_id
stringlengths 40
40
| text
stringlengths 0
9.21k
|
|---|---|
40baa5d4632d807cc5841874be73415775b500fd | মটৰ চালনাৰ বাবে পৰম্পৰাগত দুই-স্তৰৰ উচ্চ-প্ৰাৱণতা পালছ বহলতা মডুলেচন (পিডব্লিউএম) ইনভাৰ্টাৰবোৰত তেওঁলোকৰ উচ্চ-প্ৰাৱণতা চুইচিংৰ সৈতে সম্পৰ্কিত কেইবাটাও সমস্যা আছে যি মটৰ উইণ্ডিংলৈ সাধাৰণ-মোড ভল্টেজ আৰু উচ্চ ভল্টেজ পৰিৱৰ্তন (ডিভি/ডিটি) হাৰ উৎপন্ন কৰে। বহুস্তৰীয় ইনভাৰ্টাৰে এই সমস্যাসমূহ সমাধান কৰে কাৰণ তেওঁলোকৰ ডিভাইচবোৰ বহু কম ফ্ৰেক্বেনচীত চুইট কৰিব পাৰে। বৈদ্যুতিক চালনৰ বাবে কনভাৰ্টাৰ হিচাপে ব্যৱহাৰৰ বাবে দুটা ভিন্ন মাল্টিলেভেল টোপ লজি চিনাক্ত কৰা হৈছে, পৃথক DC উৎসৰ সৈতে এটা কেচকেড ইনভাৰ্টাৰ আৰু বেক-টু-বেক ডায়োড ক্লাম্পড কনভাৰ্টাৰ। কেচকেড ইনভার্টাৰটো বৃহৎ অটোমোবাইল এলিয়েক্ট্রিক ড্ৰাইভৰ বাবে এটা স্বাভাৱিক ফিট কাৰণ ইয়াৰ উচ্চ VA ৰেটিং সম্ভৱ আৰু কাৰণ ই কেইবাটাও স্তৰৰ DC ভল্টেজ উৎস ব্যৱহাৰ কৰে যি বেটাৰী বা ইন্ধন কোষৰ পৰা উপলব্ধ হ ব। বেক টু বেক ডায়োড ক্লাম্পড কনভার্টাৰ আদর্শ য ত এচি ভল্টেজৰ উৎস উপলব্ধ থাকে যেনে হাইব্রীড বৈদ্যুতিক বাহন। অনুকৰণ আৰু পৰীক্ষামূলক ফলাফলসমূহে PWM ভিত্তিক ড্ৰাইভতকৈ এই দুটাকৈ কনভাৰ্টাৰৰ উচ্চতা দেখুৱায়। |
895fa1357bcfa9b845945c6505a6e48070fd5d89 | এই কামত আমি এটা সুৰক্ষিত ইলেক্ট্ৰনিক ভোটিং প্ৰট কলৰ প্ৰস্তাৱ আগবঢ়াইছো যি ইণ্টাৰনেটৰ জৰিয়তে বৃহৎ পৰিসৰত ভোটদানৰ বাবে উপযুক্ত। এই প্ৰট কলৰ জৰিয়তে ভোটাৰসকলে বেনামীভাৱে ভোটদান কৰিব পাৰে, যিবোৰৰ সন্ধান উলিয়াব নোৱাৰি আৰু যিবোৰৰ সত্যতা এতিয়াও নিশ্চিত। এই প্ৰট কলৰ জৰিয়তে নিশ্চিত কৰা হৈছে যে (i) কেৱল যোগ্য ভোটাৰসকলেহে ভোটদান কৰিব পাৰিব, (ii) এজন ভোটাৰে মাত্ৰ এটা ভোটদান কৰিব পাৰিব, (iii) এজন ভোটাৰে তেওঁৰ ভোট চূড়ান্ত গণনাত গণনা কৰা হৈছে নে নাই সেয়া পৰীক্ষা কৰিব পাৰিব, (iv) ভোটাৰ বাদে অন্য কোনেও ভোটদান কৰা ভোটৰ সৈতে ভোটদানৰ সম্পৰ্ক স্থাপন কৰিব নোৱাৰে, আৰু (v) যদি এজন ভোটাৰে ভোটদান নকৰাৰ সিদ্ধান্ত লয়, তেন্তে ভোটাৰৰ ঠাইত কোনেও ভুৱা ভোটদান কৰিব নোৱাৰে। এই প্ৰটোকলত সকলো পঞ্জীকৃত ভোটাৰৰ সহযোগিতা প্ৰয়োজন নহয়। ইয়াত ভোটদানৰ বাবে জটিল ক্ৰিপ্টোগ্ৰাফিক প্ৰযুক্তি যেনে থ্ৰিজল্ড ক্ৰিপ্ট চিষ্টেম বা বেনামী চেনেলৰ ব্যৱহাৰৰ প্ৰয়োজন নাই। এই প্ৰক্ৰিয়াটো সাহিত্যত প্ৰস্তাৱিত অন্যান্য ভোটদান প্ৰট কলৰ বিপৰীতে। প্ৰট কলত সফল কাৰ্য্যকৰী কৰাৰ বাবে ভোটাৰসকলৰ বাহিৰেও তিনিজন এজেন্টক ব্যৱহাৰ কৰা হৈছে। কিন্তু আমি এই এজেন্টসকলৰ কাৰো ওপৰত বিশ্বাস কৰাৰ প্ৰয়োজন নাই। অৰ্থাৎ, এজেন্টবোৰ শাৰীৰিকভাৱে একে ঠাইতে থাকিব পাৰে বা প্ৰতাৰণাৰ চেষ্টা কৰিবলৈ ইজনে সিজনৰ সৈতে গোপন বুজাবুজি কৰিব পাৰে। যদি কোনো জালিয়াতি সংঘটিত হয়, ইয়াক সহজে চিনাক্ত আৰু প্ৰমাণিত কৰিব পাৰি, যাতে ভোটদানক অকাৰ্য্যকৰী বুলি ঘোষণা কৰিব পাৰি। যদিও আমি ইলেক্ট্ৰনিক ভোটিং মনত ৰাখি প্ৰট কলটো প্ৰস্তাৱ দিছো, প্ৰট কলটো আন এপ্লিকেশ্যনত ব্যৱহাৰ কৰিব পাৰি য ত এটা অন্বেষণযোগ্য কিন্তু প্ৰামাণিক বাৰ্তা বিনিময় কৰা হয়। এনেধৰণৰ প্ৰয়োগৰ উদাহৰণ হৈছে গোপনীয় প্ৰশ্নোত্তৰ বেনামীভাৱে বা বেনামী বিত্তীয় লেনদেন। |
cf9145aa55da660a8d32bf628235c615318463bf | বিগত দশকত, এইটো স্পষ্ট হৈ পৰিছে যে এম্বেডেড চিষ্টেমবোৰ আমাৰ দৈনন্দিন জীৱনৰ এক অবিচ্ছেদ্য অংশ। বহুতো এম্বেড কৰা এপ্লিকেচনৰ ৱায়াৰলেছ প্ৰকৃতিৰ লগতে তেওঁলোকৰ সৰ্বব্যাপীতা সুৰক্ষা আৰু গোপনীয়তা ৰক্ষাৰ ব্যৱস্থাপনাৰ প্ৰয়োজনীয়তা বিশেষভাৱে গুৰুত্বপূৰ্ণ কৰি তুলিছে। সেয়েহে, FPGA সমূহ অন্তৰ্ভুক্ত প্ৰণালীৰ অবিচ্ছেদ্য অংগ হৈ পৰাত, তেওঁলোকৰ সুৰক্ষাক সামগ্ৰিকভাৱে বিবেচনা কৰাটো জৰুৰী। এই অৱদানত FPGAsৰ সুৰক্ষা বিষয়ৰ এটা অত্যাধুনিক বিৱৰণ প্ৰদান কৰা হৈছে, দুয়োটা পদ্ধতি আৰু ৰূপায়ণৰ দৃষ্টিকোণৰ পৰা। আমি ক্ৰিপ্টোগ্ৰাফিক এপ্লিকেচনৰ বাবে পুনৰ কনফিগাৰযোগ্য হাৰ্ডৱেৰসমূহৰ সুবিধাসমূহৰ বিষয়ে আলোচনা কৰোঁ, এফপিজিএৰ সম্ভাৱ্য সুৰক্ষা সমস্যাসমূহ দেখুৱাম, আৰু মুকলি গৱেষণাৰ সমস্যাসমূহৰ এখন তালিকা প্ৰদান কৰোঁ। তদুপৰি, আমি এফপিজিএৰ ওপৰত পাব্লিক আৰু ছিমেট্ৰিক-কী এলগৰিথম প্ৰয়োগৰ সাৰাংশ দাঙি ধৰিছো। |
748eb923d2c384d2b3af82af58d2e6692ef57aa1 | টেক্সট মাইনিং হৈছে কম্পিউটাৰ বিজ্ঞানৰ এক নতুন আৰু উত্তেজনাপূৰ্ণ ক্ষেত্ৰ যি তথ্য খনি, মেচিন লাৰ্ণিং, প্ৰাকৃতিক ভাষা প্ৰক্ৰিয়া, তথ্য পুনৰুদ্ধাৰ আৰু জ্ঞান ব্যৱস্থাপনাৰ কাৰিকৰী প্ৰণালীসমূহ সংযুক্ত কৰি তথ্যৰ অতিৰিক্ত চাপৰ সংকট সমাধান কৰিবলৈ চেষ্টা কৰে। টেক্সট মাইনিং হেণ্ডবুকত পাঠ্য মাইনিং আৰু লিংক ডিটেকচনৰ শেহতীয়া কৌশলসমূহৰ এক বিস্তৃত আলোচনা আগবঢ়োৱা হৈছে। মূল পাঠ খনন আৰু লিংক চিনাক্তকৰণ এলগৰিথম আৰু কাৰ্য্যকৰী প্ৰক্ৰিয়াৰ গভীৰ পৰীক্ষা প্ৰদান কৰাৰ উপৰিও, কিতাপখনত উন্নত প্ৰাক-প্ৰক্ৰিয়া প্ৰণালী, জ্ঞান প্ৰতিনিধিত্ব বিবেচনা, আৰু দৃশ্যমান পদ্ধতিৰ পৰীক্ষা কৰা হৈছে, বাস্তৱ-বিশ্বৰ প্ৰয়োগৰ সৈতে সমাপ্ত। |
d044d399049bb9bc6df8cc2a5d72610a95611eed | উদ্দেশ্যঃ- ল কমেটৰ সহায়ত কৰা ৰব ট-অনুসাৰিত গ ট প্ৰশিক্ষণৰ কাৰ্য্যকৰীতা আৰু সাধাৰণ গ ট প্ৰশিক্ষণৰ কাৰ্য্যকৰীতা তুলনা কৰা। ০. ১ ৰ পৰা ০. ৬ মিটাৰ/ ছেকেণ্ডৰ মাজত প্ৰাৰম্ভিক খোজৰ গতিৰ সৈতে ০. ১ মাহৰ কম বয়সৰ ৬৩ জন অংশগ্ৰহণকাৰীয়ে বহুকেন্দ্ৰীয়, এলোমেলোভাৱে কৰা ক্লিনিকাল ট্ৰায়েলটো সম্পূৰ্ণ কৰে। সকলো অংশগ্ৰহণকাৰীয়ে ২৪ টা ১ ঘন্টীয়া অনুশীলন লাভ কৰে য ত তেওঁলোকক লোকমেট বা আনুষ্ঠানিকভাৱে চলাৰ প্ৰশিক্ষণ দিয়া হয়। ফলাফলৰ মাপসমূহ প্ৰশিক্ষণৰ পূৰ্বে, ১২ আৰু ২৪ খন অনুশীলনৰ পিছত আৰু ৩ মাহৰ পৰৱৰ্তী পৰ্যবেক্ষণত মূল্যায়ন কৰা হৈছিল। স্ব-নিৰ্বাচিত মাটিৰ ওপৰৰ খোজৰ গতি আৰু ৬ মিনিটৰ দূৰত্ব আছিল প্ৰাথমিক ফলাফলৰ মাপকাঠী, আনহাতে দ্বিতীয় পৰ্যায়ৰ ফলাফলৰ মাপকাঠীসমূহত ভাৰসাম্য, গতিশীলতা আৰু কাৰ্য্য, গতি আৰু সমতুল্যতা, অক্ষমতাৰ স্তৰ আৰু জীৱন ধাৰণৰ মানৰ মাপকাঠী অন্তৰ্ভুক্ত আছিল। ফলাফল যিবোৰ অংশগ্ৰহণকাৰীয়ে সাধাৰণ পদব্ৰজেৰে প্ৰশিক্ষণ লাভ কৰিছিল, তেওঁলোকে লোকমেটত প্ৰশিক্ষণপ্ৰাপ্তসকলৰ তুলনাত পদব্ৰজেৰে গতি (P=.002) আৰু দূৰত্ব (P=.03) ত যথেষ্ট উন্নততা লাভ কৰিছিল। এই পাৰ্থক্যবোৰ ৩ মাহৰ পৰৱৰ্তী পৰ্যালোচনা মূল্যায়নত বৰ্তি আছিল। দ্বিতীয় স্তৰৰ পৰিমাপসমূহ দুয়োটা গোটৰ মাজত বেলেগ নাছিল যদিও পৰম্পৰাগত বনাম লোকমেট গোটত গতিৰ দুগুণ বৃদ্ধি পোৱা দেখা গৈছিল। উপসংহাৰ মধ্যমীয়া বা গুৰুতৰ গাত বিকাৰ থকা স্নায়ুবিঘ্নৰ অংশগ্ৰহণকাৰীসকলৰ বাবে, ৰবোটিক-সহায়িত গাত প্ৰশিক্ষণৰ তুলনাত প্ৰচলিত গাত প্ৰশিক্ষণৰ হস্তক্ষেপৰ বৈচিত্ৰ্য্যই খোজৰ দক্ষতা ঘূৰাই অনাৰ ক্ষেত্ৰত অধিক কাৰ্যকৰী যেন দেখা যায়। |
098cc8b16697307a241658d69c213954ede76d59 | দুটা প্লেটফৰ্মত ৪৩ জন ব্যৱহাৰকাৰীৰ তথ্য ব্যৱহাৰ কৰি আমি স্মাৰ্টফোনৰ ট্ৰেফিকৰ এক সবিশেষ তথ্য আগবঢ়াইছো। আমি দেখিবলৈ পালোঁ যে ব্ৰাউজিংয়ে ট্ৰাফিকৰ অৰ্ধেকতকৈও অধিক বৰঙণি আগবঢ়ায়, আনহাতে ই-মেইল, মিডিয়া আৰু মেপসমূহে প্ৰত্যেকেই প্ৰায় ১০% বৰঙণি আগবঢ়ায়। আমি এইটোও পাইছো যে নিম্ন স্তৰৰ প্ৰট কলৰ ওপৰতো খৰচ বেছি কাৰণ ইয়াৰ স্থানান্তৰ আকাৰ সৰু। পৰিবহণ-স্তৰৰ সুৰক্ষা ব্যৱহাৰ কৰা অৰ্ধ সংখ্যক স্থানান্তৰসমূহৰ বাবে, হেডাৰ বাইট মুঠৰ ৪০%ৰ সৈতে মিলি যায়। আমি দেখুৱাম যে যদিও পেকেট হেৰুওৱাটো স্মাৰ্টফোনৰ ট্ৰাফিকৰ থ্ৰুপুট সীমিত কৰাৰ প্ৰধান কাৰক, ইণ্টাৰনেট ছাৰ্ভাৰত ডাঙৰ পঠিওৱা বুফাৰবোৰে এক চতুৰ্থাংশৰ স্থানান্তৰক উন্নত কৰিব পাৰে। অৱশেষত, স্মাৰ্টফোনৰ ট্ৰেফিক আৰু ৰেডিঅ শক্তি ব্যৱস্থাপনাৰ নীতিৰ মাজৰ পাৰস্পৰিক ক্ৰিয়া-কলাপ অধ্যয়ন কৰি আমি পাওঁ যে ৰেডিঅ ৰ শক্তিৰ ব্যৱহাৰ ৩৫% হ্ৰাস কৰিব পাৰি পেকেট বিনিময়ৰ কাৰ্যক্ষমতাৰ ওপৰত ন্যূনতম প্ৰভাৱ পেলাই। |
1e126cee4c1bddbfdd4e36bf91b8b1c2fe8d44c2 | এই প্ৰবন্ধত PowerBooter, এটা স্বয়ংক্ৰিয় শক্তি মডেল নিৰ্মাণ কৌশল বৰ্ণনা কৰা হৈছে যিয়ে নিৰ্মিত বেটাৰী ভল্টেজ ছেন্সৰ আৰু বেটাৰী স্ৰাব আচৰণৰ জ্ঞান ব্যৱহাৰ কৰি বিদ্যুতৰ ব্যৱহাৰ নিৰীক্ষণ কৰে আৰু একে সময়তে নিৰ্দিষ্টভাৱে বিদ্যুত ব্যৱস্থাপনা আৰু এক্টিভিটি ষ্টেটসমূহ নিয়ন্ত্ৰণ কৰে। ইয়াৰ বাবে কোনো বাহ্যিক জোখ-মাপ সঁজুলিৰ প্ৰয়োজন নহয়। আমি পাৱাৰট টাৰ, এটা কম্পোনেন্ট শক্তি ব্যৱস্থাপনা আৰু কাৰ্য্যকলাপৰ অৱস্থা অন্তৰ্দৃষ্টি ভিত্তিক সঁজুলিৰ বৰ্ণনা দিছো যিয়ে অনলাইন শক্তি অনুমানৰ বাবে পাৱাৰবুটাৰে সৃষ্টি কৰা মডেল ব্যৱহাৰ কৰে। পাৱাৰবুটাৰে এপ্লিকেচন ডেভেলপাৰ আৰু শেষ ব্যৱহাৰকাৰীসকলৰ বাবে নতুন স্মাৰ্টফোনৰ বাবে শক্তি মডেলৰ সৃষ্টিৰ বাবে দ্ৰুত আৰু সহজ কৰি তোলাৰ উদ্দেশ্যে কৰা হৈছে, যাৰ প্ৰত্যেকৰেই ভিন্ন শক্তি ব্যৱহাৰৰ বৈশিষ্ট্য আছে আৰু সেয়ে ভিন্ন শক্তি মডেলৰ প্ৰয়োজন। এম্বেডড চিষ্টেমৰ বাবে শক্তি দক্ষ ছফ্টৱেৰ ডিজাইন আৰু নিৰ্বাচন সহজ কৰিবলৈ পাৱাৰট ট ৰক ব্যৱহাৰ কৰা হয়। PowerBooter আৰু PowerTutor-ৰ সংযুক্ত লক্ষ্য হৈছে অধিক স্মাৰ্টফোনৰ প্ৰকাৰ আৰু তেওঁলোকৰ ব্যৱহাৰকাৰীৰ বাবে শক্তি মডেলিং আৰু বিশ্লেষণ মুকলি কৰা। |
3f62fe7de3bf15af1e5871dd8f623db29d8f0c35 | ২৫৫ জন ব্যৱহাৰকাৰীৰ পৰা বিশদ তথ্যৰ সহায়ত আমি স্মাৰ্টফোন ব্যৱহাৰৰ বিষয়ে এক বিস্তৃত অধ্যয়ন চলাইছো। আমি ব্যৱহাৰকাৰীৰ উদ্দেশ্যমূলক কাৰ্যকলাপৰ বৈশিষ্ট্য বৰ্ণনা কৰো -- যন্ত্ৰ আৰু ব্যৱহাৰ কৰা এপ্লিকেচনসমূহৰ সৈতে মত বিনিময় -- আৰু সেই কাৰ্যকলাপৰ প্ৰভাৱ নেটৱৰ্ক আৰু শক্তি ব্যৱহাৰৰ ওপৰত। ব্যৱহাৰকাৰীৰ মাজত আমি এক বিশাল বৈচিত্ৰ্যতা পাইছো। আমি অধ্যয়ন কৰা সকলো দিশৰ লগতে, ব্যৱহাৰকাৰীসকল এক বা একাধিক পৰিমাণৰ ভিন্ন। উদাহৰণ স্বৰূপে, দৈনিক মধ্যম সংখ্যক ক্ৰিয়া-প্ৰতিক্ৰিয়া ১০ৰ পৰা ২০০লৈ আৰু দৈনিক প্ৰাপ্ত তথ্যৰ গড় পৰিমাণ ১ৰ পৰা ১০০০ এম বিলৈ পৰিবৰ্তন হয়। এই স্তৰৰ বৈচিত্ৰ্যই প্ৰমাণ কৰে যে ব্যৱহাৰকাৰীৰ অভিজ্ঞতা বা শক্তিৰ ব্যৱহাৰ উন্নত কৰিবলৈ ব্যৱস্থাবোৰ অধিক কাৰ্যকৰী হ ব যদিহে তেওঁলোকে ব্যৱহাৰকাৰীৰ আচৰণ শিকিব আৰু মানিব পাৰে। আমি দেখিবলৈ পাইছো যে ব্যৱহাৰকাৰীৰ মাজত গুণগত সাদৃশ্য আছে যিয়ে ব্যৱহাৰকাৰীৰ আচৰণ শিকাৰ কামটো সহজ কৰে। উদাহৰণস্বৰূপে, এটা এপ্লিকেচনৰ আপেক্ষিক জনপ্ৰিয়তা এটা এক্সপোনেন্সিয়েল বিতৰণ ব্যৱহাৰ কৰি মডেল কৰিব পাৰি, বিভিন্ন ব্যৱহাৰকাৰীৰ বাবে বিভিন্ন বিতৰণ পাৰামিটাৰ সহ। আমি ভৱিষ্যতে শক্তিৰ অপচয়ৰ ভৱিষ্যদ্বাণী কৰিব পৰা এটা পদ্ধতিৰ প্ৰেক্ষাপটত ব্যৱহাৰকাৰীৰ আচৰণত খাপ খোৱাৰ মূল্য প্ৰদৰ্শন কৰিছো। ব্যৱহাৰকাৰীৰ গড় আচৰণৰ ওপৰত ভিত্তি কৰি কৰা ভৱিষ্যদ্বাণীৰ তুলনাত অভিযোজনাৰ সৈতে ৯০ম শতাংশৰ ত্ৰুটি অৰ্ধেকতকৈও কম। |
45654695f5cad20d2be36d45d280af5180004baf | এই প্ৰবন্ধত আমি ভৱিষ্যতৰ ৫জি নেটৱৰ্কৰ বাবে নতুন ফ্ৰণ্টহুল ইন্টাৰফেচৰ ডিজাইন সম্পৰ্কে আলোচনা কৰিম। বৰ্তমানৰ ফ্ৰণ্টহ ল সমাধানৰ প্ৰধান দুৰ্বলতাসমূহ প্ৰথমতে বিশ্লেষণ কৰা হয় আৰু তাৰ পিছত পৰৱৰ্তী প্ৰজন্মৰ ফ্ৰণ্টহ ল ইন্টাৰফেচ (এনজিএফআই) নামেৰে এটা নতুন ফ্ৰণ্টহ ল ইন্টাৰফেচ প্ৰস্তাৱ কৰা হয়। এনজিএফআইৰ ডিজাইন নীতিসমূহ উপস্থাপন কৰা হৈছে, এণ্টেনাৰ সংখ্যা, চে ল আৰু ব্যৱহাৰকাৰী সঁজুলি প্ৰক্ৰিয়াকৰণৰ পৰা ফ্ৰন্টহ ল বেণ্ডউইডথ বিচ্ছিন্নকৰণ, আৰু উচ্চ-প্ৰদৰ্শন-উন্নত সহযোগিতামূলক প্ৰযুক্তিৰ ওপৰত গুৰুত্ব প্ৰদানকে ধৰি। এনজিএফআইৰ লক্ষ্য হৈছে মূল ৫জি প্ৰযুক্তিসমূহ, বিশেষকৈ ক্লাউড আৰএএন, নেটৱৰ্ক ফাংচন ভাৰছুৱেলাইজেশ্যন আৰু বৃহৎ স্কেল এণ্টেনা চিষ্টেমসমূহক উন্নতভাৱে সমৰ্থন কৰা। NGFI য়ে কম বেণ্ডউইডথৰ সুবিধা আৰু মোবাইল নেটৱৰ্ক ট্ৰাফিকৰ ওপৰত বতাহৰ প্ৰভাৱৰ ব্যৱহাৰৰ দ্বাৰা সম্প্ৰচাৰ দক্ষতা বৃদ্ধিৰ দাবী কৰে। এনজিএফআইৰ সম্প্ৰচাৰ ইথাৰনেটৰ ওপৰত আধাৰিত যাতে নমনীয়তা আৰু নিৰ্ভৰযোগ্যতাৰ সুবিধা লাভ কৰিব পাৰি। ইথাৰনেট ভিত্তিক ফ্ৰণ্টহ ল নেটৱৰ্কৰ প্ৰধান প্ৰভাৱ, প্ৰত্যাহ্বান আৰু সম্ভাব্য সমাধানসমূহো বিশ্লেষণ কৰা হৈছে। জিতাৰ, লেটেন্সি, আৰু সময় আৰু ফ্ৰিক্বেঞ্চৰ সমন্বয় হৈছে অতিক্ৰম কৰিবলগীয়া প্ৰধান সমস্যা। |
a1bbd52c57ad6a36057f5aa69544887261eb1a83 | আমি এটা সিনট্যাক্স-ভিত্তিক এলগৰিথমৰ বৰ্ণনা দিছো যিয়ে স্বয়ংক্ৰিয়ভাৱে অৰ্থগতভাৱে সমতুল্য অনুবাদ ছেটৰ পৰা ফিনিট ষ্টেট অট মেটা (শব্দৰ গ্ৰীট) নিৰ্মাণ কৰে। এই FSAs হৈছে পৰভাষাৰ ভাল প্ৰতিনিধিত্ব। এইসমূহক শব্দাৰ্থগত আৰু সিনটাক্সিক পেৰাফ্ৰেইজ জোৰা আহৰণ কৰিবলৈ আৰু ইনপুট ছেটত থকা বাক্যসমূহৰ দৰে একে অৰ্থ প্ৰকাশ কৰা নতুন, দেখা নোপোৱা বাক্য সৃষ্টি কৰিবলৈ ব্যৱহাৰ কৰিব পাৰি। আমাৰ FSAসমূহে বিকল্প অৰ্থগত অনুবাদৰ সঠিকতাও অনুমান কৰিব পাৰে, যাক অনুবাদৰ গুণমান মূল্যায়ন কৰিবলৈ ব্যৱহাৰ কৰিব পাৰি। |
78e2cf228287d7e995c6718338e3ec58dc7cca50 | |
7674e4e66c60a4a31d0b68a07d4ea521cca8a84b | ফজি লগ এটা আংশিকভাৱে আদেশযুক্ত ভাগ বতৰা লগ বিমূর্তকৰণ। বিতৰণ কৰা এপ্লিকেচনসমূহে একেলগে আংশিক আদেশত সংযোজন কৰিব পাৰে আৰু ইয়াক পুনৰ প্লে কৰিব পাৰে। FuzzyLog এপ্লিকেশ্যনসমূহে ইয়াৰ অসুবিধাসমূহৰ পৰা ভুগি নপৰে - সহজ পদ্ধতিৰে শক্তিশালী ধাৰাবাহিকতা, স্থায়িত্ব আৰু বিফলতা পৰমাণুত্ব আহৰণ কৰি - অন্তৰ্নিহিত ভাগ-বতৰা লগৰ সুবিধা লাভ কৰে। আংশিক ক্ৰমৰ উন্মোচন কৰি, ফজি লগ এপ্লিকেচনৰ বাবে তিনিটা মূল ক্ষমতা সক্ষম কৰেঃ পাৰ্থক্য আৰু ক্ষমতাৰ বাবে ৰেখীয় স্কেলিং (অণুগতিকতা ত্যাগ নকৰাকৈ), দুৰ্বল সামঞ্জস্যতাৰ নিশ্চয়তা, আৰু নেটৱৰ্ক বিভাজনসমূহৰ প্ৰতি সহনশীলতা। আমি ইয়াত ডাপল, ফজি লগ বিমূর্তকৰণৰ এটা বিতৰণ কৰা ৰূপায়ণ উপস্থাপন কৰিছো যি আংশিক আদেশক সংক্ষিপ্তভাৱে সংৰক্ষণ কৰে আৰু এটা নতুন আদেশ প্ৰট কলৰ জৰিয়তে দক্ষ সংযোজন/প্লেব্যাকক সমৰ্থন কৰে। আমি বিভিন্ন ডাটা গঠন আৰু এপ্লিকেচনসমূহ ফজি লগত প্ৰয়োগ কৰো, য ত কেইবাটাও মানচিত্ৰৰ প্ৰকাৰৰ লগতে চিৰিয়াখানা ৰক্ষকৰ প্ৰয়োগো অন্তৰ্ভুক্ত আছে। আমাৰ মূল্যায়নে দেখুৱাইছে যে এই এপ্লিকেচনবোৰ কমপেক্ট, দ্ৰুত আৰু নমনীয়ঃ তেওঁলোকে এক ভাগ কৰা লগ ডিজাইনৰ সৰলতা (কোডৰ ১০০ লাইন) আৰু শক্তিশালী অৰ্থবিজ্ঞান (দৈৰ্ঘ্যতা আৰু বিফলতা পৰমাণু) ৰ সৈতে মিলিত হৈ থাকে, আনহাতে ৰেখীয় স্কেলিবিলিটিৰ বাবে ফজি লগৰ আংশিক ক্ৰমৰ ব্যৱহাৰ কৰে, নমনীয় সামঞ্জস্যতাৰ গেৰাণ্টি (যেনে, কাৰণ + সামঞ্জস্য) আৰু নেটৱৰ্ক পাৰ্টিশ্যন সহনশীলতা। ৬-নড ড্যাপল স্থাপনত, আমাৰ ফজি লগ ভিত্তিক চিউকিপাৰে ৩ এম/ছে একক-কী লিখিব পাৰে, আৰু ১৫০ কে/ছে পৰমাণু ক্ৰছ-শাৰ্ড নাম সলনি কৰিব পাৰে। |
