_id
stringlengths 40
40
| text
stringlengths 0
9.21k
|
|---|---|
bdf67ee2a13931ca2d5eac458714ed98148d1b34 | এটা বাস্তৱ-সময়ৰ অনুপ্ৰৱেশ-আবিষ্কাৰ বিশেষজ্ঞ প্ৰণালীৰ এটা মডেলৰ বৰ্ণনা কৰা হৈছে যিয়ে কম্পিউটাৰত ভ্ৰষ্টাচাৰ, অনুপ্ৰৱেশ আৰু অন্য ধৰণৰ অপব্যৱহাৰৰ আৱিষ্কাৰ কৰিব পাৰে। এই মডেলটো এই ধাৰণাটোৰ ওপৰত ভিত্তি কৰি প্ৰস্তুত কৰা হৈছে যে কোনো চিষ্টেমৰ অস্বাভাৱিক ব্যৱহাৰৰ বাবে চিষ্টেমৰ অডিট ৰেকৰ্ডসমূহ নিৰীক্ষণ কৰি সুৰক্ষা উলংঘনসমূহ চিনাক্ত কৰিব পাৰি। এই মডেলত মেট্ৰিক আৰু পৰিসংখ্যাগত মডেলৰ আওতাত বস্তুসমূহৰ প্ৰতি বিষয়সমূহৰ আচৰণ প্ৰতিনিধিত্ব কৰাৰ বাবে প্ৰফাইল আৰু নিৰীক্ষণৰ ৰেকৰ্ডৰ পৰা এই আচৰণৰ বিষয়ে জ্ঞান আহৰণৰ বাবে আৰু বিসংগতিপূৰ্ণ আচৰণ চিনাক্ত কৰাৰ বাবে নিয়ম অন্তৰ্ভুক্ত কৰা হৈছে। এই মডেলটো কোনো বিশেষ ব্যৱস্থা, এপ্লিকেচন পৰিৱেশ, চিষ্টেমৰ দুৰ্বলতা, বা অনুপ্ৰৱেশৰ প্ৰকাৰৰ পৰা স্বাধীন, যাৰ ফলত এটা সাধাৰণ উদ্দেশ্যৰ অনুপ্ৰৱেশ-আবিষ্কাৰ বিশেষজ্ঞ প্ৰণালীৰ বাবে এটা ফ্ৰেমৱৰ্ক প্ৰদান কৰে। |
eeb1a1e0cab8d809b5789d04418dc247dca956cc | লি, ষ্ট লফো আৰু ম কে পূৰ্বেই অনুপ্ৰৱেশ চিনাক্তকৰণৰ বাবে জ্ঞান আহৰণৰ বাবে মাইনিং অডিট ডাটাৰ বাবে সংঘ নিয়ম আৰু সঘনতা এপিচ ডৰ ব্যৱহাৰৰ বিষয়ে প্ৰতিবেদন দিছিল। অস্পষ্ট যুক্তিৰ সৈতে সংযুক্তি নিয়ম আৰু সঘনতা এপিচ ডৰ একত্ৰীকৰণে অনুপ্ৰৱেশ চিনাক্তকৰণৰ বাবে অধিক বিমূর্ত আৰু নমনীয় নিদৰ্শন সৃষ্টি কৰিব পাৰে, যিহেতু অনুপ্ৰৱেশ চিনাক্তকৰণত বহু পৰিমাণৰ বৈশিষ্ট্য জড়িত থাকে আৰু সুৰক্ষা নিজেই অস্পষ্ট। আমি অস্পষ্ট সংহতিৰ নিয়ম খনিৰ বাবে পূৰ্বতে প্ৰকাশিত এটা এলগৰিথমৰ সংশোধন প্ৰদৰ্শন কৰোঁ, অস্পষ্ট প্ৰাৱণতা এপিচ ডৰ ধাৰণাটো সংজ্ঞায়িত কৰোঁ, আৰু অস্পষ্ট প্ৰাৱণতা এপিচ ড খনিৰ বাবে এক মূল এলগৰিথম প্ৰদৰ্শন কৰোঁ। আমি এটা ডাটা ইনষ্টেন্সক আনতকৈ অধিক বৰঙণি আগবঢ়োৱাটো প্ৰতিৰোধ কৰিবলৈ ফজ এচ চিয়েশ্যন নিয়ম খনিৰ বাবে প্ৰক্ৰিয়াটোত এটা নৰ্মলাইজেশ্যন পদক্ষেপ যোগ কৰো। আমি ফজিল ফ্ৰিক্বেন্সী এপিচডবোৰ শিকিবলৈ মাইনিং ফ্ৰিক্বেন্সী এপিচডসমূহৰ প্ৰক্ৰিয়াটোও সংশোধন কৰোঁ। পৰীক্ষামূলক ফলাফলসমূহে প্ৰৱেশৰ চিনাক্তকৰণত অস্পষ্ট সংযুক্তি নিয়ম আৰু অস্পষ্ট সঘনতা এপিচ ডৰ উপযোগিতা দেখুৱায়। খচৰাঃ ইন্টাৰনেশ্যনেল জাৰ্ণেল অৱ ইন্টেলিজেণ্ট চিষ্টেমছ, খণ্ড ১৫, নং-ত প্ৰকাশিত আপডেট সংস্কৰণ ১, আগষ্ট ২০০০ |
0b07f84c22ce01309981a02c23d5cd1770cad48b | টেবুল বিভাজনত টেবুলক সৰু সৰু অংশত ভাগ কৰা হয় যিবোৰ এক্সেস কৰিব পাৰি, সঞ্চয় কৰিব পাৰি আৰু একে-অন্যৰ পৰা পৃথকভাৱে বজাই ৰাখিব পাৰি। প্ৰশ্নকাকতৰ পাৰদৰ্শিতাৰ উন্নতিত পৰম্পৰাগত ব্যৱহাৰৰ পৰা, বিভাজন কৌশলবোৰ ডাটাবেছ প্ৰণালীৰ সামগ্ৰিক পৰিচালনাযোগ্যতা উন্নত কৰিবলৈ এক শক্তিশালী প্ৰণালীত বিকশিত হৈছে। টেবুল পাৰ্টিশ্যন কৰাটোৱে প্ৰশাসনিক কামবোৰ সহজ কৰে যেনে ডাটা লোডিং, আঁতৰা, বেকআপ, পৰিসংখ্যা ৰক্ষণাবেক্ষণ, আৰু সঞ্চয়ৰ ব্যৱস্থাপনা। প্ৰশ্নোত্তৰ ভাষাৰ সম্প্ৰসাৰণে এতিয়া এপ্লিকেচন আৰু ব্যৱহাৰকাৰীৰ প্ৰশ্নসমূহক পৰৱৰ্তী ব্যৱহাৰৰ বাবে তেওঁলোকৰ ফলাফলসমূহ কেনেকৈ বিভাজন কৰা উচিত নিৰ্ধাৰণ কৰিবলৈ সক্ষম কৰে। অৱশ্যে, কোৱাৰী অপ্টিমাইজেশ্যন কৌশলবোৰে টেবুল পাৰ্টিচনৰ ব্যৱহাৰ আৰু ব্যৱহাৰকাৰীৰ নিয়ন্ত্ৰণৰ দ্ৰুত অগ্ৰগতিৰ সৈতে খাপ খুৱাই নাই। আমি এই ব্যৱধানটো সমাধান কৰিবলৈ নতুন কৌশল বিকাশ কৰি আছো যি SQL কুৱেৰীৰ বাবে কাৰ্যকৰী পৰিকল্পনা সৃষ্টি কৰে য ত বহু-পথৰ যোগসূত্ৰবোৰ বিভাজিত টেবুলত জড়িত থাকে। আমাৰ কৌশলবোৰ সহজেই তলৰ পৰা ওপৰলৈ অনুসন্ধান অপ্টিমাইজাৰত অন্তৰ্ভুক্ত কৰাৰ বাবে ডিজাইন কৰা হৈছে যি বৰ্তমান বহুলভাৱে ব্যৱহৃত। আমি এই কৌশলসমূহ PostgreSQL অপ্টিমাইজাৰত প্ৰমাণ কৰি উলিয়ালো। এটা বিস্তৃত মূল্যায়নে দেখুৱায় যে আমাৰ বিভাজন-সচেতন অপ্টিমাইজেশ্যন কৌশলসমূহ, কম অপ্টিমাইজেশ্যন ওভাৰহেডৰ সৈতে, পৰিকল্পনা সৃষ্টি কৰে যি বৰ্তমানৰ অপ্টিমাইজাৰবোৰে প্ৰস্তুত কৰা পৰিকল্পনাৰ তুলনাত ভাল মাত্ৰাৰ আদেশ হ ব পাৰে। |
26d673f140807942313545489b38241c1f0401d0 | পৃথিৱী আৰু আমাৰ জীৱনত তথ্যৰ পৰিমাণ ক্ৰমাৎ বৃদ্ধি পাই আছে আৰু ইয়াৰ কোনো শেষ নাই। ৱিকা ৱৰ্কবেঞ্চ হৈছে অত্যাধুনিক মেচিন লাৰ্ণিং এলগৰিথম আৰু ডাটা প্ৰি-প্ৰচেচিঙৰ সঁজুলিৰ এক সংগঠিত সংগ্ৰহ। এই পদ্ধতিসমূহৰ সৈতে যোগাযোগ কৰাৰ মূল উপায় হৈছে কমাণ্ড লাইনৰ পৰা সেইবোৰ আহবান কৰা। অৱশ্যে, তথ্য অনুসন্ধানৰ বাবে, বিতৰণ কৰা কম্পিউটিং প্লেটফৰ্মত বৃহৎ পৰিসৰৰ পৰীক্ষা-নিৰীক্ষা স্থাপন কৰিবলৈ আৰু ষ্ট্ৰীমড ডাটা প্ৰচেচিংৰ বাবে কনফিগাৰেশ্যন ডিজাইন কৰিবলৈ সুবিধাজনক ইন্টাৰেক্টিভ গ্ৰাফিকাল ইউজাৰ ইণ্টাৰফেচ প্ৰদান কৰা হৈছে। এই ইণ্টাৰফেচবোৰে পৰীক্ষামূলক ডাটা মাইনিংৰ বাবে এটা উন্নত পৰিৱেশ গঠন কৰে। শ্ৰেণীবিভাজন হৈছে বিস্তৃত প্ৰয়োগৰ সৈতে এটা গুৰুত্বপূৰ্ণ তথ্য খনন কৌশল। ই বিভিন্ন ধৰণৰ তথ্যক শ্ৰেণীবদ্ধ কৰে। এই প্ৰবন্ধটো REPTree, Simple Cart আৰু RandomTree শ্ৰেণীবিভাজন এলগৰিথমৰ কাৰ্যক্ষমতা মূল্যায়ন কৰিবলৈ কৰা হৈছে। এই প্ৰবন্ধত ভাৰতীয় বাতৰিৰ তথ্যৰ আধাৰত ৰেপট্ৰী, ছিম্পল কাৰ্ট আৰু ৰেণ্ডমট্ৰী নামৰ শ্ৰেণীবিভাজনকাৰী প্ৰণালীসমূহৰ তুলনামূলক মূল্যায়ন কৰা হৈছে যাতে প্ৰকৃত পজিটিভৰ হাৰ অধিক আৰু ভুৱা পজিটিভৰ হাৰ কম হয়। প্ৰক্ৰিয়াকৰণৰ বাবে ৱিকা এপিআই ব্যৱহাৰ কৰা হৈছিল। ভাৰতীয় সংবাদ মাধ্যমৰ তথ্যত প্ৰকাশিত এই ফলাফলৰ পৰা দেখা গৈছে যে ৰেণ্ডমট্ৰী, ৰেপট্ৰী আৰু ছিম্পল কাৰ্টতকৈ ৰেণ্ডমট্ৰী অধিক কাৰ্যকৰী আৰু সঠিক। মূলশব্দসমূহ- সৰল কাৰ্ট, ৰেণ্ডমট্ৰী, ৰেপট্ৰী, ৱিকা, ৱাব্লু ডব্লিউ ৱাই |
6e633b41d93051375ef9135102d54fa097dc8cf8 | শেহতীয়াকৈ "সমষ্টিগত শিক্ষণ"ৰ প্ৰতি যথেষ্ট আগ্ৰহ দেখা গৈছে - যি পদ্ধতিয়ে বহুতো শ্ৰেণীবিভাজনকাৰী সৃষ্টি কৰে আৰু তেওঁলোকৰ ফলাফল সংগ্ৰহ কৰে। শ্ৰেণীবিভাজন গছৰ দুটা সুপৰিচিত পদ্ধতি হ ল বুষ্টিং (উদাহৰণ স্বৰূপে চাওক, শাপাইৰ আৰু আন, ১৯৯৮) আৰু ব্ৰেয়মান (১৯৯৬) শ্ৰেণীবিভাজন গছৰ বেগিং। বুষ্টিংত, পৰৱৰ্তী গছসমূহে পূৰ্বৰ ভৱিষ্যদ্বাণীকাৰীসকলে ভুলভাৱে ভৱিষ্যদ্বাণী কৰা বিন্দুসমূহক অতিৰিক্ত ওজন দিয়ে। শেষত, এটা ওজনযুক্ত ভোট ভৱিষ্যতবাণী কৰাৰ বাবে লোৱা হয়। বেগিংত, পৰৱৰ্তী গছবোৰ পূৰ্বৰ গছৰ ওপৰত নিৰ্ভৰ নকৰে - প্ৰতিটো ডাটা ছেটৰ বুটষ্ট্ৰ্যাপ নমুনাৰ ব্যৱহাৰ কৰি স্বতন্ত্ৰভাৱে নিৰ্মিত হয়। শেষত, সাধাৰণ সংখ্যাগৰিষ্ঠতা ভোটটো ভৱিষ্যদ্বাণী হিচাপে লোৱা হয়। ব্ৰেমন (২০০১) এ এলোমেলো বন প্ৰস্তাৱ কৰে, যিয়ে বেগিংত এলোমেলোতাৰ অতিৰিক্ত স্তৰ যোগ কৰে। তথ্যৰ ভিন্ন বুটষ্ট্ৰ্যাপ নমুনা ব্যৱহাৰ কৰি প্ৰতিটো গছ নিৰ্মাণ কৰাৰ উপৰি, এলোমেলো অৰণ্যবোৰে শ্ৰেণীবিভাজন বা প্ৰতিলিপি গছ নিৰ্মাণ কৰাৰ পদ্ধতি সলনি কৰে। মানক গছত, প্ৰতিটো ন ড সকলো ভৰিবলসমূহৰ মাজত সৰ্বশ্ৰেষ্ঠ বিভাজন ব্যৱহাৰ কৰি বিভাজিত হয়। এটা এলোমেলো অৰণ্যত, প্ৰতিটো ন ড সেই ন ডত এলোমেলোভাৱে নিৰ্বাচন কৰা ভৱিষ্যদ্বাণীকাৰীসমূহৰ উপ-সমষ্টিৰ ভিতৰত সৰ্বশ্ৰেষ্ঠ ব্যৱহাৰ কৰি বিভাজিত হয়। এই কিছু পৰিপন্থী কৌশলে বহুতো আন শ্ৰেণীবিভাজক, যাৰ ভিতৰত আছে বৈষম্যমূলক বিশ্লেষণ, সমৰ্থন ভেক্টৰ মেচিন আৰু নিউৰেল নেটৱৰ্ক, আৰু অতিৰিক্ত ফিটিংৰ বিৰুদ্ধে শক্তিশালী (ব্ৰেইমেন, ২০০১) ৰ তুলনাত ভাল প্ৰদৰ্শন কৰে। ইয়াৰ উপৰিও, ই ব্যৱহাৰকাৰী-বন্ধুত্বপূৰ্ণ, কাৰণ ইয়াত মাত্ৰ দুটা পৰিমাপক থাকে (প্ৰতিটো ন ডত এলোমেলো উপ-সমষ্টিৰ ভৰিবলসমূহৰ সংখ্যা আৰু অৰণ্যত গছৰ সংখ্যা), আৰু সাধাৰণতে তেওঁলোকৰ মানসমূহৰ প্ৰতি অতি সংবেদনশীল নহয়। RandomForest পেকেজে ব্ৰেমন আৰু কাটলাৰৰ ফ ৰ্টান প্ৰগ্ৰামসমূহৰ বাবে এটা R ইন্টাৰফেচ প্ৰদান কৰে (http://www.stat.berkeley.edu/ users/breiman/ ত উপলব্ধ) । এই প্ৰবন্ধত R ফাংশনসমূহৰ ব্যৱহাৰ আৰু বৈশিষ্ট্যৰ বিষয়ে সংক্ষিপ্ত পৰিচয় দিয়া হৈছে। |
8cfe24108b7f73aa229be78f9108e752e8210c36 | যদিও তথ্য খননক ব্যৱসায় জগতত কিছু সময়ৰ বাবে সফলতাৰে প্ৰয়োগ কৰা হৈছে, উচ্চ শিক্ষাত ইয়াৰ ব্যৱহাৰ এতিয়াও তুলনামূলকভাৱে নতুন, অৰ্থাৎ ইয়াৰ ব্যৱহাৰৰ উদ্দেশ্য হৈছে তথ্যৰ পৰা নতুন আৰু সম্ভাব্য মূল্যৱান জ্ঞান চিনাক্ত কৰা আৰু আহৰণ কৰা। তথ্য খননক ব্যৱহাৰ কৰি এটা মডেল প্ৰস্তুত কৰাৰ লক্ষ্য আছিল যিয়ে ছাত্ৰ-ছাত্ৰীৰ শৈক্ষিক সফলতাৰ বিষয়ে সিদ্ধান্ত ল ব পাৰে। ২০১০-২০১১ শিক্ষাবৰ্ষৰ অৰ্থনীতি বিভাগৰ তুজলা বিশ্ববিদ্যালয়ৰ গ্ৰীষ্মকালীন ছেমিষ্টাৰত প্ৰথম বৰ্ষৰ ছাত্ৰ-ছাত্ৰীসকলৰ মাজত কৰা সমীক্ষাৰ পৰা সংগ্ৰহ কৰা তথ্য আৰু নামভৰ্তিৰ সময়ত সংগ্ৰহ কৰা তথ্যৰ প্ৰয়োগেৰে ছাত্ৰ-ছাত্ৰীৰ সফলতাৰ ভৱিষ্যদ্বাণী কৰাৰ সময়ত ডাটা মাইনিংৰ বিভিন্ন পদ্ধতি আৰু কৌশলসমূহৰ তুলনা কৰা হৈছিল। সফলতাৰ মূল্যায়ন পৰীক্ষাত উত্তীৰ্ণ নম্বৰৰে কৰা হয়। শিক্ষাৰ্থীসকলৰ সামাজিক-জনসংখ্যাগত বিভিন্ন পৰিৱৰ্তনৰ প্ৰভাৱ, উচ্চতৰ মাধ্যমিক আৰু প্ৰৱেশ পৰীক্ষাত প্ৰাপ্ত ফলাফল আৰু অধ্যয়নৰ প্ৰতি মনোভাব যি সফলতাৰ ওপৰত প্ৰভাৱ পেলাব পাৰে, সকলোবোৰ বিষয়ৰ ওপৰত অনুসন্ধান কৰা হয়। ভৱিষ্যতে কৰা গৱেষণাত অধ্যয়নৰ প্ৰক্ৰিয়া আৰু নমুনা বৃদ্ধিৰ সৈতে জড়িত বিভিন্ন ভৰিবোৰ চিনাক্ত আৰু মূল্যায়ন কৰি এটা মডেল প্ৰস্তুত কৰা সম্ভৱ হ ব যি উচ্চ শিক্ষাত সিদ্ধান্ত সহায়ক ব্যৱস্থাৰ বিকাশৰ বাবে আধাৰ হিচাপে থিয় দিব। |
cc5c84c1c876092e6506040cde7d2a5b9e9065ff | এই প্ৰবন্ধত সিদ্ধান্ত বৃক্ষ আৰু বেইচিয়ান নেটৱৰ্ক এলগৰিথমৰ সঠিকতাৰ তুলনা কৰা হৈছে স্নাতক আৰু স্নাতকোত্তৰ ছাত্ৰ-ছাত্ৰীৰ শৈক্ষিক প্ৰদৰ্শনৰ বাবে দুটা ভিন্ন শৈক্ষিক প্ৰতিষ্ঠানতঃ কান থো বিশ্ববিদ্যালয় (চিটিইউ), ভিয়েটনামৰ এক বৃহৎ ৰাষ্ট্ৰীয় বিশ্ববিদ্যালয়; আৰু এছিয়ান ইনষ্টিটিউট অৱ টেকন লজী (এআইটি), থাইলেণ্ডৰ এটি সৰু আন্তঃৰাষ্ট্ৰীয় স্নাতকোত্তৰ প্ৰতিষ্ঠান যি ৮৬ খন বিভিন্ন দেশৰ ছাত্ৰ-ছাত্ৰীক আকৰ্ষণ কৰে। এই দুটা ছাত্ৰ জনসংখ্যাৰ বৈচিত্ৰ্য যদিও অতি ভিন্ন, তথ্য-খনিৰ সঁজুলিবোৰে ছাত্ৰৰ পাৰদৰ্শিতাৰ ভৱিষ্যদ্বাণী কৰিবলৈ একেধৰণৰ স্তৰৰ সঠিকতা অৰ্জন কৰিবলৈ সক্ষম হৈছিলঃ যথাক্ৰমে CTU/AIT ত {fail, fair, good, very good} ৰ বাবে ৭৩/৭১% আৰু {fail, pass} ৰ বাবে ৯৪/৯৩%। এই ভৱিষ্যদ্বাণীসমূহ চিটিইউত (৬৪% সঠিক) অসফল ছাত্ৰ-ছাত্ৰীসকলক চিনাক্ত আৰু সহায় কৰিবলৈ আৰু এআইটি (৮২% সঠিক) ত বৃত্তিৰ বাবে অতি ভাল ছাত্ৰ-ছাত্ৰীসকলক নিৰ্বাচন কৰিবলৈ অতি উপযোগী। এই বিশ্লেষণত, সিদ্ধান্ত বৃক্ষটো বেইচিয়ান নেটৱৰ্কৰ তুলনাত 3-12% অধিক সঠিক আছিল। এই কেচ ষ্টুডিৰ ফলাফলবোৰে ছাত্ৰৰ প্ৰদৰ্শনৰ সঠিক ভৱিষ্যদ্বাণী কৰাৰ কৌশলসমূহৰ অন্তৰ্দৃষ্টি প্ৰদান কৰে, ডাটা মাইনিং এলগৰিথমৰ সঠিকতাৰ তুলনা কৰে আৰু মুক্ত উৎসৰ সঁজুলিৰ পৰিপক্কতা প্ৰদৰ্শন কৰে। |
9d0f09e343ebc9d5e896528273b79a1f13aa5c07 | |
2cb6d78e822ca7fd0e29670ec7e26e37ae3d3e8f | এই প্ৰবন্ধত এটা নতুন কমপেক্ট নিম্ন তাপমাত্ৰাৰ কফাৰ্ড চেৰামিক (LTCC) বেণ্ডপাছ ফিল্টাৰ (BPF) প্ৰদৰ্শন কৰা হৈছে যাৰ বহল ষ্টপবেণ্ড আৰু উচ্চ নিৰ্বাচনশীলতাৰ সৈতে আছে। প্ৰস্তাৱিত চাৰ্কিটটোত দুটা সংযুক্ত λ<sub>g</sub>/4 ট্ৰান্সমিচন লাইন ৰিজ নেটৰ থাকে। তৃতীয় হাৰম নিক ফ্ৰেক্সিভেন্সিত এটা ট্ৰান্সমিশ্যন শূন্য (TZ) সৃষ্টিৰ বাবে এক নতুন বৈষম্যমূলক কপলিং স্কিম বাস্তৱায়িত কৰিবলৈ এটা বিশেষ কপলিং অঞ্চল নিৰ্বাচন কৰা হয়। এই পদ্ধতি বিশ্লেষণ কৰা হয় আৰু ডিজাইন গাইডলাইন বৰ্ণনা কৰা হয়। উৎস-লোড কপলিং প্ৰৱৰ্তন কৰা হয় যাতে দুটা টিজেড উৎপন্ন হয় যােগাযন্ত্ৰৰ ওচৰত আৰু এটা থাম্ব ব্যান্ডত। এনেদৰে, অতিৰিক্ত চাৰ্কিট অবিহনেও বিস্তৃত ষ্টপবেণ্ড প্ৰাপ্ত কৰিব পাৰি। LTCC বহুস্তৰীয় গাঁথনিৰ বাবে, ফিল্টাৰৰ আকাৰ 0.058 λ<sub>g</sub>×0.058 λ<sub>g</sub>×0.011 λ<sub>g</sub>, বা 2.63 মিমি × 2.61 মিমি × 0.5 মিমি। প্ৰস্তাৱিত ডিজাইনটো বৈধতা প্ৰদান কৰিবলৈ প্ৰদৰ্শন কৰা LTCC BPF ৰ অনুকৰণ আৰু জোখা ফলাফলসমূহ প্ৰদৰ্শন কৰা হৈছে। |
52c9eb70c55685b349126ed907e037f383673cf3 | আমি এটা নতুন পদ্ধতিৰ প্ৰস্তাৱ দিছো যিটো এই পৰ্যবেক্ষণৰ ওপৰত ভিত্তি কৰি প্ৰস্তুত কৰা হৈছে যে একেধৰণৰ URL ৰ সংক্ষিপ্ত বিৱৰণবোৰ সামগ্ৰী আৰু গঠন দুয়োটাতে একে ধৰণৰ হয়। আমি বৰ্তমানৰ URL ক্লাষ্টাৰ ব্যৱহাৰ কৰো আৰু প্ৰতি ক্লাষ্টাৰ শব্দৰ গ্ৰাফ নিৰ্মাণ কৰো যিয়ে URL-বিশেষ বৈশিষ্ট্যসমূহক আঁতৰাই ৰাখি জনা সংক্ষিপ্তকৰণসমূহক সংযুক্ত কৰে। URL বৈশিষ্ট্যৰ ওপৰত নিৰ্ভৰ কৰি পোৱা টপ লজিটোৱে আমাক সংক্ষিপ্তকৰণ সমস্যাটো এটা সুসংগঠিত শিকন কাৰ্য হিচাপে ব্যৱহাৰ কৰি সৰ্বাধিক খৰচৰ পথ অনুসন্ধানক ডিকোডিং পদক্ষেপ হিচাপে ব্যৱহাৰ কৰিবলৈ অনুমতি দিয়ে। বহু সংখ্যক ইউআৰএল ক্লাষ্টাৰৰ প্ৰাৰম্ভিক পৰীক্ষামূলক ফলাফলত দেখা গৈছে যে এই পদ্ধতিটোৱে পূৰ্বতে প্ৰস্তাৱিত ৱেব সাৰাংশক অতিক্ৰম কৰিবলৈ সক্ষম। |
8947ca4949fc66eb65f863dfb825ebd90ab01772 | পাঠ প্ৰক্ৰিয়াকৰণৰ বহুতো প্ৰয়োগৰ বাবে বৃহৎ নথি সংগ্ৰহসমূহক লেবেল দিয়া (প্ৰমাৰ্জনীয় মডেল শিকাৰ সময়ত) বা তাৰ পৰা নিয়মবোৰ এক্সট্ৰাপ ল কৰা (জ্ঞান অভিযান্ত্ৰিক ব্যৱহাৰ কৰাৰ সময়ত) বাবে যথেষ্ট মানৱ প্ৰচেষ্টাৰ প্ৰয়োজন হয়। এই কামত, আমি এই প্ৰচেষ্টা হ্ৰাস কৰিবলৈ, পদ্ধতিৰ সঠিকতা বজাই ৰাখি, এটা হাইব্ৰিড ক্লাচিফায়াৰ নিৰ্মাণ কৰি, যিয়ে যান্ত্ৰিক শিক্ষাৰ পৰিপূৰক হিচাপে স্বয়ংক্ৰিয়ভাৱে আৱিষ্কাৰ কৰা পাঠ্য নিদৰ্শনসমূহৰ ওপৰত মানৱ যুক্তি ব্যৱহাৰ কৰে। এটা মানক অনুভূতি-শ্ৰেণীবিভাজনৰ ডাটা ছেট আৰু বাস্তৱিক গ্ৰাহকৰ মতামতৰ ডাটা ব্যৱহাৰ কৰি আমি প্ৰমাণ কৰোঁ যে ইয়াৰ ফলত প্ৰাপ্ত কৌশলটোৱে এটা নিৰ্দিষ্ট শ্ৰেণীবিভাজনৰ সঠিকতা প্ৰাপ্ত কৰিবলৈ প্ৰয়োজনীয় মানৱ প্ৰচেষ্টাৰ যথেষ্ট হ্ৰাস কৰে। তদুপৰি, হাইব্ৰিড টেক্সট ক্লাচিফায়াৰৰ ফলত যন্ত্ৰ-শিক্ষাৰ ভিত্তিক ক্লাচিফায়াৰসমূহৰ তুলনাত যথাৰ্থতা যথেষ্ট বৃদ্ধি পায় যেতিয়া তুলনামূলক পৰিমাণৰ লেবেলযুক্ত তথ্য ব্যৱহাৰ কৰা হয়। |
