_id
stringlengths 40
40
| text
stringlengths 0
9.21k
|
|---|---|
d1ee87290fa827f1217b8fa2bccb3485da1a300e | বেগিং প্ৰিডিক্টৰ হৈছে এটা প্ৰিডিক্টৰৰ একাধিক সংস্কৰণ সৃষ্টি কৰা আৰু এইবোৰ ব্যৱহাৰ কৰি এটা সংগ্ৰহিত প্ৰিডিক্টৰ লাভ কৰাৰ এটা পদ্ধতি। একত্ৰিতকৰণে এক সংখ্যাসূচক ফলাফলৰ ভৱিষ্যদ্বাণী কৰোতে সংস্কৰণসমূহৰ গড় নিৰ্ধাৰণ কৰে আৰু শ্ৰেণীৰ ভৱিষ্যদ্বাণী কৰোতে বহুমুখী ভোট দিয়ে। বহুতো সংস্কৰণবোৰ লাৰ্ণিং ছেটৰ বুটষ্ট্ৰ্যাপ প্ৰতিলিপি তৈয়াৰ কৰি আৰু এইবোৰক নতুন লাৰ্ণিং ছেট হিচাপে ব্যৱহাৰ কৰি গঠন কৰা হয়। শ্ৰেণীবিভাজন আৰু প্ৰতিলিপি বৃক্ষ আৰু ৰেখামুলক প্ৰতিলিপিৰ উপ-সমষ্টি নিৰ্বাচন ব্যৱহাৰ কৰি বাস্তৱ আৰু অনুকৰণ কৰা তথ্যৰ ওপৰত কৰা পৰীক্ষাই দেখুৱাইছে যে বেগিংয়ে সঠিকতাত যথেষ্ট লাভ কৰিব পাৰে। গুৰুত্বপূৰ্ণ উপাদানটো হৈছে ভৱিষ্যদ্বাণী পদ্ধতিৰ অস্থিৰতা। যদি শিকন সংহতিৰ বিঘ্নিতকৰণে নিৰ্মিত ভৱিষ্যদ্বাণীকাৰীৰ গুৰুত্বপূৰ্ণ পৰিৱৰ্তন কৰিব পাৰে, তেন্তে বেগিংয়ে সঠিকতা উন্নত কৰিব পাৰে। |
649197627a94fc003384fb743cfd78cdf12b3306 | |
0b440695c822a8e35184fb2f60dcdaa8a6de84ae | শেহতীয়াভাৱে আৰজিবি-ডি কেমেৰা যেনে কিনেক্ট ছেন্সৰ ব্যৱহাৰৰ সফলতাৰ ফলত থ্ৰী-ডি ডাটা আধাৰিত কম্পিউটাৰ এপ্লিকেচনৰ ব্যাপক সম্ভাৱনা দেখা গৈছে। অৱশ্যে, মানক পৰীক্ষা ডাটাবেছৰ অভাৱৰ বাবে, মুখ চিনাক্তকৰণ প্ৰযুক্তি এই আপ টু ডেট ইমেজিং ছেন্সৰৰ পৰা কেনেদৰে উপকৃত হ ব পাৰে সেয়া মূল্যায়ন কৰাটো কঠিন। Kinect আৰু মুখ চিনাক্তকৰণ গৱেষণাৰ মাজত সংযোগ স্থাপন কৰিবলৈ, এই কাগজত, আমি Kinect ছেন্সৰৰ ওপৰত ভিত্তি কৰি প্ৰথম ৰাজহুৱাভাৱে উপলব্ধ মুখ ডাটাবেছ (অৰ্থাৎ, KinectFaceDB1) উপস্থাপন কৰোঁ। এই ডাটাবেছত বিভিন্ন ডাটা মোডালিটি (ভালভাৱে সংলগ্ন আৰু প্ৰক্ৰিয়াকৃত ২-ডি, ২.৫-ডি, ৩-ডি আৰু ভিডিঅ -ভিত্তিক মুখৰ তথ্য) আৰু একাধিক মুখৰ পৰিবৰ্তন থাকে। আমি প্ৰস্তাৱিত ডাটাবেছত মানক মুখ চিনাক্তকৰণ পদ্ধতি ব্যৱহাৰ কৰি বেঞ্চমাৰ্ক মূল্যায়ন সম্পন্ন কৰিছো আৰু স্ক ৰ-লেভেল ফিউজনৰ জৰিয়তে আৰজিবি ডাটাৰ সৈতে গভীৰতাৰ ডাটা একত্ৰিত কৰাৰ সময়ত প্ৰদৰ্শন কৰা হৈছে। আমি Kinect ৰ 3-D ছবি (KinectFaceDB ৰ পৰা) আৰু FRGC ডাটাবেছৰ পৰা পৰম্পৰাগত উচ্চ মানৰ 3-D স্কেন (Face biometrics ৰ ক্ষেত্ৰত) তুলনা কৰিছিলো, যিয়ে মুখ চিনাক্তকৰণ গৱেষণাৰ বাবে প্ৰস্তাৱিত ডাটাবেছৰ প্ৰয়োজনীয়তা প্ৰকাশ কৰে। |
a85275f12472ecfbf4f4f00a61514b0773923b86 | ৱায়াৰলেচ প্ৰযুক্তি আৰু সহায়ক আন্তঃগাঁথনিৰ অগ্ৰগতিয়ে ব্যৱহাৰকাৰীৰ কাৰ্যকলাপ সীমাবদ্ধ নকৰাকৈ সৰ্বব্যাপী বাস্তৱ-সময়ৰ স্বাস্থ্যসেৱা আৰু ফিটনেছ নিৰীক্ষণৰ বাবে অভূতপূৰ্ব সুযোগ প্ৰদান কৰে। শৰীৰৰ ভিতৰত, শৰীৰৰ ওপৰত আৰু শৰীৰৰ চাৰিওফালে স্থাপন কৰা বেতাৰ সংযোগযুক্ত ক্ষুদ্ৰীকৃত ছেন্সৰ আৰু একিউয়েটৰবোৰে চিকিৎসা, জীৱনশৈলী আৰু মনোৰঞ্জন প্ৰয়োগৰ সমৰ্থনৰ বাবে শাৰীৰিক চিনৰ নিৰন্তৰ, স্বয়ংক্ৰিয় আৰু অনভিজ্ঞ নিৰীক্ষণৰ বাবে এক শৰীৰ ক্ষেত্ৰ নেটৱৰ্ক গঠন কৰে। BAN প্ৰযুক্তি বিকাশৰ প্ৰাৰম্ভিক পৰ্যায়ত আছে আৰু ইয়াক ব্যাপকভাৱে গ্ৰহণ কৰাৰ বাবে কেইবাটাও গৱেষণা প্ৰত্যাহ্বান অতিক্ৰম কৰিব লাগিব। এই প্ৰবন্ধত আমি BAN ৰ প্ৰয়োগ, কাৰ্য্যকৰী আৰু কাৰিকৰী প্ৰয়োজনীয়তাৰ মূল গোটটো অধ্যয়ন কৰো। আমি মৌলিক গৱেষণাৰ প্ৰত্যাহ্বান যেনে স্কেলিবিলিটি (ডাটা ৰেট, শক্তিৰ ব্যৱহাৰ আৰু ডিউটি চাইক্লৰ ক্ষেত্ৰত), এণ্টেনাৰ ডিজাইন, হস্তক্ষেপ হ্ৰাস, সহ-অস্তিত্ব, কোৱ ছ, নিৰ্ভৰযোগ্যতা, সুৰক্ষা, গোপনীয়তা আৰু শক্তি দক্ষতা আদিৰ বিষয়েও আলোচনা কৰিম। উদ্ভৱ হোৱা বেকিং এণ্ড নেটৱৰ্কিং নেটৱৰ্কৰ বজাৰ সামৰিবলৈ প্ৰস্তুত কেইবাটাও প্ৰত্যাশী প্ৰযুক্তিৰ মূল্যায়ন কৰা হৈছে আৰু তেওঁলোকৰ গুণ আৰু অপকাৰিতাৰ ওপৰত আলোকপাত কৰা হৈছে। এই প্ৰবন্ধত বেনৰ সৈতে সম্পৰ্কিত মানককৰণৰ কাৰ্যকলাপৰ বিষয়েও সংক্ষিপ্তভাৱে আলোচনা কৰা হৈছে। |
f4abebef4e39791f358618294cd8d040d7024399 | এই প্ৰতিবেদনত ফিটবিট ফ্লেক্স ইক ছিষ্টেমৰ বিশ্লেষণৰ বৰ্ণনা কৰা হৈছে। আমাৰ উদ্দেশ্যসমূহ হৈছে (1) ফিটবিটে ইয়াৰ ব্যৱহাৰকাৰীৰ পৰা সংগ্ৰহ কৰা তথ্য, (2) ফিটবিটে ইয়াৰ ব্যৱহাৰকাৰীক প্ৰদান কৰা তথ্য, আৰু (3) ডিভাইচ স্বত্বাধিকাৰীৰ বাবে উপলব্ধ নোহোৱা তথ্য পুনৰুদ্ধাৰৰ পদ্ধতিৰ বৰ্ণনা কৰা। আমাৰ বিশ্লেষণে চাৰিটা পৃথক আক্ৰমণ ভেক্টৰ সামৰি লৈছে। প্ৰথমতে, আমি ফিটবিট ডিভাইচৰ সুৰক্ষা আৰু গোপনীয়তাৰ বৈশিষ্ট্য বিশ্লেষণ কৰো। তাৰ পিছত, আমি ফিটবিট ডিভাইচ আৰু স্মাৰ্টফোন বা ব্যক্তিগত কম্পিউটাৰৰ মাজত সমন্বয়ৰ সময়ত প্ৰেৰণ কৰা ব্লুটুথ ট্ৰাফিক পৰ্যবেক্ষণ কৰো। তৃতীয়তে, আমি ফিটবিট এণ্ড্ৰইড এপ্লিকেশ্যনৰ সুৰক্ষা বিশ্লেষণ কৰো। অৱশেষত, আমি ফিটবিট স্মাৰ্টফোন বা কম্পিউটাৰ এপ্লিকেশ্যন আৰু ফিটবিট ৱেব সেৱাৰ মাজত নেটৱৰ্ক ট্ৰাফিকৰ সুৰক্ষা বৈশিষ্ট্য অধ্যয়ন কৰো। আমি প্ৰমাণ প্ৰদান কৰিছো যে ফিটবিটে কিছুমান বিশেষ পৰিস্থিতিত ওচৰৰ ফ্লেক্স ডিভাইচৰ তথ্য অযথা লাভ কৰে। আমি আৰু দেখুৱাম যে ফিটবিটে সংগ্ৰহ কৰা সকলো তথ্য ডিভাইচ মালিকক প্ৰদান নকৰে। আচলতে, আমি প্ৰতি মিনিটত সক্ৰিয়তাৰ তথ্যৰ প্ৰমাণ পাওঁ যি ফিটবিট ৱেব চাৰ্ভিচলৈ প্ৰেৰণ কৰা হয় কিন্তু মালিকক প্ৰদান কৰা নহয়। আমি এইটোও গম পালো যে ফিটবিট ডিভাইচৰ ম ক ঠিকনা কেতিয়াও সলনি নহয়, যি ব্যৱহাৰকাৰীৰ সম্পৰ্ক আক্ৰমণক সক্ষম কৰে। BTLE প্ৰমাণপত্ৰসমূহো নেটৱৰ্কত TLS-ৰ জৰিয়তে ডিভাইচ পেৰিঙৰ সময়ত প্ৰকাশিত হয়, যাক MITM আক্ৰমণৰ দ্বাৰা বাধা দিয়া হ ব পাৰে। শেষত, আমি প্ৰমাণ কৰোঁ যে প্ৰকৃত ব্যৱহাৰকাৰীৰ কাৰ্যকলাপৰ তথ্য প্ৰমাণিত হয় আৰু ডিভাইচৰ পৰা ফিটবিট ৱেব সেৱালৈ এণ্ড-টু-এণ্ড ভিত্তিত প্লেইনটেক্সটত প্ৰদান কৰা নহয়। |
3007a8f5416404432166ff3f0158356624d282a1 | সহযোগিতামূলক ফিল্টাৰিংৰ দৰে জটিল মেচিন লাৰ্নিং (এমএল) এলগৰিথম কাৰ্যকৰী কৰাৰ বাবে আটাইতকৈ কম পথ বিচাৰি পোৱাৰ পৰা বহুতো অনুপ্ৰয়োগৰ বাবে গ্ৰাফ বিমূর্ততা অপৰিহাৰ্য। বিভিন্ন প্ৰয়োগৰ বাবে কেঁচা তথ্যৰ পৰা গ্ৰাফ নিৰ্মাণ কৰাটো প্ৰত্যাহ্বানজনক হৈ পৰিছে, কাৰণ তথ্যৰ ক্ৰমান্বয়ে বৃদ্ধিৰ লগতে বৃহৎ স্কেল গ্ৰাফ প্ৰক্ৰিয়াকৰণৰ প্ৰয়োজনীয়তা। যেহেতু গ্ৰাফ নিৰ্মাণ এটা ডাটা-সমান্তৰাল সমস্যা, মেপ ৰেডুক্স এই কাৰ্যৰ বাবে উপযুক্ত। আমি গ্ৰাফ বিল্ডাৰ, গ্ৰাফ এক্সট্ৰেক্ট-ট্ৰান্সফৰ্ম-লোড (ইটিএল) ৰ বাবে এক স্কেলযোগ্য ফ্ৰেমৱৰ্ক বিকাশ কৰিছিলো, যাতে গ্ৰাফ নিৰ্মাণৰ বহুতো জটিলতা আঁতৰ কৰিব পৰা যায়, গ্ৰাফ গঠন, টেবুলেশ্যন, ৰূপান্তৰ, বিভাজন, আউটপুট ফৰ্মেটিং আৰু ধাৰাবাহিকতা সহ। গ্ৰাফবিল্ডাৰ জাভাত লিখা হৈছে, প্ৰগ্ৰামিংৰ সহজতাৰ বাবে, আৰু ই মেপ ৰেডুক্স মডেল ব্যৱহাৰ কৰি স্কেল কৰে। এই প্ৰবন্ধত, আমি GraphBuilder, ইয়াৰ আৰ্হি, MapReduce এলগৰিথম, আৰু ফ্ৰেমৱৰ্কৰ পাৰদৰ্শিতা মূল্যায়নৰ প্ৰণালীটোৰ বিষয়ে বৰ্ণনা কৰিম। যিহেতু বৃহৎ গ্ৰাফসমূহক সংৰক্ষণ আৰু প্ৰক্ৰিয়াকৰণৰ বাবে ক্লাষ্টাৰত বিভাজিত কৰিব লাগে আৰু বিভাজন পদ্ধতিৰ উল্লেখযোগ্য কাৰ্যক্ষমতা প্ৰভাৱ আছে, আমি কেইবাটাও গ্ৰাফ বিভাজন পদ্ধতি বিকাশ কৰো আৰু তেওঁলোকৰ কাৰ্যক্ষমতা মূল্যায়ন কৰো। আমি এই ফ্ৰেমৱৰ্কটো https://01.org/graphbuilder/ ত মুকলি কৰি দিছো। |
2e526c2fac79c080b818b304485ddf84d09cf08b | কালগত তথ্য খননৰ উদ্দেশ্য হৈছে ঐতিহাসিক তথ্যত নিদৰ্শন বিচাৰি উলিওৱা। আমাৰ কামে তথ্যৰ পৰা সময়ৰ ধৰণ আহৰণ কৰি লক্ষ্যবস্তু ঘটনাৰ পূৰ্বানুমান কৰাৰ এটা পদ্ধতি প্ৰস্তাৱ কৰে, যেনে হ ষ্ট নেটৱৰ্কত কম্পিউটাৰ আক্ৰমণ বা বিত্তীয় প্ৰতিষ্ঠানত জালিয়াতিমূলক লেনদেন। আমাৰ সমস্যা সূত্ৰায়ণত দুটা প্ৰধান প্ৰত্যাহ্বান প্ৰদৰ্শন কৰা হৈছে: ১) আমি ঘটনাসমূহক শ্ৰেণীবদ্ধ বৈশিষ্ট্যসমূহৰ দ্বাৰা চিহ্নিত কৰা আৰু অসম-আগমনৰ সময় প্ৰদৰ্শন কৰা বুলি ধৰি লওঁ; এনে এটা ধাৰণা ধ্ৰুপদী সময়-শৃংখল বিশ্লেষণৰ পৰিসৰৰ বাহিৰত পৰে, ২) আমি লক্ষ্য ঘটনাসমূহ অতি কম ঘন ঘন বুলি ধৰি লওঁ; ভৱিষ্যদ্বাণীমূলক কৌশলসমূহে শ্ৰেণী-অসমতা সমস্যাৰ সৈতে মোকাবিলা কৰিব লাগিব। আমি এটা কাৰ্যকৰী এলগৰিথমৰ প্ৰস্তাৱ দিছো যি ঘটনা পূৰ্বানুমান সমস্যাক লক্ষ্যবস্তু ঘটনাবোৰৰ পূৰ্বৱৰ্তী সকলো ঘন ঘন ঘটনাসমূহৰ বাবে এটা অনুসন্ধানলৈ ৰূপান্তৰিত কৰি ওপৰৰ প্ৰত্যাহ্বানসমূহৰ মোকাবিলা কৰে। শ্ৰেণীগত ভাৰসাম্যহীনতাৰ সমস্যাটো কেৱল সংখ্যালঘু শ্ৰেণীৰ ওপৰত পটভূমিৰ সন্ধান কৰি দূৰ কৰা হয়; পটভূমিৰ বৈষম্যমূলক শক্তি আন শ্ৰেণীৰ বিৰুদ্ধে প্ৰমাণিত হয়। ইয়াৰ পিছত প্ৰতীকসমূহক একত্ৰিত কৰি এটা নিয়ম-আধাৰিত প্ৰতীকত ৰূপান্তৰিত কৰা হয়। আমাৰ পৰীক্ষামূলক বিশ্লেষণে ইভেণ্টৰ ধাৰাবাহিকতাৰ প্ৰকাৰসমূহ দেখুৱায় য ত লক্ষ্যবস্তু ইভেন্টবোৰ সঠিকভাৱে ভৱিষ্যদ্বাণী কৰিব পাৰি। |
0a54d2f49bda694071bbf43d8e653f5adf85be19 | তথ্য খনিৰ প্ৰণালীৰ উদ্দেশ্য হৈছে ডাটাবেছত ৰেকৰ্ড কৰা তথ্যৰ পৰা প্ৰণালীসমূহ আৱিষ্কাৰ কৰা আৰু উপযোগী তথ্য আহৰণ কৰা। এই লক্ষ্যত উপনীত হ বলৈ বিভিন্ন মেচিন লাৰ্ণিং এলগৰিথম প্ৰয়োগ কৰি উপলব্ধ তথ্যৰ বৰ্ণনামূলক মডেলৰ গণনা কৰা হৈছে। ইয়াত আমি এই গৱেষণা ক্ষেত্ৰৰ এটা প্ৰধান প্ৰত্যাহ্বান, বৃহৎ আৰু সম্ভৱতঃ শাৰীৰিকভাৱে বিতৰণ কৰা ডাটাবেছলৈ স্কেল কৰা প্ৰযুক্তিৰ বিকাশৰ বিষয়ে আলোচনা কৰিম। মেটা-লাৰ্নিং হৈছে এটা কৌশল যিয়ে উচ্চ পৰ্যায়ৰ শ্ৰেণীবিভাগক (বা শ্ৰেণীবিভাগৰ মডেল) গণনা কৰিবলৈ বিচাৰে, যাক মেটা-ক্লচাইফায়াৰ বোলা হয়, যিয়ে বিভিন্ন ডাটাবেছত পৃথকে পৃথকে গণনা কৰা একাধিক শ্ৰেণীবিভাগক একত্ৰিত কৰে। এই অধ্যয়নত মেটা-লাৰ্ণিংৰ বিষয়ে বৰ্ণনা কৰা হৈছে আৰু জেএএম (জাভা এজেন্টছ ফৰ মেটা-লাৰ্ণিং) নামৰ এটা এজেন্ট-ভিত্তিক মেটা-লাৰ্ণিং ব্যৱস্থা প্ৰদৰ্শন কৰা হৈছে। বিশেষকৈ, ই বিতৰণিত ডাটা মাইনিং ব্যৱস্থাৰ বাবে কেতবোৰ গুৰুত্বপূৰ্ণ প্ৰয়োজনীয়তা চিনাক্ত কৰে আৰু সমাধান কৰে যি কেন্দ্ৰীয়কৰণ বা হ ষ্ট-ভিত্তিক ব্যৱস্থাৰ তুলনাত অতিৰিক্ত জটিলতাৰ পৰা উদ্ভূত হয়। বিতৰণ প্ৰণালীসমূহে বিভিন্ন ধৰণৰ মঞ্চৰ সৈতে, একাধিক ডাটাবেছ আৰু (সম্ভৱতঃ) বিভিন্ন স্কীম, ডাটা ছাইটসমূহৰ মাজত যোগাযোগৰ বাবে স্কেলেবল আৰু কাৰ্যকৰী প্ৰট কলৰ ডিজাইন আৰু প্ৰয়োগ, আৰু অন্যান্য সমবয়সীয়া ডাটা ছাইটসমূহৰ পৰা প্ৰাপ্ত তথ্যৰ নিৰ্বাচিত আৰু কাৰ্যকৰী ব্যৱহাৰৰ সৈতে মোকাবিলা কৰিব পাৰে। অন্যান্য গুৰুত্বপূৰ্ণ সমস্যা, অন্তৰ্নিহিত সমস্যাসমূহ তথ্য খনন প্ৰণালীসমূহক অৱহেলা কৰিব নালাগে, প্ৰথমতে, নতুনকৈ আহৰণ কৰা তথ্যৰ সুবিধা লোৱাৰ ক্ষমতা, যি পূৰ্বতে মডেলবোৰ গণনা কৰাৰ সময়ত উপলব্ধ নাছিল আৰু ইয়াক বিদ্যমান মডেলসমূহৰ সৈতে সংযুক্ত কৰা, আৰু দ্বিতীয়তে, নতুন মেচিন লাৰ্ণিং পদ্ধতি আৰু তথ্য খনন প্ৰযুক্তি অন্তৰ্ভুক্ত কৰাৰ নমনীয়তা। আমি এই সমস্যাসমূহ JAM ৰ প্ৰেক্ষাপটত অনুসন্ধান কৰো আৰু বিস্তৃত অভিজ্ঞতামূলক অধ্যয়নৰ জৰিয়তে বিভিন্ন প্ৰস্তাৱিত সমাধানৰ মূল্যায়ন কৰো । |
b00672fc5ff99434bf5347418a2d2762a3bb2639 | এম্বেডেড ডিভাইচসমূহ সৰ্বব্যাপী হৈ পৰিছে, আৰু সেইবোৰ গোপনীয়তা-সংবেদনশীল আৰু সুৰক্ষা-সমালোচনামূলক এপ্লিকেশ্যনৰ এক সীমাত ব্যৱহাৰ কৰা হয়। এই যন্ত্ৰসমূহৰ বেছিভাগেই স্বত্বাধিকাৰযুক্ত ছফ্টৱেৰ চলায়, আৰু ছফ্টৱেৰটোৰ আভ্যন্তৰীণ কাম-কাজৰ বিষয়ে সামান্য নথি-পত্ৰ উপলব্ধ। কিছুমান ক্ষেত্ৰত, হাৰ্ডৱেৰ আৰু সুৰক্ষা ব্যৱস্থাৰ খৰচৰ বাবে ডিভাইচসমূহ ব্যৱহাৰ কৰাটো সম্ভৱপৰ নহয়। এনে পৰিৱেশত থকা ছফ্টৱেৰ বিশ্লেষণ কৰাটো প্ৰত্যাহ্বানজনক, কিন্তু প্ৰয়োজনীয়, যদি ছফ্টৱেৰ বাগ আৰু দুৰ্বলতাসমূহৰ সৈতে জড়িত বিপদসমূহ এৰাই চলিব লাগে। শেহতীয়া অধ্যয়নত বজাৰত উপলব্ধ বহুতো এম্বেডড ডিভাইচত বেকডোৰৰ উপস্থিতি ধৰা পৰিছে। এই প্ৰবন্ধত আমি ফৰ্মালিচ নামৰ এটা বাইনেৰী বিশ্লেষণ ফ্ৰেমৱেৰ উপস্থাপন কৰিছো যি এম্বেডড ডিভাইচত চলি থকা ফৰ্মৱেৰ বিশ্লেষণৰ বাবে সহায়ক। Firmalice এটা প্ৰতীকী কাৰ্য্যকৰী ইঞ্জিনৰ ওপৰত নিৰ্মিত, আৰু প্ৰগ্ৰাম স্লাইচিংৰ দৰে কৌশল, ইয়াৰ স্কেলিবিলিটি বৃদ্ধি কৰিবলৈ। ইয়াৰ উপৰিও, ফাৰ্মালাইচে প্ৰমাণীকৰণ বাইপাছ ত্ৰুটিৰ এক নতুন মডেল ব্যৱহাৰ কৰে, যিটো আক্ৰমণকাৰীৰ বিশেষাধিকাৰযুক্ত কাৰ্য সম্পাদন কৰিবলৈ প্ৰয়োজনীয় ইনপুট নিৰ্ধাৰণ কৰাৰ ক্ষমতাৰ ওপৰত ভিত্তি কৰি। আমি ফৰ্মলাইকক তিনিটা বাণিজ্যিকভাৱে উপলব্ধ ডিভাইচৰ ফৰ্মৱেৰত মূল্যায়ন কৰিছিলো, আৰু তাৰ মাজৰ দুটাত প্ৰমাণীকৰণ বাইপাস বেকডোৰ চিনাক্ত কৰিবলৈ সক্ষম হৈছিলো। ইয়াৰ উপৰিও, ফৰ্মৱেৰ পৰীক্ষাৰ তৃতীয়টো নমুনাৰ বেকডোৰটো এক অ-অধিকাৰপ্ৰাপ্ত প্ৰমাণপত্ৰৰ জ্ঞান অবিহনে আক্ৰমণকাৰীয়ে ব্যৱহাৰ কৰিব নোৱাৰে বুলি ফৰ্মলাইচে নিৰ্ণয় কৰিবলৈ সক্ষম হৈছিল। |