38bcf0bd4f8c35ff54d292d37cbdca1da677f3f5 | ক লা বায় ছেন্সৰ (WBS) এ বিভিন্ন নতুন ক্ষেত্ৰত ক ৰ না ভাইৰাছৰ নিৰন্তৰ নিৰীক্ষণৰ সুবিধা প্ৰদান কৰিব। বিভিন্ন প্ৰধান ৰোগৰ চিনাক্তকৰণ আৰু চিকিৎসাত ইয়াৰ লাভালাভ উপলব্ধি কৰিব পাৰি। WBS, উপযুক্ত এলাৰ্ম এলগৰিথমৰ সৈতে মিলি, উচ্চ-ঝুঁকিৰ বিষয়সমূহৰ বাবে CV বিপর্যয়ৰ বাবে নিৰীক্ষণ ক্ষমতা বৃদ্ধি কৰিব পাৰে। WBS য়ে ক্ৰনিক ৰোগৰ চিকিৎসাতো ভূমিকা পালন কৰিব পাৰে, তথ্য প্ৰদান কৰি যিটোৱে চিকিৎসাৰ সঠিক মাত্ৰা নিৰ্ধাৰণ বা ৰোগীৰ অনুপালনত থকা বিসংগতিসমূহ আৱিষ্কাৰ কৰিব পাৰে। বিপদজনক কাৰ্য্যকলাপৰ সময়ত (সামৰিক, অগ্নিনিৰ্বাপক, ইত্যাদি) ৱায়াৰলেছ নিৰীক্ষণত ৱাই-ফাই-এছ-এ গুৰুত্বপূৰ্ণ ভূমিকা পালন কৰিব পাৰে। ), বা এনে ছেন্সৰ সমূহ অসামৰিক লোক হতাহত হোৱাৰ সময়ত বিতৰণ কৰিব পাৰি। যিহেতু CV ফিজিঅ লজিক পাৰামিটাৰবোৰে " জীৱনশক্তিৰ লক্ষণ" গঠন কৰে যি জৰুৰীকালীন চিকিৎসা পৰিস্থিতিত আটাইতকৈ গুৰুত্বপূৰ্ণ তথ্য, WBS এ বৃহৎ সংখ্যক বিপদজনক বিষয়ৰ বাবে এটা ৱায়াৰলেচ মনিটৰিং চিষ্টেম সক্ষম কৰিব পাৰে। এই একে পদ্ধতি বৰ্তমানৰ অতিমাত্ৰা জনবহুল জৰুৰীকালীন বিভাগৰ অপেক্ষাৰ কক্ষৰ নিৰীক্ষণত ব্যৱহাৰযোগ্য হ ব পাৰে। যিসকল ৰোগীৰ হৃদযন্ত্ৰ নিৰীক্ষণৰ প্ৰয়োজন, তেওঁলোকৰ বাবে বৰ্তমানৰ বায় চেনচাৰ প্ৰযুক্তিয়ে ৰোগীক কেবলৰ এক টানেলত আবদ্ধ কৰে, আনহাতে পিন্ধিব পৰা CV ছেন্সৰে ৰোগীৰ আৰাম বৃদ্ধি কৰিব পাৰে আৰু ত্ৰুটি আৰু পতিত হোৱাৰ আশংকাও হ্ৰাস কৰিব পাৰে, যিটো ৰোগীৰ বাবে এক দীৰ্ঘদিনীয়া সমস্যা, যিসকল ৰোগী অসুস্থ, ঔষধযুক্ত আৰু অপৰিচিত পৰিৱেশত। দৈনিক ভিত্তিত, পৰিধানযোগ্য চিভি ছেন্সৰে চিকিত্সা নকৰা উচ্চ ৰক্তচাপৰ সংবেদন কৰি ঔষধৰ এক পাহৰা পালি চিনাক্ত কৰিব পাৰে আৰু ৰোগীক ঔষধ গ্ৰহণ কৰিবলৈ স্বয়ংক্ৰিয়ভাৱে সোঁৱৰাই দিব পাৰে। ইয়াৰ উপৰিও, উচ্চ ৰক্তচাপৰ চিকিৎসাৰ বাবে চিকিৎসকসকলে দৰমহা নিৰ্ধাৰণ কৰাটো গুৰুত্বপূৰ্ণ, কাৰণ পৰ্যাপ্ত পৰিমাণৰ চিকিৎসা আৰু অত্যধিক চিকিৎসা (অস্বাভাৱিকভাৱে নিম্ন ৰক্তচাপৰ পৰিণতিত) উভয়ে মৃত্যুৰ হাৰ বৃদ্ধি কৰে। অৱশ্যে, চিকিৎসকসকলৰ হাতত মাত্ৰ অন্তৰায় ৰক্তচাপৰ মানহে আছে যাৰ ওপৰত ভিত্তি কৰি চিকিৎসা সম্পৰ্কীয় সিদ্ধান্ত ল ব পাৰি। একেদৰে, WBS এ ৰোগীৰ ব্যায়ামৰ প্ৰচেষ্টাৰ শাৰীৰিক স্বাক্ষৰ (হৃদস্পন্দন আৰু ৰক্তচাপৰ পৰিৱৰ্তন হিচাপে প্ৰকাশিত) লগ কৰিব পাৰিব, যি ৰোগী আৰু স্বাস্থ্যসেৱা প্ৰদানকাৰীক স্বাস্থ্যৰ ফলাফল উন্নত কৰিবলৈ প্ৰমাণিত এক প্ৰণালীৰ সৈতে সম্মতি মূল্যায়ন কৰিবলৈ অনুমতি দিয়ে। হৃদযন্ত্ৰৰ অক্ষমতা, যেনে ক্ৰনিক হৃদযন্ত্ৰৰ ৰোগৰ ৰোগীসকলৰ ক্ষেত্ৰত, WBS ব্যৱহাৰ কৰি ঘৰুৱা নিৰীক্ষণে অতি প্ৰাৰম্ভিক (আৰু প্ৰায়ে সহজে চিকিৎসা কৰিব পৰা) পৰ্যায়ত, ৰোগীয়ে অতি বিপদজনক স্তৰলৈ অগ্ৰসৰ হোৱাৰ বহু পূৰ্বেই, যিটো জৰুৰীকালীন কক্ষ ভ্ৰমণ আৰু ব্যয়বহুল হাস্পতাল ভৰ্তিৰ প্ৰয়োজন। এই প্ৰবন্ধত আমি কাৰিকৰী আৰু ক্লিনিকেল দুয়োটা দিশৰ ওপৰত আলোচনা কৰিম ... |
86c9a59c7c4fcf0d10dbfdb6afd20dd3c5c1426c | আঙুলিৰ ছাপৰ শ্ৰেণীবিভাজন আঙুলিৰ ছাপৰ তথ্যভঁৰালত এক গুৰুত্বপূৰ্ণ সূচীভুক্তকৰণ ব্যৱস্থা প্ৰদান কৰে। এটা সঠিক আৰু সুসংগত শ্ৰেণীবিভাগে এটা বৃহৎ ডাটাবেছৰ বাবে আঙুলিৰ ছাপ মিলোৱাৰ সময় যথেষ্ট হ্ৰাস কৰিব পাৰে। আমি এটা আঙুলিৰ চিনৰ শ্ৰেণীবিভাজন এলগৰিথম উপস্থাপন কৰিছো যি পুৰ্বৰ সাহিত্যত উল্লেখিততকৈ অধিক সঠিকতা প্ৰাপ্ত কৰিবলৈ সক্ষম। আমি আঙুলিৰ ছাপক পাঁচটা শ্ৰেণীত ভাগ কৰো: ঘূৰ্ণন, সোঁ লুপ, বাওঁ লুপ, আৰ্চ, আৰু টেন্ট আৰ্চ। এই এলগৰিথমটোৱে এটা নতুন প্ৰতিনিধিত্ব (ফিংগাৰক ড) ব্যৱহাৰ কৰে আৰু শ্ৰেণীবিভাজন কৰিবলৈ এটা দু-পৰ্যায়ৰ শ্ৰেণীবিভাজকৰ ওপৰত ভিত্তি কৰি প্ৰস্তুত কৰা হৈছে। এই প্ৰণালীটো NIST-4 ডাটাবেছত থকা ৪,০০০টা ছবিৰ ওপৰত পৰীক্ষা কৰা হৈছে। পাঁচটা শ্ৰেণীৰ সমস্যাৰ বাবে, শ্ৰেণীবিভাজনৰ সঠিকতা ৯০ শতাংশ হয় (বৈশিষ্ট্য নিষ্কাশন পৰ্যায়ৰ সময়ছোৱাত ১.৮ শতাংশ প্ৰত্যাখ্যানৰ সৈতে) । চাৰিটা শ্ৰেণীৰ সমস্যাৰ বাবে (আৰক আৰু টেন্ট আৰ্ক এক শ্ৰেণীত সংযুক্ত), আমি 94.8 শতাংশৰ শ্ৰেণীবিভাজনৰ সঠিকতা অৰ্জন কৰিবলৈ সক্ষম (1.8 শতাংশ প্ৰত্যাখ্যানৰ সৈতে) । শ্ৰেণীবিভাগকৰ্তাৰ এটা প্ৰত্যাখ্যান বিকল্প অন্তৰ্ভুক্ত কৰি, শ্ৰেণীবিভাজনৰ সঠিকতা পাঁচ শ্ৰেণীৰ শ্ৰেণীবিভাজনৰ কামৰ বাবে ৯৬ শতাংশলৈ বৃদ্ধি কৰিব পাৰি, আৰু মুঠ ৩২.৫ শতাংশ ছবি প্ৰত্যাখ্যান হোৱাৰ পিছত চাৰি শ্ৰেণীৰ শ্ৰেণীবিভাজনৰ কামৰ বাবে ৯৭.৮ শতাংশলৈ বৃদ্ধি কৰিব পাৰি। |
a2ed347d010aeae4ddd116676bdea2e77d942f6e | এই প্ৰবন্ধত আঙুলিৰ চিনৰ শ্ৰেণীবিভাজনৰ এটা এলগৰিথম উপস্থাপন কৰা হৈছে। আঙুলিৰ ছাপ পাঁচটা শ্ৰেণীত ভাগ কৰা হয়ঃ আৰ্চ, টেন্ট আৰ্চ, লেফট লুপ, ৰাইট লুপ আৰু ৱৰ্ল। এই এলগৰিথমটোৱে আঙুলিৰ ছবিত একক বিন্দু (কোৰ আৰু ডেল্টা) আহৰণ কৰে আৰু চিনাক্ত কৰা একক বিন্দুৰ সংখ্যা আৰু অৱস্থানসমূহৰ ওপৰত ভিত্তি কৰি শ্ৰেণীবিভাজন কৰে। শ্ৰেণীবিভাগক ঘূৰ্ণন, পৰিবৰ্তন আৰু স্কেলৰ সৰু পৰিমাণৰ পৰিবৰ্তনৰ বাবে অবিচল থাকে। শ্ৰেণীবিভাগক নিয়ম-ভিত্তিক, য ত নিয়মবোৰ নিৰ্দিষ্ট ডাটা ছেটৰ পৰা স্বতন্ত্ৰভাৱে সৃষ্টি কৰা হয়। এই শ্ৰেণীবিভাগক NIST-4 ডাটাবেছত থকা ৪০০০টা আৰু NIST-9 ডাটাবেছত থকা ৫৪০০টা ছবিৰ ওপৰত পৰীক্ষা কৰা হৈছিল। NIST-4 ডাটাবেছৰ বাবে, পঞ্চশ্ৰেণীৰ সমস্যাৰ বাবে 85.4% আৰু চাৰিশ্ৰেণীৰ সমস্যাৰ বাবে 91.1% (আৰ্ক আৰু টেন্টড আৰ্কৰ সৈতে একে শ্ৰেণীত ৰখা) শ্ৰেণীবিভাজনৰ সঠিকতা প্ৰাপ্ত কৰা হৈছিল। এটা প্ৰত্যাখ্যান বিকল্প ব্যৱহাৰ কৰি, চাৰিটা শ্ৰেণীৰ শ্ৰেণীবিভাজনৰ ত্ৰুটি ৬% তকৈ কম হ ব পাৰে আৰু ১০% আঙুলিৰ ছাপৰ ছবি প্ৰত্যাখ্যান কৰা হয়। এনআইএছটি-৯ ডাটাবেছত একে ধৰণৰ শ্ৰেণীবিভাজনৰ প্ৰদৰ্শন পোৱা যায়। |
b07ce649d6f6eb636872527104b0209d3edc8188 | |
3337976b072405933a02f7d912d2b6432de38feb | এই প্ৰবন্ধটো তিনিটা ভাগত বিভক্তঃ সাধাৰণভাৱে সাৰাংশৰ প্ৰাৰম্ভিক প্ৰকাৰবিজ্ঞান; বৰ্তমান আৰু পৰিকল্পিত মডিউলসমূহৰ বিৱৰণ আৰু ISIৰ উপগ্ৰহত নিৰ্মাণ কৰা SUMMARIST স্বয়ংক্ৰিয় বহুভাষিক পাঠ সাৰাংশ প্ৰণালীৰ কাৰ্যক্ষমতা; আৰু সাৰাংশৰ মূল্যায়নৰ তিনিটা পদ্ধতিৰ আলোচনা। ১. মোৰ ১৯৫০ৰ শেষৰফালে আৰু ৬০ৰ দশকৰ আৰম্ভণিতে কৰা প্ৰাৰম্ভিক পৰীক্ষাসমূহৰ পৰা অনুমান কৰা হৈছিল যে কম্পিউটাৰৰ দ্বাৰা পাঠৰ সংক্ষেপণ সম্ভৱ যদিও সেয়া সহজসাধ্য নাছিল (Luhn, 59; Edmundson, 68) । সেই সময়ত বিকশিত পদ্ধতিবোৰ যথেষ্ট অ-অনুশীলিত আছিল, মূলতঃ পৃষ্ঠৰ স্তৰৰ ঘটনা যেনে বাক্য স্থিতি আৰু শব্দৰ সঘনতা গণনা, আৰু বিমূর্ত (পাঠ্যৰ পৰা নিৰ্বাচিত অংশ, আক্ষৰিকভাৱে পুনঃপ্ৰকাশিত) ৰ পৰিৱৰ্তে (পাঠ্যৰ ব্যাখ্যা কৰা অংশ, নতুনকৈ উৎপন্ন) উৎপাদনত মনোনিবেশ কৰিছিল। কেইবা দশকৰ বিৰতিৰ পিছত, অনলাইন পাঠৰ বৃহৎ পৰিমাণৰ ক্ৰমবৰ্ধমান উপস্থিতি - কৰ্প ৰা আৰু বিশেষকৈ ৱেবত - স্বয়ংক্ৰিয় পাঠ সাৰাংশত আগ্ৰহ নৱীকৰণ কৰে। এই মধ্যৱৰ্তী দশকসমূহত, প্ৰাকৃতিক ভাষা প্ৰক্ৰিয়াকৰণৰ (এনএলপি) অগ্ৰগতি, কম্পিউটাৰৰ স্মৃতি আৰু গতিৰ বৃহৎ বৃদ্ধিৰ সৈতে মিলিত হৈ, অতি উৎসাহজনক ফলাফলৰ সৈতে অধিক অত্যাধুনিক কৌশল সম্ভৱ কৰি তুলিছিল। ১৯৯০ৰ দশকৰ শেষৰ ফালে, আমেৰিকাত কিছু তুলনামূলকভাৱে সৰু গৱেষণা বিনিয়োগ (মাইক্ৰ ছফট, লেক্সিছ-নেক্সিছ, অ ৰাকল, এছআৰএ, আৰু টেক্সটৱাইজৰ বাণিজ্যিক প্ৰচেষ্টা আৰু চিএমইউ, এনএমএছইউ, ইউপিএন, আৰু ইউএছচি/আইএছআইৰ বিশ্ববিদ্যালয়ৰ প্ৰচেষ্টাকে ধৰি ১০ টাতকৈ অধিক প্ৰকল্প) তিনি বা চাৰি বছৰত কেইবাটাও প্ৰণালী প্ৰদৰ্শন কৰিছে যি সম্ভাব্য বজাৰযোগ্যতা প্ৰদৰ্শন কৰে, লগতে কেইবাটাও উদ্ভাৱন যি নিৰন্তৰ উন্নতিৰ প্ৰতিশ্ৰুতি দিয়ে। ইয়াৰ উপৰিও, শেহতীয়া কেইবাটাও কৰ্মশালা, এখন গ্ৰন্থ সংগ্ৰহ আৰু কেইবাটাও টিউটোৰিয়েলসমূহে সাক্ষ্য দিয়ে যে স্বয়ংক্ৰিয় পাঠ সাৰাংশ এটা উত্তপ্ত ক্ষেত্ৰ হৈ পৰিছে। কিন্তু যেতিয়া কোনোবাই বিভিন্ন পদ্ধতি অধ্যয়ন কৰিবলৈ আৰু প্ৰকৃততে কি লাভ কৰা হৈছে তাৰ বিষয়ে চিন্তা কৰিবলৈ অলপ সময় লয়, তেতিয়া তেওঁ আচৰিত হয় যে এই পদ্ধতিসমূহৰ অন্তৰালত কি মিল আছে, ইয়াৰ লক্ষ্য কিমান সংকীৰ্ণ আৰু সমস্যাটোৰ চাৰিওফালে থকা অজ্ঞাত কাৰকসমূহৰ সংখ্যা কিমান। উদাহৰণস্বৰূপে, এটা সাৰাংশ কি? কোনেও সঠিককৈ নাজানে। আমাৰ কামত আমি সাৰাংশক সাধাৰণ শব্দ হিচাপে ব্যৱহাৰ কৰো আৰু ইয়াক এনেদৰে সংজ্ঞায়িত কৰোঁঃ সাৰাংশ হৈছে এক বা একাধিক (সম্ভৱতঃ মাল্টিমিডিয়া) পাঠৰ পৰা প্ৰস্তুত কৰা পাঠ, য ত মূল পাঠৰ (কিছু) একেই তথ্য থাকে আৰু যি মূল পাঠৰ (অধিক) আধাতকৈ বেছি নহয়। এই ছবিখন অলপ স্পষ্ট কৰিবলৈ আমি পৰিৱৰ্তনৰ নিম্নলিখিত দিশবোৰ চিনাক্ত কৰি (স্পাৰিক জোনছ, ৯৭) অনুসৰণ আৰু সম্প্ৰসাৰিত কৰো। যিকোনো সাৰাংশক (অন্তত) তিনিটা প্ৰধান শ্ৰেণীৰ বৈশিষ্ট্যৰ দ্বাৰা চিহ্নিত কৰিব পাৰিঃ Invut: উৎস পাঠৰ বৈশিষ্টসমূহ (ইংৰাজী) Source size: single-document v s. বহু-নথিঃ একক নথিৰ সাৰাংশ এটা একক ইনপুট পাঠৰ পৰা আহৰণ কৰা হয় (যদিও সাৰাংশ প্ৰক্ৰিয়াটোত আন পাঠৰ পৰা পূৰ্বতে সংকলিত তথ্য ব্যৱহাৰ কৰিব পাৰে) । বহু-নথি সংক্ষিপ্ত বিবৰণ হৈছে এক পাঠ যি একতকৈ অধিক ইনপুট পাঠৰ বিষয়বস্তু সামৰি লয়, আৰু সাধাৰণতে কেৱল যেতিয়া ইনপুট পাঠবোৰ বিষয়গতভাৱে সম্পৰ্কিত হয় তেতিয়াহে ব্যৱহাৰ কৰা হয়। বিশেষত্বঃ ক্ষেত্ৰ-নিৰ্দিষ্ট বনাম সাধাৰণঃ যেতিয়া ইনপুট পাঠবোৰ সকলো এটা ক্ষেত্ৰৰ সৈতে সম্পৰ্কিত হয়, সাধাৰণ ক্ষেত্ৰত তুলনা কৰি ক্ষেত্ৰ-নিৰ্দিষ্ট সংক্ষেপণ কৌশল প্ৰয়োগ কৰা, নিৰ্দিষ্ট বিষয়বস্তুৰ ওপৰত গুৰুত্ব দিয়া আৰু নিৰ্দিষ্ট ফৰ্মেটত আউটপুট দিয়া উচিত হ ব পাৰে। এটা ডমেইন-নিৰ্দিষ্ট সাৰাংশ এটা সীমাবদ্ধ ডমেইনৰ সৈতে সম্পৰ্ক থকা ইনপুট টেক্সট (_) ৰ পৰা আহৰণ কৰা হয়। এনেদৰে, ই কম শব্দৰ অস্পষ্টতা, স্বকীয় শব্দ আৰু ব্যাকৰণৰ ব্যৱহাৰ, বিশেষ ফৰ্মেটিং ইত্যাদি গ্ৰহণ কৰিব পাৰে আৰু সাৰাংশত সেইবোৰ প্ৰতিফলিত কৰিব পাৰে। |
25126128faa023d1a65a47abeb8c33219cc8ca5c | আমি বৃহৎ স্কেল কাৰ্নেল পদ্ধতিৰ Nyström প্ৰকাৰৰ উপ-নিৰ্মাণ পদ্ধতি অধ্যয়ন কৰো, আৰু পৰিসংখ্যাগত শিক্ষণ পৰিবেশত শিক্ষণৰ সীমা প্ৰমাণ কৰোঁ, য ত এলোমেলো নমুনা আৰু উচ্চ সম্ভাৱনা অনুমান বিবেচনা কৰা হয়। বিশেষকৈ, আমি প্ৰমাণ কৰোঁ যে এই পদ্ধতিবোৰে সৰ্বোত্তম শিক্ষণ সীমা লাভ কৰিব পাৰে, যদিহে উপ-নিৰ্মাণৰ স্তৰটো উপযুক্তভাৱে নিৰ্বাচন কৰা হয়। এই ফলাফলসমূহে Nyström Kernelৰ নিয়মীয়া ন্যূনতম স্কোয়াৰৰ এটা সৰল ইনক্ৰমেণ্টেল প্ৰকাৰৰ পৰামৰ্শ দিয়ে, য ত উপ-নমুনা স্তৰে এটা কম্পিউটেশ্যনেল নিয়মীয়াকৰণৰ ৰূপ ৰূপ ৰূপায়ণ কৰে, এই অৰ্থত যে ই একে সময়তে নিয়মীয়াকৰণ আৰু গণনা নিয়ন্ত্ৰণ কৰে। বিস্তৃত পৰীক্ষামূলক বিশ্লেষণে দেখুৱাইছে যে বিবেচনা কৰা পদ্ধতিটোৱে বৃহৎ স্কেল ডাটা ছেটত উন্নত প্ৰদৰ্শন লাভ কৰে। |
414573bcd1849b4d3ec8a06dd4080b62f1db5607 | বিতৰণ কৰা অস্বীকাৰ-সেৱা (ডিডি অ এছ) আক্ৰমণে সমগ্ৰ ইণ্টাৰনেটত এক ভাবুকি কঢ়িয়াই আনিছে। আমি D-WARDৰ প্ৰস্তাৱ দিছো, যিটো উৎস-শেষ নেটৱৰ্কত স্থাপন কৰা এটা DDoS প্ৰতিৰক্ষা ব্যৱস্থা যি স্বয়ংক্ৰিয়ভাৱে এই নেটৱৰ্কসমূহৰ পৰা উৎপন্ন হোৱা আক্ৰমণসমূহ আৱিষ্কাৰ কৰে আৰু বন্ধ কৰে। নেটৱৰ্ক আৰু বাকী ইণ্টাৰনেটৰ মাজত দ্বি-মুখী ট্ৰেফিক প্ৰবাহৰ নিৰন্তৰ নিৰীক্ষণ আৰু সাধাৰণ প্ৰবাহৰ মডেলৰ সৈতে পৰ্য্যায়ক্ৰমে তুলনা কৰি আক্ৰমণসমূহ আৱিষ্কাৰ কৰা হয়। অসামঞ্জস্যৰ প্ৰবাহৰ হাৰ সীমিত কৰা হয় তেওঁলোকৰ আক্ৰমণাত্মকতাৰ অনুপাতে। D-WARD এ এটা আক্ৰমণৰ সময়তো বৈধ ট্ৰেফিকক ভাল সেৱা প্ৰদান কৰে, আনহাতে DDoS ট্ৰেফিকক অৱহেলনীয় স্তৰলৈ হ্ৰাস কৰে। এই চিষ্টেমটোৰ এটা প্ৰ টোটাইপ লিনাক্স ৰাউটাৰ এটাত নিৰ্মাণ কৰা হৈছে। আমি বিভিন্ন আক্ৰমণৰ দৃশ্যত ইয়াৰ কাৰ্যকৰিতা দেখুৱাম, ইয়াৰ প্ৰয়োগৰ অনুপ্ৰেৰণা আলোচনা কৰো আৰু ইয়াৰ সৈতে জড়িত ব্যয়ৰ বৰ্ণনা দিওঁ। |
705a24f4e1766a44bbba7cf335f74229ed443c7b | মুখ চিনাক্তকৰণ এলগৰিথমবোৰে সাধাৰণতে ধাৰণা কৰে যে মুখৰ ছবিবোৰ ভালদৰে সংলগ্ন আৰু একে ধৰণৰ অৱস্থানত থাকে -- তথাপিও বহুতো ব্যৱহাৰিক প্ৰয়োগত এই চৰ্তবোৰ পূৰণ কৰাটো অসম্ভৱ। সেয়েহে মুখ চিনাক্তকৰণক সীমাবদ্ধতা বিহীন মুখৰ ছবিলৈ সম্প্ৰসাৰিত কৰা হৈছে গৱেষণাৰ এক সক্ৰিয় ক্ষেত্ৰ। এই উদ্দেশ্যে, স্থানীয় বাইনেৰী পেট্ৰ ন (LBP) ৰ হিষ্ট গ্ৰাম মুখ চিনাক্তকৰণৰ বাবে অতি বৈষম্যমূলক বিৱৰণক হিচাপে প্ৰমাণিত হৈছে। তথাপি, বেছিভাগ এলবিপি-ভিত্তিক এলগৰিথমে এক কঠোৰ বৰ্ণনাকাৰী মিলোৱা কৌশল ব্যৱহাৰ কৰে যি পোজ পৰিবৰ্তন আৰু বিসংগতি ৰ বিৰুদ্ধে শক্তিশালী নহয়। আমি দুটা অ্যালগৰিদমৰ প্ৰস্তাৱ দিছো মুখ চিনাক্তকৰণৰ বাবে যিটো পোজ পৰিৱৰ্তন আৰু ভুল সংহতিৰে মোকাবিলা কৰিবলৈ ডিজাইন কৰা হৈছে। আমি এটা আলোকসজ্জা নৰ্মলাইজেশ্যন পদক্ষেপো অন্তৰ্ভুক্ত কৰিছো যি আলোকসজ্জাৰ পৰিবৰ্তনৰ বিৰুদ্ধে দৃঢ়তা বৃদ্ধি কৰে। প্ৰস্তাৱিত এলগৰিথমবোৰে এলবিপিৰ হিষ্টোগ্ৰামৰ ওপৰত ভিত্তি কৰি বৰ্ণনাকাৰী ব্যৱহাৰ কৰে আৰু যথাক্ৰমে স্পেচিয়েল পীৰামিড মেচিং (এছপিএম) আৰু নেভ বেজ নিকটতম চুবুৰীয়া (এনবিএনএন) ৰ সৈতে বৰ্ণনাকাৰী মিল কৰে। আমাৰ অৱদান হ ল নমনীয় স্থানিক মিলন প্ৰণালী অন্তৰ্ভুক্ত কৰা যি শ্ৰেণীৰ অন্তৰ্গত পৰিবৰ্তনৰ প্ৰতি সন্মান প্ৰদৰ্শন কৰিবলৈ উন্নত দৃঢ়তা প্ৰদান কৰিবলৈ এটা ছবি-শ্ৰেণী সম্পৰ্ক ব্যৱহাৰ কৰে। আমি প্ৰস্তাৱিত এলগৰিথমৰ সঠিকতা আহ ননৰ মূল এলবিপি-ভিত্তিক মুখ চিনাক্তকৰণ প্ৰণালী আৰু চাৰিটা মানদণ্ড তথ্যৰ ওপৰত দুটা আধাৰিত সামগ্ৰিক শ্ৰেণীবিভাজকৰ সৈতে তুলনা কৰো। আমাৰ ফলাফলসমূহে সূচাইছে যে এনবিএনএন-ৰ ওপৰত ভিত্তি কৰি প্ৰস্তুত কৰা এলগৰিথমটোৱে আন সমাধানসমূহক অতিক্ৰম কৰিছে আৰু পোজ পৰিৱৰ্তনৰ উপস্থিতিত ই অধিক স্পষ্টভাৱে কৰে। |
