সকলো ধৰণৰ ইচিজি বিশ্লেষণৰ বাবে সাধাৰণ - ই বিশ্ৰামৰ ইচিজি ব্যাখ্যা, চাপ পৰীক্ষা, এম্বুলেটৰী নিৰীক্ষণ বা নিবিড় পৰিচৰ্যা নিৰীক্ষণৰ বিষয়ে হওক - হ ল এলগৰিথমৰ এক মৌলিক ছেট যি বিভিন্ন ধৰণৰ শব্দ আৰু আৰ্টিফেক্টৰ প্ৰতি সংকেতক নিৰ্ধাৰণ কৰে, হৃদস্পন্দন চিনাক্ত কৰে, তৰংগ প্ৰসাৰ আৰু সময়কালৰ মৌলিক ইচিজি জোখ-মাপ উলিয়াব আৰু তথ্যবোৰ কাৰ্যকৰী সঞ্চয় বা প্ৰচাৰ কৰাৰ বাবে সংকুচিত কৰিব; চিত্ৰৰ ব্লক ডায়েগ্ৰাম। 1 এ সংকেত প্ৰক্ৰিয়া কৰা এলগৰিথমৰ এই ছেটটো উপস্থাপন কৰে। যদিও এই এলগৰিথমবোৰ সঘনাই ক্ৰমিকভাৱে কাৰ্যকৰী কৰিবলৈ প্ৰয়োগ কৰা হয়, কুইউআৰএছ ডিটেক্টৰে প্ৰদৰ্শন কৰা হাৰ্টবিট হোৱাৰ সময়ৰ তথ্য কেতিয়াবা প্ৰদৰ্শন উন্নত কৰিবলৈ আন এলগৰিথমবোৰত অন্তৰ্ভুক্ত কৰা হয়। প্ৰতিটো এলগৰিথমৰ জটিলতা প্ৰয়োগৰ পৰা প্ৰয়োগলৈ পৃথক হয় যাতে, উদাহৰণ স্বৰূপে, এম্বুলেটৰী নিৰীক্ষণত কৰা শব্দ ফিল্টাৰিং বিশ্ৰামৰ ইচিজি বিশ্লেষণত প্ৰয়োজনীয়তকৈ বহু বেছি অত্যাধুনিক হয়। যেতিয়া মূল এলগৰিথমৰ দ্বাৰা উৎপাদিত তথ্য উপলব্ধ হয়, তেতিয়া ইচিজিৰ বিভিন্ন প্ৰয়োগৰ সৃষ্টি হয় য ত হৃদৰোগৰ গতি আৰু বীট ম ৰ্ফ ল জিৰ গুণাগুণ নিৰ্ণয় কৰিবলৈ সংকেত প্ৰক্ৰিয়াকৰণ ব্যৱহাৰ কৰা হয়। এই প্ৰবন্ধৰ শেষত দুটা এনে প্ৰয়োগৰ সৈতে জড়িত সংকেত প্ৰক্ৰিয়া-উচ্চ-উত্তৰ ইচিজি আৰু টি ৱেভ অল্টাৰনেন্ট সংক্ষেপে বৰ্ণনা কৰা হৈছে। আগ্ৰহী পাঠকক, উদাহৰণস্বৰূপে, Ref. 1, য ত অন্যান্য ইচিজি প্ৰয়োগৰ বিশদ বিৱৰণ পোৱা যায়। |
b681da8d4be586f6ed6658038c81cdcde1d54406 | এই পত্ৰখনত, এক নতুন দ্বৈত-বেণ্ড আৰু পলাৰিজেচন-নমনীয় ছাবষ্ট্ৰেট ইণ্টিগ্ৰেটেড ৱেভগাইড (SIW) কেভিটি এণ্টেনাৰ প্ৰস্তাৱ কৰা হৈছে। এণ্টেনাৰ বাবে ব্যৱহৃত SIW গুহাটো ইয়াৰ প্ৰথম ৰিজ নান্সৰ বাবে এটা সাধাৰণ TE120 মোডৰ দ্বাৰা উত্তেজিত হয়। এই স্লটৰ সহায়ত, এটা সংশোধিত-TE120 মোডৰ দ্বাৰা উত্তেজিত দ্বিতীয় ৰিজ নান্সৰ সৃষ্টি হয়, যাৰ ফলত দুটা ৰিজ নান্স ফ্ৰেক্বেন্সিত এটা ব্ৰডছাইড ৰেডিয়েচন প ট্ৰ ন প্ৰদান কৰা হয়। ইয়াৰ উপৰিও, প্ৰস্তাৱিত