6949a33423051ce6fa5b08fb7d5f06ac9dcc721b | ক্ৰয় প্ৰক্ৰিয়াত জালিয়াতিমূলক আচৰণ চিনাক্তকৰণৰ বাবে প্ৰক্ৰিয়া খনন ব্যৱহাৰৰ তাত্ত্বিক আৰু ব্যৱহাৰিক মূল্যৰ ওপৰত এটা কেচ অধ্যয়ন সংক্ষিপ্তকৰণ এই থিছী প্ৰক্ৰিয়া খনন আৰু জালিয়াতি চিনাক্তকৰণৰ ওপৰত ছয় মাহৰ গৱেষণা কালৰ ফলাফল উপস্থাপন কৰে। এই থিছাৰ উদ্দেশ্য আছিল এই গৱেষণাৰ প্ৰশ্নৰ উত্তৰ দিয়া যে প্ৰক্ৰিয়া খননক জালিয়াতি চিনাক্তকৰণৰ ক্ষেত্ৰত কিদৰে ব্যৱহাৰ কৰিব পাৰি আৰু জালিয়াতি চিনাক্তকৰণৰ বাবে প্ৰক্ৰিয়া খনন ব্যৱহাৰৰ লাভালাভবোৰ কি কি? সাহিত্য অধ্যয়নৰ ওপৰত ভিত্তি কৰি এই গ্ৰন্থখনত প্ৰক্ৰিয়াগত খনি আৰু ইয়াৰ বিভিন্ন দিশ আৰু কৌশলসমূহৰ তত্ত্ব আৰু প্ৰয়োগৰ বিষয়ে আলোচনা কৰা হৈছে। সাহিত্য অধ্যয়ন আৰু ক্ষেত্ৰ বিশেষজ্ঞৰ সৈতে হোৱা সাক্ষাৎকাৰৰ সহায়ত জালিয়াতি আৰু জালিয়াতি চিনাক্তকৰণৰ ধাৰণাটো আলোচনা কৰা হৈছে। এই ফলাফলসমূহ প্ৰক্ৰিয়াগত খনন আৰু জালিয়াতি চিনাক্তকৰণৰ প্ৰয়োগৰ ওপৰত বৰ্তমানৰ কেচ অধ্যয়নৰ বিশ্লেষণৰ সৈতে সংযুক্ত কৰি দুটা কেচ অধ্যয়নৰ প্ৰাৰম্ভিক ছেটআপ নিৰ্মাণ কৰা হয়, য ত ক্ৰয় প্ৰক্ৰিয়াত সম্ভাব্য জালিয়াতিপূৰ্ণ আচৰণ চিনাক্ত কৰিবলৈ প্ৰক্ৰিয়াগত খনন প্ৰয়োগ কৰা হয়। এই কেচ ষ্টুডিৰ অভিজ্ঞতা আৰু ফলাফলৰ ভিত্তিত, 1+5+1 পদ্ধতিটো প্ৰতাৰণাৰ আৱিষ্কাৰৰ ক্ষেত্ৰত প্ৰক্ৰিয়াগত খনিৰ কৌশল কেনেকৈ ব্যৱহাৰ কৰিব পাৰি তাৰ পৰামৰ্শৰ সৈতে নীতিসমূহ কাৰ্যকৰী কৰাৰ প্ৰথম পদক্ষেপ হিচাপে উপস্থাপন কৰা হৈছে। এই থিছীটোৱে তিনিটা সিদ্ধান্ত উপস্থাপন কৰিছেঃ (1) প্ৰক্ৰিয়া খনন হৈছে জালিয়াতি চিনাক্তকৰণৰ বাবে এক মূল্যবান সংযোজন, (2) 1+5+1 ধাৰণাৰ ব্যৱহাৰ কৰি সম্ভৱতঃ জালিয়াতিপূৰ্ণ আচৰণৰ সূচকসমূহ চিনাক্ত কৰাটো সম্ভৱ হৈছে (3) জালিয়াতি চিনাক্তকৰণৰ বাবে প্ৰক্ৰিয়া খননৰ ব্যৱহাৰিক ব্যৱহাৰ বৰ্তমান সঁজুলিসমূহৰ দুৰ্বল কাৰ্যক্ষমতাৰ দ্বাৰা হ্ৰাস পাইছে। প্ৰদৰ্শন সমস্যাসমূহৰ পৰা ভুগি নথকা কৌশল আৰু সঁজুলিসমূহ প্ৰক্ৰিয়া আৰু সম্ভৱ জালিয়াতিপূৰ্ণ আচৰণত নতুন, দ্ৰুত বা সহজেই প্ৰাপ্ত কৰিব পৰা অন্তৰ্দৃষ্টি প্ৰদান কৰি নিয়মীয়া তথ্য বিশ্লেষণ কৌশলসমূহৰ পৰিবৰ্তে সংযোজনহে। iii অ কমৰ ৰেজাৰঃ "কোনো এটা বিষয় ব্যাখ্যা কৰিবলৈ প্ৰয়োজন হোৱা সত্তাৰ সংখ্যা যিটো প্ৰয়োজনীয় তাৰ বাহিৰে বৃদ্ধি কৰা উচিত নহয়" iv বিষয়বস্তু |
8aef832372c6e3e83f10532f94f18bd26324d4fd | জ্ঞানৰ ওপৰত ভিত্তি কৰি প্ৰশ্ন-উত্তৰ প্ৰণালীবোৰত সাধাৰণতে সৰু সৰু প্ৰশিক্ষণ তথ্যৰ ওপৰত নিৰ্ভৰ কৰে। যদিও সম্পৰ্ক আহৰণৰ দৰে তলুৱা পদ্ধতিবোৰ ডাটা অভাৱৰ প্ৰতি শক্তিশালী, সেইবোৰ অৰ্থবিজ্ঞান বিশ্লেষণৰ দৰে গভীৰ অৰ্থ প্ৰতিনিধিত্ব পদ্ধতিতকৈ কম প্ৰকাশক, যাৰ ফলত একাধিক সীমাবদ্ধতাক জড়িত প্ৰশ্নৰ উত্তৰ দিয়াত বিফল হয়। ইয়াত আমি ৱিকিপিডিয়াৰ পৰা অতিৰিক্ত প্ৰমাণৰ সৈতে সম্পৰ্ক আহৰণৰ পদ্ধতি শক্তিশালী কৰি এই সমস্যাটো লাঘৱ কৰো। আমি প্ৰথমে এটা নিউৰেল নেটৱৰ্ক ভিত্তিক সম্পৰ্ক এক্সট্ৰেক্টৰ প্ৰদৰ্শন কৰিম যাতে ফ্ৰিবেইজৰ পৰা প্ৰাৰ্থী উত্তৰসমূহ আহৰণ কৰিব পাৰি, আৰু তাৰ পিছত ৱিকিপিডিয়াৰ ওপৰত অনুমান কৰি এই উত্তৰসমূহক বৈধতা প্ৰদান কৰিব পাৰি। ৱেব কুইজেছৰ প্ৰশ্ন-উত্তৰ ডাটা ছেটৰ ওপৰত কৰা পৰীক্ষাত দেখা গৈছে যে আমাৰ পদ্ধতিয়ে ৫৩.৩% এফ১ লাভ কৰে, যিটো অত্যাধুনিক পদ্ধতিৰ তুলনাত যথেষ্ট উন্নত। |
16edc3faf625fd437aaca1527e8821d979354fba | কল্যাণ হৈছে এটা জটিল গঠন যি সৰ্বোত্তম অভিজ্ঞতা আৰু কাৰ্য্যকৰণক লৈ উদ্বিগ্ন। কল্যাণৰ ওপৰত বৰ্তমানৰ গৱেষণা দুটা সাধাৰণ দৃষ্টিকোণৰ পৰা আহৰণ কৰা হৈছেঃ হেডনিক পদ্ধতি, যি সুখৰ ওপৰত গুৰুত্ব আৰোপ কৰে আৰু সুখ প্ৰাপ্তি আৰু বেদনা এৰাই চলাৰ ক্ষেত্ৰত কল্যাণক সংজ্ঞায়িত কৰে; আৰু ইউডেমনিক পদ্ধতি, যি অৰ্থ আৰু স্ব-সংশোধনত গুৰুত্ব আৰোপ কৰে আৰু এজন ব্যক্তিৰ সম্পূৰ্ণ কাৰ্যক্ষমতাৰ ক্ষেত্ৰত কল্যাণক সংজ্ঞায়িত কৰে। এই দুই দৃষ্টিভংগীৰ ফলত বিভিন্ন গৱেষণা ফ কাছ আৰু কিছুমান ক্ষেত্ৰত পৃথক আৰু আন কিছুমান ক্ষেত্ৰত পৰিপূৰক জ্ঞান সৃষ্টি হৈছে। বহুস্তৰীয় মডেলিং আৰু নিৰ্মাণৰ তুলনা সম্পৰ্কীয় নতুন পদ্ধতিগত বিকাশেও গৱেষকসকলক ক্ষেত্ৰখনৰ বাবে নতুন প্ৰশ্নৰ সূত্ৰপাত কৰিবলৈ অনুমতি প্ৰদান কৰিছে। এই সমীক্ষাত কল্যাণৰ প্ৰকৃতি, ইয়াৰ পূৰ্বৱৰ্তী আৰু সময় আৰু সংস্কৃতিৰ মাজত ইয়াৰ স্থায়িত্ব সম্পৰ্কীয় দুয়োটা দৃষ্টিকোণৰ পৰা গৱেষণাক বিবেচনা কৰা হৈছে। |
ac8c2e1fa35e797824958ced835257cd49e1be9c | এই প্ৰবন্ধত তথ্য প্ৰযুক্তি আৰু সাংগঠনিক শিক্ষণৰ ওপৰত উদ্ভৱ হোৱা গৱেষণা সাহিত্য পৰ্যালোচনা আৰু মূল্যায়ন কৰা হৈছে। অৰ্থ আৰু পৰিমাপৰ বিষয়বোৰ আলোচনা কৰাৰ পিছত, আমি গৱেষণাৰ দুটা মূল স্ৰোত চিনাক্ত আৰু মূল্যায়ন কৰোঃ অধ্যয়নসমূহ যিয়ে সাংগঠনিক শিক্ষাৰ ধাৰণাসমূহ সংস্থাসমূহত তথ্য প্ৰযুক্তিৰ প্ৰয়োগ আৰু ব্যৱহাৰৰ প্ৰক্ৰিয়াত প্ৰয়োগ কৰে; আৰু সাংগঠনিক শিক্ষাক সমৰ্থন কৰিবলৈ তথ্য প্ৰযুক্তিৰ প্ৰয়োগৰ ডিজাইন সম্পৰ্কীয় অধ্যয়নসমূহ। পূৰ্বৰ গৱেষণাৰ পৰা আমি এই সিদ্ধান্তত উপনীত হ লো যে অভিজ্ঞতা বাস্তৱায়নৰ সফলতাত গুৰুত্বপূৰ্ণ কিন্তু অনিৰ্দিষ্ট ভূমিকা পালন কৰে; শিক্ষণ আনুষ্ঠানিক প্ৰশিক্ষণ আৰু অনুশীলনত অংশগ্ৰহণৰ জৰিয়তে সম্পন্ন হয়; সাংগঠনিক জ্ঞানৰ বাধাসমূহ আন সংগঠনৰ পৰা শিকাৰ দ্বাৰা অতিক্ৰম কৰিব পাৰি; আৰু নতুন প্ৰযুক্তিৰ শিক্ষা হৈছে এক গতিশীল প্ৰক্ৰিয়া যাৰ চৰিত্ৰ হৈছে সুযোগৰ তুলনামূলকভাৱে সংকীৰ্ণ উইণ্ডো। এই ধাৰাৰ পৰা আমি সিদ্ধান্ত লওঁ যে সাংগঠনিক স্মৃতি তথ্য প্ৰণালীৰ ধাৰণাগত ডিজাইনসমূহ আৰ্টিফেক্ট বিকাশৰ বাবে এক মূল্যবান অৱদান; শিকন সম্প্ৰসাৰিত হয় যোগাযোগ আৰু বক্তৃতাক সমৰ্থন কৰা প্ৰণালীৰ জৰিয়তে; আৰু তথ্য প্ৰযুক্তিৰ দ্বাৰা সাংগঠনিক শিকন সক্ষম আৰু অক্ষম কৰাৰ সম্ভাৱনা আছে। বৰ্তমান, এই দুয়োটা স্ৰোত পৰস্পৰৰ পৰা স্বাধীনভাৱে প্ৰবাহিত হয়, তেওঁলোকৰ ঘনিষ্ঠ ধাৰণা আৰু ব্যৱহাৰিক লিংক থকা সত্ত্বেও। আমি পৰামৰ্শ দিওঁ যে তথ্য প্ৰযুক্তি আৰু সাংগঠনিক শিক্ষণৰ ওপৰত ভৱিষ্যতে গৱেষণা অধিক একত্ৰিত ধৰণে আগবাঢ়ক, সাংগঠনিক শিক্ষণৰ অৱস্থান প্ৰকৃতিক স্বীকৃতি দিয়ক, বিতৰণ কৰা সাংগঠনিক স্মৃতিত গুৰুত্ব দিয়ক, কাৰ্যত আৰ্টিফেক্টৰ কাৰ্যকৰীতা প্ৰদৰ্শন কৰক, আৰু সম্পৰ্কীয় ক্ষেত্ৰসমূহত প্ৰাসংগিক গৱেষণাৰ ফলাফলৰ সন্ধান কৰক। |
654d129eafc136bf5fccbc54e6c8078e87989ea8 | এই প্ৰবন্ধত এটা মাল্টি-মোড বিম-ফৰ্মিং ৭৭ গিগা হাৰ্জ প্ৰাৱণতাত-সংযোজিত অবিচ্ছিন্ন-ৱেভ ৰেডাৰ প্ৰণালী উপস্থাপন কৰা হৈছে। সংক্ষিপ্ত পৰিসৰৰ ফ্ৰেক্বেঞ্চ-ডিভিজন মাল্টিপল-এক্সেছ (FDMA) মাল্টিপল-ইনপুট-মাল্টিপল-আউটপুট (MIMO) আৰু একে এণ্টেনাৰে দীঘল পৰিসৰৰ ট্ৰান্সমিট ফেজড-অৰে (PA) ৰাডাৰ চিষ্টেম একেলগে উপলব্ধি কৰিবলৈ প্ৰেৰণ পথত সংহত ইনফেজ/ক্বাড্ৰেটৰেট মডুলেটৰযুক্ত চাৰিটা ট্ৰান্সমিটাৰ চিপ ব্যৱহাৰ কৰা হয়। ই এফডিএমএ এমআইএমঅ ৰেডাৰৰ উচ্চ কোণীয় সংজ্ঞা আৰু পিএ ট্ৰান্সমিট এণ্টেনাৰ উচ্চ-উপাৰ্জন আৰু পৰিচালিত বীম সংযুক্ত কৰে। চাৰিটা এণ্টেনা আৰু গ্ৰহণ পথত ডিজিটেল বিম ফৰ্মিং পদ্ধতিৰে এটা ৰেখীয় এণ্টেনা এৰেজত এই ধাৰণাটো ব্যৱহাৰ কৰাৰ সম্ভাৱ্য লাভালাভবোৰ দেখুৱাবলৈ কেইবাটাও জোখ-মাপ কৰা হৈছিল। |
60611349d1b6d64488a5a88a9193e62d9db27b71 | এই প্ৰতিবেদনত বৰ্তমানৰ ক্লান্তি চিনাক্তকৰণ আৰু ভৱিষ্যদ্বাণী প্ৰযুক্তিৰ বিষয়ে আলোচনা কৰা হৈছে। বিভিন্ন প্ৰযুক্তিৰ তথ্য বিশ্বব্যাপী বিভিন্ন উৎসৰ পৰা সংগ্ৰহ কৰা হৈছিল। এই প্ৰতিবেদনৰ প্ৰথম ভাগত প্ৰযুক্তিৰ গৱেষণা আৰু বিকাশৰ বৰ্তমান অৱস্থা আৰু সংবেদনশীলতা, নিৰ্ভৰযোগ্যতা, বৈধতা আৰু গ্ৰহণযোগ্যতাৰ মূল বিষয়সমূহৰ প্ৰতি দৃষ্টি ৰাখি প্ৰযুক্তিৰ স্থিতিৰ সাৰাংশ দিয়া হৈছে। দ্বিতীয় ভাগত পৰিবহণৰ ক্ষেত্ৰত প্ৰযুক্তিৰ ভূমিকাৰ মূল্যায়ন কৰা হৈছে আৰু প্ৰযুক্তিৰ স্থানৰ বিষয়ে মন্তব্য কৰা হৈছে, বিশেষকৈ অষ্ট্ৰেলিয়া আৰু নিউজিলেণ্ডৰ আন আন বলৱৎ আৰু নিয়ামক ফ্ৰেমৱৰ্কৰ সৈতে। প্ৰতিবেদনৰ লেখকৰ সিদ্ধান্ত যে হাৰ্ডৱেৰ প্ৰযুক্তি কেতিয়াও কোম্পানীৰ ক্লান্তি ব্যৱস্থাপনা প্ৰণালী হিচাপে ব্যৱহাৰ কৰা উচিত নহয়। হাৰ্ডৱেৰ প্ৰযুক্তিৰ কেৱল অন্তিমটো সুৰক্ষা সঁজুলি হোৱাৰ সম্ভাৱনা আছে। তথাপিও, হাৰ্ডৱেৰ প্ৰযুক্তিৰ উৎপাদন কোম্পানীৰ ক্লান্তি ব্যৱস্থাপনা ব্যৱস্থাত ব্যৱহাৰযোগ্য হ ব পাৰে যাতে বাস্তৱ-সময়ৰ বিপদ মূল্যায়ন কৰিব পৰা যায়। অৱশ্যে, হাৰ্ডৱেৰ প্ৰযুক্তিৰ আউটপুট কেতিয়াও ব্যৱস্থাপনা ব্যৱস্থাৰ একমাত্ৰ ইনপুট হ ব নালাগে। আন ইনপুটসমূহ অন্ততঃ বৈধকৰণ কৰা ছফ্টৱেৰ প্ৰযুক্তি, দায়িত্বৰ বাবে উপযুক্ততাৰ পাৰস্পৰিক মূল্যায়ন আৰু কামৰ বোজা, সময়সূচী আৰু ৰ ষ্টাৰৰ আন বিপদ মূল্যায়নৰ পৰা আহিব লাগে। উদ্দেশ্যঃ তথ্যৰ বাবে: গুৰুতৰ যান-বাহন চালকৰ ক্লান্তিৰ ব্যৱস্থাপনাৰ ক্ষেত্ৰত ক্লান্তি চিনাক্তকৰণ আৰু ভৱিষ্যদ্বাণী প্ৰযুক্তিৰ স্থানৰ বিষয়ে বুজিবলৈ। |
d26c517baa9d6acbb826611400019297df2476a9 | |
0ee1916a0cb2dc7d3add086b5f1092c3d4beb38a | পাস্কেল ভিজুৱেল অবজেক্ট ক্লাছ (VOC) প্ৰত্যাহ্বান হৈছে ভিজুৱেল অবজেক্ট শ্ৰেণীৰ স্বীকৃতি আৰু আৱিষ্কাৰৰ ক্ষেত্ৰত এক মানদণ্ড, যিয়ে চিত্ৰ আৰু টোকা আৰু মানদণ্ড মূল্যায়ন প্ৰক্ৰিয়াৰ মানদণ্ড ডাটাছেট সহ দৃষ্টি আৰু মেচিন লাৰ্ণিং সম্প্ৰদায়ক প্ৰদান কৰে। ২০০৫ চনৰ পৰা বৰ্তমানলৈকে প্ৰতি বছৰে আয়োজন কৰা এই প্ৰত্যাহ্বান আৰু ইয়াৰ সৈতে জড়িত ডাটাছেটটো বস্তু চিনাক্তকৰণৰ বাবে মানদণ্ড হিচাপে গ্ৰহণ কৰা হৈছে। এই প্ৰবন্ধত ডাটা ছেট আৰু মূল্যায়ন প্ৰক্ৰিয়াৰ বিষয়ে বৰ্ণনা কৰা হৈছে। আমি শ্ৰেণীবিভাজন আৰু চিনাক্তকৰণৰ বাবে মূল্যায়িত পদ্ধতিৰ অত্যাধুনিকতাৰ পৰ্যালোচনা কৰো, পদ্ধতিসমূহ পৰিসংখ্যাগতভাৱে পৃথক হয় নে নহয়, তেওঁলোকে কি ছবিৰ পৰা শিকিব পাৰি (যেনে, (ক) বস্তু বা ইয়াৰ প্ৰসংগ (context) কি আৰু পদ্ধতিবোৰ কি সহজ বা বিভ্ৰান্তিকৰ বুলি ভাবে। এই প্ৰবন্ধত এই প্ৰত্যাহ্বানৰ তিনি বছৰৰ ইতিহাসৰ পৰা লাভ কৰা শিক্ষাসমূহ উল্লেখ কৰা হৈছে আৰু ভৱিষ্যতে ইয়াৰ উন্নতি আৰু সম্প্ৰসাৰণৰ বাবে পথ প্ৰস্তাৱ কৰা হৈছে। |
981fef7155742608b8b6673f4a9566158b76cd67 | |
a6eb10b1d30b4547b04870a82ec0c65baf2198f8 | |
40e06608324781f6de425617a870a103d4233d5c | ইয়াৰ পিছত, KM ব্যৱস্থাপনাক কাৰ্যকৰী কৰাৰ বাবে, জ্ঞান সম্পদৰ তিনিটা উৎস, মেটা-মডেল আৰু মেক্ৰ প্ৰক্ৰিয়াটো অবিৰত উদ্ভাৱনৰ প্ৰক্ৰিয়াত একত্ৰিত কৰি এটা শ্ৰেণীবদ্ধ মডেল নিৰ্মাণ কৰা হয়। এই মডেলটোৱে জ্ঞান আৰু উদ্ভাৱনৰ মাজত থকা জটিল সম্পৰ্কসমূহক চাৰিটা স্তৰত ভাগ কৰিছে। ব্যৱহাৰিক প্ৰভাৱ - পূৰ্বৰ গৱেষণাত জ্ঞান ব্যৱস্থাপনাৰ অনুশীলনৰ বিষয়ে লাভ কৰা শিক্ষা অনুসৰি, উদ্ভাৱনৰ বাবে জ্ঞান ব্যৱস্থাপনাৰ প্ৰকল্পৰ সফল ৰূপায়ণৰ বাবে জ্ঞান ব্যৱস্থাপনাৰ তিনিটা দৃষ্টিকোণে পৰস্পৰে পৰস্পৰৰ সৈতে সহযোগিতা কৰিব লাগে; আৰু শ্ৰেণীবদ্ধ মডেলটোৱে উদ্ভাৱনৰ বাবে জ্ঞান ব্যৱস্থাপনাৰ প্ৰণালী ৰূপায়ণৰ বাবে এটা উপযুক্ত আৰ্হি প্ৰদান কৰে। মূলত্ব/মূল্য - মেটা-মডেল আৰু কেএমৰ মেক্ৰ প্ৰক্ৰিয়াত ব্যাখ্যা কৰা হৈছে যে কেএমৰ পৰৱৰ্তী প্ৰজন্মই কেনেদৰে মূল্য সৃষ্টিত সহায় কৰিব পাৰে আৰু চিষ্টেম চিন্তাধাৰাৰ দৃষ্টিকোণৰ পৰা নিৰন্তৰ উদ্ভাৱনক সমৰ্থন কৰিব পাৰে। এই শ্ৰেণীবদ্ধ মডেলটোৱে নিৰন্তৰ উদ্ভাৱনৰ প্ৰক্ৰিয়াত জটিল জ্ঞানৰ গতিশীলতা প্ৰদৰ্শন কৰে। উদ্দেশ্য এই গৱেষণাৰ উদ্দেশ্য হৈছে উদ্ভাৱনৰ বাবে জ্ঞান ব্যৱস্থাপনাৰ (KM) ব্যৱস্থাপনাসমূহ বুজি উঠা আৰু উদ্যোগসমূহে নিৰন্তৰ উদ্ভাৱনৰ বাবে KM কাৰ্যকলাপৰ ব্যৱহাৰ কৰাৰ বাবে এটা পদ্ধতি প্ৰদান কৰা। ডিজাইন/পদ্ধতি/প্ৰকৰণ - বহুবিভাগীয় ক্ষেত্ৰৰ সাহিত্য পৰ্যালোচনা কৰি জ্ঞান, জ্ঞান ব্যৱস্থাপনা আৰু উদ্ভাৱনৰ ধাৰণাটো পৰীক্ষা কৰা হৈছে। জ্ঞান সৃষ্টি আৰু জ্ঞান ব্যৱহাৰৰ দৰে উদ্ভাৱনৰ বাবে দুটা মূল কাৰ্যকলাপৰ চিনাক্তকৰণৰ সৈতে জ্ঞান মজুতকৰণৰ ভৌতিক, মানৱ আৰু প্ৰযুক্তিগত দৃষ্টিভংগীৰ পাৰ্থক্য আছে। তাৰ পিছত নিৰন্তৰ উদ্ভাৱনৰ বাবে এক গুৰুত্বপূৰ্ণ প্ৰয়োজনীয়তা - এটা অভ্যন্তৰীণকৰণ পৰ্যায় নিৰ্ধাৰণ কৰা হয়। উদ্ভাৱনৰ বাবে কেএমৰ পদ্ধতিসমূহৰ বিষয়ে এক ব্যাপক বোধগম্যতা প্ৰদানৰ বাবে প্ৰণালীগত চিন্তা আৰু মানৱ-কেন্দ্ৰিক দৃষ্টিভংগী গ্ৰহণ কৰা হৈছে। ফলাফল - অভ্যন্তৰীণীকৰণৰ পৰ্যায় অন্তৰ্ভুক্ত কৰি জ্ঞানৰ ওপৰত ভিত্তি কৰি নিৰন্তৰ উদ্ভাৱনৰ এক নেটৱৰ্কিং প্ৰক্ৰিয়াৰ প্ৰস্তাৱ কৰা হৈছে। কেএমৰ তিনিটা দৃষ্টিকোণৰ মতে, উদ্ভাৱনত সাংগঠনিক জ্ঞানৰ সম্পদৰ তিনিটা উৎস চিনাক্ত কৰা হৈছে। তাৰ পিছত উদ্ভাৱনৰ দুটা মূল কাৰ্যকলাপৰ ওপৰত ভিত্তি কৰি, এক মেটা-মডেল আৰু এক মেক্ৰো প্ৰক্ৰিয়া প্ৰস্তাৱ কৰা হৈছে যাতে নিৰন্তৰ উদ্ভাৱনৰ বাবে কেএমৰ ব্যৱস্থাপনা প্ৰণয়ন কৰিব পৰা যায়। |
1dba1fa6dd287fde87823218d4f03559dde4e15b | এই প্ৰবন্ধত ষ্টার্ট তথ্য প্ৰাপ্তি ব্যৱস্থাত প্ৰশ্ন উত্তৰ সহজ কৰিবলৈ প্ৰাকৃতিক ভাষাৰ টোকা ব্যৱহাৰৰ পৰা লাভ কৰা কৌশল আৰু শিক্ষা প্ৰদৰ্শন কৰা হৈছে। |
77fbbb9ff612c48dad8313087b0e6ed03c31812a | তৰল স্ফটিক পলিমাৰ (LCP) হৈছে এটা উপাদান যি এটা সম্ভাব্য উচ্চ-প্ৰদৰ্শন মাইক্ৰ ৱেভ ছাবষ্ট্ৰেট আৰু পেকেজিং উপাদান হিচাপে মনোযোগ লাভ কৰিছে। এই অনুসন্ধানত মিলিমিটাৰ-ৱেভ ফ্ৰেক্সিভিটিৰ বাবে এলচিপিৰ বৈদ্যুতিক বৈশিষ্ট্য নিৰ্ণয় কৰিবলৈ কেইবাটাও পদ্ধতি ব্যৱহাৰ কৰা হৈছে। মাইক্ৰ ষ্ট্ৰীপ ৰিং ৰিজ নেটৰ আৰু কেভিটি ৰিজ নেটৰবোৰ ৩০ গিগাহাৰ্জটৰ ওপৰৰ এলচিপিৰ ডায়েলেক্ট্ৰিক ধ্ৰুবক (/spl epsi//sub r/) আৰু ক্ষতিৰ টেনজেন্ট (tan/spl delta/) চিনাক্ত কৰাৰ বাবে জোখা হয়। পৰিমাপ কৰা ডিয়েলেক্ট্ৰিক ধ্ৰুবকটো ৩.১৬ৰ ওচৰত স্থিৰ বুলি প্ৰমাণিত হয় আৰু ক্ষতিৰ টেনজেন্টটো ০.০০৪৯ৰ তলত থাকে। তদুপৰি, বিভিন্ন এলচিপি ছাবষ্ট্ৰেটৰ বেৰত বিভিন্ন পৰিবহণ লাইন নিৰ্মাণ কৰা হয় আৰু ক্ষতিৰ বৈশিষ্ট্যসমূহ ২ৰ পৰা ১১০ গিগাহেৰ্টছ পৰ্যন্ত প্ৰতি ছেণ্টিমিটাৰত ডেচিবেলত দিয়া হয়। 110 গিগাহেণ্টচত শীৰ্ষ প্ৰবাহৰ ক্ষতি 0.88-2.55 ডিবি/চিএম ৰ ভিতৰত পৰিবৰ্তন হয়, যিবোৰ লাইন প্ৰকাৰ আৰু জ্যামিতিৰ ওপৰত নিৰ্ভৰ কৰে। এই ফলাফলৰ পৰা প্ৰথমবাৰৰ বাবে দেখা গৈছে যে মিলিমিটাৰ-ৱেভ ফ্ৰেক্সিভৰ এপ্লিকেচনৰ বাবে এলচিপিৰ উৎকৃষ্ট ডিয়েলেক্ট্ৰিক গুণ আছে। |