fb8704210358d0cbf5113c97e1f9f9f03f67e6fc | কনটেন্ট-বেষ্টেড ভিজুৱেল ইনফৰমেচন ৰিট্ৰিভেল (CBVIR) বা কনটেন্ট-বেষ্টেড ইমেজ ৰিট্ৰিভেল (CBIR) হৈছে কম্পিউটাৰ ভিজনৰ ক্ষেত্ৰত যোৱা ১০ বছৰত সৰ্বাধিক জীৱন্ত গৱেষণা ক্ষেত্ৰসমূহৰ ভিতৰত এটা। বৃহৎ আৰু ক্ৰমান্বয়ে বৃদ্ধি পোৱা ভিজুৱেল আৰু মাল্টিমিডিয়া ডাটাৰ উপলব্ধতা আৰু ইণ্টাৰনেটৰ বিকাশই বিষয়গত প্ৰৱেশ পদ্ধতি সৃষ্টিৰ প্ৰয়োজনীয়তাৰ ওপৰত গুৰুত্ব দিয়ে যি কেৱল সৰল পাঠ্য-ভিত্তিক অনুসন্ধান বা ডাটাবেছ ক্ষেত্ৰৰ সৈতে মিল থকা নিৰ্দিষ্ট অনুৰোধৰ ওপৰতো অধিক প্ৰদান কৰে। ভিজুৱেল বা অডিঅ কনটেণ্টৰ ওপৰত ভিত্তি কৰি অনুসন্ধান প্ৰস্তুত আৰু কাৰ্যকৰী কৰিবলৈ আৰু বৃহৎ মাল্টিমিডিয়া ৰিপ জিটৰী ব্ৰাউজ কৰাত সহায় কৰিবলৈ বহুতো প্ৰ গ্ৰাম আৰু সঁজুলি বিকাশ কৰা হৈছে। তথাপিও, বিভিন্ন ধৰণৰ নথিপত্ৰ আৰু বিভিন্ন বৈশিষ্ট্যৰ সৈতে বৃহৎ বিভিন্ন ডাটাবেছৰ ক্ষেত্ৰত কোনো সাধাৰণ সাফল্য লাভ কৰা হোৱা নাই। গতিকে, অৰ্থবিজ্ঞান বা বস্তুনিষ্ঠ ছবিৰ ব্যাখ্যা সম্পৰ্কীয় বহুতো প্ৰশ্নৰ উত্তৰ এতিয়াও উত্তৰহীন হৈ আছে। চিকিৎসা ক্ষেত্ৰতো ছবি, বিশেষকৈ ডিজিটেল ছবি, ক্ৰমাৎ অধিক পৰিমাণে প্ৰস্তুত কৰা হয় আৰু ৰোগ নিৰ্ণয় আৰু চিকিৎসাৰ বাবে ব্যৱহাৰ কৰা হয়। কেৱল জেনেভা বিশ্ববিদ্যালয় হাস্পতালৰ ৰেডিঅ লজি বিভাগে ২০০২ চনত দৈনিক ১২,০০০ ৰো অধিক ছবি প্ৰস্তুত কৰিছিল। হৃদৰোগ বৰ্তমান ডিজিটেল ছবিৰ দ্বিতীয় সৰ্ববৃহৎ উৎপাদক, বিশেষকৈ হৃদৰোগৰ কেথেটাৰিজেশ্যনৰ ভিডিঅ ৰ সৈতে (প্ৰতি বছৰে প্ৰায় ১৮০০ পৰীক্ষা যাৰ প্ৰত্যেকটোত প্ৰায় ২০০০ ছবি থাকে) । জেনেভা বিশ্ববিদ্যালয় হাস্পতালত উৎপাদিত হাৰ্টৰোগিক ছবিৰ তথ্যৰ মুঠ পৰিমাণ ২০০২ চনত প্ৰায় ১ টি বি আছিল। এণ্ড স্ক পিক ভিডিঅ বোৰেও সমানভাৱে অত্যাধিক পৰিমাণৰ তথ্য উৎপাদন কৰিব পাৰে। চিকিৎসা বিজ্ঞানৰ ডিজিটেল ইমেজিং আৰু যোগাযোগ (ডিআইচিঅ এম) ৰ জৰিয়তে, ইমেজ যোগাযোগৰ বাবে এক মানদণ্ড নিৰ্ধাৰণ কৰা হৈছে আৰু ৰোগীৰ তথ্য প্ৰকৃত ছবিৰ সৈতে সংৰক্ষণ কৰিব পাৰি, যদিও মানদণ্ডকৰণৰ ক্ষেত্ৰত এতিয়াও কিছু সমস্যা আছে। বহুতো প্ৰবন্ধত ক্লিনিকেল সিদ্ধান্ত গ্ৰহণৰ বাবে চিকিৎসা ছবিৰ বিষয়বস্তু-ভিত্তিক প্ৰৱেশৰ প্ৰস্তাৱ দিয়া হৈছে যি ক্লিনিকেল তথ্যৰ ব্যৱস্থাপনা সহজ কৰিব আৰু ছবি আৰ্কাইভিং আৰু যোগাযোগ ব্যৱস্থাত (PACS) বিষয়বস্তু-ভিত্তিক প্ৰৱেশ পদ্ধতিৰ সংহতকৰণৰ বাবে দৃশ্যপট সৃষ্টি কৰা হৈছে। এই প্ৰবন্ধত চিকিৎসা বিষয়ক ছবিৰ তথ্যৰ বিষয়বস্তুভিত্তিক প্ৰৱেশাধিকাৰৰ ক্ষেত্ৰত আৰু এই ক্ষেত্ৰত ব্যৱহৃত প্ৰযুক্তিৰ ক্ষেত্ৰত উপলব্ধ সাহিত্যৰ এক সাৰাংশ দিয়া হৈছে। ১ম ভাগত সাধাৰণ বিষয়বস্তু-ভিত্তিক ছবি আহৰণ আৰু ব্যৱহাৰ কৰা প্ৰযুক্তিৰ বিষয়ে এক পৰিচয় দিয়া হৈছে। ধাৰা ২ত চিকিৎসা পদ্ধতিত ছবি আহৰণৰ ব্যৱহাৰৰ প্ৰস্তাৱ আৰু বিভিন্ন পদ্ধতিৰ বিষয়ে ব্যাখ্যা কৰা হৈছে। উদাহৰণ প্ৰণালী আৰু প্ৰয়োগৰ ক্ষেত্ৰসমূহ বৰ্ণনা কৰা হৈছে। ৩নং দফাত প্ৰণয়ন কৰা পদ্ধতিসমূহ, সেইবোৰৰ তথ্য আৰু মূল্যায়নৰ বিষয়ে বৰ্ণনা কৰা হৈছে। অধ্যায় ৪ত ক্লিনিকেল প্ৰেক্টিচ আৰু গৱেষণা আৰু শিক্ষাৰ ক্ষেত্ৰত ইমেজ ৰিট্ৰিভেল চিষ্টেমৰ সম্ভাব্য ক্লিনিকেল লাভালাভসমূহ চিহ্নিত কৰা হৈছে। নতুন গৱেষণা দিশ নিৰ্ধাৰণ কৰা হৈছে যিটো উপযোগী হ ব পাৰে। এই প্ৰবন্ধটোত ক্ষেত্ৰখনত কিছুমান সমস্যা ব্যাখ্যা কৰা হৈছে, কিয়নো প্ৰণালীৰ বাবে বহুতো প্ৰস্তাৱ চিকিৎসা ক্ষেত্ৰৰ পৰা লোৱা হৈছে আৰু চিকিৎসা তথ্যৰ ব্যৱহাৰ কৰি কম্পিউটাৰ বিজ্ঞান বিভাগত গৱেষণা প্ৰ টোটাইপ প্ৰস্তুত কৰা হৈছে। তথাপিও, খুব কমেই এনে ব্যৱস্থা আছে যিবোৰ ক্লিনিকেল প্ৰেক্টিছত ব্যৱহাৰ কৰা হয়। এইটোও উল্লেখ কৰিব লাগিব যে, সাধাৰণভাৱে, লক্ষ্য বৰ্তমানৰ পাঠ্য-ভিত্তিক পুনৰুদ্ধাৰ পদ্ধতিবোৰ প্ৰতিস্থাপন কৰা নহয়, কিন্তু চাক্ষুষ অনুসন্ধান সঁজুলিৰ সৈতে সমন্বয় কৰা। |
38919649ae3fd207b96b62e95b3c8c8e69635c7f | এই অধ্যয়নত ৱায়াৰলেছ ম বাইল এড-হক নেটৱৰ্কৰ বাবে প্ৰস্তাৱিত তিনিটা ৰাউটিং প্ৰট কলৰ তুলনা কৰা হৈছে। প্ৰট কলসমূহ হ লঃ গন্তব্য ক্ৰমিক দূৰত্ব ভেক্টৰ (ডিএছডিভি), এড-হক অন ডিমাণ্ড দূৰত্ব ভেক্টৰ (এওডিভি) আৰু গতিশীল উৎস ৰাউটিং (ডিএছআৰ) । বিস্তৃত অনুকৰণসমূহ এনে এক দৃশ্যৰ ওপৰত কৰা হয় য ত ন ডবোৰ এৰাব নোৱাৰাকৈ গতি কৰে। ফলাফলসমূহ এটা দৃশ্যপটত ন ডসমূহৰ আপেক্ষিক গতি প্ৰতিফলিত কৰিবলৈ ডিজাইন কৰা এক নতুন গতিশীলতা মেট্ৰিকৰ ফাংচন হিচাপে উপস্থাপন কৰা হৈছে। তদুপৰি, অধিক বিশেষ প্ৰেক্ষাপটত প্ৰট কলসমূহ পৰীক্ষা কৰিবলৈ তিনিটা বাস্তৱিক দৃশ্যপট প্ৰৱৰ্তন কৰা হৈছে। বেছিভাগ চমুঅনুসৰণত সক্ৰিয় প্ৰট কল (এওডিভি আৰু ডিএছআৰ) এ ডিএছডিভিতকৈ যথেষ্ট ভাল প্ৰদৰ্শন কৰে। মধ্যমীয়া ট্ৰেফিক লোডত DSR এ AODV ৰ তুলনাত সকলো পৰীক্ষিত গতিশীলতা মানৰ বাবে ভাল প্ৰদৰ্শন কৰে, আনহাতে AODV এ DSR ৰ তুলনাত উচ্চ ট্ৰেফিক লোডত ভাল প্ৰদৰ্শন কৰে। শেষৰটো কাৰণ হৈছে ডিএছআৰ ডাটা পেকেটৰ উৎস পথ, যিয়ে নেটৱৰ্কত লোড বৃদ্ধি কৰে। ৰাউটাৰ আৰু হ ষ্ট, এইদৰেই এটা ন ডে আন ন ডৰ মাজত পেকেট ফৰৱাৰ্ড কৰিব পাৰে আৰু ব্যৱহাৰকাৰী এপ্লিকেচন চলাব পাৰে। ম বাইল এড-হক নেটৱৰ্কসমূহ শেহতীয়া গৱেষণা আৰু বিকাশৰ প্ৰচেষ্টাৰ কেন্দ্ৰবিন্দু হৈ আহিছে। এড-হক পেকেট ৰেডিঅ নেটৱৰ্কসমূহে এতিয়ালৈকে প্ৰধানতঃ সামৰিক প্ৰয়োগৰ প্ৰতি লক্ষ্য ৰাখিছে, য ত বিকেন্দ্ৰীকৃত নেটৱৰ্ক কনফিগাৰেশ্যন এটা কাৰ্যকৰী সুবিধা বা আনকি প্ৰয়োজনীয়তা। এড-হক কনফিগাৰেশ্যন ধাৰণাসমূহ ব্যৱহাৰ কৰা নেটৱৰ্কবোৰ বহুতো সামৰিক প্ৰয়োগত ব্যৱহাৰ কৰিব পাৰি, আন্তঃসংযোজিত বেতাৰ এক্সেছ পইণ্টৰ পৰা আৰম্ভ কৰি ব্যক্তিৰ দ্বাৰা বহন কৰা বেতাৰ ডিভাইচৰ নেটৱৰ্ক, উদাহৰণস্বৰূপে, ডিজিটেল মানচিত্ৰ, দেহত সংযুক্ত ছেন্সৰ, ভইচ যোগাযোগ ইত্যাদি। ব্ৰড ৰেঞ্জ আৰু শ্বৰ্ট ৰেঞ্জৰ এড হ ক নেটৱৰ্কৰ সংমিশ্ৰণে অভাৱনীয় পৰিচালনাৰ অৱস্থাতো শক্তিশালী, বিশ্বব্যাপী কভাৰেজ প্ৰদান কৰিবলৈ চেষ্টা কৰে। |
0f7329cf0d388d4c5d5b94ee52ad2385bd2383ce | চুপাৰভক্সেল ছেগমেণ্টেচনৰ প্ৰাথমিক ভিডিঅ বিশ্লেষণত অন্তৰ্ভুক্ত কৰাৰ প্ৰচুৰ সম্ভাৱনা আছে, যেনে চুপাৰপিক্সেল ছেগমেণ্টেচনৰ ইমেজ বিশ্লেষণত আছে। অৱশ্যে, বহুতো যুক্তিসংগত চুপাৰভক্সেল পদ্ধতি আছে আৰু প্ৰতিটো কেতিয়া আৰু ক ত আটাইতকৈ উপযুক্ত সেই বিষয়ে অলপ জ্ঞান আছে। আচলতে, আমি চুপাৰভক্সেল বিভাজনৰ ওপৰত এটাও তুলনামূলক অধ্যয়নৰ বিষয়ে নাজানো। সেই উদ্দেশ্যে, আমি সাতটা চুপাৰভক্সেল এলগৰিথম অধ্যয়ন কৰো, য ত অফলাইন আৰু ষ্ট্ৰিমিং পদ্ধতি দুয়োটা অন্তৰ্ভুক্ত থাকে, যিটো আমি ভাল চুপাৰভক্সেল বুলি বিবেচনা কৰোঃ যথা, স্পেচিয়েট ম্পৰেল ইউনিফৰ্ম, অবজেক্ট/ৰিজিঅন সীমা আৱিষ্কাৰ, অঞ্চল সংকোচন আৰু পাৰ্চিমনি। মূল্যায়নৰ বাবে আমি এই আকাংক্ষিত চুপাৰভক্সেল বৈশিষ্ট্যসমূহ জোখাৰ বাবে সাতটা গুণগত মানদণ্ডৰ এক বিস্তৃত স্যুটৰ প্ৰস্তাৱ দিছো। ইয়াৰ উপৰিও, আমি ভিডিঅ বিশ্লেষণত চুপাৰভক্সেলৰ পৰৱৰ্তী উচ্চ পৰ্যায়ৰ ব্যৱহাৰৰ বাবে প্ৰক্সি হিচাপে চুপাৰভক্সেল শ্ৰেণীবিভাজনৰ কামত পদ্ধতিবোৰ মূল্যায়ন কৰোঁ। আমি ৬টা ভিডিঅ ডাটা ছেট ব্যৱহাৰ কৰিছো য ত বিভিন্ন ধৰণৰ বিষয়বস্তু আৰু মানৱীয় টোকা আছে। আমাৰ অনুসন্ধানত আমি এই কথা নিশ্চিতভাৱে প্ৰমাণিত কৰিলো যে এই সাতটা পদ্ধতিৰ ভিতৰত শ্ৰেণীবদ্ধ গ্ৰাফ-ভিত্তিক (GBH), ওজনযুক্ত সংযোজন (SWA) আৰু ক্ষণিক চুপাৰপিক্সেল (TSP) পদ্ধতিৰ দ্বাৰা বিভাজন হৈছে সৰ্বাধিক কাৰ্যক্ষম পদ্ধতি। এই আটাইবোৰে বিভাজনৰ সঠিকতাৰ ক্ষেত্ৰত ভাল প্ৰদৰ্শন কৰে, কিন্তু আন আন প্ৰয়োজনীয় তথ্যৰ ক্ষেত্ৰত ভিন্ন হয়ঃ GBH-এ বস্তু সীমাবদ্ধতা ভালকৈ ধৰা পেলায়; SWA-এ অঞ্চল সংকোচনৰ বাবে সৰ্বশ্ৰেষ্ঠ সম্ভাৱনা আছে; আৰু TSP-এ সৰ্বশ্ৰেষ্ঠ উপ-বিভাজন ত্ৰুটি লাভ কৰে। |
50dea03d4feb1797f1d5c260736e1cf7ad6d45ca | আমি এটা দ্ৰুতগতিত বৃদ্ধি পোৱা ফাইব্ৰ এডেন মা ৰোগৰ ঘটনা প্ৰতিবেদন কৰিছো। ৰোগী এজনী ১৩ বছৰীয়া ছোৱালীয়ে বাম স্তনৰ ভৰিত হোৱা বিষৰ বাবে চিকিৎসালয়ৰ বাহিৰৰ ৰোগীৰ লগত পৰামৰ্শ লয়। ক্লিনিকেল পৰীক্ষাৰ দ্বাৰা ভৰিত ফাইব্ৰ এডেন মা বুলি চিনাক্ত কৰা হয় আৰু ৰোগীক ভালদৰে নিৰীক্ষণ কৰা হয়। প্ৰতিটো ঋতুস্ৰাৱৰ সৈতে ভৰটো দ্ৰুতভাৱে বৃদ্ধি পায় আৰু চাৰি মাহৰ পিছত ভলিউমত ৫০% বৃদ্ধি দেখুৱায়। লম্পেক্টমি কৰা হৈছিল। টিউমাৰটো হিষ্ট ল জিকভাৱে ফাইব্ৰ এডেন মা অৰ্গেনাইজড টাইপ হিচাপে চিনাক্ত কৰা হৈছিল আৰু বহুতো গ্লেণ্ডুলাৰ এপিথেলিয়াল কোষৰ নিউক্লিয়াত এণ্টি- ইষ্ট্ৰ জেন ৰিচেপ্টৰ এণ্টিবডীৰ বাবে ইতিবাচক ইমিউন হিষ্ট কেমিকেল ব্লেনিং আছিল। উপসংহাৰ টিউমাৰৰ ইষ্ট্ৰোজেন সংবেদনশীলতাই দ্ৰুত বিকাশৰ কাৰণ হ ব পাৰে। |
0674c1e2fd78925a1baa6a28216ee05ed7b48ba0 | প্ৰাক্। কম্পিউটাৰ ভিজন, কৰ্ফু (ছেপ্টেম্বৰ ১৯৯৯) ৰ আন্তৰ্জাতিক সন্মিলনত এক নতুন শ্ৰেণীৰ স্থানীয় ছবিৰ বৈশিষ্ট ব্যৱহাৰ কৰি এটা বস্তু চিনাক্তকৰণ প্ৰণালী বিকশিত কৰা হৈছে। বৈশিষ্ট্যসমূহ ছবিৰ স্কেলিং, অনুবাদ আৰু ঘূৰ্ণন আৰু আংশিকভাৱে আলোকসজ্জাৰ পৰিবৰ্তন আৰু এফাইন বা 3D প্ৰক্ষেপণৰ বাবে অবিচলিত। এই বৈশিষ্ট্যবোৰে নিম্নতম ত্ৰাণবিকৰ কোৰ্টেক্সৰ নিউৰনসমূহৰ সৈতে একে ধৰণৰ বৈশিষ্ট্য ভাগ কৰে যি প্ৰাইমেট দৃষ্টিত বস্তু চিনাক্তকৰণৰ বাবে ব্যৱহাৰ কৰা হয়। স্কেল স্পেচত স্থিৰ বিন্দু চিনাক্ত কৰা পৰ্যায়ক্ৰমে ফিল্টাৰিং পদ্ধতিৰ জৰিয়তে বৈশিষ্ট্যবোৰ দক্ষতাৰে চিনাক্ত কৰা হয়। ছবিৰ চাবিবোৰ সৃষ্টি কৰা হয় যি স্থানীয় জ্যামিতিক বিকৃতিৰ বাবে অনুমতি দিয়ে একাধিক অভিমুখী সমতল আৰু একাধিক স্কেলত অস্পষ্ট ছবিৰ ঢালবোৰ প্ৰতিনিধিত্ব কৰি। এই চাবিসমূহক নিকটতম-প্ৰতিবেশী সূচী পদ্ধতিৰ ইনপুট হিচাপে ব্যৱহাৰ কৰা হয় যিয়ে প্ৰাৰ্থী অবজেক্ট মেচসমূহ চিনাক্ত কৰে। প্ৰতিটো মিলৰ চূড়ান্ত প্ৰমাণীকৰণ অজ্ঞাত মডেল পাৰামিতিৰ বাবে নিম্ন-অৱশিষ্ট ক্ষুদ্ৰতম-চতুৰ্ভুজ সমাধান বিচাৰি উলিওৱাৰ দ্বাৰা প্ৰাপ্ত কৰা হয়। পৰীক্ষামূলক ফলাফলৰ পৰা দেখা গৈছে যে 2 ছেকেণ্ডৰ কম সময়ৰ গণনা সময়ৰে আংশিকভাৱে আচ্ছাদিত ছবিৰ সৈতে বস্তুৰ শক্তিশালী স্বীকৃতি প্ৰাপ্ত কৰিব পাৰি। |
bbb9c3119edd9daa414fd8f2df5072587bfa3462 | এই মুক্ত উৎসৰ কম্পিউটিং ফ্ৰেমৱৰ্কটোৱে নতুন এপ্লিকেশ্যনসমূহ মুকলি কৰিবলৈ ষ্ট্ৰীমিং, বেচ আৰু ইন্টাৰেক্টিভ বিগ ডাটা ৱৰ্কলোড একত্ৰিত কৰে। |
18ca2837d280a6b2250024b6b0e59345601064a7 | বিজ্ঞানৰ বহু ক্ষেত্ৰ অনুসন্ধানমূলক তথ্য বিশ্লেষণ আৰু দৃশ্যমানকৰণৰ ওপৰত নিৰ্ভৰ কৰে। বহু-পৰিৱৰ্তকযুক্ত তথ্যৰ বৃহৎ পৰিমাণৰ বিশ্লেষণৰ প্ৰয়োজনীয়তাই মাত্ৰা হ্ৰাসৰ মৌলিক সমস্যা উত্থাপন কৰেঃ উচ্চ-মাত্রিক তথ্যৰ কমপেক্ট প্ৰতিনিধিত্ব কেনেকৈ আৱিষ্কাৰ কৰিব পাৰি। ইয়াত আমি স্থানীয়ভাৱে ৰেখীয় এম্বেডিং (LLE) প্ৰৱৰ্তন কৰো, এটা নিৰীক্ষণহীন শিক্ষণ এলগৰিথম যি উচ্চ-মাত্রিক ইনপুটৰ নিম্ন-মাত্রিক, চুবুৰীয়া-সংৰক্ষণ এম্বেডিং গণনা কৰে। স্থানীয় মাত্ৰা হ্ৰাসৰ বাবে ক্লাষ্টাৰিং পদ্ধতিৰ বিপৰীতে, এল এল ইয়ে ইয়াৰ ইনপুটসমূহ নিম্ন মাত্ৰাৰ একক গোলকীয় সমন্বয় ব্যৱস্থাত মেপ কৰে, আৰু ইয়াৰ অপ্টিমাইজেশ্যনে স্থানীয় মিনিমা জড়িত নকৰে। ৰেখীয় পুনৰ্নিৰ্মাণৰ স্থানীয় সমতুল্যতা ব্যৱহাৰ কৰি, এল এল ই অ-ৰেখীয় ম্যানিফ ল্ডৰ গোলকীয় গাঁথনি শিকিবলৈ সক্ষম হয়, যেনে মুখৰ ছবি বা পাঠৰ নথিৰ দ্বাৰা উৎপন্ন কৰা। |
a3bfe87159938a96d3f2037ff0fe10adca0d21b0 | য ত অধিক সংখ্যক ছফ্টৱেৰ মডিউল আৰু বাহ্যিক ইণ্টাৰফেচ বাহনসমূহত সংযোজন কৰা হৈছে, তাত নতুন আক্ৰমণ আৰু দুৰ্বলতা উদ্ভৱ হৈছে। গৱেষকসকলে দেখুৱাইছে যে কেনেকৈ বাহনৰ ইলেক্ট্ৰনিক কন্ট্ৰ ল ইউনিট (ইচিইউ) ৰ সৈতে আপোচ কৰি বাহনখনৰ গতি নিয়ন্ত্ৰণ কৰিব পাৰি। এই দুৰ্বলতাসমূহ প্ৰতিৰোধ কৰিবলৈ, বিভিন্ন ধৰণৰ প্ৰতিৰক্ষা ব্যৱস্থা প্ৰস্তাৱ কৰা হৈছে, কিন্তু ই বাহন-ভিত্তিক নেটৱৰ্ক আক্ৰমণৰ বিৰুদ্ধে সুৰক্ষাৰ বাবে গুৰুত্বপূৰ্ণ ইচিউৰ বাবে শক্তিশালী সুৰক্ষাৰ প্ৰয়োজনীয়তা পূৰণ কৰিবলৈ সক্ষম হোৱা নাই। এই অভাৱ দূৰ কৰিবলৈ আমি এটা অনিয়ম-ভিত্তিক অনুপ্ৰৱেশ চিনাক্তকৰণ ব্যৱস্থা (আইডিএছ) প্ৰস্তাৱ দিছো, যাক ঘড়ী-ভিত্তিক আইডিএছ (চিআইডিএছ) বুলি কোৱা হয়। ই ইকুইৰ আঙুলিৰ ছাপ ল বলৈ বাহনত থকা বাৰ্তাসমূহৰ অন্তৰালসমূহ জোখে আৰু তাৰ পিছত ব্যৱহাৰ কৰে। এই ধৰণৰ আঙুলিৰ ছাপবোৰ ইয়াৰ পিছত ৰিচিভ লষ্ট স্কোৱেয়াৰ (RLS) এলগৰিথমৰ সৈতে ECUs ঘড়ীৰ আচৰণৰ এক বেছলাইন নিৰ্মাণ কৰিবলৈ ব্যৱহাৰ কৰা হয়। এই বেছলাইন ভিত্তিত, চিআইডিএছে পৰিচয়ৰ ভুলৰ কোনো অস্বাভাৱিক স্থানান্তৰ চিনাক্ত কৰিবলৈ ক মুলেটিভ ছাম (CUSUM) ব্যৱহাৰ কৰে- ই এক স্পষ্ট প্ৰৱেশৰ চিন। ইয়ে বাহন নেটৱৰ্কত হোৱা অনুপ্ৰৱেশৰ দ্ৰুত চিনাক্তকৰণৰ অনুমতি দিয়ে, য ত মিছা-পজিটিভৰ হাৰ হ ল ০.০৫৫%। অত্যাধুনিক আইডিএছৰ বিপৰীতে, যদি এটা আক্ৰমণ ধৰা পৰে, চিআইডিএছএ ৰ ইচিউৰ আঙুলিৰ ছাপে মূল কাৰণ বিশ্লেষণো সহজ কৰে; আক্ৰমণটো কোন ইচিউয়ে চলাইছে সেয়া চিনাক্ত কৰা। CAN বাছ প্ৰট টাইপ আৰু বাস্তৱ যান-বাহনত কৰা আমাৰ পৰীক্ষাত দেখা গৈছে যে CIDS এ যান-বাহনত চলা নেটৱৰ্ক আক্ৰমণৰ বিস্তৃত পৰিসৰ চিনাক্ত কৰিবলৈ সক্ষম। |
c567bdc35a40e568e0661446ac4f9b397787e40d | অতি কম শক্তিৰ ৱায়াৰলেচ ছেন্সৰ নডৰ বাবে এটা ২.৪ গিগাহাৰ্জ এন্টাৰফেৰাৰ-ৰেজিষ্টেন্ট ৱেক-আপ ৰিচিভাৰ এটা অনিশ্চিত-আইএফ ডুৱেলকনভাৰ্ছন টোপ লজি ব্যৱহাৰ কৰে, যি এটা বিতৰণিত বহু-পৰ্যায়ৰ এন-পথ ফিল্টাৰিং প্ৰণালী আৰু এটা আনলকড নিম্ন-কিউ ৰিজোনাৰ-ৰেফাৰ্ড স্থানীয় অ চিলটৰ সংমিশ্ৰণ কৰে। এই গাঁথনিয়ে সংকীৰ্ণ-বেণ্ড নিৰ্বাচনশীলতাৰ আৰু বিঘ্নকৰকৰ বিৰুদ্ধে শক্তিশালী প্ৰতিৰোধ ক্ষমতা প্ৰদান কৰে, একে সময়তে ব্যয়বহুল বাহ্যিক ৰিজোনেণ্ট উপাদান যেনে BAW ৰিজোনেটৰ বা স্ফটিকৰ পৰা আঁতৰি থাকে। ৬৫ এনএম চিএমঅ এচ ৰিচিভাৰ প্ৰ টোটাইপে ৫ মেগাহাৰ্টজ অফছেটত -৯৭ ডিবিএম সংবেদনশীলতা আৰু কাৰেয়াৰ-টু-ইণ্টাৰফেৰাৰ অনুপাত ২৭ ডিবিতকৈ ভাল প্ৰদান কৰে, ১০-৩ বিট ত্ৰুটি হাৰত ১০ কেবিপিএচ ডেটা ৰেট, একে সময়তে অবিৰত কামৰ অধীনত ০.৫ ভি ভল্টেজ যোগানৰ পৰা ৯৯ এমকেডব্লিউ ব্যৱহাৰ কৰে। |
703244978b61a709e0ba52f5450083f31e3345ec | এই গ্ৰন্থখনত লেখকে সাতটা শিক্ষাৰ সাধাৰণ নীতিৰ বিষয়ে উল্লেখ কৰিছে, যিবোৰ গৱেষণা সাহিত্যৰ পৰা আৰু কলেজ শিক্ষকসকলৰ সৈতে এক-এজনৰ কাম কৰাৰ ২৭ বছৰীয়া অভিজ্ঞতাৰ পৰা সংগ্ৰহ কৰা হৈছে। তেওঁলোকে বিভিন্ন দৃষ্টিকোণৰ পৰা গৱেষণাৰ ওপৰত আধাৰিত কৰিছে (জ্ঞান, বিকাশ আৰু সামাজিক মনোবিজ্ঞান; শৈক্ষিক গৱেষণা; নৃতত্ত্ব; জনগাঁথনি আৰু সাংগঠনিক আচৰণ) শিকাৰ অন্তৰ্গত এক মূল নীতিৰ সংহতি চিনাক্ত কৰিবলৈ- কাৰ্যকৰী সংগঠনে কেনেকৈ তথ্যৰ আহৰণ আৰু ব্যৱহাৰৰ ক্ষেত্ৰত প্ৰভাৱ পেলায় তাৰ পৰা কিদৰে অনুপ্ৰেৰণা প্ৰভাৱিত কৰে। এই নীতিসমূহে শিক্ষকে ছাত্ৰ-ছাত্ৰীৰ শিক্ষণৰ বিষয়ে এক ধাৰণা প্ৰদান কৰে যি তেওঁলোকক বুজিবলৈ সহায় কৰে যে কিয় কিছুমান শিক্ষণ পদ্ধতিয়ে ছাত্ৰ-ছাত্ৰীৰ শিক্ষণক সমৰ্থন কৰে বা নকৰে, শিক্ষণ পদ্ধতি আৰু কৌশল সৃষ্টি বা পৰিমাৰ্জন কৰে যি নিৰ্দিষ্ট প্ৰেক্ষাপটত ছাত্ৰ-ছাত্ৰীৰ শিক্ষণক অধিক কাৰ্যকৰীভাৱে উত্সাহিত কৰে, আৰু এই নীতিসমূহ নতুন পাঠ্যক্ৰমলৈ স্থানান্তৰ আৰু প্ৰয়োগ কৰে। |
52a345a29267107f92aec9260b6f8e8222305039 | এই প্ৰবন্ধটো Bianchini et al ৰ Inside PageRank প্ৰবন্ধৰ সংগী বা সম্প্ৰসাৰণ হিচাপে কাম কৰে। [19] ই পেজ ৰেংক সম্পৰ্কীয় সকলো বিষয়ৰ এক বিস্তৃত সমীক্ষা, ইয়াত মৌলিক পেজ ৰেংক মডেল, উপলব্ধ আৰু পৰামৰ্শ দিয়া সমাধান পদ্ধতি, সঞ্চয়ৰ সমস্যা, অস্তিত্ব, অনন্যতা, আৰু সন্মিলন বৈশিষ্ট্য, মৌলিক মডেলৰ সম্ভাৱ্য সালসলনি, পৰম্পৰাগত সমাধান পদ্ধতিৰ বিকল্পৰ পৰামৰ্শ, সংবেদনশীলতা আৰু কণ্ডিচনিং, আৰু শেষত আপডেট কৰা সমস্যা সামৰি লোৱা হৈছে। আমি কেইটামান নতুন ফলাফলৰ বিষয়ে উল্লেখ কৰিছো, বিস্তৃত তথ্যসূত্ৰ আগবঢ়াইছো আৰু ভৱিষ্যতৰ গৱেষণাৰ উত্তেজনাপূৰ্ণ ক্ষেত্ৰসমূহৰ বিষয়ে কল্পনা কৰিছো। |
0e5c8094d3da52340b58761d441eb809ff96743f | 1, অংশ 2 বিষয় এই প্ৰবন্ধত আমি নতুনকৈ প্ৰৱৰ্তন কৰা বিতৰণিত সক্ৰিয় ট্ৰেন্সফৰ্মাৰ (ডিএটি) গাঁথনিৰ কাৰ্যক্ষমতা চিপত থকা পাৰ্থক্য-পৰিৱৰ্তন পদ্ধতিৰ সৈতে তুলনা কৰো। মানক চিলেকচন প্ৰক্ৰিয়া প্ৰযুক্তিৰ উচ্চ ক্ষমতা সম্পন্ন সম্পূৰ্ণ সংহত এম্প্লিফায়াৰ ডিজাইনৰ ক্ষেত্ৰত তেওঁলোকৰ মৌলিক শক্তি-দক্ষতা সীমাবদ্ধতা বিশ্লেষণ কৰা হৈছে। DAT এটা কাৰ্যকৰী প্ৰতিৰোধ-পৰিৱৰ্তন আৰু শক্তি-সংমিশ্ৰণ পদ্ধতি হিচাপে প্ৰমাণিত হৈছে, যিয়ে চৌম্বকীয় সংযোজনৰ দ্বাৰা কেইবাটাও নিম্ন-ভোল্টেজৰ পুছ-পুল এম্প্লিফায়াৰক ধাৰাবাহিকভাৱে সংযুক্ত কৰে। নতুন ধাৰণাৰ বৈধতা প্ৰদৰ্শন কৰিবলৈ, এটা 2.4-GHz 1.9-W 2-V সম্পূৰ্ণ সংহত শক্তি-এম্প্লিফায়াৰ 50 ইনপুট আৰু আউটপুট মেচিংৰ সৈতে 41% শক্তি-সংযোজন দক্ষতা অৰ্জন কৰা 0.35-μm CMOS ট্ৰানজিষ্টৰ ব্যৱহাৰ কৰি নিৰ্মিত হৈছে আইটেম প্ৰকাৰঃ প্ৰবন্ধ অতিৰিক্ত তথ্যঃ © Copyright 2002 IEEE। অনুমতি সাপেক্ষে পুনৰ প্ৰকাশ কৰা হৈছে। পাণ্ডুলিপি ২৭ মে ২০০১ তাৰিখে প্ৰাপ্ত [অনলাইনঃ ২০০২-০৮-০৭] এই কামটো ইন্টেল কৰ্পোৰেচন, আৰ্মি ৰিচাৰ্ছ অফিচ, জেট প্ৰপালচন লেবৰেটৰী, ইনফিনিয়ন আৰু নেশ্যনেল ছায়েন্স ফাউণ্ডেচনৰ দ্বাৰা সমৰ্থিত হৈছিল। লেখকসকলে চিপ নিৰ্মাণৰ বাবে কনেক্সান্ট ছিষ্টেমছক ধন্যবাদ জনায়, বিশেষকৈ আৰ মেগুন, এফ ইনটভেল্ড, জে পাওয়েল, এ ভ আৰু কে মোয়ে। কে. পটাৰ, ডি. হ্যাম আৰু এইচ. ৱু, সকলোৱে কেলিফৰ্ণিয়া ইনষ্টিটিউট অৱ টেকন লজি (কেলটেক), পাছাদিনা, তেওঁলোকৰ সহায়ৰ বাবে বিশেষ ধন্যবাদৰ যোগ্য। এজিলেন্ট টেকন লজিছ আৰু ছনেট ছফ্টৱেৰ ইনক, লিভাৰপুল, এনৱাইৰ পৰা CAD সঁজুলিৰ কাৰিকৰী সহায়ক প্ৰশংসা কৰা হয়। ছিলিকন-ভিত্তিক আৰএফ আৰু মাইক্ৰ ৱেভ ইণ্টিগ্ৰেটেড চিৰকিটসমূহৰ বিশেষ সংখ্যা, আইইইই লেনদেনসমূহ মাইক্ৰ ৱেভ তত্ত্ব আৰু কৌশলসমূহ, খণ্ড ৫০, নহয়। |