এণ্টেনাত দুটা অৰ্ট গ নেল ফিডিং লাইন আছে। সেয়েহে, যিকোনো ছয়টা প্ৰধান ধ্ৰুৱকতা অৱস্থা প্ৰদান কৰাটো সম্ভৱ। এই পত্ৰখনত, তিনিটা প্ৰধান ধ্ৰুৱকৰণ ঘটনা অনুকৰণ কৰা হৈছে আৰু পৰিমাপ কৰা ফলাফলৰ সৈতে তুলনা কৰা হৈছে। যিহেতু আধুনিক যোগাযোগ ব্যৱস্থাত বহু কাৰ্য্যকৰী এণ্টেনাৰ প্ৰয়োজন, প্ৰস্তাৱিত এণ্টেনাৰ ধাৰণাটো এটা আশাব্যঞ্জক প্ৰাৰ্থী। |
cf18287e79b1fd73cd333fc914bb24c00a537f4c | জটিল দক্ষতাৰ বিস্তৃত সংকলন স্বয়ংক্রিয়ভাৱে শিকিবলৈ, ৰবটবোৰে মানৱ তত্ত্বাৱধান অবিহনে তেওঁলোকৰ স্বয়ংক্রিয়ভাৱে সংগ্ৰহ কৰা তথ্যৰ পৰা শিকিব পাৰিব লাগিব। এটা শিক্ষণ সংকেত যি স্বায়ত্তশাসিতভাৱে সংগ্ৰহ কৰা তথ্যৰ বাবে সদায়েই উপলব্ধ, সেয়া হৈছে ভৱিষ্যদ্বাণী। যদি এটা ৰবটে ভৱিষ্যতৰ বিষয়ে ভৱিষ্যদ্বাণী কৰিবলৈ শিকিব পাৰে, তেন্তে ই এই ভৱিষ্যদ্বাণীমূলক মডেলটো ব্যৱহাৰ কৰি কাম্য ফলাফল লাভ কৰিবলৈ পদক্ষেপ গ্ৰহণ কৰিব পাৰে, যেনে এটা বস্তুক এটা নিৰ্দিষ্ট স্থানলৈ স্থানান্তৰ কৰা। অৱশ্যে, জটিল মুক্ত-বিশ্ব দৃশ্যপটত, ভৱিষ্যদ্বাণী কৰিবৰ বাবে প্ৰতিনিধিত্বৰ ডিজাইন কৰাটো কঠিন। এই কামত, আমি প্ৰত্যক্ষ ভিডিঅ পূৰ্বানুমানৰ জৰিয়তে স্ব-পৰিদৰ্শিত ৰবট শিকন সক্ষম কৰাৰ লক্ষ্য লৈছোঃ ভাল প্ৰতিনিধিত্বৰ ডিজাইন কৰিবলৈ চেষ্টা কৰাৰ পৰিৱৰ্তে, আমি প্ৰত্যক্ষভাৱে পূৰ্বানুমান কৰো যে ৰবটে পৰৱৰ্তী কি দেখিব, আৰু তাৰ পিছত এই মডেলটো ব্যৱহাৰ কৰি প্ৰত্যাশিত লক্ষ্য প্ৰাপ্ত কৰক। ৰবোটিক ম্যানিপুলেচনৰ বাবে ভিডিঅ ভৱিষ্যদ্বাণীৰ এটা মূল প্ৰত্যাহ্বান হৈছে জটিল স্থানিক ব্যৱস্থাপনা যেনে অ ক্লুচনৰ ব্যৱস্থাপনা কৰা। সেই উদ্দেশ্যে, আমি এটা ভিডিঅ পূৰ্বানুমান মডেল প্ৰৱৰ্তন কৰিছো যি সাময়িক ছুপিং সংযোগ অন্তৰ্ভুক্ত কৰি আন্ধাৰৰ মাজেৰে বস্তুবোৰৰ সন্ধান ৰাখিব পাৰে। এক নতুন পৰিকল্পনা মানদণ্ড আৰু কাৰ্য্য স্থানৰ সূত্ৰৰ সৈতে আমি প্ৰমাণ কৰো যে এই মডেলটোৱে ভিডিঅ পূৰ্বানুমান-ভিত্তিক নিয়ন্ত্ৰণৰ পূৰ্বৰ কামক যথেষ্ট উন্নত কৰে। আমাৰ ফলাফলত দেখা গৈছে যে প্ৰশিক্ষণৰ সময়ত দেখা নোপোৱা বস্তুবোৰ ব্যৱহাৰ কৰা, একাধিক বস্তু ব্যৱহাৰ কৰা, আৰু বাধা-বিঘিনিৰ পৰা বস্তুবোৰ আঁতৰাই নিয়া। এই ফলাফলসমূহে স্ব-পৰিদৰ্শিত ৰবট শিক্ষণৰ জৰিয়তে সম্পূৰ্ণৰূপে কৰিব পৰা দক্ষতাৰ পৰিসৰ আৰু জটিলতাৰ ক্ষেত্ৰত এক গুৰুত্বপূৰ্ণ অগ্ৰগতি প্ৰতিনিধিত্ব কৰে। |