563384a5aa6111610ac4939f645d1125a5a0ac7f | আইন বলবৎ কৰা, নিৰাপত্তা প্ৰয়োগ বা ভিডিঅ সূচীবদ্ধকৰণৰ দৰে বিভিন্ন ক্ষেত্ৰত ইয়াৰ বহুতো প্ৰয়োগৰ বাবে সাম্প্ৰতিক বছৰবোৰত ব্যক্তিৰ স্বয়ংক্ৰিয় স্বীকৃতিয়ে যথেষ্ট মনোযোগ লাভ কৰিছে। মুখ চিনাক্তকৰণ হৈছে মানুহৰ স্বয়ংক্ৰিয় চিনাক্তকৰণৰ বাবে এক গুৰুত্বপূৰ্ণ আৰু অতি প্ৰত্যাহ্বানমূলক কৌশল। বৰ্তমানলৈকে, এনে কোনো প্ৰযুক্তি নাই যি সকলো পৰিস্থিতি আৰু বিভিন্ন প্ৰয়োগৰ বাবে এক শক্তিশালী সমাধান প্ৰদান কৰে যিবোৰ মুখ চিনাক্তকৰণে সন্মুখীন হ ব পাৰে। সাধাৰণতে, আমি নিশ্চিত হ ব পাৰো যে মুখ চিনাক্তকৰণ প্ৰণালীৰ কাৰ্যক্ষমতা নিৰ্ধাৰণ কৰা হয় সঠিকভাৱে বৈশিষ্ট্য ভেক্টৰটো কেনেকৈ আহৰণ কৰিব আৰু সঠিকভাৱে গোটত শ্ৰেণীবদ্ধ কৰিব পাৰি। সেয়েহে, আমি বৈশিষ্ট্য নিষ্কাশক আৰু শ্ৰেণীবিভাজকক ভালদৰে চোৱাটো প্ৰয়োজনীয়। এই প্ৰবন্ধত, প্ৰিন্সিপল কম্পোনেণ্ট এনালাইছিছ (PCA) ব্যৱহাৰ কৰা হৈছে বৈশিষ্ট্য এক্সট্ৰেক্টৰত গুৰুত্বপূৰ্ণ ভূমিকা পালন কৰিবলৈ আৰু SVM ব্যৱহাৰ কৰা হৈছে মুখ চিনাক্তকৰণ সমস্যা সমাধান কৰিবলৈ। Support Vector Machines (SVMs) কে শেহতীয়াকৈ পটভূমি চিনাক্তকৰণৰ বাবে নতুন শ্ৰেণীবিভাজক হিচাপে প্ৰস্তাৱ কৰা হৈছে। আমি কেমব্ৰিজ ORL ফেচ ডাটাবেছত SVM ৰ সম্ভাৱনীয়তা প্ৰদৰ্শন কৰিছো, য ত ৪০ জন ব্যক্তিৰ ৪০০ টা ছবি আছে, য ত উচ্চ পৰ্যায়ৰ বিভিন্নতা আছে, মুখৰ প্ৰকাশ, ভংগীম আৰু মুখৰ বিৱৰণ। ব্যৱহাৰ কৰা SVM সমূহৰ ভিতৰত আছে Linear (LSVM), Polynomial (PSVM), আৰু Radial Basis Function (RBFSVM) SVM সমূহ। আমি পৰীক্ষামূলক প্ৰমাণ প্ৰদান কৰো যিয়ে দেখুৱায় যে বহুপদ আৰু ৰেডিয়েল বেজ ফাংচন (RBF) SVMs ORL ফেচ ডাটাছেটত লিনিয়াৰ SVMতকৈ ভাল প্ৰদৰ্শন কৰে যেতিয়া দুয়োটা একৰ বিৰুদ্ধে সকলো শ্ৰেণীবিভাজনৰ সৈতে ব্যৱহাৰ কৰা হয়। আমি বহুস্তৰীয় সংজ্ঞাবিলাক (MLP) শ্ৰেণীবিভাজনৰ মানদণ্ড ব্যৱহাৰ কৰি SVM ভিত্তিক স্বীকৃতিৰ সৈতে মানদণ্ড স্বতন্ত্ৰমুখী পদ্ধতিৰ তুলনা কৰিছিলো। |
47daf9cc8fb15b3a4b7c3db4498d29a5a8b84c22 | 3D বস্তু শ্ৰেণীবিভাজন হৈছে কম্পিউটাৰ দৃষ্টিত এক অ-বিষাক্ত কাম যি বহুতো বাস্তৱ-বিশ্বৰ প্ৰয়োগক সামৰি লৈছে। আমি 3D বহুভুজ মেছক শ্ৰেণীবদ্ধ কৰাৰ সমস্যাটো বহু-দৃশ্য 2D ছবিৰ পৰা চেহাৰাৰ বিৱৰ্তন শিকাৰ দৰে উত্থাপন কৰোঁ। 3D বহুভুজীয়া জালৰ এটা ক ৰপাস দিয়া হ লে, আমি প্ৰথমে এক সমতুল্য গোলকটোত একাধিক দৃষ্টিকোণৰ পৰা সংশ্লিষ্ট RGB আৰু গভীৰতা ছবি প্ৰদান কৰোঁ। ৰ্যাংক পুলিং ব্যৱহাৰ কৰি আমি 2D ভিউৰ চেহেৰা বিৱৰ্তন শিকিবলৈ দুটা পদ্ধতি প্ৰস্তাৱ কৰো। প্ৰথমতে, আমি ৰেণ্ডাৰ কৰা RGB-D ছবি ব্যৱহাৰ কৰি গভীৰ কনভলুশ্যনেল নিউৰেল নেটৱৰ্ক (CNN) ৰ ওপৰত ভিত্তি কৰি ভিউ-ইনভাৰেণ্ট মডেলসমূহ প্ৰশিক্ষণ দিওঁ আৰু প্ৰথম সম্পূৰ্ণ সংযুক্ত স্তৰ সক্ৰিয়কৰণবোৰ শ্ৰেণীবদ্ধ কৰিবলৈ শিকো আৰু সেয়েহে, এই আহৰণ কৰা বৈশিষ্টসমূহৰ বিৱৰ্তন ধৰা পেলাও। এই প্ৰক্ৰিয়াৰ সময়ত শিকি লোৱা প্ৰাথমিকসমূহক 3D আকৃতিৰ প্ৰতিনিধিত্ব হিচাপে ব্যৱহাৰ কৰা হয়। দ্বিতীয় পদ্ধতিত, আমি ৰেণ্ডাৰ কৰা RGB-D ছবিসমূহলৈ ৰেংকিং মেচিনক ব্যৱহাৰ কৰি আৰম্ভণিৰ পৰাই দৃশ্যসমূহৰ সংগ্ৰহ শিকো, যিয়ে সংগ্ৰহিত 2D ছবি উৎপন্ন কৰে যাক আমি ``3D আকাৰৰ ছবি বুলি কওঁ। ইয়াৰ পিছত আমি এই নতুন আকৃতিৰ প্ৰতিনিধিত্বৰ ওপৰত RGB আৰু গভীৰতাৰ বাবে CNN মডেল শিকো যিয়ে বহুভুজৰ জ্যামিতিক গাঁথনিৰ প্ৰসাৰ কৰে। মডেলনেট৪০ আৰু মডেলনেট১০ ডাটা ছেটত কৰা পৰীক্ষাসমূহে প্ৰমাণ কৰে যে প্ৰস্তাৱিত পদ্ধতিটোৱে ৩ডি আকৃতি চিনাক্তকৰণৰ ক্ষেত্ৰত বৰ্তমানৰ অত্যাধুনিক এলগৰিথমসমূহক অতিক্ৰম কৰে। |
58156d27f80ee450ba43651a780ebd829b70c363 | পূৰ্বৰ কাৰ্নেল নিৰীক্ষণ আৰু সুৰক্ষাৰ গৱেষণাত সম্ভাব্য কাৰ্নেল আক্ৰমণৰ পৰা সুৰক্ষা সঁজুলিসমূহক পৃথক কৰিবলৈ হাৰ্ডৱেৰ ভাৰছুৱেলাইজেশ্যন সম্প্ৰসাৰণৰ দৰে উচ্চ প্ৰাধিকাৰযুক্ত ছিষ্টেম উপাদানসমূহৰ ওপৰত বহুলভাৱে নিৰ্ভৰ কৰে। এই পদ্ধতিবোৰে ৰক্ষণাবেক্ষণৰ প্ৰচেষ্টা আৰু বিশেষাধিকাৰপ্ৰাপ্ত চিষ্টেম উপাদানসমূহৰ ক ড বেছৰ আকাৰ বৃদ্ধি কৰে, যাৰ ফলত সুৰক্ষা দুৰ্বলতা থকা সম্ভাৱনা বৃদ্ধি পায়। SKEE, যাৰ অৰ্থ হৈছে সুৰক্ষিত ক ৰনেল পৰ্যায়ৰ কাৰ্য্যকৰীকৰণ পৰিৱেশ, এই মৌলিক সমস্যাটো সমাধান কৰে। SKEE হৈছে এক নতুন ব্যৱস্থা যি কার্নেলৰ সমান অধিকাৰ স্তৰত এটা বিচ্ছিন্ন লঘু কাৰ্যকৰী পৰিৱেশ প্ৰদান কৰে। SKEE কমোডিটি ARM প্লেটফৰ্মৰ বাবে ডিজাইন কৰা হৈছে। ইয়াৰ প্ৰধান উদ্দেশ্য হ ল উচ্চ প্ৰাধিকৃত ছফ্টৱেৰসমূহৰ সক্ৰিয় জড়িততা অবিহনে কাৰ্ণেলৰ সুৰক্ষিত নিৰীক্ষণ আৰু সুৰক্ষাৰ অনুমতি দিয়া। SKEE-এ এক নতুন কৌশল প্ৰদান কৰে যাতে একত্ৰীকৰণ নিশ্চিত কৰিব পৰা যায়। ই এটা সুৰক্ষিত ঠিকনা স্থান সৃষ্টি কৰে যি কাৰ্ণেলৰ বাবে প্ৰৱেশযোগ্য নহয়, যিটো কাৰ্ণেল আৰু বিচ্ছিন্ন পৰিৱেশে একে প্ৰাধিকাৰ স্তৰ ভাগ কৰি লোৱাৰ সময়ত প্ৰাপ্ত কৰাটো প্ৰত্যাহ্বানজনক। SKEE এ কাৰ্ণেলক নিজৰ মেমৰি অনুবাদ টেবুল পৰিচালনা কৰাৰ পৰা বাধা প্ৰদান কৰি এই প্ৰত্যাহ্বান সমাধান কৰে। সেয়েহে, কাৰ্ণেলটো SKEE লৈ সলনি কৰিবলৈ বাধ্য হয় যাতে চিস্টেমৰ মেমৰি লেআউট সলনি কৰিব পাৰে। ইয়াৰ বিপৰীতে, SKEE য়ে পৰীক্ষা কৰে যে অনুৰোধ কৰা সংশোধনীয়ে সুৰক্ষিত ঠিকনা স্থানৰ বিচ্ছিন্নতাক আপত্তি নকৰে। OS কাৰ্নেল ৰ পৰা SKEE লৈ চুইচিং কেৱল ভাল নিয়ন্ত্ৰিত চুইচ গেটৰ মাজেৰে পাৰ হৈ যায়। এই চুইচ গেটটো সাৱধানে ডিজাইন কৰা হৈছে যাতে ইয়াৰ কাৰ্যকৰী অনুক্ৰম পৰমাণু আৰু নিৰ্ণায়ক হয়। এই বৈশিষ্ট্যবোৰ মিলি গ্যাৰেণ্টী দিয়ে যে এক সম্ভাব্য আপত্তিজনক কার্নেল isolation আপত্তিজনক কৰাৰ বাবে switching sequence ৰ ব্যৱহাৰ কৰিব নোৱাৰে। যদি কাৰ্নেলটোৱে এই বৈশিষ্ট্যসমূহ উলংঘন কৰিবলৈ চেষ্টা কৰে, তেন্তে ই সুৰক্ষিত ঠিকনা স্থান উন্মোচিত নকৰাকৈ চিস্টেমৰ বিফলতাৰ কাৰণ হ ব। SKEE-এ সম্পূৰ্ণ OS মেমৰিৰ এক্সেছ অনুমতি নিয়ন্ত্ৰণ কৰে। সেয়েহে, ই আক্ৰমণ প্ৰতিৰোধ কৰে যিয়ে কাৰ্নেললৈ অনিশ্চিত ক ড ইনজেক্ট কৰাৰ প্ৰয়াস কৰে। তদুপৰি, বিভিন্ন অনুপ্ৰৱেশ চিনাক্তকৰণ আৰু অখণ্ডতা পৰীক্ষণ সঁজুলিসমূহ সমৰ্থন কৰাৰ বাবে ইয়াক অন্য চিষ্টেম ইভেন্টসমূহ আটক কৰিবলৈ সহজে সম্প্ৰসাৰিত কৰিব পাৰি। এই প্ৰবন্ধত এটা SKEE প্ৰট টাইপ উপস্থাপন কৰা হৈছে যি 32-বিট ARMv7 আৰু 64-বিট ARMv8 আৰ্হিৰ ওপৰত চলিছে। পাৰদৰ্শিতা মূল্যায়নৰ ফলাফলৰ পৰা প্ৰমাণ হয় যে SKEE হৈছে বাস্তৱ জগতৰ প্ৰণালীৰ বাবে এক ব্যৱহাৰিক সমাধান। এই লেখকৰ এই কামত সমানভাৱে বৰঙণি আগবঢ়াইছে |
698902ce1a836d353d4ff955c826095e28506e05 | |
da09bc42bbf5421b119abea92716186a1ca3f02f | আমি এটা নতুন প্ৰকাৰৰ পৰিচয়-ভিত্তিক এনক্ৰিপচন (আই বি ই) আঁচনি প্ৰৱৰ্তন কৰিছো যাক আমি ফজি পৰিচয়-ভিত্তিক এনক্ৰিপচন বুলি কওঁ। ফজি আই বি ইত আমি এটা পৰিচয়ক বৰ্ণনামূলক বৈশিষ্ট্যৰ সংহতি হিচাপে দেখো। এটা ফজি আইবিই আঁচনিয়ে এটা পৰিচয়ৰ বাবে এটা ব্যক্তিগত চাবি, ω, এটা পৰিচয়ৰ সৈতে এনক্ৰিপ্ট কৰা এটা চিফাৰটেক্সট ডিক্ৰিপ্ট কৰিবলৈ অনুমতি দিয়ে, যদিহে আৰু কেৱল যদিহে পৰিচয়সমূহ ω আৰু ω পৰস্পৰৰ ওচৰত থাকে, যিটো set overlap দূৰত্ব মেট্ৰিকৰ দ্বাৰা জোখা হয়। এটা Fuzzy IBE আঁচনি প্ৰয়োগ কৰিব পাৰি যাতে পৰিচয় হিচাপে বায় মেট্ৰিক ইনপুট ব্যৱহাৰ কৰি এনক্ৰিপ্ট কৰিব পাৰি; এটা Fuzzy IBE আঁচনিৰ ত্ৰুটি-সহনশীলতা সম্পত্তি হৈছে ঠিক কি জৈৱিক পৰিচয়ৰ ব্যৱহাৰৰ অনুমতি দিয়ে, যাৰ প্ৰাকৃতিকভাৱে প্ৰতিবাৰেই কিছুমান শব্দ থাকিব যেতিয়া তেওঁলোকৰ নমুনা লোৱা হয়। ইয়াৰ উপৰিও, আমি দেখুৱাম যে ফজি-আইবিই এক প্ৰকাৰৰ প্ৰয়োগৰ বাবে ব্যৱহাৰ কৰিব পাৰি যাক আমি অভিজ্ঞতা-ভিত্তিক এনক্ৰিপচন বুলি কওঁ। এই প্ৰবন্ধত আমি ফজি আইবিই আঁচনিৰ দুটা নিৰ্মাণৰ বিষয়ে আলোচনা কৰিম। আমাৰ নিৰ্মাণসমূহক (ভুল) পৰিচয় গঠন কৰা কেইবাটাও বৈশিষ্ট্যৰ অধীনত বাৰ্তাৰ এক পৰিচয়-ভিত্তিক এনক্ৰিপশ্বন হিচাপে দেখা যায়। আমাৰ আইবিই আঁচনিসমূহ ভুল-সহনশীল আৰু গোপন আক্ৰমণৰ বিৰুদ্ধে সুৰক্ষিত। তদুপৰি, আমাৰ মৌলিক গঠনটো এৰাব নোৱাৰা ভাৱবাদৰ ব্যৱহাৰ নকৰে। আমি আমাৰ প্ৰকল্পসমূহৰ সুৰক্ষা প্ৰমাণ কৰো, চেলেক্টিভ-আইডি সুৰক্ষা মডেলৰ অধীনত। |
b3baba6c34a2946b999cc0f6be6bb503d303073e | এই প্ৰবন্ধত এটা সহজ, পৰামিতিবিহীন আৰু সাধাৰণ পৰীক্ষা কৰা হৈছে যিয়ে কলমোগৰভ-স্মাৰ্নভ (কেএছ) পৰীক্ষাৰ আধাৰত ৰিচিভাৰ অপাৰেটিং কেৰেক্টাৰেষ্টিক (আৰঅ চি) ক্ৰমৰ সমতুল্যতা পৰীক্ষা কৰে। সাধাৰণভাৱে ব্যৱহৃত কৌশল যেনে ROC বক্ৰৰ তলত থকা এৰীয়া (AUC) আৰু নিমেন-পিয়াৰ্ছন পদ্ধতিৰ সৈতে পৰীক্ষাৰ বৰ্ণনা কৰা হৈছে। আমি প্ৰথমে পৰীক্ষা কৰিম যে কেএছ পৰীক্ষা কেনেকৈ শূন্য অনুমান পৰীক্ষা কৰিবলৈ ব্যৱহাৰ কৰা হয় যে শ্ৰেণীবিভাগকৰ দ্বাৰা পূৰ্বানুমান কৰা শ্ৰেণী লেবেলবোৰ এলোমেলোতকৈ ভাল নহয়। তাৰ পিছত আমি এটা অন্তৰাল মেপিং কৌশল প্ৰস্তাৱ কৰো যি দুটা শ্ৰেণীবিভাগক সমতুল্য ROC বক্ৰতা থকা বুলি শূন্য অনুমান পৰীক্ষা কৰিবলৈ দুটা KS পৰীক্ষা ব্যৱহাৰ কৰিবলৈ আমাক অনুমতি দিয়ে। আমি প্ৰমাণ কৰোঁ যে এই পৰীক্ষাই বিভিন্ন ROC বক্ৰকৰণক বৈষম্য কৰে যেতিয়া এটা বক্ৰকৰণে আনটোকে আধিপত্য কৰে আৰু যেতিয়া বক্ৰকৰণবোৰ ক্ৰছ হয় আৰু সেয়ে AUC ৰ দ্বাৰা বৈষম্য কৰা নহয়। তাৰ পিছত অন্তৰাল মেপিং কৌশলটো প্ৰদৰ্শন কৰিবলৈ ব্যৱহাৰ কৰা হয় যে, যদিও AUC ৰ ইয়াৰ সীমাবদ্ধতা আছে, ই শ্ৰেণীবিভাগকৰকৰ কাৰ্যক্ষমতাৰ এক মডেল-স্বতন্ত্ৰ আৰু সুসংগত মাপ হ ব পাৰে। |
090f4b588ba58c36a21eddd67ea33d59614480c1 | মোৰ পদ্ধতিবোৰ এটা তল-মূৰীয়া বক্তৃতা মডেল আৰু শব্দকোষীয় জ্ঞানৰ আধাৰৰ পৰা পোৱা তথ্যৰ ওপৰত নিৰ্ভৰ কৰে। মই এইটোও দেখুৱাম যে কেনেকৈ স্থানীয় প্ৰসংগৰ ওপৰত ভিত্তি কৰি সিদ্ধান্ত প্ৰক্ৰিয়া ব্যৱহাৰ কৰি নিৰ্ভৰযোগ্যভাৱে ধাৰণা আৰু আপোজিটিভ সীমা নিৰ্ধাৰণ কৰিব পাৰি, যিবোৰ অংশ-অভিধান ট্যাগ আৰু নাম খণ্ড দ্বাৰা প্ৰতিনিধিত্ব কৰা হয়। তাৰ পিছত মই সৰলীকৰণ প্ৰক্ৰিয়াত সিনটাক্স আৰু বক্তৃতাৰ মাজত হোৱা ক্ৰিয়া-প্ৰতিক্ৰিয়াসমূহক আনুষ্ঠানিকভাৱে ৰূপ দিওঁ। এইটো গুৰুত্বপূৰ্ণ কাৰণ যদি পুনঃলিখিত পাঠটোত সংহতিৰ অভাৱ হয় তেন্তে পাঠটো বহুলভাৱে প্ৰৱেশযোগ্য কৰি তোলাৰ ক্ষেত্ৰত বাক্যশাৰী সৰলীকৰণৰ উপযোগিতা হ্ৰাস হ ব পাৰে। মই বৰ্ণনা কৰো যে বাক্য-শৃংখলা, কিউ-শব্দ নিৰ্বাচন, উল্লেখ-প্ৰকাশৰ প্ৰজন্ম, নিৰ্ধাৰক নিৰ্বাচন আৰু বিশেষণ ব্যৱহাৰৰ দৰে বিভিন্ন প্ৰজন্মৰ সমস্যা কেনেকৈ সমাধান কৰিব পাৰি যাতে সিনট্যাক্টিক সৰলীকৰণৰ সময়ত সংযোজক আৰু এনাফোৰিক সংহতি-সংযোগ ৰক্ষা কৰিব পাৰি। বাক্য গঠন সৰলীকৰণৰ বাবে, মই বিভিন্ন প্ৰাকৃতিক ভাষা প্ৰক্ৰিয়াকৰণ সমস্যা সমাধান কৰিবলগীয়া হৈছিল, য ত অন্তৰ্ভুক্ত আছিল ধাৰা আৰু আপোজিটিভ চিনাক্তকৰণ আৰু সংযুক্তি, সৰ্বনাম সমাধান আৰু উল্লেখ-প্ৰকাশ সৃষ্টি। মই প্ৰতিটো সমস্যা সমাধানৰ বাবে মোৰ পদ্ধতিৰ মূল্যায়ন পৃথকে পৃথকে কৰো আৰু লগতে মোৰ সিন্টেক্টিকেল সৰলীকৰণ প্ৰণালীৰ এক সামগ্ৰিক মূল্যায়ন দাঙি ধৰিছো। সিনটাক্সিক সৰলীকৰণ হৈছে পাঠৰ ব্যাকৰণগত জটিলতা হ্ৰাস কৰাৰ প্ৰক্ৰিয়া, ইয়াৰ তথ্যৰ বিষয়বস্তু আৰু অৰ্থ বজাই ৰাখি। সিনটাক্সিক সৰলীকৰণৰ উদ্দেশ্য হ ল পাঠকক পাঠ্য বুজিবলৈ সহজ কৰি তোলা বা প্ৰগ্ৰামৰ দ্বাৰা প্ৰক্ৰিয়া কৰা। এই থিছাত মই বৰ্ণনা কৰিছো যে কেনেকৈ সৰলীকৰণ কৰিব পাৰি, ইয়াৰ বাবে আমি ক্ষুদ্ৰ বিশ্লেষণ, হস্তনিৰ্মিত সৰলীকৰণ নিয়মৰ এটা সৰু সংকলন আৰু পাঠ্যক সিন্টেক্টিকেলভাৱে পুনৰ লিখাৰ বক্তৃতা-স্তৰৰ দিশসমূহৰ বিশদ বিশ্লেষণ ব্যৱহাৰ কৰিব লাগিব। মই আপেক্ষিক দফা, আপেক্ষিকতা, সমন্বয় আৰু অধীনতা সম্পৰ্কীয় বিষয়ৰ ওপৰত আলোচনা আগবঢ়াইছো। মই আপেক্ষিক ধাৰা আৰু আপেক্ষিক সংযুক্তিৰ বাবে নতুন কৌশল প্ৰদৰ্শন কৰিছো। মই যুক্তি দিওঁ যে এই সংযুক্তি সিদ্ধান্তবোৰ কেৱল বাক্য গঠনমূলক নহয়। |
a9a7168b5b45fcf63e7f8904f68f6a90f8062443 | |
6d7c6c8828c7ac91cc74a79fdc06b5783102a784 | এই প্ৰবন্ধত Microwave Vision নামৰ কোম্পানীটোৰ স্বাস্থ্য সম্পৰ্কীয় প্ৰয়োগৰ ওপৰত দৃষ্টি নিবদ্ধ কৰা কাৰ্যকলাপৰ বিষয়ে সবিশেষ উল্লেখ কৰা হৈছে। নিৰ্দিষ্ট শোষণ হাৰ (SAR) আৰু ৰেডিয়েচন সুৰক্ষাৰ ক্ষেত্ৰত বৰ্তমানে উপলব্ধ প্ৰডাক্টসমূহৰ বিষয়ে সবিশেষ বৰ্ণনা কৰা হৈছে। মাইক্ৰ ৱেভ ব্যৱহাৰ কৰি স্তনৰ ৰোগ নিৰ্ণয়ৰ বাবে নতুন ইমেজিং পদ্ধতিৰ বিকাশৰ অগ্ৰগতি সম্পৰ্কে অলপতে প্ৰতিবেদন প্ৰকাশ কৰা হ ব। |
0c1a55e0e02c1dbf6cf363ec022ca17925586e16 | ট্ৰেকিং কৰা বস্তুসমূহৰ চিনাক্তকৰণ বায়ু, পৃষ্ঠ আৰু ভূগৰ্ভ (সামুদ্ৰিক) আৰু স্থল পৰিৱেশৰ বাবে স্বয়ংক্রিয় নিৰীক্ষণ আৰু তথ্য প্ৰণালীৰ এটা মূল ক্ষমতা, পৰিস্থিতিগত সজাগতা উন্নত কৰা আৰু কাৰ্য্যকৰী ব্যৱহাৰকাৰীসকলক সিদ্ধান্তৰ সহায় আগবঢ়োৱা। বেইচিয়ান-ভিত্তিক পৰিচয় তথ্য সংমিশ্ৰণ প্ৰক্ৰিয়া (আইডিচিপি) বিভিন্ন উৎসৰ পৰা অনিশ্চিত পৰিচয় সূচনাৰ সংমিশ্ৰণৰ বাবে এক কাৰ্যকৰী সঁজুলি প্ৰদান কৰে। প্ৰক্ৰিয়াটোৰ কনফিগাৰেশ্যনৰ বাবে এটা ব্যৱহাৰকাৰী-উদ্দেশ্যিত পদ্ধতি প্ৰৱৰ্তন কৰা হৈছে, যিটোৱে অপাৰেটৰসকলক বিভিন্ন কাৰ্য্যকৰী দৃশ্যপটত পৰিৱৰ্তনশীল চিনাক্তকৰণ প্ৰয়োজনীয়তালৈ IDCP খাপখোৱাবলৈ সক্ষম কৰে। জ্ঞানীয় মনোবিজ্ঞান আৰু সিদ্ধান্ত তত্ত্বৰ ফলাফলৰ প্ৰয়োগে বেইচিয়ান তথ্যৰ পুনৰুদ্ধাৰ কৰিবলৈ ভাল প্ৰৱেশাধিকাৰ প্ৰদান কৰে আৰু কাৰ্যকৰী বিশেষজ্ঞৰ বাবে কনফিগাৰেশ্যন সহজে সম্ভৱপৰ কৰে। |
2636bff7d3bdccf9b39c5e1e7d86a77690f1c07d | পুৰস্কাৰ গঠন হৈছে শক্তিশালী শিক্ষাৰ (আৰএল) ক্ৰেডিট অগ্ৰাধিকাৰৰ গুৰুত্বপূৰ্ণ আৰু প্ৰত্যাহ্বানমূলক সমস্যাটো সমাধান কৰাৰ আটাইতকৈ কাৰ্যকৰী পদ্ধতি। অৱশ্যে, আকৃতি প্ৰদান কাৰ্য্যক ডিজাইন কৰিবলৈ সাধাৰণতে বহুতো বিশেষজ্ঞ জ্ঞান আৰু হাতৰ অভিযান্ত্ৰিকৰ প্ৰয়োজন হয়, আৰু সমাধান কৰিবলগীয়া বহুতো একেধৰণৰ কামৰ বাবে অসুবিধা আৰু অধিক বৃদ্ধি হয়। এই প্ৰবন্ধত আমি কামৰ বিতৰণৰ ওপৰত পুৰস্কাৰ গঠনৰ বিষয়ে বিবেচনা কৰিম আৰু এটা সাধাৰণ মেটা-লাৰ্নিং ফ্ৰেমৱৰ্ক প্ৰস্তাৱ কৰিম যাতে নতুনকৈ নমুনা লোৱা কামৰ ওপৰত কাৰ্যকৰী পুৰস্কাৰ গঠনৰ বিষয়ে স্বয়ংক্ৰিয়ভাৱে শিকিব পাৰি, কেৱল ভাগ বতৰা কৰা অৱস্থা স্থান ধাৰণা কৰি কিন্তু অগত্যা কাৰ্য্য স্থান নহয়। আমি প্ৰথমতে মডেল-মুক্ত আৰএলত ক্ৰেডিট অ্যাসাইনমেণ্টৰ ক্ষেত্ৰত তাত্ত্বিকভাৱে সৰ্বোত্তম পুৰস্কাৰ গঠন প্ৰাপ্ত কৰো। তাৰ পিছত আমি এটা মূল্য-ভিত্তিক মেটা-লাৰ্নিং এলগৰিথমৰ প্ৰস্তাৱ দিওঁ যাতে এটা কাৰ্যকৰী পুৰস্কাৰৰ উত্তম আকৃতিৰ ওপৰত পূৰ্বৰ তথ্য আহৰণ কৰিব পাৰি। পূৰ্বৱৰ্তীটো নতুন কামত প্ৰত্যক্ষভাৱে প্ৰয়োগ কৰিব পাৰি, বা প্ৰমাণিতভাৱে টাস্ক-পছষ্টেৰিয়ৰ সৈতে খাপ খোৱা হয় আৰু টাস্কটো কেইটামান গ্ৰেডিয়েন্ট আপডেটৰ ভিতৰত সমাধান কৰা হয়। আমি আমাৰ আকৃতিৰ কাৰ্যকৰীতা বিভিন্ন ছেটিংছত উল্লেখযোগ্যভাৱে উন্নত শিক্ষণ দক্ষতা আৰু ব্যাখ্যাযোগ্য ভিজুৱেলাইজেশ্যনৰ জৰিয়তে প্ৰদৰ্শন কৰো, বিশেষকৈ ডিকিউএনৰ পৰা ডিডিপিজিলৈ সফল স্থানান্তৰ। |
0309ec1f0e139cc10090c4fefa08a83a2644530a | |
42771aede47980ae8eeebac246c7a8b941d11414 | আমি ব্যক্তিগতকৃত ৱেব অনুসন্ধান উন্নত কৰিবলৈ অনুসন্ধান ফলাফলৰ বৈচিত্ৰতা প্ৰদানৰ বাবে পদ্ধতিবোৰ উপস্থাপন আৰু মূল্যায়ন কৰোঁ। এটা সাধাৰণ ব্যক্তিগতকৰণ পদ্ধতিত শীৰ্ষ N অনুসন্ধান ফলাফলৰ পুনৰ স্থানকৰণ জড়িত থাকে যাতে ব্যৱহাৰকাৰীয়ে পছন্দ কৰিব পৰা নথিসমূহ উচ্চতাত উপস্থাপন কৰা হয়। পুনৰ শ্ৰেণীবদ্ধকৰণৰ উপযোগিতা আংশিকভাৱে বিবেচনা কৰা ফলাফলৰ সংখ্যা আৰু বৈচিত্ৰ্যৰ দ্বাৰা সীমিত। আমি তিনিটা পদ্ধতিৰ প্ৰস্তাৱ আগবঢ়াইছো যাতে শীৰ্ষ ফলাফলৰ বৈচিত্ৰ্য বৃদ্ধি কৰিব পাৰি আৰু এই পদ্ধতিসমূহৰ কাৰ্য্যকৰীতা মূল্যায়ন কৰিব পাৰি। |
22a8979b53315fad7f98781328cc0326b5147cca | এটা কৃত্ৰিম স্নায়ু নেটৱৰ্ক-ভিত্তিক সংশ্লেষণ মডেলৰ প্ৰস্তাৱিত হৈছে একক-ফিড বৃত্তাকাৰভাৱে-পোলাৰাইজড স্কোৱেৰ মাইক্ৰ ষ্ট্ৰীপ এণ্টেনা (CPSMA) ৰ ডিজাইনৰ বাবে। প্ৰশিক্ষণ তথ্যৰ সমষ্টি লাভ কৰিবলৈ, বৰ্গক্ষেত্ৰীয় মাইক্ৰ ষ্ট্ৰীপ এণ্টেনাৰ ৰিজ নান্ট ফ্ৰেক্সেন্স আৰু কিউ-ফেক্টৰটো প্ৰামাণিক সূত্ৰৰ দ্বাৰা গণনা কৰা হয়। তাৰপিছত ট্ৰেংকড কোণৰ আকাৰ আৰু শ্ৰেষ্ঠ অক্ষীয় অনুপাতৰ সৈতে অপাৰেচন ফ্ৰিক্বেন্সি পোৱা যায়। লেভেনবাৰ্গ-মাৰ্কৱাৰ্ড্ট (LM) এলগৰিথম ব্যৱহাৰ কৰি, এটা তিনিটা লুকাই থকা স্তৰযুক্ত নেটৱৰ্কক এটা সঠিক সংশ্লেষণ মডেল প্ৰাপ্ত কৰিবলৈ প্ৰশিক্ষণ দিয়া হয়। অৱশেষত, বৈদ্যুতিক চুম্বকীয় অনুকৰণ আৰু জোখৰ সৈতে ইয়াৰ ফলাফলৰ তুলনা কৰি মডেলটো বৈধতা প্ৰদান কৰা হয়। ই এণ্টেনা অভিযন্তাসকলৰ বাবে একক-ফিড চিপিএছএমএৰ পট্টা ভৌতিক মাত্ৰা প্ৰত্যক্ষভাৱে প্ৰাপ্ত কৰাৰ বাবে অত্যন্ত উপযোগী। |
93f962a46b24030bf4486a77b282f567529e7782 | এই প্ৰবন্ধত এএনএছআইএছ এইচএফএছএছত ১৮০ ডিগ্ৰী ৰিং হাইব্ৰিড কাপলাৰ ব্যৱহাৰ কৰি এটা কমপেক্ট আৰু শক্তি-দক্ষ ৫ গিগাহাৰ্টজ ইন-বেণ্ড ফুল-ডুপ্লেক্স (এফডি) ডিজাইন উপস্থাপন কৰা হৈছে। প্ৰস্তাৱিত ডিজাইনে কপলাৰৰ সৈতে সংযুক্ত দুটা ৰেডিয়েটিং এণ্টেনাৰ মাজত ধ্বংসাত্মক হস্তক্ষেপৰ সুবিধা লৈ 57dBৰ এক উৎকৃষ্ট বিচ্ছিন্নতা লাভ কৰে, যাৰ ফলত স্ব-হস্তক্ষেপণ যথেষ্ট হ্ৰাস পায়। এই ডিজাইনটো প্যাছিভ আৰু সেয়েহে অভিযোজিত চেনেল অনুমানৰ বাবে অতিৰিক্ত শক্তিৰ প্ৰয়োজনীয়তা অতিক্ৰম কৰে। তদুপৰি, ই এটা কাম কৰিব পৰা আকাৰৰ যন্ত্ৰ যাৰ কাম কৰা প্ৰৱণতাটো অতি বেছি। সেয়েহে প্ৰস্তাৱিত এফডি ডিজাইন কমপেক্ট আৰু শক্তি-দক্ষ, যাক মোবাইল ডিভাইচত ব্যৱহাৰ কৰিব পাৰি, যেনে চেলফোন বা টেবলেট/ফেবলেট ডিভাইচসমূহ অধিক নমনীয় আৰু কম পৰিমাণৰ ৰেডিয়েন্স ৰিচ ৰ্চসমূহ অধিক পৰিমাণে সামৰি ল ব পৰা। |
023cc7f9f3544436553df9548a7d0575bb309c2e | এই প্ৰবন্ধত পাঠ্য শ্ৰেণীবিভাজনৰ বাবে এটা সৰল আৰু কাৰ্যকৰী ভিত্তি ৰেখা অন্বেষণ কৰা হৈছে। আমাৰ পৰীক্ষাসমূহত দেখা গৈছে যে আমাৰ দ্ৰুত পাঠ্য শ্ৰেণীবিভাজক ফাষ্টটেক্সট সঠিকতাৰ ক্ষেত্ৰত গভীৰ শিক্ষণ শ্ৰেণীবিভাজকৰ সমতুল্য আৰু প্ৰশিক্ষণ আৰু মূল্যায়নৰ ক্ষেত্ৰত বহু পৰিমাণে দ্ৰুত। আমি এটা মানক মাল্টি-কোৰ চি পি ইউ ব্যৱহাৰ কৰি দহ মিনিটৰ ভিতৰত এক বিলিয়ন শব্দৰ ওপৰত ফাষ্টটেক্সট প্ৰশিক্ষণ দিব পাৰো, আৰু এক মিনিটৰ ভিতৰত ৩১২,০০০ শ্ৰেণীৰ মাজত আধা মিলিয়ন বাক্য শ্ৰেণীবদ্ধ কৰিব পাৰো। |
d80e7da055f9c25e29f732d0a829daf172eb1fa0 | এই প্ৰবন্ধত স্বাস্থ্য সেৱা প্ৰদান আৰু সংগঠনৰ ক্ষেত্ৰত উদ্ভাৱনক আমি কেনেকৈ প্ৰচাৰ আৰু সাৰোগত কৰিব পাৰো এই প্ৰশ্নৰ উত্তৰ দিবলৈ প্ৰচুৰ সাহিত্য পৰ্যালোচনা সংক্ষিপ্ত কৰা হৈছে। ইয়াত বিষয়বস্তু (সংস্থাসমূহত উদ্ভাৱনৰ প্ৰসাৰক সংজ্ঞায়িত আৰু জোখাৰ কৰা) আৰু প্ৰক্ৰিয়া (প্ৰণালীবদ্ধ আৰু পুনঃপ্ৰকাশযোগ্যভাৱে সাহিত্য পৰ্যালোচনা কৰা) দুয়োটা বিষয় বিবেচনা কৰা হৈছে। এই প্ৰবন্ধত আলোচনা কৰা হৈছে (১) স্বাস্থ্যসেৱা সংস্থাত উদ্ভাৱনৰ প্ৰসাৰণৰ বাবে এক সংৰক্ষণশীল আৰু প্ৰমাণ-ভিত্তিক মডেল, (২) জ্ঞানৰ স্পষ্ট ফাঁক য ত অধিক গৱেষণাৰ ওপৰত গুৰুত্ব দিয়া উচিত, আৰু (৩) স্বাস্থ্যসেৱা নীতি আৰু ব্যৱস্থাপনাৰ পদ্ধতিগতভাৱে পুনৰীক্ষণৰ বাবে এক শক্তিশালী আৰু স্থানান্তৰযোগ্য পদ্ধতি। মডেল আৰু পদ্ধতি দুয়োটা বিভিন্ন ক্ষেত্ৰত অধিক বিস্তৃতভাৱে পৰীক্ষা কৰা উচিত। |
3343d1d78f2a14045b52b71428efaf43073d616d | লক্ষ্য শক্তি-ভৰ খাদ্যৰ সেৱনৰ সৈতে স্থূলতাৰ হাৰ বৃদ্ধিৰ সম্পৰ্ক আছে। আমি খাদ্যৰ শক্তিৰ ঘনত্ব স্থূলতা আৰু ইন্সুলিন প্ৰতিৰোধ আৰু মেটাব লিক ছিণ্ড্ৰ মকে ধৰি সম্পৰ্কিত ৰোগৰ সৈতে জড়িত আছিল নে নাই পৰীক্ষা কৰিছিলো। গৱেষণা ডিজাইন আৰু পদ্ধতি আমি ১৯৯৯-২০০২ ৰাষ্ট্ৰীয় স্বাস্থ্য আৰু পুষ্টি পৰীক্ষা সমীক্ষাৰ পৰা ৰাষ্ট্ৰীয় প্ৰতিনিধিত্বমূলক তথ্য ব্যৱহাৰ কৰি আমেৰিকা যুক্তৰাষ্ট্ৰৰ প্ৰাপ্তবয়স্ক লোকৰ > বা =২০ বছৰ বয়সৰ এক ক্ৰছ ছেকচন অধ্যয়ন চলাইছিলো (n = ৯,৬৮৮) । খাদ্যৰ শক্তিৰ ঘনত্বৰ হিচাপ কেৱল খাদ্যৰ ওপৰত ভিত্তি কৰি কৰা হৈছিল। আমি বহুবিধ ৰেখীয় বিৱৰ্তন মডেলৰ এটা শৃংখলা ব্যৱহাৰ কৰি খাদ্যৰ পৰা শক্তিৰ ঘনত্ব, মেদবহুলতা (বিএমআই [কিগ্ৰাম প্ৰতি মিটাৰ স্কোয়াৰ] আৰু কোমৰৰ পৰিধি [ছেণ্টিমিটাৰত]), গ্লাইকেমিয়া বা ইনচুলিনেমিয়াৰ মাজত থকা স্বতন্ত্ৰ সম্পৰ্ক নিৰ্ণয় কৰিছিলো। ৰাষ্ট্ৰীয় কলেষ্টেৰল আৰু শিক্ষা কাৰ্যসূচী (প্ৰাপ্তবয়স্ক চিকিৎসা পেনেল III) ৰ সংজ্ঞাৰ মতে আমি খাদ্য শক্তি ঘনত্ব আৰু মেটাব লিক ছিণ্ড্ৰ মৰ মাজত স্বতন্ত্ৰ সম্পৰ্ক নিৰ্ণয় কৰিবলৈ বহু-প্ৰকাৰৰ প ইছন ৰিগ্ৰেছন মডেল ব্যৱহাৰ কৰিছিলো। ফলাফল খাদ্যৰ যোগেদি পোৱা শক্তিৰ ঘনত্ব মহিলাৰ ক্ষেত্ৰত স্বতন্ত্ৰভাৱে আৰু গুৰুত্বপূৰ্ণভাৱে উচ্চ BMIৰ সৈতে সম্পৰ্কিত আছিল (বেটা = 0. 44 [95% CI 0. 14- 0. 73]) আৰু পুৰুষৰ ক্ষেত্ৰত গুৰুত্বপূৰ্ণ সম্পৰ্ক (বেটা = 0. 37 [- 0. 007 ৰ পৰা 0. 74], P = 0. 054) । খাদ্যৰ যোগেদি পোৱা শক্তিৰ ঘনত্ব মহিলাৰ ক্ষেত্ৰত (বেটা = 1. 11 [0. 42- 1. 80]) আৰু পুৰুষৰ ক্ষেত্ৰত (বেটা = 1. 33 [0. 46- 2. 19]) কোমৰৰ পৰিধি অধিক হোৱাৰ সৈতে সম্পৰ্কিত আছিল। খাদ্যৰ যোগেদি পোৱা শক্তিৰ ঘনত্বৰ সৈতেও নিৰ্ভৰশীলভাৱে উচচ মাত্ৰাৰ উপবাসত থকা ইনচুলিনৰ (বেটা = 0. 65 [0. 18 - 1. 12]) আৰু মেটাব লিক ছিণ্ড্ৰ ম (প্ৰচলন অনুপাত = 1. 10 [95% CI 1. 03- 1. 17]) সম্পৰ্ক আছিল। উপসংহাৰ খাদ্যৰ শক্তিৰ ঘনত্ব স্থূলতা, উচ্চ খালি পেট ইনছুলিনৰ স্তৰ আৰু আমেৰিকা যুক্তৰাষ্ট্ৰৰ প্ৰাপ্তবয়স্ক লোকৰ মেটাব লিক ছিণ্ড্ৰ মৰ এক স্বতন্ত্ৰ ভৱিষ্যদ্বাণী। খাদ্যত শক্তিৰ ঘনত্ব হ্ৰাস কৰিবলৈ হস্তক্ষেপ অধ্যয়ন কৰা প্ৰয়োজন। |
3e597e492c1ed6e7bbd539d5f2e5a6586c6074cd | বেছিভাগ নিউৰেল মেচিন অনুবাদ (NMT) মডেল ধাৰাবাহিক এনকোডাৰ-ডিক ডাৰ ফ্ৰেমৱৰ্কত ভিত্তি কৰি গঠিত, যিয়ে কোনো সিনটাক্সিক তথ্য ব্যৱহাৰ নকৰে। এই প্ৰবন্ধত, আমি এই মডেলটো উন্নত কৰিছো উৎস-পৃষ্ঠৰ সিন্টেক্টিকেল ট্ৰীজক স্পষ্টভাৱে অন্তৰ্ভুক্ত কৰি। অধিক সুনিৰ্দিষ্টভাৱে, আমি প্ৰস্তাৱ দিছো (1) এটা দ্বি-মুখী ট্ৰী এনকোডাৰ যি ক্ৰমান্বয়ে আৰু ট্ৰী ষ্ট্ৰাকচাৰড প্ৰতিনিধিত্ব উভয়কে শিকি থাকে; (2) এটা ট্ৰী-কভাৰেজ মডেল যি মনোযোগ উৎস-পৃষ্ঠৰ সিনটেক্সৰ ওপৰত নিৰ্ভৰ কৰে। চীনা-ইংৰাজী অনুবাদৰ ওপৰত কৰা পৰীক্ষাসমূহে প্ৰমাণ কৰে যে আমাৰ প্ৰস্তাৱিত মডেলসমূহে ক্ৰমিক মনোযোগৰ মডেলৰ লগতে তলৰ পৰা ওপৰলৈ গছ এনকোডাৰ আৰু শব্দৰ আচ্ছাদন সহ এক শক্তিশালী বেছলাইন অতিক্ৰম কৰে। |
4e88de2930a4435f737c3996287a90ff87b95c59 | সময়ৰ সৈতে ক্ৰম তথ্য সংৰক্ষণ কৰাৰ তেওঁলোকৰ উন্নত ক্ষমতাৰ বাবে, দীৰ্ঘ ক্ষুদ্ৰ-কালীন মেমৰি (LSTM) নেটৱৰ্ক, এক জটিল গণনামূলক একক থকা এক প্ৰকাৰৰ পুনৰাবৃত্ত নিউৰেল নেটৱৰ্ক, বিভিন্ন ক্ৰম মডেলিং কাৰ্য্যত শক্তিশালী ফলাফল লাভ কৰিছে। বৰ্তমানলৈকে অনুসন্ধান কৰা একমাত্ৰ এলএছটিএমৰ আধাৰশিলা হৈছে এটা ৰেখামুখী শৃংখলা। অৱশ্যে, প্ৰাকৃতিক ভাষাত এনে সিন্টেক্টিকেল বৈশিষ্ট্য থাকে যিয়ে শব্দবোৰক বাক্যাংশলৈ স্বাভাৱিকভাৱে সংযুক্ত কৰে। আমি Tree-LSTM, বৃক্ষ-গঠনযুক্ত নেটৱৰ্ক টপ লজিসমূহলৈ LSTM ৰ এটা সাধাৰণীকৰণ প্ৰৱৰ্তন কৰো। TreeLSTMসমূহে সকলো বিদ্যমান ব্যৱস্থা আৰু শক্তিশালী LSTMৰ আধাৰশাৰী দুটা কামত অতিক্ৰম কৰেঃ দুটা বাক্যৰ অৰ্থগত সম্পৰ্ক (SemEval 2014, Task 1) আৰু অনুভূতি শ্ৰেণীবিভাজন (ষ্টেনফৰ্ড অনুভূতি ট্ৰীবেংক) ৰ ভৱিষ্যদ্বাণী কৰা। |
6411da05a0e6f3e38bcac0ce57c28038ff08081c | অৰ্থগত প্ৰতিনিধিত্বসমূহ দীৰ্ঘদিন ধৰি অৰ্থ সংৰক্ষণৰ বাবে আৰু যান্ত্ৰিক অনুবাদ পদ্ধতিৰ সাধাৰণীকৰণ কাৰ্যক্ষমতা উন্নত কৰাৰ বাবে সম্ভাব্যভাৱে উপযোগী বুলি যুক্তি দিয়া হৈছে। এই কামত, আমি প্ৰথমতে উৎস বাক্যসমূহৰ (অৰ্থাৎ, অৰ্থ-ভূমিকা প্ৰতিনিধিত্ব) প্ৰবক্তা-আৰ্গুমেণ্ট গাঁথনিৰ বিষয়ে তথ্য নিউৰেল মেচিন অনুবাদত অন্তৰ্ভুক্ত কৰিছো। আমি গ্ৰাফ কনভলুশ্যনেল নেটৱৰ্ক (জিচিএন) ব্যৱহাৰ কৰি বাক্য এনকোডাৰবোৰত এটা অৰ্থগত পক্ষপাত ইনজেক্ট কৰো আৰু ইংৰাজী-জাৰ্মান ভাষা জোড়ৰ ভাষিক-অজ্ঞানবাদী আৰু সিন্টেক্সৱেৰ সংস্কৰণসমূহৰ তুলনাত BLEU স্ক ৰত উন্নতি সাধন কৰো। |
9f291ce2d0fc1d76206139a40a859283674d8f65 | এনকোডাৰ-ডিক ডাৰ স্থাপত্যৰ ওপৰত আধাৰিত নিউৰেল মেচিন ট্ৰান্সলেশ্যনে (এনএমটি) শেহতীয়াকৈ অত্যাধুনিক প্ৰদৰ্শন লাভ কৰিছে। গৱেষকসকলে প্ৰমাণ কৰিছে যে উৎস-পৃষ্ঠৰ বাক্যাংশৰ গঠন অন্তৰ্ভুক্ত কৰি শব্দৰ স্তৰৰ মনোযোগ ফ্রেজ স্তৰৰ মনোযোগলৈ সম্প্ৰসাৰিত কৰিলে মনোযোগৰ মডেল উন্নত কৰিব পাৰি আৰু আশাব্যঞ্জক উন্নতি লাভ কৰিব পাৰি। অৱশ্যে, উৎস বাক্য এটা সঠিকভাৱে বুজিবলৈ গুৰুত্বপূৰ্ণ শব্দৰ নিৰ্ভৰশীলতা সদায় একেৰাহে (যেনে, কেতিয়াবা ইহঁতৰ মাজত বহু দূৰত্ব থাকিব পাৰে। বাক্য গঠন দীঘলীয়া দূৰত্বৰ নিৰ্ভৰশীলতা স্পষ্টভাৱে মডেল কৰাৰ বাবে সৰ্বশ্ৰেষ্ঠ উপায় নহয়। এই প্ৰবন্ধত আমি NMT ত উৎস-পৃষ্ঠৰ দীঘল দূৰত্বৰ নিৰ্ভৰশীলতা অন্তৰ্ভুক্ত কৰাৰ বাবে এটা সহজ কিন্তু কাৰ্যকৰী পদ্ধতিৰ প্ৰস্তাৱ দিছো। আমাৰ পদ্ধতি নিৰ্ভৰশীলতা গছৰ ওপৰত ভিত্তি কৰি প্ৰতি উৎসৰ অৱস্থাটো বিশ্বজনীন নিৰ্ভৰশীলতা গাঁথনিৰে সমৃদ্ধ কৰে, যি উৎস বাক্যসমূহৰ অন্তৰ্নিহিত সিনটাক্সিক গাঁথনি ভালদৰে ধৰি ৰাখিব পাৰে। চীনা-ইংৰাজী আৰু ইংৰাজী-জাপানী অনুবাদৰ কামৰ ওপৰত কৰা পৰীক্ষাসমূহৰ পৰা দেখা গৈছে যে আমাৰ প্ৰস্তাৱিত পদ্ধতিটোৱে অত্যাধুনিক SMT আৰু NMTৰ আধাৰশাৰী পদ্ধতিৰ তুলনাত ভাল প্ৰদৰ্শন কৰে। |
d12c173ea92fc33dc276d1da90dc72a660f7ea12 | লিঙ্কড ডাটাৰ মূল উদ্দেশ্য হৈছে সংযোগ আৰু একত্ৰীকৰণ, আৰু এই লক্ষ্যত উপনীত হৈছে নে নাই সেয়া মূল্যায়ন কৰাৰ বাবে এটা গুৰুত্বপূৰ্ণ পদক্ষেপ হৈছে লিঙ্কড অ পেন ডাটা (LOD) ক্লাউড ডাটা ছেটৰ মাজত সকলো সংযোগ বিচাৰি উলিওৱা। দুটা বা ততোধিক ডাটা ছেটৰ মাজত সংযোগ সাধন কৰিব পাৰি সাধাৰণ এণ্টিটি, ট্ৰিপল, লিটেল আৰু স্কিমা এলিমেণ্টৰ জৰিয়তে, আনহাতে ইউআৰআইৰ মাজত সমতুল্যতাৰ সম্পৰ্কসমূহৰ বাবে অধিক সংযোগ হ ব পাৰে, যেনে owl:sameAs, owl:equivalentProperty আৰু owl:equivalentClass, কিয়নো বহুতো প্ৰকাশকে তেওঁলোকৰ ইউআৰআই আন ডাটা ছেটৰ ইউআৰআইৰ সৈতে সমতুল্য বুলি ঘোষণা কৰিবলৈ এনে সমতুল্যতা সম্পৰ্ক ব্যৱহাৰ কৰে। অৱশ্যে, দুটাতকৈ অধিক ডাটা ছেট জড়িত কৰা সংযোগৰ জোখ-মাপ (আৰু সূচী) উপলব্ধ নহয়, যিয়ে ডাটা ছেটৰ সমগ্ৰ বিষয়বস্তু (যেনে, সত্তা, স্কিমা, ট্ৰিপল) বা ছোৱা (যেনে, এটা নিৰ্দিষ্ট সত্তাৰ বাবে ট্ৰিপল) ক সামৰি লয়, যদিও সেইবোৰ কেইবাটাও বাস্তৱ জগতৰ কামৰ বাবে প্ৰাথমিক গুৰুত্বৰ হ ব পাৰে, যেনে তথ্য সমৃদ্ধকৰণ, ডাটা ছেট আৱিষ্কাৰ আৰু অন্যান্য। সাধাৰণতে, ডাটা ছেটৰ মাজত সংযোগবোৰ বিচাৰি উলিওৱাটো সহজ কাম নহয়, কাৰণ ইয়াত বহুতো LOD ডাটা ছেট আছে আৰু সমতুল্যতাৰ সম্পৰ্কসমূহৰ পাৰ্থক্য আৰু সমতুল্য বন্ধন গণনা কৰা উচিত যাতে সংযোগসমূহ হেৰোৱা নহয়। এই কাৰণতে, আমি স্কেলযোগ্য পদ্ধতি আৰু এলগৰিথম প্ৰৱৰ্তন কৰো, (ক) সমতুল্যতাৰ সম্পৰ্কসমূহৰ বাবে পাৰ্থক্য আৰু সমতুল্য বন্ধনৰ গণনা সম্পাদন কৰাৰ বাবে (কিয়নো তেওঁলোকে ডাটা ছেটৰ মাজত অধিক সংযোগ সৃষ্টি কৰিব পাৰে); (খ) ডেটা ছেটৰ সমগ্ৰ বিষয়বস্তু সামৰি লোৱা ডেডিকেটেড গ্ল বেল ছীমেণ্টিক-সচেতন সূচী নিৰ্মাণৰ বাবে; আৰু (গ) দুটা বা ততোধিক ডাটা ছেটৰ মাজত সংযোগতা জোখাৰ বাবে। শেষত, আমি প্ৰস্তাৱিত পদ্ধতিৰ গতিৰ মূল্যায়ন কৰো, আৰু আমি দুই বিলিয়ন ত্ৰিপলতকৈ অধিকৰ তুলনামূলক ফলাফলৰ প্ৰতিবেদন দিওঁ। |
d6020bdf3b03f209174cbc8fb4ecbe6208eb9ff1 | আমি প্ৰথম লেখকগৰাকীৰ গৱেষণা কেৰিয়াৰৰ বিষয়ে এক পৰৱৰ্তী প্ৰতিবিম্বৰে আৰম্ভ কৰিম, যিটো বেছিভাগ অংশত সাংগঠনিক পৰিৱৰ্তনৰ বাবে তথ্য প্ৰযুক্তি (আইটি) ৰ প্ৰভাৱৰ বিষয়ে গৱেষণাৰ বাবে উৎসৰ্গিত। যদিও আই টি দীৰ্ঘদিন ধৰি সাংগঠনিক পৰিৱৰ্তনৰ সৈতে জড়িত হৈ আছে, আমাৰ ঐতিহাসিক পৰ্যালোচনা প্ৰতিষ্ঠান তত্ত্বত প্ৰযুক্তিৰ চিকিত্সাৰ প্ৰদৰ্শন কৰে যে প্ৰতিষ্ঠানসমূহৰ উপাদানীয় দিশবোৰ তত্ত্ব বিকাশৰ পিছফালৰ সৈতে কিমান সহজে অদৃশ্য হৈ যাব পাৰে। এইটো এটা দুৰ্ভাগ্যজনক ফলাফল কিয়নো তথ্য প্ৰযুক্তিৰ প্ৰচেষ্টাসমূহৰ উপাদানগত বৈশিষ্ট্যসমূহে তেওঁলোকক অন্যান্য সাংগঠনিক পৰিৱৰ্তন প্ৰচেষ্টাসমূহৰ পৰা পৃথক কৰে। আমাৰ উদ্দেশ্য হ ল তথ্য প্ৰযুক্তিৰ প্ৰভাৱৰ অধ্যয়নৰ গুৰুত্ব পুনৰ স্থাপন কৰা, ইয়াৰ বিলুপ্তিৰ কাৰণসমূহ সন্ধান কৰা আৰু বিকল্প প্ৰদান কৰা য ত তথ্য প্ৰযুক্তিৰ গুৰুত্বই এক কেন্দ্ৰীয় তাত্ত্বিক ভূমিকা পালন কৰে। আমি এক সামাজিক-প্ৰযুক্তিগত দৃষ্টিকোণ গ্ৰহণ কৰো যি এক কঠোৰ সামাজিক-সামগ্ৰিক দৃষ্টিকোণৰ পৰা পৃথক যিমান দূৰ আমি বস্তুগত নিদৰ্শন আৰু তেওঁলোকৰ সামাজিক ব্যৱহাৰৰ প্ৰসংগসমূহৰ মাজত অনটনোলজিকাল পাৰ্থক্য ৰক্ষা কৰিবলৈ ইচ্ছুক। আমাৰ বিশ্লেষণত "সক্ষমতা"ৰ ধাৰণাটো সামাজিক-প্ৰযুক্তিগত দৃষ্টিকোণৰ সৈতে সামঞ্জস্য থকা এটা সম্পৰ্কীয় ধাৰণা হিচাপে ব্যৱহাৰ কৰা হৈছে। তাৰ পিছত আমি সাংগঠনিক ৰুটিন তত্ত্বৰ সম্প্ৰসাৰণৰ প্ৰস্তাৱ দিওঁ যিয়ে ৰুটিন নামে পৰিচিত প্ৰজন্মগত প্ৰণালীত উপাদানগত প্ৰতীক অন্তৰ্ভুক্ত কৰে। এই অৱদানসমূহে আই টিৰ সাংগঠনিক প্ৰভাৱৰ অধ্যয়নত নতুন গৱেষণা ফ কাছ হিচাপে গুৰুত্বক গ্ৰহণ কৰাৰ ক্ষেত্ৰত থকা বহুতো প্ৰত্যাহ্বানৰ দুটা উদাহৰণ দাঙি ধৰে। |
7039b7c97bd0e59693f2dc4ed7b40e8790bf2746 | আমি এটা নিউৰেল নেটৱৰ্ক মডেলৰ বৰ্ণনা দিছো যিয়ে যৌথভাৱে পাঠ্য আৰু জ্ঞান আধাৰ (কে বি) সত্তাৰ বিতৰণ প্ৰতিনিধিত্ব শিকায়। এটা কে.বি.ৰ পাঠ্য প্ৰদান কৰি, আমি আমাৰ প্ৰস্তাৱিত মডেলক পাঠ্যটোৰ সৈতে সম্পৰ্কিত সত্তাসমূহৰ ভৱিষ্যদ্বাণী কৰিবলৈ প্ৰশিক্ষণ দিওঁ। আমাৰ মডেলটো সাধাৰণ হ বলৈ ডিজাইন কৰা হৈছে যাতে বিভিন্ন এনএলপি কাম সহজে কৰিব পৰা যায়। আমি ৱিকিপিডিয়াৰ পৰা আহৰণ কৰা প্ৰবন্ধৰ বৃহৎ গোট আৰু তেওঁলোকৰ সত্তা টোকা ব্যৱহাৰ কৰি মডেলটো প্ৰশিক্ষণ দিওঁ। আমি এই মডেলটো তিনিটা গুৰুত্বপূৰ্ণ এনএলপি কামত (অৰ্থাৎ, বাক্য পাঠ্যগত সাদৃশ্য, সত্তা সংযোগ, আৰু ফেক্টয়েড প্ৰশ্ন উত্তৰ) পৰ্যবেক্ষণ কৰা আৰু নিৰীক্ষণ নকৰা উভয় ছেটিং জড়িত কৰি মূল্যায়ন কৰিছিলো। ফলস্বৰূপে, আমি এই তিনিটা কামৰ অত্যাধুনিক ফলাফল লাভ কৰিলো। আমাৰ কোড আৰু প্ৰশিক্ষিত মডেলসমূহ অধিক শৈক্ষিক গৱেষণাৰ বাবে ৰাজহুৱাভাৱে উপলব্ধ। |