cb84ef73db0a259b07289590f0dfcb9b8b9bbe79 | এই প্ৰবন্ধত পিন্ধিব পৰা যন্ত্ৰৰ বাবে হাইব্ৰিড ৰেডিঅ ফ্ৰেকভেন্সি (RF) আৰু পিজ ইলেক্ট্ৰিক পাতল ফিল্ম পলিভিনাইলাইডেন ফ্ল ৰাইড (PVDF) কম্পন শক্তি হাৰ্ভেষ্টাৰৰ বিষয়ে বৰ্ণনা কৰা হৈছে। পৰজীৱী ক্ষমতাৰ আৰু বিচ্ছিন্ন ইণ্ডাক্টৰৰ প্ৰতিৰোধক বৈশিষ্ট্যসমূহৰ ব্যৱহাৰ কৰি, প্ৰস্তাৱিত হাৰ্ভেষ্টাৰে কেৱল ১৫ হাৰ্জ কম্পন শক্তিকে পৰিষ্কাৰ নকৰে বৰঞ্চ ৯১৫ মেগাহাৰ্টজ নমনীয় ৰূপৰ কালিৰ এফচি ডিপল এণ্টেনাৰ দৰে কাম কৰে। ইয়াৰ উপৰিও, হাইব্ৰিড হাৰ্ভেষ্টাৰৰ আৰএফ আৰু কম্পন আউটপুটসমূহ প্ৰতিৰোধী লোডসমূহক শক্তি প্ৰদান কৰিবলৈ ডিচি সংকেতলৈ ৰূপান্তৰ কৰিবলৈ ৬-স্তৰৰ ডিকছন আৰএফ-টু-ডিচি কনভাৰ্টাৰ আৰু ডায়োড ব্ৰিজ ৰেক্টাইফায়াৰ অন্তৰ্ভুক্ত এটা ইন্টাৰফেচ চাৰ্কিট মূল্যায়ন কৰা হয়। এফ.চি.ৰ পৰা এফ.চি. কনভাৰ্টাৰ আৰু -৮ ডিবিএম ইনপুট এফ.চি. পাৱাৰ ব্যৱহাৰ কৰি ৩৬% খোলা চাৰ্কিটৰ আউটপুট ভল্টেজত ২০.৯ μৰ এক সৰ্বাধিক DC আউটপুট পাৱাৰ লাভ কৰা হয়, আনহাতে ৩ জি কম্পন উত্তেজনাৰ পৰা আহৰণ কৰা এফ.চি. পাৱাৰ সৰ্বাধিক ২.৮ μWত ৫১% খোলা চাৰ্কিটৰ ভল্টেজত প্ৰাপ্ত হয়। পৰীক্ষামূলক ফলাফলৰ পৰা দেখা গৈছে যে পৰীক্ষিত হাইব্ৰিড হাৰভেষ্টিং চিষ্টেমটোৱে একে সময়তে ৭.৩ μW DC শক্তি উৎপন্ন কৰে, যেতিয়া হাৰভেষ্টাৰৰ পৰা ৩ W EIRP ৯১৫ MHz ট্ৰান্সমিটাৰলৈ দূৰত্ব ৫.৫ মিটাৰ হয়, আৰু ১.৮ জি কম্পন ত্বৰণ শিখৰৰ পৰা ১.৮ μW DC শক্তি উৎপন্ন কৰে। |
d8e8bdd687dd588b71d92ff8f6018a1084f85437 | মানুহৰ ইণ্টাৰনেট ব্যৱহাৰৰ অনুৰূপেই, ডিভাইচসমূহো ইণ্টাৰনেট অৱ থিংছ (আইঅ টি) ৰ মূল ব্যৱহাৰকাৰী হ ব। সেয়ে ডিভাইচ-টু-ডিভাইচ (ডি2ডি) যোগাযোগ ইণ্টাৰনেট অফ থিংছ (আইঅ টি) ৰ এক অন্তৰ্নিহিত অংশ হ ব বুলি আশা কৰা হৈছে। ডিভাইচসমূহে কোনো কেন্দ্ৰীয় নিয়ন্ত্ৰণ অবিহনে স্বতন্ত্ৰভাৱে পৰস্পৰে পৰস্পৰে যোগাযোগ কৰিব আৰু বহু-হপ পদ্ধতিৰে তথ্য সংগ্ৰহ, ভাগ-বতৰা আৰু ফৰৱাৰ্ড কৰিবলৈ সহযোগিতা কৰিব। বাস্তৱিক সময়ত প্ৰাসংগিক তথ্য সংগ্ৰহ কৰাৰ ক্ষমতা ইণ্টাৰনেট অৱ লিংকছৰ মূল্য ব্যৱহাৰৰ বাবে গুৰুত্বপূৰ্ণ কিয়নো এনে তথ্যক বুদ্ধিমত্তাত ৰূপান্তৰিত কৰা হ ব, যাৰ ফলত এটা বুদ্ধিমান পৰিৱেশ সৃষ্টি কৰাত সহায় হ ব। শেষত, সংগৃহীত তথ্যৰ গুণগত মান নিৰ্ভৰ কৰে যন্ত্ৰটো কিমান স্মাৰ্ট। তদুপৰি, এই যোগাযোগ কৰা ডিভাইচসমূহ বিভিন্ন নেটৱৰ্কিং মানদণ্ডৰ সৈতে কাম কৰিব, ইজনে সিজনৰ সৈতে অন্তৰংগ সংযোগৰ অভিজ্ঞতা লাভ কৰিব পাৰে, আৰু সেইবোৰৰ বহুতো সংস্থান সীমিত হ ব। এই বৈশিষ্টবোৰে নেটৱৰ্কিংৰ ক্ষেত্ৰত বিভিন্ন সমস্যা সৃষ্টি কৰে যিসমূহ পৰম্পৰাগত ৰাউটিং প্ৰট কলসমূহে সমাধান কৰিব নোৱাৰে। ফলস্বৰূপে, ডিভাইচসমূহক বুদ্ধিমান D2D যোগাযোগ প্ৰাপ্ত কৰিবলৈ বুদ্ধিমান ৰাউটিং প্ৰট কলৰ প্ৰয়োজন হ ব। আমি ইয়াত এটা সংক্ষিপ্ত বিৱৰণ দাঙি ধৰিছো যে কেনেকৈ ইন্টেলিজেণ্ট ডি টু ডি যোগাযোগ IoT ইক ছিষ্টেমত প্ৰাপ্ত কৰিব পাৰি। বিশেষকৈ, আমি কেনেকৈ অত্যাধুনিক ৰাউটিং এলগৰিথমৰ জৰিয়তে ইন্টাৰনেটৰ সামগ্ৰীসমূহৰ ক্ষেত্ৰত বুদ্ধিমান D2D যোগাযোগ সম্ভৱ কৰিব পাৰি তাৰ ওপৰত গুৰুত্ব দিছো। |
5e6035535d6d258a29598faf409b57a71ec28f21 | |
766c251bd7686dd707acd500e80d7184929035c6 | ট্ৰাফিক লাইট ডিটেকচন (টিএলডি) বুদ্ধিমান বাহন আৰু ড্ৰাইভিং এছিছটেণ্ট চিষ্টেম (ডিএছ) দুয়োটাৰেই এক গুৰুত্বপূৰ্ণ অংশ। অধিকাংশ TLD ৰ বাবে সাধাৰণ কথাটো হ ল যে সেইবোৰ সৰু আৰু ব্যক্তিগত ডাটা ছেটত মূল্যায়ন কৰা হয়, যাৰ বাবে এটা নিৰ্দিষ্ট পদ্ধতিৰ সঠিক কাৰ্যক্ষমতা নিৰ্ণয় কৰাটো কঠিন হৈ পৰে। এই প্ৰবন্ধত আমি অত্যাধুনিক, ৰিয়েল টাইম অবজেক্ট ডিটেকচন চিষ্টেম ইউ অল ল জ ৱানলি, (YOLO) ব্যৱহাৰ কৰিছো ভিভা চেলেঞ্জৰ জৰিয়তে উপলব্ধ LISA ট্ৰাফিক লাইট ডাটাছেটত, য ত বহু সংখ্যক টোকাযুক্ত ট্ৰাফিক লাইট আছে, য ত বিভিন্ন পোহৰ আৰু বতৰ পৰিস্থিতিত ধৰা পৰিছে। এচিএফ ডিটেক্টৰৰ দৰে একে প্ৰশিক্ষণ কনফিগাৰেশ্যন ব্যৱহাৰ কৰি, য় ল ডিটেক্টৰে ৫৮.৩% এ ইউ চি লাভ কৰে, যি ১৮.১৩% বৃদ্ধি হয়। |
136b9952f29632ab3fa2bbf43fed277204e13cb5 | দৃশ্য শ্ৰেণীবিভাজন কম্পিউটাৰ দৃষ্টিৰ এটা মৌলিক সমস্যা। অৱশ্যে, দৃশ্যৰ বুজাবুজিৰ গৱেষণাত বৰ্তমান ব্যৱহৃত ডাটাবেছৰ সীমিত পৰিসৰৰ বাবে বাধা প্ৰদান কৰা হৈছে, যিয়ে দৃশ্যৰ শ্ৰেণীৰ সম্পূৰ্ণ বৈচিত্ৰ ধৰা নপৰে। বস্তু শ্ৰেণীবিভাজনৰ বাবে মানক ডাটাবেছত শত শত বিভিন্ন শ্ৰেণীৰ বস্তু থাকে, দৃশ্য শ্ৰেণীৰ সৰ্ববৃহৎ উপলব্ধ ডাটাছেটত মাত্ৰ ১৫ টা শ্ৰেণী থাকে। এই প্ৰবন্ধত আমি 899 টা শ্ৰেণী আৰু 130,519 টা ছবি থকা বিস্তৃত Scene UNderstanding (SUN) ডাটাবেছটো প্ৰস্তাৱ কৰিছো। আমি ৩৯৭ টা ভালকৈ নমুনা লোৱা শ্ৰেণী ব্যৱহাৰ কৰি বহুতো অত্যাধুনিক অ্যালগৰিদমৰ দ্বাৰা দৃশ্য চিনাক্তকৰণ আৰু নতুন পৰিবেশৰ পৰিসৰ নিৰ্ধাৰণ কৰো। আমি মানৱ দৃশ্যৰ শ্ৰেণীবিভাজনৰ পাৰদৰ্শিতাক সূৰ্য্যৰ তথ্যভঁৰালত জোখ লওঁ আৰু ইয়াক কম্পিউটেশ্যনেল পদ্ধতিৰে তুলনা কৰোঁ। ইয়াৰ উপৰিও, আমি এটা সূক্ষ্ম-দৃশ্যৰ দৃশ্য প্ৰতিনিধিত্ব অধ্যয়ন কৰো যাতে বৃহত্তৰ দৃশ্যৰ ভিতৰত অন্তৰ্ভুক্ত দৃশ্যসমূহ চিনাক্ত কৰিব পাৰো। |
eb06182a2817d06e82612a0c32a6c843f01c6a03 | এই প্ৰবন্ধত এটা নিউৰেল জেনেৰেটিভ মডেল, অৰ্থাৎ Table2Seq, প্ৰস্তাৱ কৰা হৈছে, যাতে এটা টেবুলৰ ওপৰত ভিত্তি কৰি এটা প্ৰাকৃতিক ভাষাৰ বাক্য সৃষ্টি কৰিব পাৰি। বিশেষভাৱে, মডেলটোৱে এটা টেবুলক ধাৰাবাহিক ভেক্টৰলৈ মেপ কৰে আৰু তাৰ পিছত এটা টেবুলৰ অৰ্থবিজ্ঞান ব্যৱহাৰ কৰি এটা প্ৰাকৃতিক ভাষাৰ বাক্য সৃষ্টি কৰে। যিহেতু বিৰল শব্দ, যেনে, সত্তা আৰু মান, সাধাৰণতে এটা সারণীত দেখা যায়, আমি এটা নমনীয় কপি কৰা ব্যৱস্থা বিকাশ কৰো যি নিৰ্বাচিতভাৱে সারণীৰ পৰা সামগ্ৰীসমূহ আউটপুট ক্ৰমলৈ প্ৰতিলিপি কৰে। আমি আমাৰ টেবুল টু ছেক মডেলৰ কাৰ্য্যকৰিতা আৰু ডিজাইন কৰা কপি মেকানিজমৰ উপযোগিতা প্ৰদৰ্শন কৰিবলৈ ব্যাপক পৰীক্ষা-নিৰীক্ষা চলাইছো। ৱিকিবিঅ আৰু SIMPLEQUESTIONS ডাটা ছেটত, Table2Seq মডেলটোৱে BLEU-4 স্ক ৰৰ ক্ষেত্ৰত ক্ৰমে 34.70 ৰ পৰা 40.26 লৈ আৰু 33.32 ৰ পৰা 39.12 লৈ অত্যাধুনিক ফলাফল উন্নত কৰে। তদুপৰি, আমি এটা মুক্ত ডমেইন ডাটাছেট WIKITABLETEXT নিৰ্মাণ কৰো য ত ৪৯৬২ টা টেবুলৰ বাবে ১৩,৩১৮ টা বৰ্ণনামূলক বাক্য অন্তৰ্ভুক্ত আছে। আমাৰ Table2Seq মডেলটোৱে WIKITABLETEXT ত 38.23 ৰ BLEU-4 স্ক ৰ লাভ কৰে যিটো টেমপ্লেট-ভিত্তিক আৰু ভাষা মডেল-ভিত্তিক পদ্ধতিতকৈ ভাল। তদুপৰি, অনুসন্ধান ইঞ্জিনৰ পৰা 1 M টেবুল-কুৱেৰী পেয়াৰৰ ওপৰত কৰা পৰীক্ষাৰ জৰিয়তে, আমাৰ টেবুল2ছেক মডেলটোৱে এটা টেবুলৰ গঠনাত্মক অংশ, অৰ্থাৎ টেবুলৰ গুণসমূহ আৰু টেবুল কোষসমূহক অতিৰিক্ত তথ্য হিচাপে বিবেচনা কৰি, এটা সিকোয়েন্স-টু-ছিকোয়েন্স মডেলক অতিক্ৰম কৰে, কেৱল এটা টেবুলৰ সিকোয়েন্সিয়েল অংশ, অৰ্থাৎ টেবুলৰ শিৰোনাম বিবেচনা কৰি। |
ea951c82efe26424e3ce0d167e01f59e5135a2da | টাইমড আপ এণ্ড গো হৈছে বৃদ্ধ আৰু পাৰ্কিছন ছ ৰোগত গতিশীলতা মূল্যায়ন কৰিবলৈ এটা ক্লিনিকেল পৰীক্ষা। শেহতীয়াকৈ এই পৰীক্ষাৰ যন্ত্ৰযুক্ত সংস্কৰণ বিবেচনা কৰা হৈছে, য ত ইনাৰ্চিয়েল ছেন্সৰে গতিৰ মূল্যায়ন কৰে। ইয়াৰ প্ৰচলন, ব্যৱহাৰৰ সহজতা আৰু ব্যয়ৰ উন্নতিৰ বাবে আমি স্মাৰ্টফোনৰ এক্সেলেৰ মিটাৰক জোখাৰ ব্যৱস্থা হিচাপে বিবেচনা কৰো। পৰীক্ষাৰ সময়ত ৰেকৰ্ড কৰা সংকেতসমূহৰ পৰা কেইবাটাও পাৰামিটাৰ (সাধাৰণতে উচ্চ সম্পৰ্কযুক্ত) গণনা কৰিব পাৰি। অতিৰিক্ততা এৰাই চলিবলৈ আৰু যন্ত্ৰৰ কাৰ্যক্ষমতাৰ প্ৰতি আটাইতকৈ সংবেদনশীল বৈশিষ্ট্যসমূহ প্ৰাপ্ত কৰিবলৈ, প্ৰধান উপাদান বিশ্লেষণ (পিচিএ) ৰ জৰিয়তে এটা মাত্ৰা হ্ৰাস কৰা হৈছিল। বিভিন্ন বয়সৰ ৪৯ জন সুস্থ লোকৰ ওপৰত পৰীক্ষা কৰা হৈছিল। পিচিএ নতুন বৈশিষ্ট্য (মূল উপাদান) আহৰণ কৰিবলৈ কৰা হৈছিল যি মূল পাৰামিটাৰসমূহৰ অপৰিহাৰ্য সমন্বয় নহয় আৰু ডাটা পৰিৱৰ্তনশীলতাৰ অধিকাংশৰ বাবে দায়ী। অনুসন্ধানমূলক বিশ্লেষণ আৰু আউটলিয়াৰ চিনাক্তকৰণৰ বাবে ই সহায়ক হ ব পাৰে। তাৰ পিছত মূল উপাদানসমূহৰ সৈতে সম্পৰ্ক বিশ্লেষণৰ জৰিয়তে মূল পাৰামিটাৰসমূহৰ এটা সংক্ষিপ্ত সংহতি নিৰ্বাচন কৰা হয়। সুস্থ প্ৰাপ্তবয়স্ক লোকৰ ওপৰত ভিত্তি কৰি কৰা গৱেষণাৰ বাবে এই ছেটটো পৰামৰ্শ দিয়া হ ব পাৰে। প্ৰস্তাৱিত পদ্ধতিটো শ্ৰেণীবিভাজনৰ অধ্যয়নত প্ৰথম পৰ্যায়ৰ বৈশিষ্ট্য নিৰ্বাচন হিচাপে ব্যৱহাৰ কৰিব পাৰি (অৰ্থাৎ স্বাস্থ্যকৰ-পাৰ্কিনছন ৰোগ, ফেইলাৰ-নন-ফেইলাৰ) আৰু ভৱিষ্যতে স্মাৰ্টফোনত গতি বিশ্লেষণৰ বাবে এটা সম্পূৰ্ণ ব্যৱস্থা অন্তৰ্ভুক্ত কৰাৰ অনুমতি দিব পাৰে। |
e467278d981ba30ab3b24235d09205e2aaba3d6f | এই অধ্যয়নৰ লক্ষ্য আছিল এটা ধাৰাবাহিক মধ্যস্থতাকাৰী মডেল বিকাশ আৰু পৰীক্ষা কৰা যি কৰ্মচাৰী কল্যাণৰ সৈতে নিষ্ক্ৰিয় নেতৃত্বৰ নেতিবাচক সম্পৰ্ক ব্যাখ্যা কৰে। ভূমিকা চাপৰ তত্ত্বৰ ওপৰত ভিত্তি কৰি, আমি ধাৰণা কৰো যে নিষ্ক্ৰিয় নেতৃত্বই ভূমিকা অস্পষ্টতা, ভূমিকা সংঘাত আৰু ভূমিকা অতিৰিক্ত চাপৰ উচ্চ স্তৰৰ ভৱিষ্যদ্বাণী কৰিব। সম্পদ সংৰক্ষণৰ তত্ত্বৰ ওপৰত ভিত্তি কৰি আমি আৰু অনুমান কৰো যে এই ভূমিকা চাপকসকলে পৰোক্ষভাৱে আৰু নেতিবাচকভাৱে কৰ্মচাৰীসকলৰ কল্যাণৰ দুটা দিশ ক্ৰমে সামগ্ৰিক মানসিক স্বাস্থ্য আৰু সামগ্ৰিক কৰ্ম মনোভাৱক প্ৰভাৱিত কৰিব, মানসিক কৰ্মৰ ক্লান্তিৰ জৰিয়তে। ২৪৬৭ জন আমেৰিকান কৰ্মচাৰীৰ এটা সম্ভাব্য নমুনা ব্যৱহাৰ কৰি, গঠনমূলক সমীকৰণ মডেলিংয়ে এই মডেলৰ সমৰ্থন কৰে যে ভূমিকা চাপ আৰু মানসিক কামৰ ক্লান্তিয়ে আংশিকভাৱে নিষ্ক্ৰিয় নেতৃত্ব আৰু কৰ্মচাৰী কল্যাণৰ দুয়োটা দিশৰ মাজত নেতিবাচক সম্পৰ্কত মধ্যস্থতা কৰে। অনুমান কৰা ধাৰাবাহিক পৰোক্ষ সম্পৰ্কই নিষ্ক্ৰিয় নেতৃত্ব আৰু মানসিক স্বাস্থ্যৰ মাজত সামগ্ৰিক সম্পৰ্কৰ ৪৭.৯% আৰু নিষ্ক্ৰিয় নেতৃত্ব আৰু সামগ্ৰিক কৰ্মৰ মনোভাৱৰ মাজত সামগ্ৰিক সম্পৰ্কৰ ২৬.৬% ব্যাখ্যা কৰে। কপিৰাইট © ২০১৬ জন ৱাইলী এণ্ড ছনছ, লিমিটেড। |
9a86ae8e9b946dc6d957357e0670f262fa1ead9d | প্ৰবন্ধৰ ইতিহাসঃ প্ৰাপ্ত ২২ আগষ্ট ২০০৭ গ্ৰহণ কৰা ২৯ ফেব্ৰুৱাৰী ২০০৮ উপলব্ধ অনলাইন xxxx |
f8acaabc99801a89baa5a9eff445fc5922498dd0 | গভীৰ ডোমেইন অভিযোজন পদ্ধতিয়ে ডোমেইন-অবিনিবৰ্তনশীল এম্বেডিং শিকাৰ দ্বাৰা বিতৰণ বিসংগতি হ্ৰাস কৰিব পাৰে। অৱশ্যে, এই পদ্ধতিবোৰে কেৱল উৎস আৰু লক্ষ্য ইমেজৰ মাজত শ্ৰেণী-স্তৰৰ সম্পৰ্কবোৰ বিবেচনা নকৰাকৈ, সমগ্ৰ তথ্য বিতৰণসমূহৰ সমন্বয় সাধনত গুৰুত্ব দিয়ে। এইদৰেই, এটা চৰাইৰ লক্ষ্যৰ অন্তৰ্ভুক্তকৰণবোৰ বিমানৰ উৎসৰ অন্তৰ্ভুক্তকৰণৰ সৈতে সংযুক্ত কৰা হ ব পাৰে। এই অৰ্থগত বিসংগতিয়ে লক্ষ্য ডাটাছেটৰ শ্ৰেণীবিভাজকৰ কাৰ্যক্ষমতা প্ৰত্যক্ষভাৱে হ্ৰাস কৰিব পাৰে। এই সমস্যাটো লাঘৱ কৰিবলৈ, আমি নিৰীক্ষণহীন ড মেইন অভিযোজন বাবে এক সাদৃশ্য সীমাবদ্ধতা (SCA) পদ্ধতি প্ৰদৰ্শন কৰোঁ। এম্বেডিং স্পেচত বিতৰণ সমন্বয় কৰাৰ সময়ত, SCA এ উৎস আৰু লক্ষ্য ইমেজৰ মাজত শ্ৰেণী-স্তৰৰ সম্পৰ্ক বজাই ৰাখিবলৈ এক সাদৃশ্য-সংৰক্ষণ সীমাবদ্ধতা বলবৎ কৰে, অৰ্থাৎ, যদি এটা উৎস ইমেজ আৰু এটা লক্ষ্য ইমেজ একে শ্ৰেণীৰ লেবেলৰ হয়, তেওঁলোকৰ সংশ্লিষ্ট এম্বেডিংবোৰ ওচৰৰ সমন্বয় কৰা হ ব লাগে, আৰু বিপরীতভাৱে। লক্ষ্য লেবেল নোহোৱা হ লে, আমি লক্ষ্য ছবিৰ বাবে ছদ্ম লেবেল বৰ্জন কৰোঁ। লেবেলযুক্ত উৎস ছবি আৰু ছাউডো লেবেলযুক্ত লক্ষ্য ছবিসমূহক প্ৰদান কৰি, ত্ৰিপ্লেট ক্ষতিৰ পৰিমাণ কম কৰি সাদৃশ্য-সংৰক্ষণ সীমাবদ্ধতা প্ৰয়োগ কৰিব পাৰি। ডমেইন অ লাইনেশ্যন লষ্ট আৰু সমতা ৰক্ষা কৰা সীমাবদ্ধতাৰ যুটীয়া তত্ত্বাৱধানৰ সৈতে, আমি দুটা গুৰুত্বপূৰ্ণ বৈশিষ্ট, ইনট্ৰা-ক্লাস কম্পেক্টনেছ আৰু ইন্ট্ৰা-ক্লাস পৃথকযোগ্যতাৰ সৈতে ডমেইন-ইনভাৰেণ্ট এম্বেডিং লাভ কৰিবলৈ এটা নেটৱৰ্ক প্ৰশিক্ষণ দিওঁ। দুয়োটা ডাটা ছেটত কৰা বিস্তৃত পৰীক্ষাই SCA ৰ কাৰ্যকৰীতা ভালদৰে প্ৰদৰ্শন কৰে। |
a3c3c084d4c30cf40e134314a5dcaf66b4019171 | |
21aebb53a45ccac7f6763d9c47477092599f6be1 | |
12e1923fb86ed06c702878bbed51b4ded2b16be1 | এই প্ৰবন্ধত, আমি এটা পোৰ্টেবল স্মাৰ্ট ৰেডাৰ ছেন্সৰৰ পৰা স্বাক্ষৰৰ নিদৰ্শন চিনাক্তকৰণৰ ওপৰত ভিত্তি কৰি মানৱ আখৰ চিনাক্তকৰণ প্ৰণালীৰ ডিজাইন বিবেচনা কৰোঁ। এএএ বেটাৰীৰে চালিত স্মাৰ্ট ৰাডাৰ ছেন্সৰটো ২.৪ গিগাহাৰ্টছ ইণ্ডাষ্ট্ৰিয়েল, ছায়েন্স এণ্ড মেডিকেল (আইএছএম) বেণ্ডত কাম কৰে। আমি দুটা ভিন্ন ধৰণৰ ক্ৰিয়াৰ বাবে ৰাডাৰৰ সংকেতৰ পৰা আহৰণ কৰা প্ৰাথমিক উপাদান আৰু এপ্লিকেচন-নিৰ্দিষ্ট সময় আৰু ফ্ৰেক্সেন্স ডোমেইন বৈশিষ্ট্য ব্যৱহাৰ কৰি বৈশিষ্ট্য স্থান বিশ্লেষণ কৰিছিলো। আমি দেখুৱাম যে নিকটতম চুবুৰীয়া ভিত্তিক শ্ৰেণীবিভাগক বহু শ্ৰেণীৰ শ্ৰেণীবিভাজনৰ বাবে 95% তকৈ অধিক নির্ভুলতা প্ৰাপ্ত কৰিব পাৰি যেতিয়া 10 গুণ ক্ৰছ বৈধকৰণ ব্যৱহাৰ কৰি বৈশিষ্টসমূহ আকাৰৰ পাৰ্থক্য আৰু ডপলাৰ শিফ্টৰ ভিত্তিত আহৰণ কৰা হয়। এই ফলাফলৰ দ্বাৰা এটা পটভূমি চিনাক্তকৰণ ব্যৱস্থাৰ সৈতে সংযুক্ত বুদ্ধিমান ৰাডাৰৰ সম্ভাৱনীয়তা আৰু ইয়াৰ জৰিয়তে স্মাৰ্ট হোম আৰু স্বাস্থ্য নিৰীক্ষণৰ ক্ষেত্ৰত উচ্চ নির্ভুলতা প্ৰদৰ্শন কৰা হৈছে। |