14fae9835ae65adfdc434b7b7e761487e7a9548f | এটা ৰেডিয়েল পাৱাৰ কম্বিনেটৰ বৃহৎ সংখ্যক পাৱাৰ এম্প্লিফায়াৰক একত্ৰিত কৰাত অতি কাৰ্যকৰী হয়, য ত উচ্চ কাৰ্যক্ষমতা (৯০% তকৈ অধিক) তুলনামূলকভাৱে বহল বেণ্ডত প্ৰাপ্ত কৰিব পাৰি। অৱশ্যে, ইয়াৰ ডিজাইনৰ জটিলতাৰ বাবে ইয়াৰ বৰ্তমানৰ ব্যৱহাৰ সীমিত। এই প্ৰবন্ধত, আমি এটা পৰ্যায়ক্ৰমে পৰ্যায়ক্ৰমে পৰিকল্পনা প্ৰক্ৰিয়া বিকাশ কৰো, য ত প্ৰাৰম্ভিক আনুমানিক পৰিকল্পনা সূত্ৰ আৰু চূড়ান্ত সঠিক পৰিকল্পনা অপ্টিমাইজেশ্যনৰ উদ্দেশ্যে উপযুক্ত মডেল দুয়োটা অন্তৰ্ভুক্ত কৰা হৈছে। ত্ৰিমাত্ৰিক বৈদ্যুতিক চুম্বকীয় মডেলিংৰ ভিত্তিত, পূৰ্বানুমান কৰা ফলাফলসমূহ জোখা ফলাফলসমূহৰ সৈতে উৎকৃষ্টভাৱে একমত আছিল। ৰেডিয়াল-কম্বাইনাৰৰ কাৰ্য্যক্ষমতা, ইয়াৰ সৌন্দৰ্যপূৰ্ণ অৱনতি, আৰু উচ্চ আদেশৰ পেকেট ৰিজ নান্সৰ প্ৰভাৱসমূহৰ সৈতে সম্পৰ্কিত ব্যৱহাৰিক সমস্যাসমূহ ইয়াত বিশদভাৱে আলোচনা কৰা হৈছে |
47fdb5ec9522019ef7e580d59c262b3dc9519b26 | মাইক্ৰ ষ্ট্ৰীপ চ ণ্ড আৰু ডব্লিউ আৰ-৪৩০ আৰ্হিৰ ৱেভগাইড ব্যৱহাৰ কৰি ১ঃ৪ শক্তি বিভাজকৰ সফল প্ৰদৰ্শন কৰা হৈছে। অপ্টিমাইজড নকৰা গাঁথনিৰ ১৫ ডিবি ৰিটাৰ্ণ লষ্ট বেণ্ডউইডথ ২২% আৰু ইয়াৰ ০.৫ ডিবি ইনচাৰ্ছ লষ্ট বেণ্ডউইডথ ২৬% বুলি প্ৰমাণিত হৈছে। যদিও পৰম্পৰাগত মেচিনেশ্যনৰ জৰিয়তে উপলব্ধ, এনে এটা গাঁথনি মিলিমিটাৰ আৰু ছাব-মিলিমিটাৰ-ৱেভ মাইক্ৰ মেচিনেশ্যন প্ৰযুক্তিৰ সৈতে সামঞ্জস্যপূৰ্ণভাৱে একত্ৰিত কৰা হয়। এইদৰেই, এই গাঁথনিয়ে এটা সম্ভাৱ্য শক্তি বিভাজন আৰু শক্তি সংমিশ্ৰণ আৰ্হি প্ৰদৰ্শন কৰে, যিটো মাইক্ৰ মেচিনিঙৰ জৰিয়তে, 100GHz ৰ ওপৰৰ এপ্লিকেচনৰ বাবে ব্যৱহাৰ কৰিব পাৰি। |
68218edaf08484871258387e95161a3ce0e6fe67 | এটা আঠ ডিভাইচ কে-বেণ্ড ছলিড ষ্টেট পাৱাৰ এম্প্লিফায়াৰ ডিজাইন কৰা হৈছে আৰু ভ্ৰমণ-তরঙ্গ শক্তি-বিভাজন/সমন্বয় প্ৰণালী ব্যৱহাৰ কৰি নিৰ্মাণ কৰা হৈছে। এই ডিজাইনত ব্যৱহৃত নিম্ন-প্ৰোফাইল স্লটযুক্ত ৱেভগাইড গঠনটোৱে কেৱল এটা বহল বেণ্ডউইড্থত উচ্চ শক্তি-সমন্বয় দক্ষতা প্ৰদান নকৰে, বৰং সক্ৰিয় ডিভাইচসমূহৰ বাবে দক্ষ তাপ ছিঙ্কো প্ৰদান কৰে। আঠটা ডিভাইচৰ শক্তি বৰ্ধকটোৰ পৰিমাপ কৰা সৰ্বোচ্চ ক্ষুদ্ৰ সংকেত লাভটো ৩.২ গিগাহাৰ্টছৰ ৩-ডিবি বেণ্ডউইডথৰ সৈতে ৩৪ গিগাহাৰ্টছত ১৯.৪ ডিবি (f/sub L/=৩১.৮ গিগাহাৰ্টছ, f/sub H/=৩৫ গিগাহাৰ্টছ) । ১-ডিবি সংকোচনৰ ক্ষেত্ৰত (পি/ছাব আউট/১ ডিবি) পাৱাৰ এম্প্লিফায়াৰৰ পৰা পৰিমাপ কৰা সৰ্বাধিক আউটপুট পাৱাৰ ৩২.২ গিগাহাৰ্টছত ৩৩ ডিবিএম (/স্প্লীম/২ ৱট) হয়, যাৰ শক্তি-সমন্বয়ৰ দক্ষতা ৮০% হয়। তদুপৰি, ডিভাইচৰ বিফলতাৰ বাবে এই পাৱাৰ এম্প্লিফায়াৰৰ প্ৰদৰ্শন হ্ৰাসক অনুকৰণ আৰু জোখ কৰা হৈছে। |
db884813d6d764aea836c44f46604128735bffe0 | উচ্চ শক্তি, বহল বেণ্ডউইথ, উচ্চ ৰেখামূলকতা, আৰু কম শব্দ হৈছে এম্প্লিফায়াৰ ডিজাইনৰ আটাইতকৈ গুৰুত্বপূৰ্ণ বৈশিষ্ট্যসমূহৰ ভিতৰত। ব্ৰডবেণ্ড স্পেচিয়েল পাৱাৰ-কম্বাইনিং টেকনিকটোৱে এই সকলোবোৰ সমস্যা সমাধান কৰে, যিটো ব্ৰডবেণ্ড সমাক্ষ তৰংগ পৰিচালিত পৰিবেশত বৃহৎ সংখ্যক মাইক্ৰ ৱেভ একক একত্ৰিত চক্ৰ (MMIC) এম্প্লিফায়াৰৰ আউটপুট পাৱাৰক সংযুক্ত কৰি, ভাল ৰেখামুখীতা বজাই ৰাখি আৰু MMIC এম্প্লিফায়াৰৰ পৰ্যায়ৰ শব্দ উন্নত কৰি। এটা সম-অক্ষীয় ৱেভগাইডক সংমিশ্ৰণ চক্ৰৰ আয়োজক হিচাপে ব্যৱহাৰ কৰা হৈছিল যাতে প্ৰতিটো উপাদানলৈ ইনপুট শক্তি সমানভাৱে বিতৰণ কৰি বৃহত্তৰ বেণ্ডউইথ আৰু ভাল একত্ৰীকৰণ সম্ভৱ হয়। এটা নতুন কমপেক্ট সমাক্ষ সংমিশ্ৰণকাৰীৰ বিষয়ে গৱেষণা কৰা হৈছে যাৰ আকাৰ বহু কম। বাণিজ্যিক এম এম আই চি এম্প্লিফায়াৰৰ সৈতে ভাল সামঞ্জস্যৰ বাবে ব্ৰডবেণ্ড-স্লটলাইন-ৰ পৰা মাইক্ৰ ষ্ট্ৰীপ-লাইনলৈ পৰিৱৰ্তন একত্ৰিত কৰা হৈছে। তাপীয় অনুকৰণ কৰা হয় আৰু পূৰ্বৰ ডিজাইনৰ তুলনাত উন্নত তাপীয় ব্যৱস্থাপনা আঁচনি ব্যৱহাৰ কৰা হয় উচ্চ ক্ষমতা প্ৰয়োগত তাপৰ নিগমন উন্নত কৰিবলৈ। কমপেক্ট কম্বিনেটৰ ডিজাইন ব্যৱহাৰ কৰি এটা উচ্চ-ক্ষমতাসম্পন্ন এম্প্লিফায়াৰ নিৰ্মাণ কৰা হৈছে আৰু ৪৪-W সৰ্বাধিক আউটপুট শক্তিৰ সৈতে ৬ৰ পৰা ১৭ গিগাহাৰ্টছৰ বেণ্ডউইডথ থকাটো প্ৰমাণিত হৈছে। ৰেখাপাতিকতা জোখাৰ ফলত উচ্চ তৃতীয়-শ্ৰেণীৰ ছেদ বিন্দু ৫২ ডিচিএম দেখিবলৈ পোৱা গৈছে। বিশ্লেষণে দেখুৱাইছে যে এম্প্লিফায়াৰটোৱে স্প ৰয়ছ-মুক্ত গতিশীল পৰিসৰ ২-৩ গুণ বৃদ্ধি কৰিব পাৰে। এম্প্লিফায়াৰেও কাৰেয়াৰৰ পৰা ১০ কিল হাৰ্জ অফছেটত ১৪০ ডিবিচিৰ ওচৰৰ অৱশিষ্ট ফেজ তলটো দেখুৱাইছে যিটো ই একত্ৰিত কৰা একক এমএমআইচি এম্প্লিফায়াৰৰ তুলনাত ৫-৬ ডিবি হ্ৰাসৰ সৈতে। |
e73ee8174589e9326d3b36484f1b95685cb1ca42 | আগন্তুক পঞ্চম প্ৰজন্মৰ চেলুলাৰ যোগাযোগৰ বাবে প্ৰথমবিধ ২৮ গিগাহৰ্টছ এণ্টেনা সমাধানৰ বিষয়ে বিশদভাৱে উপস্থাপন কৰা হৈছে। বিস্তৃত পৰিমাপ আৰু অনুকৰণত প্ৰস্তাৱিত ২৮ গিগাহৰ্টছ এণ্টেনা সমাধানটো বাস্তৱিক প্ৰজনন পৰিবেশত কাৰ্যকৰী হোৱা চেলুলাৰ হেণ্ডছেটৰ বাবে অতি কাৰ্যকৰী বুলি প্ৰমাণিত হৈছে। |
4e85503ef0e1559bc197bd9de0625b3792dcaa9b | নেটৱৰ্ক-ভিত্তিক আক্ৰমণ সাধাৰণ আৰু জটিল হৈ পৰিছে। এই কাৰণতে, অনুপ্ৰৱেশ চিনাক্তকৰণ ব্যৱস্থাই এতিয়া তেওঁলোকৰ মনোযোগ হ ষ্ট আৰু তেওঁলোকৰ অপাৰেটিং চিষ্টেমৰ পৰা নেটৱৰ্কলৈ স্থানান্তৰিত কৰিছে। নেটৱৰ্ক-ভিত্তিক অনুপ্ৰৱেশ চিনাক্তকৰণ প্ৰত্যাহ্বানজনক কাৰণ নেটৱৰ্ক অডিটিংয়ে বৃহৎ পৰিমাণৰ তথ্য উৎপন্ন কৰে আৰু এটা অনুপ্ৰৱেশৰ সৈতে সম্পৰ্কিত বিভিন্ন ঘটনা নেটৱৰ্কৰ বিভিন্ন স্থানত দৃশ্যমান হ ব পাৰে। এই প্ৰবন্ধত নেটৱৰ্ক ইণ্টাৰভিউ চিনাক্তকৰণৰ বাবে এক নতুন পদ্ধতি নেটষ্ট্যাটৰ বিষয়ে আলোচনা কৰা হৈছে। নেটৱৰ্ক আৰু আক্ৰমণ দুয়োটাৰ এটা আনুষ্ঠানিক মডেল ব্যৱহাৰ কৰি, নেটষ্টেটে নিৰ্ধাৰণ কৰিব পাৰে কোনটো নেটৱৰ্ক ইভেন্ট নিৰীক্ষণ কৰিব লাগিব আৰু ক ত নিৰীক্ষণ কৰিব পাৰি। |
818c13721db30a435044b37014fe7077e5a8a587 | বৃহৎ ক্লাষ্টাৰত ব্যাপক ডাটা বিশ্লেষণে কোৱাৰী অপ্টিমাইজেশ্যনৰ বাবে নতুন সুযোগ আৰু প্ৰত্যাহ্বান উপস্থাপন কৰে। এই পৰিৱেশত কাৰ্যক্ষমতাৰ বাবে তথ্য বিভাজন গুৰুত্বপূৰ্ণ। অৱশ্যে, ডাটা পুনৰ ভাগ কৰা এটা অতি ব্যয়বহুল কাৰ্য্য, সেয়ে এনে কাৰ্য্যসমূহৰ সংখ্যা হ্ৰাস কৰিলে প্ৰদৰ্শনত যথেষ্ট উন্নতি হ ব পাৰে। এই পৰিৱেশৰ বাবে এটা কোৱাৰী অপ্টিমাইজাৰে সেয়ে ছাৰ্টিং আৰু গ্ৰুপিংৰ সৈতে ইয়াৰ আন্তঃক্ৰিয়াকে ধৰি ডাটা পাৰ্টিশ্যন কৰাৰ বিষয়ে যুক্তি দিব পাৰিব লাগিব। স্ক প হৈছে মাইক্ৰচফটত ব্যাপক তথ্য বিশ্লেষণৰ বাবে ব্যৱহৃত এটা এছ.কিউ.এল.ৰ দৰে স্ক্ৰীপ্টিং ভাষা। এটা ৰূপান্তৰ-ভিত্তিক অপ্টিমাইজাৰে স্ক্ৰীপ্তসমূহক ক ছম ছ বিতৰণ কম্পিউটিং প্লেটফৰ্মৰ বাবে দক্ষ কাৰ্যকৰী পৰিকল্পনাৰ ৰূপান্তৰ কৰাৰ বাবে দায়ী। এই প্ৰবন্ধত আমি বৰ্ণনা কৰিম যে কেনেকৈ ডাটা পাৰ্টিচনিংৰ বিষয়ে যুক্তি SCOPE অপ্টিমাইজাৰত অন্তৰ্ভুক্ত কৰা হয়। আমি দেখুৱাম যে সম্পৰ্কীয় অপাৰেটৰবোৰে বিভাজন, ক্ৰমবিন্যাস আৰু গোটৰ বৈশিষ্টবোৰ কেনেকৈ প্ৰভাৱিত কৰে আৰু অপ্টিমাইজাৰে কেনেকৈ যুক্তিৰ বিষয়ে আৰু অপ্ৰয়োজনীয় কাৰ্য্য এৰাই চলিবলৈ এনে সম্পত্তিসমূহৰ শোষণ কৰে। বেছিভাগ অপ্টিমাইজাৰত, সমান্তৰাল পৰিকল্পনাৰ বিবেচনা এটা পৰৱৰ্তী প্ৰক্ৰিয়াকৰণ পদক্ষেপত কৰা এটা পৰৱৰ্তী চিন্তা। বিভাজনৰ বিষয়ে যুক্তি প্ৰদানে SCOPE অপ্টিমাইজাৰে সমান্তৰাল, ধাৰাবাহিক আৰু মিশ্ৰিত পৰিকল্পনাৰ বিবেচনা ব্যয়-ভিত্তিক অপ্টিমাইজেশ্যনত সম্পূৰ্ণৰূপে একত্ৰিত কৰিবলৈ সক্ষম কৰে। আমাৰ পদ্ধতিৰ দ্বাৰা বিভিন্ন ধৰণৰ পৰিকল্পনা সম্ভৱপৰ কৰি তোলা হৈছে। |
8420f2f686890d9675538ec831dbb43568af1cb3 | ৰোমান লিপিৰে লিখা হিংলিছ পাঠৰ অনুভূতিগত ধ্ৰুৱতা নিৰ্ণয় কৰিবলৈ, আমি বৈশিষ্ট্য নিৰ্বাচন পদ্ধতিৰ বিভিন্ন সংমিশ্ৰণ আৰু শব্দ প্ৰাৱণতা-বিপৰীত নথি প্ৰাৱণতা বৈশিষ্ট্য প্ৰতিনিধিত্ব ব্যৱহাৰ কৰি শ্ৰেণীবিভাগকৰ এক বৃহৎ সংখ্যক পৰীক্ষা কৰিছিলো। আমি মুঠতে ৮৪০টা পৰীক্ষা সম্পন্ন কৰিছিলো যাতে হিংলিচ ভাষাত লিখা বাতৰি আৰু ফেচবুকৰ মন্তব্যত প্ৰকাশিত অনুভূতিৰ শ্ৰেণীবিভাজন কৰিব পৰা যায়। আমি সিদ্ধান্ত ল লো যে শব্দৰ ফ্ৰিক্বেঞ্চ-ইনভাৰ্ছ নথি ফ্ৰিক্বেঞ্চ-ভিত্তিক বৈশিষ্ট্য প্ৰতিনিধিত্ব, লাভ অনুপাত ভিত্তিক বৈশিষ্ট্য নিৰ্বাচন, আৰু ৰেডিয়াল বেজ ফাংচন নিউৰেল নেটৱৰ্ক হিংলিচ পাঠত প্ৰকাশিত অনুভূতি শ্ৰেণীবদ্ধ কৰিবলৈ শ্ৰেষ্ঠ সংমিশ্ৰণ। |
c97ebb60531a86bea516d3582758a45ba494de10 | IEEE বুদ্ধিমান পৰিবহণ ব্যৱস্থা সমাজ আৰু সৰ্বব্যাপী কম্পিউটিং গৱেষণা সম্প্ৰদায়ৰ মাজত ঘনিষ্ঠ সহযোগিতাক প্ৰোৎসাহিত কৰিবলৈ, লেখকসকলে ITS সমাজৰ পৰিচয় দিয়ে আৰু ITS সমাজৰ গৱেষকসকলে কাম কৰি থকা কেইবাটাও সৰ্বব্যাপী কম্পিউটিং সম্পৰ্কীয় গৱেষণা বিষয় উপস্থাপন কৰে। এই বিভাগটো বুদ্ধিমান পৰিবহণৰ বিশেষ সংখ্যাৰ অংশ। |
e91196c1d0234da60314945c4812eda631004d8f | আমি ভাষা শিকাৰ বাবে এক আন্তঃক্ৰিয়াশীল বহুমুখী কাঠামো প্ৰস্তাৱ কৰিছো। প্ৰাকৃতিক পাঠৰ বৃহৎ পৰিমাণৰ সৈতে নিষ্ক্ৰিয়ভাৱে সংস্পৰ্শিত হোৱাৰ পৰিৱৰ্তে, আমাৰ শিক্ষাৰ্থীসকলে (ফিড-ফৰৱাৰ্ড নিউৰেল নেটৱৰ্ক হিচাপে প্ৰয়োগ কৰা) এটা টেবুলা ৰাছা ছেটআপৰ পৰা আৰম্ভ কৰি সহযোগিতামূলক প্ৰসংগমূলক খেলত জড়িত হয়, আৰু এইদৰেই খেলত সফল হ বলৈ তেওঁলোকৰ নিজৰ ভাষাৰ বিকাশ হয়। প্ৰাৰম্ভিক পৰীক্ষাসমূহে আশাব্যঞ্জক ফলাফল প্ৰদান কৰে, কিন্তু এইটোও পৰামৰ্শ দিয়ে যে এই পদ্ধতিত প্ৰশিক্ষিত এজেন্টসকলে কেৱল তেওঁলোকে খেলি থকা খেলৰ বাবে কাৰ্যকৰী হোৱা এটা এডহক যোগাযোগ কোড বিকাশ নকৰে। |
500b7d63e64e13fa47934ec9ad20fcfe0d4c17a7 | ত্ৰিমাত্ৰিক (3D) এলটিচিচি-ভিত্তিক চিপি প্ৰয়োগৰ উচ্চ একত্ৰীকৰণ ঘনত্বৰ বাবে শেহতীয়াকৈ উচ্চ-প্ৰৱণতা সংকেতৰ সময় নিয়ন্ত্ৰণৰ তীব্ৰ চাহিদা আছে। গতিকে, স্কিউ বা টাইমিং লেটেজ নিয়ন্ত্ৰণ কৰিবলৈ, নতুন 3D লেটেজ লাইন প্ৰস্তাৱ কৰা হ ব। সংকেতৰ ভাঁজৰ দুৰ্বলতাৰ বাবে আমি সম-অক্ষীয় ৰেখাৰ ধাৰণা গ্ৰহণ কৰো আৰু কুৱছিয়েল গ্ৰাউণ্ড (QCOX-GND) ভাঁজৰ সৈতে এটা উন্নত সংকেত-ৰূপৰ প্ৰস্তাৱ দিছো। আমি ই এম আৰু চাৰ্কিট ছিমুলেটৰ ব্যৱহাৰ কৰি অনুকৰণ কৰা ফলাফল দেখুৱাম। |
1a07186bc10592f0330655519ad91652125cd907 | আমি এটা একক কোৱলশ্যনেল নিউৰেল নেটৱৰ্ক স্থাপত্যৰ বৰ্ণনা দিছো যিয়ে এটা বাক্য প্ৰদান কৰি, ভাষাৰ প্ৰক্ৰিয়াকৰণৰ ভৱিষ্যদ্বাণীসমূহৰ এটা সমষ্টি আউটপুট কৰেঃ অংশ-অফ-স্পীচ টেগ, খণ্ড, নামযুক্ত সত্তা টেগ, অৰ্থগত ভূমিকা, অৰ্থগতভাৱে একে ধৰণৰ শব্দ আৰু এটা ভাষাৰ মডেল ব্যৱহাৰ কৰি বাক্যটো অৰ্থপূৰ্ণ হোৱাৰ সম্ভাৱনা (ব্যাকৰণগত আৰু অৰ্থগতভাৱে) । গোটেই নেটৱৰ্কটোকে এই সকলো কামৰ বাবে একেলগে প্ৰশিক্ষণ দিয়া হয়, ওজন ভাগ-বতৰা ব্যৱহাৰ কৰি, মাল্টিটাস্ক লাৰ্ণিংৰ এটা উদাহৰণ। সকলো কামতে লেবেলযুক্ত তথ্য ব্যৱহাৰ কৰা হয়, কেৱল লেবেলবিহীন পাঠৰ পৰা শিকি লোৱা ভাষা মডেলৰ বাহিৰে আৰু ই ভাগ-বতৰা কৰা কামৰ বাবে আধা-নিৰীক্ষণযুক্ত শিক্ষণৰ এক নতুন ৰূপ প্ৰতিনিধিত্ব কৰে। আমি দেখুৱাম যে কেনেকৈ মাল্টিটাস্ক লাৰ্ণিং আৰু অৰ্ধ-নিৰীক্ষণযুক্ত লাৰ্ণিং দুয়োটাই ভাগ কৰা কামৰ সাধাৰণীকৰণ উন্নত কৰে, যাৰ ফলত অত্যাধুনিক প্ৰদৰ্শন হয়। |
27e38351e48fe4b7da2775bf94341738bc4da07e | একক-শব্দ ভেক্টৰ স্পেচ মডেলবোৰ শব্দাৰ্থিক তথ্য শিকাত অতি সফল হৈছে। কিন্তু, তেওঁলোকে দীঘলীয়া বাক্যাংশৰ ৰচনাগত অৰ্থ ধৰিব নোৱাৰে, যাৰ বাবে তেওঁলোকে ভাষাৰ গভীৰতাৰে বুজিবলৈ সক্ষম নহয়। আমি এটা ৰিক্ৰিচিভ নিউৰেল নেটৱৰ্ক (RNN) মডেলৰ প্ৰৱৰ্তন কৰো যিটো নিৰ্দিষ্ট সিনটেক্টিক প্ৰকাৰ আৰু দৈৰ্ঘ্যৰ বাক্যাংশ আৰু বাক্যসমূহৰ বাবে সংমিশ্ৰণ ভেক্টৰ প্ৰতিনিধিত্ব শিকায়। আমাৰ মডেলটোৱে এটা পাৰ্চিং ট্ৰীৰ প্ৰতিটো নডলৈ এটা ভেক্টৰ আৰু এটা মেট্ৰিক্স প্ৰদান কৰে: ভেক্টৰটোৱে উপাদানটোৰ অন্তৰ্নিহিত অৰ্থ ধৰা পেলায়, আনহাতে মেট্ৰিক্সটোৱে ইয়াৰ ওচৰ-পাজৰৰ শব্দ বা বাক্যাংশৰ অৰ্থ কেনেকৈ সলনি কৰে সেয়া ধৰা পেলায়। এই মেট্ৰিক্স-ভেক্টৰ RNN এ প্ৰস্তাৱিত যুক্তি আৰু প্ৰাকৃতিক ভাষাত অপাৰেটৰবোৰৰ অৰ্থ শিকিব পাৰে। এই মডেলটোৱে তিনিটা ভিন্ন পৰীক্ষাত কলা প্ৰদৰ্শন লাভ কৰেঃ ক্ৰিয়া-বিজ্ঞান জোড়ৰ সূক্ষ্ম-দৃশ্য অনুভূতি বিতৰণ; চলচ্চিত্ৰ সমীক্ষাৰ অনুভূতি লেবেল শ্ৰেণীবদ্ধ কৰা আৰু শব্দাৰ্থিক সম্পৰ্ক শ্ৰেণীবদ্ধ কৰা যেনে কাৰণ-প্ৰভাৱ বা বিষয়-বাৰ্তা নামৰ মাজত সিন্টেক্টিকেল পথ ব্যৱহাৰ কৰি। |
303b0b6e6812c60944a4ac9914222ac28b0813a2 | এই প্ৰবন্ধত ফ্ৰেজ-লেভেলৰ অনুভূতি বিশ্লেষণৰ বাবে এক নতুন পদ্ধতিৰ বিষয়ে উপস্থাপন কৰা হৈছে যি প্ৰথমে এটা অভিব্যক্তি নিৰপেক্ষ বা ধ্ৰুৱক হয় নে নহয় নিৰ্ণয় কৰে আৰু তাৰ পিছত ধ্ৰুৱক অভিব্যক্তিৰ ধ্ৰুৱকতা নিৰ্ণয় কৰে। এই পদ্ধতিৰ সহায়ত, প্ৰণালীটোৱে স্বয়ংক্ৰিয়ভাৱে আৱেগৰ প্ৰকাশৰ এক বৃহৎ উপ-সংখ্যাটোৰ বাবে প্ৰসংগত বিভাজন চিনাক্ত কৰিব পাৰে, যাৰ ফলত প্ৰাৰম্ভিক অৱস্থাতকৈ যথেষ্ট উন্নত ফলাফল পোৱা যায়। |
4eb943bf999ce49e5ebb629d7d0ffee44becff94 | সময় মানুহৰ বহুতো আকৰ্ষণীয় আচৰণৰ অন্তৰ্নিহিত। এইদৰেই সংযোগবাদী মডেলত সময়ৰ প্ৰতিনিধিত্বৰ প্ৰশ্নটো অতি গুৰুত্বপূৰ্ণ। এটা পদ্ধতি হৈছে প্ৰক্ৰিয়াকৰণৰ ওপৰত ইয়াৰ প্ৰভাৱৰ দ্বাৰা সময়ক স্পষ্টভাৱে (স্থানীয় প্ৰতিনিধিত্বৰ দৰে) প্ৰতিনিধিত্ব কৰা। এই প্ৰতিবেদনত জৰ্দান (১৯৮৬) ৰ দ্বাৰা প্ৰথম বাৰৰ বাবে বৰ্ণনা কৰা এই ধাৰাৰ প্ৰস্তাৱটো বিকাশ কৰা হৈছে য ত নেটৱৰ্কসমূহক গতিশীল মেমৰি প্ৰদান কৰিবলৈ পুনৰাবৃত্ত লিংক ব্যৱহাৰ কৰা হয়। এই পদ্ধতিত, লুকাই থকা একক নিদৰ্শনবোৰ নিজৰ মাজলৈ ঘূৰি আহে; যাৰ ফলত বিকাশ হোৱা আভ্যন্তৰীণ প্ৰতিনিধিত্ববোৰ পূৰ্বৰ আভ্যন্তৰীণ অৱস্থাৰ পৰিপ্ৰেক্ষিতত কাৰ্যৰ প্ৰয়োজনীয়তাক প্ৰতিফলিত কৰে। তুলনামূলকভাৱে সৰল সমস্যা (XOR ৰ সময়সাপেক্ষ সংস্কৰণ) ৰ পৰা শব্দসমূহৰ বাবে সিনটাক্সিকেল/ছেমেণ্টিক বৈশিষ্ট্য আৱিষ্কাৰ কৰা লৈকে বিভিন্ন ধৰণৰ অনুকৰণসমূহৰ বিষয়ে ইয়াত উল্লেখ কৰা হৈছে। নেটৱৰ্কবোৰে আভ্যন্তৰীণ প্ৰতিনিধিত্বৰ বিষয়ে শিকিব পাৰে যিয়ে মেমৰিৰ প্ৰয়োজনীয়তাৰ সৈতে টাস্কৰ প্ৰয়োজনীয়তা অন্তৰ্ভুক্ত কৰে; প্ৰকৃততে, এই পদ্ধতিত মেমৰিৰ ধাৰণাটো টাস্ক প্ৰক্ৰিয়াকৰণৰ সৈতে অবিচ্ছেদ্যভাৱে সংযুক্ত। এই প্ৰতিনিধিত্ববোৰে এক সমৃদ্ধ কাঠামো প্ৰকাশ কৰে, যি তেওঁলোকক উচ্চ প্ৰসংগ-নিৰ্ভৰশীল হ বলৈ অনুমতি দিয়ে আৰু একে সময়তে আইটেমসমূহৰ শ্ৰেণীৰ মাজত সাধাৰণীকৰণ প্ৰকাশ কৰে। এই প্ৰতিনিধিত্বসমূহে শব্দাৰ্থগত শ্ৰেণীবিভাগ আৰু প্ৰকাৰ/ট কন পাৰ্থক্য প্ৰতিনিধিত্ব কৰাৰ বাবে এটা পদ্ধতিৰ পৰামৰ্শ দিয়ে। |