42f75b297aed474599c8e598dd211a1999804138 | আমি অটো ক্লাছ, শ্ৰেণীবিভাজনৰ বাবে এক পদ্ধতিৰ বিষয়ে বৰ্ণনা কৰিছো যি শ্ৰেণীবিভাজনৰ বাবে শ্ৰেণীবিভাজনৰ ওপৰত আধাৰিত। আমি অটো ক্লাছ প্ৰণালীৰ আঁৰৰ গণিতৰ এক মধ্যম বিশদ ব্যাখ্যা অন্তৰ্ভুক্ত কৰিছো। আমি এই কথাকে গুৰুত্ব দিওঁ যে বৰ্তমান কোনোধৰণৰ নিৰীক্ষণহীন শ্ৰেণীবিভাজন ব্যৱস্থাই অকলে কাৰ্যকৰী হ লে সৰ্বাধিক উপযোগী ফলাফল দিব নোৱাৰে। ডোমেইন বিশেষজ্ঞ আৰু মডেল স্পেচত অনুসন্ধান কৰা মেচিনৰ মাজত হোৱা আন্তঃক্ৰিয়াত নতুন জ্ঞান সৃষ্টি হয়। দুয়োটাই ডাটাবেছ বিশ্লেষণৰ কামত অনন্য তথ্য আৰু দক্ষতা প্ৰদান কৰে আৰু প্ৰত্যেকেই আনটোৰ কাৰ্য্যকৰীতা বৃদ্ধি কৰে। আমি অটো ক্লাছৰ বিভিন্ন প্ৰয়োগৰ সৈতে জটিল বাস্তৱ জগতৰ ডাটাবেছসমূহৰ সৈতে এই বিন্দুটো প্ৰদৰ্শন কৰো আৰু ইয়াৰ ফলত হোৱা সফলতা আৰু বিফলতাৰ বৰ্ণনা দিওঁ। এই অধ্যায়টো এটা স্বয়ংক্ৰিয় শ্ৰেণীবিভাজন প্ৰগ্ৰাম (অটো ক্লাছ) ব্যৱহাৰ কৰি ডাটাবেছৰ পৰা উপযোগী তথ্য আহৰণৰ ক্ষেত্ৰত আমাৰ অভিজ্ঞতাৰ সাৰাংশ। ইয়াত সাধাৰণভাৱে স্বয়ংক্ৰিয় শ্ৰেণীবিভাজনৰ আৰু বিশেষকৈ অটো ক্লাছৰ আধাৰস্বৰূপ নীতিসমূহৰ এটা ৰূপৰেখা দিয়া হৈছে। আমি লেবেলযুক্ত উদাহৰণসমূহৰ পৰা শ্ৰেণীৰ বিৱৰণ সৃষ্টি কৰাৰ পৰিৱৰ্তে তথ্যত শ্ৰেণীৰ স্বয়ংক্ৰিয় আৱিষ্কাৰৰ সমস্যা (কোনো সময়ত ক্লাষ্টাৰিং বা নিৰীক্ষণহীন শিক্ষা বুলি কোৱা হয়) লৈ উদ্বিগ্ন (নিৰীক্ষণযুক্ত শিক্ষা বুলি কোৱা হয়) । কোনো অৰ্থত স্বয়ংক্ৰিয় শ্ৰেণীবিভাজনৰ লক্ষ্য হৈছে তথ্যৰ "প্ৰাকৃতিক" শ্ৰেণীবোৰ আৱিষ্কাৰ কৰা। এই শ্ৰেণীবোৰে মৌলিক কাৰণ-প্ৰতিক্ৰিয়া প্ৰক্ৰিয়াবোৰ প্ৰদৰ্শন কৰে যাৰ ফলত কিছুমান ঘটনা বাকীবোৰ ঘটনাতকৈ পৰস্পৰৰ সৈতে অধিক সাদৃশ্যযুক্ত হয়। কাৰণ-প্ৰতিক্ৰিয়া পদ্ধতিবোৰ তথ্যৰ নমুনা পক্ষপাতৰ দৰে বৰ্বৰ হ ব পাৰে, বা ডোমেইনত কিছুমান গুৰুত্বপূৰ্ণ নতুন আৱিষ্কাৰৰ প্ৰতিক্ৰিয়া হ ব পাৰে। কেতিয়াবা, এই শ্ৰেণীবোৰ ক্ষেত্ৰৰ বিশেষজ্ঞসকলৰ বাবে ভালকৈ জনা গৈছিল, কিন্তু অটো ক্লাছৰ বাবে অজ্ঞাত আছিল, আৰু আন সময়ত |
32aea4c9fb9eb7cf2b6869efa83cf73420374628 | |
091778f43d947affb69dbccc2c3251abfa852ad2 | এটা অৰ্থপূৰ্ণ ফাইল চিষ্টেম হৈছে এক তথ্য সংৰক্ষণ ব্যৱস্থা যি ফাইলৰ ধৰণ নিৰ্দিষ্ট ট্ৰান্সডুচাৰসমূহৰ সৈতে স্বয়ংক্ৰিয়ভাৱে ফাইলৰ পৰা গুণসমূহ আহৰণ কৰি প্ৰণালীটোৰ বিষয়বস্তুৰ বাবে নমনীয় সহযোগী প্ৰৱেশাধিকাৰ প্ৰদান কৰে। সংযুক্ত প্ৰৱেশ বিদ্যমান বৃক্ষ-গঠনযুক্ত ফাইল চিস্টেম প্ৰট কলৰ সংৰক্ষণশীল সম্প্ৰসাৰণৰ দ্বাৰা আৰু বিশেষভাৱে বিষয়বস্তু ভিত্তিক প্ৰৱেশৰ বাবে ডিজাইন কৰা প্ৰট কলৰ দ্বাৰা প্ৰদান কৰা হয়। বৰ্তমানৰ ফাইল চিষ্টেম প্ৰট কলৰ সৈতে সামঞ্জস্যতা এটা ভাৰ্চুৱেল ডাইৰেক্টৰিৰ ধাৰণা প্ৰৱৰ্তন কৰি প্ৰদান কৰা হয়। ভাৰ্চুৱেল ডাইৰেক্টৰি নামবোৰ কোৱাৰী হিচাপে ব্যাখ্যা কৰা হয়, আৰু সেয়েহে বিদ্যমান ছফ্টৱেৰ সৈতে সামঞ্জস্যপূৰ্ণভাৱে ফাইল আৰু ডাইৰেক্টৰিসমূহৰ নমনীয় সহযোগী প্ৰৱেশাধিকাৰ প্ৰদান কৰে। ফাইল চিষ্টেমৰ সামগ্ৰীসমূহৰ দ্ৰুত বৈশিষ্ট্য-ভিত্তিক প্ৰৱেশ স্বয়ংক্ৰিয়ভাৱে ফাইল চিষ্টেম অবজেক্টসমূহৰ মূল বৈশিষ্ট্যসমূহৰ আহৰণ আৰু সূচীবদ্ধকৰণৰ দ্বাৰা প্ৰয়োগ কৰা হয়। ফাইল আৰু ডাইৰেক্টৰিৰ স্বয়ংক্ৰিয় সূচীকৰণক "আৰ্হিক" বুলি কোৱা হয় কাৰণ ব্যৱহাৰকাৰী প্ৰগ্ৰামযোগ্য ট্ৰেন্সডুচাৰবোৰে সূচীকৰণৰ বাবে সম্পত্তিসমূহ আহৰণ কৰিবলৈ আপডেট কৰা ফাইল চিষ্টেম অবজেক্টৰ আৰ্হিক সম্পৰ্কে তথ্য ব্যৱহাৰ কৰে। এটা অৰ্থপূৰ্ণ ফাইল চিষ্টেম ৰূপায়ণৰ পৰা প্ৰয়োগ কৰা পৰীক্ষামূলক ফলাফলসমূহে এই থিছটো সমৰ্থন কৰে যে পৰম্পৰাগত বৃক্ষ গঠনযুক্ত ফাইল চিষ্টেমতকৈ তথ্য ভাগ-বতৰা আৰু কমান্ড স্তৰৰ প্ৰগ্ৰামিংৰ বাবে অৰ্থপূৰ্ণ ফাইল চিষ্টেমবোৰে অধিক কাৰ্যকৰী সঞ্চয় বিমূর্ততা উপস্থাপন কৰে। |
096db7e8d2b209fb6dca9c7495ac84405c40e507 | এই প্ৰবন্ধত আমি ন নেগেটিভ মেট্ৰিকছ ফেক্টৰাইজেশ্যন (এনএমএফ) ৰ বাবে নতুন বিকল্প ন্যূনতম স্কোৱাডাৰ (এএলএছ) এলগৰিথম আৰু ইয়াৰ সম্প্ৰসাৰণসমূহ 3D ন নেগেটিভ টেন্সৰ ফেক্টৰাইজেশ্যন (এনটিএফ) ৰ বাবে উপস্থাপন কৰিছো যি গোলমালৰ উপস্থিতিত শক্তিশালী আৰু বহুতো সম্ভাৱ্য প্ৰয়োগ আছে, যাৰ ভিতৰত আছে বহু-পথ অন্ধ উৎস বিভাজন (বিএছএছ), বহু-সংবেদী বা বহু-মাত্রিক তথ্য বিশ্লেষণ, আৰু অ-নেগেটিভ নিউৰেল বিৰল কোডিং। আমি স্থানীয় ব্যয়ৰ কাৰ্য্য ব্যৱহাৰ কৰাৰ প্ৰস্তাৱ দিওঁ যাৰ একে সময়তে বা ক্ৰমিক (এটাৰ পিছত এটা) হ্ৰাসকৰণে অতি সহজ ALS অ্যালগৰিদমৰ বাবে পৰিচালিত কৰে যিটো কিছু স্পাৰ্চিটি সীমাবদ্ধতাৰ অধীনত কাম কৰে দুয়োটা অ-নিৰ্ধাৰিত (এটা প্ৰণালী যাৰ উৎসতকৈ কম ছেন্সৰ থাকে) আৰু অতি নিৰ্ধাৰিত মডেলৰ বাবে। বিস্তৃত পৰীক্ষামূলক ফলাফলসমূহে বিকাশিত এলগৰিথমসমূহৰ বৈধতা আৰু উচ্চ কাৰ্যক্ষমতা নিশ্চিত কৰে, বিশেষকৈ বহুস্তৰীয় পৰ্যায়বৰ্ধিত NMFৰ ব্যৱহাৰৰ সৈতে। প্ৰস্তাৱিত এলগৰিথমৰ বহুমাত্ৰিক বিৰল উপাদান বিশ্লেষণ আৰু মসৃণ উপাদান বিশ্লেষণলৈ সম্প্ৰসাৰণৰ প্ৰস্তাৱো আগবঢ়োৱা হৈছে। |
339888b357e780c6e80fc135ec48a14c3b524f7d | ব্লুম ফিল্টাৰ হৈছে সদস্যতাৰ প্ৰশ্নসমূহ সমৰ্থন কৰাৰ বাবে এটা ছেট প্ৰতিনিধিত্ব কৰাৰ বাবে এটা সৰল স্থান-দক্ষ এলোমেলো তথ্য গাঁথনি। ব্লুম ফিল্টাৰে মিছা পজিটিভৰ অনুমতি দিয়ে কিন্তু স্থান সঞ্চয়ৰ ফলত এই অসুবিধাটো বেছি হয় যেতিয়া ত্ৰুটিৰ সম্ভাৱনা নিয়ন্ত্ৰিত হয়। ব্লুম ফিল্টাৰবোৰ ১৯৭০ চনৰ পৰা ডাটাবেছ এপ্লিকেশ্যনত ব্যৱহাৰ কৰা হৈছে, কিন্তু শেহতীয়া বছৰবোৰতহে নেটৱৰ্কিং সাহিত্যত ই জনপ্ৰিয় হৈ পৰিছে। এই প্ৰবন্ধৰ উদ্দেশ্য হৈছে ব্লুম ফিল্টাৰসমূহ বিভিন্ন নেটৱৰ্ক সমস্যাত ব্যৱহাৰ আৰু সংশোধন কৰা পদ্ধতিৰ সমীক্ষা কৰা, যাৰ উদ্দেশ্য হৈছে এক একক গাণিতিক আৰু ব্যৱহাৰিক ফ্ৰেমৱৰ্ক প্ৰদান কৰা যাতে ইয়াক বুজি পোৱা যায় আৰু ভৱিষ্যতে ইয়াৰ ব্যৱহাৰ উদ্দীপিত হয়। |
dc3e8bea9ef0c9a2df20e4d11860203eaf795b6a | সাধাৰণ খোজকাঢ়ি যোৱাৰ সময়ত সৃষ্টি হোৱা স্থল প্ৰতিক্ৰিয়া বলসমূহক সম্প্রতি সময়ৰ লগে লগে পৰ্যবেক্ষণ কৰা বলৰ ধৰণীৰ ভিত্তিত ব্যক্তিসকলক চিনাক্ত আৰু/বা শ্ৰেণীবিভাজন কৰিবলৈ ব্যৱহাৰ কৰা হৈছে। এক বৈশিষ্ট্য যি উল্লম্ব স্থল বিক্ৰিয়া বলৰ পৰা আহৰণ কৰিব পাৰি সেয়া হৈছে শৰীৰৰ ভৰ। এই একক বৈশিষ্ট্যৰ চিনাক্তকৰণ ক্ষমতা আন অধ্যয়নৰ সৈতে তুলনাযোগ্য যি একাধিক আৰু অধিক জটিল বৈশিষ্ট ব্যৱহাৰ কৰে। এই অধ্যয়নে চিনাক্তকৰণৰ ক্ষেত্ৰত শৰীৰৰ ভৰৰ ভূমিকা বুজি উঠাত সহায় কৰে (1) ভৰিত মাটিৰ ক্ৰিয়াশক্তি ব্যৱহাৰ কৰি শৰীৰৰ ভৰ কিমান সঠিক আৰু নিৰ্ভুলভাৱে পোৱা যায়, (2) ভৰিত ভৰৰ বিতৰণ কিমান পৰিমাণে হয়, যিটো পূৰ্বতে গেইট বিশ্লেষণৰ ক্ষেত্ৰত অধ্যয়ন কৰা হৈছিল, আৰু (3) শৰীৰৰ ভৰক দুৰ্বল বায় মেট্ৰিক হিচাপে ব্যৱহাৰ কৰি প্ৰণালীৰ আশা কৰা চিনাক্তকৰণ ক্ষমতা কিমান পৰিমাণে হয়। আমাৰ ফলাফলত দেখা গৈছে যে শৰীৰৰ ভৰ এক ছেকেণ্ডৰ ভগ্নাংশত ১ কিলোগ্ৰামতকৈ কম মান বিচ্যুতিৰ সৈতে জোখা যায়। |
1b2f2bb90fb08d0e02eabb152120dbf1d6e5837e | আমি এটা নিউৰেল নেটৱৰ্ক-প্ৰেৰিত মডেলৰ পৰিয়াল প্ৰদৰ্শন কৰিছো, যিবোৰ নিৰন্তৰ শব্দ প্ৰতিনিধিত্বৰ বাবে কম্পিউটিংৰ বাবে, বিশেষভাৱে একলিংগুৱেল আৰু বহুভাষিক দুয়োটা পাঠৰ ব্যৱহাৰৰ বাবে ডিজাইন কৰা হৈছে। এই ফ্ৰেমৱৰ্কটোৱে আমাক পূৰ্বৰ মডেলৰ তুলনাত বৰ্হিপ্ৰৱন্ধিতভাৱে প্ৰশিক্ষিত এম্বেডিংৰ নিৰীক্ষণহীন প্ৰশিক্ষণ প্ৰদান কৰিবলৈ অনুমতি দিয়ে যিয়ে সিনটাক্স আৰু অৰ্থগত সংমিশ্ৰণৰ ক্ষেত্ৰত উচ্চ নির্ভুলতা প্ৰদৰ্শন কৰে, লগতে বহুভাষিক অৰ্থগত সাদৃশ্যতা। আমি এইটোও দেখুৱাম যে এনে বহুভাষিক এম্বেডিং, অৰ্থগত সাদৃশ্যৰ বাবে অপ্টিমাইজ কৰা, সমান্তৰাল তথ্যত উপস্থিত নথকা শব্দবোৰ কেনেদৰে পৰিচালনা কৰে তাৰ প্ৰতি সন্মান জনাই পৰিসংখ্যাগত মেচিন অনুবাদৰ কাৰ্যক্ষমতা উন্নত কৰিব পাৰে। |
396945dabf79f4a8bf36ca408a137d6e961306e7 | |
6010c2d8eb5b6c5da3463d0744203060bdcc07a7 | ছালমন পোক, লেপিঅ ফথাইৰছ ছালমনিছ (ক্ৰয়াৰ, ১৮৩৭), মাছৰ বহিঃপক্ষাঘাতী যি আটলান্টিক ছালমনৰ মৰিকলচাৰ (মৰিকলচাৰ) ৰ ক্ষেত্ৰত অৰ্থনৈতিক ক্ষতিৰ সৃষ্টি কৰে, ছালম ছালাৰ লিনিয়ছ, ১৭৫৮। মৎস্য পালনত এল.চেলমনিছৰ নিয়ন্ত্ৰণ বহু পৰিমাণে এণ্টি-পেৰাচিটিক ঔষধৰ ওপৰত নিৰ্ভৰ কৰে। ৰাসায়নিক নিয়ন্ত্ৰণৰ সৈতে সম্পৰ্কিত এটা সমস্যা হৈছে প্ৰতিৰোধৰ বিকাশৰ সম্ভাৱনা, যি এল.চেলমনিছত অংগ-ফছফেট, পাইৰেথ্ৰইড আৰু এভাৰমেক্টিনকে ধৰি বহুতো দৰৱ শ্ৰেণীৰ বাবে নথিভুক্ত কৰা হৈছে। এ টি পি-বন্ধক কেছেট (এ বি চি) জিন ছুপাৰ ফেমিলী সকলো জৈৱত পোৱা যায় আৰু ইয়াত কেন্সাৰ আৰু ৰোগ সৃষ্টিকাৰী বীজাণুৰ প্ৰতি ঔষধ প্ৰতিৰোধ ক্ষমতা প্ৰদান কৰিব পৰা ঔষধ ইফ্লাক্স ট্ৰেন্সপ ৰ্টাৰসমূহৰ এটা পৰিসৰ অন্তৰ্ভুক্ত থাকে। তদুপৰি, কিছুমান এ বি চি পৰিবহণকৰ্তাই কীটনাশক প্ৰতিৰোধৰ ক্ষেত্ৰত জড়িত বুলি জনা যায়। যদিও বহুতো অধ্যয়নত এল.চেলমনিছত এ বি চি পৰিবহণকৰ্তাৰ বিষয়ে অনুসন্ধান কৰা হৈছে, এই প্ৰজাতিৰ বাবে এ বি চি জিন পৰিয়ালৰ কোনো পদ্ধতিগত বিশ্লেষণ নাই। এই অধ্যয়নত এল.চেলমনিছৰ এ বি চি জিনৰ জিনোম-বিস্তৃত জৰীপ উপস্থাপন কৰা হৈছে যাৰ বাবে এল.চেলমনিছৰ জিন মৰ সমল অনুসন্ধানৰ জৰিয়তে এ বি চি ছুপাৰ ফেমিলিৰ সদস্যসকলক চিনাক্ত কৰা হৈছিল। ইয়াৰ উপৰিও, এবিচি প্ৰ টিনবোৰ বহু- পৰ্যায়ৰ আৰএনএ লাইব্ৰেৰীৰ উচ্চ-প্ৰবাহ আৰএনএ ক্ৰমবিন্যাস (RNA- seq) ৰ দ্বাৰা উৎপন্ন কৰা পৰজীৱীৰ এক প্ৰসংগ প্ৰতিলিপিত চিনাক্ত কৰা হৈছিল। জিন ম আৰু ট্ৰান্সক্রিপ্ট ম দুয়োটাতে অনুসন্ধানৰ ফলত এ বি চি প্রটিনৰ বাবে কোডিং কৰা মুঠ ৩৩টা জিন/ট্রান্সক্রিপ্ট চিনাক্ত কৰা হয়, য ৰ ভিতৰত ৩টা জিন মত আৰু ৪টা কেৱল ট্রান্সক্রিপ্ট মতহে প্ৰতিনিধিত্ব কৰা হয়। ওষুধৰ পৰিবহণকাৰী হিচাপে জনাজাত এ বি চি উপ- পৰিয়ালৰ আঠটা ক্ৰমক ভাগ কৰা হয়, অৰ্থাৎ উপপৰিয়াল B (৪ টা ক্ৰম), C (১১) আৰু G (২) এই ফলাফলৰ পৰা অনুমান কৰা হৈছে যে এল.চেলমনিছৰ এবিচি জিন পৰিয়ালৰ সদস্যৰ সংখ্যা অন্যান্য আৰ্থ্ৰ পডৰ তুলনাত কম। এল.ছালমনিছৰ এ বি চি জিন ছুপাৰ ফেমিলীৰ এই সমীক্ষাই ছালমনৰ বিষাক্ততা নিৰ্ণয়কাৰী এজেন্ট আৰু ঔষধ প্ৰতিৰোধৰ সম্ভাৱ্য ব্যৱস্থা হিচাপে এ বি চি ট্ৰেন্সপৰ্টাৰৰ সম্ভাৱ্য ভূমিকাৰ ওপৰত অধিক গৱেষণাৰ বাবে আধাৰ প্ৰদান কৰিব। |
4a3235a542f92929378a11f2df2e942fe5674c0e | এই প্ৰবন্ধত Unsupervised Neural Net ভিত্তিক Intrusion Detector (UNNID) প্ৰণালী প্ৰৱৰ্তন কৰা হৈছে, যিয়ে unsupervised নিউৰেল নেটৱৰ্ক ব্যৱহাৰ কৰি নেটৱৰ্ক-ভিত্তিক অনুপ্ৰৱেশ আৰু আক্ৰমণসমূহ চিনাক্ত কৰে। এই ব্যৱস্থাত প্ৰশিক্ষণ, পৰীক্ষণ আৰু নিৰীক্ষণহীন নেটৱৰ্কৰ টুনিংৰ সুবিধা আছে যাতে ই অনুপ্ৰৱেশ চিনাক্তকৰণত ব্যৱহাৰ কৰিব পৰা যায়। এই প্ৰণালী ব্যৱহাৰ কৰি আমি দুটা প্ৰকাৰৰ নিৰীক্ষণহীন অভিযোজিত ৰিজ নেন্স তত্ত্ব (এআৰটি) নেটৱৰ্ক (এআৰটি-১ আৰু এআৰটি-২) পৰীক্ষা কৰিছিলো। ফলাফলৰ ভিত্তিত, এনে নেটৱৰ্কে নেটৱৰ্ক ট্ৰাফিকক সাধাৰণ আৰু বিঘ্নিত হিচাপে শ্ৰেণীবদ্ধ কৰিব পাৰে। এই ব্যৱস্থাই অপব্যৱহাৰ আৰু বিসংগতি চিনাক্তকৰণ পদ্ধতিৰ এক সংমিশ্ৰণ ব্যৱহাৰ কৰে, সেয়েহে ই পৰিচিত আক্ৰমণৰ প্ৰকাৰৰ লগতে নতুন আক্ৰমণৰ প্ৰকাৰক বিসংগতি হিচাপে চিনাক্ত কৰিবলৈ সক্ষম। |
10a9abb4c78f0be5cc85847f248d3e8277b3c810 | কম্পিউটেশ্যনেল নেচাৰেল লেংগুৱেজ লাৰ্ণিংৰ সন্মিলনত এটা ভাগ কৰা কাম আছে, য ত অংশগ্ৰহণকাৰীসকলে তেওঁলোকৰ শিক্ষণ প্ৰণালীসমূহ একেটা ডাটা ছেটত প্ৰশিক্ষণ আৰু পৰীক্ষা কৰে। ২০০৬ চনৰ দৰে ২০০৭ চনতও এই ভাগ বতৰা কাৰ্য্য নিৰ্ভৰশীলতা বিশ্লেষণৰ বাবে উৎসৰ্গিত কৰা হৈছে, এই বছৰ বহুভাষিক ট্ৰেক আৰু ডমেইন অভিযোজন ট্ৰেক দুয়োটাৰে সৈতে। এই প্ৰবন্ধত আমি বিভিন্ন ট্ৰেকৰ কামসমূহ সংজ্ঞায়িত কৰিছো আৰু দহটা ভাষাৰ বাবে বিদ্যমান ট্ৰীবেংকসমূহৰ পৰা ডাটা ছেটসমূহ কেনেকৈ সৃষ্টি কৰা হৈছিল তাৰ বৰ্ণনা কৰিছো। ইয়াৰ উপৰিও, আমি অংশগ্ৰহণকাৰী প্ৰণালীৰ বিভিন্ন পদ্ধতিৰ বৈশিষ্ট্য বৰ্ণনা কৰোঁ, পৰীক্ষাৰ ফলাফলৰ প্ৰতিবেদন দিওঁ, আৰু এই ফলাফলৰ প্ৰথম বিশ্লেষণ প্ৰদান কৰোঁ। |
14626b05a5ec7ec2addc512f0dfa8db60d817c1b | এই প্ৰবন্ধত আমি গভীৰ নিউৰেল নেটৱৰ্কত বিশেষ মনোযোগ দি বৃহৎ স্কেল ন নকনভেক্স অপ্টিমাইজেশ্যন সমস্যাৰ বাবে ত্বৰণ প্ৰণালীসমূহ অন্বেষণ কৰো। এক্সট্ৰাপ লেচন স্কিমটো কনভেক্স অপ্টিমাইজেশ্যনৰ বাবে ষ্ট কাষ্টিক গ্ৰেডিয়েন্ট অৱতৰণৰ ত্বৰান্বিত কৰাৰ বাবে এক ধ্ৰুপদী পদ্ধতি, কিন্তু ই সাধাৰণতে নন-কনভেক্স অপ্টিমাইজেশ্যনৰ বাবে ভালদৰে কাম নকৰে। বিকল্পভাৱে, আমি ননকনভেক্স অপ্টিমাইজেশ্যন ত্বৰান্বিত কৰিবলৈ এটা ইন্টাৰপ লেচন আঁচনি প্ৰস্তাৱ কৰো আৰু পদ্ধতিটো ইন্টাৰপ লট্ৰন বুলি কওঁ। আমি ইন্টাৰপ লট্ৰনৰ আঁৰৰ উদ্দেশ্য ব্যাখ্যা কৰিম আৰু এক পুংখানুপুংখ অভিজ্ঞতামূলক বিশ্লেষণ চলাম। CIFAR-10 আৰু ImageNet-ত বৃহৎ গভীৰতাৰ DNNs (যেনে, 98-স্তৰীয় ResNet আৰু 200-স্তৰীয় ResNet) ৰ ওপৰত পাৰদৰ্শী ফলাফলবোৰে দেখুৱায় যে ইণ্টাৰপ লট্ৰন গতিবেগ আৰু আদমৰ সৈতে SGD ৰ দৰে অত্যাধুনিক পদ্ধতিতকৈ বহু বেছি দ্ৰুততাৰে সংলগ্ন হ ব পাৰে। তদুপৰি, এণ্ডাৰছনৰ ত্বৰণ, য ত মিশ্ৰণ সহগসমূহ আটাইতকৈ সৰু-চোৰা অনুমানৰ দ্বাৰা গণনা কৰা হয়, ইয়াক কাৰ্যক্ষমতা উন্নত কৰিবলৈও ব্যৱহাৰ কৰিব পাৰি। ইন্টাৰপ লট্ৰন আৰু এণ্ডাৰছনৰ ত্বৰণ দুয়োটাই সহজেই ৰূপায়ণ আৰু টিউন কৰিব পাৰি। আমি এইটোও দেখুৱাম যে কিছুমান নিয়মীয়াকৰণ অনুমানত ইন্টাৰপ লট্ৰনৰ ৰেখামুখী সংমিশ্ৰণ হাৰ আছে। |