25b87d1d17adabe2923da63e0b93fb7d2bac73f7 | নেটৱৰ্ক আৰু ইয়াৰ সম্পদৰ ওপৰত আক্ৰমণৰ ক্ৰমাগত বৃদ্ধি (যেনে শেহতীয়াকৈ কোড ৰেড কৃমিৰ দ্বাৰা প্ৰদৰ্শিত হৈছে) এই মূল্যবান সম্পদসমূহৰ সুৰক্ষাৰ প্ৰয়োজনীয়তা সৃষ্টি কৰে। ফায়াৰৱাল এতিয়া এক সাধাৰণ স্থাপনা যি প্ৰথম স্থানত অনুপ্ৰৱেশৰ প্ৰচেষ্টা প্ৰতিহত কৰে। প্ৰৱেশ চিনাক্তকৰণ প্ৰণালী (আইডিএছ), যিয়ে দুষ্কাৰ্য্যক প্ৰতিৰোধ কৰাৰ পৰিৱৰ্তে চিনাক্ত কৰিবলৈ চেষ্টা কৰে, প্ৰথম প্ৰতিৰক্ষা পৰিধি প্ৰৱেশ কৰাৰ পিছত অতিৰিক্ত সুৰক্ষা প্ৰদান কৰে। আইডি চিষ্টেমসমূহে সংগ্ৰহ কৰা তথ্যক পূৰ্ব নিৰ্ধাৰিত স্বাক্ষৰসমূহ (স্বাক্ষৰ ভিত্তিক) বা আইনী আচৰণৰ মডেল (অনমালি ভিত্তিক) ৰ সৈতে তুলনা কৰি আক্ৰমণসমূহ চিনাক্ত কৰাৰ প্ৰয়াস কৰে। অস্বাভাৱিকতা ভিত্তিক চিষ্টেমসমূহে পূৰ্বতে অজ্ঞাত আক্ৰমণসমূহ চিনাক্ত কৰিবলৈ সক্ষম হোৱাৰ সুবিধা আছে কিন্তু গ্ৰহণযোগ্য আচৰণৰ এক দৃঢ় মডেল নিৰ্মাণৰ অসুবিধা আৰু অস্বাভাৱিক কিন্তু অনুমোদিত কাৰ্যকলাপৰ ফলত হোৱা উচ্চ সংখ্যক এলাৰ্মৰ বাবে ভুগিছে। আমি এটা পদ্ধতি প্ৰদৰ্শন কৰিছো যিয়ে সুৰক্ষিত কৰিবলগীয়া নেটৱৰ্ক সেৱাৰ প্ৰয়োগ-বিশেষ জ্ঞান ব্যৱহাৰ কৰে। এই তথ্যই বৰ্তমানৰ সৰল নেটৱৰ্ক ট্ৰাফিক মডেলক এক এপ্লিকেচন মডেল গঠনত সহায় কৰে যি একক নেটৱৰ্ক পেকেটত লুকাই থকা দূষিত সামগ্ৰী চিনাক্ত কৰিবলৈ অনুমতি দিয়ে। আমি আমাৰ প্ৰস্তাৱিত মডেলৰ বৈশিষ্ট্যসমূহ বৰ্ণনা কৰোঁ আৰু আমাৰ প্ৰণালীৰ কাৰ্য্যকৰীতা প্ৰতিফলিত কৰা পৰীক্ষামূলক তথ্য উপস্থাপন কৰোঁ। |
10338babf0119e3dba196aef44fa717a1d9a06df | |
36e41cdfddd190d7861b91b04a515967fd1541d9 | প্ৰাপ্তঃ ২০ জুলাই ২০১২ সংশোধনঃ ১৮ ফেব্ৰুৱাৰী ২০১৩ দ্বিতীয় সংশোধনঃ ২৮ জুন ২০১৩ তৃতীয় সংশোধনঃ ২০ ছেপ্টেম্বৰ ২০১৩ চতুৰ্থ সংশোধনঃ ৭ নৱেম্বৰ ২০১৩ গ্ৰহণঃ ১ ফেব্ৰুৱাৰী ২০১৪ বিমূর্ত ৰূপ সামাজিক নেটৱৰ্কিং ছাইট (এছএনএছ) ত সন্নিৱিষ্ট বাৰ্তা আৰু সামাজিক সম্পৰ্কসমূহৰ সংখ্যা বৃদ্ধি হোৱাৰ লগে লগে, ব্যক্তিৰ পৰা প্ৰতিক্ৰিয়া বিচৰা সামাজিক তথ্যৰ পৰিমাণো বৃদ্ধি হয়। আমি লক্ষ্য কৰিছোঁ যে ইয়াৰ ফলত এছ এন এছ ব্যৱহাৰকাৰীসকলে অনুভৱ কৰে যে তেওঁলোকে অন্য এছ এন এছ ব্যৱহাৰকাৰীসকলক অত্যধিক সামাজিক সমৰ্থন প্ৰদান কৰিছে। সামাজিক সমৰ্থন তত্ত্ব (এছএছটি) ৰ আধাৰত আমি এই নেতিবাচক সম্পৰ্কক এছএনএছ ব্যৱহাৰৰ সৈতে "সামাজিক অতিৰিক্ত চাপ" বুলি কওঁ আৰু ইয়াক জোখাৰ বাবে এটা গোপন ভৰিবৰ বিকাশ কৰোঁ। তাৰ পিছত আমি সামাজিক অতিমাত্ৰা চাপৰ তাত্ত্বিক পূৰ্বসূত্ৰ আৰু পৰিণাম চিনাক্ত কৰো আৰু সামাজিক অতিমাত্ৰা চাপৰ মডেলটো 12 জন ব্যক্তিৰ সৈতে সাক্ষাৎকাৰ আৰু 571 জন ফেচবুক ব্যৱহাৰকাৰীৰ এক সমীক্ষাৰ সহায়ত অভিজ্ঞতাৰে মূল্যায়ন কৰো। ফলাফলবোৰে দেখুৱাইছে যে ব্যৱহাৰৰ পৰিসৰ, বন্ধুবৰ্গৰ সংখ্যা, বিষয়গত সামাজিক সমৰ্থন নীতি আৰু সম্পৰ্কৰ ধৰণ (অনলাইন-কেৱল বনাম অফলাইন বন্ধু) হৈছে এনে কাৰক যি প্ৰত্যক্ষভাৱে সামাজিক অতিৰিক্ত চাপত অৱদান ৰাখে, আনহাতে বয়সৰ কেৱল পৰোক্ষ প্ৰভাৱ থাকে। সামাজিক অতিমাত্ৰাৰ মানসিক আৰু আচৰণগত পৰিণামসমূহত এছএনএছ ব্যৱহাৰকাৰীৰ দ্বাৰা ক্লান্তি অনুভৱ কৰা, নিম্ন স্তৰৰ ব্যৱহাৰকাৰীৰ সন্তুষ্টি আৰু এছএনএছ ব্যৱহাৰ কমাবলৈ বা বন্ধ কৰিবলৈ উচ্চ অভিপ্ৰায় অন্তৰ্ভুক্ত থাকে। SST আৰু SNS গ্ৰহণযোগ্যতাৰ গৱেষণাৰ বাবে তত্ত্বগত প্ৰভাৱৰ বিষয়ে আলোচনা কৰা হৈছে আৰু সংগঠন, SNS প্ৰদানকাৰী আৰু SNS ব্যৱহাৰকাৰীসকলৰ বাবে ব্যৱহাৰিক প্ৰভাৱৰ বিষয়েও আলোচনা কৰা হৈছে। ইণ্টাৰনেটত প্ৰকাশিত ইণ্টাৰনেট জাৰ্ণেল অফ ইনফৰমেচন চিষ্টেমছ, ৪ মাৰ্চ ২০১৪; doi:10.1057/ejis.2014.3; ১১ মাৰ্চ ২০১৪ত অনলাইন সংশোধন কৰা হৈছে |
ffcb7146dce1aebf47a910b51a873cfec897d602 | স্কেন আৰু ছেগমেন্টেড স্কেন হৈছে বিস্তৃত প্ৰয়োগৰ বাবে গুৰুত্বপূৰ্ণ তথ্য-সমান্তৰাল প্ৰাথমিক। আমি এই প্ৰাথমিকসমূহৰ বাবে গ্ৰাফিক্স প্ৰচেছিং ইউনিট (জিপিইউ) ৰ দ্ৰুত, কাৰ্য-দক্ষ এলগৰিথম প্ৰদৰ্শন কৰোঁ। আমি নতুন তথ্য প্ৰতিনিধিত্ব ব্যৱহাৰ কৰো যি GPU স্থাপত্যৰ সৈতে ভালকৈ মেপ কৰে। আমাৰ এলগৰিথমবোৰে স্মৃতিৰ কাৰ্যক্ষমতা উন্নত কৰিবলৈ শ্বেয়াৰ মেমৰি ব্যৱহাৰ কৰে। আমি আমাৰ এলগৰিথমৰ কাৰ্যক্ষমতা আৰু অধিক উন্নত কৰি Shared-Memory Bankৰ সংঘাত দূৰ কৰি আৰু পূৰ্বৰ Shared-Memory GPU এলগৰিথমৰ ওভাৰহেড হ্ৰাস কৰি। তদুপৰি, আমাৰ এলগৰিথমবোৰ সাধাৰণ ডাটা ছেটত ভালদৰে কাম কৰিবলৈ ডিজাইন কৰা হৈছে, য ত ইচ্ছাকৃত ছেগমেণ্ট দৈৰ্ঘ্যৰ ছেগমেণ্টযুক্ত এৰে অন্তৰ্ভুক্ত কৰা হৈছে। আমি ছেগমেণ্ট দৈৰ্ঘ্যৰ ওপৰত ভিত্তি কৰি ছেগমেণ্ট স্কানৰ কাৰ্যক্ষমতা উন্নত কৰিবলৈ অপ্টিমাইজেশ্যনসমূহো উপস্থাপন কৰোঁ। আমি আমাৰ এলগৰিথমবোৰ এনভিডিয়া জিফ ৰ্চ ৮৮০০ জিপিইউৰ সৈতে এটা পিচিত প্ৰয়োগ কৰিলো আৰু আমাৰ ফলাফলবোৰ পূৰ্বৰ জিপিইউ-ভিত্তিক এলগৰিথমৰ সৈতে তুলনা কৰিলো। আমাৰ ফলাফলবোৰে লক্ষ লক্ষ উপাদানৰ সৈতে ইনপুট ক্ৰমত পূৰ্বৰ এলগৰিথমৰ তুলনাত ১০ গুণ অধিক পাৰদৰ্শিতা দেখুৱায়। |
6a640438a4e50fa31943462eeca716413891a773 | আমি এটা নতুন ৰেংকিং এলগৰিথম প্ৰদৰ্শন কৰিছো যিয়ে পূৰ্বৰ দুটা পদ্ধতিৰ শক্তিৰ সমন্বয় কৰেঃ ব ষ্টড ট্ৰী ক্লাচিফিকেচন আৰু লেম্বডা আৰ এঙ্ক, যিটো এটা বহুল ব্যৱহৃত তথ্য আহৰণৰ মাপকাঠীৰ বাবে অভিজ্ঞতাৰে অনুকূল বুলি প্ৰমাণিত হৈছে। এই এলগৰিথমটো ব ষ্টড ৰিগ্ৰেছন ট্ৰী (boosted regression trees) ৰ ওপৰত আধাৰিত যদিও এই ধাৰণাটো কোনো দুৰ্বল শিক্ষাৰ্থীৰ ক্ষেত্ৰত প্ৰযোজ্য আৰু ই তুলনামূলকভাৱে দ্ৰুত হ বলৈ ট্ৰেইনিং আৰু টেষ্ট দুয়োটা পৰ্যায়তে ই অত্যাধুনিকতকৈ যথেষ্ট দ্ৰুত। আমি দেখুৱাম যে যিকোনো দুটা ৰানকাৰৰ বাবে সৰ্বোত্তম ৰৈখিক সংমিশ্ৰণ কেনেকৈ পোৱা যায়, আৰু আমি এই পদ্ধতি ব্যৱহাৰ কৰি সঠিকভাৱে ডু ৰিং ব ষ্টিং কৰি লাইন অনুসন্ধান সমস্যা সমাধান কৰোঁ। ইয়াৰ উপৰিও আমি দেখুৱাইছো যে পূৰ্বতে প্ৰশিক্ষিত মডেলৰ পৰা আৰম্ভ কৰি আৰু ইয়াৰ অৱশিষ্ট ব্যৱহাৰ কৰি, মডেলৰ অভিযোজন কৰাৰ বাবে এক কাৰ্যকৰী কৌশল প্ৰদান কৰে আৰু আমি বিশেষভাৱে জৰুৰী সমস্যাৰ ফলাফল প্ৰদান কৰো যিটো বিপণীৰ বাবে ৱেব চাৰ্ছ প্ৰশিক্ষণ ৰেংকিংৰ বাবে যিটো বিপণীৰ বাবে কেৱল কম পৰিমাণৰ লেবেলযুক্ত তথ্য উপলব্ধ, এটা ডাঙৰ বজাৰৰ পৰা বহু বেছি তথ্যৰ ওপৰত প্ৰশিক্ষিত ৰেংকিংক প্ৰদান কৰা হয়। |
72691b1adb67830a58bebdfdf213a41ecd38c0ba | আমি এটা গভীৰ নেটৱৰ্ক স্থাপত্যৰ প্ৰৱৰ্তন কৰো যাক ডেৰেইননেট বুলি কোৱা হয় যিটোৱে এটা ছবিৰ পৰা বৰষুণৰ ৰেখা আঁতৰ কৰে। গভীৰ কনভলুশ্যনেল নিউৰেল নেটৱৰ্ক (চি এন এন) ৰ আধাৰত আমি তথ্যৰ পৰা বৃষ্টিপাত আৰু পৰিষ্কাৰ ছবিৰ বিৱৰণ স্তৰৰ মাজৰ মেপিং সম্পৰ্ক প্ৰত্যক্ষভাৱে শিকো। কাৰণ আমাৰ ওচৰত বাস্তৱিক বৃষ্টিৰ ছবিৰ সৈতে মিল থকা মৌলিক সত্য নাই, আমি প্ৰশিক্ষণৰ বাবে বৃষ্টিৰ সৈতে ছবি সংকলন কৰোঁ। নেটৱৰ্কৰ গভীৰতা বা প্ৰস্থ বৃদ্ধি কৰা আন সাধাৰণ কৌশলৰ বিপৰীতে, আমি লক্ষ্য কাৰ্য্যক সংশোধন কৰিবলৈ আৰু বিনয়ী আকাৰৰ চিএনএনৰ সৈতে ডেৰাইনিং উন্নত কৰিবলৈ ইমেজ প্ৰসেসিং ডোমেইন জ্ঞান ব্যৱহাৰ কৰোঁ। বিশেষভাৱে, আমি আমাৰ ডেৰায়েননেটক ছবিৰ ক্ষেত্ৰৰ পৰিৱৰ্তে বিৱৰণ (উচ্চ-পাস) স্তৰত প্ৰশিক্ষণ দিওঁ। যদিও ডেৰায়েননেট কৃত্ৰিম তথ্যৰ ওপৰত প্ৰশিক্ষণপ্ৰাপ্ত, আমি পাওঁ যে শিকোৱা নেটৱৰ্কটো পৰীক্ষাৰ বাবে বাস্তৱ জগতৰ ছবিলৈ অতি কাৰ্যকৰীভাৱে অনুবাদ কৰে। তদুপৰি, আমি চিত্ৰৰ উন্নীতকৰণৰ সৈতে CNN ফ্ৰেমৱৰ্কটো উন্নত কৰিছো যাতে দৃশ্যমান ফলাফলবোৰ উন্নত কৰিব পাৰি। অত্যাধুনিক একক ছবিৰ বৃষ্টিপাত নিষ্কাশন পদ্ধতিৰ তুলনাত, আমাৰ পদ্ধতিয়ে বৃষ্টিপাত নিষ্কাশন উন্নত কৰিছে আৰু নেটৱৰ্ক প্ৰশিক্ষণৰ পিছত গণনাৰ সময় বহু বেছি দ্ৰুত কৰিছে। |
34d1ba9476ae474f1895dbd84e8dc82b233bc32e | |
1cdc4ad61825d3a7527b85630fe60e0585fb9347 | শিক্ষণ বিশ্লেষণ হৈছে প্ৰযুক্তি-বৰ্ধিত শিক্ষণৰ এক গুৰুত্বপূৰ্ণ ক্ষেত্ৰ যি যোৱা দশকত উদ্ভাসিত হৈছে। এই ক্ষেত্ৰৰ পৰ্যালোচনা শৈক্ষিক পৰিবেশত বিশ্লেষণৰ বিকাশক চলাই নিয়া প্ৰযুক্তিগত, শৈক্ষিক আৰু ৰাজনৈতিক কাৰকসমূহৰ পৰীক্ষা-নিৰীক্ষাৰ সৈতে আৰম্ভ হয়। ইয়াৰ পিছত, ২০শ শতিকাত ইয়াৰ উৎপত্তি, তথ্য-চালিত বিশ্লেষণৰ বিকাশ, শিকন-কেন্দ্ৰিক দৃষ্টিভংগীৰ উত্থান আৰু ৰাষ্ট্ৰীয় অৰ্থনৈতিক উদ্বেগসমূহৰ প্ৰভাৱকে ধৰি শিক্ষণ বিশ্লেষণৰ উত্থানৰ চিত্ৰায়ন কৰা হৈছে। ইয়াৰ পিছত ই শিক্ষণ বিশ্লেষণ, শৈক্ষিক তথ্য খনন আৰু শৈক্ষিক বিশ্লেষণৰ মাজৰ সম্পৰ্কত গুৰুত্ব প্ৰদান কৰে। শেহতীয়াকৈ, ই শিক্ষণ বিশ্লেষণ গৱেষণাৰ বিকাশশীল ক্ষেত্ৰসমূহ পৰীক্ষা কৰে আৰু ভৱিষ্যতৰ প্ৰত্যাহ্বানসমূহৰ এটা শৃংখলা চিহ্নিত কৰে। |
f3ac0d94ba2374e46dfa3a13effcc540205faf21 | |
49fd00a22f44a52f4699730403033416e0762e6d | |
860d3d4114711fa4ce9a5a4ccf362b80281cc981 | অৱশ্যে, স্থানৰ অভাৱৰ বাবে, এই অংশটো গভীৰভাৱে হ্ৰাস কৰা হৈছে। ইয়াৰ উপৰিও, সময়, ভূ-স্থানিক, ব্যক্তি, ঘটনা আৰু নেটৱৰ্ক কাৰ্যকলাপৰ ওপৰত গুৰুত্ব আৰোপ কৰা ইউটিলিটি অনট লজিৰ সংক্ষিপ্ত বিৱৰণ দিয়া হৈছে। এই ইউটিলিটি অনট লজিসমূহক বিশেষীকৃত ছুপাৰ-ডোমেইন বা মধ্য-স্তৰৰ অনট লজি হিচাপেও চাব পাৰি, কাৰণ ইহঁতে বহুতো, যদি বেছিভাগ নহয়, অনট লজি- যিকোনো চাইবাৰ অনট লজিকে ধৰি বিস্তৃত কৰে। বাণিজ্য অধ্যয়নৰ দ্বাৰা ব্যৱহৃত অনটোলজিক স্থাপত্যৰ এক সামগ্ৰিক দৃষ্টিভংগীও দিয়া হৈছে। বাণিজ্য অধ্যয়নৰ প্ৰতিবেদনত পৰৱৰ্তী পৰ্যায়ৰ পৰিকল্পনাৰ পৰৱৰ্তী পৰ্যায়ৰ পৰিকল্পনাসমূহ অন্তৰ্ভুক্ত কৰা হৈছে। এই প্ৰবন্ধত আমি এটা বাণিজ্যিক অধ্যয়নৰ বিষয়ে প্ৰতিবেদন দিছো যি আমি প্ৰাৰম্ভিক ম লৱেৰ অন্টোলজিৰ পৰা চাইবাৰ অন্টোলজিৰ বিকাশৰ সমৰ্থন কৰিবলৈ সম্পন্ন কৰিছিলো। চাইবাৰ অনট লজি প্ৰচেষ্টাৰ লক্ষ্যসমূহ প্ৰথমে বৰ্ণনা কৰা হৈছে, তাৰ পিছত ব্যৱহাৰ কৰা অনট লজি বিকাশ পদ্ধতিৰ আলোচনা কৰা হৈছে। ইয়াৰ পিছত এই প্ৰবন্ধৰ মূল অংশটো তলত দিয়া ধৰণে আগবঢ়োৱা হৈছে, যি হৈছে সম্ভাব্য অনট লজি আৰু মানদণ্ডৰ বিৱৰণ যিটো ইয়াৰ প্ৰাৰম্ভিক সীমাবদ্ধ ম লৱেৰ ফ কাছৰ পৰা চাইবাৰ অনট লজি সম্প্ৰসাৰিত কৰিবলৈ ব্যৱহাৰ কৰিব পাৰি। এই সম্পদসমূহৰ ভিতৰত আছে, বিশেষকৈ, চাইবাৰ আৰু ম লৱেৰ মানদণ্ড, স্কীম আৰু শব্দকোষ যি প্ৰথম ম লৱেৰ অনট লজিৰ প্ৰচেষ্টাত প্ৰত্যক্ষভাৱে বৰঙণি আগবঢ়ায়। অন্যান্য সম্পদসমূহ হৈছে উচ্চ (কেতিয়াবা ভিত্তিক বুলি কোৱা হয়) অনট লজি। যিকোনো চাইবাৰ অনট লজিৰ মূল ধাৰণা ইতিমধ্যে চিনাক্ত কৰা হৈছে আৰু এই মৌলিক অনট লজিসমূহত কঠোৰভাৱে সংজ্ঞায়িত কৰা হৈছে। |
4767a0c9f7261a4265db650d3908c6dd1d10a076 | চিনাক্তকৰণৰ দ্বাৰা ট্ৰেকিং কৰাটো সীমাবদ্ধ পৰিস্থিতিত একাধিক লক্ষ্যৰ ট্ৰেকিং কৰাৰ বাবে আটাইতকৈ সফল কৌশল হিচাপে প্ৰমাণিত হৈছে [যেনে। [৪০, ৫৩, ৫৫] পৰম্পৰাগতভাৱে, প্ৰাক-প্ৰক্ৰিয়াকৰণ পদক্ষেপত সৃষ্টি কৰা বিৰল আৱিষ্কাৰৰ এটা ছেট উচ্চ-স্তৰৰ ট্ৰেকাৰৰ ইনপুট হিচাপে কাম কৰে যাৰ লক্ষ্য হৈছে সময়ৰ সৈতে এই ডটসমূহক সঠিকভাৱে সংযুক্ত কৰা। এই পদ্ধতিৰ এটা স্পষ্ট অভাৱ হ ল যে ইমেজ ক্ৰমত উপলব্ধ অধিকাংশ তথ্যক কেৱল দুৰ্বল আৱিষ্কাৰৰ সঁহাৰি আৰু ন ন-মেক্সিমাম দমন প্ৰয়োগ কৰি উপেক্ষা কৰা হয়। আমি এটা মাল্টি-টাৰ্গেট ট্ৰেকাৰৰ প্ৰস্তাৱ দিছো যিয়ে নিম্ন স্তৰৰ ছবিৰ তথ্য ব্যৱহাৰ কৰে আৰু প্ৰতিটো (চুপাৰ) পিক্সেলক এটা নিৰ্দিষ্ট লক্ষ্যৰ সৈতে সম্পৰ্কিত কৰে বা ইয়াক পটভূমি হিচাপে শ্ৰেণীবদ্ধ কৰে। ফলস্বৰূপে, আমি এক ভিডিঅ ছেগমেণ্টেচন লাভ কৰো যি ক্লাছিকেল বাউণ্ডিং বক্স প্ৰতিনিধিত্বৰ উপৰিও সীমাবদ্ধ, বাস্তৱ জগতৰ ভিডিঅ ত। আমাৰ পদ্ধতিয়ে বহুতো মানদণ্ডৰ মানদণ্ডৰ ক্ৰমত উৎসাহজনক ফলাফল দেখুৱাইছে আৰু দীৰ্ঘকালীন আংশিক আচ্ছাদন থকা জনবহুল দৃশ্যত চিনাক্তকৰণ-নিৰীক্ষণৰ অত্যাধুনিক পদ্ধতিৰ তুলনাত যথেষ্ট ভাল প্ৰদৰ্শন কৰিছে। |
8eefd28eb47e72794bb0355d8abcbebaac9d8ab1 | কেইবা দশক ধৰি, পৰিসংখ্যাবিদসকলে বাৰে বাৰে প্ৰত্যাশিত-সৰ্বাধিকীকৰণ (ই এম) কৌশলসমূহৰ জৰিয়তে সৃষ্টিশীল মডেলৰ পাৰামিটাৰসমূহৰ অনুমান কৰি শ্ৰেণীবিভাজনকাৰীসকলক প্ৰশিক্ষণ দিবলৈ লেবেলযুক্ত আৰু লেবেলবিহীন তথ্যৰ সংমিশ্ৰণ ব্যৱহাৰ কৰাৰ পৰামৰ্শ দিছে। এই অধ্যায়ত পাঠ্য শ্ৰেণী নিৰ্ণয়ৰ ক্ষেত্ৰত প্ৰয়োগ কৰা এই পদ্ধতিৰ কাৰ্য্যকৰিতা সম্পৰ্কে আলোচনা কৰা হৈছে। ইয়াত পাঠ্য নথিসমূহক বাকচ-ৰ-শব্দ মডেলৰ সৈতে প্ৰতিনিধিত্ব কৰা হৈছে, যি বহুপদসমূহৰ মিশ্ৰণৰ ওপৰত ভিত্তি কৰি এক প্ৰজন্মগত শ্ৰেণীবিভাজন মডেলৰ ফালে লৈ যায়। এই মডেলটো লিখিত পাঠৰ জটিলতাৰ এক অতি সৰল প্ৰতিনিধিত্ব। এই অধ্যায়ত আধা-নিৰীক্ষণযুক্ত শিক্ষণৰ তিনিটা মূল দিশৰ বিষয়ে ব্যাখ্যা কৰা হৈছে আৰু প্ৰজন্মৰ মডেলৰ সৈতে পাঠ্য শ্ৰেণীবিভাজনৰ বাবে চিত্ৰিত কৰা হৈছে। প্ৰথমতে, সৰলীকৃত উপস্থাপন সত্ত্বেও, কিছুমান পাঠত প্ৰজন্মৰ মডেলৰ সম্ভাৱনা আৰু শ্ৰেণীবিভাজনৰ সঠিকতাৰ মাজত উচ্চ ধনাত্মক সম্পৰ্ক আছে। এই ক্ষেত্ৰসমূহত, সহজ Bayes text t মডেলৰ সৈতে EM ৰ এটা সৰল প্ৰয়োগ ভালদৰে কাম কৰে। দ্বিতীয়তে, কিছুমান টেক্সট ড মেইনত এই সম্পৰ্ক নাই। ইয়াত আমি এটা অধিক প্ৰকাশাত্মক আৰু উপযুক্ত সৃষ্টিশীল মডেল নিৰ্বাচন কৰিব পাৰো যাৰ ইতিবাচক সম্পৰ্ক আছে। এই ক্ষেত্ৰসমূহত, আধা-নিৰীক্ষণযুক্ত শিক্ষণ পদ্ধতিয়ে শ্ৰেণীবিভাজনৰ দক্ষতা উন্নত কৰে। অৱশেষত, EM এ স্থানীয় সৰ্বোচ্চৰ সমস্যাৰ দ্বাৰা ভুগিছে, বিশেষকৈ উচ্চ মাত্ৰাৰ কাৰ্য্যসূচীত যেনে পাঠ্য শ্ৰেণীবিভাজন। আমি দেখুৱাম যে ই এমৰ এক প্ৰকাৰ নিৰ্ণয়মূলক আন্নিয়েলে স্থানীয় সৰ্বাধিকৰ সমস্যা সমাধান কৰাত সহায় কৰিব পাৰে আৰু যেতিয়া সৃষ্টিশীল মডেল উপযুক্ত হয় তেতিয়া শ্ৰেণীবিভাজনৰ সঠিকতা বৃদ্ধি কৰিব পাৰে। |