2069c9389df8bb29b7fedf2c2ccfe7aaf82b2832 | নতুন মেচিন লাৰ্ণিং পেৰাডাইম হিচাপে ট্ৰান্সফাৰ লাৰ্ণিংয়ে শেহতীয়াকৈ অধিক মনোযোগ লাভ কৰিছে। কোনো লক্ষ্য ক্ষেত্ৰৰ প্ৰশিক্ষণ তথ্য সঠিকভাৱে ভৱিষ্যদ্বাণীমূলক মডেল শিকিবলৈ পৰ্যাপ্ত নহয়, তেনে পৰিস্থিতিত, স্থানান্তৰিত শিক্ষণ শিক্ষণৰ বাবে আন সম্পৰ্কিত সহায়ক ক্ষেত্ৰৰ পৰা সহায়ক উৎস তথ্য ব্যৱহাৰ কৰে। এই ক্ষেত্ৰত বৰ্তমান চলি থকা অধিকাংশ কাম কেৱল লক্ষ্য তথ্যৰ দৰে একেই প্ৰতিনিধিত্বমূলক গাঁথনিৰ সৈতে উৎস তথ্য ব্যৱহাৰ কৰাত মনোনিবেশ কৰা হৈছে, এই কাগজত, আমি এই সীমাটো আৰু অধিক প্ৰসাৰিত কৰি পাঠ্য আৰু ছবিৰ মাজত জ্ঞান স্থানান্তৰ কৰাৰ বাবে এক ভিন্নজাতীয় স্থানান্তৰ শিকাৰ ফ্ৰেমৱৰ্ক সম্প্ৰসাৰিত কৰিছো। আমি লক্ষ্য কৰিছোঁ যে লক্ষ্য-ডোমেইন শ্ৰেণীবিভাজনৰ সমস্যাটোৰ বাবে, কিছুমান টোকাযুক্ত ছবি বহু সামাজিক ৱেবচাইটত পোৱা যায়, যিয়ে ৱেবত উপলব্ধ প্ৰচুৰ পাঠ্য নথিৰ পৰা জ্ঞান স্থানান্তৰ কৰিবলৈ এখন দলং হিচাপে কাম কৰিব পাৰে। মূল প্ৰশ্নটো হ ল পাঠ্য নথিবোৰ স্বৈৰাচাৰী হ লেও উৎস তথ্যত থকা জ্ঞান কেনেকৈ কাৰ্যকৰীভাৱে স্থানান্তৰ কৰিব পাৰি। আমাৰ সমাধান হৈছে মেট্ৰিক্স ফেক্টৰাইজেশ্যনৰ জৰিয়তে সহায়ক উৎসৰ পৰা আহৰণ কৰা অৰ্থবিজ্ঞান ধাৰণাৰে লক্ষ্য ছবিৰ প্ৰতিনিধিত্ব সমৃদ্ধ কৰা আৰু সহায়ক তথ্যৰ দ্বাৰা সৃষ্টি কৰা গুপ্ত অৰ্থবিজ্ঞান বৈশিষ্ট্যসমূহ ব্যৱহাৰ কৰি এটা ভাল ছবি শ্ৰেণীবিভাজক নিৰ্মাণ কৰা। আমি কেলটেক-২৫৬ ছবিৰ ডাটা ছেটত আমাৰ এলগৰিথমৰ কাৰ্য্যকৰিতা প্ৰমাণিত কৰিছো। |
381231eecd132199821c5aa3ff3f2278f593ea33 | |
a8823ab946321079c63b9bd42f58bd17b96a25e4 | মুখ চিনাক্তকৰণ আৰু চকু নিষ্কাশন বহুতো প্ৰয়োগৰ ক্ষেত্ৰত গুৰুত্বপূৰ্ণ ভূমিকা পালন কৰে যেনে মুখ চিনাক্তকৰণ, মুখৰ প্ৰকাশ বিশ্লেষণ, সুৰক্ষা লগিন ইত্যাদি। মানুহৰ মুখ আৰু মুখৰ গঠন যেনে চকু, নাক আদিৰ চিনাক্তকৰণ কম্পিউটাৰৰ বাবে জটিল প্ৰক্ৰিয়া। এই প্ৰবন্ধত Sobel edge detection আৰু morphological operations ব্যৱহাৰ কৰি মুখৰ প্ৰতিচ্ছবিৰ পৰা মুখৰ চিনাক্তকৰণ আৰু চকু নিষ্কাশনৰ বাবে এটা এলগৰিথমৰ প্ৰস্তাৱ দিয়া হৈছে। প্ৰস্তাৱিত পদ্ধতিটো তিনিটা ভাগত বিভক্ত কৰা হৈছে; প্ৰাক-প্ৰক্ৰিয়া, মুখৰ অঞ্চল চিনাক্তকৰণ আৰু চকুৰ নিষ্কাশন। ছবিৰ আকাৰ সলনি কৰা আৰু ধূসৰ স্কেলৰ ছবি ৰূপান্তৰ প্ৰাক প্ৰক্ৰিয়াত প্ৰাপ্ত কৰা হয়। মুখৰ অঞ্চল চিনাক্তকৰণ ছোবেল এজ ডিটেকচন আৰু ম ৰ্ফ ল জিক অপাৰেচন দ্বাৰা সম্পন্ন কৰা হয়। শেষৰ পৰ্যায়ত, চকুবোৰ মুখৰ অঞ্চলৰ পৰা আকাৰগত কাৰ্যৰ সহায়ত আহৰণ কৰা হয়। এই পৰীক্ষাসমূহ IMMৰ সন্মুখৰ মুখৰ তথ্য, FEIৰ মুখৰ তথ্য আৰু IMMৰ মুখৰ তথ্যৰ ১২০, ৭৫, ৪০টা ছবিৰ ওপৰত কৰা হয়। মুখ চিনাক্তকৰণৰ সঠিকতা ১০০%, ১০০%, ৯৭.৫০% আৰু চকু নিষ্কাশনৰ সঠিকতা হাৰ যথাক্ৰমে ৯২.৫০%, ৯০.৬৬%, ৯২.৫০%। |
3b6911dc5d98faeb79d3d3e60bcdc40cfd7c9273 | একত্ৰিত স্বাক্ষৰ আঁচনি হৈছে এক ডিজিটেল স্বাক্ষৰ যি সমষ্টিক সমৰ্থন কৰেঃ n পৃথক ব্যৱহাৰকাৰীৰ পৰা n পৃথক বাৰ্তাৰ ওপৰত n স্বাক্ষৰ দিয়া হৈছে, এই সকলো স্বাক্ষৰ একক সংক্ষিপ্ত স্বাক্ষৰত সংগ্ৰহ কৰা সম্ভৱ। এই একক স্বাক্ষৰ (আৰু n মূল বাৰ্তা) য়ে প্ৰমাণককক নিশ্চিত কৰিব যে n জন ব্যৱহাৰকাৰীয়ে প্ৰকৃততে n টা মূল বাৰ্তাত স্বাক্ষৰ কৰিছে (অৰ্থাৎ, ব্যৱহাৰকাৰীয়ে i ৰ বাবে বাৰ্তা Mi স্বাক্ষৰ কৰিছে i = 1, . - মই জানো । - মই জানো । , n) ৰ পৰা এই প্ৰবন্ধত আমি একত্ৰিত স্বাক্ষৰৰ ধাৰণাটো প্ৰৱৰ্তন কৰিম, এনে স্বাক্ষৰৰ বাবে সুৰক্ষা মডেল প্ৰদৰ্শন কৰিম আৰু একত্ৰিত স্বাক্ষৰৰ বাবে কেইবাটাও প্ৰয়োগ দিম। আমি বনে, লিন আৰু শ্বাচামৰ দ্বৈত মানচিত্ৰৰ ওপৰত ভিত্তি কৰি শেহতীয়া সংক্ষিপ্ত স্বাক্ষৰ আঁচনিৰ পৰা এটা কাৰ্যকৰী সংগ্ৰহ স্বাক্ষৰ নিৰ্মাণ কৰো। সংগ্ৰহিত স্বাক্ষৰ প্ৰমাণপত্ৰ শৃংখলাৰ আকাৰ হ্ৰাস কৰিবলৈ (শৃংখলাৰ সকলো স্বাক্ষৰ সংগ্ৰহ কৰি) আৰু SBGP ৰ দৰে সুৰক্ষিত ৰাউটিং প্ৰট কলত বাৰ্তাৰ আকাৰ হ্ৰাস কৰিবলৈ উপযোগী। আমি এইটোও দেখুৱাব পাৰো যে সমষ্টিগত স্বাক্ষৰবোৰে নিশ্চিতভাৱে এনক্ৰিপ্ট কৰা স্বাক্ষৰ সৃষ্টি কৰে। এই ধৰণৰ স্বাক্ষৰবোৰে প্ৰমাণনকাৰীজনক এটা চিফ্ট টেক্সট C য়ে এটা নিৰ্দিষ্ট বাৰ্তা M ত থকা স্বাক্ষৰৰ এনক্ৰিপ্ট হয় নে নহয় পৰীক্ষা কৰিবলৈ সক্ষম কৰে । চুক্তি স্বাক্ষৰ প্ৰট কলত প্ৰমাণিত এনক্ৰিপ্ট কৰা স্বাক্ষৰ ব্যৱহাৰ কৰা হয়। শেষত, আমি দেখুৱাম যে একেধৰণৰ ধাৰণাসমূহ ব্যৱহাৰ কৰি চুটি স্বাক্ষৰ আঁচনিৰ সম্প্ৰসাৰণ কৰি সহজ ৰিং স্বাক্ষৰ প্ৰদান কৰিব পাৰি। |
6d4fa4b9037b64b8383331583430711be321c587 | বাণিজ্যিক প্ৰয়োগ আৰু শৈক্ষিক আগ্ৰহৰ দ্বাৰা পৰিচালিত, অনুভূতি বিশ্লেষণ হৈছে গৱেষণাৰ এক ক্ৰমবৰ্ধমান ক্ষেত্ৰ। এই প্ৰবন্ধত আমি মূল্যবোধ আৰু উত্তেজনাৰ আৱেগিক মাত্ৰাৰ বাবে ডায়েৰী-সদৃশ ব্লগ পোষ্টৰ বহু শ্ৰেণীৰ শ্ৰেণীবিভাজন অন্বেষণ কৰো, য ত কাৰ্যৰ উদ্দেশ্য হৈছে অতি নেতিবাচক/নিম্নৰ পৰা অতি ইতিবাচক/উচ্চ পৰ্যায়ৰ অৰ্ডিনেল পাঁচ স্তৰৰ স্কেলত এটা পোষ্টৰ মূল্যবোধ আৰু উত্তেজনাৰ স্তৰ পূৰ্বানুমান কৰা। আমি দেখুৱাম কেনেকৈ এই দুই পৰিমাপৰ মাজত বিচ্ছিন্ন আবেগিক অৱস্থাসমূহক ক্ৰমিক স্কেলত মেপ কৰিব পাৰি, ৰাছেলৰ চাৰ্কম্প্লেক্স মডেলৰ আবেগ আৰু লেবেল প্ৰাপ্তিশীলতা মডেলৰ ওপৰত ভিত্তি কৰি আৰু পূৰ্বতে উপলব্ধ কৰ্পাসক বহুমাত্ৰিক, বাস্তৱ-মূল্যবান টোকাসমূহৰ সৈতে লেবেল দি। সমৰ্থন ভেক্টৰ মেচিন শ্ৰেণীবিভাজকৰ প্ৰতিলিপি আৰু এক-বিৰোধী-সকলো পদ্ধতি ব্যৱহাৰ কৰি কৰা পৰীক্ষামূলক ফলাফলবোৰে দেখুৱায় যে যদিও দ্বিতীয় পদ্ধতিটোৱে ভাল সঠিক অৰ্ডিনেল শ্ৰেণীৰ ভৱিষ্যদ্বাণী সঠিকতা প্ৰদান কৰে, প্ৰতিলিপি প্ৰণালীবোৰে সৰু স্কেল ত্ৰুটি কৰিব পাৰে। |
9931c6b050e723f5b2a189dd38c81322ac0511de | আমি মানৱ ক্ৰিয়া স্বীকৃতি সম্প্ৰদায়ৰ ভিতৰত ৰাজহুৱাভাৱে উপলব্ধ ডাটা ছেটৰ বৰ্তমানৰ স্থিতিৰ ওপৰত এটা পৰ্যালোচনা উপস্থাপন কৰোঁ; পোজ ভিত্তিক পদ্ধতিৰ পুনৰুজ্জীৱন আৰু ব্যক্তি-ব্যক্তিৰ ক্ৰিয়া-প্ৰতিক্ৰিয়া মডেলিং বুজাৰ শেহতীয়া অগ্ৰগতিত আলোকপাত কৰি। আমি ডাটাছেটসমূহক বিভিন্ন মূল বৈশিষ্ট্যৰ বিষয়ে শ্ৰেণীবদ্ধ কৰো যি বেঞ্চমাৰ্ক ডাটাছেট হিচাপে ব্যৱহাৰৰ বাবে; শ্ৰেণীৰ লেবেলৰ সংখ্যা, প্ৰদান কৰা ভূমি সত্য আৰু তেওঁলোকে দখল কৰা এপ্লিকেচন ড মেইন সহ। আমি প্ৰতিটো ডাটা ছেটৰ বিমূর্ততাৰ স্তৰটোও বিবেচনা কৰোঁ; যিসকলে কাৰ্য্য, আন্তঃক্ৰিয়া আৰু উচ্চ স্তৰৰ অৰ্থগত কাৰ্য্যকলাপ উপস্থাপন কৰে তেওঁলোকক গোটাই। এই সমীক্ষাত মূল চেহেৰা আৰু প জ ভিত্তিক ডাটা ছেটসমূহ চিনাক্ত কৰা হৈছে, সৰলীকৃত, গুৰুত্ব দিয়া বা স্ক্ৰিপ্টযুক্ত ক্ৰিয়া শ্ৰেণীৰ প্ৰৱণতা উল্লেখ কৰা হৈছে যিটো বহু সময়ত সু-ক্ৰিয়া আখৰসমূহৰ এক স্থিৰ সংগ্ৰহ দ্বাৰা সহজেই সংজ্ঞায়িত হয়। এনে এক ডাটা ছেটৰ স্পষ্ট অভাৱ আছে যিয়ে ঘনিষ্ঠভাৱে সম্পৰ্কিত ক্ৰিয়া প্ৰদান কৰে, যিবোৰ এক ধাৰাবাহিক অৱস্থান আৰু আচাৰসমূহৰ জৰিয়তে অৱ্যক্তভাৱে চিনাক্ত কৰা নহয়, বৰং ক্ৰিয়া-প্ৰতিক্ৰিয়াৰ এক গতিশীল ছেট। আমি এইবাবেই এটা নতুন ডাটা ছেট প্ৰস্তাৱ কৰিছো যি দুটা ব্যক্তিৰ মাজত জটিল কথোপকথন প্ৰতিনিধিত্ব কৰে ৩ডি প জ যোগে। দুটা Kinect গভীৰতা ছেন্সৰ ব্যৱহাৰ কৰি ৭ টা পৃথক কথোপকথন ভিত্তিক দৃশ্যপট বৰ্ণনা কৰা ৮ টা জোৰাবদ্ধ ক্ৰিয়া-প্ৰতিক্ৰিয়া সংগ্ৰহ কৰা হৈছিল। উদ্দেশ্য হৈছে এনে ঘটনা প্ৰদান কৰা যি বহুতো আদিম ক্ৰিয়া, ক্ৰিয়া-প্ৰতিক্ৰিয়া আৰু গতিৰ পৰা নিৰ্মিত, এক সময়সীমাৰ ভিতৰত; বাস্তৱ জগতৰ অধিক প্ৰতিনিধি আৰু বৰ্তমান বিকশিত স্বীকৃতি পদ্ধতিৰ এক প্ৰত্যাহ্বান হিচাপে সূক্ষ্ম ক্ৰিয়া শ্ৰেণীৰ এক গোট প্ৰদান কৰা। আমাৰ বিশ্বাস এইটোৱেই প্ৰথম ডাটাছেটসমূহৰ ভিতৰত এটা যি 3D পোজ প্ৰিপ্ৰিণ্ট ব্যৱহাৰ কৰি কথোপকথনমূলক ক্ৰিয়া-কলাপৰ শ্ৰেণীবিভাজনত ব্যৱহাৰ কৰা হয়। ইলেছভিয়েৰলৈ ২৭ অক্টোবৰ, ২০১৫ তাৰিখে দাখিল কৰা হৈছে আৰু ইয়াৰ লগত জড়িত কাগজত দেখুওৱা হৈছে যে এই কামটো সম্ভৱপৰ। সম্পূৰ্ণ ডাটা ছেটটো গৱেষণা সম্প্ৰদায়ৰ বাবে [1] জনসাধাৰণৰ বাবে উপলব্ধ কৰা হৈছে। |
26e6b1675e081a514f4fdc0352d6cb211ba6d9c8 | আমি আধুনিক গাড়ীত ব্যৱহৃত প্যাছিভ কীলেছ এন্ট্ৰী এণ্ড ষ্টাৰ্ট (পিকেইএছ) চিষ্টেমৰ ওপৰত ৰিলে আক্ৰমণ প্ৰদৰ্শন কৰিম। আমি দুটা কাৰ্যকৰী আৰু সুলভ আক্ৰমণ প্ৰণালী নিৰ্মাণ কৰিছো, ৱায়াৰলেছ আৰু ৱায়াৰলেছ ফিজিকেল লেয়াৰ ৰিলে, যিয়ে আক্ৰমণকাৰীক গাড়ীত প্ৰৱেশ কৰিবলৈ আৰু স্মাৰ্ট কীৰ মাজত বাৰ্তা প্ৰেৰণ কৰি গাড়ীখন ষ্টাৰ্ট কৰিবলৈ অনুমতি দিয়ে। আমাৰ ৰিলেসমূহ সম্পূৰ্ণৰূপে মডুলেচন, প্ৰট কল, বা শক্তিশালী প্ৰমাণীকৰণ আৰু এনক্ৰিপছনৰ উপস্থিতিৰ পৰা স্বাধীন। আমি ৮ টা নিৰ্মাতাৰ ১০ টা মডেলৰ গাড়ীসমূহৰ বিস্তৃত মূল্যায়ন কৰো। আমাৰ ফলাফলবোৰে দেখুৱাইছে যে এটা দিশত সংকেত প্ৰচাৰ কৰা (গাড়ীৰ পৰা চাবিলৈ) আক্ৰমণটো সম্পাদন কৰিবলৈ পৰ্যাপ্ত যদিও চাবি আৰু গাড়ীৰ মাজত প্ৰকৃত দূৰত্ব ডাঙৰ হৈ থাকে (৫০ মিটাৰ পৰ্যন্ত পৰীক্ষা কৰা হৈছে, দৃষ্টিৰ ৰেখা নহয়) । আমি দেখুৱাই দিও যে, আমাৰ ছেটআপৰ সহায়ত স্মাৰ্ট কীটো ৮ মিটাৰ পৰ্যন্ত উত্তেজিত হ ব পাৰে। ইয়াৰ দ্বাৰা আক্ৰমণকাৰীয়ে ৰিলে স্থাপন কৰিবলৈ চাবিৰ ওচৰলৈ যোৱাৰ প্ৰয়োজন নাই। আমি আৰু বিশ্লেষণ কৰোঁ আৰু গুৰুত্বপূৰ্ণ প্ৰণালীসমূহৰ বৈশিষ্ট্যসমূহৰ বিষয়ে আলোচনা কৰোঁ। ৰিলে আক্ৰমণৰ সাধাৰণতা আৰু মূল্যায়িত প্ৰণালীৰ সংখ্যা বিবেচনা কৰি, একে ধৰণৰ ডিজাইনত ভিত্তি কৰি সকলো পিকেইএছ প্ৰণালী একেই আক্ৰমণৰ বাবে সংবেদনশীল হোৱাৰ সম্ভাৱনা আছে। শেষত, আমি তাৎক্ষণিক প্ৰশমন ব্যৱস্থা প্ৰস্তাৱ কৰো যিয়ে ৰিলে আক্ৰমণৰ বিপদ কম কৰে আৰু লগতে শেহতীয়া সমাধানসমূহো প্ৰস্তাৱ কৰো যিয়ে ৰিলে আক্ৰমণ প্ৰতিৰোধ কৰিব পাৰে আৰু ব্যৱহাৰৰ সুবিধাটো ৰক্ষা কৰে, যাৰ বাবে প্ৰথমে পিকেইএছ প্ৰণালী প্ৰৱৰ্তন কৰা হৈছিল। |
69d685d0cf85dfe70d87c1548b03961366e83663 | আমি ৰক্তৰ অক্সিজেনৰ স্তৰ (SpO2) নিৰীক্ষণ কৰিবলৈ যোগাযোগবিহীন পদ্ধতি প্ৰদৰ্শন কৰিছো। এই পদ্ধতিত ফট প্লেটিছমোগ্ৰাফী (পিপিজি) সংকেত দুটা বিশেষ তৰংগ দৈৰ্ঘ্যৰ বিকল্পত ৰেকৰ্ড কৰিবলৈ ট্রিগাৰ নিয়ন্ত্ৰণৰ সৈতে এটা চিএমঅ এছ কেমেৰা ব্যৱহাৰ কৰা হয় আৰু এই তৰংগ দৈৰ্ঘ্যৰ পিপিজি সংকেতৰ পালছটাইল আৰু ননপলছটাইল উপাদানৰ জোখৰ অনুপাতৰ পৰা SpO2 নিৰ্ণয় কৰা হয়। SpO2 মানৰ সংকেত-শব্দ অনুপাত (SNR) ত্ৰাণকৰ তৰংগ দৈৰ্ঘ্যৰ ওপৰত নিৰ্ভৰ কৰে। আমি দেখিলোঁ যে কমলা (λ = 611 nm) আৰু নিকট ইনফ্ৰাৰডে (λ = 880 nm) ৰ সংমিশ্ৰণে যোগাযোগবিহীন ভিডিঅ -ভিত্তিক চিনাক্তকৰণ পদ্ধতিৰ বাবে সৰ্বশ্ৰেষ্ঠ SNR প্ৰদান কৰে। এই সংমিশ্ৰণটো পৰম্পৰাগত যোগাযোগ-ভিত্তিক SpO2 জোখাত ব্যৱহৃততকৈ পৃথক কিয়নো এই তৰংগ দৈৰ্ঘ্যৰ পিপিজি সংকেত শক্তি আৰু কেমেৰা কোৱান্টাম কাৰ্য্যক্ষমতা স্প অ 2 জোখাৰ বাবে যোগাযোগবিহীন পদ্ধতি ব্যৱহাৰ কৰি অধিক গ্ৰহণযোগ্য। আমি এটা সৰু পাইলট অধ্যয়নো কৰিছিলো যাতে স্পৰ্শবিহীন পদ্ধতিটো ৮৩% -৯৮% ৰ SpO2 ৰ পৰিসৰত প্ৰমাণিত হয়। এই অধ্যয়নৰ ফলাফলবোৰ ৰেফাৰেন্স কন্টাক্ট SpO2 ডিভাইচ ব্যৱহাৰ কৰি পোৱা ফলাফলৰ সৈতে সামঞ্জস্যপূৰ্ণ (r = 0.936, p <; 0.001) । উপস্থাপিত পদ্ধতিটো মুক্ত জীৱন-যাপন পৰিস্থিতিত ঘৰত নিজৰ স্বাস্থ্য আৰু সুস্থতাৰ নিৰীক্ষণৰ বাবে আৰু পৰম্পৰাগত যোগাযোগ-ভিত্তিক PPG ডিভাইচ ব্যৱহাৰ কৰিব নোৱাৰা সকলৰ বাবে বিশেষভাৱে উপযুক্ত। |
51c88134a668cdfaccda2fe5f88919ac122bceda | ৱেব ভিডিঅ ত মাল্টিমিডিয়া ইভেন্ট চিনাক্তকৰণ মাল্টিমিডিয়া আৰু কম্পিউটাৰ ভিজনৰ ক্ষেত্ৰত উদ্ভৱ হোৱা এটা গৰম গৱেষণা ক্ষেত্ৰ। এই প্ৰবন্ধত আমি আমাৰ ইভেণ্ট লেবেলিংৰ বাবে শেহতীয়াকৈ বিকাশ কৰা ফ্ৰেমৱৰ্কৰ মূল পদ্ধতি আৰু প্ৰযুক্তিৰ বিষয়ে জনাম। ই-এলএএমপি (ই-এলেকট্ৰিক মিডিয়া প্ৰচেছিং) প্ৰণালীয়ে ইভেণ্ট চিনাক্তকৰণৰ সামগ্ৰিক সমস্যাৰ বিভিন্ন দিশৰ সৈতে মোকাবিলা কৰিব। অধিক স্পষ্টভাৱে ক বলৈ গ লে, আমি বৈশিষ্ট্য নিষ্কাশনৰ বাবে দক্ষ পদ্ধতি বিকাশ কৰিছো যাতে আমি হাজাৰ হাজাৰ ঘণ্টাৰ ভিডিঅ ৰ সৈতে ভিডিঅ ডাটাৰ বৃহৎ সংগ্ৰহসমূহ পৰিচালনা কৰিব পাৰো। দ্বিতীয়তে, আমি আহৰণ কৰা কেঁচা বৈশিষ্টবোৰক এটা স্থানিক বাকচ-ৰ-শব্দৰ মডেলত অধিক কাৰ্যকৰী টাইলিংৰ সৈতে প্ৰতিনিধিত্ব কৰোঁ যাতে বিভিন্ন বৈশিষ্ট আৰু বিভিন্ন ঘটনাৰ স্থানিক লেআউট তথ্য ভালদৰে ধৰা পৰিব পাৰে, এইদৰেই সামগ্ৰিক আৱিষ্কাৰৰ কাৰ্যক্ষমতা উন্নত কৰিব পাৰি। তৃতীয়তে, বহুলভাৱে ব্যৱহৃত প্ৰাৰম্ভিক আৰু শেষৰ ফিউজন আঁচনিৰ পৰা পৃথক, একাধিক বৈশিষ্ট্যৰ পৰা অধিক শক্তিশালী আৰু বৈষম্যমূলক মধ্যৱৰ্তী বৈশিষ্ট প্ৰতিনিধিত্ব শিকিবলৈ এক নতুন অ্যালগৰিদম বিকাশ কৰা হয় যাতে ইয়াৰ ওপৰত ভাল ইভেন্ট মডেল নিৰ্মাণ কৰিব পাৰি। অৱশেষত, অতি কম সংখ্যক ইতিবাচক উদাহৰণৰে ঘটনা চিনাক্তকৰণৰ অতিৰিক্ত প্ৰত্যাহ্বানৰ মোকাবিলা কৰিবলৈ, আমি এটা নতুন অ্যালগৰিদম বিকাশ কৰিছো যিটো কাৰ্যকৰীভাৱে ঘটনা চিনাক্তকৰণত সহায় কৰিবলৈ সহায়ক উৎসৰ পৰা শিকি অহা জ্ঞানক অনুকূলিতকৰণ কৰিবলৈ সক্ষম। আমাৰ অভিজ্ঞতাৰ ফলাফল আৰু TRECVID MED11 আৰু MED12 ৰ আনুষ্ঠানিক মূল্যায়নৰ ফলাফল দুয়োটাই এই ধাৰণাসমূহৰ একত্ৰীকৰণৰ উৎকৃষ্ট প্ৰদৰ্শন প্ৰদৰ্শন কৰে। |
10d6b12fa07c7c8d6c8c3f42c7f1c061c131d4c5 | আমি দৃঢ় চাক্ষুষ বস্তু চিনাক্তকৰণৰ বাবে বৈশিষ্ট্যৰ ছেটৰ প্ৰশ্ন অধ্যয়ন কৰো; পৰীক্ষামূলক কেচ হিচাপে ৰেখামূলক SVM ভিত্তিক মানৱ চিনাক্তকৰণ গ্ৰহণ কৰা। বৰ্তমানে থকা এজ আৰু গ্ৰেডিয়েন্ট ভিত্তিক বিৱৰণক পৰ্যালোচনা কৰাৰ পিছত, আমি পৰীক্ষামূলকভাৱে দেখুৱাম যে অৰিয়েণ্টেড গ্ৰেডিয়েন্ট (HOG) বিৱৰণকৰ হিষ্টোগ্ৰামৰ গ্ৰীডবোৰে মানুহৰ আৱিষ্কাৰৰ বাবে বৰ্তমানে থকা বৈশিষ্ট্যৰ ছেটবোৰক উল্লেখযোগ্যভাৱে অতিক্ৰম কৰে। আমি পৰিশ্ৰমৰ প্ৰতিটো পৰ্যায়ৰ প্ৰভাৱ অধ্যয়ন কৰো, আৰু সিদ্ধান্ত লওঁ যে সূক্ষ্ম স্কেল গ্ৰেডিয়েন্ট, সূক্ষ্ম অ ৰিয়েন্টেচন বিনিং, তুলনামূলকভাৱে ঘন স্থানিক বিনিং আৰু ওভাৰলেপিং ডেস্ক্রিপ্টৰ ব্লকত উচ্চ মানৰ স্থানীয় বিৰোধীতা নৰ্মলাইজেশ্যন ভাল ফলাফলৰ বাবে সকলো গুৰুত্বপূৰ্ণ। এই নতুন পদ্ধতিয়ে মূল এম আই টিৰ পদপথৰ তথ্যভঁৰালত প্ৰায় নিখুঁত পৃথকতা প্ৰদান কৰে, সেয়ে আমি অধিক প্ৰত্যাহ্বানমূলক তথ্যসূত্ৰ প্ৰৱৰ্তন কৰো য ত ১৮০০তকৈ অধিক টোকাযুক্ত মানৱ ছবি আছে য ত বহুতো পজিশ্যন আৰু পটভূমিৰ পৰিৱৰ্তন আছে। |