55baef0d54403387f5cf28e2ae1ec850355cf60a | Kearns, Neel, Roth, and Wu [ICML 2018] য়ে শেহতীয়াকৈ এক ধনী উপ-সমষ্টিৰ ন্যায্যতাৰ ধাৰণা আগবঢ়াইছে যাৰ উদ্দেশ্য হৈছে পৰিসংখ্যাগত আৰু ব্যক্তিগত ধাৰণাসমূহৰ মাজত থকা ব্যৱধান দূৰ কৰা। ধনী উপ-সমষ্টিৰ ন্যায্যতাই এটা পৰিসংখ্যাগত ন্যায্যতা সীমাবদ্ধতা বাচি লয় (ক ব পাৰি, সুৰক্ষিত গোটসমূহৰ মাজত মিছা ধনাত্মক হাৰ সমতা স্থাপন), কিন্তু তাৰ পিছত এই সীমাবদ্ধতাটো এটা বৰ্ধিত বা অসীমভাৱে বৃহৎ উপ-সমষ্টিৰ ওপৰত ধৰি ৰাখিবলৈ কয়। এইসমূহত এটা অ্যালগৰিথমৰ এই সীমাবদ্ধতাৰ অধীনত শিকাৰ নিশ্চয়তা দিয়া হৈছে, এই চৰ্তৰ অধীনত যে ইয়াৰ এটা ন্যায্যতাৰ সীমাবদ্ধতা নোহোৱাকৈ সম্পূৰ্ণৰূপে শিকাৰ বাবে অৰাকুলত প্ৰৱেশ আছে। এই প্ৰবন্ধত আমি Kearns et al ৰ এলগৰিদমৰ এক বিস্তৃত অভিজ্ঞতাৰ মূল্যায়ন কৰিম। চাৰিটা বাস্তৱ ডাটা ছেটত যিসকলৰ বাবে ন্যায্যতা চিন্তনীয়, আমি শিকন ওৰাকলৰ ঠাইত দ্ৰুত হেউৰিষ্টিকৰ সৈতে instantiated হোৱাৰ সময়ত এলগৰিথমৰ মৌলিক সংমিশ্ৰণ অনুসন্ধান কৰোঁ, ন্যায্যতা আৰু সঠিকতাৰ মাজত বাণিজ্য-অফছ জোখ কৰোঁ, আৰু এই পদ্ধতিটো আগৰৱাল, বেগেলজিমাৰ, ডুডিক, লেংফৰ্ড আৰু ৱালাকৰ শেহতীয়া এলগৰিথমৰ সৈতে তুলনা কৰোঁ [ICML 2018], যি পৃথক সুৰক্ষিত বৈশিষ্ট্যৰ দ্বাৰা সংজ্ঞায়িত দুৰ্বল আৰু অধিক পৰম্পৰাগত পাৰ্শ্বিক ন্যায্যতা সীমাবদ্ধতা প্ৰয়োগ কৰে। আমি সাধাৰণতে দেখা পাওঁ যে, কিৰ্ন আৰু আনসকলে এই ধাৰণাটো হৈছে যে, যদিহে এটা অ্যালগৰিদমৰ সমান্তৰালতা দ্ৰুতভাৱে হয়, তেন্তে সঠিকতাৰ ক্ষেত্ৰত সামান্য ব্যয়ৰ সৈতে ন্যায্যতাৰ ক্ষেত্ৰত বৃহৎ লাভ লাভ কৰিব পাৰি আৰু সঠিকতাটো কেৱল সীমিত ন্যায্যতাৰ অধীনত অনুকূলিতকৰণ কৰিলে, যথেষ্ট উপ-গোষ্ঠী অসততা থকা শ্ৰেণীবিভাগকৰ সৃষ্টি হয়। আমি কেয়াৰ্নছ আৰু আনসকলৰ গতিশীলতা আৰু আচৰণৰ বিশ্লেষণ আৰু দৃশ্যমানকৰণৰ কিছুমান ব্যৱস্থাও আগবঢ়াইছো। অ্যালগৰিদম সামগ্ৰিকভাৱে আমি এই এলগৰিথমটো বাস্তৱ তথ্যৰ ওপৰত কাৰ্যকৰী বুলি পাইছো, আৰু সমৃদ্ধ উপ-সমষ্টিৰ ন্যায্যতা ব্যৱহাৰিকভাৱে এটা কাৰ্যকৰী ধাৰণা। |
6be461dd5869d00fc09975a8f8e31eb5f86be402 | কম্পিউটাৰ এনিমেটেড এজেন্ট আৰু ৰবটবোৰে মানুহৰ কম্পিউটাৰৰ লগত সম্পৰ্কত এক সামাজিক মাত্ৰা প্ৰদান কৰে আৰু আমাক দৈনন্দিন জীৱনত কম্পিউটাৰবোৰ কেনেদৰে ব্যৱহাৰ কৰিব পাৰি সেই বিষয়ে নতুন ধৰণে চিন্তা কৰিবলৈ বাধ্য কৰে। মুখামুখি যোগাযোগ হৈছে ৪০ মিলিছেকেণ্ডৰ সময় স্কেলত কাৰ্য্য কৰা এক বাস্তৱ-সময়ৰ প্ৰক্ৰিয়া। এই সময় স্কেলত অনিশ্চয়তাৰ স্তৰ যথেষ্ট, যাৰ বাবে মানুহ আৰু যন্ত্ৰৰ বাবে ধীৰ প্ৰতীকী অনুমান প্ৰক্ৰিয়াৰ পৰিৱৰ্তে সংবেদনশীল ধনী উপলব্ধি প্ৰাথমিকৰ ওপৰত নিৰ্ভৰ কৰাটো প্ৰয়োজনীয় হৈ পৰে। এই প্ৰবন্ধত আমি এনে এক প্ৰাথমিক উপলব্ধিৰ অগ্ৰগতি আগবঢ়াইছো। এই ব্যৱস্থাই স্বয়ংক্ৰিয়ভাৱে ভিডিঅ ৰ সোঁতত সন্মুখৰ মুখবোৰ চিনাক্ত কৰে আৰু সেইবোৰক ৭টা মাত্ৰা অনুসৰি বাস্তৱ সময়ত কোড কৰেঃ নিৰপেক্ষ, ক্ৰোধ, বিৰক্তি, ভয়, আনন্দ, দুখ, বিস্ময়। মুখ সন্ধানকাৰীটোৱে বঢ়োৱা কৌশলসমূহৰ সৈতে প্ৰশিক্ষিত বৈশিষ্ট্যৰ ডিটেক্টৰৰ এটা কেচকেড ব্যৱহাৰ কৰে [15, 2]। মুখৰ চিনাক্তকৰণ যন্ত্ৰটোৱে মুখৰ চিনাক্তকৰণ যন্ত্ৰৰ দ্বাৰা অৱস্থিত ছবিৰ পট্টা গ্ৰহণ কৰে। পেট্চৰ এটা গাবৰ প্ৰতিনিধিত্ব গঠন কৰা হয় আৰু তাৰ পিছত SVM শ্ৰেণীবিভাগকৰ বেংকৰ দ্বাৰা প্ৰক্ৰিয়া কৰা হয়। এডাবুষ্ট আৰু এছ ভি এমৰ এক অভিনৱ সংমিশ্ৰণে কাৰ্যক্ষমতা বৃদ্ধি কৰে। এই ব্যৱস্থাটো ক হ-কানাডাৰ মুখৰ প্ৰকাশৰ ডাটা ছেটত পৰীক্ষা কৰা হৈছিল [6]। ৭-পথৰ বাধ্যতামূলক নিৰ্বাচনৰ বাবে নতুন বিষয়ৰ বাবে সাধাৰণীকৰণ প্ৰদৰ্শন সঠিক। আটাইতকৈ আকৰ্ষণীয় কথাটো হ ল শ্ৰেণীবিভাজকৰ আউটপুটবোৰ সময়ৰ সৈতে সুচাৰুৰূপে সলনি হয়, মুখৰ প্ৰকাশৰ গতিবিধি সম্পূৰ্ণ স্বয়ংক্ৰিয় আৰু অনভিজ্ঞভাৱে ক ড কৰিবলৈ এক সম্ভাব্য মূল্যবান প্ৰতিনিধিত্ব প্ৰদান কৰে। ছনিৰ আইবো পেট ৰবট, এ টি আৰ ৰ ৰ ব ভি আৰু চি ইউ এনিমেটৰকে ধৰি বিভিন্ন প্লেটফৰ্মত এই ব্যৱস্থাটো স্থাপন কৰা হৈছে আৰু বৰ্তমানে স্বয়ংক্ৰিয় পঠন শিক্ষক, মানৱ-ৰবট ক্ৰিয়া-প্ৰতিক্ৰিয়াৰ মূল্যায়নকে ধৰি বিভিন্ন প্ৰয়োগৰ বাবে ইয়াৰ মূল্যায়ন কৰা হৈছে। |
15f932d189b13786ca54b1dc684902301d34ef65 | এই প্ৰবন্ধত কম শক্তিৰ ফ ট ভোল্টাইক প্ৰয়োগৰ বাবে উচ্চ দক্ষতাসম্পন্ন এলএলচিচি প্ৰকাৰৰ ৰিজ নেণ্ট ডিচি-ডিচি কনভাৰ্টাৰ সম্পৰ্কে আলোচনা কৰা হৈছে। ৰিজ নান্ট টেংকৰ বিভিন্ন ডিজাইন মেকানিজমৰ ওপৰত গুৰুত্ব দিয়া হৈছে। একে সময়তে ইনভাৰ্টাৰৰ ছফ্ট ছুইটছ আৰু ৰেক্টাইফায়াৰ ব্ৰিজকো বিবেচনা কৰা হয়। ডিজাইন নিয়মৰ ক্ষেত্ৰত, ভল্টেজ উৎসৰ আউটপুটৰ সৈতে এলএলচিচি-কনভাৰ্টাৰ ডিজাইন কৰাত এটা নতুন প্ৰত্যাহ্বান সমাধান কৰা হৈছে। ৰিজ নান্ট উপাদানসমূহৰ পৰিৱৰ্তে, তেওঁলোকৰ অনুপাত, উদাহৰণস্বৰূপে ইণ্ডাক্টেন্সৰ অনুপাত Ls/Lp প্ৰথমে ডিজাইন পাৰামিটাৰ হিচাপে বিবেচনা কৰা হয়। তদুপৰি, ট্ৰেন্সফৰ্মাৰ-ইণ্ডাক্টৰ ডিভাইচৰ বাবে আহৰণ কৰা ডিজাইন নিয়মটো সামগ্ৰিক এলএলচিচি-ডিজাইনত প্ৰত্যক্ষভাৱে ফিট হয়। ট্ৰান্সফৰ্মাৰৰ প্ৰকৃতিৰ বাবে, অৰ্থাৎ ইণ্ডাক্টেন্স Ls/Lp ৰ সম্পৰ্ক কেৱল জ্যামিতিৰ এটা ফাংচন, এই ডিজাইন পাৰামিটাৰটো জ্যামিতিৰ দ্বাৰা প্ৰত্যক্ষভাৱে বিবেচনা কৰা হয়। পৰীক্ষামূলক ফলাফলসমূহে উচ্চ কাৰ্য্যকৰীতা প্ৰদৰ্শন কৰে। |
f13902eb6429629179419c95234ddbd555eb2bb6 | |
07d138a54c441d6ae9bff073025f8f5eeaac4da4 | বৃহৎ পৰিমাণৰ তথ্যৰ ওপৰত প্ৰশিক্ষণপ্ৰাপ্ত বৃহৎ গভীৰ নিউৰ ল নেটৱৰ্ক (ডিএনএন) মডেলসমূহে শেহতীয়াকৈ ছবি আৰু ভাষণ চিনাক্তকৰণৰ দৰে কঠিন কামত সৰ্বশ্ৰেষ্ঠ সঠিকতা অৰ্জন কৰিছে। কমোডিটি মেচিনৰ ক্লাষ্টাৰ ব্যৱহাৰ কৰি এই DNNs প্ৰশিক্ষণ কৰাটো এটা আশাব্যঞ্জক পদ্ধতি কিয়নো প্ৰশিক্ষণ সময় ব্যয়কাৰী আৰু কম্পিউট-নিবিড়। অতি ডাঙৰ ডিএনএছ প্ৰশিক্ষণৰ বাবে মডেলসমূহক বিভিন্ন মেচিনত ভাগ কৰা হয়। অতি ডাঙৰ ডাটা ছেটত প্ৰশিক্ষণ ত্বৰান্বিত কৰিবলৈ, একাধিক মডেল প্ৰতিলিপিসমূহ প্ৰশিক্ষণৰ উদাহৰণসমূহৰ বিভিন্ন উপ-সেটত সমান্তৰালভাৱে প্ৰশিক্ষণ দিয়া হয়, এই প্ৰতিলিপিসমূহৰ মাজত ভাগ বতৰা কৰা ওজন বজাই ৰখা এক গোলকীয় পাৰামিটাৰ ছাৰ্ভাৰৰ সৈতে। মডেল আৰু ডাটা পাৰ্টিশ্যন আৰু সামগ্ৰিক চিষ্টেম প্ৰভিজনিংৰ সঠিক নিৰ্বাচন ডিএনএন আৰু বিতৰণ কৰা চিষ্টেম হাৰ্ডৱেৰ বৈশিষ্ট্যৰ ওপৰত নিৰ্ভৰশীল। এই সিদ্ধান্তবোৰ বৰ্তমানে গুৰুত্বপূৰ্ণ ক্ষেত্ৰৰ দক্ষতা আৰু সময় ব্যয়কাৰী প্ৰামাণিক অৱস্থা মহাকাশ গৱেষণাৰ প্ৰয়োজন। এই কাগজত পাৰফৰমেন্স মডেল বিকাশ কৰা হৈছে যি এই বিভাজন আৰু প্ৰাধান্য প্ৰদানৰ সিদ্ধান্তসমূহৰ সামগ্ৰিক বিতৰণ প্ৰণালীৰ পাৰফৰমেন্স আৰু স্কেলিবিলিটিৰ ওপৰত প্ৰভাৱক পৰিমাণগতভাৱে নিৰ্ধাৰণ কৰে। লগতে, আমি এই পাৰফৰমেন্স মডেলবোৰ ব্যৱহাৰ কৰি স্কেলিবিলিটি অপ্টিমাইজাৰ এটা নিৰ্মাণ কৰো যিটো কাৰ্য্যকৰীভাৱে সৰ্বোত্তম চিষ্টেম কনফিগাৰেশ্যন নিৰ্ধাৰণ কৰে যি DNN প্ৰশিক্ষণৰ সময় হ্ৰাস কৰে। আমি আমাৰ পাৰফৰমেন্স মডেল আৰু স্কেলেবিলিটি অপ্টিমাইজাৰ দুটা বেঞ্চমাৰ্ক এপ্লিকেচনত অত্যাধুনিক বিতৰণ ডিএনএন প্ৰশিক্ষণ ফ্ৰেমৱৰ্ক ব্যৱহাৰ কৰি মূল্যায়ন কৰো। ফলাফলবোৰে দেখুৱায় যে আমাৰ পাৰফৰমেন্স মডেলবোৰে উচ্চ অনুমান সঠিকতা সহ ডিএনএন প্ৰশিক্ষণৰ সময় অনুমান কৰে আৰু আমাৰ স্কেলিবিলিটি অপ্টিমাইজাৰে সঠিকভাৱে শ্ৰেষ্ঠ কনফিগাৰেশ্যনবোৰ নিৰ্বাচন কৰে, বিতৰণ কৰা ডিএনএনৰ প্ৰশিক্ষণৰ সময় হ্ৰাস কৰে। |
eee686b822950a55f31d4c9c33d02c1942424785 | সংক্ষিপ্ত বিৱৰণ- এই প্ৰবন্ধত ত্ৰি-বেগী ট্ৰান্সফৰ্মাৰৰ সৈতে টি-জংচন ব্যৱহাৰ কৰি 2 x 2 ত্ৰিভুজাকাৰ মাইক্ৰ ষ্ট্ৰীপ পেচ এণ্টেনাৰ বৰ্ণনা কৰা হৈছে। পেচ এণ্টেনাৰ দূৰত্ব নিয়ন্ত্ৰণ কৰি আৰু ফিড পজিচন নিয়ন্ত্ৰণ কৰি, বেণ্ডউইডথ লাভ কৰিব পাৰি আৰু এৰে ব্যৱহাৰ কৰি, নিৰ্দেশনা শক্তি বৃদ্ধি কৰা হয়। বৃহৎ বেণ্ডউইথ, উচ্চ নিৰ্দেশনক্ষমতা আৰু ন্যূনতম আকাৰৰ প্ৰয়োজনীয়তাৰ বাবে ২ x ২ ত্ৰিভুজাকাৰ মাইক্ৰোষ্ট্ৰীপ পেচ এণ্টেনা এৰেজ ডিজাইন কৰা হৈছে যিয়ে ৫.৫ গিগাহাৰ্জত টি-জংচন নেটৱৰ্কৰে খোৱাপানী দিয়ে। FR4 ছাবষ্ট্ৰেটত ডিজাইন কৰা এণ্টেনা যাৰ ডিয়েলেক্ট্ৰিক ধ্ৰুবক (r) ৪.৪, ক্ষতিৰ টেনজেন্ট ০.০২ আৰু বেধ ১.৬ মিমি। অনুকৰণ কৰা ফলাফলত দেখা গ ল যে ডিজাইন কৰা এণ্টেনাৰ 12.91 dB আৰু বেণ্ডউইথ 173 MHz VSWR 1.07 টি-জংচন ফিডিং নেটৱৰ্ক ব্যৱহাৰ কৰি। প্ৰস্তাৱিত 2 x 2 ত্ৰিভুজাকাৰ এৰেজটোৰ ওজন কম, নিৰ্মানৰ সৰলতা, একক স্তৰ গঠন আৰু উচ্চ নিৰ্দেশনাৰ সুবিধা আছে। কীৱৰ্ড বেণ্ডউইথ, কৰ্পৰেট ফিডিং, ৰিটাৰ্ণ ল ষ্ট, টি-জংচন, ভিএছডব্লিউআৰ |
c707938422b60bf827ec161872641468ec1ffe00 | আমি পৰিমিত অৱস্থাত মাৰ্কভ সিদ্ধান্ত প্ৰক্ৰিয়াত মান কাৰ্য্যৰ স্থানৰ জ্যামিতিক আৰু টপ লজিকেল বৈশিষ্ট্য স্থাপন কৰোঁ। আমাৰ মূল অৱদান হৈছে ইয়াৰ আকাৰৰ প্ৰকৃতিৰ বৈশিষ্ট্যঃ এটা সাধাৰণ পলিট প (এগনাৰ আৰু অন্যান্য, ২০১০) । এই ফলাফল প্ৰদৰ্শন কৰিবলৈ, আমি নীতি আৰু মান কাৰ্য্যসমূহৰ মাজত গাঁথনিগত সম্পৰ্কসমূহৰ কেইবাটাও বৈশিষ্ট্য প্ৰদৰ্শন কৰোঁ য ত ৰেখা তত্ত্ব অন্তৰ্ভুক্ত থাকে, যিয়ে দেখুৱায় যে এক ৰাজ্যৰ বাদে সকলোবোৰ নীতিৰ মান কাৰ্য্যবোৰে এটা ৰেখা ছেগমেণ্টৰ বৰ্ণনা কৰে। শেষত, আমি এই নতুন দৃষ্টিকোণ ব্যৱহাৰ কৰি দৃষ্টিকোণ প্ৰৱৰ্তন কৰো যাতে শক্তিশালী শিকন আলগোৰিদিমৰ গতিবিধিৰ বুজাবুজি বৃদ্ধি কৰিব পাৰি। |
86854374c13516a8ad0dc28ffd9cd4be2bca9bfc | সাম্প্ৰতিক বছৰসমূহত সমস্যাসমূহৰ প্ৰতি আগ্ৰহ বৃদ্ধি পাইছে, য ত পৰ্যবেক্ষণ কৰা তথ্য বা লুকাই থকা অৱস্থা ভেরিয়েবলবোৰ এটা পৰিচিত ৰিমেনীয়ান ম্যানিফ ল্ডৰ সৈতে সীমাবদ্ধ। ক্ৰমিক তথ্য বিশ্লেষণত এই আগ্ৰহো বৃদ্ধি পাইছে, কিন্তু কেঁচা অ্যালগৰিদম প্ৰয়োগ কৰা হৈছেঃ হয় মন্টে কাৰ্লো ফিল্টাৰ বা ব্ৰুট-ফৰ্চ ডিস্ক্ৰেটিজেচন। এই পদ্ধতিবোৰ দুৰ্বলভাৱে স্কেল কৰা হয় আৰু স্পষ্টভাৱে এটা অনুপস্থিত ফাঁক দেখুৱায়ঃ কেলমেন ফিল্টাৰৰ কোনো জেনেৰিক এনালগ বৰ্তমানে অ-ইউক্লিডীয়ান ড মেইনত উপলব্ধ নহয়। এই প্ৰবন্ধত, আমি প্ৰথমে গন্ধহীন পৰিবৰ্তন আৰু তাৰ পিছত গন্ধহীন কালমান ফিল্টাৰ ৰিমেনীয়ান মনিফ ল্ডলৈ সাধাৰণীকৰণ কৰি এই সমস্যাটো সমাধান কৰোঁ। যিহেতু কালমান ফিল্টাৰক গাউছ-নিউটন পদ্ধতিৰ সৈতে মিল থকা এটা অপ্টিমাইজেশ্যন এলগৰিথম হিচাপে দেখা যায়, আমাৰ এলগৰিথমটোৱে মাল্টিফ ল্ডত এটা সাধাৰণ-উদ্দেশ্যযুক্ত অপ্টিমাইজেশ্যন ফ্ৰেমৱৰ্কও প্ৰদান কৰে। আমি দৃঢ়তা আৰু সংহতি অধ্যয়ন কৰিবলৈ সিন্থেটিক তথ্যৰ ওপৰত প্ৰস্তাৱিত পদ্ধতিটো, সহ-বৈকল্পিক বৈশিষ্ট্য ব্যৱহাৰ কৰি এটা অঞ্চল ট্ৰেকিং সমস্যা, এটা সুকীয়া ট্ৰেকিং সমস্যা, এটা গড় মান অপ্টিমাইজেশ্যন আৰু এটা প জ অপ্টিমাইজেশ্যন সমস্যা দেখুৱাম। |
a075a513b2b1e8dbf9b5d1703a401e8084f9df9c | ইউনিপ্লেনাৰ কম্পেক্ট ইলেক্ট্ৰ মেগনেটিক বেণ্ডগেপ (ইউচি-ইবিজি) চবষ্ট্ৰেট প্ৰিন্ট কৰা এণ্টেনা জ্যামিতিত পৃষ্ঠতল তৰংগ উত্তেজনাক হ্ৰাস কৰিবলৈ এটা কাৰ্যকৰী ব্যৱস্থা হিচাপে প্ৰমাণিত হৈছে। এই প্ৰবন্ধত ইউচি-ইবিজি ছাবষ্ট্ৰেটত এম্বেড কৰা মাইক্ৰ ষ্ট্ৰীপ এণ্টেনাৰ ফেজড এৰেজৰ কাৰ্যক্ষমতা পৰীক্ষা কৰা হৈছে। ফলাফলসমূহে উপাদানসমূহৰ মাজত পাৰস্পৰিক সংযোগ হ্ৰাস কৰা দেখুৱায় আৰু মুদ্ৰিত উপাদানসমূহৰ সৈতে ফেজড এৰে এপ্লিকেচনত "ব্লাইণ্ড স্পট" সমস্যাৰ এটা সম্ভাব্য সমাধান প্ৰদান কৰে। এটা নতুন আৰু দক্ষ UC-EBG এৰে কনফিগাৰেশ্যন প্ৰস্তাৱিত হৈছে। উচ্চ ডিয়েলেক্ট্ৰিক ধ্ৰুবক স্তৰত ৭/স্পিল বাৰ/৫ উপাদানৰ এটা জৰীপযুক্ত পেচ এণ্টেনা পৰ্যায়বদ্ধ অৰিহণা ডিজাইন, নিৰ্মাণ আৰু পৰীক্ষা কৰা হয়। অনুকৰণ আৰু পৰিমাপৰ ফলাফলত সক্ৰিয় ৰিটাৰ্ণ ল ষ্ট আৰু এৰে চেণ্টাৰ এলিমেণ্টৰ সক্ৰিয় পট্ৰানৰ উন্নতি দেখুওৱা হৈছে। সৰ্বোত্তম কাৰ্যক্ষমতা প্ৰাপ্ত কৰিবলৈ ব্যৱহৃত বাণিজ্যিকৰ বিষয়ে আলোচনা কৰা হৈছে। |
16a0fde5a8ab5591a9b2985f60a04fdf50a18dc4 | ব্যৱহাৰকাৰীৰ প্ৰমাণীকৰণৰ বাবে পদব্ৰজে এক কাৰ্যকৰী জৈৱ-মানিক বৈশিষ্ট্য হিচাপে বিবেচিত হৈছে। যদিও কিছুমান অধ্যয়নত পদব্ৰজেৰে নিৰ্ভৰশীল প্ৰমাণীকৰণ ব্যৱস্থাত পদব্ৰজেৰে নিৰ্ভৰশীল প্ৰমাণীকৰণ ব্যৱস্থাত পদব্ৰজেৰে নিৰ্ভৰশীল প্ৰমাণীকৰণ ব্যৱস্থাৰ কামৰ প্ৰতি লক্ষ্য ৰখা হৈছে, কিন্তু এই অধ্যয়নত পদব্ৰজেৰে নিৰ্ভৰশীল তথ্যৰ নিম্ন বৈষম্য আৰু উচ্চ বৈচিত্ৰ্যক বিবেচনা কৰা হোৱা নাই, যিয়ে প্ৰস্তাৱিত ব্যৱস্থাৰ সুৰক্ষা আৰু ব্যৱহাৰিকতাৰ ওপৰত যথেষ্ট প্ৰভাৱ পেলায়। এই প্ৰবন্ধত আমি ইনাৰ্চিয়েল-ছেন্সৰ ভিত্তিক গেইট ক্ৰিপ্টচিষ্টেমৰ ওপৰত ওপৰত উল্লেখিত দুৰ্বলতাসমূহ সমাধান কৰাৰ ওপৰত গুৰুত্ব প্ৰদান কৰিম। বিশেষভাৱে, আমি লিনিয়াৰ ডিছক্ৰীমিনেচন এনালাইছিছ ব্যৱহাৰ কৰি গেইট টেমপ্লেটৰ বৈষম্যতা উন্নত কৰো আৰু গ্ৰেই ক ড কোৱান্টিজেশ্যনে উচ্চ বৈষম্যমূলক আৰু স্থিৰ বাইনেৰী টেমপ্লেট আহৰণ কৰো। ৩৮ জন ভিন্ন ব্যৱহাৰকাৰীৰ ওপৰত কৰা পৰীক্ষাৰ ফলাফলত দেখা গৈছে যে আমাৰ প্ৰস্তাৱিত পদ্ধতিয়ে ক্ৰিপ্টচিষ্টেমৰ কাৰ্যক্ষমতা আৰু সুৰক্ষাত যথেষ্ট উন্নতি সাধন কৰিছে। বিশেষকৈ, আমি 6×10−5% (অৰ্থাৎ, 16983 পৰীক্ষাত 1 বিফল) আৰু 9.2%ৰ 148-বিট নিৰাপত্তাৰ সৈতে মিছা প্ৰত্যাখ্যানৰ হাৰ অৰ্জন কৰিছিলো। |
d7fd575c7fae05e055e47d898a5d9d2766f742b9 | |
84ade3cb5b57624baee89d9e617bb5847ee07375 | |
9e5158222c911bec96d4f533cd0d7a1a0cff1731 | পৰৱৰ্তী প্ৰজন্মৰ RF ছেন্সৰ মডিউলসমূহক বহু কাৰ্য্যকৰী সক্ৰিয় ইলেক্ট্ৰনিকভাৱে পৰিচালিত এণ্টেনা (AESA) চিষ্টেমৰ বাবে বিভিন্ন কাৰ্য্যকৰী মোডৰ সমন্বয়ৰ প্ৰয়োজন হ ব, যেনে ৰেডাৰ, ইলেক্ট্ৰনিক যুদ্ধ (EW) কাৰ্য্যকৰীতা আৰু একে এণ্টেনাৰ ফ্ৰণ্টএণ্ডৰ ভিতৰত যোগাযোগ/ডাটা লিংক। ই সাধাৰণতে চি-বেণ্ড, এক্স-বেণ্ড আৰু ক্যু-বেণ্ডত কাম কৰে আৰু ১০ গিগাহৰ্টছতকৈ অধিক বেণ্ডউইডথৰ প্ৰয়োজন হয়। আধুনিক সক্ৰিয় ইলেক্ট্ৰনিকভাৱে পৰিচালিত এণ্টেনা নিৰ্মাণৰ বাবে, প্ৰেৰণ/প্ৰাপ্তি (টি/আৰ) মডিউলসমূহে কঠোৰ জ্যামিতিৰ প্ৰয়োজনীয়তাক পূৰণ কৰিব লাগিব। এই ভৱিষ্যতৰ মাল্টিফাংশন RF ছেন্সৰ মডিউলসমূহৰ বাবে এটা প্ৰধান প্ৰত্যাহ্বান হ ল আধা-তরঙ্গ দৈৰ্ঘ্যৰ এণ্টেনা গ্ৰীড ব্যৱধান, যি শাৰীৰিক চেনেলৰ প্ৰস্থ <১২ মিমি বা তাতোধিক কমলৈ সীমিত কৰে, যিবোৰ সৰ্বাধিক সঘন কাৰ্যৰ ওপৰত নিৰ্ভৰ কৰি উপযুক্ত বীম পইণ্টিং প্ৰয়োজনীয়তাৰ সৈতে। এই জ্যামিতিৰ চাহিদাবোৰ অতিক্ৰম কৰাৰ বাবে এক আশাব্যঞ্জক সমাধান হ ল মুঠ একক মাইক্ৰ ৱেভ ইণ্টিগ্ৰেটেড চিচাইক (MMIC) চিপ এলেকাৰ হ্ৰাস, পৃথক RF কাৰ্য্যকাৰিতা সমন্বয় কৰি প্ৰাপ্ত কৰা হয়, যি সাধাৰণতে পৃথক ইণ্টিগ্ৰেটেড চিৰকিটৰ (ICs) জৰিয়তে প্ৰাপ্ত কৰা হয়, নতুন মাল্টিফংচনাল (MFC) MMICs ত। পৰৱৰ্তী প্ৰজন্মৰ RF ছেন্সৰ মডিউলসমূহৰ বাবে বিভিন্ন ধাৰণা, ইয়াৰে কিছুমান ইতিমধ্যে প্ৰয়োগ কৰা হৈছে, এই কামত আলোচনা কৰা হ ব আৰু ব্যাখ্যা কৰা হ ব। |
77a9473256f6841d40cb9198feb5b91dccf9ffd1 | এই প্ৰবন্ধত শক্তি কাৰক সংশোধন (পিএফচি) আৰু শূন্য ভল্টেজ চুইচিং (জেডভিএছ) ৰ সৈতে পোহৰ নিৰ্গমনকাৰী ডায়োড (এলইডি) ৰ শক্তিৰ বাবে এক ডিমমেবল চাৰ্জ-পাম্প ড্ৰাইভাৰ উপস্থাপন কৰা হৈছে। প্ৰস্তাৱিত এলইডি ড্ৰাইভাৰে ইলেক্ট্ৰ লিটিক ক্যাপাচিটৰ ব্যৱহাৰ নকৰে, উচ্চ উপযোগী জীৱনকাল প্ৰদান কৰে, আৰু ই বৰ্তমানৰ ছেন্সৰৰ প্ৰয়োজন নোহোৱাকৈ মুক্ত লুপ নিয়ন্ত্ৰণত আউটপুট সোঁত স্থিৰ কৰিব পাৰে, যাৰ ফলত ব্যয় হ্ৰাস হয়। আউটপুট শক্তি ছুইটিং ফ্ৰিক্বেঞ্চিৰ সমানুপাতিক, যি LED সমূহক ডিমিং কৰাৰ অনুমতি দিয়ে। ২২Wৰ প্ৰ টোটাইপ প্ৰয়োগ কৰা হয় আৰু পৰীক্ষামূলক ফলাফলৰ বিষয়ে আলোচনা কৰা হয়। প্ৰ টোটাইপটোৰ পাৱাৰ ফেক্টৰ আছিল ০.৯৯৬ আৰু ইফেক্ট আছিল ৮৯.৫%। ৫৩ কেহজেডৰ পৰা ৩০ কেহজেডলৈ পৰিৱৰ্তন কৰি চালকৰ আউটপুট শক্তি ৪০% তকৈ অধিক হ্ৰাস কৰা হৈছিল আৰু কনভাৰ্টাৰে ZVS ত কাম অব্যাহত ৰাখিছে। |