696ad1c38b588dae3295668a0fa34021c4481030 | আমি বহু লেবেল, ব্যাপকভাৱে বহু শ্ৰেণীৰ ছবিৰ শ্ৰেণীবিভাজনৰ মডেল প্ৰশিক্ষণৰ বাবে এটা পদ্ধতি উপস্থাপন কৰোঁ, যি এটা ছিগময়েড ক্ৰছ-এন্ট্ৰপি ক্ষতি (লজিষ্টিক ৰিগ্ৰেছন) ৰ জৰিয়তে নিৰীক্ষণতকৈ দ্ৰুত আৰু অধিক সঠিক। আমাৰ পদ্ধতিত উচ্চ-মাত্রিক বিৰল লেবেলসমূহক একক-নৰ্মেড ভেক্টৰৰ নিম্ন-মাত্রিক ঘন গোলকত এম্বেড কৰা হয়, আৰু এই গোলকটোত কোচিনুস প্ৰক্সিমিটি ৰিগ্রেছন সমস্যা হিচাপে শ্ৰেণীবিভাজনৰ সমস্যাটো বিবেচনা কৰা হয়। আমি আমাৰ পদ্ধতিটো ৩০০ নিযুত উচ্চ-উত্তৰযুক্ত ছবিৰ ১৭,০০০ লেবেলৰ সৈতে ডাটা ছেটত পৰীক্ষা কৰো, য ত ই যথেষ্ট দ্ৰুততাৰে সংমিশ্ৰণ প্ৰদান কৰে, লগতে লজিষ্টিক ৰিগ্ৰেছনৰ তুলনাত ৭% উচ্চ গড় সঠিকতা প্ৰদান কৰে। |
ad5974c04b316f4f379191e4dbea836fd766f47c | এই প্ৰবন্ধত যান্ত্ৰিক অনুবাদত বৃহত্ স্কেল পৰিসংখ্যাগত ভাষাৰ মডেলিংৰ লাভালাভৰ বিষয়ে উল্লেখ কৰা হৈছে। এটা বিতৰণ আন্তঃগাঁথনিৰ প্ৰস্তাৱ কৰা হৈছে যিটো আমি ব্যৱহাৰ কৰো 2 ট্ৰিলিয়ন টোকেন লৈকে প্ৰশিক্ষণৰ বাবে, যাৰ ফলত ভাষাৰ মডেলত 300 বিলিয়ন এন-গ্ৰাম পৰ্যন্ত থাকে। ই দ্ৰুত, একক-পাস ডিকোডিংৰ বাবে মসৃণ সম্ভাৱনা প্ৰদান কৰিবলৈ সক্ষম। আমি এটা নতুন সমতলীকৰণ পদ্ধতি প্ৰৱৰ্তন কৰিছো, যাক মূৰ্খ ব্যাকঅফ বুলি কোৱা হয়, যিটো বৃহৎ ডাটা ছেটত প্ৰশিক্ষণৰ বাবে কম খৰচী আৰু প্ৰশিক্ষণৰ ডাটা বৃদ্ধি হোৱাৰ লগে লগে কনেছৰ-নেই সমতলীকৰণৰ মানৰ ওচৰ চাপে। |
6cb45af3db1de2ba5466aedcb698deb6c4bb4678 | এই প্ৰকল্পত, আমি সুপৰিচিত ষ্টেণ্ডফৰ্ড প্ৰশ্ন উত্তৰ ডাটাচেট (SQuAD) ত প্ৰশ্ন উত্তৰ কাৰ্যৰ বাবে এণ্ড-টু-এণ্ড নিউৰেল নেটৱৰ্ক স্থাপত্য নিৰ্মাণত আগ্ৰহী। আমাৰ প্ৰয়োগৰ কাৰণ হৈছে শেহতীয়া উচ্চ-প্ৰদৰ্শন প্ৰাপ্তি পদ্ধতি যিয়ে সম-উদ্দীপনা এনকোডাৰক এক গতিশীল পইণ্টিং ডিকোডাৰৰ সৈতে সংযুক্ত কৰে যাক ডাইনামিক সম-উদ্দীপনা নেটৱৰ্ক বুলি জনা যায়। আমি বিভিন্ন সংমিশ্ৰণ আৰু পৰীক্ষা ডিকোডিং কৌশলসমূহ অন্বেষণ কৰিছিলো যি আমি বিশ্বাস কৰো যে এনে প্ৰণালীৰ কাৰ্যক্ষমতা উন্নত কৰিব পাৰে। |
e11d5a4edec55f5d5dc8ea25621ecbf89e9bccb7 | আমাৰ সমাজৰ নেটৱৰ্কযুক্ত কম্পিউটাৰৰ ওপৰত নিৰ্ভৰশীলতা ভয়ংকৰ হৈ পৰিছে: অৰ্থনীতিত, সম্পূৰ্ণ ডিজিটেল নেটৱৰ্কবোৰ সুবিধা প্ৰদানকাৰীৰ পৰা চালকলৈ পৰিৱৰ্তন হৈছে; যেতিয়াই চাইবাৰ-শাৰীৰিক প্ৰণালীবোৰ প্ৰাপ্তবয়স্ক হৈ আহিছে, কম্পিউটাৰ নেটৱৰ্কবোৰ এতিয়া আমাৰ ভৌতিক জগতৰ কেন্দ্ৰীয় স্নায়ু প্ৰণালী হৈ পৰিছে-এতিয়াও অতি গুৰুত্বপূৰ্ণ আন্তঃগাঁথনিৰ যেনে বিদ্যুৎ নেটৱৰ্কৰ। একে সময়তে, নেটৱৰ্কযুক্ত কম্পিউটাৰসমূহৰ ২৪ ঘন্টাই উপলব্ধতা আৰু সঠিক কাৰ্য্যকৰীতা অধিক বিপদজনক হৈ পৰিছেঃ আইটি চিষ্টেমসমূহত অতিশয় জটিল আৰু বিশেষভাৱে নিৰ্ধাৰিত আক্ৰমণৰ সংখ্যা যথেষ্ট বৃদ্ধি পাইছে। অনুপ্ৰৱেশ চিনাক্তকৰণ ব্যৱস্থা (আইডিএছ) হৈছে সংশ্লিষ্ট প্ৰতিৰক্ষা ব্যৱস্থাৰ এটা মূল উপাদান; সেইবোৰক অতীতত ব্যাপকভাৱে অধ্যয়ন আৰু ব্যৱহাৰ কৰা হৈছে। যিহেতু সাধাৰণ IDSs বৃহৎ কোম্পানীৰ নেটৱৰ্ক আৰু তাৰ বাহিৰেও স্কেল কৰিব নোৱাৰি, আৰু ব্যাপক সমান্তৰাল আক্ৰমণৰ বাবেও নহয়, সেয়েহে Collaborative IDSs (CIDSs) উদ্ভৱ হৈছে। এই প্ৰণালীবোৰত কেইবাটাও নিৰীক্ষণ উপাদান থাকে যিয়ে তথ্য সংগ্ৰহ আৰু বিনিময় কৰে। চিআইডিএছৰ নিৰ্দিষ্ট স্থাপত্যৰ ওপৰত নিৰ্ভৰ কৰি, কেন্দ্ৰীয় বা বিতৰণ বিশ্লেষণ উপাদানসমূহে আক্ৰমণ চিনাক্ত কৰিবলৈ সংগৃহীত তথ্য খনন কৰে। ফলত সৃষ্টি হোৱা সতৰ্কবাণীসমূহ একাধিক নিৰীক্ষণকৰ্তাৰ মাজত সম্পৰ্কিত হয় যাতে নিৰীক্ষণ কৰা নেটৱৰ্কৰ এক সামগ্ৰিক দৃশ্য সৃষ্টি কৰিব পাৰি। এই প্ৰবন্ধটোৱে প্ৰথমে চিআইডিএছৰ বাবে প্ৰাসংগিক প্ৰয়োজনীয়তা নিৰ্ধাৰণ কৰে; ইয়াৰ পিছত সিআইডিএছৰ ডিজাইন স্পেচ প্ৰৱৰ্তন কৰাৰ বাবে আৰু প্ৰয়োজনীয়তাৰ ক্ষেত্ৰত ইয়াক আলোচনা কৰাৰ বাবে পৃথক বিল্ডিং ব্লকক পৃথক কৰে। এই ডিজাইন স্পেচটোৰ আধাৰত চিআইডিএছ এৰাই চলা আক্ৰমণ আৰু চিআইডিএছসমূহৰ উপলব্ধতাৰ ওপৰত আক্ৰমণ কৰা হয়। প্ৰয়োজনীয়তা, বিল্ডিং ব্লক আৰু আক্ৰমণৰ সমগ্ৰ ফ্ৰেমৱৰ্কটো ইয়াৰ পিছত বিশেষ চিআইডিএছ পদ্ধতিৰ সবিশেষ জৰীপ আৰু তুলনা সহ সহযোগীতাৰে অনুপ্ৰৱেশ চিনাক্তকৰণৰ কাৰিকৰী অৱস্থাৰ এক বিস্তৃত বিশ্লেষণৰ বাবে ব্যৱহাৰ কৰা হয়। |
720158a53b79667e39c2caf2f7ebb2670b848693 | এজন ব্যক্তিৰ গোপনীয়তা দক্ষভাৱে ৰক্ষা কৰাটো শৰীৰৰ সংবেদক নেটৱৰ্কৰ দৰে গুৰুত্বপূৰ্ণ, জীৱন ৰক্ষাকাৰী আন্তঃগাঁথনিৰ বাবে অতি গুৰুত্বপূৰ্ণ। এই প্ৰবন্ধত এক নতুন কী চুক্তি আঁচনিৰ বিষয়ে আলোচনা কৰা হৈছে যিয়ে বিএছএনত দুটা ছেন্সৰক ইলেক্ট্ৰ কাৰ্ডিঅ গ্ৰাম (ইকেজি) সংকেত ব্যৱহাৰ কৰি সৃষ্টি কৰা এক সাধাৰণ কীত সন্মতি প্ৰদান কৰিবলৈ অনুমতি দিয়ে। ইকেজি-ভিত্তিক এই মূল চুক্তি (ইকেএ) আঁচনিৰ উদ্দেশ্য হৈছে "প্লাগ-এন-প্লে" দৃষ্টান্তটো বিএছএন নিৰাপত্তালৈ অনা যাৰ দ্বাৰা বিষয়টোত ছেন্সৰ স্থাপন কৰাই কেৱল সুৰক্ষিত যোগাযোগ সম্ভৱ কৰি তুলিব পাৰে, যাৰ বাবে পূৰ্ব-নিয়োজনৰ দৰে কোনো ধৰণৰ আৰম্ভণিৰ প্ৰয়োজন নহয়। বাস্তৱিক ইকেজি তথ্যৰ ওপৰত ভিত্তি কৰি কৰা এই আঁচনিৰ বিশ্লেষণে (এমআইটি ফিজিওবেংক ডাটাবেছৰ পৰা লাভ কৰা) দেখুৱাইছে যে ইকেএৰ পৰা উদ্ভূত কিসমূহ হৈছেঃ এলোমেলো, সময় বৈকল্পিক, স্বল্পকালীন ইকেজি পৰিমাপৰ ওপৰত ভিত্তি কৰি সৃষ্টি কৰিব পাৰি, এটা নিৰ্দিষ্ট বিষয়ৰ বাবে একে আৰু পৃথক ব্যক্তিৰ বাবে ভিন্ন। |
f692c692d3426cc663f3ec9be0c7025b670b2e5c | বহু বছৰ ধৰি, তথ্য প্ৰযুক্তি উদ্যোগে বিদ্যমান ছফ্টৱেৰ সম্পদৰ পৰা নতুন এপ্লিকেচন একত্ৰিত কৰি ছফ্টৱেৰ বিকাশ প্ৰক্ৰিয়া ত্বৰান্বিত কৰিবলৈ চেষ্টা কৰি আহিছে। অৱশ্যে, ১৯৬০ ৰ দশকত ডগলাস মেকল্ৰয়ে পৰিকল্পনা কৰা ফৰ্মৰ প্ৰকৃত উপাদান-ভিত্তিক পুনঃব্যৱহাৰ এতিয়াও নিয়মতকৈ ব্যতিক্ৰম আৰু বৰ্তমান ব্যৱহৃত প্ৰায়বোৰ পদ্ধতিগত চফ্টৱেৰ পুনঃব্যৱহাৰে প্ৰডাক্ট লাইন ইঞ্জিনিয়াৰিং বা ড মেইন-নিৰ্দিষ্ট ফ্ৰেমৱৰ্ক আদিৰ দৰে হেভিৱেইট পদ্ধতি ব্যৱহাৰ কৰে। কম্প নেণ্ট বুলিলে আমি কোনো সংহতিপূৰ্ণ আৰু সংক্ষিপ্ত এককক বুজাইছো য ত এটা সু-সংজ্ঞায়িত ইন্টাৰফেছ আছে- সৰল প্ৰগ্ৰামিং ভাষাৰ শ্ৰেণীৰ পৰা আৰম্ভ কৰি অধিক জটিল আৰ্টিফেক্ট যেনে ৱেব সেৱা আৰু এণ্টাৰপ্ৰাইজ জাভা বীণ। |
96ea8f0927f87ab4be3a7fd5a3b1dd38eeaa2ed6 | এই পত্ৰখনত এটা ব্ৰডবেণ্ড আৰু সৰল টোৰছ নট এককপদ এণ্টেনা উপস্থাপন কৰা হৈছে। এণ্টেনাটো এডিটিভ মেন্যুফেকচাৰিং টেকন ল জী ব্যৱহাৰ কৰি নিৰ্মিত হৈছে, যাক সাধাৰণতে ৩-ডি প্ৰিণ্টিং বুলি জনা যায়। এণ্টেনাটো যান্ত্ৰিকভাৱে নিৰ্মাণ কৰিবলৈ সহজ আৰু ইয়াৰ স্থিৰ ৰেডিয়েচন পট্ৰ আৰু ইনপুট প্ৰতিফলন সহগ -১০ ডিবিএলতকৈ কম ১-২ গিগাহাৰ্টছৰ ফ্ৰেক্সিং ৰেঞ্জত। এণ্টেনাৰ জোখা আৰু অনুকৰণ কৰা পাৰফৰমেন্সৰ তুলনাও ইয়াত দিয়া হৈছে। |
206b204618640917f278e72bd0e2a881d8cec7ad | পটভূমি চিনাক্তকৰণৰ বাবে বেইচিয়ান পদ্ধতি ব্যৱহাৰ কৰাৰ এটা প্ৰধান বাধা হৈছে ইয়াৰ গণনামূলক ব্যয়। এই থিছটোৱে এটা সমীপীকৰণ কৌশল উপস্থাপন কৰে যি পূৰ্বৰ তুলনাত বেইচিয়ান অনুমানক দ্ৰুত আৰু অধিক সঠিকভাৱে কৰিব পাৰে। এই পদ্ধতি, "প্ৰত্যাশিত প্ৰসাৰ", দুটা পূৰ্বৰ কৌশল একত্ৰিত আৰু সাধাৰণীকৰণ কৰেঃ অনুমিত ঘনত্ব ফিল্টাৰিং, কালমান ফিল্টাৰৰ সম্প্ৰসাৰণ, আৰু লুপী বিশ্বাস প্ৰসাৰ, বেইচিয়ান নেটৱৰ্কত বিশ্বাস প্ৰসাৰৰ সম্প্ৰসাৰণ। একত্ৰীকৰণে দেখুৱায় যে এই দুয়োটা অ্যালগৰিদমক কেনেদৰে KL-বিভেদৰ অৰ্থত নিকটবৰ্তী সৰল বিতৰণৰ সৈতে প্ৰকৃত পাছৰ বিতৰণক প্ৰায়চিত্ত কৰা হিচাপে দেখা যায়। প্ৰত্যাশাৰ প্ৰসাৰ দুয়োটা এলগৰিথমৰ সৰ্বোত্তম ব্যৱহাৰ কৰেঃ ধাৰণা-ঘনত্ব ফিল্টাৰিংৰ সাধাৰণতা আৰু লুপী বিশ্বাস প্ৰসাৰৰ সঠিকতা। লুপী বিশ্বাস প্ৰসাৰ, কাৰণ ই সঠিক বিশ্বাসৰ অৱস্থা প্ৰসাৰ কৰে, সীমিত প্ৰকাৰৰ বিশ্বাস নেটৱৰ্কৰ বাবে উপযোগী, যেনে বিশুদ্ধভাৱে বিচ্ছিন্ন নেটৱৰ্ক। প্ৰত্যাশা প্ৰসাৰকৰণত বিশ্বাসৰ অৱস্থাসমূহক প্ৰত্যাশাৰ সৈতে প্ৰায়চিত্ত কৰা হয়, যেনে মাধ্যম আৰু বৈকল্পিকতা, ইয়াক বহু বিস্তৃত পৰিসৰ প্ৰদান কৰে। প্ৰত্যাশাৰ প্ৰসাৰনে বিপৰীত দিশত বিশ্বাস প্ৰসাৰো প্ৰসাৰ কৰে- ধনী বিশ্বাসৰ ৰাজ্যসমূহ প্ৰসাৰ কৰে যিবোৰে ভৰিবলসমূহৰ মাজত সম্পৰ্ক অন্তৰ্ভুক্ত কৰে। এই ফ্ৰেমৱৰ্কটো সিন্থেটিক আৰু বাস্তৱ-বিশ্বৰ তথ্য ব্যৱহাৰ কৰি বিভিন্ন পৰিসংখ্যাগত মডেলত প্ৰদৰ্শন কৰা হয়। গাউছীয় মিশ্ৰণ সমস্যাৰ ক্ষেত্ৰত, আশা প্ৰসাৰক প্ৰতিদ্বন্দ্বী সমীপৱৰ্তী কৌশলসমূহতকৈ নিশ্চিতভাৱে ভাল বুলি পোৱা যায়ঃ মন্টে কাৰ্লো, লেপ্লেছৰ পদ্ধতি, আৰু বৈকল্পিক বেজ। পট্ৰ ন চিনাক্তকৰণৰ বাবে, আশা প্ৰসাৰনে বেজ পইণ্ট মেচিন শ্ৰেণীবিভাজক প্ৰশিক্ষণৰ বাবে এটা এলগৰিথম প্ৰদান কৰে যি পূৰ্বৰ যিকোনোতকৈ দ্ৰুত আৰু অধিক সঠিক। ফলস্বৰূপে পোৱা শ্ৰেণীবিভাগক সমতুল্য প্ৰশিক্ষণ সময় থকাৰ উপৰিও কেইবাটাও মানক ডাটা ছেটত সমৰ্থন ভেক্টৰ মেচিনক অতিক্ৰম কৰে। বেইচিয়ান মডেল নিৰ্বাচনৰ জৰিয়তে শ্ৰেণীবিভাজনৰ বাবে উপযুক্ত বৈশিষ্ট্যৰ ছেট নিৰ্বাচন কৰিবলৈও প্ৰত্যাশাৰ প্ৰসাৰ ব্যৱহাৰ কৰিব পাৰি। থিছী চুপাৰভাইজাৰঃ ৰ জালিন্ড পিকাৰ্ড উপাধিঃ মিডিয়া আৰ্টছ এণ্ড ছায়েন্সৰ সহযোগী অধ্যাপক |
ad40428b40b051164ade961bc841a0da2c44515d | |
e4bd80adc5a3486c3a5c3d82cef91b70b67ae681 | এই প্ৰবন্ধত কৰ্পৰেট বণ্ড মূল্য নিৰ্ধাৰণৰ পাঁচটা গাঁথনিগত মডেলৰ প্ৰমাণিত হৈছেঃ মাৰ্টন (১৯৭৪), গেস্কে (১৯৭৭), লংষ্টাফ আৰু শ্বাৰ্টজ (১৯৯৫), লেলেণ্ড আৰু টফট (১৯৯৬), আৰু ক লিন-ডুফ্ৰেছন আৰু গ ল্ডষ্টেইন (২০০১) । আমি ১৯৮৬-১৯৯৭ চনৰ সময়ছোৱাত সহজ মূলধন গাঁথনিৰ সৈতে থকা কোম্পানীসমূহৰ ১৮২ টা বণ্ড মূল্যৰ নমুনা ব্যৱহাৰ কৰি মডেলসমূহ প্ৰয়োগ কৰো। সাধাৰণ জ্ঞান অনুসৰি, গাঁথনিগত মডেলবোৰে বণ্ড বজাৰত দেখা পোৱা স্প্ৰেডৰ দৰে উচ্চ স্প্ৰেড সৃষ্টি নকৰে আৰু আশা অনুসৰি, আমি মাৰ্টন মডেলৰ আমাৰ প্ৰয়োগত পূৰ্বানুমান কৰা স্প্ৰেডবোৰ অতি কম বুলি পাওঁ। কিন্তু, আন আন গাঁথনিগত মডেলসমূহে অতি উচ্চ স্প্ৰেডৰ অনুমান কৰে। তথাপিও, সঠিকতা এটা সমস্যা, কিয়নো নতুন মডেলবোৰে উচ্চ লিভাৰেজ বা অস্থিৰতা থকা ফাৰ্মৰ ক্ৰেডিট ৰিস্কক অতিমাত্ৰা বৃদ্ধি কৰে আৰু তথাপি সুৰক্ষিত বণ্ডৰ সৈতে স্প্ৰেডৰ নিম্ন অনুমান সমস্যাৰ সন্মুখীন হয়। লেলেণ্ড আৰু টফ্টৰ মডেলটো এক ব্যতিক্ৰম, কিয়নো ই বেছিভাগ ব ণ্ডৰ স্প্ৰেডৰ ওপৰত অতিৰিক্ত অনুমান কৰে, বিশেষকৈ উচ্চ কুপন থকা ব ণ্ডবোৰ। অধিক সঠিক গাঁথনিগত মডেলসমূহে এনে বৈশিষ্ট্যসমূহ পৰিহাৰ কৰিব লাগিব যিবোৰে সুৰক্ষিত বণ্ডসমূহৰ স্প্ৰেডৰ ওপৰত প্ৰভাৱ পেলোৱাৰ সময়ত বেছি বিপদজনক বণ্ডসমূহৰ ক্ৰেডিট ৰিস্ক বৃদ্ধি কৰে। |
da67375c8b6a250fbd5482bfbfce14f4eb7e506c | এই সমীক্ষাত কম্পিউটেশ্যনেল এজেন্টৰ মানসিক সামৰ্থ্যৰ স্বায়ত্তশাসিত বিকাশৰ এক আভাস দাঙি ধৰা হৈছে। ই জ্ঞানীয় প্ৰণালীৰ চৰিত্ৰৰ ওপৰত ভিত্তি কৰি এনে কৰে যিবোৰ প্ৰদৰ্শন কৰে অভিযোজিত, প্ৰত্যাশিত আৰু উদ্দেশ্যমূলক লক্ষ্য-নিৰ্দেশিত আচৰণ। আমি জ্ঞানীৰ বিভিন্ন ধাৰণাৰ বিস্তৃত সমীক্ষা আগবঢ়াইছো, জ্ঞানবাদী (শাৰীৰিক প্ৰতীক প্ৰণালী) পদ্ধতি, উদ্ভৱশীল প্ৰণালী পদ্ধতি, সংযোগবাদী, গতিশীল আৰু সক্ৰিয় প্ৰণালী আৰু হাইব্ৰিড প্ৰণালীত এই দুয়োটা সংযুক্ত কৰাৰ প্ৰচেষ্টাও সামৰি লৈছো। তাৰ পিছত আমি এই ধাৰণাৰ পৰা আহৰণ কৰা বিভিন্ন জ্ঞানীয় আৰ্হিৰ পৰ্যালোচনা কৰো। এই ক্ষেত্ৰত আমি ফাইলোজেনেটিক আৰু অন্ট জেনেটিক দুয়োটা দিশৰ পৰা বিকাশমূলক পদ্ধতি গ্ৰহণ কৰাৰ প্ৰভাৱ আৰু ইয়াৰ সৈতে জড়িত সমস্যাসমূহ আলোকপাত কৰো। আমি মূল স্থাপত্যৰ বৈশিষ্ট্যসমূহৰ সংক্ষিপ্ত বিৱৰণ দি সামৰিছো যিবোৰ মানসিক সামৰ্থৰ স্বতন্ত্ৰ বিকাশৰ বাবে সক্ষম প্ৰণালীসমূহে প্ৰদৰ্শন কৰিব লাগে |
e7ee27816ade366584d411f4287e50bdc4771e56 | |
55289d3feef4bc1e4ff17008120e371eb7f55a24 | শেহতীয়াকৈ বিভিন্ন ধৰণৰ LSTM-ভিত্তিক চৰ্তযুক্ত ভাষা মডেল (LM) বিভিন্ন ভাষা সৃষ্টিৰ কামত প্ৰয়োগ কৰা হৈছে। এই কামত আমি বিভিন্ন মডেল স্থাপত্য আৰু উৎস তথ্যক প্ৰতিনিধিত্ব আৰু একত্ৰিত কৰাৰ বিভিন্ন উপায়ৰ ওপৰত অধ্যয়ন কৰো। স্নেপশ্বট লাৰ্ণিং নামৰ এটা পদ্ধতিও প্ৰস্তাৱ কৰা হৈছে যাতে পৰিচালিত ক্ৰমিক সংকেতৰ পৰা শর্তাধীন ভেক্টৰলৈ এটা সহযোগী ক্ৰছ-এন্ট্ৰপি উদ্দেশ্য ফাংশন প্ৰয়োগ কৰি শিকিবলৈ সুবিধা হয়। পৰীক্ষামূলক আৰু বিশ্লেষণাত্মক ফলাফলসমূহে প্ৰথমে প্ৰমাণ কৰে যে কণ্ডিচনিং ভেক্টৰ আৰু এলএমৰ মাজত প্ৰতিযোগিতা হয় আৰু ভিন্ন আৰ্হিসমূহে দুয়োটাৰ মাজত ভিন্ন বাণিজ্য-অফ প্ৰদান কৰে। দ্বিতীয়তে, পৰিশোধক ভেক্টৰৰ বৈষম্যমূলক ক্ষমতা আৰু স্বচ্ছতা মডেলৰ ব্যাখ্যাযোগ্যতা আৰু উন্নত প্ৰদৰ্শন দুয়োটাই প্ৰদান কৰাৰ বাবে গুৰুত্বপূৰ্ণ। তৃতীয়তে, স্নেপশ্বট লাৰ্ণিংয়ে ব্যৱহাৰ কৰা আৰ্কিটেকচাৰৰ ওপৰত নিৰ্ভৰ কৰি সামঞ্জস্যপূৰ্ণ পাৰফৰমেন্স উন্নতি সাধন কৰে। |
75c4b33059aa300e7b52d1b5dab37968ac927e89 | এটা ২x১ ডুৱেল-প লাৰাইজড এল-চন্ড ষ্টেকেড পেচ এণ্টেনা মেজ প্ৰস্তুত কৰা হৈছে। ই দুটা ইনপুট পোৰ্টৰ মাজত উচ্চ বিচ্ছিন্নতা প্ৰাপ্ত কৰিবলৈ এটা নতুন কৌশল ব্যৱহাৰ কৰিছে। প্ৰস্তাৱিত এণ্টেনাৰ ১৪-ডিবি ৰিটাৰ্ণ লষ্ট বেণ্ডউইডথ ১৯.৮% আছে, যিটো 0.808 ৰ পৰা 0.986 গিগাহৰ্টছ পৰ্যন্ত, দুয়োটা পোৰ্টৰ বাবে। ইয়াৰ উপৰিও, ইয়াৰ ইনপুট পোৰ্টৰ বিচ্ছিন্নতা ৩০ ডিবিতকৈ অধিক আৰু এই বেণ্ডউইড্থত ইয়াৰ গড় লাভ ১০.৫ ডিবিআই। তদুপৰি, ইয়াৰ দুটা প্ৰধান সমতলত ইয়াৰ বিকিরণ আৰ্হিৰ ক্ৰছ-প লাৰাইজেশ্যন লেভেল -১৫ ডিবিতকৈ কম হয়। এই বৈশিষ্টসমূহৰ বাবে, এই এণ্টেনা এৰেজটো বহী ভিত্তিক ষ্টেচনৰ বাবে অতি উপযুক্ত যি CDMA800 আৰু GSM900 ম বাইল যোগাযোগ ব্যৱস্থাৰ দুয়োটা অপাৰেটিং বেণ্ডউইডথক সামৰি ল বলৈ প্ৰয়োজন। |