2337ff38e6cfb09e28c0958f07e2090c993ef6e8 | বহুতো পট্ৰ ন চিনাক্তকৰণ কাৰ্যৰ বাবে, আদৰ্শ ইনপুট বৈশিষ্টটো একাধিক বিভ্ৰান্তিকৰ বৈশিষ্টৰ বাবে অপৰিৱৰ্তনীয় হ ব (যেনে আলোকসজ্জা আৰু দৰ্শন কোণ, কম্পিউটাৰ ভিজন প্ৰয়োগত) । শেহতীয়াকৈ, নিৰীক্ষণহীনভাৱে প্ৰশিক্ষিত গভীৰ আৰ্কিটেকচাৰবোৰ ব্যৱহাৰযোগ্য বৈশিষ্ট্য আহৰণৰ বাবে স্বয়ংক্ৰিয় পদ্ধতি হিচাপে প্ৰস্তাৱ কৰা হৈছে। অৱশ্যে, এটা শ্ৰেণীবিভাজকত ব্যৱহাৰ কৰাৰ বাহিৰে আন কোনো মাধ্যমত শিকি লোৱা বৈশিষ্টবোৰ মূল্যায়ন কৰাটো কঠিন। এই প্ৰবন্ধত আমি কিছুমান অভিজ্ঞতামূলক পৰীক্ষাৰ প্ৰস্তাৱ দিছো যিয়ে এই শিকোৱা বৈশিষ্টবোৰ বিভিন্ন ইনপুট ৰূপান্তৰকৰণৰ ক্ষেত্ৰত কিমান অসংক্ৰাম্য হয় সেয়া প্ৰত্যক্ষভাৱে জোখে। আমি দেখিবলৈ পাওঁ যে অটো এনকোডাৰবোৰে প্ৰাকৃতিক ছবিৰ ওপৰত প্ৰশিক্ষণ ল লে গভীৰতাৰ সৈতে ক্ৰমান্বয়ে অসংখ্য অট এনকোডাৰ বৈশিষ্ট্য শিকিবলৈ সক্ষম হয়। আমি দেখিবলৈ পাইছো যে কনভলুচনেল গভীৰ বিশ্বাসৰ নেটৱৰ্কবোৰে প্ৰতিটো স্তৰত যথেষ্ট বেছি অসংৰক্ষিত বৈশিষ্ট্য শিকিব পাৰে। এই ফলাফলসমূহে deep বনাম shallower প্ৰতিনিধিত্বৰ ব্যৱহাৰক অধিক ন্যায়সঙ্গত কৰে, কিন্তু পৰামৰ্শ দিয়ে যে কেৱল এটা অটো এনকোডাৰৰ ওপৰত আনটো ষ্টেলিং কৰাৰ বাহিৰেও মেকানিজমবোৰ ইনভাৰেন্স অৰ্জন কৰাৰ বাবে গুৰুত্বপূৰ্ণ হ ব পাৰে। আমাৰ মূল্যায়ন মেট্ৰিক্স গভীৰ শিক্ষাৰ ভৱিষ্যতৰ কামৰ মূল্যায়ন কৰিবলৈও ব্যৱহাৰ কৰিব পাৰি, আৰু এনেদৰে ভৱিষ্যতৰ এলগৰিথমৰ বিকাশত সহায় কৰিব পাৰি। |
31b58ced31f22eab10bd3ee2d9174e7c14c27c01 | ইণ্টাৰনেটৰ আবিৰ্ভাৱৰ লগে লগে, বিলিয়ন বিলিয়ন ছবি এতিয়া অনলাইনত বিনামূলীয়াকৈ উপলব্ধ আৰু দৃশ্য জগতৰ এক ঘন নমুনা গঠন কৰে। বিভিন্ন প্ৰকাৰৰ অ-পৰামিতিগত পদ্ধতি ব্যৱহাৰ কৰি আমি এই পৃথিৱীখনক ইন্টাৰনেটৰ পৰা সংগ্ৰহ কৰা ৭৯,৩০২,০১৭ টা ছবিৰ এক বৃহৎ ডাটা ছেটৰ সহায়ত অনুসন্ধান কৰো। মানসিক-শাৰীৰিক ফলাফলৰ দ্বাৰা অনুপ্ৰাণিত হৈ, যি মানৱ দৃষ্টি প্ৰণালীৰ ছবিৰ সংজ্ঞাৰ অৱনমনৰ বাবে উল্লেখনীয় সহনশীলতা দেখুৱায়, ডাটা ছেটৰ ছবিসমূহ ৩২ x ৩২ ৰঙীণ ছবি হিচাপে সঞ্চিত কৰা হয়। ৱৰ্ডনেট শব্দাৰ্থিক ডাটাবেছত তালিকাভুক্ত কৰা ৭৫,০৬২টা ইংৰাজী শব্দৰ ভিতৰত প্ৰতিটো ছবিৰ ওপৰত এটা নাম দিয়া হৈছে। এইদৰেই ছবিৰ তথ্যভঁৰালত সকলো বস্তু শ্ৰেণী আৰু দৃশ্যৰ এক বিস্তৃত প্ৰদৰ্শন পোৱা যায়। ৱৰ্ডনেট ৰ পৰা অৰ্থগত তথ্যক নিকটতম-প্ৰতিবেশী পদ্ধতিৰ সৈতে সংযুক্ত কৰি ব্যৱহাৰ কৰিব পাৰি যাতে লেবেলিং শব্দৰ প্ৰভাৱ কম কৰি বিভিন্ন অৰ্থগত স্তৰত বস্তু শ্ৰেণীবিভাজন কৰিব পাৰি। কিছুমান শ্ৰেণীৰ বাবে যি ডাটা ছেটত বিশেষভাৱে প্ৰচলিত, যেনে মানুহ, আমি শ্ৰেণী-নিৰ্দিষ্ট ভায়োলা-জোনছ শৈলী ডিটেক্টৰৰ সৈতে তুলনাযোগ্য এক স্বীকৃতি প্ৰদৰ্শন প্ৰদৰ্শন কৰিবলৈ সক্ষম হৈছো। |
4b605e6a9362485bfe69950432fa1f896e7d19bf | গভীৰ শিক্ষণৰ অগ্ৰগতি আৰু গভীৰ নেটৱৰ্ক প্ৰশিক্ষণৰ বাবে বৃহৎ ডাটা ছেটৰ উপলব্ধতাৰ বাবে স্বয়ংক্ৰিয় মুখ চিনাক্তকৰণ প্ৰযুক্তিৰ কাৰ্যক্ষমতা যথেষ্ট উন্নত হৈছে। যিহেতু মুখ চিনাক্ত কৰাটো এনে এটা কাম য ত মানুহ অতি ভাল বুলি বিশ্বাস কৰা হয়, সেয়ে সম্পূৰ্ণৰূপে সীমাবদ্ধ নোহোৱা মুখৰ ছবি প্ৰক্ৰিয়া কৰোতে স্বয়ংক্ৰিয় মুখ চিনাক্তকৰণ আৰু মানুহৰ আপেক্ষিক প্ৰদৰ্শন তুলনা কৰাটো স্বাভাৱিক। এই কামত, আমি অসংযত মুখৰ ছবি ব্যৱহাৰ কৰি কেইবাটাও নতুন বিশ্লেষণ কৰি মানুহৰ আৰু স্বয়ংক্ৰিয় প্ৰণালীৰ স্বীকৃতিৰ সঠিকতাৰ পূৰ্বৰ অধ্যয়নৰ ওপৰত সম্প্ৰসাৰিত কৰিছো। আমি প্ৰদৰ্শনৰ ওপৰত প্ৰভাৱ পৰীক্ষা কৰোঁ যেতিয়া মানৱ স্বীকৃতিদাতাসকলক প্ৰতি বিষয়, লিংগ, আৰু অৱস্থান, আলোকসজ্জা, আৰু অৱস্থান আদিৰ দৰে অপৰিৱৰ্তনীয় বৈশিষ্ট্যসমূহৰ সৈতে বিভিন্ন পৰিমাণৰ ছবিৰ সৈতে উপস্থাপন কৰা হয়। ফলাফলসমূহে সূচাইছে যে প্ৰত্যাহ্বানমূলক আইজেবি-এ ডাটাছেটত মানুহে অত্যাধুনিক স্বয়ংক্ৰিয় মুখ চিনাক্তকৰণ এলগৰিথমতকৈ অধিক ভাল প্ৰদৰ্শন কৰে। |
a4d510439644d52701f852d9dd34bbd37f4b8b78 | চেলুলাৰ অটোমেটা (চিএ) ৰ ওপৰত আধাৰিত SLEUTH মডেল মহানগৰ অঞ্চলৰ চহৰ বিকাশৰ অনুকৰণত প্ৰয়োগ কৰিব পাৰি। এই অধ্যয়নত SLEUTH মডেল ব্যৱহাৰ কৰা হৈছিল নগৰীয়া সম্প্ৰসাৰণৰ মডেলিং আৰু তেহৰাণৰ নগৰীয়া বিকাশৰ ভৱিষ্যতৰ সম্ভাব্য আচৰণৰ ভৱিষ্যদ্বাণী কৰিবলৈ। মূল তথ্যসমূহ আছিল ১৯৮৮, ১৯৯২, ১৯৯৮, ২০০১ আৰু ২০১০ চনৰ পাঁচটা লেণ্ডছেট TM আৰু ইটিএম ছবি। এই স্থানিক আৰ্হিৰ অনুকৰণ কৰিবলৈ তিনিটা দৃশ্যকল্পৰ পৰিকল্পনা কৰা হৈছিল। প্ৰথমটো দৃশ্যপটত ধাৰণা কৰা হৈছিল যে ঐতিহাসিক নগৰীকৰণ পদ্ধতিটো বৰ্তি থাকিব আৰু উন্নয়নৰ একমাত্ৰ সীমাবদ্ধতা হ ল উচ্চতা আৰু ঢাল। দ্বিতীয়টো আছিল এটা কমপেক্ট দৃশ্যপট যিয়ে বৃদ্ধিৰ বেছিভাগ আভ্যন্তৰীণ কৰে আৰু উপনগৰ অঞ্চলৰ সম্প্ৰসাৰণ সীমিত কৰে। শেষৰটো দৃশ্যপটত এটা বহুকেন্দ্ৰীয় নগৰ-গড়ৰ গঠন প্ৰস্তাৱ কৰা হৈছিল যিয়ে সৰু সৰু পট্টাবোৰ * সংশ্লিষ্ট লেখকক এৰি দিছিল। টেলি. : +৯৮ ৯১২ ৩৫৭২৯১৩ ই-মেইল ঠিকনাঃ শ্বাঘায়েগ.কাৰগোজাৰ@যাহু.কম |
f19e6e8a06cba5fc8cf234881419de9193bba9d0 | নিউৰেল নেটৱৰ্কবোৰ সাধাৰণতে শ্ৰেণীবিভাজন আৰু সিদ্ধান্ত গ্ৰহণৰ কামত ব্যৱহাৰ কৰা হয়। এই প্ৰবন্ধত আমি তেওঁলোকৰ ফলাফলৰ স্থানীয় আত্মবিশ্বাসৰ সমস্যাৰ ওপৰত গুৰুত্ব দিছো। আমি পৰিসংখ্যাগত সিদ্ধান্ত তত্ত্বৰ কিছুমান ধাৰণা পৰ্যালোচনা কৰোঁ যিয়ে নিউৰেল নেটৱৰ্কৰ সৈতে শ্ৰেণীবিভাজনৰ বাবে বিশ্বাসৰ মাপ নিৰ্ধাৰণ আৰু ব্যৱহাৰৰ ওপৰত অন্তৰ্দৃষ্টি প্ৰদান কৰে। তাৰ পিছত আমি বিদ্যমান বিশ্বাসৰ মাপকাঠীৰ এক সামগ্ৰিক বিৱৰণ দাঙি ধৰোঁ আৰু শেষত এটা সৰল মাপকাঠী প্ৰস্তাৱ কৰো যিয়ে নেটৱৰ্ক আউটপুটৰ সম্ভাৱ্যতা-বিজ্ঞানমূলক ব্যাখ্যাৰ সুবিধা আৰু বুটষ্ট্ৰ্যাপ ত্ৰুটিৰ অনুমানৰে মডেলৰ গুণগত মানৰ অনুমানক একত্ৰিত কৰে। আমি বাস্তৱিক জগতৰ প্ৰয়োগ আৰু কৃত্ৰিম সমস্যাৰ ওপৰত অভিজ্ঞতাৰ ফলাফল আলোচনা কৰোঁ আৰু দেখুৱাম যে সৰলতম মাপকাঠীটো প্ৰায়েই অধিক জটিলতকৈ ভাল আচৰণ কৰে, কিন্তু কিছুমান পৰিস্থিতিত বিপদজনক হ ব পাৰে। |
4a5be26509557f0a1a911e639868bfe9d002d664 | মেচিন মেছেজিং স্পেচিফিকেচন (এমএমএছ) প্ৰট কলটো ঔদ্যোগিক প্ৰক্ৰিয়া নিয়ন্ত্ৰণ প্ৰয়োগত বহুলভাৱে ব্যৱহৃত হয়, কিন্তু ই দুৰ্বলভাৱে নথিভুক্ত। এই প্ৰবন্ধত আমি তথ্য সুৰক্ষাৰ ক্ষেত্ৰত এমএমএছৰ বুজ লোৱাৰ বাবে এমএমএছ প্ৰট কলৰ বিশ্লেষণ আগবঢ়াইছো। আমাৰ অনুসন্ধানত দেখা গৈছে যে এমএমএছৰ নিৰাপত্তা ব্যৱস্থা পৰ্যাপ্ত নহয় আৰু উপলব্ধ নিৰাপত্তা ব্যৱস্থা বাণিজ্যিকভাৱে উপলব্ধ ঔদ্যোগিক সঁজুলিসমূহত প্ৰয়োগ কৰা হোৱা নাই। |
15a2ef5fac225c864759b28913b313908401043f | গ্ৰাহকৰ বিশ্বাস অৰ্জন কৰিবলৈ, চফ্টৱেৰ বিক্ৰেতাসকলে তেওঁলোকৰ প্ৰডাক্টসমূহক সুৰক্ষা মানদণ্ড অনুসৰি প্ৰমাণিত কৰিব পাৰে, উদাহৰণস্বৰূপে, সাধাৰণ মানদণ্ড (আইএছঅ ১৫৪০৮) । অৱশ্যে, সাধাৰণ মানদণ্ড প্ৰমাণপত্ৰৰ বাবে চফ্টৱেৰ প্ৰডাক্টৰ এক বোধগম্য নথি-পত্ৰৰ প্ৰয়োজন। এই নথি-পত্ৰৰ সৃষ্টিৰ ফলত সময় আৰু ধনৰ ক্ষেত্ৰত উচ্চ ব্যয় হয়। আমি এটা চফ্টৱেৰ বিকাশ প্ৰক্ৰিয়াৰ প্ৰস্তাৱ দিছো যি এটা সাধাৰণ মানদণ্ড প্ৰমাণপত্ৰৰ বাবে প্ৰয়োজনীয় নথিপত্ৰৰ সৃষ্টিৰ সমৰ্থন কৰে। গতিকে, ছফ্টৱেৰটো নিৰ্মাণ কৰাৰ পিছত আমি নথিপত্ৰ সৃষ্টি কৰাৰ প্ৰয়োজন নাই। তদুপৰি, আমি সাধাৰণ মানদণ্ড নথিৰ প্ৰতিষ্ঠাৰ ক্ষেত্ৰত সম্ভাব্য সমস্যাসমূহ আৱিষ্কাৰ কৰিবলৈ এডিআইটি নামৰ প্ৰয়োজনীয়তা-চালিত ছফ্টৱেৰ অভিযান্ত্ৰিক প্ৰক্ৰিয়াৰ উন্নত সংস্কৰণ ব্যৱহাৰ কৰাৰ প্ৰস্তাৱ দিছো। প্ৰমাণীকৰণ প্ৰক্ৰিয়াৰ পূৰ্বে আমি এই সমস্যাসমূহ চিনাক্ত কৰাৰ লক্ষ্য লৈছো। এনেদৰে আমি প্ৰমাণীকৰণ প্ৰচেষ্টাৰ ব্যয়বহুল বিলম্ব এৰাই চলিব পাৰো। এডিআইটি এটা নিৰৱচ্ছিন্ন বিকাশ পদ্ধতি প্ৰদান কৰে যি বিভিন্ন ধৰণৰ ইউএমএল মডেলৰ মাজত সামঞ্জস্যতা পৰীক্ষা কৰিবলৈ অনুমতি দিয়ে। এডিআইটিয়ে সুৰক্ষা প্ৰয়োজনীয়তাৰ পৰা ডিজাইন নথিপত্ৰলৈকে ট্ৰেকযোগ্যতাও সমৰ্থন কৰে। আমি আমাৰ প্ৰণালীটো এটা স্মাৰ্ট মিটাৰিং গেটৱে চিষ্টেমৰ বিকাশৰ সৈতে প্ৰদৰ্শন কৰিছো। |
21968ae000669eb4cf03718a0d97e23a6bf75926 | শেহতীয়াকৈ, সামাজিক নেটৱৰ্কত প্ৰভাৱ বিস্তাৰৰ ঘটনাত এক অসাধাৰণ আগ্ৰহ দেখা গৈছে। এই ক্ষেত্ৰত কৰা অধ্যয়নত তেওঁলোকৰ সমস্যাসমূহৰ বাবে প্ৰৱেশ হিচাপে এটা সামাজিক গ্ৰাফ থাকে য ত ব্যৱহাৰকাৰীৰ মাজত প্ৰভাৱৰ সম্ভাৱনা থকা প্ৰান্তবোৰ চিহ্নিত কৰা থাকে। অৱশ্যে, এই সম্ভাৱনাবোৰ ক ৰ পৰা আহিছে বা প্ৰকৃত সামাজিক নেটৱৰ্ক ডাটাৰ পৰা কেনেকৈ গণনা কৰিব পাৰি সেই প্ৰশ্নটো এতিয়ালৈকে বহুলভাৱে অৱহেলিত হৈ আহিছে। সেয়ে সামাজিক গ্ৰাফ আৰু ব্যৱহাৰকাৰীৰ ক্ৰিয়াৰ লগৰ পৰা প্ৰভাৱৰ মডেল নিৰ্মাণ কৰিব পাৰি নেকি এই প্ৰশ্নটো উত্থাপন কৰাটো আকৰ্ষণীয়। এই প্ৰবন্ধত আক্ৰমণ কৰা প্ৰধান সমস্যাটো হৈছে এইটোৱেই। মডেলৰ পাৰামিটাৰবোৰ শিকিবলৈ আৰু ভৱিষ্যদ্বাণী কৰিবলৈ শিকি লোৱা মডেলবোৰ পৰীক্ষা কৰিবলৈ মডেল আৰু এলগৰিথমৰ প্ৰস্তাৱ দিয়াৰ উপৰিও, আমি ব্যৱহাৰকাৰীয়ে এটা কাৰ্য সম্পাদন কৰিব বুলি আশা কৰিব পৰা সময়ক ভৱিষ্যদ্বাণী কৰিবলৈ কৌশলও বিকাশ কৰোঁ। আমি আমাৰ ধাৰণা আৰু কৌশলবোৰ ফ্লিকাৰ ডাটা ছেটৰ সহায়ত প্ৰমাণিত কৰো য ত ১.৩ মিলিয়ন ন ড, ৪০ মিলিয়ন এজ আৰু ৩৫ মিলিয়ন টাপলযুক্ত একচন লগ থাকে য ত ৩০০,০০০ টা পৃথক ক্ৰিয়াক উল্লেখ কৰা হয়। আমি দেখুৱাব পাৰিছো যে এটা সামাজিক নেটৱৰ্কত প্ৰকৃত প্ৰভাৱ আছে, আৰু আমাৰ প্ৰযুক্তিৰ প্ৰত্যাশা প্ৰদৰ্শনো অতি উন্নত। |
c8a04d0cbb9f70e86800b11b594c9a05d7b6bac0 | |
61dc8de84e0f4aab21a03833aeadcefa87d6d4e5 | গোপনীয়তা ৰক্ষাৰ বাবে তথ্য সংগ্ৰহ কৰা এড হ ক নেটৱৰ্কত বিতৰণিত যোগাযোগ আৰু নিয়ন্ত্ৰণৰ প্ৰয়োজনীয়তা, গতিশীল নেটৱৰ্ক টপ লজি, অবিশ্বাস্য যোগাযোগ সংযোগ ইত্যাদিৰ বাবে এক প্ৰত্যাহ্বানজনক সমস্যা। অসৎ ন ডৰ অস্তিত্বৰ ক্ষেত্ৰত অসুবিধাটো অতিমাত্ৰা হয়, আৰু অসৎ ন ডৰ বিৰুদ্ধে গোপনীয়তা, সঠিকতা আৰু দৃঢ়তা কেনেকৈ নিশ্চিত কৰিব পাৰি সেয়া এতিয়াও মুকলি বিষয় হৈয়ে আছে। বহুলভাৱে ব্যৱহৃত ক্ৰিপ্টোগ্ৰাফিক পদ্ধতিৰ বিপৰীতে, এই প্ৰবন্ধত আমি বিতৰণিত সহমত প্ৰণালীৰ ব্যৱহাৰ কৰি এই প্ৰত্যাহ্বানমূলক সমস্যাটো সমাধান কৰিম। আমি প্ৰথমে এটা সুৰক্ষিত সন্মতিভিত্তিক তথ্য সংগ্ৰহ (SCDA) এলগৰিথমৰ প্ৰস্তাৱ দিওঁ যি সংবেদনশীল তথ্যৰ গোপনীয়তা ৰক্ষা কৰি এটা সঠিক সংগ্ৰহ নিশ্চিত কৰে। ইয়াৰ পিছত, অসৎ ন ডসমূহৰ পৰা দূষিতক হ্ৰাস কৰিবলৈ, আমি এটা উন্নত SCDA (E-SCDA) এলগৰিথমৰ প্ৰস্তাৱ দিছো যি চুবুৰীয়াসকলক অসৎ ন ডসমূহ চিনাক্ত কৰিবলৈ অনুমতি দিয়ে, আৰু যেতিয়া অজ্ঞাত ডিচোনছ টি ন ড থাকে তেতিয়া ত্ৰুটি সীমাবদ্ধতা প্ৰাপ্ত কৰে। আমি SCDA আৰু E-SCDA দুয়োটাৰ সমন্বয় প্ৰমাণ কৰো। আমি এইটোও প্ৰমাণ কৰোঁ যে প্ৰস্তাৱিত এলগৰিথমবোৰ হৈছে- তথ্য গোপনীয়তা, আৰু আৰু σ ৰ মাজত গাণিতিক সম্পৰ্ক লাভ কৰে। বিস্তৃত অনুকৰণত প্ৰমাণিত হৈছে যে প্ৰস্তাৱিত আলগোৰি থিমসমূহৰ উচ্চ নির্ভুলতা আৰু কম জটিলতা আছে, আৰু এওঁলোক নেটৱৰ্ক গতিশীলতা আৰু অসৎ ন ডৰ বিৰুদ্ধে শক্তিশালী। |
dbde4f47efed72cbb99f412a9a4c17fe39fa04fc | প্ৰাকৃতিক ছবিৰ সৃষ্টি বৰ্তমান গভীৰ শিক্ষণৰ সক্ৰিয়ভাৱে অন্বেষণ কৰা ক্ষেত্ৰসমূহৰ ভিতৰত অন্যতম। বহুতো পদ্ধতি, যেনে অত্যাধুনিক শৈল্পিক শৈলী পৰিবৰ্তন বা প্ৰাকৃতিক ৰঙৰ সংশ্লেষণৰ বাবে, পৰ্যবেক্ষণীয়ভাৱে প্ৰশিক্ষিত গভীৰ স্নায়ু নেটৱৰ্কত শ্ৰেণীবদ্ধ প্ৰতিনিধিত্বৰ পৰিসংখ্যাসমূহৰ ওপৰত নিৰ্ভৰ কৰক। অৱশ্যে, এই বৈশিষ্ট্য প্ৰতিনিধিত্বৰ কোনটো দিশ প্ৰাকৃতিক ছবিৰ সৃষ্টিৰ বাবে গুৰুত্বপূৰ্ণ সেয়া স্পষ্ট নহয়ঃ ই গভীৰতা, পুঁজি বা প্ৰাকৃতিক ছবিৰ ওপৰত বৈশিষ্ট্যসমূহৰ প্ৰশিক্ষণ? আমি ইয়াত প্ৰাকৃতিক টেক্সচাৰৰ সংশ্লেষণৰ কামৰ বাবে এই প্ৰশ্নটো সমাধান কৰোঁ আৰু দেখুৱাম যে ওপৰৰ দিশসমূহৰ কোনোটো অপৰিহাৰ্য নহয়। ইয়াৰ পৰিৱৰ্তে, আমি প্ৰমাণ কৰিছোঁ যে উচ্চ মানৰ সংবেদনশীল প্ৰাকৃতিক আকাৰ কেৱল এটা স্তৰ, কোনো পুলিং আৰু এলোমেলো ফিল্টাৰ থকা নেটৱৰ্কৰ পৰা উৎপন্ন কৰিব পাৰি। |
acdc3d8d8c880bc9b9e10b337b09bed4c0c762d8 | বস্ত্ৰ আৰু পৰিধানযোগ্য সামগ্ৰীৰ সৈতে সংযুক্ত টেলিযোগাযোগ ব্যৱস্থা হৈছে এনে এক পদ্ধতি যাৰ জৰিয়তে চিকিৎসা সঁজুলিসমূহে স্বাস্থ্যসেৱাৰ ব্যৱস্থা উন্নত কৰাত প্ৰভাৱ পেলাই আছে। যেতিয়া এই বস্ত্ৰসমূহ সম্পূৰ্ণৰূপে বিকশিত হ ব তেতিয়া ই সজাগতা সৃষ্টি কৰিব আৰু প্ৰয়োজন সাপেক্ষে চিকিৎসালয়ৰ সম্পদ আৰু শ্ৰমৰ পৰিমাণ হ্ৰাস কৰাৰ লগতে মনোযোগ দাবী কৰিব পাৰিব। তদুপৰি, স্বাস্থ্যৰ অনিয়ম আৰু হৃদয় বা মগজুৰ অনিৰ্দেশ্য ব্যাধিৰ প্ৰতিৰোধত ইহঁতৰ গুৰুত্বপূৰ্ণ ভূমিকা আছে। এই কামত অতি-বিস্তৃত বেণ্ড (UWB) এণ্টেনাৰ গৱেষণাৰ সম্ভাৱনীয়তা দাঙি ধৰা হৈছে যি সম্পূৰ্ণৰূপে বস্ত্ৰজাত সামগ্ৰীৰ পৰা নিৰ্মিত যিটো ছাবষ্ট্ৰেটৰ বাবে ব্যৱহাৰ কৰা হৈছিল আৰু লগতে ডিজাইন কৰা এণ্টেনাৰ পৰিবাহী অংশবোৰো। অনুকৰণ আৰু পৰিমাপ কৰা ফলাফলৰ পৰা দেখা যায় যে প্ৰস্তাৱিত এণ্টেনাৰ ডিজাইনে বহল কাৰ্য্যকৰী বেণ্ডউইডথৰ প্ৰয়োজনীয়তা পূৰণ কৰে আৰু কমপেক্ট আকাৰ, ধুই পেলাব পৰা আৰু নমনীয় সামগ্ৰীৰ সৈতে ১৭ গিগাহাৰ্টজ বেণ্ডউইডথ প্ৰদান কৰে। ৰিটাৰ্ণ লষ্ট, বেণ্ডউইডথ, ৰেডিয়েশ্যন পৰ্ট্ৰন, কাৰেণ্ট ডিষ্ট্ৰিবিউশ্যন আৰু লাভ আৰু ইফিচিয়েন্সৰ ক্ষেত্ৰত পোৱা ফলাফলসমূহ বৰ্তমানৰ পাণ্ডুলিপিৰ ডিজাইনৰ উপযোগীতা প্ৰমাণ কৰিবলৈ উপস্থাপন কৰা হৈছে। ইয়াত উপস্থাপিত কামৰ এক স্বতন্ত্ৰ স্যুটৰ ভৱিষ্যতৰ অধ্যয়নৰ বাবে গভীৰ প্ৰভাৱ আছে যি এদিন পৰিধানকাৰী (ৰোগী) ক এনে নিৰ্ভৰযোগ্য আৰু আৰামদায়ক চিকিৎসা নিৰীক্ষণ কৌশল প্ৰদান কৰাত সহায় কৰিব পাৰে। ১২ এপ্ৰিল ২০১১ত প্ৰাপ্ত, ২৩ মে ২০১১ত গ্ৰহণ, ১০ জুন ২০১১ত কাৰ্যকৰী * মেইল কৰা লেখক: মৈ এ ৰহমান ওছমান ([email protected]) |
aab8c9514b473c4ec9c47d780b7c79112add9008 | গৱেষণা কৌশল হিচাপে কেচ ষ্টুডি টো প্ৰায়ে ছাত্ৰ-ছাত্ৰী আৰু অন্যান্য নতুন গৱেষকসকলৰ বাবে এটা স্পষ্ট বিকল্প হিচাপে দেখা যায় যিসকলে তেওঁলোকৰ কৰ্মস্থানৰ ওপৰত ভিত্তি কৰি বা সীমিত সংখ্যক সংস্থাৰ তুলনা কৰি এক সংক্ষিপ্ত স্কেল গৱেষণা প্ৰকল্প গ্ৰহণ কৰিবলৈ বিচাৰে। এই ক্ষেত্ৰত কেচ ষ্টডি গৱেষণাৰ প্ৰয়োগৰ আটাইতকৈ প্ৰত্যাহ্বানমূলক দিশটো হ ল অনুসন্ধানটো "কি হয়"ৰ এক বৰ্ণনামূলক বিৱৰণীৰ পৰা এক গৱেষণাৰ টুকুৰালৈ উত্তোলন কৰা যি জ্ঞানৰ মূল্যবান, যদিহে বিনম্ৰ সংযোজন বুলি দাবী কৰিব পাৰে। এই প্ৰবন্ধটো কেচ ষ্টডি গৱেষণা আৰু ইয়াৰ লগত সম্পৰ্কিত ক্ষেত্ৰসমূহৰ ওপৰত প্ৰতিষ্ঠিত পাঠ্যপুথিৰ ওপৰত অধিকভাৱে নিৰ্ভৰ কৰে, যেনে িন, ১৯৯৪, হেমেল আৰু আন, ১৯৯৩, ইটন, ১৯৯২, গম, ২০০০, পেৰী, ১৯৯৮ আৰু ছেণ্ডাৰ্ছ আৰু আন, ২০০০ কিন্তু কেচ ষ্টডি গৱেষণাৰ মূল দিশসমূহ এনেদৰে নিষ্কাশন কৰিবলৈ চেষ্টা কৰে যাতে নতুন গৱেষকসকলক এই গৱেষণা পদ্ধতিৰ কিছুমান মূল নীতিৰ সৈতে যুঁজিবলৈ আৰু প্ৰয়োগ কৰিবলৈ উৎসাহিত কৰিব পাৰে। প্ৰবন্ধটোত কেছ ষ্টডি গৱেষণা, গৱেষণা প্ৰণয়ন, তথ্য সংগ্ৰহ আৰু তথ্য বিশ্লেষণৰ ব্যৱহাৰৰ বিষয়ে ব্যাখ্যা কৰা হৈছে আৰু শেষত এটা প্ৰতিবেদন বা ডিছাৰ্টেচন লিখাৰ ক্ষেত্ৰত প্ৰমাণৰ ওপৰত আধাৰিত কৰাৰ পৰামৰ্শ আগবঢ়োৱা হৈছে। |
a088bed7ac41ae77dbb23041626eb8424d96a5ba | এই প্ৰবন্ধত এফ্ৰা প্ৰশ্ন উত্তৰ ইঞ্জিনৰ বিষয়ে বৰ্ণনা কৰা হৈছে, যি এটা মডুলাৰ আৰু সম্প্ৰসাৰিত ফ্ৰেমৱৰ্ক যি এটা প্ৰণালীত প্ৰশ্ন উত্তৰ দিয়াৰ বাবে একাধিক পদ্ধতি সংহত কৰিবলৈ অনুমতি দিয়ে। আমাৰ ফ্ৰেমৱৰ্কটো ইংৰাজী ভাষাৰ বাহিৰে আন ভাষাৰ বাবেও ব্যৱহাৰ কৰিব পাৰি, ভাষা-নিৰ্দিষ্ট উপাদানসমূহ সলনি কৰি। ই প্ৰশ্ন উত্তৰ, জ্ঞান টোকা আৰু জ্ঞান খননক দুটা প্ৰধান পদ্ধতিৰ সমৰ্থন কৰে। ইফ্ৰাই ৱেবক ডাটা ৰিচ ৰ্চ হিচাপে ব্যৱহাৰ কৰে, কিন্তু সৰু কৰ্প ৰেছনৰ সৈতেও কাম কৰিব পাৰে। তদুপৰি, আমি প্ৰশ্নৰ ব্যাখ্যা কৰাৰ এক নতুন পদ্ধতিৰ প্ৰস্তাৱ দিছো যি প্ৰশ্নৰ মূল ধাৰাৰ পৰা বিমূর্ত। পাঠৰ নিদৰ্শনবোৰ এটা প্ৰশ্নৰ ব্যাখ্যা আৰু পাঠৰ টুকুৰাৰ পৰা উত্তৰ আহৰণ কৰিবলৈ ব্যৱহাৰ কৰা হয়। আমাৰ চিষ্টেমটোৱে স্বয়ংক্ৰিয়ভাৱে উত্তৰ আহৰণৰ বাবে পটভূমি শিকিব, প্রশিক্ষণ তথ্য হিচাপে প্ৰশ্ন-উত্তৰ জোপা ব্যৱহাৰ কৰি। পৰীক্ষামূলক ফলাফলসমূহে এই পদ্ধতিৰ সম্ভাৱনীয়তা প্ৰকাশ কৰে। |