b5fe4731ff6a7a7f1ad8232186e84b1f944162e0 | ক্ৰছ-মিডিয়া হেচিং, যি বিভিন্ন ধৰণেৰে ডাটা এটা সাধাৰণ নিম্ন-মাত্রিক হেমিং স্পেচত অন্তৰ্ভুক্ত কৰি ক্ৰছ-মিডিয়া পুনৰুদ্ধাৰ কৰে, সাম্প্ৰতিক বছৰবোৰত তীব্ৰ মনোযোগ আকৰ্ষণ কৰিছে। ইয়াৰ কাৰণ হ ল- (ক) মাল্টি-ম ডেল ডাটা বহুলভাৱে প্ৰচলিত, যেনে, ফ্লিকাৰৰ ৱেব ছবিসমূহ টেগসমূহৰ সৈতে সংযুক্ত কৰা হয়, আৰু (খ) হেচিং বৃহৎ-স্কেল উচ্চ-মাত্রিক ডাটা প্ৰক্ৰিয়াকৰণৰ ক্ষেত্ৰত এক কাৰ্যকৰী কৌশল, যিটো ক্ৰছ-মিডিয়া ৰিট্ৰিভেলৰ পৰিস্থিতি। গভীৰ শিক্ষণৰ সাম্প্ৰতিক অগ্ৰগতিৰ দ্বাৰা অনুপ্ৰাণিত হৈ আমি মাল্টি-ম ডেল নিউৰেল নেটৱৰ্কৰ ওপৰত ভিত্তি কৰি ক্ৰছ-মিডিয়া হেচিং পদ্ধতিৰ প্ৰস্তাৱ দিছো। শিক্ষণ উদ্দেশ্যত সীমাবদ্ধ কৰি a) সংশ্লিষ্ট ক্ৰছ-মিডিয়া ডাটাৰ বাবে হেচ কোডসমূহ একেধৰণৰ হোৱা আৰু b) শ্ৰেণীৰ লেবেলসমূহ পূৰ্বানুমান কৰাৰ বাবে হেচ কোডসমূহ বৈষম্যমূলক হোৱা, শিকি লোৱা হেমিং স্থানটোৱে ক্ৰছ-মিডিয়া অৰ্থগত সম্পৰ্কবোৰ ভালদৰে ধৰি ৰাখিব আৰু অৰ্থগতভাৱে বৈষম্যমূলক হ ব বুলি আশা কৰা হয়। দুটা বাস্তৱিক তথ্যৰ ওপৰত কৰা পৰীক্ষাই দেখুৱাইছে যে আমাৰ পদ্ধতিয়ে উন্নত পদ্ধতিৰ তুলনাত উন্নত মাধ্যমৰ তথ্য আহৰণৰ ক্ষমতা লাভ কৰিছে। |
9814dd00440b08caf0df96988edb4c56cfcf7bd1 | এটা আকৰ্ষক উচ্চ পৰ্যায়ৰ কামৰ অভিপ্ৰায় প্ৰদান কৰে আৰু স্থানীয় পৰিকল্পনাকাৰীৰ বাবে পৰিৱেশৰ বিষয়ে গোলকীয় তথ্য অন্তৰ্ভুক্ত কৰে, যাৰ ফলত দীৰ্ঘ দিগন্তৰ সৈতে ব্যয়বহুল গোলকীয় পৰিকল্পনাৰ প্ৰয়োজনীয়তা দূৰ হয়। এইটো প্ৰমাণিত হৈছে যে এটা আকৰ্ষকক লৈ গতিপথ পৰিকল্পনা কৰাটোৱে কেৱল স্থানীয় পৰিকল্পনা থকা প্ৰণালীৰ তুলনাত উন্নত প্ৰদৰ্শন কৰে সক্ৰিয় SLAM এ SLAM প্ৰক্ৰিয়াৰ সৈতে একেলগে কাৰ্যকৰী পথ পৰিকল্পনা কৰিবলৈ স্বতন্ত্ৰ ৰবটৰ বাবে প্ৰত্যাহ্বান উত্থাপন কৰে। ৰবট, মেপ আৰু চেন্সৰ পৰিমাপৰ অনিশ্চয়তা আৰু গতিশীল আৰু গতি সীমাবদ্ধতা পৰিকল্পনা প্ৰক্ৰিয়াত বিবেচনা কৰা প্ৰয়োজন। এই প্ৰবন্ধত সক্ৰিয় SLAM সমস্যাটো এটা সৰ্বোত্তম গতিপথ পৰিকল্পনা সমস্যা হিচাপে প্ৰস্তুত কৰা হৈছে। এটা নতুন কৌশল প্ৰৱৰ্তন কৰা হৈছে যিয়ে স্থানীয় পৰিকল্পনা কৌশল যেনে মডেল প্ৰাক্কলন নিয়ন্ত্ৰণ (অন্যথা, "মডেল প্ৰিডিটিভ কন্ট্ৰ ল") ৰ সৈতে একত্ৰিত হৈ আকৰ্ষক ব্যৱহাৰ কৰে। এই সমস্যা সমাধানৰ বাবে এটা নতুন পদ্ধতিৰ সন্ধান কৰা হৈছে। |
bc32313c5b10212233007ebb38e214d713db99f9 | প্ৰাপ্তবয়স্কৰ ক্লিনিকেল ইলেক্ট্ৰ কাৰ্ডিঅ গ্ৰাফী (ইচিজি) সংকেত প্ৰক্ৰিয়া প্ৰণালী আৰু ডিজিটেল প্ৰচেছৰৰ শক্তিৰ গুৰুত্বপূৰ্ণ অগ্ৰগতি সত্ত্বেও, অনা-আক্রমণাত্মক ভ্ৰূণৰ ইচিজি (এনআই-এফইচিজি) ৰ বিশ্লেষণ এতিয়াও আৰম্ভণি অৱস্থাত আছে। ফিজিওনেট/কম্পিউটিং ইন কাৰ্ডিঅ লজি চেলেঞ্জ ২০১৩ৰ জৰিয়তে এই সীমাবদ্ধতাসমূহৰ কিছুমান সমাধান কৰা হৈছে। ই চিগনেল প্ৰচেছিং প্ৰযুক্তিৰ মূল্যায়নৰ বাবে বৈজ্ঞানিক সমাজৰ বাবে এফইচিজি তথ্যৰ এক গোট ৰাজহুৱাভাৱে উপলব্ধ কৰি তোলে। উচ্চ সঘনতা আৰু বেছলাইন ভ্ৰমন আঁতৰ কৰিবলৈ পেটৰ ইচিজি সংকেতসমূহ প্ৰথমে বেণ্ড-পাস ফিল্টাৰৰ সৈতে প্ৰাক-প্ৰক্ৰিয়াকৰণ কৰা হৈছিল। প্ৰয়োজন সাপেক্ষে ৫০ Hz বা ৬০ Hz ত শক্তিৰ ব্যাঘাত দূৰ কৰিবলৈ এটা খাঁজযুক্ত ফিল্টাৰ প্ৰয়োগ কৰা হৈছিল। মাতৃৰ ইচিজি বাতিল কৰিবলৈ বিভিন্ন উৎস পৃথককৰণ কৌশল প্ৰয়োগ কৰাৰ পূৰ্বে সংকেতবোৰ স্বাভাৱিকীকৰণ কৰা হৈছিল। এই কৌশলসমূহ হৈছেঃ টেমপ্লেট হৰণ, মূল/স্বাধীন উপাদান বিশ্লেষণ, সম্প্ৰসাৰিত কালমান ফিল্টাৰ আৰু এই পদ্ধতিসমূহৰ এটা উপ-সমষ্টিৰ সংমিশ্ৰণ (FUSE পদ্ধতি) । ভ্ৰূণৰ QRS চিনাক্তকৰণ এটা Pan আৰু Tompkins QRS চিনাক্তকৰণ ব্যৱহাৰেৰে সকলো অৱশিষ্টৰ ওপৰত কৰা হৈছিল আৰু আটাইতকৈ মসৃণ ভ্ৰূণৰ হাৰ্ট ৰেট টাইম ছিৰিজ থকা অৱশিষ্ট চেনেলটো নিৰ্বাচন কৰা হৈছিল। FUSE এলগৰিথমটোৱে প্ৰশিক্ষণ তথ্য ছেটৰ সকলো পৃথক পদ্ধতিতকৈ ভাল প্ৰদৰ্শন কৰিছিল। বৈধতা আৰু পৰীক্ষাৰ ছেটত, FUSE পদ্ধতি ব্যৱহাৰ কৰি ক্ৰমে 1-5 ঘটনাবোৰৰ বাবে উত্তম প্ৰত্যাহ্বান স্ক ৰ E1 = 179.44, E2 = 20.79, E3 = 153.07, E4 = 29.62 আৰু E5 = 4.67 আছিল। এইসমূহ আছিল ই১ আৰু ই২ৰ বাবে সৰ্বশ্ৰেষ্ঠ চেলেঞ্জ স্ক ৰ আৰু ই৩, ই৪ আৰু ই৫ৰ বাবে তৃতীয় আৰু দ্বিতীয় সৰ্বশ্ৰেষ্ঠ চেলেঞ্জ স্ক ৰ। ফলাফলসমূহে প্ৰমাণ কৰে যে ভ্ৰূণৰ হাৰ্ট ৰেট অনুমানৰ বাবে বৰ্তমানৰ মান পদ্ধতিসমূহ অনুমানকাৰীসমূহ একত্ৰিত কৰি উন্নত কৰিব পাৰি। আমি বৰ্ণনা কৰা প্ৰতিটো মান পদ্ধতিৰ বাবে বেঞ্চমাৰ্কিং সক্ষম কৰিবলৈ মুক্ত উৎস ক ড প্ৰদান কৰোঁ। |
09f13c590f19dce53dfd8530f8cbe8044cce33ed | সাম্প্ৰতিক বছৰসমূহত, বিভিন্ন শাৰীৰিক ক্ৰিয়া-কলাপৰ ব্যৱস্থাপনা কৰিবলৈ বহুতো ব্যৱহাৰকাৰী-ইণ্টাৰফেচ ডিভাইচ দেখা যায়। মাইক্ৰচফ্ট কাইনেক্ট কেমেৰা হৈছে এক বৈপ্লৱিক আৰু উপযোগী গভীৰতা কেমেৰা যি ইন্দ্ৰিয় বা গতি চিনাক্তকৰণৰ জৰিয়তে এক্সবক্স প্লেটফৰ্মত ইন্টাৰেক্টিভ গেমিংৰ নতুন ব্যৱহাৰকাৰীৰ অভিজ্ঞতা প্ৰদান কৰে। এই প্ৰবন্ধত আমি মাইক্ৰচফ্ট কাইনেক্ট ছেন্সৰ ব্যৱহাৰ কৰি কোৱাদ্ৰোটৰ এআৰ ড্ৰোন নিয়ন্ত্ৰণৰ এটা পদ্ধতিৰ বিষয়ে আলোচনা কৰিম। |
ca78c8c4dbe4c92ba90c8f6e1399b78ced3cf997 | এই প্ৰবন্ধত আমি দেখুৱাম যে মনোযোগ আৰু আউটপুটৰ মাজত যৌথ বিতৰণৰ এটা সৰল বীম আনুমানিককৰণ হৈছে ক্ৰমৰ পৰা ক্ৰম শিকাৰ বাবে এক সহজ, সঠিক আৰু দক্ষ মনোযোগ ব্যৱস্থা। এই পদ্ধতিয়ে কঠোৰ মনোযোগৰ তীক্ষ্ণ ফ কাছৰ সুবিধা আৰু নৰম মনোযোগৰ ৰূপায়ণৰ সহজতা সংযুক্ত কৰে। পাঁচটা অনুবাদ আৰু দুটা ৰূপবিজ্ঞানগত পৰিৱৰ্তন কাৰ্যত আমি BLEU ত প্ৰচেষ্টা আৰু ধাৰাবাহিক লাভ দেখুৱাম বৰ্তমানৰ মনোযোগৰ প্ৰণালীৰ তুলনাত। |
abdb694ab4b1cb4f54f07ed16a657765ce8c47f5 | উদ্ভাৱন আৰু ইয়াৰ প্ৰয়োগৰ মাজত থকা সম্পৰ্ক সম্পৰ্ক সম্পৰ্কীয় ৭৫ টা প্ৰবন্ধৰ এক সমীক্ষা আৰু মেটা-বিশ্লেষণ কৰা হৈছিল। বিশ্লেষণৰ এটা অংশত বিদ্যমান অধ্যয়নৰ এটা পদ্ধতিগত প্ৰফাইল নিৰ্মাণ কৰা হৈছিল আৰু ইয়াক এক অনুমানিত সৰ্বোত্তম পদ্ধতিৰ সৈতে তুলনা কৰা হৈছিল। অধ্যয়নৰ দ্বিতীয় অংশত মেটা-বিশ্লেষণাত্মক পৰিসংখ্যাগত কৌশল ব্যৱহাৰ কৰি বিদ্যমান অভিজ্ঞতাৰ ফলাফলৰ সাধাৰণতা আৰু সামঞ্জস্যতা মূল্যায়ন কৰা হয়। উদ্ভাৱনৰ তিনিটা বৈশিষ্ট্য (সামঞ্জস্যতা, আপেক্ষিক সুবিধা আৰু জটিলতা) উদ্ভাৱনৰ গ্ৰহণৰ সৈতে আটাইতকৈ ধাৰাবাহিক গুৰুত্বপূৰ্ণ সম্পৰ্ক আছিল। এই ক্ষেত্ৰত ভৱিষ্যতে গৱেষণাৰ বাবে পৰামৰ্শ আগবঢ়োৱা হয়। |
518fd110bbf86df5259fb99126173d626a2ff744 | আমি মোবাইল মনিপুলেটৰ যেনে ব্যক্তিগত ৰবট আৰু এছেম্বলিং লাইন ৰবটৰ বাবে ট্ৰেক্টৰীতকৈ শিকাৰ প্ৰাধান্য সমস্যাটো বিবেচনা কৰোঁ। আমি শিকিব পৰা পছন্দসমূহ সহজ জ্যামিতিক সীমাবদ্ধতাৰ তুলনাত অধিক জটিল; পৰিৱেশৰ বিভিন্ন বস্তু আৰু মানৱীয় ক্ৰিয়া-কলাপৰ পৰিৱেশৰ দ্বাৰা ই পৰিচালিত হয়। আমি প্ৰস্তাৱ দিছো এটা সহযোগী অনলাইন শিক্ষণ কাঠামো যাতে পাঠ্যক্ৰম সমৃদ্ধ পৰিৱেশত শিক্ষণ প্ৰাধান্য প্ৰদান কৰিব পৰা যায়। আমাৰ পদ্ধতিৰ মূল উদ্ভাৱনটো ব্যৱহাৰকাৰীৰ পৰা প্ৰত্যাশিত প্ৰতিক্ৰিয়াৰ প্ৰকাৰত আছে: মানৱ ব্যৱহাৰকাৰীয়ে অনুকূল গতিপথ প্ৰশিক্ষণ তথ্য হিচাপে প্ৰদৰ্শন কৰাৰ প্ৰয়োজন নাই, কিন্তু কেৱল পৰৱৰ্তীভাৱে গতিপথ প্ৰদান কৰিব লাগে যি বৰ্তমানে প্ৰস্তাৱিত গতিপথতকৈ অলপ উন্নত। আমি যুক্তি দিওঁ যে এই সহযোগিতামূলক পছন্দৰ প্ৰতিক্ৰিয়া অনুকূল গতিপথৰ প্ৰদৰ্শনৰ তুলনাত অধিক সহজে প্ৰাপ্ত কৰিব পাৰি। তথাপিও, আমাৰ এলগৰিথমৰ তাত্ত্বিক অনুশোচনা সীমা সৰ্বোত্তম গতিপথ এলগৰিথমৰ অসাম্ম্পটিক হাৰৰ সৈতে মিল আছে। আমি আমাৰ এলগৰিথম দুটা উচ্চ-স্বাধীনতাযুক্ত ৰবটত প্ৰয়োগ কৰিছো, পিআৰ২ আৰু বাক্সাৰ, আৰু এনে ক্ৰমান্বয়ে প্ৰতিক্ৰিয়া প্ৰদানৰ বাবে তিনিটা স্বজ্ঞাত ব্যৱস্থা প্ৰদৰ্শন কৰিছো। আমাৰ পৰীক্ষামূলক মূল্যায়নত আমি দুটা প্ৰসংগ সমৃদ্ধ পৰিবেশ, ঘৰুৱা কাম আৰু গেলামালৰ দোকান চেকআউট বিবেচনা কৰোঁ আৰু দেখুৱাম যে ব্যৱহাৰকাৰীসকলে মাত্ৰ কেইটামান ফিডবেক (কেৱল কেইটামান মিনিট সময় লয়) ৰ সৈতে ৰবটটোক প্ৰশিক্ষণ দিব পাৰে। |
9f927249d7b33b91ca23f8820e21b22a6951a644 | মিলিমিটাৰ ৱেভ (mmWave) সেলুলাৰ চিষ্টেমৰ উচ্চ ডাটা ৰেট সক্ষম কৰিবলৈ বেছ ষ্টেচন আৰু ম বাইল ব্যৱহাৰকাৰী উভয়তে বৃহৎ এণ্টেনা এৰে স্থাপন কৰাৰ প্ৰয়োজন। মিমি ৱেভ সেলুলাৰ নেটৱৰ্কৰ কভাৰেজ আৰু ৰেট সম্পৰ্কীয় পূৰ্বৰ কামত বেছ ষ্টেচন আৰু ম বাইল বিম ফৰ্মিং ভেক্টৰক সৰ্বাধিক বিম ফৰ্মিং লাভৰ বাবে পূৰ্ব নিৰ্ধাৰিত কৰা হয়। বিম-ফৰ্মিং/কম্বিনেটিং ভেক্টৰ ডিজাইন কৰিবলৈ অৱশ্যে প্ৰশিক্ষণৰ প্ৰয়োজন হয়, যিয়ে এছআইএনআৰ কভাৰেজ আৰু এমএমওৱেভ চিষ্টেমৰ হাৰ উভয়কে প্ৰভাৱিত কৰিব পাৰে। এই প্ৰবন্ধত এমএমওৱেভ সেলুলাৰ নেটৱৰ্ক প্ৰদৰ্শনৰ মূল্যায়ন কৰা হৈছে, আৰু বীম প্ৰশিক্ষণ/সংগঠনৰ ওভাৰহেডৰ হিচাপ লোৱা হৈছে। প্ৰথমতে, প্ৰাৰম্ভিক বিম এচোছিয়েচনৰ বাবে এটা মডেল প্ৰস্তুত কৰা হয় যিটো বিম স্কেভিং আৰু ডাউনলিংক নিয়ন্ত্ৰণ পাইলট পুনঃব্যৱহাৰৰ ওপৰত ভিত্তি কৰি প্ৰস্তুত কৰা হয়। ৰশ্মি প্ৰশিক্ষণৰ প্ৰভাৱ অন্তৰ্ভুক্ত কৰিবলৈ, কাৰ্যকৰী নিৰ্ভৰযোগ্য হাৰ নামৰ এটা নতুন মেট্ৰিক সংজ্ঞায়িত আৰু গ্ৰহণ কৰা হয়। ষ্ট কাষ্টিক জ্যামিতি ব্যৱহাৰ কৰি, এমএমওৱেভ চেলুলাৰ নেটৱৰ্কৰ কাৰ্যকৰী হাৰ দুটা বিশেষ ক্ষেত্ৰত আহৰণ কৰা হয়ঃ প্ৰায়-অৰ্টোগ নেল পাইলট আৰু সম্পূৰ্ণ পাইলট পুনৰ ব্যৱহাৰ। বিশ্লেষণ আৰু অনুকৰণ ফলাফলৰ দ্বাৰা দুটা গুৰুত্বপূৰ্ণ প্ৰশ্নৰ উত্তৰ পোৱা যায়। প্ৰথমতে, এমএমওৱেভ নেটৱৰ্ক পাৰদৰ্শিতাৰ ওপৰত বীম সংযুক্তিকৰণৰ প্ৰভাৱ কি? তেন্তে, অৰ্ট গ নেল বা পুনৰ ব্যৱহাৰ কৰা পাইলটসমূহ নিয়োগ কৰা উচিত নে? ফলাফলৰ পৰা দেখা যায় যে যদিহে ব্যৱহাৰ কৰা বীমবোৰ অতি বহল নহয়, সম্পূৰ্ণ পাইলট পুনঃব্যৱহাৰৰ সৈতে প্ৰাৰম্ভিক বীম প্ৰশিক্ষণ প্ৰায় নিখুঁত বীম সংহতিৰ দৰে ভাল। |
6bd1f2782d6c8c3066d4e7d7e3afb995d79fa3dd | এটা অৰ্থবিভাজন এলগৰিথমে এটা ছবিৰ প্ৰতিটো পিক্সেললৈ এটা লেবেল প্ৰদান কৰিব লাগিব। শেহতীয়াকৈ, গভীৰ শিক্ষণৰ বাবে RGB ছবিৰ অৰ্থবিভাজন যথেষ্ট আগবাঢ়িছে। কাৰণ অৰ্থবিভাজনৰ বাবে ডাটাছেট সৃষ্টি কৰাটো কষ্টকৰ, এই ডাটাছেটবোৰ বস্তুৰ স্বীকৃতি ডাটাছেটতকৈ যথেষ্ট সৰু হয়। ইয়াৰ ফলত এটা গভীৰ স্নায়ু নেটৱৰ্কক অৰ্থবিভাজনৰ বাবে প্ৰত্যক্ষভাৱে প্ৰশিক্ষণ দিয়াটো কঠিন হৈ পৰে, কাৰণ ই অতিৰিক্তভাবে ফিট হোৱাৰ প্ৰৱণতা থাকিব। ইয়াৰ সৈতে মোকাবিলা কৰিবলৈ, গভীৰ শিক্ষণ মডেলসমূহে সাধাৰণতে বৃহৎ স্কেল ইমেজ ক্লাচিফিকেশ্যন ডাটাচেটত পূৰ্ব-প্ৰশিক্ষিত কনভলুশ্যনেল নিউৰেল নেটৱৰ্ক ব্যৱহাৰ কৰে, যাক পিছত অৰ্থগত বিভাজনৰ বাবে সূক্ষ্ম-টুন কৰা হয়। নন-RGB ছবিৰ বাবে, এইটো বৰ্তমান সম্ভৱ নহয় কাৰণ বৃহৎ স্কেল লেবেলযুক্ত নন-RGB ডাটাছেট নাই। এই প্ৰবন্ধত আমি মাল্টি-স্পেক্টৰেল ৰিমোট ছেন্সিং ইমেজীৰ অৰ্থবিভাজনৰ বাবে দুটা গভীৰ নিউৰেল নেটৱৰ্ক বিকাশ কৰিছো। লক্ষ্য ডাটাছেটত প্ৰশিক্ষণ দিয়াৰ আগতে, আমি বৃহৎ পৰিমাণৰ সিন্থেটিক মাল্টিস্পেক্ট্ৰেল ইমেজৰে নেটৱৰ্কসমূহক প্ৰাথমিক কৰি লওঁ। আমি দেখুৱাম যে ই বাস্তৱ জগতৰ ৰিমোট ছেন্সিং ছবিৰ ফলাফলত যথেষ্ট উন্নতি কৰে, আৰু আমি এক নতুন অত্যাধুনিক ফলাফল স্থাপন কৰো প্ৰত্যাহ্বানমূলক হেমলিন বিচ ষ্টেট পাৰ্ক ডাটাছেটত। |
9e9b8832b9e727d5f7a61cedfa4bdf44e8969623 | এই প্ৰবন্ধত Teaching-Learning-Based Optimization (TLBO) নামৰ এটা কাৰ্যকৰী অপ্টিমাইজেশ্যন পদ্ধতিৰ প্ৰস্তাৱ কৰা হৈছে। এই পদ্ধতিৰ জৰিয়তে গোলকীয় সমাধান বিচাৰি উলিওৱা হয়। প্ৰস্তাৱিত পদ্ধতিটো শ্ৰেণীত শিক্ষাৰ্থীৰ আউটপুটৰ ওপৰত শিক্ষকৰ প্ৰভাৱৰ প্ৰভাৱৰ ওপৰত ভিত্তি কৰি প্ৰস্তুত কৰা হৈছে। পদ্ধতিটোৰ মৌলিক দৰ্শনটো বিশদভাৱে ব্যাখ্যা কৰা হৈছে। বিভিন্ন বৈশিষ্ট্যৰ সৈতে বহুতো প্ৰমাণিত সমস্যাসমূহৰ ওপৰত পদ্ধতিটোৰ কাৰ্য্যকৰিতা পৰীক্ষা কৰা হয় আৰু ফলাফলসমূহ আন জনসংখ্যা ভিত্তিক পদ্ধতিৰ সৈতে তুলনা কৰা হয়। ২০১১ এলেছভিয়াৰ ইনক. সকলো অধিকাৰ সংৰক্ষিত। |
3ca6ab58ae015860098d800a9942af9df4d1e090 | অনুসন্ধান-ভিত্তিক গ্ৰাফ অনুসন্ধান, যেনে চুটি পথ আৰু আইছ মৰ্ফিক উপগ্ৰাফ সন্ধান কৰা, মেমৰি লেটেন্সিৰ দ্বাৰা আধিপত্য বিস্তাৰ কৰা হয়। যদি ইনপুট গ্ৰাফসমূহক উপযুক্তভাৱে বিভাজিত কৰিব পাৰি, ডাঙৰ ক্লাষ্টাৰ-ভিত্তিক কম্পিউটিং প্লেটফৰ্মসমূহে এই প্ৰশ্নবোৰ চলাব পাৰে। অৱশ্যে, ইনপুট গ্ৰাফৰ প্ৰতিটো শৃংখলাত কম্পিউটাৰে আবদ্ধ প্ৰক্ৰিয়াকৰণৰ অভাৱ আৰু চুবুৰীয়াসকলক পুনৰুদ্ধাৰ কৰাৰ ধ্ৰুবক প্ৰয়োজনৰ বাবে কম প্ৰচেছৰ ব্যৱহাৰৰ অৰ্থ হৈছে। তদুপৰি, স্কেল-মুক্ত সামাজিক নেটৱৰ্কৰ দৰে গ্ৰাফ শ্ৰেণীৰ ক্ষেত্ৰত বিভাজনক স্পষ্টভাৱে কাৰ্যকৰী কৰিবলৈ স্থানীয়তাৰ অভাৱ হয়। ব্যাপক মাল্টিথ্ৰিডিং হৈছে এক বিকল্প স্থাপত্যৰ ধাৰা, য ত এক বৃহৎ শ্বেয়াৰ মেমৰি প্ৰচেছৰসমূহৰ সৈতে মিলিত হয় যিবোৰত বহুতো থ্ৰিড প্ৰসংগ সমৰ্থন কৰিবলৈ অতিৰিক্ত হাৰ্ডৱেৰ থাকে। প্ৰচেছৰ গতি সাধাৰণতে সাধাৰণতকৈ কম আৰু ইয়াত কোনো ডাটা কেচ নাই। মেমৰি লেটেন্সি হ্ৰাস কৰাৰ পৰিৱৰ্তে, মাল্টিথ্ৰেড মেচিনবোৰে ইয়াক সহ্য কৰে। এই দৃষ্টান্তটো গ্ৰাফ অনুসন্ধানৰ সমস্যাৰ সৈতে ভালদৰে সংলগ্ন, কিয়নো গণনাৰ বাবে মেম ৰি অনুৰোধৰ উচ্চ অনুপাত মাল্টিথ্ৰেইডিংৰ জৰিয়তে সহ্য কৰিব পাৰি। এই প্ৰবন্ধত, আমি মাল্টিথ্ৰেডড গ্ৰাফ লাইব্ৰেৰী (MTGL) প্ৰৱৰ্তন কৰো, মাল্টিথ্ৰেড্ড কম্পিউটাৰত অৰ্থগত গ্ৰাফ প্ৰক্ৰিয়াকৰণৰ বাবে সাধাৰণ গ্ৰাফ কুৱেৰী ছফ্টৱেৰ। এই লাইব্ৰেৰী বৰ্তমানে চিৰিয়েল মেচিন আৰু ক্ৰে এমটিএ-২ ত চলি আছে, কিন্তু ছান্দিয়াই এটা ৰান-টাইম ছিষ্টেম বিকাশ কৰি আছে যি সমান্তৰিক মাল্টিপ্ৰচেছৰসমূহত এমটিজিএল-ভিত্তিক ক ড চলাবলৈ সম্ভৱ কৰি তুলিব। আমি সংযুক্ত উপাদানসমূহৰ বাবে এটা মাল্টিথ্ৰেডিং এলগৰিথম আৰু অস্পষ্ট উপগ্ৰাফ আইছ মৰ্ফিজম বাবে এটা নতুন হেউৰিষ্টিকৰ প্ৰৱৰ্তন কৰো। আমি এই আৰু আন মৌলিক গ্ৰাফ এলগৰিথমসমূহৰ পৰিৱেশন বৃহৎ স্কেল-মুক্ত গ্ৰাফত অন্বেষণ কৰো। আমি ক্ৰে এমটিএ-২ আৰু ব্লু জিন/লাইটৰ মাজত পাৰফৰমেন্সৰ তুলনা কৰি এই কথাখিনি সামৰিছো। |