b891a8df3d7b4a6b73c9de7194f7341b00d93f6f | ব্যক্তিগতকৃত প্ৰিয় সেৱা প্ৰদানৰ বাবে পৰামৰ্শ প্ৰণালীবোৰ আশাব্যঞ্জক। সহযোগিতামূলক ফিল্টাৰিং (চিএফ) প্ৰযুক্তি, ব্যৱহাৰকাৰীৰ পূৰ্বৰ আচৰণৰ ওপৰত ভিত্তি কৰি ব্যৱহাৰকাৰীৰ পছন্দৰ ভৱিষ্যদ্বাণী কৰা, আধুনিক পৰামৰ্শদাতা প্ৰণালী নিৰ্মাণৰ বাবে আটাইতকৈ সফল কৌশলসমূহৰ এটা হৈ পৰিছে। পূৰ্বতে প্ৰস্তাৱিত CF পদ্ধতিত কেইবাটাও প্ৰত্যাহ্বানমূলক সমস্যা দেখা যায়: (1) বেছিভাগ CF পদ্ধতিয়ে ব্যৱহাৰকাৰীৰ সঁহাৰিৰ নিদৰ্শনসমূহ উপেক্ষা কৰে আৰু পক্ষপাতমূলক পাৰামিটাৰ অনুমান আৰু অনুপম কাৰ্যক্ষমতা প্ৰদান কৰিব পাৰে; (2) কিছুমান CF পদ্ধতিয়ে হুইৰষ্টিক ওজন ছেটিং গ্ৰহণ কৰে, যাৰ এক পদ্ধতিগত ৰূপায়ণৰ অভাৱ হয়; আৰু (3) মাল্টিনমিয়েল মিশ্ৰণ মডেলসমূহে ডাটা মেট্ৰিক্স সৃষ্টিৰ বাবে মেট্ৰিক্স ফেক্টৰাইজেশ্যনৰ গণনামূলক ক্ষমতা দুৰ্বল কৰিব পাৰে, যাৰ ফলত প্ৰশিক্ষণৰ গণনামূলক ব্যয় বৃদ্ধি হয়। এই সমস্যাসমূহ সমাধান কৰিবলৈ, আমি ব্যৱহাৰকাৰীৰ সঁহাৰিৰ মডেলবোৰ প্ৰব্লেমাইজড মেট্ৰিকছ ফেক্টৰিজেচন (পিএমএফ) ত অন্তৰ্ভুক্ত কৰো, এটা জনপ্ৰিয় মেট্ৰিকছ ফেক্টৰিজেচন চিএফ মডেল, সঁহাৰিৰ প্ৰতি সচেতন প্ৰব্লেমাইজড মেট্ৰিকছ ফেক্টৰিজেচন (আৰএপিএমএফ) ফ্ৰেমৱৰ্ক স্থাপন কৰিবলৈ। অধিক স্পষ্টভাৱে, আমি ব্যৱহাৰকাৰীৰ সঁহাৰিৰ ওপৰত এটা ধাৰণা বৰ্ণুলি বিতৰণ হিচাপে কৰো যিটো পৰ্যবেক্ষণ কৰা ৰেটিংসমূহৰ বাবে ৰেটিং স্ক ৰৰ দ্বাৰা পৰিমাপ কৰা হয় আৰু পৰ্যবেক্ষণ নকৰা ৰেটিংসমূহৰ বাবে এটা পদক্ষেপ কাৰ্য হিচাপে। তদুপৰি, আমি এটা মিনি-বেটচ প্ৰয়োগ আৰু এটা ক্ৰাফটিং সময়সূচী নীতিৰ দ্বাৰা এলগৰিথমৰ গতি বঢ়াইছো। শেষত, আমি বিভিন্ন পৰীক্ষামূলক প্ৰট কলৰ ডিজাইন কৰো আৰু প্ৰস্তাৱিত RAPMF আৰু ইয়াৰ মিনি-বেটচ প্ৰয়োগৰ গুণাগুণ প্ৰদৰ্শন কৰিবলৈ সিন্থেটিক আৰু বাস্তৱ জগতৰ দুয়োটা ডাটা ছেটত পদ্ধতিগত প্ৰামাণিক মূল্যায়ন কৰো। |
1459d4d16088379c3748322ab0835f50300d9a38 | ক্ৰছ-ডমেইন ভিজুৱেল ডাটা মেচিং হৈছে বাস্তৱ-বিশ্বৰ দৃষ্টিৰ কামত এক মৌলিক সমস্যা, উদাহৰণস্বৰূপে, আইডি ফটো আৰু চোৱাচিতাৰ ভিডিঅ ৰ মাজত ব্যক্তিৰ মেচিং। এই সমস্যাৰ বাবে প্ৰচলিত পদ্ধতিত সাধাৰণতে দুটা পদক্ষেপ থাকে: i) বিভিন্ন ক্ষেত্ৰৰ পৰা নমুনাসমূহক এটা সাধাৰণ স্থানলৈ প্ৰক্ষেপণ কৰা, আৰু ii) নিৰ্দিষ্ট দূৰত্বৰ ওপৰত ভিত্তি কৰি এই স্থানত (dis-) সমতা গণনা কৰা। এই প্ৰবন্ধত আমি এটা নতুন জোৰাগত সাদৃশ্যতা জোখাৰ প্ৰস্তাৱ আগবঢ়াইছো যি বৰ্তমানৰ মডেলবোৰক আগুৱাই নিছে i) পৰম্পৰাগত ৰেখামুখী প্ৰক্ষেপণবোৰক এফাইন পৰিবৰ্তনলৈ সম্প্ৰসাৰিত কৰি আৰু ii) এফাইন মহালানোবিছ দূৰত্ব আৰু ক চাইন সাদৃশ্যক এক ডাটা-চালিত সংমিশ্ৰণৰ দ্বাৰা একত্ৰিত কৰি। তদুপৰি, আমি গভীৰ কনভলুশ্যনেল নিউৰেল নেটৱৰ্কৰ জৰিয়তে বৈশিষ্ট প্ৰতিনিধিত্বৰ শিক্ষণৰ সৈতে আমাৰ সাদৃশ্যতা জোখাৰ একত্ৰীকৰণ কৰোঁ। বিশেষভাৱে, আমি গভীৰ আৰ্হিৰ ভিতৰত সাদৃশ্যতা মাপক মেট্ৰিক্স অন্তৰ্ভুক্ত কৰো, যি মডেলৰ অপ্টিমাইজেশ্যনৰ এক অন্তৰাল উপায় সক্ষম কৰে। আমি আমাৰ সাধাৰণীকৃত সাদৃশ্যৰ মডেলটো বিভিন্ন প্ৰত্যাহ্বানমূলক ক্ৰছ-ডোমেইন মেচিং কামত বহুলভাৱে মূল্যায়ন কৰোঃ বিভিন্ন দৃষ্টিকোণৰ অধীনত ব্যক্তিৰ পুনৰ চিনাক্তকৰণ আৰু বিভিন্ন মোডালিটিৰ ওপৰত মুখৰ প্ৰমাণীকৰণ (অৰ্থাৎ, স্থিৰ ছবি আৰু ভিডিঅ ৰ মুখ, পুৰণি আৰু তৰুণ মুখ, আৰু স্কেচ আৰু ফটো প্ৰতিচ্ছবি) । পৰীক্ষামূলক ফলাফলসমূহে আমাৰ মডেলৰ উন্নত প্ৰদৰ্শন অন্যান্য অত্যাধুনিক পদ্ধতিৰ তুলনাত প্ৰদৰ্শন কৰে। |
03a00248b7d5e2d89f5337e62c39fad277c66102 | বহুপদ-সময় সমাধানযোগ্য সমস্যাৰ শ্ৰেণীটো বুজিবলৈ, আমি প্ৰথমে এটা "সমস্যা" কি তাৰ এটা আনুষ্ঠানিক ধাৰণা থকাটো প্ৰয়োজনীয়। আমি এটা বিমূর্ত সমস্যা Qক এটা সমস্যা-উপস্থিতিৰ I আৰু সমস্যা-উত্তৰ Sৰ এটা সমষ্টিৰ ওপৰত এটা বাইনেৰী সম্পৰ্ক হিচাপে সংজ্ঞায়িত কৰোঁ। উদাহৰণস্বৰূপে, SHORTEST-PATH ৰ এটা উদাহৰণ হ ল গ্ৰাফ আৰু দুটা শীৰ্ষৰ এটা ত্ৰিপল কনছিটিং। এটা সমাধান হৈছে g ৰফত শীৰ্ষৰ এটা ক্ৰম, যাৰ খালী ক্ৰমৰ অৰ্থ হ ল কোনো পথ নাই। SHORTEST-PATH সমস্যাটো নিজেই হৈছে সম্পৰ্ক যি গ্ৰাফৰ প্ৰতিটো উদাহৰণ আৰু দুটা শীৰ্ষক গ্ৰাফৰ আটাইতকৈ কম পথৰ সৈতে সংযুক্ত কৰে যি দুটা শীৰ্ষক সংযোগ কৰে। সৰু সৰু পথবোৰ অগত্যা অনন্য নহয়, এটা সমস্যা উদাহৰণৰ এটাতকৈ অধিক সমাধান থাকিব পাৰে। এটা বিমূর্ত সমস্যাৰ এই সূত্রায়ন আমাৰ উদ্দেশ্যৰ বাবে প্রয়োজনতকৈ অধিক সাধাৰণ। ওপৰত দেখুওৱা মতে, NP-সম্পূৰ্ণতাৰ তত্ত্বই সিদ্ধান্তৰ সমস্যাবোৰলৈ মনোযোগ আকৰ্ষণ কৰে: যিবোৰৰ উত্তৰ হয়/নহয়। এই ক্ষেত্ৰত, আমি এটা বিমূর্ত সিদ্ধান্ত সমস্যা এটা ফাংচন হিচাপে চাব পাৰো যিটো ইনষ্টেন্স ছেট I ৰ সমাধান ছেট {0, 1} ৰ সৈতে মেপ কৰে। উদাহৰণস্বৰূপে, SHORTEST-PATH ৰ সৈতে সম্পৰ্কিত এটা সিদ্ধান্ত সমস্যা হ ল আমি আগতে দেখা PATH সমস্যা। যদি i = G,u,v,k সিদ্ধান্ত সমস্যা PATH ৰ এটা উদাহৰণ হয়, তেন্তে PATH ((i)) = 1 (হয়) যদি u ৰ পৰা v লৈ সংক্ষিপ্ততম পথত সৰ্বাধিক k টি আঙুলি থাকে, আৰু PATH (i ) = 0 (নহয়) অন্যথা। বহুতো বিমূর্ত সমস্যা সিদ্ধান্তৰ সমস্যা নহয়, বৰং অনুকূলিতকৰণৰ সমস্যা, য ত কিছুমান মান হ্ৰাস বা বৃদ্ধি কৰিব লাগে। কিন্তু আমি ওপৰত দেখাৰ দৰে এটা অপ্টিমাইজেশ্যন সমস্যাক এটা সিদ্ধান্তৰ সমস্যাৰ দৰে পুনঃ নিৰ্ধাৰণ কৰাটো সাধাৰণ কথা। 1হপক্ৰফ্ট আৰু উলমান[156] বা লুইছ আৰু পাপাডিমিট্ৰিয়ু[20 4] চাওক ট্যুৰিং মেচিন মডেলৰ এক পুংখানুপুংখ চিকিৎসাৰ বাবে। 34.1 বহুপদ সময় 973 |
9ac5b66036da98f2c1e62c6ca2bdcc075083ef85 | |
f45eb5367bb9fa9a52fd4321a63308a37960e93a | এই প্ৰবন্ধৰ প্ৰথম ভাগত এটা বিকাশ প্ৰক্ৰিয়া আৰু বিতৰণ প্ৰণালী স্থাপত্যৰ ওপৰত ভিত্তি কৰি স্বায়ত্তশাসিত গাড়ী বিকাশৰ বাবে এটা প্ৰণালী মঞ্চৰ প্ৰস্তাৱ দিয়া হৈছে। প্ৰস্তাৱিত বিকাশ পদ্ধতিয়ে এটা স্বয়ংচালিত কাৰৰ ডিজাইন আৰু বিকাশৰ বাবে সক্ষম কৰি তোলে যিয়ে কম্পিউটেশ্যনেল জটিলতা, ফল্ট-টলৰেণ্ট বৈশিষ্ট্য আৰু ছিষ্টেম মডুলাৰিতাৰ হ্ৰাসৰ দৰে লাভালাভ প্ৰদান কৰে। এই প্ৰবন্ধত (দ্বিতীয় অংশ) এটা স্বায়ত্তশাসিত চালনা ব্যৱস্থাৰ প্ৰণয়ন প্ৰক্ৰিয়া দেখুৱাই প্ৰস্তাৱিত বিকাশ পদ্ধতিৰ এটা কেচ অধ্যয়নৰ বিষয়ে আলোচনা কৰা হৈছে। বাস্তৱায়ন প্ৰক্ৰিয়াটো সহজাতভাৱে বৰ্ণনা কৰিবলৈ, স্বয়ংচালিত ড্ৰাইভিং এলগৰিথম (স্থানীয়কৰণ, উপলব্ধি, পৰিকল্পনা, যান-বাহন নিয়ন্ত্ৰণ আৰু ছিষ্টেম মেনেজমেন্ট) সংক্ষেপে প্ৰৱৰ্তন কৰা হয় আৰু স্বয়ংচালিত ড্ৰাইভিং ছিষ্টেমৰ বাস্তৱায়নৰ ক্ষেত্ৰত প্ৰয়োগ কৰা হয়। আমি এটা স্বায়ত্তশাসিত ব্যৱস্থাৰ ৰূপায়ণৰ কেচ ষ্টডি কৰি বিতৰণিত ব্যৱস্থাৰ আৰ্হি আৰু প্ৰস্তাৱিত বিকাশ প্ৰক্ৰিয়াৰ সুবিধা পৰীক্ষা কৰিব পাৰো। প্ৰস্তাৱিত পদ্ধতিৰ বৈধতা স্বয়ংচালিত গাড়ী A1ৰ জৰিয়তে প্ৰমাণিত হৈছে যি সকলো মিছন সম্পূৰ্ণ কৰি ২০১২ চনত কোৰিয়াৰ স্বয়ংচালিত যানবাহন প্ৰতিযোগিতাত বিজয়ী হৈছিল। |
db17a183cb220ae8473bf1b25d62d5ef6fcfeac7 | যদিও সকলো বিদ্যমান বায়ু-ভৰা চবষ্ট্ৰেট ইণ্টিগ্ৰেটেড ৱেভগাইড (AFSIW) টোপ লজিয়ে চবষ্ট্ৰেট-স্বাধীন বৈদ্যুতিক পাৰদৰ্শিতা প্ৰদান কৰে, ইবোৰে বৈদ্যুতিক চৌম্বকীয় ক্ষেত্ৰ থকা বায়ু-ভৰা অঞ্চল গঠনৰ বাবে নিৰ্দিষ্ট, ব্যয়বহুল, লেমিনেটৰ ওপৰত নিৰ্ভৰ কৰে। এই প্ৰবন্ধত এটা নতুন উপকৰণ-স্বতন্ত্ৰ এএফএছআইডব্লিউ নিৰ্মাণ প্ৰযুক্তিৰ প্ৰস্তাৱ দিয়া হৈছে, যিয়ে সাধাৰণ উদ্দেশ্যৰ বাণিজ্যিকভাৱে উপলব্ধ পৃষ্ঠৰ সামগ্ৰীৰ এক বিস্তৃত শৃংখলাত উচ্চ-প্ৰদৰ্শন মাইক্ৰ ৱেভ উপাদানসমূহৰ সৰল একত্ৰিতকৰণ সম্ভৱ কৰি তোলে। প্ৰথমতে, এফএছআইডব্লিউ ৱেভগাইডৰ কাৰ্যকৰী পাৰমিটিভিটি আৰু ক্ষতিৰ টেনজেন্টৰ বাবে এক বিশ্লেষণাত্মক সূত্ৰ আহৰণ কৰা হয়। ইয়াৰ দ্বাৰা ডিজাইনাৰক উচ্চ-প্ৰাৱণতা লেমিনেটত সাধাৰণতে পোৱা স্তৰলৈ ছাবষ্ট্ৰেটৰ ক্ষতি হ্ৰাস কৰিবলৈ অনুমতি দিয়ে। তাৰ পিছত, কেইবাটাও মাইক্ৰ ৱেভ উপাদান ডিজাইন আৰু নিৰ্মিত হয়। একাধিক এএফএছআইডব্লিউ ৱেভগাইড আৰু চাৰি-পথৰ শক্তি বিভাজক/কম্বিনেটৰ পৰিমাপ, দুয়োটাই নতুন সমাক্ষ-ৰ পৰা-বায়ু-ভৰা এছআইডব্লিউ পৰিবৰ্তনৰ ওপৰত নিৰ্ভৰ কৰে, প্ৰমাণ কৰে যে এই অভিনৱ পদ্ধতিটোৱে মাইক্ৰ ৱেভ উপাদানসমূহ প্ৰত্যক্ষ পৃষ্ঠত প্ৰত্যক্ষ সংহতকৰণৰ বাবে উপযুক্ত, কম সন্নিবেশ ক্ষতিৰ সৈতে, আৰু সমগ্ৰ [৫.১৫-৫.৮৫] গিগাহাৰ্টজেড বেণ্ডত উৎকৃষ্ট মিল আৰু বিচ্ছিন্নতা। সেয়েহে, এই উদ্ভাৱনীমূলক পদ্ধতিয়ে ব্যয়সাধ্য, উচ্চ-প্ৰদৰ্শন আৰু অদৃশ্যভাৱে সংহত স্মাৰ্ট পৃষ্ঠ প্ৰণালীৰ নতুন প্ৰজন্মৰ বাবে পথ প্ৰশস্ত কৰে যি দৈনন্দিন বস্তুত উপলব্ধ ক্ষেত্ৰ আৰু সামগ্ৰীসমূহৰ দক্ষতাৰে ব্যৱহাৰ কৰে। |
8216673632b897ec50db06358b77f13ddd432c47 | |
05eef019bac01e6520526510c2590cc1718f7fe6 | ম বাইল লাইভ ষ্ট্ৰিমিং এতিয়া তৃতীয় ঢৌত আছে। Bambuser আৰু Qikৰ দৰে প্ৰাথমিক প্ৰণালীৰ পৰা আৰম্ভ কৰি অধিক জনপ্ৰিয় এপ Meerkat আৰু Periscope লৈকে, আজিৰ ফেচবুক আৰু ইনষ্টাগ্ৰামৰ অন্তৰ্ভূক্ত সামাজিক ষ্ট্ৰিমিং বৈশিষ্টসমূহলৈ, প্ৰযুক্তি আৰু ব্যৱহাৰ দুয়োটাই নাটকীয়ভাৱে সলনি হৈছে। লাইভ ষ্ট্ৰীমিংৰ এই শেহতীয়া পৰ্যায়ত, কেমেৰাবোৰে ভিতৰৰ ফ কাছ ষ্ট্ৰীমাৰৰ ওপৰত কৰিব, বাহিৰৰ পৰিৱেশৰ পৰিৱৰ্তে। কিশোৰ-কিশোৰীসকলে বন্ধুবৰ্গক মনোৰঞ্জন দিবলৈ, নতুন লোকক লগ কৰিবলৈ আৰু একেধৰণৰ বিষয়ত আনৰ সৈতে যোগাযোগ কৰিবলৈ এই প্লেটফৰ্মবোৰ ব্যৱহাৰ কৰি আছে। আমি এই নতুন প্লেটফৰ্মত কিশোৰ-কিশোৰীৰ লাইভ ষ্ট্ৰীমিং আচৰণ আৰু অনুপ্ৰেৰণাৰ বিষয়ে অধ্যয়ন কৰিছিলো, ২,২৪৭ জন আমেৰিকান লাইভ ষ্ট্ৰীমাৰৰ দ্বাৰা সম্পন্ন কৰা এক সমীক্ষাৰ জৰিয়তে আৰু ২০ জন কিশোৰ-কিশোৰীৰ সৈতে সাক্ষাৎকাৰৰ জৰিয়তে, পৰিৱৰ্তিত প্ৰথাসমূহ, সাধাৰণ জনতাৰ পৰা কিশোৰ-কিশোৰীৰ পাৰ্থক্য আৰু নতুন লাইভ ষ্ট্ৰীমিং সেৱা ডিজাইন কৰাৰ ক্ষেত্ৰত ইয়াৰ প্ৰভাৱ সম্পৰ্কে আলোকপাত কৰিছিলো। |
08c30bbfb9ff90884f9d1f873a1eeb6bb616e761 | অসম্ভৱতাৰ সূত্ৰসমূহে প্ৰমাণ কৰে যে সংমিশ্ৰণমূলক অগ্ৰাধিকাৰৰ সমস্যা সমাধানৰ একমাত্ৰ কাৰ্যকৰী আৰু কৌশলপ্ৰমাণ ব্যৱস্থা - যেনে, ছাত্ৰ-ছাত্ৰীসকলক পাঠ্যক্ৰমৰ সময়সূচী প্ৰদান কৰা - হ ল একনায়কত্ববাদ। একনায়কত্ববাদক সাধাৰণতে অন্যায় বুলি প্ৰত্যাখ্যান কৰা হয়: যিকোনো দুটা এজেন্টৰ বাবে, আন এজনে কোনো এটা নিৰ্বাচন কৰাৰ আগতে এজনে তেওঁলোকৰ সকলো বস্তু নিৰ্বাচন কৰে। যিকোনো সমাধানৰ বাবে দক্ষতা, উদ্দীপনা আৰু ন্যায্যতাৰ মাজত আপোচ জড়িত থাকিব। এই প্ৰবন্ধত সংমিশ্ৰণীয় বৰ্জন সমস্যাৰ সমাধানৰ প্ৰস্তাৱ দিয়া হৈছে। ইয়াক চাৰিটা পৰ্যায়ত বিকশিত কৰা হয়। প্ৰথমতে, মই দুটা নতুন মানদণ্ড প্ৰস্তাৱ কৰো, ফলাফলৰ ন্যায্যতা, সৰ্বোচ্চ অংশৰ নিশ্চয়তা আৰু একক ভালৰ দ্বাৰা আবদ্ধ ঈৰ্ষা, যি ভালদৰে জনা মানদণ্ডক দুৰ্বল কৰি তোলে অ-বিভাজনযোগ্যতা সামৰি ল বলৈ; এই মানদণ্ডই আনুষ্ঠানিকভাৱে বুজাই দিয়ে যে কিয় স্বৈৰাচাৰী শাসন ব্যৱস্থা অন্যায়। দ্বিতীয়তে, মই সম আয়ৰ পৰা প্ৰতিযোগিতামূলক সমতা (Competitive Equilibrium) ৰ এক সমীকৰণৰ অস্তিত্ব প্ৰমাণ কৰো য ত (i) আয়ৰ সমতা নাই কিন্তু ইচ্ছাকৃতভাৱে একেটা সমীপৰ; (ii) বজাৰ ভুলৰ সৈতে পৰিষ্কাৰ হয়, যি সীমাত শূন্যৰ ওচৰ চাপে আৰু বাস্তৱিক সমস্যাৰ বাবে সৰু। তৃতীয়তে, মই দেখুৱাম যে এই আনুমানিক CEEI ন্যায্যতাৰ চৰ্ত পূৰণ কৰে। শেষত, মই আনুমানিক CEEI ৰ ওপৰত ভিত্তি কৰি এটা ব্যৱস্থা ধাৰ্য্য কৰো যিটো কৌশলগতভাৱে শূন্য-পদক্ষেপৰ এজেন্টৰ বাবে প্ৰচলিতভাৱে মূল্য গ্ৰহণকাৰী হিচাপে গণ্য কৰা হয়। প্ৰস্তাৱিত ব্যৱস্থাটো বাস্তৱ তথ্যৰ ওপৰত নিৰ্ভৰ কৰে আৰু তত্ত্ব আৰু অনুশীলনৰ বিকল্পৰ সৈতে তুলনা কৰা হয়ঃ সকলো আন জ্ঞাত ব্যৱস্থা শূন্য-পদক্ষেপ এজেন্টৰ দ্বাৰা পৰিচালিত হয় বা অন্যায় এক্স-পোষ্ট, আৰু বেছিভাগেই পৰিচালিত আৰু অন্যায়। |
7d2c7748359f57c2b4227b31eca9e5f7a70a6b5c | |
0d1fd04c0dec97bd0b1c4deeba21b8833f792651 | ত্ৰি-পৰ্যায়, চাৰি-সুইচ, এক-পৰ্যায়, বিচ্ছিন্ন শূন্য-ভোল্টেজ-স্বিচিং (ZVS) ৰেক্টাইফায়াৰৰ ডিজাইন বিবেচনা আৰু পাৰফৰমেন্স মূল্যায়নসমূহ উপস্থাপন কৰা হৈছে। এই চাৰ্কিটটো ত্ৰি-পদক্ষেপ, দ্বি-সুইচ, ZVS, বিচ্ছিন্ন-বৰ্তমান-মোড (DCM), বুষ্ট পাৱাৰ-ফেক্টৰ-কৰেকশ্যন (PFC) ৰেক্টাইফায়াৰ, সংক্ষিপ্তভাৱে TAIPEI ৰেক্টাইফায়াৰ নামেৰে, ZVS ফুল-ব্ৰিজ (FB) ফেজ-শ্বিফ্ট DC/DC কনভার্টাৰ সৈতে একত্ৰিত কৰি প্ৰাপ্ত কৰা হয়। এই প্ৰদৰ্শনটো HVDC বিতৰণ প্ৰয়োগৰ বাবে ডিজাইন কৰা তিনি-পৰ্যায়ৰ ২.৭ কিলোৱাট প্ৰ টোটাইপৰ ওপৰত মূল্যায়ন কৰা হৈছিল যাৰ লাইন-টলিন ভল্টেজ ৰেঞ্জ ১৮০ ভিআৰএমএছৰ পৰা ২৬৪ ভিআৰএমএছ আৰু ২০০ ভিৰ পৰা ৩০০ ভিৰ মাজত এক কঠোৰ নিয়ন্ত্ৰিত ভৰিবল ডিচি আউটপুট ভল্টেজ আছিল। প্ৰ টোটাইপটো ZVSৰ সৈতে সমগ্ৰ ইনপুট ভল্টেজ আৰু লোড-ক্ৰণ্ট ৰেঞ্জত কাম কৰে আৰু 95% ৰেঞ্জৰ কাৰ্য্যকৰীতা সহ 5% তকৈ কম ইনপুট-ক্ৰণ্ট THD লাভ কৰে। |
5417bd72d1b787ade0c485f1188189474c199f4d | আমি এটা নতুন প্ৰশিক্ষণ প্ৰক্ৰিয়াৰ প্ৰস্তাৱ দিছো, যাৰ জৰিয়তে এটা অভিযোজিত হেঞ্জাৰ লষ্ট অবজেক্টৰ ফাংচন ব্যৱহাৰ কৰি স্থিৰতা আৰু কাৰ্যক্ষমতা উন্নত কৰিব পাৰি। আমি লক্ষ্যবস্তু বিতৰণৰ প্ৰত্যাশিত শক্তিৰ সৈতে উপযুক্ত হিংচ ক্ষতিৰ মাৰ্জিন অনুমান কৰো আৰু মাৰ্জিন আপডেট কৰাৰ বাবে এক নীতিগত মানদণ্ড আৰু আনুমানিক সন্মিলন মাপ দুয়োটাই আহৰণ কৰো। ইয়াৰ ফলত সৃষ্টি হোৱা প্ৰশিক্ষণ প্ৰক্ৰিয়াটো সৰল কিন্তু বিভিন্ন ডাটা ছেটত শক্তিশালী। আমি পৰ্যবেক্ষণহীন ছবিৰ সৃষ্টিৰ কামত প্ৰস্তাৱিত প্ৰশিক্ষণ প্ৰক্ৰিয়াটো মূল্যায়ন কৰো, গুণগত আৰু পৰিমাণগত উভয় কাৰ্যক্ষমতা উন্নত কৰা লক্ষ্য কৰোঁ। |