227ed02b3e5edf4c5b08539c779eca90683549e6 | বৰ্তমানৰ অধিকাংশ ফ্ৰেমৱৰ্কৰ কিছুমান সামাজিক-অৰ্থনৈতিক আৰু প্ৰযুক্তিগত পৰিবেশ থকা দেশসমূহত ইয়াৰ সাৰ্বজনীন প্ৰয়োগৰ বাবে পৰ্যাপ্ত নহয়। যদিও ই-প্ৰশাসন প্ৰয়োগৰ ক্ষেত্ৰত এতিয়ালৈকে সকলোৰে বাবে একক কৌশলৰ প্ৰয়োগ হোৱা নাই, এই পৰিৱৰ্তনৰ কিছুমান গুৰুত্বপূৰ্ণ সাধাৰণ উপাদান আছে। সেয়েহে এই প্ৰবন্ধত বিকাশশীল আৰু উন্নত দেশসমূহৰ বিদ্যমান ই-অংশগ্ৰহণৰ প্ৰচেষ্টাসমূহৰ পৰা লাভ কৰা কিছুমান তত্ত্ব আৰু শিক্ষাৰ ওপৰত ভিত্তি কৰি এক অনন্য বহনক্ষম মডেল প্ৰস্তুত কৰাৰ প্ৰয়াস কৰা হৈছে, যাতে আইচিটিৰ লাভালাভসমূহ সৰ্বাধিক কৰিব পৰা যায় আৰু অধিক অংশগ্ৰহণ সুনিশ্চিত কৰিব পৰা যায়। |
6afe5319630d966c1355f3812f9d4b4b4d6d9fd0 | |
a2c2999b134ba376c5ba3b610900a8d07722ccb3 | |
ab116cf4e1d5ed947f4d762518738305e3a0ab74 | |
64f51fe4f6b078142166395ed209d423454007fb | সঠিক আৰু শক্তিশালী গভীৰ নেটৱৰ্ক মডেলৰ প্ৰশিক্ষণৰ বাবে বৃহৎ পৰিমাণৰ টোকাযুক্ত প্ৰশিক্ষণ ছবি অতি গুৰুত্বপূৰ্ণ কিন্তু বৃহৎ পৰিমাণৰ টোকাযুক্ত প্ৰশিক্ষণ ছবি সংগ্ৰহ কৰাটো প্ৰায়ে সময় ব্যয়কাৰী আৰু ব্যয়বহুল। ছবি সংকেত প্ৰণালীয়ে এই সীমাবদ্ধতা দূৰ কৰে যন্ত্ৰৰ দ্বাৰা স্বয়ংক্ৰিয়ভাৱে টোকাযুক্ত প্ৰশিক্ষণ ছবি সৃষ্টি কৰি যি সাম্প্ৰতিক গভীৰ শিক্ষণ গৱেষণাত ক্ৰমাৎ আগ্ৰহ আকৰ্ষণ কৰিছে। আমি এটা উদ্ভাৱনীমূলক ছবি সংমিশ্ৰণ প্ৰণালী বিকাশ কৰো যিয়ে আগৰ ফালৰ আগ্ৰহৰ বস্তু (OOI) ক বাস্তৱিকভাৱে পটভূমিৰ ছবিত অন্তৰ্ভুক্ত কৰি টোকাযুক্ত প্ৰশিক্ষণ ছবি সংকলন কৰে। প্ৰস্তাৱিত কৌশলটো দুটা মূল উপাদানৰে গঠিত যি নীতিগতভাৱে গভীৰ নেটৱৰ্ক প্ৰশিক্ষণত সংশ্লেষিত ছবিৰ উপযোগিতা বৃদ্ধি কৰে। প্ৰথমটো হৈছে প্ৰসংগ-সচেতন অৰ্থগত সংহতি যি নিশ্চিত কৰে যে OOI সমূহ পটভূমি ছবিৰ ভিতৰত অৰ্থগতভাৱে সংহতিপূৰ্ণ অঞ্চলৰ চাৰিওফালে স্থাপন কৰা হয়। দ্বিতীয়টো হৈছে সুষম চেহেৰা অভিযোজন যি নিশ্চিত কৰে যে এম্বেডেড অ অ আই (OOI) দুয়োটা জ্যামিতি সংলগ্নতা আৰু চেহেৰা বাস্তৱবাদৰ পৰা চাৰিওফালে থকা পটভূমিৰ সৈতে গ্ৰহণযোগ্য। প্ৰস্তাৱিত প্ৰণালীটো দুটা সম্পৰ্কিত কিন্তু অতি ভিন্ন কম্পিউটাৰ দৃষ্টিৰ প্ৰত্যাহ্বান, যথা, দৃশ্য পাঠ্য আৱিষ্কাৰ আৰু দৃশ্য পাঠ্য স্বীকৃতিৰ ওপৰত মূল্যায়ন কৰা হৈছে। বহুতো ৰাজহুৱা তথ্যৰ ওপৰত কৰা পৰীক্ষাই আমাৰ প্ৰস্তাৱিত ছবি সংমিশ্ৰণ প্ৰণালীৰ কাৰ্যকৰীতা প্ৰমাণ কৰে। গভীৰ নেটৱৰ্ক প্ৰশিক্ষণত আমাৰ সংমিশ্ৰিত ছবিৰ ব্যৱহাৰৰ দ্বাৰা বাস্তৱ ছবি ব্যৱহাৰৰ তুলনাত একে বা ইয়াতকৈও ভাল দৃশ্য পাঠ্য আৱিষ্কাৰ আৰু দৃশ্য পাঠ্য স্বীকৃতিৰ কাৰ্যক্ষমতা প্ৰাপ্ত কৰিবলৈ সক্ষম হয়। |
ceb4040acf7f27b4ca55da61651a14e3a1ef26a8 | |
226cfb67d2d8eba835f2ec695fe28b78b556a19f | আমি বিটকয়েন প্ৰট কলৰ এটা ব্যৱহাৰিক সংশোধন প্ৰস্তাৱ কৰিছো যি সাধাৰণ ক্ষেত্ৰত বিটকয়েনক সুৰক্ষা দিয়ে। ই এক ঐক্যবদ্ধ চৰকাৰৰ দ্বাৰা স্বাৰ্থপৰ খনিৰ নিষিদ্ধকৰণ কৰে যি সম্পদৰ এক চতুৰ্থাংশতকৈও কম নিয়ন্ত্ৰণ কৰে। এই সীমাটো ভুলকৈ ধাৰণা কৰা ১/২ সীমাবদ্ধতাৰ তুলনাত কম, কিন্তু বৰ্তমানৰ বাস্তৱতাতকৈ ভাল য ত যিকোনো আকাৰৰ মিত্ৰজোঁটে ব্যৱস্থাটো আপোচ কৰিব পাৰে। বিটকয়েন ক্ৰিপ্ট কাৰ্ণই ইয়াৰ লেনদেনসমূহ ব্লকচেইন নামৰ এটা ৰাজহুৱা লগত ৰেকৰ্ড কৰে। ইয়াৰ সুৰক্ষা মূলতঃ বিতৰণ প্ৰট কলৰ ওপৰত নিৰ্ভৰ কৰে যি ব্লকচেইন বজাই ৰাখে, যিটো মাইনাৰ নামৰ অংশগ্ৰহণকাৰীসকলৰ দ্বাৰা পৰিচালিত হয়। সাধাৰণ জ্ঞানে দাবী কৰে যে খনি প্ৰট কল উদ্দীপনা-সমঞ্জস্যপূৰ্ণ আৰু সংখ্যালঘু গোটৰ সৈতে গোপন বুজাবুজিৰ বিৰুদ্ধে সুৰক্ষিত, অৰ্থাৎ, ই খনিৰ কৰ্মচাৰীসকলক প্ৰট কল অনুসৰণ কৰিবলৈ উদ্দীপনা দিয়ে। আমি দেখুৱাম যে বিটকয়েন খনি প্ৰট কলটো উদ্দীপকৰ সৈতে সামঞ্জস্যপূর্ণ নহয়। আমি এনে এক আক্রমণ উপস্থাপন কৰিছো যাৰ সৈতে খনিৰ শ্রমিকৰ আয় তেওঁলোকৰ ন্যায্য অংশতকৈ অধিক। এই আক্ৰমণৰ বিটকয়েনৰ বাবে গুৰুত্বপূৰ্ণ পৰিণাম হ ব পাৰেঃ যুক্তিসংগত খনিৰ শ্ৰমিকসকলে আক্ৰমণকাৰীসকলৰ সৈতে যোগদান কৰিবলৈ পছন্দ কৰিব, আৰু এই গোপন গোটৰ আকাৰ বৃদ্ধি পাব আৰু সংখ্যাগৰিষ্ঠ হ ব। এই মুহূৰ্তত, বিটকয়েন প্ৰণালী বিকেন্দ্ৰীকৃত মুদ্ৰা হৈ থকা বন্ধ কৰে। কিছুমান অনুমান নোহোৱালৈকে, স্বাৰ্থপৰ খনিৰ কাম যিকোনো আকাৰৰ মিত্ৰজোঁটৰ বাবে সম্ভৱপৰ হ ব পাৰে। |
2b00e526490d65f2ec00107fb7bcce0ace5960c7 | এই প্ৰবন্ধটো বস্তুসমূহৰ ইণ্টাৰনেটৰ বিষয়ে। এই প্ৰতিশ্ৰুতিপূৰ্ণ দৃষ্টান্তৰ মুখ্য সক্ষম কাৰক হৈছে বিভিন্ন প্ৰযুক্তি আৰু যোগাযোগ সমাধানৰ একত্ৰীকৰণ। চিনাক্তকৰণ আৰু ট্ৰেকিং প্ৰযুক্তি, ৱায়াৰযুক্ত আৰু ৱায়াৰলেছ ছেন্সৰ আৰু একুৱেটৰ নেটৱৰ্ক, উন্নত যোগাযোগ প্ৰট কল (Next Generation Internetৰ সৈতে ভাগ কৰা), আৰু স্মাৰ্ট বস্তুৰ বাবে বিতৰণ বুদ্ধিমত্তা কেৱল সৰ্বাধিক প্ৰাসংগিক। সহজেই অনুমান কৰিব পাৰি যে, ইন্টাৰনেট অৱ থিংছৰ অগ্ৰগতিৰ প্ৰতি কোনো গুৰুতৰ অৱদান অত্যাৱশ্যকীয়ভাৱে বিভিন্ন জ্ঞানৰ ক্ষেত্ৰ যেনে দূৰসংযোগ, তথ্য বিজ্ঞান, ইলেক্ট্ৰনিক্স আৰু সমাজ বিজ্ঞানত সক্ৰিয়ভাৱে কৰা কাৰ্যকলাপৰ ফলস্বৰূপে হ ব লাগিব। এনে এক জটিল পৰিস্থিতিত এই সমীক্ষাটো সেইসকল লোকলৈ আগবঢ়োৱা হৈছে যিসকলে এই জটিল শাখাৰ সৈতে সম্পৰ্ক স্থাপন কৰিব বিচাৰে আৰু ইয়াৰ বিকাশত অৱদান আগবঢ়াব বিচাৰে। এই ইণ্টাৰনেট অৱ থিংছ প্ৰদৰ্শনৰ বিভিন্ন দৃষ্টিভংগীৰ বিষয়ে প্ৰতিবেদন কৰা হৈছে আৰু সক্ষম প্ৰযুক্তিৰ পৰ্যালোচনা কৰা হৈছে। এই কথা স্পষ্ট যে গৱেষণা সম্প্ৰদায়ৰ সন্মুখত এতিয়াও বহু গুৰুত্বপূৰ্ণ সমস্যা আছে। এইসমূহৰ ভিতৰত সৰ্বাধিক প্ৰাসংগিক বিষয়সমূহক বিশদভাৱে আলোচনা কৰা হৈছে। ২০১০ এলছেভিয়াৰ বি.ভি. সকলো অধিকাৰ সংৰক্ষিত। |
839a69a55d862563fe75528ec5d763fb01c09c61 | নিম্ন-মাত্রিক ভেক্টৰ এম্বেডিং, LSTM বা সহজ কৌশল ব্যৱহাৰ কৰি গণনা কৰা হয়, পাঠৰ "অৰ্থাৎ" ধৰা পেলোৱাৰ বাবে এক জনপ্ৰিয় পদ্ধতি আৰু পৰৱৰ্তী কামৰ বাবে উপযোগী এক নিৰীক্ষণহীন শিক্ষণৰ ৰূপ। অৱশ্যে, তেওঁলোকৰ শক্তি তাত্ত্বিকভাৱে বুজি পোৱা হোৱা নাই। এই প্ৰবন্ধত, আমি ৰেখীয় অন্তৰ্ভুক্তিকৰণ প্ৰণালীৰ উপ-বিষয়ৰ ওপৰত চকু ৰাখি আনুষ্ঠানিক ধাৰণাটো লাভ কৰিছো। সংকুচিত সংবেদন তত্ত্বৰ ব্যৱহাৰ কৰি আমি দেখুৱাম যে সংযোজিত শব্দ ভেক্টৰবোৰক সংযুক্ত কৰা প্ৰতিনিধিত্ববোৰ মূলত পাঠৰ বেগ-অফ-এন-গ্ৰাম (BonG) প্ৰতিনিধিত্বৰ তথ্য-সংৰক্ষণৰ ৰেখামূলক পৰিমাপ। ইয়াৰ ফলত LSTMs ৰ বিষয়ে এটা নতুন তাত্ত্বিক ফলাফল পোৱা যায়ঃ নিম্ন-মেমৰি LSTM ৰ পৰা আহৰণ কৰা নিম্ন-মাত্রিক এম্বেডিংবোৰ BonG ভেক্টৰৰ ওপৰত এটা ৰেখীয় শ্ৰেণীবিভাজকৰ দৰে শ্ৰেণীবিভাজনৰ কামত প্ৰমাণিতভাৱে কমপক্ষেও শক্তিশালী, সৰু ভুললৈকে, এক ফলাফল যিটো ব্যাপক পাৰদৰ্শিতামূলক কাম এতিয়ালৈকে দেখুৱাবলৈ অক্ষম আছিল। আমাৰ পৰীক্ষাসমূহে এই তত্ত্বীয় ফলাফলবোৰ সমৰ্থন কৰে আৰু কিছুমান ক্ষেত্ৰত শব্দ-স্তৰৰ পদ্ধতিসমূহৰ মাজত কলা-কৌশলৰ অৱস্থা হোৱা মানদণ্ডৰ মানদণ্ডত শক্তিশালী, সৰল আৰু নিৰীক্ষণহীন বেজলাইন স্থাপন কৰে। আমি GloVe আৰু word2vec ৰ দৰে এম্বেডিংৰ এটা আচৰিত নতুন বৈশিষ্ট্যও দেখুৱাব পাৰোঃ তেওঁলোকে পাঠৰ বাবে এটা ভাল সংবেদনশীল মেট্ৰিক্স গঠন কৰে যি এলোমেলো মেট্ৰিক্সতকৈ অধিক কাৰ্যকৰী, মানক বিৰল পুনৰুদ্ধাৰ সঁজুলি, যি ব্যাখ্যা কৰিব পাৰে যে কিয় তেওঁলোকে ব্যৱহাৰিকভাৱে ভাল প্ৰতিনিধিত্বৰ সৃষ্টি কৰে। |
06e04fd496cd805bca69eea2c1977f90afeeef83 | অ্যালগৰিদমিক ন্যায্যতাৰ অধিকাংশ পদ্ধতিয়ে মেচিন লাৰ্ণিং পদ্ধতিসমূহক সীমাবদ্ধ কৰে যাতে ইয়াৰ ফলত সৃষ্টি হোৱা ভৱিষ্যদ্বাণীসমূহে ন্যায্যতাৰ কেইবাটাও স্বজ্ঞাত ধাৰণাসমূহৰ এটা পূৰণ কৰে। যদিও ই ব্যক্তিগত কোম্পানীক বৈষম্যবিৰোধী আইন মানি চলিবলৈ বা নেতিবাচক প্ৰচাৰ এৰাই চলিবলৈ সহায় কৰিব পাৰে, আমি বিশ্বাস কৰো যে ই প্ৰায়েই অতি কম, অতি দ্ৰুত। প্ৰশিক্ষণৰ তথ্য সংগ্ৰহ কৰা সময়ত, অসুবিধাত পৰা গোটৰ ব্যক্তিসকলে ইতিমধ্যে বৈষম্যৰ সন্মুখীন হৈছে আৰু তেওঁলোকৰ নিয়ন্ত্ৰণৰ বাহিৰৰ কাৰকৰ বাবে সুযোগ হেৰুৱাইছে। বৰ্তমানৰ কামত আমি নতুন ৰাজহুৱা নীতিৰ দৰে হস্তক্ষেপৰ ওপৰত গুৰুত্ব দিছো, আৰু বিশেষকৈ, সামগ্ৰিক ব্যৱস্থাৰ ন্যায্যতা উন্নত কৰাৰ সময়ত তেওঁলোকৰ ইতিবাচক প্ৰভাৱক কেনেকৈ সৰ্বাধিক কৰিব পাৰি। আমি হস্তক্ষেপৰ প্ৰভাৱসমূহক মডেলিং কৰিবলৈ কাৰণগত পদ্ধতি ব্যৱহাৰ কৰো, যাতে সম্ভাব্য হস্তক্ষেপৰ বাবে অনুমতি দিয়া হয়- প্ৰত্যেকজন ব্যক্তিৰ ফলাফলৰ ওপৰত নিৰ্ভৰ কৰিব পাৰে যে অন্য কোনোৱে হস্তক্ষেপ গ্ৰহণ কৰে। আমি ইয়াক নিউয়ৰ্ক চহৰৰ বিদ্যালয়ৰ ডাটা ছেট ব্যৱহাৰ কৰি শিক্ষাৰ সম্পদৰ বাজেট আৱণ্টনৰ উদাহৰণ দি প্ৰদৰ্শন কৰিম। |
44dd6443a07f0d139717be74a98988e3ec80beb8 | বৰ্তমানে বহুতো ভালদৰে বিকশিত অনুপ্ৰেৰণামূলক শিক্ষণ পদ্ধতি আছে, কিন্তু প্ৰত্যেকৰে নিৰ্দিষ্ট সীমাবদ্ধতা আছে যি অতিক্ৰম কৰাটো কঠিন। বহু কৌশলযুক্ত শিক্ষণ পদ্ধতিয়ে এটা অ্যালগৰিথমত বহুতো পদ্ধতিৰ সংমিশ্ৰণৰ দ্বাৰা এই সমস্যাটো সমাধান কৰিবলৈ চেষ্টা কৰে। এই প্ৰবন্ধত দুটা বহুল ব্যৱহৃত অভিজ্ঞতামূলক পদ্ধতিৰ একত্ৰীকৰণৰ বিষয়ে বৰ্ণনা কৰা হৈছেঃ নিয়মৰ দ্বাৰা প্ৰৰোচনা আৰু উদাহৰণ ভিত্তিক শিকন। নতুন এলগৰিথমত, উদাহৰণবোৰক সৰ্বাধিক নিৰ্দিষ্ট নিয়ম হিচাপে গণ্য কৰা হয়, আৰু শ্ৰেণীবিভাজন শ্ৰেষ্ঠ মিলৰ কৌশল ব্যৱহাৰ কৰি কৰা হয়। নিয়মবোৰ ক্ৰমান্বয়ে সাধাৰণীকৰণ কৰি শিকোৱা হয়, যেতিয়ালৈকে স্পষ্ট সঠিকতা উন্নত নহয়। তাত্ত্বিক বিশ্লেষণে এই পদ্ধতিটো কাৰ্যকৰী বুলি প্ৰমাণ কৰে। ইয়াক RISE 3.1 ব্যৱস্থাত ৰূপায়ণ কৰা হৈছে। বিস্তৃত অভিজ্ঞতামূলক অধ্যয়নত, RISE এ ইয়াৰ মূল পদ্ধতি (PEBLS আৰু CN2) দুয়োটাৰ অত্যাধুনিক প্ৰতিনিধিৰ লগতে সিদ্ধান্ত বৃক্ষ শিকক (C4.5) ৰ তুলনাত উচ্চ সঠিকতা লাভ কৰে। ক্ষয় অধ্যয়নে দেখুৱাইছে যে RISE ৰ প্ৰতিটো উপাদান এই কাৰ্য্যক্ষমতাৰ বাবে গুৰুত্বপূৰ্ণ। উল্লেখযোগ্যভাৱে, অধ্যয়ন কৰা ৩০ টা ক্ষেত্ৰৰ ১৪ টা ক্ষেত্ৰৰ ভিতৰত, RISE হৈছে PEBLS আৰু CN2 ৰ উত্তমতকৈ অধিক সঠিক, যি দেখুৱায় যে বহুতো অভিজ্ঞ পদ্ধতিৰ সংমিশ্ৰণৰ দ্বাৰা এক গুৰুত্বপূৰ্ণ সহযোগিতা লাভ কৰিব পাৰি। |
b38ac03b806a291593c51cb51818ce8e919a1a43 | |
4debb3fe83ea743a888aa2ec8f4252bbe6d0fcb8 | ওপেন ছ ৰ্চ ছফ্টৱেৰ (OSS) শেহতীয়াকৈ ব্যৱসায়িক স্বাৰ্থৰ বিষয় হৈ পৰিছে। নিশ্চিতভাৱে, OSS-এ ছফ্টৱেৰ সংকটৰ মূল সমস্যাসমূহ সমাধান কৰাৰ ক্ষেত্ৰত বহু প্ৰতিশ্ৰুতি প্ৰদান কৰিছে, যেনে ছফ্টৱেৰ বিকাশৰ বাবে বহুত সময় লোৱা, ইয়াৰ বাজেট অতিক্ৰম কৰা, আৰু ভালদৰে কাম নকৰা। প্ৰকৃততে, গুৰুত্বপূৰ্ণ OSS সফলতাৰ কেইবাটাও উদাহৰণ আছে- লিনাক্স অপাৰেটিং ছিষ্টেম, এপ্যাচি ৱেব চাৰ্ভাৰ, BIND ডমেইন নেম ৰিজ ল্যুচন ইউটিলিটি, মাত্ৰ কেইটামান নাম উল্লেখ কৰিবলৈ। অৱশ্যে, অ এছএছৰ ওপৰত কঠোৰ শৈক্ষিক গৱেষণাৰ ক্ষেত্ৰত এতিয়ালৈকে খুব কমেই কৰা হৈছে। এই অধ্যয়নত, এটা ফ্ৰেমৱৰ্ক দুটা পূৰ্বৰ ফ্ৰেমৱৰ্কৰ পৰা আহৰণ কৰা হৈছে যি IS ক্ষেত্ৰত অতি প্ৰভাৱশালী হৈছে, যথা যে জাকমেনৰ IS আৰ্কিটেকচাৰ (ISA) আৰু চেকল্যান্ডৰ CATWOE ফ্ৰেমৱৰ্ক ছফ্ট ছিষ্টেমছ পদ্ধতি (SSM) ৰ পৰা। ইয়াৰ ফলত সৃষ্টি হোৱা ফ্ৰেমৱৰ্কৰ সহায়ত OSS পদ্ধতিৰ বিশ্লেষণ কৰা হয়। OSS গৱেষণাৰ সম্ভাৱ্য ভৱিষ্যতৰ বিষয়েও আলোচনা কৰা হৈছে। |
4bd48f4438ba7bf731e91cb29508a290e938a1d0 | ২.৪ গিগাহেজ WLAN এক্সেস পইণ্ট এপ্লিকেচনৰ বাবে এটা কম্পেক্ট ওমনি-ডাইৰেক্চনেল এণ্টেনা চাৰ্কুলাৰ পলাৰিজেছন (চিপি) উপস্থাপন কৰা হৈছে। এণ্টেনাটোত চাৰিটা বক্ৰ ম ন পল আৰু এটা ফিডিং নেটৱৰ্ক থাকে যি একে সময়তে এই চাৰিটা ম ন পলক উত্তেজিত কৰে। চিপি এণ্টেনাৰ বৈদ্যুতিক আকাৰ কেৱল λ<sub>0</sub>/5×λ<sub>0</sub>/5×λ<sub>0</sub>/13. প্ৰতিৰোধ বেণ্ডউইথ (Sgadgadgad <sub>11</sub>gad <; -10 dB) হৈছে 3.85% (2.392 GHz ৰ পৰা 2.486 GHz) আৰু অক্ষীয় অনুপাত এজিমথ সমতলত কাৰ্য্যকৰী বেণ্ডত 0.5 dB তকৈ কম। |
0015fa48e4ab633985df789920ef1e0c75d4b7a8 | সন্ধান (CVPR 97 ৰ প্ৰক্ৰিয়াত, ১৭-১৯ জুন, ১৯৯৭, পৰ্টু ৰিকোত প্ৰকাশ পাব) এডগাৰ ওছুনাই? ৰবাৰ্ট ফ্ৰয়েণ্ড? ফেডেৰিকো গিৰ ছিয় জীৱবিজ্ঞান আৰু কম্পিউটেশ্যনেল লাৰ্ণিং আৰু অপাৰেচন ৰিচাৰ্ছ চেণ্টাৰ মেছচেচেটচ ইন্সটিটিউট অৱ টেকন ল জি কেম্ব্ৰিজ, এমএ, ০২১৩৯, আমেৰিকা যুক্তৰাষ্ট্ৰত সংক্ষিপ্ত বিৱৰণ আমি কম্পিউটাৰ ভিজনত ছাপৰ্ট ভেক্টৰ মেচিন (এছভিএম) ৰ প্ৰয়োগৰ বিষয়ে গৱেষণা কৰিছো। SVM হৈছে ভি. ভেপনিক আৰু তেওঁৰ দল (এটি এণ্ড টি বেল লেব) ৰ দ্বাৰা বিকশিত এক শিকন কৌশল। ইয়াক বহুপদ, নিউৰেল নেটৱৰ্ক, বা ৰেডিয়েল বেজ ফাংচন শ্ৰেণীবিভাজনৰ প্ৰশিক্ষণৰ বাবে এক নতুন পদ্ধতি হিচাপে দেখা যায়। সিদ্ধান্ত পৃষ্ঠবোৰ এটা ৰেখীয়ভাৱে সীমাবদ্ধ চতুৰ্ভুজীয় প্ৰগ্ৰামিং সমস্যা সমাধান কৰি পোৱা যায়। এই অপ্টিমাইজেশ্যন সমস্যাটো প্ৰত্যাহ্বানজনক কাৰণ ইয়াৰ চতুৰ্ভুজীয় ৰূপটো সম্পূৰ্ণৰূপে ঘন আৰু মেমৰিৰ প্ৰয়োজনীয়তা ডাটা পইণ্টৰ সংখ্যাৰ স্কুৱেৰ সৈতে বৃদ্ধি হয়। আমি এটা বিভাজন এলগৰিথম উপস্থাপন কৰিছো যি গোলকীয় সৰ্বোত্তমতাৰ নিশ্চয়তা দিয়ে, আৰু অতি ডাঙৰ ডাটা ছেটত SVM ৰ প্ৰশিক্ষণ দিবলৈ ব্যৱহাৰ কৰিব পাৰি। বিভাজনৰ মূল ধাৰণা হ ল উপ-সমস্যাসমূহৰ পুনৰাবৃত্ত সমাধান আৰু সৰ্বোত্তমতাৰ চৰ্তৰ মূল্যায়ন যি উন্নত পুনৰাবৃত্ত মান সৃষ্টি কৰিবলৈ ব্যৱহাৰ কৰা হয়, আৰু এলগৰিথমৰ বাবে ৰোধ কৰা মানদণ্ডও স্থাপন কৰে। আমি আমাৰ SVM প্ৰয়োগৰ পৰীক্ষামূলক ফলাফল প্ৰদৰ্শন কৰো, আৰু 50,000 তথ্য বিন্দুৰ ডাটা ছেট জড়িত কৰা মুখ চিনাক্তকৰণ সমস্যাৰ ওপৰত আমাৰ পদ্ধতিৰ কাৰ্য্যকৰীতা প্ৰদৰ্শন কৰোঁ। |
ca74a59166af72a14af031504e31d86c7953dc91 | |