d4c65ee21bb8d64b8e4380f80ad856a1629b5949 | ব্ৰডবেণ্ড অৰ্থো-মোড ট্ৰেন্সডুচাৰত দ্বৈত অৰ্টোগ নেল লিনিয়াৰ প লাৰাইজেশ্যন পৃথক কৰাৰ বাবে ফোল্ডেড লেটেৰেল আৰ্মেৰে এটা ৱেভগাইড ডিভাইডাৰ উপস্থাপন কৰা হৈছে। এই গাঁথনিটো এটা সুপৰিচিত ডাবল ছিমেট্ৰি জংশনৰ ওপৰত আধাৰিত, য ত ধাতব পিনসমূহ আঁতৰ কৰা হৈছে আৰু পাৰ্শ্বীয় আউটপুটসমূহ এটা সংযুক্ত প্ৰভাৱ প্ৰাপ্ত কৰিবলৈ ভাঁজ কৰা হৈছেঃ উল্লম্ব পলাৰাইজেশ্যনৰ বাবে মিল আৰু এক অতি গুৰুত্বপূৰ্ণ আকাৰ হ্ৰাস। তদুপৰি, যেহেতু পাৰ্শ্বীয় শাখাসমূহৰ পথ হ্ৰাস কৰা হৈছে, বিভিন্ন ধ্ৰুৱকৰণৰ বাবে সন্নিবেশ ক্ষতি ভাৰসাম্যযুক্ত। জংচনৰ দ্বৈত-সমতুল্যতাৰ বাবে অৰ্টোগ নেল পলাৰিজেচনৰ মাজত বিচ্ছিন্নতা ৰখা হয়। যান্ত্ৰিক দৃষ্টিকোণৰ পৰা, প্ৰস্তাৱিত জংচনে অৰ্থো-মোড ট্ৰেন্সডুচাৰ অংশসমূহৰ এটা সৰল নিৰ্মাণ আৰু একত্ৰিতকৰণৰ অনুমতি দিয়ে, যিটো এটা ক্যু-বেণ্ড ডিজাইনৰ সৈতে দেখুওৱা হৈছে, যি সম্পূৰ্ণ ক্যু-বেণ্ডক ১২.৬ ৰ পৰা ১৮.২৫ গিগাহাৰ্জলৈকে সামৰি লয়। পৰীক্ষামূলক প্ৰট টাইপে প্ৰদৰ্শন কৰিছে যে ডিজাইন বেণ্ডত ২৮ ডিচিবলতকৈ ভাল আৰু দুয়োটা পলাৰাইজেশ্যনৰ বাবে ০.১৫ ডিচিবলতকৈ সৰু ইনচেছন লষ্ট। |
db3259ae9e7f18a319cc24229662da9bf400221a | |
10dae7fca6b65b61d155a622f0c6ca2bc3922251 | |
5021c5f6d94ffaf735ab941241ab21e0c491ffa1 | মেচিং আৰু ৰিট্ৰিভেল টাস্কত তেওঁলোকৰ প্ৰদৰ্শন উন্নত কৰিবলৈ MSER বৈশিষ্টসমূহ পুনৰ সংজ্ঞায়িত কৰা হৈছে। প্ৰস্তাৱিত SIMSER বৈশিষ্টসমূহ (অৰ্থাৎ স্কেল-অসংবেদনশীল MSERs) হৈছে প্ৰান্তীয় অঞ্চল যি কেৱল মাত্ৰ থ্ৰেশহোল্ড পৰিৱৰ্তনৰ অধীনত (MSERs ৰ দৰে) নহয়, বৰং অতিৰিক্তভাৱে, ছবিৰ পুনৰ স্কেলিং (স্মুটিং) ৰ অধীনত সৰ্বাধিক স্থিৰ। এনে সংশোধনীৰ তাত্ত্বিক সুবিধা আলোচনা কৰা হৈছে। প্ৰাৰম্ভিকভাৱে পৰীক্ষামূলকভাৱে এইটোও প্ৰমাণিত হয় যে এনে সংশোধন MSER ৰ মৌলিক গুণাবলী ৰক্ষা কৰে, অৰ্থাৎ গড় সংখ্যক বৈশিষ্ট, পুনৰাবৃত্তিযোগ্যতা, আৰু গণনামূলক জটিলতা (যি ব্যৱহাৰ কৰা স্কেলৰ সংখ্যাৰ দ্বাৰা কেৱল গুণিতভাৱে বৃদ্ধি কৰা হয়), আনহাতে কাৰ্যক্ষমতা (বিশেষ চি বি ভি আই আৰ মেট্ৰিক্সৰ দ্বাৰা জোখা হয়) উল্লেখযোগ্যভাৱে উন্নত কৰিব পাৰি। বিশেষকৈ, বেঞ্চমাৰ্কৰ ডাটা ছেটৰ ফলাফলসমূহে বৰ্ণনাকাৰী-ভিত্তিক মিল আৰু শব্দ-ভিত্তিক মিলৰ বাবে স্মৰণীয় মানৰ গুৰুত্বপূৰ্ণ বৃদ্ধিৰ ইংগিত দিয়ে। সাধাৰণভাৱে, SIMSERs বৃহৎ ভিজুৱেল শব্দভাণ্ডাৰৰ সৈতে ব্যৱহাৰৰ বাবে বিশেষভাৱে উপযুক্ত যেন লাগে, উদাহৰণস্বৰূপে, ইহঁতক ভৱিষ্যতে ব্যৱহাৰ কৰি বৃহৎ ডাটাবেছত বট-ৰ প্ৰাক-আৰম্ভিক কামৰ গুণগত মান উন্নত কৰিব পাৰি। |
e23c9687ba0bf15940af76b7fa0e0c1af9d3156e | গ্ৰাহক ইলেক্ট্ৰনিক্স উদ্যোগটো হৈছে অতি কম সংখ্যক প্ৰতিযোগিতামূলক বিশ্বব্যাপী খেলুৱৈৰ সৈতে ২৪০ বিলিয়ন ডলাৰৰ এক বিশ্বব্যাপী উদ্যোগ। আমি এই উদ্যোগৰ যিকোনো বিশ্বব্যাপী যোগান শৃংখলাৰ সৈতে জড়িত বহুতো বিপদৰ বৰ্ণনা কৰিছো। উদাহৰণস্বৰূপে, আমি এইসমূহ পদক্ষেপৰ তালিকাও দিছো যিবোৰ ছামচিং ইলেক্ট্ৰনিকছ আৰু ইয়াৰ সহায়ক প্ৰতিষ্ঠান ছামচিং ইলেক্ট্ৰনিকছ ইউকে-এ এই বিপদসমূহ হ্ৰাস কৰিবলৈ গ্ৰহণ কৰিছে। আমাৰ বিপদসমূহৰ বিৱৰণ আৰু প্ৰতিকাৰৰ প্ৰচেষ্টাৰ বৰ্ণনা ভৱিষ্যতৰ গৱেষণাৰ ক্ষেত্ৰসমূহ চিনাক্ত কৰাৰ বাবে পটভূমি প্ৰদান কৰে। |
2f52cbef51a6a8a2a74119ad821526f9e0b57b39 | SAP HANA ডাটাবেছক SAP HANA এপ্লায়েন্সৰ মূল অংশ হিচাপে স্থাপন কৰা হৈছে যাতে লেনদেনগত ধাৰাবাহিক কাৰ্য্যকৰী কামৰ বোজাৰে সৈতে সংযুক্ত হৈ জটিল ব্যৱসায়িক বিশ্লেষণাত্মক প্ৰক্ৰিয়াসমূহক সমৰ্থন কৰিব পৰা যায়। এই প্ৰবন্ধত আমি SAP HANA ডাটাবেছৰ মৌলিক বৈশিষ্ট্যসমূহৰ বিষয়ে আলোচনা কৰিম, আৰু অন্যান্য ধ্ৰুপদী সম্পৰ্কীয় ডাটাবেছ ব্যৱস্থাপনা প্ৰণালীৰ পৰা SAP HANA ডাটাবেছক পৃথক কৰি ৰখা বিশেষ বৈশিষ্টবোৰৰ ওপৰত গুৰুত্ব আৰোপ কৰিম। কাৰিকৰী দিশত, SAP HANA ডাটাবেচত ডাটা প্ৰক্ৰিয়াকৰণৰ সম্পূৰ্ণ স্পেকট্ৰাম প্ৰদান কৰিবলৈ বিতৰণ কৰা কোৱাৰী প্ৰক্ৰিয়াকৰণ পৰিৱেশৰ সৈতে একাধিক ডাটা প্ৰক্ৰিয়াকৰণ ইঞ্জিন থাকে - ক্লাছিক সম্পৰ্কীয় তথ্যৰ পৰা হাইব্ৰিড ইঞ্জিনত শাৰী- আৰু স্তম্ভ-উদ্ভৱ ভৌতিক প্ৰতিনিধিত্ব উভয়কে সমৰ্থন কৰা, গ্ৰাফ আৰু পাঠ্য প্ৰক্ৰিয়াকৰণৰ বাবে আধা আৰু অগঠনশীল তথ্য পৰিচালনাৰ বাবে একেটা প্ৰণালীৰ ভিতৰত। অধিক এপ্লিকেচন-ভিত্তিক দৃষ্টিকোণৰ পৰা, আমি স্থানীয়ভাৱে প্ৰয়োগ কৰা ব্যৱসায়িক কাৰ্য্যসমূহৰ অন্তৰ্নিৰ্মিত ছেটৰ সৈতে একাধিক ড মেইন-নিৰ্দিষ্ট ভাষাৰ SAP HANA ডাটাবেছে প্ৰদান কৰা বিশেষ সমৰ্থনৰ বিষয়ে আভাস দিছো। SQL - সম্পৰ্কীয় ডাটাবেছ চিষ্টেমৰ বাবে লিঙ্গুয়া ফ্ৰাংকাক - আধুনিক এপ্লিকেচনৰ সকলো প্ৰয়োজনীয়তা পূৰণ কৰিবলৈ আৰু বিবেচনা কৰিব নোৱাৰি, যিয়ে ডাটা মেনেজমেণ্ট স্তৰৰ সৈতে কঠোৰ আন্তঃক্ৰিয়া কৰিব লাগে। সেয়েহে, SAP HANA ডাটাবেছে অন্তৰ্নিহিত তথ্য ব্যৱস্থাপনা প্লেটফৰ্মৰ সৈতে এপ্লিকেশ্যন ছেমেণ্টিকৰ আদান-প্ৰদানৰ অনুমতি দিয়ে যি কুৱেৰীৰ অভিব্যক্তি বৃদ্ধি কৰিবলৈ আৰু পৃথক এপ্লিকেশ্যন-টু-ডাটাবেছ ঘূৰি ফুৰাৰ সংখ্যা হ্ৰাস কৰিবলৈ ব্যৱহাৰ কৰিব পাৰি। |
3a011bd31f1de749210b2b188ffb752d9858c6a6 | আমি সিদ্ধান্ত সমৰ্থন সুবিধাসমূহক বৃহৎ অত্যাধুনিক নেটৱৰ্কৰ দিশত সম্প্ৰসাৰিত কৰাৰ কথা বিবেচনা কৰিছো, য ত বহুমাত্ৰিক বৈশিষ্ট্যসমূহ নেটৱৰ্ক সত্তাসমূহৰ সৈতে জড়িত, যাৰ ফলত তথাকথিত বহুমাত্ৰিক নেটৱৰ্কসমূহ গঠন হয়। তথ্য ভঁৰাল আৰু অ এল এ পি (অনলাইন বিশ্লেষণাত্মক প্ৰক্ৰিয়া) প্ৰযুক্তি সম্পৰ্কীয় তথ্যৰ ওপৰত সিদ্ধান্ত সহায়ৰ বাবে কাৰ্যকৰী সঁজুলি হিচাপে প্ৰমাণিত হৈছে। কিন্তু নতুন আৰু গুৰুত্বপূৰ্ণ বহুমুখী নেটৱৰ্কসমূহৰ সৈতে মোকাবিলা কৰিবলৈ তেওঁলোক উপযুক্তভাৱে সাজু নহয়। এই প্ৰবন্ধত, আমি গ্ৰাফ কিউব, এটা নতুন ডাটা ৱেৰহাউজিং মডেলৰ বিষয়ে জনাম যি বৃহৎ বহুমাত্ৰিক নেটৱৰ্কত ওলাপ কুৱেৰী কাৰ্যকৰীভাৱে সমৰ্থন কৰে। নেটৱৰ্কসমূহৰ বৈশিষ্ট্য সংগ্ৰহ আৰু গঠন সংক্ষেপণ দুয়োটাই বিবেচনা কৰি, গ্ৰাফ কিউবে কেৱল সংখ্যাসূচক মান ভিত্তিক গোট-বিৰ সৈতে জড়িত পৰম্পৰাগত ডাটা কিউব মডেলৰ ওপৰলৈ যায়, যাৰ ফলত প্ৰতিটো সম্ভৱ বহুমাত্ৰিক স্থানৰ ভিতৰত এক অধিক অন্তৰ্দৃষ্টিপূৰ্ণ আৰু গঠন-সমৃদ্ধ সংগ্ৰহিত নেটৱৰ্ক সৃষ্টি হয়। পৰম্পৰাগত কিউব ইড কোৱাৰীৰ উপৰিও, OLAP কোৱাৰীৰ এটা নতুন শ্ৰেণী, ক্ৰছব ইড, প্ৰৱৰ্তন কৰা হৈছে যি বহুমাত্ৰিক নেটৱৰ্কত অনন্যভাৱে উপযোগী আৰু আগতে অধ্যয়ন কৰা হোৱা নাছিল। আমি বহু-মাত্রিক নেটৱৰ্কৰ বিশেষ বৈশিষ্টসমূহক বিদ্যমান ভালদৰে অধ্যয়ন কৰা ডাটা কিউব কৌশলসমূহৰ সৈতে মিলাই গ্ৰাফ কিউব ৰূপায়ণ কৰো। আমি বাস্তৱ জগতৰ তথ্যৰ এটা শৃংখলাৰ ওপৰত বিস্তৃত পৰীক্ষামূলক অধ্যয়ন চলাইছো আৰু গ্ৰাফ কিউব বৃহৎ বহুমাত্ৰিক নেটৱৰ্কত সিদ্ধান্ত সহায়ৰ বাবে এক শক্তিশালী আৰু কাৰ্যকৰী সঁজুলি হিচাপে প্ৰমাণিত হৈছে। |
4b573416043cf9cff42cbb7b753993c907a2be4a | বহুতো পৰম্পৰাগত আৰু নতুন ব্যৱসায়িক এপ্লিকেচনসমূহ প্ৰাকৃতিকভাৱে গ্ৰাফ-গঠনযুক্ত তথ্যৰ সৈতে কাম কৰে আৰু সেয়ে গ্ৰাফ বিমূর্তকৰণ আৰু তথ্য ব্যৱস্থাপনা স্তৰত প্ৰদান কৰা কাৰ্য্যসমূহৰ পৰা উপকৃত হয়। প্ৰপাৰ্টি গ্ৰাফ ডাটা মডেল কেৱল স্কিমাৰ নমনীয়তা প্ৰদান কৰাই নহয়, লগতে তথ্য আৰু মেটাডাটা একেলগে পৰিচালনা আৰু প্ৰক্ৰিয়াকৰণ কৰাৰ অনুমতি দিয়ে। সাধাৰণ গ্ৰাফৰ কাৰ্য্যক্ৰমসমূহক ডাটাবেছ ইঞ্জিনত প্ৰত্যক্ষভাৱে ৰূপায়ণ কৰি আৰু সেইবোৰক এক স্বজ্ঞাত প্ৰগ্ৰামিং ইণ্টাৰফেচ আৰু এক ঘোষণামূলক ভাষাৰ ৰূপত উন্মোচন কৰি, জটিল ব্যৱসায়িক এপ্লিকেচন লজিক সহজতে প্ৰকাশ কৰিব পাৰি আৰু অতি কাৰ্যকৰীভাৱে কাৰ্যকৰী কৰিব পাৰি। এই প্ৰবন্ধত আমি SAP HANA ডাটাবেছক অন্তৰ্নিৰ্মিত গ্ৰাফ ডাটা সমৰ্থনৰে সম্প্ৰসাৰিত কৰাৰ বাবে আমাৰ চলিত কামৰ বৰ্ণনা কৰিছো। আমি ইয়াক SAP HANA ৰ সৈতে আধুনিক ব্যৱসায়িক এপ্লিকেচনৰ বাবে এটা কাৰ্যকৰী আৰু স্বজ্ঞাত তথ্য ব্যৱস্থাপনা প্লেটফৰ্ম প্ৰদান কৰাৰ পথত পৰৱৰ্তী পদক্ষেপ হিচাপে গণ্য কৰো। |
16af753e94919ca257957cee7ab6c1b30407bb91 | |
cc75568885ab99851cc0e0ea5679121606121e5d | কাম কৰা কুকুৰৰ প্ৰশিক্ষণ আৰু পৰিচালনা এটা ব্যয়বহুল প্ৰক্ৰিয়া আৰু ইয়াৰ বাবে বিশেষ দক্ষতা আৰু কৌশল প্ৰয়োজন। কম স্বতন্ত্ৰ আৰু কম খৰচী প্ৰশিক্ষণ প্ৰণালীয়ে কেৱল এই কুকুৰবোৰৰ সৈতে আমাৰ অংশীদাৰিত্ব উন্নত কৰাই নহয়, তেওঁলোকৰ দক্ষতাৰ পৰা অধিক কাৰ্যকৰীভাৱে লাভান্বিত হ বলৈও আমাক সক্ষম কৰিব। ইয়াৰ বাবে আমি কুকুৰৰ শৰীৰৰ ক্ষেত্ৰৰ নেটৱৰ্ক (cBAN) বিকাশ কৰি আছো যিয়ে সংবেদনৰ প্ৰযুক্তি আৰু কম্পিউটেশ্যনেল মডেলিংক একত্ৰিত কৰি কুকুৰৰ প্ৰশিক্ষণৰ বাবে অধিক সঠিক ব্যাখ্যা প্ৰদান কৰিব। ইয়াৰ প্ৰথম পদক্ষেপ হিচাপে আমি ইনেৰচিয়েল মেজৰিং ইউনিট (আইএমইউ) ব্যৱহাৰ কৰি কানাইনসকলৰ আচৰণগত কাৰ্যকলাপ দূৰৈৰ পৰা চিনাক্ত কৰিছিলো। সিদ্ধান্ত বৃক্ষ শ্ৰেণীবিভাগক আৰু গোপন মাৰকভ মডেলক স্থিৰ ভংগী (বসা, থিয়, শুই থকা, দুই ভৰিৰ ওপৰত থিয় আৰু মাটিৰ পৰা খোৱা) আৰু গতিশীল কাৰ্যকলাপ (ভ্ৰমণ, সিঁড়ি আৰোহণ আৰু ৰেম্পৰ পৰা নামি) চিনাক্ত কৰিবলৈ ব্যৱহাৰ কৰা হৈছিল। ই কুকুৰৰ জেকেটত স্থাপন কৰা বেতাৰ সংবেদক প্ৰণালীৰ দ্বাৰা প্ৰদান কৰা এক্সেলেৰ মিটাৰ আৰু জাইৰ স্কোপ ডাটাৰ হেউৰিষ্টিক বৈশিষ্ট্যৰ ওপৰত ভিত্তি কৰি। ৬ টা লেব্ৰাডৰ ৰেট্ৰিভাৰ আৰু এটা কাই কেনৰ পৰা তথ্য সংগ্ৰহ কৰা হৈছিল। IMU অৱস্থান আৰু অভিমুখৰ বিশ্লেষণে স্থিৰ আৰু গতিশীল কাৰ্যকলাপৰ স্বীকৃতিৰ বাবে উচ্চ শ্ৰেণীবিভাজনৰ সঠিকতা প্ৰাপ্ত কৰাত সহায় কৰিছিল। |
694a40785f480cc0d65bd94a5e44f570aff5ea37 | ম বাইল ৰবট নেভিগেশ্যনৰ ওপৰত গৱেষণাই গৃহস্থালীৰ পৰিৱেশৰ মেপিংৰ বাবে দুটা প্ৰধান দৃষ্টান্ত সৃষ্টি কৰিছেঃ গ্ৰীড-ভিত্তিক আৰু টপ লজিকেল। গ্ৰীড-ভিত্তিক পদ্ধতিবোৰে সঠিক মেট্ৰিক মেপ প্ৰস্তুত কৰে, কিন্তু তেওঁলোকৰ জটিলতাই প্ৰায়ে বৃহৎ আভ্যন্তৰীণ পৰিৱেশত কাৰ্যকৰী পৰিকল্পনা আৰু সমস্যা সমাধানৰ অনুমতি নিদিয়ে। আনহাতে, টপ লজিকেল মেপবোৰ অধিক কাৰ্যকৰীভাৱে ব্যৱহাৰ কৰিব পাৰি, তথাপিও সঠিক আৰু সামঞ্জস্যপূৰ্ণ টপ লজিকেল মেপবোৰ ডাঙৰ-দীঘল পৰিৱেশত শিকিবলৈ যথেষ্ট কঠিন। এই প্ৰবন্ধত এনে এটা পদ্ধতিৰ বিষয়ে বৰ্ণনা কৰা হৈছে যিয়ে দুয়োটা ধৰণীকে একত্ৰিত কৰিছেঃ গ্ৰীড-ভিত্তিক আৰু টপ লজিকেল। গ্ৰীড-ভিত্তিক মানচিত্ৰবোৰ কৃত্ৰিম নিউৰেল নেটৱৰ্ক আৰু বেইচিয়ান একত্ৰীকৰণ ব্যৱহাৰ কৰি শিকিব পাৰি। টপ লজিকেল মেপসমূহ গ্ৰীড-ভিত্তিক মেপৰ ওপৰত সৃষ্টি কৰা হয়, এই মেপসমূহক সুসংগত অঞ্চলত ভাগ কৰি। দুয়োটা দৃষ্টান্ত-গ্ৰীড-ভিত্তিক আৰু টপ লজিকেল-ক একত্ৰিত কৰি, ইয়াত উপস্থাপিত পদ্ধতিটোৱে দুয়োখন জগতৰ সৰ্বশ্ৰেষ্ঠ লাভ কৰেঃ সঠিকতা/সংগততা আৰু দক্ষতা। এই প্ৰবন্ধত জনবসতিপূৰ্ণ বহু কক্ষৰ পৰিৱেশত ছোনাৰ ছেন্সৰৰে সজ্জিত এটা ম বাইল ৰবটৰ স্বায়ত্তশাসিতভাৱে কাম কৰাৰ ফলাফল দিয়া হৈছে। |
a512385be058b1e2e1d8b418a097065707622ecd | বিশ্বজুৰি কৰ্কট ৰোগৰ বোজা বৃদ্ধি হৈ আছে, বিশেষকৈ বিশ্বৰ জনসংখ্যাৰ বৃদ্ধিত আৰু কৰ্কট ৰোগ সৃষ্টি কৰা আচৰণ, বিশেষকৈ ধূমপান, অৰ্থনৈতিকভাৱে উন্নয়নশীল দেশসমূহত অধিক গ্ৰহণ কৰাৰ ফলত। গ্ল ব কান ২০০৮ ৰ অনুমানৰ ভিত্তিত ২০০৮ চনত প্ৰায় ১২.৭ নিযুত কেন্সাৰ ৰোগ আৰু ৭.৬ নিযুত কেন্সাৰ ৰোগত মৃত্যু হোৱা বুলি অনুমান কৰা হৈছে; ইয়াৰে ৫৬% ঘটনা আৰু ৬৪% মৃত্যুৰ ঘটনা আৰ্থিকভাৱে উন্নয়নশীল দেশত সংঘটিত হৈছে। স্তন কেন্সাৰ হৈছে সৰ্বাধিক সঘনাই চিনাক্ত কৰা কেন্সাৰ আৰু মহিলাৰ মাজত কেন্সাৰ ৰোগৰ মৃত্যুৰ প্ৰধান কাৰণ, মুঠ কেন্সাৰ ৰোগৰ ২৩% আৰু কেন্সাৰ ৰোগত মৃত্যুৰ ১৪%। পুৰুষৰ ক্ষেত্ৰত, ফুচফুচাই কৰ্কট ৰোগৰ প্ৰধান ক্ষেত্ৰ, মুঠ নতুন কৰ্কট ৰোগৰ ১৭% আৰু মুঠ কৰ্কট ৰোগৰ মৃত্যুৰ ২৩%। স্তন কেন্সাৰ এতিয়া অৰ্থনৈতিকভাৱে উন্নয়নশীল দেশসমূহৰ মহিলাসকলৰ কেন্সাৰ মৃত্যুৰ প্ৰধান কাৰণ, যিটো পূৰ্বৰ দশকৰ পৰা এক পৰিৱৰ্তন, যাৰ সময়ত কেন্সাৰ মৃত্যুৰ সৰ্বাধিক সাধাৰণ কাৰণ আছিল গৰ্ভপাতৰ কেন্সাৰ। তদুপৰি, উন্নয়নশীল দেশসমূহত মহিলাসকলৰ ক্ষেত্ৰত হাওঁফাওঁৰ কৰ্কট ৰোগৰ মৃত্যুৰ হাৰ গৰ্ভস্থলীৰ কৰ্কট ৰোগৰ দৰে উচ্চ, য ত প্ৰতিজন মহিলাৰ ক্ষেত্ৰত কৰ্কট ৰোগত হোৱা মুঠ মৃত্যুৰ ১১%। যদিও উন্নয়নশীল দেশসমূহত কৰ্কট ৰোগৰ ঘটনা দুয়োৰে ক্ষেত্ৰত উন্নত দেশসমূহত দেখা পোৱা ঘটনাতকৈ আধা, কৰ্কট ৰোগৰ ফলত হোৱা মৃত্যুৰ হাৰ সাধাৰণতে একে। কেন্সাৰ ৰোগৰ পৰা ৰক্ষা পোৱাৰ সম্ভাৱনা উন্নয়নশীল দেশসমূহত কম, সম্ভৱতঃ ৰোগ নিৰ্ণয়ৰ সময়ত দ্ৰুততা আৰু সময়মতে আৰু মানক চিকিৎসাৰ সীমিত প্ৰৱেশৰ সংমিশ্ৰণৰ বাবে। বিশ্বজুৰি কৰ্কট ৰোগৰ এটা বৃহৎ অংশৰ পৰা বৰ্তমানৰ কৰ্কট ৰোগ নিয়ন্ত্ৰণৰ জ্ঞানৰ প্ৰয়োগ আৰু ধঁপাত নিয়ন্ত্ৰণ, টিকাকৰণ (যকৃত আৰু গৰ্ভনিশৰ কৰ্কট ৰোগৰ বাবে), প্ৰাৰম্ভিক চিনাক্তকৰণ আৰু চিকিৎসাৰ লগতে শাৰীৰিক সক্ৰিয়তা আৰু স্বাস্থ্যকৰ আহাৰ প্ৰসাৰৰ বাবে জনস্বাস্থ্য অভিযান ৰূপায়ণৰ জৰিয়তে ৰক্ষা কৰিব পাৰি। বিশ্বব্যাপী এনে হস্তক্ষেপৰ প্ৰয়োগৰ গতি বৃদ্ধি কৰাত চিকিত্সক, জনস্বাস্থ্যৰ পেছাদাৰী আৰু নীতি নিৰ্ধাৰকসকলে সক্ৰিয় ভূমিকা পালন কৰিব পাৰে। |
37fa040ec0c4bc1b85f3ca2929445f3229ed7f72 | আমি sketch-rnn, এটা পুনৰাবৃত্ত নিউৰেল নেটৱৰ্ক (RNN) প্ৰদৰ্শন কৰিছো যি সাধাৰণ বস্তুৰ ষ্ট্ৰোক-ভিত্তিক চিত্ৰ নিৰ্মাণ কৰিবলৈ সক্ষম। এই মডেলটো হাজাৰ হাজাৰ মানুহৰ দ্বাৰা অংকিত ছবিৰ ওপৰত প্ৰশিক্ষণ দিয়া হয় যিবোৰ শত শত শ্ৰেণীৰ প্ৰতিনিধিত্ব কৰে। আমি চৰ্তযুক্ত আৰু চৰ্তহীন স্কেচ সৃষ্টিৰ বাবে এটা ফ্ৰেমৱৰ্ক উলিয়াইছো আৰু ভেক্টৰ ফৰ্মেটত সুসংগত স্কেচ অংকন সৃষ্টিৰ বাবে নতুন শক্তিশালী প্ৰশিক্ষণ পদ্ধতিৰ বৰ্ণনা কৰিছো। |
a1a1c4fb58a2bc056a056795609a2be307b6b9bf | ক্লাউড ষ্ট ৰেজ দ্ৰুতগতিত বহুতো আইটি আন্তঃগাঁথনিৰ আধাৰশিলা হৈ পৰিছে, বৃহৎ পৰিমাণৰ তথ্যৰ বেকআপ, ছিংক্ৰ নাইজেশ্যন আৰু ভাগ-বতৰা কৰাৰ বাবে এক নিৰৱচ্ছিন্ন সমাধান গঠন কৰে। ব্যৱহাৰকাৰীৰ তথ্যক ক্লাউড সেৱা প্ৰদানকাৰীৰ প্ৰত্যক্ষ নিয়ন্ত্ৰণত ৰখাটোৱে আউটচৰ্ছড তথ্যৰ অখণ্ডতা, দুৰ্ঘটনামূলক বা ইচ্ছাকৃতভাৱে সংবেদনশীল তথ্যৰ লিক, ব্যৱহাৰকাৰীৰ কাৰ্যকলাপৰ প্ৰফাইলিং ইত্যাদি সম্পৰ্কীয় সুৰক্ষা আৰু গোপনীয়তা সম্পৰ্কীয় উদ্বেগ উত্থাপন কৰে। তদুপৰি, ক্লাউড প্ৰদানকাৰী বিশ্বাসযোগ্য হ লেও, আউটচৰ্ছড ফাইলসমূহলৈ প্ৰৱেশাধিকাৰ থকা ব্যৱহাৰকাৰীসকল দুষ্টচক্ৰৰ আৰু ভুল আচৰণ কৰিব পাৰে। ব্যক্তিগত স্বাস্থ্য ৰেকৰ্ড আৰু ক্ৰেডিট স্ক ৰ চিষ্টেমৰ দৰে সংবেদনশীল এপ্লিকেচনত এই উদ্বেগবোৰ বিশেষভাৱে গুৰুতৰ। এই সমস্যা সমাধানৰ বাবে আমি GORAM, এটা ক্ৰিপ্টোগ্ৰাফিক ব্যৱস্থা প্ৰদৰ্শন কৰিছো যি বহিঃসংযোগ কৰা তথ্যৰ গোপনীয়তা আৰু অখণ্ডতা ৰক্ষা কৰে, অবিশ্বাস্য চাৰ্ভাৰ আৰু দূষিত ক্লায়েন্টৰ প্ৰতি সন্মান ৰাখি, এনে তথ্যৰ অ নামহীনতা আৰু আনলিংকযোগ্যতাৰ নিশ্চয়তা দিয়ে, আৰু ডাটা স্বত্বাধিকাৰীক অন্য ক্লায়েন্টৰ সৈতে বহিঃসংযোগ কৰা তথ্য ভাগ বতৰা কৰিবলৈ অনুমতি দিয়ে, তেওঁলোকক নিৰ্বাচিতভাৱে পঠন আৰু লিখন অনুমতি প্ৰদান কৰে। GORAM হৈছে আউটচৰ্চড ষ্ট ৰেজৰ বাবে এনে এক বিস্তৃত সুৰক্ষা আৰু গোপনীয়তা বৈশিষ্ট্য প্ৰাপ্ত কৰা প্ৰথমটো ব্যৱস্থা। এটা কাৰ্যকৰী নিৰ্মাণৰ পৰিকল্পনাৰ প্ৰক্ৰিয়াত, আমি দুটা নতুন, সাধাৰণভাৱে প্ৰযোজ্য ক্ৰিপ্টোগ্ৰাফিক আঁচনি বিকাশ কৰিছিলো, যথা, শ্বেফলিংৰ বেচড শূন্য-জ্ঞান প্ৰমাণ আৰু চেমেলিয়ন স্বাক্ষৰৰ ওপৰত ভিত্তি কৰি এক জবাবদিহি কৌশল, যাক আমি স্বতন্ত্ৰ স্বাৰ্থৰ বিবেচনা কৰোঁ। আমি এমাজন ইলাষ্টিক কম্পিউট ক্লাউড (ইচি২) ত গৰাম প্ৰয়োগ কৰিলো আৰু আমাৰ নিৰ্মাণৰ স্কেলিবিলিটি আৰু দক্ষতা প্ৰদৰ্শন কৰি এটা পাৰফৰমেন্স মূল্যায়ন চলাইছো। |