89701a3b04c3f102ebec83db3249b20791eacb38 | প্ৰসংগ সচেতনতা প্ৰসংগ সচেতন সেৱাসমূহ সক্ষম কৰাৰ বাবে এক গুৰুত্বপূৰ্ণ সম্পত্তি। ম বাইল ডিভাইচৰ ক্ষেত্ৰত ব্যৱহাৰকাৰীৰ অৱস্থান বা গতিপথ এক গুৰুত্বপূৰ্ণ বিষয়। ম বাইল ডিভাইচসমূহৰ দ্বাৰা অৱস্থান বা গতিপথ চিনাক্ত কৰাৰ বাবে এক সাধাৰণ প্ৰত্যাহ্বান হৈছে সঠিকতা আৰু শক্তিৰ ব্যৱহাৰৰ মাজত বাণিজ্য-অফ ব্যৱস্থাপনা কৰা। সাধাৰণ পদ্ধতিসমূহ হৈছে (1) ছেন্সৰৰ ব্যৱহাৰৰ সঘনতা নিয়ন্ত্ৰণ কৰা আৰু (2) ছেন্সৰ ফিউজন কৌশল। এই প্ৰবন্ধত প্ৰস্তাৱিত এলগৰিথমে চেল টাৱাৰৰ পৰা বাৰে বাৰে জোখা কেঁচা আৰু ভুল অৱস্থান তথ্য একত্ৰিত কৰি সঠিকতা উন্নত কৰিবলৈ এক ভিন্ন পদ্ধতি গ্ৰহণ কৰে। পৰীক্ষামূলক ফলাফলৰ পৰা দেখা গৈছে যে ৪১ দিনৰ জোখৰ তথ্য সংযুক্ত কৰি ধৰা পৰা গতিপথ আৰু ভূমি সত্যৰ মাজৰ গড় ত্ৰুটি দূৰত্ব ৪৪ মিটাৰৰ পৰা ১০.৯ মিটাৰৰ ভিতৰত উন্নত কৰা হৈছে। |
a85ad1a2ee829c315be6ded0eee8a1dadc21a666 | স্বয়ংচালিত আৰু সহায়ক চালনা নিঃসন্দেহে কম্পিউটাৰ দৃষ্টিৰ বাবে এটা গৰম বিষয়। কিন্তু গাড়ী চলোৱাটো অতি জটিল কাম আৰু চালকৰ আচৰণ সম্পৰ্কে গভীৰভাৱে জনাটো এতিয়াও কঠিন হৈ পৰিছে। বহুতো গৱেষকে এতিয়া দৃশ্যত উল্লেখনীয় আৰু আকৰ্ষণীয় বস্তু চিনাক্ত কৰাৰ বাবে কম্পিউটেশ্যনেল মডেল নিৰ্ধাৰণ কৰিবলৈ মনোযোগৰ ব্যৱস্থাটো অনুসন্ধান কৰি আছে। তথাপিও, এই মডেলসমূহৰ বেছিভাগে কেৱল তলৰ পৰা ওপৰলৈ চাক্ষুষ প্ৰসাৰকহে নিৰ্দেশ কৰে আৰু স্থিৰ ছবিৰ ওপৰত মনোনিবেশ কৰে। ইয়াৰ পৰিৱৰ্তে, ড্ৰাইভিং অভিজ্ঞতাৰ সময়ত কামৰ সাময়িক প্ৰকৃতি আৰু বিশেষত্বই মনোযোগৰ প্ৰণালীসমূহক প্ৰভাৱিত কৰে, যাৰ ফলত সিদ্ধান্ত লোৱা হয় যে বাস্তৱ জীৱন ড্ৰাইভিং ডাটা বাধ্যতামূলক। এই প্ৰবন্ধত আমি এটা নতুন আৰু ৰাজহুৱাভাৱে উপলব্ধ তথ্যৰ প্ৰস্তাৱ আগবঢ়াইছো যিটো প্ৰকৃততে গাড়ী চলোৱাৰ সময়ত আহৰণ কৰা হৈছে। আমাৰ ডাটা ছেটত ৫০০,০০০ ৰো অধিক ফ্ৰেম আছে, য ত চালকৰ দৃষ্টিভংগী আৰু তাৰ সাময়িক সংহতকৰণ আছে, য ত নিৰ্দিষ্ট কামৰ বাবে গুৰুত্বপূৰ্ণ মানচিত্ৰ প্ৰদান কৰা হৈছে। ভৌগোলিকভাৱে উল্লেখিত স্থান, গতি আৰু গতিপথৰ তথ্যই এই তথ্যসমূহৰ সাৰমৰ্ম বহন কৰে। আমাৰ জ্ঞানৰ মতে, এই ধৰণৰ এই ধৰণৰ প্ৰথমটো ৰাজহুৱাভাৱে উপলব্ধ ডাটাছেট আৰু ই ভৱিষ্যতৰ প্ৰজন্মৰ স্বয়ংচালিত আৰু সহায়ক গাড়ীসমূহত চালকৰ মনোযোগ প্ৰক্ৰিয়া ভালদৰে বুজি উঠা, ব্যৱহাৰ আৰু প্ৰজনন কৰাৰ ক্ষেত্ৰত নতুন আলোচনা আগবঢ়াব পাৰে। |
a0ff514a8a64ba5a7cd7430ca04245fd037d040c | এই প্ৰবন্ধটো ২০১২ আৰু ২০১৩ চনৰ প্ৰাক-আইচিআইএছ অনুষ্ঠানসমূহৰ পৰা একাডেমিক আৰু উদ্যোগৰ আলোচনাত নিৰ্মিত হৈছেঃ বিআই কংগ্ৰেছ III আৰু সিদ্ধান্ত সমৰ্থন প্ৰণালী (SIGDSS) ৰ বিশেষ স্বাৰ্থ গোটৰ কৰ্মশালা। সিদ্ধান্ত গ্ৰহণ আৰু উদ্ভাৱনৰ বাবে নতুন অন্তৰ্দৃষ্টি আগবঢ়াবলৈ "বিগ ডাটা"ৰ সম্ভাৱনীয়তা স্বীকাৰ কৰি, দুয়োটা অনুষ্ঠানত পেনেলিষ্টসকলে প্ৰতিযোগিতামূলক লাভালাভৰ বাবে সংগঠনসমূহে কিদৰে বৃহৎ ডাটা ব্যৱহাৰ আৰু পৰিচালনা কৰিব পাৰে সেই বিষয়ে আলোচনা কৰে। তদুপৰি, বিশেষজ্ঞ পেনেলিষ্টসকলে গৱেষণাৰ ঘাটতি চিনাক্ত কৰাত সহায় কৰে। একাডেমিক সম্প্ৰদায়ৰ উদ্ভৱ হোৱা গৱেষণাই বৃহৎ পৰিমাণৰ তথ্য আহৰণ, বিশ্লেষণ আৰু ব্যৱহাৰৰ ক্ষেত্ৰত কিছুমান সমস্যা চিহ্নিত কৰে, কিন্তু অনুশীলনকাৰী সম্প্ৰদায়ৰ মাজত বহুতো নতুন বিকাশ ঘটিছে। আমি একাডেমিক আৰু অনুশীলনকাৰী গৱেষণাৰ মাজত ব্যৱধান দূৰ কৰি এটা বৃহৎ তথ্য বিশ্লেষণৰ কাঠামো উপস্থাপন কৰিছো যিয়ে সংগঠনসমূহত বৃহৎ তথ্য বিশ্লেষণৰ বাবে প্ৰয়োজনীয় উপাদানসমূহৰ এটা প্ৰক্ৰিয়া দৃশ্য দাঙি ধৰে। একাডেমিক আৰু ব্যৱহাৰিক উভয় ক্ষেত্ৰৰ পৰা অনুশীলনকাৰী সাক্ষাৎকাৰ আৰু সাহিত্য ব্যৱহাৰ কৰি, আমি এই ফ্ৰেমৱৰ্কৰ দ্বাৰা পৰিচালিত বৃহৎ তথ্য গৱেষণাৰ বৰ্তমান অৱস্থা চিনাক্ত কৰো আৰু ভৱিষ্যতৰ গৱেষণাৰ বাবে সম্ভাৱ্য ক্ষেত্ৰসমূহ প্ৰস্তাৱ কৰো যাতে শৈক্ষিক গৱেষণাৰ প্ৰয়োগৰ প্ৰাসংগিকতা বৃদ্ধি কৰিব পৰা যায়। |