007ee2559d4a2a8c661f4f5182899f03736682a7 | কন্ট্ৰোলাৰ এৰিয়া নেটৱৰ্ক (CAN) বাছ প্ৰট কল [1] ৰবাৰ্ট ব ছ জিএমবিএইচৰ দ্বাৰা ১৯৮৬ চনত উদ্ভাৱন কৰা এটা বাছ প্ৰট কল। বৰ্তমানে, এই বাছখন বিভিন্ন যন্ত্ৰৰ ভিতৰত পোৱা যায়, যেনে গাড়ী, ট্ৰাক, লাইটনিং ছেটআপ, আৰু ঔদ্যোগিক তাঁতশাল। ইয়াৰ প্ৰকৃতিৰ বাবে, ই এক প্ৰণালী যি নিৰাপত্তাৰ ওপৰত অধিক গুৰুত্ব দিয়ে, অৰ্থাৎ, নিৰ্ভৰযোগ্যতা। দুৰ্ভাগ্যজনকভাৱে, নিৰাপত্তা বলৱৎ কৰাৰ কোনো অন্তৰ্নির্মিত উপায় নাই, যেনে এনক্ৰিপ্টিং বা প্ৰমাণীকৰণ। এই প্ৰবন্ধত, আমি CAN বাছত এটা পিছলৈ সামঞ্জস্যপূৰ্ণ বাৰ্তা প্ৰমাণীকৰণ প্ৰট কল প্ৰয়োগ কৰাৰ সৈতে জড়িত সমস্যাসমূহ অনুসন্ধান কৰোঁ। আমি দেখুৱাম যে এনে প্ৰট কলক কি কি সীমাবদ্ধতা পূৰণ কৰিব লাগিব আৰু কিয় এইটোৱে আমাৰ জ্ঞানৰ সৰ্বশ্ৰেষ্ঠত, এতিয়ালৈকে প্ৰকাশিত সকলো প্ৰমাণীকৰণ প্ৰট কলক আঁতৰ কৰে। তদুপৰি, আমি এটা বাৰ্তা প্ৰমাণীকৰণ প্ৰট কল, CANAuth, উপস্থাপন কৰিছো যি নিৰ্ধাৰিত সকলো প্ৰয়োজনীয়তা পূৰণ কৰে আৰু CAN বাছৰ কোনো সীমাবদ্ধতা উলংঘা নকৰে। মূল শব্দসমূহ-CAN bus, এম্বেডেড নেটৱৰ্ক, সম্প্ৰচাৰ প্ৰমাণীকৰণ, সমান্তৰিক ক্ৰিপ্টোগ্ৰাফী |
129359a872783b7c3a82c2c9dbef75df2956d2d3 | XFI হৈছে এক বিস্তৃত সুৰক্ষা ব্যৱস্থা যি যিকোনো প্ৰাধিকৰণ স্তৰত আৰু আনকি কমোডিটি চিষ্টেমত লিগেচি ক ডৰ বাবে দ্ৰুত প্ৰৱেশ নিয়ন্ত্ৰণ আৰু মৌলিক অখণ্ডতা গেৰাণ্টি প্ৰদান কৰে। এই উদ্দেশ্যে, XFIয়ে ইনলাইন ছফ্টৱেৰ গাৰ্ড আৰু দুটা স্তৰীয় কাৰ্যকৰী মডেলৰ সৈতে স্থিৰ বিশ্লেষণ সংযুক্ত কৰে। আমি x86 আৰ্কিটেকচাৰত বাইনেৰী পুনৰলিখন আৰু এটা সৰল, স্বতন্ত্ৰ যাচক ব্যৱহাৰ কৰি উইণ্ড জৰ বাবে XFI প্ৰয়োগ কৰিছো; প্ৰয়োগৰ সঠিকতা যাচকটোৰ ওপৰত নিৰ্ভৰ কৰে, কিন্তু পুনৰলিখকৰ ওপৰত নহয়। আমি XFIক ছফ্টৱেৰ যেনে ডিভাইচ ড্ৰাইভাৰ আৰু মাল্টিমিডিয়া কোডেকত প্ৰয়োগ কৰিছো। ফলত মডিউলবোৰে কেৱল সাধাৰণ বলৱৎকৰণ ওভাৰহেডৰ সৈতে কার্নেল আৰু ব্যৱহাৰকাৰী-মোড ঠিকনা স্থান দুয়োৰে ভিতৰত সুৰক্ষিতভাৱে কাম কৰে। |
3b938f66d03559e1144fa2ab63a3a9a076a6b48b | সংকেত প্ৰক্ৰিয়া আৰু পৰিসংখ্যা আদিৰ দৰে প্ৰয়োগত, বহুতো সমস্যাৰ অন্তৰ্গত হৈছে অ-নিৰ্ধাৰিত ৰেখীয় সমীকৰণ প্ৰণালীৰ বিৰল সমাধান। এই সমস্যাসমূহক এটা গঠনমূলক অসমোচিত অপ্টিমাইজেশ্যন সমস্যা হিচাপে প্ৰস্তুত কৰিব পাৰি, অৰ্থাৎ `1-নিয়মিত ৰেখীয় ক্ষুদ্ৰতম চতুৰ্ভুজ সমস্যাসমূহক ন্যূনতম কৰাৰ সমস্যা। এই প্ৰবন্ধত আমি এটা ব্লক ক অর্ডিনেট গ্ৰেডিয়েণ্ট ডেচেন্ট পদ্ধতি (চিজিডি হিচাপে সংক্ষেপিত) প্ৰস্তাৱ কৰিছো যাতে ∀১-নিয়মিত কনভেক্স মিনিমাইজেশ্যনৰ সাধাৰণ সমস্যা সমাধান কৰিব পৰা যায়, অৰ্থাৎ ∀১-নিয়মিত কনভেক্স মসৃণ ফাংচন এটা মিনিমাইজ কৰাৰ সমস্যা। আমি আমাৰ পদ্ধতিৰ বাবে এটা Q-ৰৈখিক সংমিশ্ৰণ হাৰ স্থাপন কৰো যেতিয়া সমন্বয় ব্লকটো Gauss-Southwell-type নিয়মৰ দ্বাৰা নিৰ্বাচন কৰা হয় যাতে পৰ্যাপ্ত অৱনমন নিশ্চিত হয়। আমি চিজিডি পদ্ধতিৰ কাৰ্যকৰী প্ৰয়োগৰ প্ৰস্তাৱ দিওঁ আৰু তথ্য শ্ৰেণীবিভাজনৰ ক্ষেত্ৰত বৈশিষ্ট্য নিৰ্বাচনৰ বাবে সংকুচিত সংবেদন আৰু ছবি ডিকনভলুচনত উদ্ভৱ হোৱা বৃহৎ স্কেল ∀1-নিয়মিত ৰেখীয় ক্ষুদ্ৰতম চতুৰ্ভুজ সমস্যা সমাধানৰ বাবে সংখ্যাগত ফলাফলৰ প্ৰতিবেদন দিওঁ। বহুতো অত্যাধুনিক অ্যালগৰিদমৰ সৈতে তুলনা কৰি, বিশেষকৈ বৃহৎ স্কেল ∀1-নিয়মিত ৰেখীয় ক্ষুদ্ৰতম চতুৰ্ভুজ বা লজিষ্টিক ৰিগ্ৰেশ্যন সমস্যাৰ সমাধানৰ বাবে ডিজাইন কৰা হৈছে, ই প্ৰমাণ কৰে যে এটা দক্ষতাৰে প্ৰয়োগ কৰা চিজিডি পদ্ধতিয়ে এই অ্যালগৰিদমবোৰক অতিক্ৰম কৰিব পাৰে যদিও চিজিডি পদ্ধতিটো কেৱল এই বিশেষ শ্ৰেণীৰ সমস্যাৰ সমাধানৰ বাবে বিশেষভাৱে ডিজাইন কৰা হোৱা নাই। |
8ad03b36ab3cba911699fe1699332c6353f227bc | ইউনেস্কোৰ মতে শিক্ষা হৈছে এটা মৌলিক মানৱ অধিকাৰ আৰু প্ৰত্যেক ৰাষ্ট্ৰৰ নাগৰিকক সমান মানৰ শিক্ষা প্ৰদান কৰা উচিত। যিহেতু এই লক্ষ্য এতিয়াও অধিকাংশ দেশতে অৰ্জন কৰিব পৰা হোৱা নাই, বিশেষকৈ উন্নয়নশীল আৰু পিছপৰা দেশসমূহত, শিক্ষাৰ উন্নতিৰ বাবে অধিক কাৰ্যকৰী উপায় বিচাৰি উলিওৱাটো অতি গুৰুত্বপূৰ্ণ। এই প্ৰবন্ধত কম্পিউটেশ্যনেল ইন্টেলিজেন্স (ডাটা মাইনিং আৰু ডাটা ছায়েন্স) ৰ প্ৰয়োগৰ ওপৰত ভিত্তি কৰি এটা মডেল দাঙি ধৰা হৈছে, যাৰ ফলত ছাত্ৰ-ছাত্ৰীৰ জ্ঞান-প্ৰফাইলৰ বিকাশ হয় আৰু যি শিক্ষাবিদসকলক তেওঁলোকৰ ছাত্ৰ-ছাত্ৰীসকলক সৰ্বোত্তম দিশত পৰিচালনা কৰিবলৈ তেওঁলোকৰ সিদ্ধান্ত গ্ৰহণত সহায় কৰিব পাৰে। এই মডেলটোৱে প্ৰতিটো ছাত্ৰ-ছাত্ৰীৰ বাবে প্ৰস্তুত কৰা একক কৌশলগত পৰিকল্পনাৰ ভিতৰত লক্ষ্যসমূহৰ প্ৰাপ্তিৰ নিৰীক্ষণ কৰিবলৈ মূল প্ৰদৰ্শনৰ সূচকসমূহ নিৰ্ধাৰণ কৰিবলৈও চেষ্টা কৰে। এই মডেলত শ্ৰেণীবিভাজন আৰু ভৱিষ্যদ্বাণী, ডাটা গাঁথনিৰ দৃশ্যমানকৰণৰ বাবে গ্ৰাফৰ বিৱৰণ আৰু সংশ্লিষ্ট পক্ষক প্ৰাসংগিক তথ্য প্ৰদানৰ বাবে পৰামৰ্শ প্ৰণালী ব্যৱহাৰ কৰা হৈছে। উপস্থাপিত ফলাফলবোৰ ব্ৰাজিলৰ এটা ব্যক্তিগত কে-৯ (প্ৰাথমিক বিদ্যালয়) ৰ পৰা প্ৰাপ্ত প্ৰকৃত ডাটা ছেটৰ ওপৰত ভিত্তি কৰি নিৰ্মাণ কৰা হৈছিল। প্ৰাপ্ত ফলাফলবোৰত মূল তথ্যৰ মাজত সম্পৰ্ক, ছাত্ৰৰ প্ৰদৰ্শনৰ ভৱিষ্যদ্বাণী কৰাৰ বাবে এক মডেল আৰু ষ্টেকহ ল্ডাৰসকলৰ বাবে পৰামৰ্শৱলী অন্তৰ্ভুক্ত কৰা হৈছে। |
500923d2513d30299350a6a0e9b84b077250dc78 | তথ্য আহৰণ আৰু তথ্য সংহতকৰণত অৰ্থগত সাদৃশ্যৰ মাপকাঠীয়ে গুৰুত্বপূৰ্ণ ভূমিকা পালন কৰে। পৰম্পৰাগত পদ্ধতিত অৰ্থগত সাদৃশ্যৰ মডেলিংয়ে একক অন্টলজিৰ ভিতৰত সংজ্ঞাৰ মাজত অৰ্থগত দূৰত্ব গণনা কৰে। এই একক অনট লজি হয় ড মেইন-স্বতন্ত্ৰ অনট লজি বা বৰ্তমানৰ অনট লজিৰ একত্ৰীকৰণৰ ফলাফল। আমি অৰ্থগত সাদৃশ্যৰ গণনাৰ বাবে এটা পদ্ধতি প্ৰদৰ্শন কৰিছো যি এটা একক অনট লজিৰ প্ৰয়োজনীয়তাক শিথিল কৰে আৰু বিভিন্ন অনট লজি নিৰ্দিষ্টকৰণৰ স্পষ্টতা আৰু আনুষ্ঠানিককৰণৰ স্তৰৰ পাৰ্থক্যৰ বাবে দায়বদ্ধ। এটা সমতুল্যতা ফাংশনে সমাৰ্থক ছেট, অৰ্থগত চুবুৰীয়া আৰু অংশ, কাৰ্য্য আৰু গুণসমূহত শ্ৰেণীবদ্ধ কৰা বৈশিষ্ট্যসমূহৰ মাজত মিল থকা প্ৰক্ৰিয়া ব্যৱহাৰ কৰি একেধৰণৰ সত্তা শ্ৰেণী নিৰ্ধাৰণ কৰে। বিভিন্ন অনট লজিৰ সৈতে পৰীক্ষামূলক ফলাফলসমূহে সূচায় যে অনট লজিসমূহত সত্তা শ্ৰেণীৰ সম্পূৰ্ণ আৰু বিশদ প্ৰতিনিধিত্ব থাকিলে মডেলটোৱে ভাল ফলাফল দিয়ে। শব্দ মিল আৰু অৰ্থগত চুবুৰীয়া মিলৰ সমন্বয় সমতুল্য সত্তা শ্ৰেণী চিনাক্ত কৰাৰ বাবে পৰ্যাপ্ত হ লেও, বৈশিষ্ট্য মিলাই আমাক একেধৰণৰ, কিন্তু অগত্যা সমতুল্য নহয়, সত্তা শ্ৰেণীৰ মাজত বৈষম্য কৰিবলৈ অনুমতি দিয়ে। |
1c58b4c7adee37874ac96f7d859d1a51f97bf6aa | স্তুপীকৃত সাধাৰণীকৰণ হৈছে উচ্চ পৰ্যায়ৰ মডেল ব্যৱহাৰ কৰি নিম্ন পৰ্যায়ৰ মডেলসমূহক একত্ৰিত কৰি অধিক ভৱিষ্যদ্বাণীমূলক সঠিকতা লাভ কৰাৰ এটা সাধাৰণ পদ্ধতি। এই প্ৰবন্ধত আমি দুটা গুৰুত্বপূৰ্ণ বিষয় আলোচনা কৰিম যিটো শ্ৰেণীবিভাজনৰ কামত ব্লেক আৰ্ট হিচাপে বিবেচিত হৈছে ১৯৯২ চনত ৱলপাৰ্টৰ দ্বাৰা ষ্টেকড জেনেৰেলাইজেশ্যন প্ৰৱৰ্তনৰ পিছতঃ উচ্চ স্তৰৰ মডেলটো আহৰণ কৰিবলৈ উপযুক্ত জেনেৰেলাইজাৰৰ প্ৰকাৰ আৰু ইয়াৰ ইনপুট হিচাপে ব্যৱহাৰ কৰিবলগীয়া বৈশিষ্ট্যৰ প্ৰকাৰ। আমি দেখিলোঁ যে যেতিয়া উচ্চ পৰ্যায়ৰ মডেলত নিম্ন পৰ্যায়ৰ মডেলৰ ঘনত্ব (কেৱল ভৱিষ্যদ্বাণী নহয়) সংযুক্ত কৰা হয় তেতিয়াহে শ্ৰেষ্ঠ ফলাফল পোৱা যায়। শ্ৰেণীবিভাজনৰ কামত তিনিটা ভিন্ন ধৰণৰ শিক্ষণীয় অ্যালগৰিথমৰ সংমিশ্ৰণৰ বাবে আমি স্তুপিত সাধাৰণীকৰণৰ কাৰ্য্যকৰিতা প্ৰদৰ্শন কৰিছো। আমি লগতে সংখ্যাগৰিষ্ঠ ভোটৰ সৈতে স্তুপীকৃত সাধাৰণীকৰণৰ কাৰ্যক্ষমতা আৰু আৰ্চিং আৰু বেগিংৰ প্ৰকাশিত ফলাফলৰ সৈতে তুলনা কৰো। |
017ee86aa9be09284a2e07c9200192ab3bea9671 | চৰ্তসাপেক্ষ GANs প্ৰাকৃতিক ছবি সংশ্লেষণৰ অগ্ৰভাগত আছে। এনে মডেলৰ প্ৰধান অসুবিধা হ ল লেবেলযুক্ত তথ্যৰ প্ৰয়োজনীয়তা। এই কামত আমি দুটা জনপ্ৰিয় অসূৰীভুক্ত শিক্ষণ কৌশল, বিৰোধী প্ৰশিক্ষণ আৰু স্ব-নিৰীক্ষণৰ ব্যৱহাৰ কৰিছো, যাতে চৰ্তযুক্ত আৰু চৰ্তহীন GAN ৰ মাজত ব্যৱধান কমাব পাৰি। বিশেষকৈ, আমি নেটৱৰ্কবোৰক প্ৰতিনিধিত্বৰ শিক্ষণৰ কামত সহযোগিতা কৰিবলৈ অনুমতি দিওঁ, একে সময়তে ক্লাছিক GAN খেলৰ প্ৰতিদ্বন্দ্বিতা কৰোঁ। আত্ম-নিৰীক্ষণৰ ভূমিকা হৈছে বৈষম্যকৰণকাৰীসকলক অৰ্থপূৰ্ণ বৈশিষ্ট্য প্ৰতিনিধিত্ব শিকিবলৈ উৎসাহিত কৰা যি প্ৰশিক্ষণৰ সময়ত পাহৰি যোৱা নহয়। আমি অভিজ্ঞতাৰে শিক্ষিত ছবিৰ প্ৰতিনিধিত্ব আৰু সংশ্লেষিত ছবিৰ গুণমান পৰীক্ষা কৰোঁ। একেটা পৰিস্থিতিতে, স্ব-নিৰীক্ষণ কৰা GAN এ অত্যাধুনিক চৰ্তসাপেক্ষ সমতুল্যক সমৰূপ প্ৰদৰ্শন কৰে। শেষত, আমি দেখুৱাম যে সম্পূৰ্ণ নিৰীক্ষণবিহীন শিক্ষাৰ এই পদ্ধতিটো 33 FID প্ৰাপ্ত কৰিবলৈ স্কেল কৰিব পাৰি। |
5c695f1810951ad1bbdf7da5f736790dca240e5b | ছ চিয়েল মিডিয়াত ব্যৱহাৰকাৰীৰ দ্বাৰা সৃষ্টি কৰা বিষয়বস্তুৰ বিশ্লেষণ আৰু সামগ্ৰী আৰু ঘটনাসমূহৰ প্ৰতি ব্যৱহাৰকাৰীৰ মতামতৰ সঠিক নিৰ্ধাৰণ বহুতো প্ৰয়োগৰ বাবে অতি মূল্যৱান। ৱেব ২.০ৰ প্ৰসাৰ আৰু ৱেবত ব্যৱহাৰকাৰী-উত্পাদিত বিষয়বস্তুৰ দ্ৰুত বৃদ্ধিৰ সৈতে, ক্ষুদ্ৰ-খুটি তথ্য প্ৰদান কৰা দিশ স্তৰৰ মতামত বিশ্লেষণৰ পদ্ধতিবোৰ অতিশয় আগ্ৰহৰ বিষয়। এই কামত, দৃষ্টিভংগী ভিত্তিক অনুভূতি বিশ্লেষণৰ বাবে এক শ্ৰেণীবিভাজনকাৰী সমষ্টি পদ্ধতিৰ উপস্থাপন কৰা হৈছে। এই পদ্ধতিটো সাধাৰণ আৰু এটা বিষয়ৰ মডেলিং আৰু ব্যৱহাৰকাৰীসকলে সম্বোধন কৰা প্ৰধান দিশবোৰ নিৰ্ধাৰণ কৰিবলৈ লটেন্ট ডাইৰিকলেট আৱণ্টন ব্যৱহাৰ কৰে। তাৰ পিছত, প্ৰতিটো মন্তব্য আৰু বিশ্লেষণ কৰা হয় আৰু শব্দৰ মাজত থকা সম্পৰ্ক আৰু শব্দ আৰু দিশৰ মাজত থকা সম্পৰ্ক সূচোৱা শব্দৰ নিৰ্ভৰশীলতা আহৰণ কৰা হয়। নেভি বেজ, সৰ্বাধিক এন্ট্ৰ পি আৰু সমৰ্থন ভেক্টৰ মেচিনৰ দ্বাৰা প্ৰস্তুত কৰা এক সমষ্টি শ্ৰেণীবিভাগক ব্যৱহাৰকাৰীৰ মন্তব্যৰ ধ্ৰুৱকতা প্ৰত্যেক দিশৰ প্ৰতি চিনাক্ত কৰিবলৈ ডিজাইন কৰা হৈছে। মূল্যায়নৰ ফলাফলসমূহে পৃথক শ্ৰেণীবিভাজকৰ তুলনাত ভাল উন্নতি দেখুৱায় আৰু সূচায় যে সমষ্টিগত ব্যৱস্থাটো ব্যৱহাৰকাৰীৰ দ্বাৰা সৃষ্টি কৰা সামগ্ৰী বিশ্লেষণ আৰু ব্যৱহাৰকাৰীৰ মতামত আৰু মনোভাৱ নিৰ্ধাৰণত স্কেলযোগ্য আৰু সঠিক। |
4f1fe957a29a2e422d4034f4510644714d33fb20 | আমি বিষয়বস্তুৰ ভিত্তিত নথি-পত্ৰ শ্ৰেণীবদ্ধ কৰাৰ সমস্যাটো বিবেচনা নকৰোঁ, কিন্তু সামগ্ৰিক ভাৱনাৰ ভিত্তিত, উদাহৰণস্বৰূপে, এটা পৰ্যালোচনা ইতিবাচক নে নেতিবাচক সেয়া নিৰ্ণয় কৰা। চলচ্চিত্ৰৰ সমালোচনাসমূহক তথ্য হিচাপে ব্যৱহাৰ কৰি আমি পাওঁ যে মানক যন্ত্ৰৰ শিক্ষণ প্ৰণালীয়ে মানুহৰ দ্বাৰা নিৰ্মিত প্ৰাথমিক প্ৰণালীসমূহক অতিক্ৰম কৰে। অৱশ্যে, আমি ব্যৱহাৰ কৰা তিনিটা যন্ত্ৰ শিকাৰ পদ্ধতি (নিভ বেজ, সৰ্বাধিক এন্ট্ৰ পি শ্ৰেণীবিভাগ আৰু সমৰ্থন ভেক্টৰ মেচিন) পৰম্পৰাগত বিষয়ভিত্তিক শ্ৰেণীবিভাগৰ দৰে অনুভূতি শ্ৰেণীবিভাগৰ ক্ষেত্ৰত ভাল প্ৰদৰ্শন নকৰে। আমি এনে কাৰকবোৰ পৰীক্ষা কৰি সিদ্ধান্ত গ্ৰহণ কৰো যিবোৰে অনুভূতি শ্ৰেণীবিভাজনৰ সমস্যাটোক অধিক প্ৰত্যাহ্বানমূলক কৰি তোলে। প্ৰকাশনৰ তথ্যঃ ই এম এন এল পিৰ প্ৰক্ৰিয়া, ২০০২, পৃষ্ঠা ২৬ ৭৯-৮৬ ৰ ভিতৰত। |
722e2f7894a1b62e0ab09913ce9b98654733d98e | এই প্ৰকাশনত পুনঃপ্ৰকাশিত প্ৰবন্ধ আছে যাৰ বাবে আই ই ই ইৰ কপিৰাইট নাই। এই প্ৰবন্ধসমূহৰ সম্পূৰ্ণ পাঠ IEEE Xplore ত উপলব্ধ নহয়। |
2485c98aa44131d1a2f7d1355b1e372f2bb148ad | এই প্ৰবন্ধত আমি চীনৰ এক বৃহৎ আকাৰৰ মুখৰ ডাটাবেছ অৰ্থাৎ CAS-PEAL মুখৰ ডাটাবেছৰ অধিগ্ৰহণ আৰু সামগ্ৰীৰ বিষয়ে বৰ্ণনা কৰিছো। CAS-PEAL মুখৰ ডাটাবেছ সৃষ্টিৰ লক্ষ্যসমূহ হৈছেঃ 1) বিশ্বব্যাপী মুখ চিনাক্তকৰণৰ গৱেষকসকলক বিভিন্ন উৎসৰ পৰিবৰ্তন, বিশেষকৈ অৱস্থান, অভিব্যক্তি, আনুষাঙ্গিক আৰু আলোকসজ্জা (PEAL), আৰু এক অভিন্ন ডাটাবেছত সম্পূৰ্ণ তৃণমূল-সত্য তথ্য প্ৰদান কৰা; 2) অফ-দ্য-শেল্ফ ইমেজিং যন্ত্ৰৰ ব্যৱহাৰ কৰি আৰু ডাটাবেছত স্বাভাৱিক মুখৰ পৰিবৰ্তনসমূহ ডিজাইন কৰি ব্যৱহাৰিক প্ৰয়োগৰ লক্ষ্যৰে অত্যাধুনিক মুখ চিনাক্তকৰণ প্ৰযুক্তিৰ অগ্ৰগতি; আৰু 3) মংগোলীয়াৰ এক বৃহত-স্কেল মুখৰ ডাটাবেছ প্ৰদান কৰা। বৰ্তমানে, CAS-PEAL মুখৰ ডাটাবেছত ১০৪০ জন ব্যক্তিৰ (৫৯৫ জন পুৰুষ আৰু ৪৪৫ জনী মহিলা) ৯৯,৫৯৪ টা ছবি আছে। মুঠতে নটা কেমেৰা এটা আৰ্কৰ বাহুত অনুভূমিকভাৱে সংলগ্ন কৰি বিভিন্ন ভংগীত একেলগে ছবি তোলাৰ বাবে স্থাপন কৰা হৈছে। প্ৰতিজন ব্যক্তিক একেবাৰে আগলৈ, ওপৰলৈ আৰু তললৈ চাই তিনিটা শ্বটত ২৭ টা ছবি লাভ কৰিবলৈ কোৱা হয়। ৫টা মুখৰ ভাব, ৬টা আনুষংগিক আৰু ১৫টা পোহৰৰ পৰিৱৰ্তন ডাটাবেছত অন্তৰ্ভুক্ত কৰা হৈছে। তথ্য-ভঁৰালৰ এটা নিৰ্বাচিত উপ-সংখ্যা (CAS-PEAL-R1, য ত ১০৪০ জন বিষয়ৰ ৩০,৮৬৩ টা ছবি আছে) এতিয়া আন গৱেষকসকলৰ বাবে উপলব্ধ। আমি CAS-PEAL-R1 ডাটাবেছৰ ওপৰত ভিত্তি কৰি মূল্যায়ন প্ৰট কলৰ বিষয়ে আলোচনা কৰিম আৰু চাৰিটা এলগৰিথমৰ কাৰ্যক্ষমতা নিম্নলিখিত কামবোৰ কৰিবলৈ এটা বেছলাইন হিচাপে উপস্থাপন কৰিমঃ 1) মৌলিকভাৱে মুখ চিনাক্তকৰণ এলগৰিথমৰ বাবে ডাটাবেছৰ অসুবিধা মূল্যায়ন কৰক; 2) ডাটাবেছ ব্যৱহাৰ কৰা গৱেষকসকলৰ বাবে পছন্দ মূল্যায়নৰ ফলাফল; আৰু 3) সাধাৰণভাৱে ব্যৱহৃত এলগৰিথমৰ শক্তি আৰু দুৰ্বলতা চিনাক্ত কৰক। |