32527d9fcbfb0c84daf715d7e9a375f647b33c2c | |
269ed5ba525519502123b58472e069d77c5bda14 | প্ৰশ্ন উত্তৰ প্ৰণালীৰ ক্ষেত্ৰত প্ৰায়েই অপ্ৰয়োজনীয় (অসম্পূৰ্ণ) প্ৰশ্নৰ সন্মুখীন হয়। এই অ-অমুল প্ৰশ্নবোৰে চিস্টেমৰ বাবে অৰ্থহীন হ ব পাৰে যেতিয়া ব্যৱহাৰকাৰীয়ে কথোপকথনৰ প্ৰসংগ অবিহনে তেওঁলোকক প্ৰশ্ন কৰে। এই প্ৰণালীয়ে অসম্পূৰ্ণ প্ৰশ্নটো প্ৰক্ৰিয়া কৰিবলৈ কথোপকথনৰ প্ৰসংগটো বিবেচনা কৰিব লাগে। এই কামত, আমি এটা পুনৰাবৃত্ত নিউৰেল নেটৱৰ্ক (RNN) ভিত্তিক এনকোডাৰ ডিকোডাৰ নেটৱৰ্ক উপস্থাপন কৰোঁ যি এটা সম্পূৰ্ণ (আৰক্ষিত) প্ৰশ্ন উৎপন্ন কৰিব পাৰে, এটা অসম্পূৰ্ণ প্ৰশ্ন আৰু কথোপকথনৰ পৰিপ্ৰেক্ষিতত। আৰএনএন এনকোডাৰ ডিকোডাৰ নেটৱৰ্কবোৰে লক্ষ লক্ষ বাক্য থকা সমান্তৰাল ক ৰপাসত প্ৰশিক্ষণ প্ৰাপ্ত কৰিলে ভালদৰে কাম কৰা দেখুৱাইছে, অৱশ্যে এই মাত্ৰাৰ কথোপকথনৰ তথ্য প্ৰাপ্ত কৰাটো অত্যন্ত কঠিন। আমি মূল সমস্যাটো দুটা পৃথক সৰলীকৃত সমস্যাত ভগোৱাৰ প্ৰস্তাৱ দিছো য ত প্ৰতিটো সমস্যাই এটা বিমূর্ততাক কেন্দ্ৰ কৰি থাকে। বিশেষভাৱে, আমি এটা অৰ্থবিজ্ঞান ধাৰাবাহিক মডেলক অৰ্থবিজ্ঞান ধাৰাবাহিকতা শিকিবলৈ প্ৰশিক্ষণ দিওঁ, আৰু এটা বাক্যবিজ্ঞান ধাৰাবাহিকতা মডেলক ভাষিক ধাৰাবাহিকতা শিকিবলৈ প্ৰশিক্ষণ দিওঁ। আমি আৰু অধিক সংমিশ্ৰণ কৰি এটা সংকলন মডেল সৃষ্টি কৰিবৰ বাবে সিনটাক্স আৰু শব্দাৰ্থিক ক্ৰমৰ মডেল প্ৰস্তুত কৰো। আমাৰ মডেলটোৱে এটা মান RNN এনকোডাৰ ডিকোডাৰ মডেল ব্যৱহাৰ কৰি 18.54ৰ তুলনাত 30.15ৰ BLEU স্ক ৰ লাভ কৰে। |
27099ec9ea719f8fd919fb69d66af677a424143b | চিন্তা-বৌদ্ধিকৰ অভিযোজিত নিয়ন্ত্ৰণ (এচিটি-আৰ; জে.আৰ.আণ্ডাৰছন আৰু চি.লেবিয়াৰ, ১৯৯৮) এক তত্ত্বলৈ বিকশিত হৈছে যি একাধিক মডিউলৰে গঠিত কিন্তু এই মডিউলবোৰ কেনেকৈ সংহত হৈ সুসংগত জ্ঞান সৃষ্টি কৰে সেয়াও ব্যাখ্যা কৰে। সংজ্ঞাবহ-মটৰ মডিউল, লক্ষ্য মডিউল আৰু ঘোষণামূলক মেমৰি মডিউল ACT-R ৰ বিশেষীকৃত প্ৰণালীৰ উদাহৰণ হিচাপে উপস্থাপন কৰা হৈছে। এই মডিউলসমূহ পৃথক ক ৰটিকাল অঞ্চলৰ সৈতে জড়িত। এই মডিউলবোৰে বুফাৰবোৰত টুকুৰাবোৰ স্থাপন কৰে য ত বফাৰবোৰত তথ্যৰ নিদৰ্শনবোৰক সঁহাৰি জনোৱা উৎপাদন ব্যৱস্থাই সেইবোৰ চিনাক্ত কৰিব পাৰে। যিকোনো সময়ত, বৰ্তমানৰ পটভূমিৰ প্ৰতি সঁহাৰি দিবলৈ এটা উৎপাদন নিয়ম নিৰ্বাচন কৰা হয়। উপ-প্ৰতীকী প্ৰক্ৰিয়াবোৰে নিয়মবোৰ নিৰ্বাচিত কৰাৰ লগতে কিছুমান মডিউলৰ আভ্যন্তৰীণ কাৰ্য্যবোৰ নিৰ্দেশ কৰিবলৈ সহায় কৰে। বহুতো শিক্ষণ এই উপ-প্ৰতীকী প্ৰক্ৰিয়াসমূহৰ সমন্বয় জড়িত কৰে। এই মডিউলবোৰে পৃথকে আৰু সমন্বয়ে কেনেকৈ কাম কৰে তাৰ প্ৰমাণ কৰিবলৈ কিছুমান সৰল আৰু জটিল অভিজ্ঞতাৰ উদাহৰণ দিয়া হৈছে। |
6fdbf20f50dfd6276d9b89e494f86fbcc7b0b9b7 | আমি এটা নতুন ইলেক্ট্ৰনিক ট্ৰেকিং এণ্টেনা এৰেজ ডিজাইন আৰু পৰীক্ষা কৰিছো যিটো ২×২ মাইক্ৰোষ্ট্ৰীপ উপ-এৰেজৰ দ্বাৰা গঠিত। প্ৰতিটো উপ-অৰৈৰ ওপৰত সময় ক্ৰমৰ পৰ্যায়ৰ ভাৰসাম্যকৰণৰ জৰিয়তে, প্ৰতিটো উপ-অৰৈৰ ওপৰত প্ৰসাৰ আৰু পৰ্যায়ৰ ফলাফল একক চেনেলৰ আউটপুটৰ পৰা পুনৰুদ্ধাৰ কৰিব পাৰি। ডিজিটেল সংকেত প্ৰক্ৰিয়াকৰণৰ দ্বাৰা যোগ আৰু পাৰ্থক্য ৰেডিয়েচন পট্ৰন উৎপন্ন কৰিবলৈ প্ৰতিটো এৰেৰ প্ৰসাৰ আৰু পৰ্যায় ব্যৱহাৰ কৰিব পাৰি। একক-স্পন্দনযুক্ত ব্যৱস্থাৰ তুলনাত, RF তুলনামূলক ব্যৱস্থা বাদ দিয়া হৈছে আৰু গ্ৰহণকাৰী চেনেলৰ সংখ্যা ৩ ৰ পৰা ১ লৈ হ্ৰাস কৰা হৈছে। এটা প্ৰুফ-অফ-কনচেপ্ট প্ৰ টোটাইপ নিৰ্মাণ আৰু পৰীক্ষা কৰা হৈছিল। পৰিমাপ কৰা ফলাফলসমূহে প্ৰস্তাৱিত আঁচনিখনৰ বৈধতা আৰু সুবিধাসমূহৰ বিষয়ে নিশ্চিত কৰে। চেনেলৰ সংশোধন প্ৰক্ৰিয়াটো দিয়া হৈছে। |
3701bdb05b6764b09a5735cdc3cb9c40736d9765 | আমি ষ্ট কাষ্টিক এছিংক্ৰ ন প্ৰক্সিমেল অল্টাৰনেটিং লিনিয়াৰাইজড মিনিমাইজেশ্যন (SAPALM) পদ্ধতিৰ প্ৰৱৰ্তন কৰো, যি হৈছে ন নকনভেক্স, ন নস্মুদ অপ্টিমাইজেশ্যন সমস্যাৰ সমাধানৰ বাবে এটা ব্লক ক ৰ্ডিনেট ষ্ট কাষ্টিক প্ৰক্সিমেল-গ্ৰেডিয়েন্ট পদ্ধতি। SAPALM হৈছে প্ৰথম এছিংক্ৰ ন সমান্তৰাল অপ্টিমাইজেশ্যন পদ্ধতি যি প্ৰমাণিতভাৱে এক বৃহৎ শ্ৰেণীৰ অ-উলম্ব, অ-মোজা সমস্যাৰ ওপৰত একত্ৰিত হয়। আমি প্ৰমাণ কৰোঁ যে এই সমস্যা শ্ৰেণীৰ ক্ষেত্ৰত SAPALM-এ সংমিশ্ৰণৰ সৰ্বশ্ৰেষ্ঠ জ্ঞাত হাৰ-সঙ্গত বা অসংগত পদ্ধতিৰ সৈতে মিলিত হয়। আমি শ্ৰমিকৰ সংখ্যাৰ ওপৰত উৰ্ধসীমা প্ৰদান কৰিছো যাৰ বাবে আমি এটা ৰেখীয় গতি বৃদ্ধি পাব বুলি আশা কৰিব পাৰো, যি কম জটিল সমস্যাৰ বাবে সৰ্বশ্ৰেষ্ঠ সীমাসমূহৰ সৈতে মিলি যায় আৰু দেখুৱায় যে ব্যৱহাৰিকভাৱে SAPALM এ এই ৰেখীয় গতি বৃদ্ধি পায়। আমি বিভিন্ন মেট্ৰিক্স ফেক্টৰাইজেশ্যন সমস্যাৰ ওপৰত অত্যাধুনিক প্ৰদৰ্শন প্ৰদৰ্শন কৰিছো। |
5cd28cdc4c82f788dee27cb73d7d9280cf9c7343 | এই প্ৰবন্ধত বায়ু ছবিৰ পৰা আহৰণ কৰা মেচিং গ্ৰাফলেট (অৰ্থাৎ সৰু সংযুক্ত উপগ্ৰাফ) ৰ ওপৰত ভিত্তি কৰি বায়ু ছবিৰ শ্ৰেণী চিনাক্ত কৰাৰ বাবে এটা পদ্ধতি উপস্থাপন কৰা হৈছে। প্ৰতিখন এৰিয়েল ইমেজৰ জ্যামিতিক সম্পত্তি আৰু ৰঙীন বিতৰণ এনকোড কৰিবলৈ এটা ৰিজিঅন এডজাচেনচি গ্ৰাফ (RAG) নিৰ্মাণ কৰি, আমি RAG-to-RAG মেচিং হিচাপে এৰিয়েল ইমেজ শ্ৰেণী স্বীকৃতি প্ৰদৰ্শন কৰোঁ। গ্ৰাফ তত্ত্বৰ ভিত্তিত, RAG-to-RAG মিলন সকলোবোৰ সংশ্লিষ্ট গ্ৰাফলেট মিলন কৰি কৰা হয়। কাৰ্যকৰী গ্ৰাফলেট মিলন প্ৰক্ৰিয়াৰ দিশত, আমি বিভিন্ন আকাৰৰ গ্ৰাফলেটক সমান দৈৰ্ঘ্যৰ বৈশিষ্ট ভেক্টৰলৈ স্থানান্তৰ কৰিবলৈ আৰু এই বৈশিষ্ট ভেক্টৰবোৰক এটা কাৰ্ণেলত সংহত কৰিবলৈ এটা বহুমুখী এম্বেডিং এলগৰিথম বিকাশ কৰো। এই কাৰ্ণেলটো এৰিয়েল ইমেজ শ্ৰেণীৰ চিনাক্তকৰণৰ বাবে SVM [8] ক্লাছিফায়াৰক প্ৰশিক্ষণ দিবলৈ ব্যৱহাৰ কৰা হয়। পৰীক্ষামূলক ফলাফলৰ পৰা দেখা গৈছে যে আমাৰ পদ্ধতিয়ে বহুতো অত্যাধুনিক বস্তু/দৃশ্য চিনাক্তকৰণ মডেলক অতিক্ৰম কৰিছে। |
b2dac341df54e5f744d5b6562d725d254aae8e80 | এই অধ্যয়নত জনসাধাৰণৰ বাবে মুকলি তথ্য সংগ্ৰহ সংযুক্ত আৰু একত্ৰিত কৰাৰ বাবে মুক্ত মেটলাব টুলবক্স অপেন হাৰ ৰ বিষয়ে আলোচনা কৰা হৈছে। ই দহটা ৰাজহুৱাভাৱে মুকলি মানৱ কাৰ্যকলাপৰ তথ্য ছেটৰ এক্সেলেৰ মিটাৰ সংকেতসমূহলৈ সহজেই প্ৰৱেশাধিকাৰ প্ৰদান কৰে। ডাটা ছেটসমূহ সহজেই প্ৰৱেশযোগ্য কিয়নো OpenHAR এ সকলো ডাটা ছেটকে একে ফৰ্মেটত প্ৰদান কৰে। তদুপৰি, ইউনিট, পৰিমাপ পৰিসৰ আৰু লেবেলবোৰ একত্ৰিত কৰা হয়, লগতে, শৰীৰৰ অৱস্থান আইডিসমূহ। তদুপৰি, বিভিন্ন নমুনা লোৱাৰ হাৰ থকা তথ্যৰ সমষ্টিবোৰ নিচেই কম নমুনা লোৱাৰ জৰিয়তে একত্ৰিত কৰা হয়। তদুপৰি, ডাটা ছেটসমূহ দৃশ্যমান ভুলৰ বাবে চাক্ষুষভাৱে পৰীক্ষা কৰা হৈছে, যেনে ছেন্সৰ ভুল দিশত। OpenHAR এ এই ভুলবোৰ ঠিক কৰি ডাটা ছেটৰ পুনৰ ব্যৱহাৰযোগ্যতা উন্নত কৰে। মুঠতে OpenHAR ত ৬৫ নিযুততকৈও অধিক লেবেলযুক্ত তথ্যৰ নমুনা আছে। ই ২৮০ ঘণ্টাৰো অধিক সময় ৩ডি এচেলৰ মিটাৰৰ তথ্যৰ সমতুল্য। ইয়াত ২১১ জন অধ্যয়ন বিষয়ৰ তথ্য অন্তৰ্ভুক্ত কৰা হৈছে যিয়ে ১৭ টা দৈনিক মানৱ কাৰ্য্য সম্পাদন কৰে আৰু ১৪ টা বিভিন্ন শৰীৰৰ অৱস্থানত ছেন্সৰ পৰিধান কৰে। |
7347b4601078bd52eec80d5de29f801890f82de3 | এটা সংযুক্ত-গাইছেল ব্ৰডবেণ্ড সংমিশ্ৰণ/বিভাজনকাৰী প্ৰস্তাৱিত আৰু প্ৰদৰ্শন কৰা হৈছে। নতুন ধাৰণাটো ডিজাইনত একক সংযুক্ত লাইন ছেগমেণ্ট ব্যৱহাৰৰ ওপৰত নিৰ্ভৰ কৰে। কম ক্ষতি, ডিজাইনৰ সহজতা আৰু নমনীয়তা বজাই ৰাখি বেণ্ডউইডথৰ গুৰুত্বপূৰ্ণ উন্নতি উপলব্ধি কৰা হয়। সংযুক্ত-জিজেলক ২.৫-৮ গিগাহাৰ্টছ (১০৫% ভগ্নাংশীয় বেণ্ডউইথ) বিভাজকৰ সৈতে ০.১ ডিবি বিভাজক ক্ষতিৰ সৈতে প্ৰদৰ্শন কৰা হৈছে, আৰু ৩.৪-১০.২ গিগাহাৰ্টছ (১০০% ভগ্নাংশীয় বেণ্ডউইথ) বিভাজকৰ সৈতে ০.২ ডিবি বিভাজক ক্ষতিৰ সৈতে। |
a05d984443d62575c097ad65b747aae859a5f8b0 | শিশুৰ মানসিক বিকাশৰ ওপৰত ভিডিঅ গেমৰ প্ৰভাৱক লৈ বিতৰ্কৰ সূত্ৰপাত হৈ আহিছে। দুটা সময়ত, ১ বছৰৰ ব্যৱধানত, ১৯৪ টা শিশুৱে (৭.২৭-১১.৪৩ বছৰ বয়স; পুৰুষ = ৯৮) তেওঁলোকৰ গেমিং সঘনতা, আৰু হিংসাত্মক ভিডিঅ গেম খেলাৰ প্ৰৱণতা, আৰু (ক) সহযোগিতামূলকভাৱে আৰু (খ) প্ৰতিযোগিতামূলকভাৱে খেলাৰ বিষয়ে জানিবলৈ দিয়ে; একেদৰে, পিতৃ-মাতৃয়ে তেওঁলোকৰ সন্তানৰ মানসিক স্বাস্থ্যৰ বিষয়ে জানিবলৈ দিয়ে। এক নম্বৰ সময়ত গেম খেলাৰ ফলত আৱেগিক সমস্যা বৃদ্ধি হয়। হিংসাত্মক গেমিং মানসিক সামাজিক পৰিৱৰ্তনৰ সৈতে জড়িত নাছিল। সমবায় খেলৰ লগত সামাজিক আচৰণৰ পৰিৱৰ্তন জড়িত নাছিল। অৱশেষত, প্ৰতিযোগিতামূলক গেমিং সামাজিক আচৰণ হ্ৰাসৰ সৈতে জড়িত আছিল, কিন্তু কেৱল উচ্চ প্ৰাৱণতা সহ ভিডিঅ গেম খেলি থকা শিশুসকলৰ মাজত। এনেদৰে, গেমিংৰ সঘনাই অভ্যন্তৰীণকৰণ বৃদ্ধিৰ সৈতে সম্পৰ্কিত আছিল কিন্তু বহিৰ্ভূতকৰণ নহয়, মনোযোগ, বা সমবয়সীয়া সমস্যা, হিংসাত্মক গেমিং বহিৰ্ভূতকৰণ সমস্যা বৃদ্ধিৰ সৈতে সম্পৰ্কিত নাছিল, আৰু শিশুসকলৰ বাবে সপ্তাহত প্ৰায় ৮ ঘন্টা বা তাতকৈ অধিক সময় খেলি থকা, সঘনাই প্ৰতিযোগিতামূলক গেমিং প্ৰসোচিয়াল আচৰণ হ্ৰাস কৰাৰ বাবে এক বিপদ কাৰক হ ব পাৰে। আমি যুক্তি দিওঁ যে প্ৰতিলিপিৰ প্ৰয়োজন আছে আৰু ভৱিষ্যতৰ গৱেষণাত অধিক সূক্ষ্ম আৰু সাধাৰণীকৰণযোগ্য অন্তৰ্দৃষ্টিৰ বাবে বিভিন্ন ধৰণৰ খেলৰ মাজত ভালদৰে পাৰ্থক্য থাকিব লাগে। |
5a47e047d4d41b61204255e1b265d704b7f265f4 | বিগ ডাটা শব্দটো সৰ্বব্যাপী হৈ পৰিছে। একাডেমিক, উদ্যোগ আৰু সংবাদ মাধ্যমৰ মাজত এক সাধাৰণ উৎপত্তিৰ বাবে একক একীভূত সংজ্ঞা নাই আৰু বিভিন্ন অংশীদাৰীয়ে বিভিন্ন আৰু প্ৰায়ে বিৰোধী সংজ্ঞা প্ৰদান কৰে। এটা সুসংগত সংজ্ঞাৰ অভাৱে দ্বিধাবোধৰ সৃষ্টি কৰে আৰু বিগ ডাটাৰ সৈতে সম্পৰ্কিত কথোপকথনক বাধাগ্ৰস্ত কৰে। এই সংক্ষিপ্ত প্ৰবন্ধত বিভিন্ন সংজ্ঞাৰ সংকলন কৰা হৈছে যিটো এক প্ৰকাৰৰ ট্ৰেচন লাভ কৰিছে আৰু অন্যথা এক অস্পষ্ট শব্দৰ স্পষ্ট আৰু সংক্ষিপ্ত সংজ্ঞা প্ৰদান কৰিবলৈ চেষ্টা কৰা হৈছে। |
7065e6b496af41bba16971246a02986f5e388860 | বহুতো কোম্পানীৰ বাবে সাংগঠনিক সামৰ্থৰ ব্যৱস্থাপনা আৰু উন্নতি কৰাটো এক গুৰুত্বপূৰ্ণ আৰু জটিল বিষয়। পৰিচালনাক সহায় কৰিবলৈ আৰু উন্নতি সাধন কৰিবলৈ, প্ৰদৰ্শন মূল্যায়ন সাধাৰণতে ব্যৱহাৰ কৰা হয়। সাংগঠনিক সামৰ্থ্যৰ মূল্যায়নৰ এটা উপায় হৈছে পৰিপক্কতা গ্ৰীডৰ সহায়ত। পৰিপক্কতা গ্ৰীডৰ এটা সাধাৰণ গঠন থাকিব পাৰে, কিন্তু ইয়াৰ বিষয়বস্তু ভিন্ন আৰু প্ৰায়েই ইয়াক নতুনকৈ বিকশিত কৰা হয়। এই প্ৰবন্ধত পৰিপক্বতা গ্ৰীড বিকাশৰ বাবে এক প্ৰসংগ আৰু নিৰ্দেশনা দুয়োটাই দাঙি ধৰা হৈছে। ইয়াৰ বাবে ২৪টা বিদ্যমান মেৰপেয়িট গ্ৰীডৰ পুনৰীক্ষণ কৰা হ ব আৰু ইয়াৰ বিকাশৰ বাবে এটা ৰোডমেপ প্ৰস্তুত কৰা হ ব। এই পৰ্যালোচনাটোত মেৰিটী ৰেটিংসমূহৰ সূচনাৰ ক্ষেত্ৰত সাংগঠনিক পৰিৱৰ্তনৰ বিষয়ে অন্তৰ্ভুক্ত অনুমানসমূহত বিশেষ গুৰুত্ব দিয়া হৈছে। প্ৰস্তাৱিত ৰোডমেপত চাৰিটা পৰ্যায় আছেঃ পৰিকল্পনা, বিকাশ, মূল্যায়ন আৰু ৰক্ষণাবেক্ষণ। প্ৰতিটো পৰ্যায়ত বিকাশৰ বাবে বিভিন্ন সিদ্ধান্তৰ বিষয় আলোচনা কৰা হয়, যেনে প্ৰক্ৰিয়া ক্ষেত্ৰৰ নিৰ্বাচন, পৰিপক্কতা স্তৰ আৰু বিতৰণ ব্যৱস্থা। ঔদ্যোগিক অনুশীলনত ৰোডমেপৰ উপযোগিতা প্ৰদৰ্শন কৰিবলৈ এটা উদাহৰণ দিয়া হৈছে। পথৰ মানচিত্ৰখন বৰ্তমানৰ পদ্ধতিসমূহৰ মূল্যায়নৰ বাবেও ব্যৱহাৰ কৰিব পাৰি। এই আলোচনাৰ শেষত, পৰিচালনা অনুশীলন আৰু গৱেষণাৰ বাবে ইয়াৰ প্ৰভাৱসমূহ উপস্থাপন কৰা হৈছে। |
5dd79167d714ff3907ffbba102b8e6fba49f053e | এই প্ৰবন্ধটো ডিজিটেল ৱায়াৰলেছ যোগাযোগত উচ্চ বিট-ৰেট প্ৰদানৰ বেণ্ডউইডথৰ কাৰ্যকৰী প্ৰসাৰৰ অন্তিম সীমাবদ্ধতাৰ মৌলিক বোধগম্যতাৰ প্ৰয়োজনীয়তাৰ দ্বাৰা অনুপ্ৰাণিত আৰু এই সীমাবদ্ধতাবোৰ কেনেদৰে প্ৰসাৰ কৰিব পাৰি তাক বিচাৰিবলৈ আৰম্ভ কৰা। আমি বহু-উপাদান এৰেজ (MEA) প্ৰযুক্তিৰ ব্যৱহাৰৰ বিষয়ে অধ্যয়ন কৰিম, যিটো কিছুমান এপ্লিকেচনত ৱায়াৰলেচ সামৰ্থ উন্নত কৰিবলৈ স্থানিক মাত্ৰা (কেৱল সময় মাত্ৰা নহয়) প্ৰক্ৰিয়া কৰি আছে। বিশেষভাৱে, আমি কিছুমান মৌলিক তথ্য তত্ত্বৰ ফলাফল উপস্থাপন কৰো যিয়ে ৱায়াৰলেচ LANsত MEAs ব্যৱহাৰ কৰাৰ আৰু ৱায়াৰলেচ যোগাযোগ লিংক নিৰ্মাণৰ বাবে ডাঙৰ লাভালাভৰ প্ৰতিশ্ৰুতি দিয়ে। আমি সেই গুৰুত্বপূৰ্ণ কেচটো অনুসন্ধান কৰো যেতিয়া চেনেল বৈশিষ্ট্যটো প্ৰেৰণকাৰীৰ ওচৰত উপলব্ধ নহয় কিন্তু ৰিচিভাৰে ৰেলেগ ফেইডিংৰ অধীনত থকা বৈশিষ্ট্যটো জানে (ট্ৰেক কৰে) । মুঠ প্ৰেৰিত শক্তি নিৰ্ধাৰণ কৰি আমি এম ই এ প্ৰযুক্তিৰ দ্বাৰা প্ৰদান কৰা ক্ষমতা প্ৰকাশ কৰো আৰু আমি দেখো যে প্ৰেৰক আৰু গ্ৰহণকাৰী উভয়তে এণ্টেনাৰ উপাদানসমূহৰ বৃহৎ কিন্তু ব্যৱহাৰিক সংখ্যাৰ বাবে SNR বৃদ্ধিৰ সৈতে ক্ষমতা কেনেদৰে স্কেল হয়। আমি এণ্টেনাৰ উপাদানসমূহৰ মাজত নিৰ্ভৰশীল ৰেলেগ বিফাইড পাথৰ ঘটনাটো অনুসন্ধান কৰো আৰু পাওঁ যে উচ্চ সম্ভাৱনাৰ সৈতে অসাধাৰণ ক্ষমতা উপলব্ধ। বেছলাইন n = 1 কেচত তুলনা কৰিলে, যি শেনন ৰ ধ্ৰুপদী সূত্ৰৰ দ্বাৰা প্ৰতি 3 ডিবি চিগনেল-টু-ৰুইছ অনুপাত (SNR) বৃদ্ধিৰ বাবে এক বিট/চাইকেল হিচাপে স্কেল কৰা হয়, উল্লেখযোগ্যভাৱে MEAs ৰ সৈতে, স্কেলিং প্ৰায় N বিট/চাইকেল প্ৰতি 3 ডিবি বৃদ্ধিৰ বাবে SNR ৰ দৰে। এই ক্ষমতা কিমান ডাঙৰ, আনকি সৰু n ৰ বাবে, n = 2, 4 আৰু 16 গড় প্ৰাপ্ত SNR 21 dB ৰ ক্ষেত্ৰত লওক। 99% ৰো অধিক চেনেলৰ বাবে ক্ষমতা ক্ৰমে 7, 19 আৰু 88 বিট/চাইকেল হয়, আনহাতে যদি n = 1 হয় তেন্তে 99% স্তৰত মাত্ৰ 1.2 বিট/চাইকেল হয়। উদাহৰণস্বৰূপে, এটা চিম্বলৰ হাৰ চেনেলৰ বেণ্ডউইথৰ সমান হ ব পাৰে, যিহেতু ই বিট/চিম্বল/ডাইমেন্সন যিটো চিগনেল নক্ষত্ৰসমূহৰ বাবে প্ৰাসংগিক, এই উচ্চ ক্ষমতা অযৌক্তিক নহয়। n = 4 ৰ বাবে 19 বিট/চক্ৰৰ পৰিমাণ 4.75 বিট/চিহ্ন/মাত্রা আৰু n = 16 ৰ বাবে 88 বিট/চক্ৰৰ পৰিমাণ 5.5 বিট/চিহ্ন/মাত্রা। নিৰ্বাচন আৰু সৰ্বোত্তম সংমিশ্ৰণৰ দৰে মান পদ্ধতিবোৰ শেষত কি সম্ভৱ হ ব তাৰ তুলনাত অভাৱী বুলি দেখা যায়। প্ৰতিশ্ৰুতি দিয়া বৃহৎ ক্ষমতাৰ এক বৃহৎ অংশ উপলব্ধি কৰিবলৈ নতুন কোডেক উদ্ভাৱন কৰিব লাগিব। |
4f911fe6ee5040e6e46e84a9f1e211153943cd9b |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.