0122e063ca5f0f9fb9d144d44d41421503252010 | অন-সুপাৰভিজড ফিচাৰ লাৰ্ণিং আৰু ডিপ লাৰ্ণিংৰ শেহতীয়া কামে দেখুৱাইছে যে ডাঙৰ মডেলক প্ৰশিক্ষণ দিব পাৰিলে প্ৰদৰ্শন যথেষ্ট উন্নত কৰিব পাৰি। এই প্ৰবন্ধত আমি এক গভীৰ নেটৱৰ্ক প্ৰশিক্ষণৰ সমস্যাটো বিবেচনা কৰো য ত বিলিয়ন সংখ্যক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰাথমিক প্ৰা আমি এটা ছফ্টৱেৰ ফ্ৰেমৱৰ্ক বিকাশ কৰিছো যাক ডিষ্টবেলিফ বুলি কোৱা হয় যিয়ে হাজাৰ হাজাৰ মেচিনৰ সৈতে কম্পিউটিং ক্লাষ্টাৰ ব্যৱহাৰ কৰি ডাঙৰ মডেলসমূহ প্ৰশিক্ষণ দিব পাৰে। এই ফ্ৰেমৱৰ্কৰ ভিতৰত, আমি বৃহৎ স্কেল বিতৰণ প্ৰশিক্ষণৰ বাবে দুটা এলগৰিথম বিকাশ কৰিছোঃ (i) ডাউনপোৰ এছজিডি, এক অসংক্ৰিয় ষ্ট কাষ্টিক গ্ৰেডিয়েন্ট অৱতৰণ প্ৰক্ৰিয়া যি বৃহৎ সংখ্যক মডেল প্ৰতিলিপি সমৰ্থন কৰে, আৰু (ii) ছেণ্ডব্লাষ্টাৰ, এক ফ্ৰেমৱৰ্ক যি এল-বিএফজিএছৰ বিতৰণ ৰূপায়ণকে ধৰি বিভিন্ন বিতৰণ বেটচ অপ্টিমাইজেশ্যন প্ৰক্ৰিয়াক সমৰ্থন কৰে। ডাউনপোৰ এছজিডি আৰু ছেণ্ডব্লাষ্টাৰ এল-বিএফজিএছে দুয়োটাই গভীৰ নেটৱৰ্ক প্ৰশিক্ষণৰ স্কেল আৰু গতি বৃদ্ধি কৰে। আমি আমাৰ চিষ্টেমটো সফলতাৰে ব্যৱহাৰ কৰি এটা গভীৰ নেটৱৰ্ক প্ৰশিক্ষণ কৰিছো যিটো সাহিত্যত পূৰ্বতে প্ৰকাশিততকৈ ৩০ গুণ ডাঙৰ আৰু ই ইমেজনেটত অত্যাধুনিক প্ৰদৰ্শন অৰ্জন কৰিছে, যিটো ১৬ মিলিয়ন ছবি আৰু ২১ হাজাৰ শ্ৰেণীৰ সৈতে এটা দৃশ্যমান বস্তু চিনাক্তকৰণ কাম। আমি দেখুৱাই দিওঁ যে এই একেই প্ৰযুক্তিৰ দ্বাৰা বাণিজ্যিক কণ্ঠ চিনাক্তকৰণ সেৱাৰ বাবে এটা অতি ক্ষুদ্ৰ গভীৰ নেটৱৰ্কৰ প্ৰশিক্ষণ প্ৰক্ৰিয়া দ্ৰুততৰ হয়। যদিও আমি বৃহৎ নিউৰেল নেটৱৰ্ক প্ৰশিক্ষণৰ ক্ষেত্ৰত প্ৰয়োগ কৰা এই পদ্ধতিসমূহৰ প্ৰদৰ্শনত গুৰুত্ব দিছো আৰু প্ৰতিবেদন দিছো, অন্তৰ্নিহিত এলগৰিথমবোৰ যিকোনো গ্ৰেডিয়েন্ট-ভিত্তিক মেচিন লাৰ্ণিং এলগৰিথমৰ বাবে প্ৰযোজ্য। |
f5fca08badb5f182bfc5bc9050e786d40e0196df | এটা ৱায়াৰলেছ চেন্সৰ নেটৱৰ্কৰ ওপৰত আধাৰিত জল পৰিবেশ নিৰীক্ষণ প্ৰণালীৰ প্ৰস্তাৱ কৰা হৈছে। ইয়াত তিনিটা অংশ আছেঃ তথ্য নিৰীক্ষণ ন ড, তথ্য আধাৰ ষ্টেচন আৰু দূৰ নিৰীক্ষণ কেন্দ্ৰ। এই ব্যৱস্থাটো জলাশয়, হ্ৰদ, নদী, জলাশয়, আৰু তল বা গভীৰ ভূগৰ্ভৰ পানীৰ দৰে জটিল আৰু বৃহৎ স্কেল জল পৰিবেশ পৰ্যবেক্ষণৰ বাবে উপযুক্ত। এই প্ৰবন্ধটো আমাৰ নতুন জল পৰিৱেশ নিৰীক্ষণ প্ৰণালীৰ ডিজাইনৰ ব্যাখ্যা আৰু প্ৰদৰ্শনৰ বাবে উৎসৰ্গিত। এই প্ৰণালীয়ে কৃত্ৰিম হ্ৰদৰ জলস্তৰ আৰু পিএইচ মানৰ পৰিৱেশৰ অনলাইন স্বয়ংক্রিয় নিৰীক্ষণ সফলতাৰে সম্পন্ন কৰিছিল। এই ব্যৱস্থাৰ জোখ-মাপ ক্ষমতা হৈছে ০-৮০ °C পানীৰ তাপমাত্ৰাৰ ক্ষেত্ৰত, য ত ইয়াৰ সঠিকতা হৈছে ±০.৫ °C; ০-১৪ pH মানৰ ক্ষেত্ৰত, য ত ইয়াৰ সঠিকতা হৈছে ±০.০৫ pH একক। বিভিন্ন জল গুণগত পৰিস্থিতিতালিকাৰ বাবে প্ৰযোজ্য ছেন্সৰসমূহ ন ডসমূহত স্থাপন কৰা উচিত যাতে বিভিন্ন জল পৰিৱেশৰ নিৰীক্ষণৰ প্ৰয়োজনীয়তা পূৰণ কৰিব পৰা যায় আৰু বিভিন্ন পাৰামিটাৰ লাভ কৰিব পৰা যায়। এই পৰ্যবেক্ষণ ব্যৱস্থাই ব্যাপক প্ৰয়োগৰ সম্ভাৱনা প্ৰদান কৰে। |
0969bae35536395aff521f6fbcd9d5ff379664e3 | আমি মাল্টি-ৰেডিঅ , মাল্টি-হপ ৱায়াৰলেছ নেটৱৰ্কত ৰাউটিংৰ বাবে এটা নতুন মেট্ৰিক উপস্থাপন কৰিছো। আমি স্থিৰ ন ড থকা ৱায়াৰলেচ নেটৱৰ্কসমূহ, যেনে কমিউনিটি ৱায়াৰলেচ নেটৱৰ্কসমূহত গুৰুত্ব দিছো। মেট্ৰিকৰ লক্ষ্য হৈছে উৎস আৰু গন্তব্যৰ মাজত উচ্চ-প্ৰবাহৰ পথ বাছনি কৰা। আমাৰ মেট্ৰিকটোৱে লিংকৰ ওপৰেৰে পেকেটৰ প্ৰত্যাশিত সম্প্ৰচাৰ সময় (ETT) ৰ ওপৰত ভিত্তি কৰি পৃথক লিংকসমূহক ওজন প্ৰদান কৰে। ETT হ ল লষ্ট ৰেট আৰু লিংকৰ বেণ্ডউইডথৰ এটা ফাংচন। পৃথক লিংক ওজনবোৰ ওজনযুক্ত সঞ্চিত ইটিটি (WCETT) নামৰ এটা পথ মেট্ৰিকত সংযুক্ত কৰা হয় যি একেটা চেনেল ব্যৱহাৰ কৰা লিংকৰ মাজত হস্তক্ষেপৰ বাবে স্পষ্টভাৱে হিচাপ দিয়ে। WCETT মেট্ৰিক এটা ৰাউটিং প্ৰট কলত অন্তৰ্ভুক্ত কৰা হৈছে যাক আমি মাল্টি-ৰেডিঅ লিংক-কোৱালিটি ছ ৰ্চ ৰাউটিং বুলি কওঁ। আমি আমাৰ মেট্ৰিকৰ কাৰ্যক্ষমতা অধ্যয়ন কৰিছিলো ইয়াক ২৩টা ন ডৰ পৰা গঠিত ৱায়াৰলেছ টেষ্টবেডত প্ৰয়োগ কৰি, প্ৰত্যেকটো দুটা ৮০২.১১ ৱায়াৰলেছ কাৰ্ডৰ সৈতে সজ্জিত। আমি দেখিবলৈ পাওঁ যে বহু-ৰেডিঅ পৰিৱেশত, আমাৰ মেট্ৰিকটোৱে দ্বিতীয় ৰেডিঅ ৰ বিচক্ষণ ব্যৱহাৰ কৰি পূৰ্বৰ প্ৰস্তাৱিত ৰাউটিং মেট্ৰিক্সক অতিক্ৰম কৰে। |
3a01f9933066f0950435a509c2b7bf427a1ebd7f | এই প্ৰবন্ধত আমি তথ্য প্ৰবাহৰ বাবে এক নতুন পদ্ধতিৰ বিষয়ে আলোচনা কৰিম য ত মনিটৰৰ এলইডিৰ পৰা তথ্য স্মাৰ্টফোনৰ কেমেৰালৈ প্ৰবাহিত কৰা হ ব। এই নতুন পদ্ধতিটোক এডভান্সড পাৰছিষ্টেণ্ট থ্ৰেট (এপিটি) ৰ অংশ হিচাপে আক্ৰমণকাৰীয়ে সংগঠনৰ পৰা মূল্যবান তথ্য লিক কৰিবলৈ ব্যৱহাৰ কৰিব পাৰে। প্ৰকল্পৰ প্ৰমাণ পত্ৰৰ পিছত এটা পৰীক্ষাৰ বৰ্ণনা আছে যিয়ে প্ৰমাণ কৰে যে ব্যৱহাৰিকভাৱে লোকসকলে আক্ৰমণৰ বিষয়ে অৱগত নহয়। আমি এনেধৰণৰ ভাবুকিসমূহ চিনাক্তকৰণ আৰু তাৰ প্ৰতিৰোধৰ বাবে কিছুমান উপায়ৰ প্ৰস্তাৱ আগবঢ়াইছো। |
698b8181cd613a72adeac0d75252afe7f57a5180 | আমি উদ্ভৱ হোৱা বহু-কোৰ প্লেটফৰ্মৰ বাবে বৃক্ষ-সমষ্টি এলগৰিথম ৰেণ্ডম ফৰেষ্ট (RF) আৰু অতিৰিক্তভাৱে এলোমেলো বৃক্ষ (ERT) ৰ দুটা নতুন সমান্তৰাল ৰূপায়ণ প্ৰদৰ্শন কৰোঁ, উদাহৰণ স্বৰূপে, সাধাৰণ উদ্দেশ্য কম্পিউটিং (GPGPU) ৰ বাবে উপযুক্ত সমসাময়িক গ্ৰাফিক্স কাৰ্ড। ৰেণ্ডম ফৰেষ্ট আৰু অতিমাত্ৰা ৰেণ্ডমাইজড ট্ৰীবোৰ শ্ৰেণীবিভাজন আৰু প্ৰত্যাৱৰ্তনৰ বাবে এন্সেমল লাৰ্ণাৰ। তেওঁলোকে প্ৰশিক্ষণৰ সময়ত বহু সংখ্যক সিদ্ধান্ত বৃক্ষ নিৰ্মাণ কৰি আৰু পৃথক গছৰ আউটপুটৰ তুলনা কৰি ভৱিষ্যদ্বাণী আউটপুট কৰি কাম কৰে। কাৰ্যৰ অন্তৰ্নিহিত সমান্তৰালতাৰ বাবে ধন্যবাদ, ইয়াৰ গণনাৰ বাবে এটা স্পষ্ট প্লেটফৰ্ম হৈছে বৃহৎ সংখ্যক প্ৰক্ৰিয়া কৰা ক ৰ সৈতে সমসাময়িক জিপিইউ নিয়োগ কৰা। সাহিত্যত ৰেণ্ডম ফৰেষ্টৰ পূৰ্বৰ সমান্তৰাল এলগৰিথমবোৰ পৰম্পৰাগত মাল্টি-কোৰ চিপিইউ প্লেটফৰ্ম বা প্ৰাথমিক ইতিহাসৰ জিপিইউৰ বাবে সৰল হাৰ্ডৱেৰ আৰ্হি আৰু তুলনামূলকভাৱে কম সংখ্যক ক ৰাৰ সৈতে ডিজাইন কৰা হৈছে। নতুন সমান্তৰাল এলগৰিথমবোৰ বৃহৎ সংখ্যক ক ৰ থকা সমসাময়িক জিপিইউৰ বাবে ডিজাইন কৰা হৈছে আৰু মেমৰি শ্ৰেণীবিন্যাস আৰু থ্ৰেড শিডুলিংৰ দৰে নতুন হাৰ্ডৱেৰ আৰ্হিৰ দিশবোৰ বিবেচনা কৰে। এওঁলোকক C/C++ ভাষা আৰু CUDA ইন্টাৰফেচ ব্যৱহাৰ কৰি এনভিডিয়া-ভিত্তিক GPU-ত সৰ্বোত্তম সম্ভৱ প্ৰদৰ্শন প্ৰদানৰ বাবে প্ৰয়োগ কৰা হয়। চিপিইউ আৰু জিপিইউ প্লেটফৰ্মৰ বাবে পূৰ্বৰ গুৰুত্বপূৰ্ণ সমাধানৰ সৈতে তুলনা কৰি কৰা এটা পৰীক্ষামূলক অধ্যয়নে নতুন ৰূপায়ণৰ বাবে গুৰুত্বপূৰ্ণ উন্নতি দেখুৱায়, প্ৰায়ে কেইবাটাও মাত্ৰাৰ সৈতে। |
1b4e04381ddd2afab1660437931cd62468370a98 | ভাষিক গৱেষণাৰ বহু ক্ষেত্ৰত প্ৰবন্ধৰ অংশৰ তথ্যৰ সৈতে ট্যাগ কৰা পাঠ্য কৰ্প ৰাবোৰ উপযোগী। এই প্ৰবন্ধত, নিউৰেল নেটৱৰ্কত ব্যৱহাৰ কৰা এটা নতুন অংশ-অফ-স্পীচ টেগিং পদ্ধতি (নেট-টেগাৰ) উপস্থাপন কৰা হৈছে আৰু ইয়াৰ কাৰ্যক্ষমতা llMM-টেগাৰ (কাটিং এট এল, ১৯৯২) আৰু ট্ৰাইগ্ৰাম-ভিত্তিক টেগাৰৰ (কেম্পে, ১৯৯৩) সৈতে তুলনা কৰা হৈছে। ই দেখুৱাইছে যে নেট-টেগাৰটো ট্ৰাইগ্ৰাম-ভিত্তিক টেগাৰৰ দৰে ভাল আৰু আইআইএমএম-টেগাৰৰ তুলনাত ভাল। |
68ba338be70fd3c5bdbc1c271243740f2e0a0f0c | আমি ডাঙৰ বিৰল বাইনেৰী ডাটা ছেটত উত্থাপিত প্ৰশ্নৰ বাবে দ্ৰুত আনুমানিক উত্তৰ সৃষ্টিৰ সমস্যাটো অনুসন্ধান কৰো। আমি এই সমস্যাৰ বাবে সম্ভাব্যতাভিত্তিক পদ্ধতিৰ ওপৰত গুৰুত্ব দিছো আৰু বেছলাইন স্বাধীনতাৰ মডেলতকৈ বহুতো কৌশল বিকাশ কৰিছো। বিশেষকৈ, আমি প্ৰায়ে আইটেম ছেটসমূহৰ পৰা প্ৰাথমিক মডেল নিৰ্মাণৰ বাবে দুটা কৌশল প্ৰৱৰ্তন কৰোঃ আইটেম ছেট সৰ্বাধিক এন্ট্ৰ পি পদ্ধতি, আৰু আইটেম ছেট অন্তৰ্ভুক্তি-বিচ্ছিন্নতা মডেল। সৰ্বাধিক এন্ট্ৰ পি পদ্ধতিত আমি আইটেমছেটসমূহক প্ৰশ্নকাকত ভৰিবলসমূহৰ বিতৰণৰ সীমাবদ্ধতা হিচাপে ব্যৱহাৰ কৰো আৰু সৰ্বাধিক এন্ট্ৰ পি নীতি ব্যৱহাৰ কৰি অনলাইন ট্ৰাইবটত কোৱাৰীৰ বাবে এক যৌথ সম্ভাৱনা মডেল নিৰ্মাণ কৰো। অন্তৰ্ভুক্ত-বহিষ্কাৰ মডেলত আইটেম ছেট আৰু তাৰ প্ৰৱণতাসমূহ এটা ডাটা ষ্ট্ৰাকচাৰত সঞ্চিত থাকে যাক এডিট্ৰী বুলি কোৱা হয়, যি প্ৰশ্নৰ উত্তৰ দিবলৈ অন্তৰ্ভুক্ত-বহিষ্কাৰ নীতিৰ কাৰ্যকৰী ৰূপায়নক সমৰ্থন কৰে। আমি এই দুটা আইটেমছেট-ভিত্তিক মডেলক মূল তথ্যৰ প্ৰত্যক্ষ অনুসন্ধান, মূল তথ্যৰ নমুনা অনুসন্ধান, লগতে অন্যান্য সম্ভাব্যতাবাদী মডেল যেনে ইণ্ডিপেনডেন্স মডেল, চাও-লিয়ু ট্ৰী মডেল, আৰু বাৰ্ন লি মিশ্ৰণ মডেলৰ সৈতে পাৰদৰ্শীভাৱে তুলনা কৰো। এই মডেলবোৰে উচ্চ-মাত্রিকতা (শতাধিক বা হাজাৰ হাজাৰ গুণ) পৰিচালনা কৰিব পাৰে, আনহাতে এই বিষয়ৰ ওপৰত কৰা আন অধিকাংশ কামেই তুলনামূলকভাৱে নিম্ন-মাত্রিক OLAP সমস্যাৰ ওপৰত ফ কাছ কৰা হৈছে। অনুকৰণ আৰু বাস্তৱিক দুয়োটা লেনদেনৰ তথ্যৰ ওপৰত কৰা পৰীক্ষাৰ ফলাফলসমূহে সমীপৱৰ্তী ত্ৰুটি, মডেলৰ জটিলতা আৰু প্ৰশ্নৰ উত্তৰ গণনা কৰিবলৈ প্ৰয়োজন হোৱা অনলাইন সময়ৰ মাজত বিভিন্ন মৌলিক বাণিজ্য-অফসমূহ প্ৰদৰ্শন কৰে। |
90522a98ccce3aa0ce20b4dfedb76518b886ed96 | এই পাণ্ডুলিপিৰ পুৰণি সংস্কৰণৰ সহায়ৰ বাবে ৰবাৰ্ট স্কিপাৰ আৰু এৰন হাইমেনক বিশেষ ধন্যবাদ। লগতে শ্বন মেককুইটি, ৰবিন পিটাৰছন, চাক পিকট, কেভিন শানাহান আৰু জাৰ্ণেল অৱ বিজনেছ ৰিচাৰ্ছৰ সম্পাদক আৰু সমীক্ষকসকলক ধন্যবাদ জনালোঁ, তেওঁলোকৰ সহায়কাৰী মন্তব্যৰ বাবে। এই পাণ্ডুলিপিৰ এটা পুৰণি সংস্কৰণে ২০০১ চনৰ ছ চাইটি ফৰ মাৰ্কেটিং এডভান্সৰ সন্মিলনত আগবঢ়োৱা শ্ৰেষ্ঠ প্ৰবন্ধৰ বাবে শ্ব বঁটা লাভ কৰে। এই পাণ্ডুলিপিৰ এটা সংক্ষিপ্ত সংস্কৰণ জাৰ্ণেল অৱ বিজনেছ ৰিচাৰ্ছত প্ৰকাশৰ বাবে গ্ৰহণ কৰা হৈছে। |
2e0db4d4c8bdc7e11541b362cb9f8972f66563ab | |
05c025af60aeab10a3069256674325802c844212 | আমি ভিডিঅ আৰু গতি ধৰাশায়ীত মানৱ শৰীৰৰ অৱস্থান চিনাক্তকৰণ আৰু ভৱিষ্যদ্বাণী কৰিবৰ বাবে এনকোডাৰ-ৰিকেৰণ্ট-ডিকোডাৰ (ইআৰডি) মডেলৰ প্ৰস্তাৱ দিছো। ইআৰডি মডেল হৈছে এটা পুনৰাবৃত্ত নিউৰেল নেটৱৰ্ক যিয়ে পুনৰাবৃত্ত স্তৰৰ আগতে আৰু পিছত অ-ৰেখিক এনকোডাৰ আৰু ডিকোডাৰ নেটৱৰ্ক অন্তৰ্ভুক্ত কৰে। আমি গতি ধৰা (মোক্যাপ) প্ৰজন্ম, শৰীৰৰ অৱস্থান লেবেলিং আৰু ভিডিঅ ত শৰীৰৰ অৱস্থান পূৰ্বানুমানৰ কামত ইআৰডি আৰ্কিটেকচাৰৰ উদাহৰণ পৰীক্ষা কৰোঁ। আমাৰ মডেলটোৱে বিভিন্ন বিষয় আৰু ক্ৰিয়া ক্ষেত্ৰৰ ম কেপ প্ৰশিক্ষণৰ তথ্যসমূহ সামৰি লয় আৰু দীৰ্ঘ সময়ৰ বাবে বিচৰণ নকৰাকৈ নতুন গতিৰ সংমিশ্ৰণ কৰে। মানুহৰ ভংগীম চিহ্নিতকৰণৰ বাবে, ইআৰডি (ERD) এ বাম-সোঁ শৰীৰৰ অংশৰ বিভ্ৰান্তিকৰ সমাধান কৰি প্ৰতি ফ্ৰেম শৰীৰৰ অংশৰ ডিটেক্টৰক অতিক্ৰম কৰে। ভিডিঅ পোজ পূৰ্বানুমানৰ বাবে, ইআৰডিএ ৪০০ মিঃমিঃৰ এক কালিক দিগন্তৰ ওপৰেদি শৰীৰৰ জইন্ট স্থানান্তৰ অনুমান কৰে আৰু অপ্টিকেল ফ্ল ভৰ ওপৰত ভিত্তি কৰি প্ৰথম অৰ্ডাৰ গতি মডেলক অতিক্ৰম কৰে। ইআৰডিসমূহে প্ৰতিনিধিত্ব আৰু ইয়াৰ গতিশীলতা একেলগে শিকিবলৈ সাহিত্যত পূৰ্বৰ দীৰ্ঘ ক্ষুদ্ৰ কাৰ্য্যকালৰ স্মৃতি (এলএছটিএম) মডেলবোৰ সম্প্ৰসাৰিত কৰে। আমাৰ পৰীক্ষাত দেখা গৈছে যে এই প্ৰতিনিধিত্বৰ শিক্ষণ স্থান-সময়ৰ লেবেল আৰু ভৱিষ্যদ্বাণী দুয়োটাৰ বাবে গুৰুত্বপূৰ্ণ। আমি এইটো পাওঁ যে 1D পাঠ, বক্তৃতা বা হস্তাক্ষৰৰ তুলনাত স্থান-কালীন দৃশ্যগত ক্ষেত্ৰৰ মাজত এটি পাৰ্থক্যৰ বৈশিষ্ট্য, য ত সহজ সৰল হাৰ্ড কোডেড প্ৰতিনিধিত্ববোৰে প্ৰত্যক্ষভাৱে পুনৰাবৃত্তিমূলক এককসমূহৰ সৈতে সংযুক্ত হৈ উৎকৃষ্ট ফলাফল দেখুৱাইছে [31]। |
092b64ce89a7ec652da935758f5c6d59499cde6e | আমি এটা নতুন ডাটা ছেট, হিউমেন৩.৬ এম, ৩.৬ মিলিয়ন সঠিক ৩ডি হিউমেন পোজ, ৫ জনী মহিলা আৰু ৬ জনী পুৰুষৰ প্ৰদৰ্শন ৰেকৰ্ড কৰি লাভ কৰা, ৪ টা ভিন্ন দৃষ্টিকোণৰ অধীনত, বাস্তৱবাদী মানৱ সংবেদক প্ৰণালীৰ প্ৰশিক্ষণৰ বাবে আৰু পৰৱৰ্তী প্ৰজন্মৰ মানৱ পোজ অনুমান মডেল আৰু এলগৰিথমৰ মূল্যায়নৰ বাবে। বৰ্তমানৰ অত্যাধুনিক প্ৰযুক্তিৰ ডাটা ছেটৰ আকাৰ বৃদ্ধি কৰাৰ উপৰিও, আমি এনে ডাটা ছেটসমূহক সাধাৰণ মানৱ কাৰ্যকলাপৰ অংশ হিচাপে দেখা পোৱা বিভিন্ন ধৰণৰ গতি আৰু অৱস্থান (ফটো তোলা, টেলিফোনত কথা কোৱা, অৱস্থান কৰা, শুভেচ্ছা, খোৱা ইত্যাদি) ৰ সৈতে সম্পূৰ্ন কৰাৰ লক্ষ্য লৈছো। ), অতিৰিক্ত সমকালীন ছবি, মানৱ গতি ধৰা, আৰু উৰণৰ সময় (গভীৰতা) তথ্য, আৰু জড়িত সকলো বিষয় অভিনেতাসকলৰ সঠিক 3D বডি স্কেন সহ। আমি নিয়ন্ত্ৰিত মিশ্ৰিত বাস্তৱ মূল্যায়ন দৃশ্যপটও প্ৰদান কৰো য ত 3D মানৱ মডেলসমূহ গতি ধৰা পেলোৱাৰ সহায়ত এনিমেটেড হয় আৰু সঠিক 3D জ্যামিতিৰ সহায়ত সংযোজন কৰা হয়, জটিল বাস্তৱ পৰিৱেশত, চলন্ত কেমেৰাৰে দেখা যায়, আৰু আচ্ছাদনৰ অধীনত। শেষত, আমি বৃহৎ পৰিসৰৰ পৰিসংখ্যাগত মডেলৰ এটা গোট আৰু তথ্যৰ বাবে বিশদ মূল্যায়ন ভিত্তি প্ৰদান কৰো যিয়ে ইয়াৰ বৈচিত্ৰ্য আৰু গৱেষণা সম্প্ৰদায়ৰ ভৱিষ্যতৰ কামৰ দ্বাৰা উন্নতিৰ সুযোগ দেখুৱায়। আমাৰ পৰীক্ষাসমূহে দেখুৱাইছে যে আমাৰ সৰ্বশ্ৰেষ্ঠ বৃহৎ স্কেল মডেলটোৱে আমাৰ সম্পূৰ্ণ প্ৰশিক্ষণ ছেটটো ব্যৱহাৰ কৰি এই সমস্যাৰ বাবে সৰ্ববৃহৎ ৰাজহুৱা ডাটা ছেটৰ স্কেলৰ প্ৰশিক্ষণ ছেটৰ তুলনাত ২০% উন্নত প্ৰদৰ্শন লাভ কৰিব পাৰে। তথাপি আমাৰ বৃহৎ ডাটা ছেট ব্যৱহাৰ কৰি উন্নত ক্ষমতা, অধিক জটিল মডেলৰ ব্যৱহাৰ কৰি উন্নতিৰ সম্ভাৱনা যথেষ্ট বেছি আৰু ভৱিষ্যতৰ গৱেষণাক উদ্দীপনা যোগাব। এই ডাটা ছেটটো ইয়াৰ সৈতে জড়িত বৃহৎ স্কেল শিক্ষণ মডেল, বৈশিষ্ট্য, দৃশ্যমানকৰণ সঁজুলি আৰু মূল্যায়ন ছাৰ্ভাৰৰ কোডৰ সৈতে http://vision.imar.ro/human3.6m ত উপলব্ধ। |
ba4a037153bff392b1e56a4109de4b04521f17b2 | সংকট তথ্যবিজ্ঞানে সমাজৰ প্ৰযুক্তিৰ প্ৰসাৰিত প্ৰৱেশে কেনেদৰে ব্যাপক জৰুৰীকালীন ঘটনালৈ প্ৰতিক্ৰিয়া প্ৰকাশ কৰিছে সেয়া অনুসন্ধান কৰে। এই পৰিৱৰ্তন অধ্যয়ন কৰিবলৈ, গৱেষকসকলে বৃহৎ সংখ্যক তথ্যৰ প্ৰৱেশাধিকাৰ বিচাৰে যিটো তেওঁলোকৰ আয়তন আৰু বৈষম্যপূৰ্ণ প্ৰকৃতিৰ বাবে সংগ্ৰহ আৰু বিশ্লেষণ কৰাটো কঠিন। এই উদ্বেগৰ সমাধানৰ বাবে আমি এটা পৰিৱেশৰ ডিজাইন আৰু প্ৰয়োগ কৰিছো - EPIC বিশ্লেষণ - যি সামাজিক মাধ্যমৰ তথ্য সংগ্ৰহ আৰু বিশ্লেষণৰ সৈতে গৱেষকসকলক সমৰ্থন কৰে। আমাৰ গৱেষণাই এই সেৱাসমূহ বিশ্বাসযোগ্য, স্কেলযোগ্য, সম্প্ৰসাৰিত আৰু কাৰ্যকৰী হোৱাটো নিশ্চিত কৰিবলৈ প্ৰয়োজনীয় উপাদানসমূহ- যেনে NoSQL, MapReduce, কেচিং আৰু অনুসন্ধান- চিনাক্ত কৰিছে। আমি ডেটা মডেলিং, সময় বনাম স্থানৰ বাণিজ্য আৰু এটা উপযোগী আৰু ব্যৱহাৰযোগ্য ব্যৱস্থাৰ প্ৰয়োজনীয়তাৰ দৰে ডিজাইনৰ প্ৰত্যাহ্বানসমূহৰ বিষয়ে বৰ্ণনা কৰোঁ - যেতিয়া ইপিআইচি বিশ্লেষণ নিৰ্মাণ কৰা হয় আৰু ইয়াৰ স্কেলিবিলিটি, কাৰ্যক্ষমতা আৰু কাৰ্যকাৰিতা আলোচনা কৰা হয়। |
4416236e5ee4239e86e3cf3db6a2d1a2ff2ae720 | আধুনিক বিশ্লেষণ প্ৰয়োগসমূহে বিভিন্ন লাইব্ৰেৰী আৰু ফ্ৰেমৱৰ্কসমূহৰ পৰা একাধিক কাৰ্য্যক একত্ৰিত কৰি ক্ৰমান্বয়ে জটিল কৰ্মপ্ৰবাহ নিৰ্মাণ কৰে। যদিও প্ৰতিটো ফাংশনে পৃথকে উচ্চ প্ৰদৰ্শন লাভ কৰিব পাৰে, সংযুক্ত ৱৰ্কফ্ল চৰ প্ৰদৰ্শন প্ৰায়ে হাৰ্ডৱেৰ সীমাবদ্ধতাৰ তলত এক আকাৰৰ আকাৰৰ হয় কাৰণ কাৰ্য্যসমূহৰ মাজত বিস্তৃত তথ্যৰ গতি। এই সমস্যা সমাধানৰ বাবে আমি ৱেল্ডৰ প্ৰস্তাৱ দিছো, যিটো ডাটা-আকৰ্ষিত এপ্লিকেচনৰ বাবে এটা ৰানটাইম যিটো বিচ্ছিন্ন লাইব্ৰেৰী আৰু ফাংশনসমূহৰ মাজত অপ্টিমাইজ কৰে। ৱেল্ডে SQL, মেচিন লাৰ্ণিং আৰু গ্ৰাফ এনালাইটিক্সকে ধৰি বিভিন্ন ডাটা সমান্তৰাল ৱৰ্কলোডৰ গাঁথনি ধৰা পেলাবলৈ এটা সাধাৰণ মধ্যৱৰ্তী প্ৰতিনিধিত্ব ব্যৱহাৰ কৰে। ইয়াৰ পিছত ই মূল তথ্যৰ গতিৰ অপ্টিমাইজেশ্যন কৰে আৰু সমগ্ৰ ৱৰ্কফ্ল ৰ বাবে দক্ষ সমান্তৰাল ক ড সৃষ্টি কৰে। ৱেল্ডক ব্যৱহাৰকাৰী-মুখী এপিআই সলনি নকৰাকৈয়ে টেন্সৰফ্লো, এপাচি স্পাৰ্ক, নুমপি আৰু পান্ডাৰ দৰে বৰ্তমানৰ ফ্ৰেমৱৰ্কসমূহত ক্ৰমান্বয়ে একত্ৰিত কৰিব পাৰি। আমি দেখুৱাম যে ৱেল্ডে এই ফ্ৰেমৱৰ্কবোৰ আৰু সেইবোৰ সংযুক্ত কৰা এপ্লিকেচনবোৰ ৩০ গুণ দ্ৰুত কৰিব পাৰে। |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.