34d03cfb02806e668f9748ee60ced1b269d1db6c | |
0607acbb450d2afef7f2aa5b53bb05966bd065ed | যদিও ডিপ নিউৰেল নেটৱৰ্ক (ডিএনএন) এ বৃহৎ শব্দভাণ্ডাৰ অবিৰত কণ্ঠ চিনাক্তকৰণ (এলভিচিএছআৰ) কামৰ বাবে অসাধাৰণ সফলতা অৰ্জন কৰিছে, এই নেটৱৰ্কৰ প্ৰশিক্ষণ ধীৰ। ইয়াৰ এটা কাৰণ হ ল ডিএনএসমূহক বৃহৎ সংখ্যক প্ৰশিক্ষণ পাৰামিটাৰ (অৰ্থাৎ ১০-৫০ মিলিয়ন) ৰ সৈতে প্ৰশিক্ষণ দিয়া হয়। যিহেতু নেটৱৰ্কসমূহক ভাল প্ৰদৰ্শন লাভ কৰিবলৈ বহু সংখ্যক আউটপুট লক্ষ্যৰ সৈতে প্ৰশিক্ষণ দিয়া হয়, এই পাৰামিটাৰসমূহৰ অধিকাংশই অন্তিম ওজন স্তৰত থাকে। এই প্ৰবন্ধত আমি অন্তিম ওজন স্তৰৰ নিম্ন-শ্ৰেণীৰ মেট্ৰিক্স বিভাজনৰ প্ৰস্তাৱ আগবঢ়াইছো। আমি এই নিম্ন-শ্ৰেণীৰ কৌশলটো ডিএনএছক শব্দৰ মডেলিং আৰু ভাষাৰ মডেলিং দুয়োটাতে ব্যৱহাৰ কৰো। আমি দেখুৱাম যে 50-400 ঘণ্টাৰ ভিতৰত থকা তিনিটা LVCSR কামত নিম্ন-শ্ৰেণীৰ ফেক্টৰাইজেশ্যনে নেটৱৰ্কৰ পাৰামিটাৰসমূহৰ সংখ্যা 30-50% হ্ৰাস কৰে। ইয়াৰ ফলত সম্পূৰ্ণ ৰং প্ৰতিনিধিত্বৰ তুলনাত চূড়ান্ত স্বীকৃতিৰ সঠিকতাত গুৰুত্বপূৰ্ণ ক্ষতি নোহোৱাকৈ প্ৰশিক্ষণৰ সময় প্ৰায় সমান হ্ৰাস পায়। |
56c16d9e2a5270ba6b1d83271e2c10916591968d | |
56c2fb2438f32529aec604e6fc3b06a595ddbfcc | শেহতীয়াকৈ, সন্মুখৰ মুখৰ ছবিৰ পৰা লিংগ শ্ৰেণীবিভাজনৰ বাবে কেইবাটাও মেচিন লাৰ্ণিং পদ্ধতিৰ প্ৰস্তাৱ দিয়া হৈছে। এই সমস্যাৰ বাবে একক বা সাধাৰণ সমাধান নাই বুলি ইয়াৰ বৈচিত্ৰ্যই প্ৰমাণ কৰে। পদ্ধতিৰ বৈচিত্ৰ্যৰ উপৰিও, সেইবোৰ মূল্যায়ন কৰিবলৈ ব্যৱহাৰ কৰা বিভিন্ন প্ৰদৰ্শনীও আছে। এইটোৱে আমাক আমাৰ কামৰ অনুপ্ৰেৰণা প্ৰদান কৰিলেঃ স্বয়ংক্ৰিয় লিংগ স্বীকৃতিত ব্যৱহৃত প্ৰধান অত্যাধুনিক পদ্ধতিবোৰ সংক্ষিপ্ত কিন্তু নিৰ্ভৰযোগ্যভাৱে নিৰ্বাচন আৰু তুলনা কৰা। আশা কৰা মতে, কোনো এজনো বিজয়ী হোৱা নাই। শ্ৰেণীবিভাজনৰ সঠিকতাৰ ওপৰত ভিত্তি কৰি বিজয়ী নিৰ্ভৰ কৰে ব্যৱহাৰ কৰা প্ৰকাৰৰ প্ৰমাণপত্ৰৰ ওপৰত। |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.