a0456c27cdd58f197032c1c8b4f304f09d4c9bc5 | সংকলন পদ্ধতি হৈছে শিক্ষণীয় এলগৰিথম যি শ্ৰেণীবিভাজনৰ এটা সংকলন নিৰ্মাণ কৰে আৰু তাৰ পিছত তেওঁলোকৰ ভৱিষ্যদ্বাণীসমূহৰ এক ওজনৰ ভোট গ্ৰহণ কৰি নতুন তথ্য বিন্দু শ্ৰেণীবিভাজন কৰে। মূল সংকলন পদ্ধতিটো বেইচিয়ান গড় কিন্তু অধিক শেহতীয়া এলগৰিথমসমূহত ত্ৰুটি সংশোধন কৰা আউটপুট কোডিং আৰু ব ষ্টিং অন্তৰ্ভুক্ত কৰা হৈছে। এই কাগজত এই পদ্ধতিসমূহৰ পুনৰীক্ষণ কৰা হৈছে আৰু ব্যাখ্যা কৰা হৈছে যে কিয় সংকলনবোৰে প্ৰায়ে যিকোনো একক শ্ৰেণীবিভাজনৰ তুলনাত ভাল প্ৰদৰ্শন কৰিব পাৰে। সংকলন পদ্ধতিৰ তুলনা কৰা কিছুমান পূৰ্বৱৰ্তী অধ্যয়ন পুনৰীক্ষণ কৰা হৈছে আৰু কিছুমান নতুন পৰীক্ষা উপস্থাপন কৰা হৈছে কাৰণবোৰ উন্মোচন কৰিবলৈ যে এডাব ষ্ট দ্ৰুতগতিত শেষ নহয়। |
9a292e0d862debccffa04396cd5bceb5d866de18 | |
610bc4ab4fbf7f95656b24330eb004492e63ffdf | আমি অ-নেগেটিভ মেট্ৰিক্স ফেক্টৰাইজেশ্যন প্ৰব্লেমটো অধ্যয়ন কৰো যিয়ে নিম্ন-শ্ৰেণীৰ ফেক্টৰাইজেশ্যনৰ দ্বাৰা অ-নেগেটিভ মেট্ৰিক্সক সমীপৱৰ্তী কৰে। এই সমস্যাটো বিশেষভাৱে মেচিন লাৰ্ণিংত গুৰুত্বপূৰ্ণ আৰু বহু সংখ্যক এপ্লিকেচনত দেখা যায়। কিন্তু দুৰ্ভাগ্যজনকভাৱে, ইয়াৰ মূল সূত্ৰটো ভুল আৰু এনফাৰ্ড। এই প্ৰবন্ধত, আমি পৃথক কৰিব পৰা অনুমানৰ অধীনত NMF সমস্যা সমাধান কৰিবলৈ ৰ এন্ট্ৰ পি মিনিমাইজেশ্যনৰ ওপৰত ভিত্তি কৰি এটা ৰ স্পাৰ্চ মডেলৰ প্ৰস্তাৱ দিছো য ত কোৱা হৈছে যে প্ৰতিটো ডাটা পইণ্ট কেইটামান পৃথক ডাটা কলামৰ এক উত্তল সংমিশ্ৰণ। আমি এন্ট্ৰ পি ফাংশন আৰু `∞ নিয়মৰ ঘনত্ব ব্যৱহাৰ কৰো যাতে শক্তিৰ ঘনত্ব কম সংখ্যক লুকাই থকা ভৰিবলীৰ ওপৰত হয়। আমি প্ৰমাণ কৰোঁ যে পৃথক কৰিব পৰা অনুমানৰ অধীনত, আমাৰ প্ৰস্তাৱিত মডেলটোৱে ডাটা ছেট সৃষ্টি কৰা ডাটা কলামবোৰ শক্তিশালীভাৱে পুনৰুদ্ধাৰ কৰে, আনকি যেতিয়া ডাটা শব্দৰ দ্বাৰা নষ্ট হয়। আমি প্ৰস্তাৱিত মডেলৰ দৃঢ়তা প্ৰমাণিত কৰিছো আৰু দেখুৱাম যে ই অত্যাধুনিক পৃথকযোগ্য NMF এলগৰিদমতকৈ যথেষ্ট শক্তিশালী। |
f829fa5686895ec831dd157f88949f79976664a7 | পৰ্যায়ভেদে বেইচীয় পদ্ধতিবোৰে অভিজ্ঞতামূলক বিপণনত এক কেন্দ্ৰীয় ভূমিকা পালন কৰে কিয়নো ইবোৰে পৃথক-স্তৰৰ পৰামিতি অনুমান প্ৰদান কৰে যি সিদ্ধান্তবোৰ লক্ষ্য কৰি লোৱাৰ বাবে ব্যৱহাৰ কৰিব পাৰি। এমচিএমচি পদ্ধতিবোৰ শ্ৰেণীবদ্ধ বেইচিয়ান মডেলৰ অনুমানৰ বাবে পছন্দৰ পদ্ধতি আছিল কিয়নো ই সঠিক ব্যক্তিগত-স্তৰৰ অনুমান প্ৰদান কৰিবলৈ সক্ষম। অৱশ্যে, এমচিএমচি পদ্ধতিবোৰ গণনাকৰণত নিষেধাত্মক আৰু বিগ ডাটাৰ বৰ্তমান যুগত সাধাৰণ হৈ পৰা বিশাল ডাটা ছেটত প্ৰয়োগ কৰিলে ভালদৰে স্কেল নহয়। আমি বিপণন সাহিত্যত বৈকল্পিক বেইচিয়ান (ভি বি) অনুমান হিচাপে জনাজাত বেইচিয়ান অনুমান প্ৰণালীৰ এক নতুন শ্ৰেণী প্ৰৱৰ্তন কৰোঁ। এই পদ্ধতিবোৰে পিছৰ বিতৰণক প্ৰায়োগিক কৰিবলৈ নিৰ্ণায়ক অনুকূলিতকৰণ পদ্ধতিৰ জৰিয়তে স্কেলিবিলিটি প্ৰত্যাহ্বানক মোকাবিলা কৰে আৰু অনুকৰণ-ভিত্তিক এমচিএমচি পদ্ধতিৰ সৈতে জড়িত গণনামূলক খৰচৰ এটা ভগ্নাংশত সঠিক অনুমান প্ৰদান কৰে। আমি বৈকল্পিক বেইচিয়ান অনুমানৰ শেহতীয়া বিকাশৰ শোষণ আৰু সম্প্ৰসাৰণ কৰো আৰু কেনেকৈ দুটা ভিবি অনুমান পদ্ধতিৰ ওপৰত আলোকপাত কৰো - মধ্যম-ক্ষেত্ৰ ভিবি (যি গিব্ বচ নমুনাৰ সৈতে সাদৃশ্যযুক্ত) সংযুক্ত মডেলৰ বাবে আৰু স্থিৰ-প্ৰকৃতিৰ ভিবি (যি মেট্ৰ পলিছ-হেষ্টিঙৰ সৈতে সাদৃশ্যযুক্ত) অ-সংযুক্ত মডেলৰ বাবে - জটিল বিপণন মডেলৰ অনুমানৰ বাবে কাৰ্যকৰীভাৱে সংযুক্ত কৰিব পাৰি। আমি লগতে দেখুৱাম যে সমান্তৰাল কম্পিউটিং আৰু ষ্ট কাষ্টিক অপ্টিমাইজেশ্যনৰ শেহতীয়া অগ্ৰগতি কেনেকৈ এই ভি বি পদ্ধতিৰ গতি অধিক উন্নত কৰিবলৈ ব্যৱহাৰ কৰিব পাৰি। অনুকৰণ আৰু বাস্তৱ তথ্যৰ সমষ্টি ব্যৱহাৰ কৰি, আমি বহুতো সাধাৰণভাৱে ব্যৱহৃত বিপণন মডেলত ভি বি পদ্ধতি প্ৰয়োগ কৰো (যেনে, মিশ্ৰিত ৰেখামূলক, লজিট, নিৰ্বাচন আৰু শ্ৰেণীবদ্ধ ক্ৰমিক লজিট মডেল), আৰু প্ৰদৰ্শন কৰক যে বিপণনৰ সমস্যাৰ বাবে ভি বি বি অনুমান কেনেদৰে বহুলভাৱে প্ৰযোজ্য। |
bf8a0014ac21ba452c38d27bc7d930c265c32c60 | উচ্চ স্তৰৰ সংযোজন পদ্ধতিৰ প্ৰয়োগে মাল্টি চেন্সৰ ডাটা সংযোজনৰ ক্ষেত্ৰত গুৰুত্বপূৰ্ণ সুবিধাৰ এটা ক্ৰম প্ৰদৰ্শন কৰে আৰু অটোমোবাইল সুৰক্ষা সংযোজন প্ৰণালীও ইয়াৰ ব্যতিক্ৰম নহয়। উচ্চ স্তৰৰ সংমিশ্ৰণক পৰিপূৰক বা/আৰু অপৰিহাৰ্য দৃশ্য ক্ষেত্ৰৰ সৈতে অটোমোটিভ ছেন্সৰ নেটৱৰ্কসমূহত প্ৰয়োগ কৰিব পাৰি। এই পদ্ধতিৰ সুবিধা হ ল ই চিষ্টেমৰ মডুলাৰিতাক নিশ্চিত কৰে আৰু বেঞ্চমাৰ্কিংৰ অনুমতি দিয়ে, কিয়নো ই প্ৰক্ৰিয়াৰ ভিতৰত ফিডবেক আৰু লুপৰ অনুমতি নিদিয়ে। এই প্ৰবন্ধত দুটা বিশেষ উচ্চ পৰ্যায়ৰ তথ্য সংযোজন পদ্ধতিৰ বৰ্ণনা কৰা হৈছে, যাৰ এটা সংক্ষিপ্ত আৰ্হি আৰু এলগৰিদমিক উপস্থাপন আছে। এই পদ্ধতিবোৰ মূলতঃ তেওঁলোকৰ ডাটা সংযুক্তিৰ অংশত পৃথক হয়ঃ (ক) ট্ৰেক লেভেল ফিউজন পদ্ধতিয়ে ইয়াক বিন্দুৰ পৰা বিন্দুলৈ সংযুক্তিৰ সৈতে সমাধান কৰে আৰু বস্তু ধাৰাবাহিকতা আৰু বহুমাত্ৰিক অগ্ৰাধিকাৰৰ ওপৰত গুৰুত্ব দিয়ে, আৰু (খ) গ্ৰীড ভিত্তিক ফিউজন পদ্ধতিয়ে পৰিৱেশৰ মডেলিং আৰু ছেন্সৰৰ ডাটা ফিউজন কৰিবলৈ এটা সাধাৰণ উপায় প্ৰস্তাৱ দিয়ে। এই পদ্ধতিসমূহৰ বাবে পৰীক্ষামূলক কেচ হৈছে মাল্টি চেন্সৰযুক্ত PReVENT/ProFusion2 ট্ৰাক প্ৰদৰ্শনকাৰী বাহন। |
c8cc94dd21d78f4f0d07ccb61153bfb798aeef2c | |
4152070bd6cd28cc44bc9e54ab3e641426382e75 | শ্ৰেণীবিভাজনৰ সমস্যাটো ডাটা মাইনিং, মেচিন লাৰ্ণিং, ডাটাবেছ আৰু তথ্য পুনৰুদ্ধাৰ সম্প্ৰদায়ৰ মাজত বিস্তৃতভাৱে অধ্যয়ন কৰা হৈছে। ইয়াৰ বিভিন্ন ক্ষেত্ৰত প্ৰয়োগ কৰা হৈছে, যেনে টাৰ্গেট মাৰ্কেটিং, চিকিৎসা ৰোগ নিৰ্ণয়, নিউজ গ্ৰুপ ফিল্টাৰিং আৰু নথি সংগঠনৰ দৰে। এই প্ৰবন্ধত আমি বিভিন্ন ধৰণৰ পাঠ্য শ্ৰেণীবিভাজনৰ এক সমীক্ষা আগবঢ়াম |
e050e89d01afffd5b854458fc48c9d6720a8072c | |
8bf72fb4edcb6974d3c4b0b2df63d9fd75c5dc4f | এনে পদ্ধতিসমূহে সম্ভাব্যভাৱে অধিক পাৰদৰ্শিতা প্ৰদান কৰিব পাৰে, কিয়নো ই প্ৰাকৃতিক ভাষাৰ ধাৰণাসমূহৰ সৈতে জড়িত অন্তৰ্নিহিত, অৰ্থবিজ্ঞান বৈশিষ্ট্যসমূহ বিশ্লেষণ কৰিবলৈও সক্ষম। এই প্ৰবন্ধত আমি চতুৰ্থ সংস্কৰণত ছেমেণ্টিক ছেণ্টিমেণ্ট এনালাইছিছ চেলেঞ্জৰ বিষয়ে আলোচনা কৰিম, য ত ছেমেণ্টিক বৈশিষ্টৰ ওপৰত নিৰ্ভৰ কৰা বা প্ৰয়োগ কৰা প্ৰণালীসমূহক বৃহৎ পৰীক্ষা ছেট আৰু বিভিন্ন ছেণ্টিমেণ্ট টাস্কৰ সৈতে জড়িত প্ৰতিযোগিতাত মূল্যায়ন কৰা হয়। কেৱল বাক্য গঠন/শব্দ-গণনা বা কেৱল শব্দকোষ-ভিত্তিক পদ্ধতিৰ ওপৰত ভিত্তি কৰি প্ৰস্তুত কৰা প্ৰণালীসমূহ মূল্যায়নৰ দ্বাৰা বাদ দিয়া হৈছে। তাৰ পিছত, আমি প্ৰতিটো কামৰ মূল্যায়নৰ ফলাফল প্ৰদৰ্শন কৰো আৰু সৰ্বাধিক উদ্ভাৱনীমূলক পদ্ধতিৰ বঁটা বিজয়ী দেখুৱাম, যিটোৱে অভিমত বিশ্লেষণৰ কামটো সমাধান কৰাৰ বাবে কেইবাটাও জ্ঞানৰ আধাৰ একত্ৰিত কৰে। মনোভাব বিশ্লেষণ গৱেষণা আৰু উদ্যোগ উভয়তে ব্যাপকভাৱে অধ্যয়ন কৰা গৱেষণা ক্ষেত্ৰ আৰু মনোভাব বিশ্লেষণ সম্পৰ্কীয় কামবোৰ সমাধান কৰাৰ বাবে বিভিন্ন পদ্ধতি আছে। অনুভূতি বিশ্লেষণ ইঞ্জিনবোৰে লেক্সিকন-ভিত্তিক কৌশলসমূহৰ পৰা মেচিন লাৰ্ণিংলৈ বা সিনটাক্টিক নিয়ম বিশ্লেষণ জড়িত পদ্ধতিবোৰ কাৰ্যকৰী কৰে। এনে ব্যৱস্থাসমূহ ইতিমধ্যে আন্তঃৰাষ্ট্ৰীয় গৱেষণা প্ৰত্যাহ্বানৰ অধীনত মূল্যায়ন কৰা হৈছে। অৱশ্যে, অৰ্থবিজ্ঞান বিশ্লেষণ পদ্ধতি, যিয়ে বৃহৎ অৰ্থবিজ্ঞান জ্ঞানৰ আধাৰসমূহক বিবেচনা কৰে বা নিৰ্ভৰ কৰে আৰু অৰ্থবিজ্ঞান ৱেবৰ শ্ৰেষ্ঠ অনুশীলনসমূহ ৰূপায়ণ কৰে, অন্য আন্তঃৰাষ্ট্ৰীয় প্ৰত্যাহ্বানসমূহৰ দ্বাৰা বিশেষ পৰীক্ষামূলক মূল্যায়ন আৰু তুলনাৰ অধীনত নহয়। |
21da9ece5587df5a2ef79bf937ea19397abecfa0 | এই প্ৰবন্ধত ভৱিষ্যদ্বাণী আৰু উপলব্ধিগত শ্ৰেণীবিভাজনক মগজুৱে সমাধান কৰা এটা অনুমান সমস্যা হিচাপে বিবেচনা কৰা হৈছে। আমি ধাৰণা কৰো যে মগজুৱে বিশ্বক এক আৰ্হিগত বা গতিশীল প্ৰণালীৰ ক্যাসকেড হিচাপে মডেল কৰে যিটো সংবেদনশীলতাত কাৰণ-সংক্ৰান্তীয় গাঁথনিৰ প্ৰতীক। সংবেদনশীল তথ্যৰ ব্যাখ্যা কৰিবলৈ, এই আভ্যন্তৰীণ মডেলসমূহৰ অনুকূলন বা বিৱৰ্তনৰ সৈতে উপলব্ধিৰ সমতুল্য। সংবেদনশীল তথ্য কেনেকৈ উৎপন্ন হয় তাৰ এটা মডেল দিয়া হ লে, আমি মডেলৰ প্ৰমাণৰ সৈতে আবদ্ধ মুক্ত শক্তিৰ ওপৰত ভিত্তি কৰি মডেলৰ বিৱৰ্তনৰ বাবে এটা সাধাৰণ পদ্ধতি প্ৰয়োগ কৰিব পাৰো। ইয়াৰ পিছত মুক্ত শক্তিৰ সূত্ৰই সমীকৰণ প্ৰদান কৰে যি স্বীকৃতি প্ৰক্ৰিয়াটো নিৰ্ধাৰণ কৰে, অৰ্থাৎ স্নায়ু ক্ৰিয়াৰ গতিবিধি যি সংবেদনশীল ইনপুটৰ কাৰণবোৰ প্ৰতিনিধিত্ব কৰে। ইয়াত আমি এটা সাধাৰণ মডেলৰ ওপৰত গুৰুত্ব দিছো, যাৰ শ্ৰেণীবদ্ধ আৰু গতিশীল গাঁথনিয়ে অনুকৰণ কৰা মগজুক চিনাক্ত আৰু অনুমান কৰিবলৈ সক্ষম কৰে অনুভূতিকালীন অৱস্থাৰ গতিপথ বা ক্ৰম। আমি প্ৰথমতে শ্ৰেণীবিন্যাসৰ গতিশীল মডেল আৰু তাৰ বিৱৰ্তন পৰ্যালোচনা কৰিম। তাৰ পিছত আমি দেখুৱাম যে মগজুত এই বিৱৰ্তন কাৰ্যকৰী কৰিবলৈ প্ৰয়োজনীয় আন্তঃগাঁথনি আছে আৰু এই বিন্দুটো কৃত্ৰিম চৰাইৰ সহায়ত প্ৰদৰ্শন কৰো যিয়ে চৰাইৰ গীত চিনাক্ত আৰু শ্ৰেণীবদ্ধ কৰিব পাৰে। |
38a935e212c8e10460545b74a7888e3966c03e74 | এই প্ৰবন্ধত 3D অবজেক্ট চিনাক্তকৰণৰ অ-মোডাল উপলব্ধিৰ সমস্যাটো আলোচনা কৰা হৈছে। এই কাৰ্য্য কেৱল 3D জগতত বস্তু স্থানীয়কৰণ বিচাৰি পোৱা নহয়, কিন্তু তেওঁলোকৰ ভৌতিক আকাৰ আৰু অৱস্থানও অনুমান কৰা হয়, আনকি যদিহে তেওঁলোকৰ কেৱল অংশবোৰ RGB-D ছবিত দৃশ্যমান হয়। শেহতীয়া পদ্ধতিবোৰে 3D স্থানত পোনপটীয়াকৈ 3D বৈশিষ্ট্যৰ শোষণ কৰিবলৈ গভীৰতা চেনেলৰ পৰা পইণ্ট ক্লাউডক ব্যৱহাৰ কৰাৰ চেষ্টা কৰিছে আৰু পৰম্পৰাগত 2.5D প্ৰতিনিধিত্ব পদ্ধতিৰ ওপৰত উচ্চতা প্ৰদৰ্শন কৰিছে। আমি পুনৰবাৰ ২.৫ ডি প্ৰতিনিধিত্বৰ ফ্ৰেমৱৰ্কত লাগি থাকি, আৰু ২.৫ ডি ভিজুৱেল চেহেৰাটো ৩ ডি বস্তুসমূহৰ সৈতে প্ৰত্যক্ষভাৱে সম্পৰ্কিত কৰি, আমোডাল ৩ ডি চিনাক্তকৰণ সমস্যাৰ পুনৰীক্ষণ কৰো। আমি এটা নতুন 3D বস্তু চিনাক্তকৰণ প্ৰণালীৰ প্ৰস্তাৱ দিছো যিয়ে একে সময়তে 3D অৱস্থান, ভৌতিক আকাৰ আৰু অভ্যন্তৰীণ দৃশ্যত অৱস্থানসমূহক পূৰ্বানুমান কৰে। NYUV2 ডাটাছেটৰ ওপৰত কৰা পৰীক্ষাসমূহত দেখা গৈছে যে আমাৰ এলগৰিথমটোৱে অত্যাধুনিক প্ৰণালীটো অতিক্ৰম কৰিছে আৰু ই ইঙ্গিত দিছে যে 2.5D প্ৰতিনিধিত্বই 3D অ ম ডাল অবজেক্ট চিনাক্তকৰণৰ বাবে বৈশিষ্ট্য এনকোডিং কৰিব পাৰে। সকলো উৎস ক ড আৰু তথ্য https://github.com/phoenixnn/Amodal3Det ত আছে। |
4d7a8836b304a1ecebee19ff297f1850e81903b4 | |
461ebcb7a274525b8efecf7990c85994248ab433 | নিম্ন শক্তি আৰু লছি নেটৱৰ্ক (RPL) ৰ বাবে ৰাউটিং প্ৰট কল হৈছে 6LoWPAN নেটৱৰ্কৰ দৰে সীমাবদ্ধ পৰিৱেশৰ বাবে মানক কৰা এক নতুন ৰাউটিং প্ৰট কল। IPv6/RPL সংযুক্ত 6LoWPAN ৰ ক্ষেত্ৰত সুৰক্ষা প্ৰদান কৰাটো প্ৰত্যাহ্বানজনক কিয়নো ডিভাইচসমূহ অবিশ্বাস্য ইণ্টাৰনেটৰ সৈতে সংযুক্ত আৰু সংস্থান সীমাবদ্ধ, যোগাযোগ লিংকবোৰ ক্ষতিগ্ৰস্ত, আৰু ডিভাইচবোৰে RPL, 6LoWPAN, আৰু CoAP/CoAPs ৰ দৰে নতুন IoT প্ৰযুক্তিৰ এটা ছেট ব্যৱহাৰ কৰে। এই প্ৰবন্ধত আমি আই অ টি প্ৰযুক্তি আৰু তেওঁলোকৰ নতুন সুৰক্ষা ক্ষমতাসমূহৰ এক বিস্তৃত বিশ্লেষণ প্ৰদান কৰিছো যি আক্ৰমণকাৰী বা আই ডি এছৰ দ্বাৰা শোষিত হ ব পাৰে। এই প্ৰবন্ধৰ এটা প্ৰধান অৱদান হৈছে 6LoWPAN নেটৱৰ্কসমূহৰ বিৰুদ্ধে RPL ৰূপে চলা ৰাউটিং প্ৰট কলৰ বিৰুদ্ধে আমাৰ প্ৰয়োগ আৰু প্ৰদৰ্শন। আমি এই আক্ৰমণসমূহ কনটিকী অপাৰেটিং চিষ্টেমৰ আৰপিএল ৰূপায়ণত প্ৰয়োগ কৰো আৰু ক জা ছিমুলেটৰত এই আক্ৰমণসমূহ প্ৰদৰ্শন কৰো। তদুপৰি, আমি আই পি ভি ৬ প্ৰট কলত নতুন সুৰক্ষা বৈশিষ্ট্যসমূহৰ ওপৰত আলোকপাত কৰিছো আৰু ইণ্টাৰনেট অফ থিংকছত এটা লাইটৱেট হাৰ্টবিট প্ৰট কল প্ৰয়োগ কৰি প্ৰৱেশ চিনাক্তকৰণৰ বাবে এই বৈশিষ্ট্যসমূহৰ ব্যৱহাৰৰ উদাহৰণ দিছো। |
5b8869bb7afa5d8d3c183dfac0d0f26c2e218593 | বৰ্তমানৰ উচ্চ কাৰ্যক্ষমতা প্ৰক্ৰিয়াকৰণত প্ৰচলিত কেচ শ্ৰেণীবিন্যাসক ব্যৱহাৰিকভাৱে ভাল কাৰ্যক্ষমতা সম্পন্ন এলগৰিদম ডিজাইন কৰিবলৈ বিবেচনা কৰিব লাগিব। এই প্ৰবন্ধত এই উদ্দেশ্যৰ বাবে বাহ্যিক মেমৰি এলগৰিথমৰ অভিযোজনক সমৰ্থন কৰা হৈছে। এই ধাৰণা আৰু ইয়াৰ সৈতে জড়িত ব্যৱহাৰিক সমস্যাসমূহক বহিঃস্থ মেমৰি আৰু কেশ্ব মেমৰিৰ বাবে উপযুক্ত এক দ্ৰুত অগ্ৰাধিকাৰ শাৰী নিৰ্মাণ কৰি দৃষ্টান্ত দিয়া হৈছে যি <i>k</i>-পথ একত্ৰিতকৰণৰ ওপৰত ভিত্তি কৰি গঠিত। ই পূৰ্বৰ বাহ্যিক মেমৰি এলগৰিথমসমূহক কেচ মেমৰিলৈ স্থানান্তৰ কৰাৰ বাবে গুৰুত্বপূৰ্ণ ধ্ৰুবক কাৰকসমূহৰ দ্বাৰা উন্নত কৰে। ৱৰ্কষ্টেচনৰ কেচ শ্ৰেণীবিন্যাসত চলাই থকা এলগৰিথমটো ডাঙৰ ইনপুটৰ বাবে বাইনেৰী হুপ আৰু ৪-আৰী হুপৰ অনুকূলিত ৰূপায়ণৰ তুলনাত কমেও দুগুণ দ্ৰুত। |
1f6ba0782862ec12a5ec6d7fb608523d55b0c6ba | আমি এটা প্ৰকাৰৰ পৰীক্ষাৰ বিষয়ে প্ৰতিবেদন দিছো য ত কনভলুশ্যনেল নিউৰেল নেটৱৰ্ক (CNN) ৰ ওপৰত পূৰ্বৰ প্ৰশিক্ষিত শব্দ ভেক্টৰসমূহক প্ৰশিক্ষণ দিয়া হৈছে যাতে বাক্য-স্তৰৰ শ্ৰেণীবিভাজন কৰিব পৰা যায়। আমি দেখুৱাম যে অতিমাত্ৰা পাৰামেটাৰ টিউনিং আৰু স্থিৰ ভেক্টৰ থকা এটা সাধাৰণ চি এন এনে একাধিক মানদণ্ডত উৎকৃষ্ট ফলাফল লাভ কৰে। সূক্ষ্ম-নিৰ্ধাৰণৰ জৰিয়তে কাৰ্য-নিৰ্দিষ্ট ভেক্টৰ শিকাৰ ফলত কাৰ্যক্ষমতা অধিক লাভ হয়। আমি অতিৰিক্তভাৱে স্থাপত্যৰ এটা সৰল সংশোধন প্ৰস্তাৱ কৰো যাতে টাস্ক-নিৰ্দিষ্ট আৰু স্থিৰ ভেক্টৰ দুয়োটা ব্যৱহাৰৰ অনুমতি দিব পাৰি। ইয়াত আলোচনা কৰা CNN মডেলসমূহে সাতটা কামৰ ভিতৰত চাৰিটা কামৰ ক্ষেত্ৰত অত্যাধুনিক প্ৰযুক্তিৰ ওপৰত উন্নতি সাধন কৰিছে, য ত সংবেদন বিশ্লেষণ আৰু প্ৰশ্ন শ্ৰেণীবিভাজন অন্তৰ্ভুক্ত আছে। |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.