_id
stringlengths 40
40
| text
stringlengths 0
9.47k
|
|---|---|
dcd72f0a9cdc37450379f401fc2f4f87e30f5021 | |
c1b66422b1dab3eeee6d6c760f4bd227a8bb16c5 | |
e75c5d1b7ecd71cd9f1fdc3d07f56290517ef1e5 | অনলাইন লেনদেন প্রক্রিয়াকরণ (ওএলটিপি) এবং অনলাইন বিশ্লেষণাত্মক প্রক্রিয়াকরণ (ওএলএপি) এই দুটি ক্ষেত্র ডাটাবেস আর্কিটেকচারের জন্য বিভিন্ন চ্যালেঞ্জ উপস্থাপন করে। বর্তমানে, উচ্চ হারের মিশন-সমালোচনামূলক লেনদেনের গ্রাহকরা তাদের ডেটা দুটি পৃথক সিস্টেমে বিভক্ত করেছেন, ওএলটিপি-র জন্য একটি ডাটাবেস এবং ওএলএপি-র জন্য একটি তথাকথিত ডেটা গুদাম। যদিও এই বিচ্ছিন্নতা যথাযথ লেনদেনের হারকে মঞ্জুরি দেয়, তবে এটির অনেক অসুবিধাও রয়েছে, যার মধ্যে রয়েছে ডেটা তাজা থাকার সমস্যা, কারণ কেবলমাত্র পর্যায়ক্রমে এক্সট্র্যাক্ট ট্রান্সফর্ম লোড-ডেটা পর্যায়ক্রমে শুরু করার কারণে এবং দুটি পৃথক তথ্য সিস্টেম বজায় রাখার কারণে অতিরিক্ত সংস্থান খরচ। আমরা হাইপার নামে একটি দক্ষ হাইব্রিড সিস্টেম উপস্থাপন করছি, যা একই সময়ে ওএলটিপি এবং ওএলএপি উভয়ই পরিচালনা করতে পারে লেনদেনের ডেটার ধারাবাহিক স্ন্যাপশট বজায় রাখতে হার্ডওয়্যার-সহায়তাযুক্ত প্রতিলিপি প্রক্রিয়া ব্যবহার করে। হাইপার একটি মূল-মেমরি ডাটাবেস সিস্টেম যা ওএলটিপি লেনদেনের এসিআইডি বৈশিষ্ট্যগুলি নিশ্চিত করে এবং একই, স্বতঃস্ফূর্তভাবে বর্তমান এবং ধারাবাহিক স্ন্যাপশটে ওএলএপি ক্যোয়ারী সেশনগুলি (একাধিক অনুসন্ধান) সম্পাদন করে। ভার্চুয়াল মেমরি ম্যানেজমেন্টের জন্য প্রসেসর-অভ্যন্তরীণ সমর্থন (ঠিকানা অনুবাদ, ক্যাচিং, আপডেটে অনুলিপি) এর ব্যবহার একই সময়ে উভয়ই প্রদান করেঃ 100000 প্রতি সেকেন্ডের মতো উচ্চতর লেনদেনের হার এবং একই সময়ে উভয় ওয়ার্কলোড সম্পাদন করে এমন একটি সিস্টেমে খুব দ্রুত ওএলএপি ক্যোয়ারী প্রতিক্রিয়া সময়। পারফরম্যান্স বিশ্লেষণটি একটি সংযুক্ত টিপিসি-সি এবং টিপিসি-এইচ রেফারেন্সের উপর ভিত্তি করে। |
732212be0e6c5216158a7470c79fa2ff98a2da06 | আমরা একটি স্ট্যাকড-এফইটি একক মিলিমিটার-ওয়েভ (এমএমডাব্লু) ইন্টিগ্রেটেড সার্কিট ডোহার্টি পাওয়ার এম্প্লিফায়ার (ডিপিএ) উপস্থাপন করছি। ডিপিএ একটি নতুন অসম্পূর্ণ স্ট্যাক গেট বিয়াস ব্যবহার করে যা ৬ ডিবি পাওয়ার ব্যাক-অফ (পিবিও) এ উচ্চ ক্ষমতা এবং উচ্চ দক্ষতা অর্জন করে। সার্কিটটি 0.15-μm বর্ধিতকরণ মোড (ই-মোড) গ্যালিয়াম আর্সেনাইড (GaAs) প্রক্রিয়াতে তৈরি করা হয়। পরীক্ষামূলক ফলাফলগুলি ২৮.২ ডিবিএম এর ১ ডিবি লাভ সংকোচনের (পি 1 ডিবি) আউটপুট শক্তি, 37% এর পিক পাওয়ার অ্যাড এফিশিয়েন্সি (পিএই) এবং ২৮ গিগাহার্টে ২% এর 6-ডিবি পিবিও এ পিএই প্রদর্শন করে। পরিমাপকৃত সংকেত লাভ ১৫ ডিবি, যখন ৩ ডিবি ব্যান্ডউইথ ২৫.৫ থেকে ২৯.৫ গিগাহার্জ পর্যন্ত। 20 MHz 64 QAM মডুলেটেড সিগন্যালের সাথে ডিজিটাল প্রিডোস্টরশন (DPD) ব্যবহার করে, -46 dBc এর একটি পার্শ্ববর্তী চ্যানেল পাওয়ার রেসিও (ACPR) দেখা গেছে। |
03837b659b4a8878c2a2dbef411cd986fecfef8e | আমরা একটি অটোরেগ্রেসিভ মনোযোগ ব্যবস্থা চালু করছি সমান্তরাল চরিত্র স্তরের ক্রম মডেলিংয়ের জন্য। আমরা এই পদ্ধতিটি ব্যবহার করে একটি নিউরাল মডেলকে উন্নত করি যার মধ্যে রয়েছে কারণীয় কনভলুশনাল স্তরগুলির ব্লকগুলি হাইওয়ে নেটওয়ার্ক স্লিপ সংযোগ দ্বারা সংযুক্ত। আমরা প্রস্তাবিত মনোযোগ প্রক্রিয়া সহ এবং ছাড়াই মডেলগুলিকে যথাযথভাবে হাইওয়ে কজাল কনভোলশন (কজাল কনভ) এবং অটোরেগ্রেসিভ-মনোযোগ কজাল কনভোলশন (এআরএ-কনভ) হিসাবে চিহ্নিত করি। অটোরেগ্রেসিভ মনোযোগ প্রক্রিয়াটি ডিকোডারে কার্যকারিতা বজায় রাখে, যা সমান্তরাল বাস্তবায়নের অনুমতি দেয়। আমরা দেখিয়েছি যে এই মডেলগুলো, তাদের পুনরাবৃত্তিমূলক প্রতিরূপের তুলনায়, চরিত্র-স্তরের এনএলপি কার্যক্রমে দ্রুত এবং সঠিকভাবে শেখার সুযোগ করে দেয়। বিশেষ করে, এই মডেলগুলি প্রাকৃতিক ভাষা সংশোধন এবং ভাষা মডেলিংয়ের কাজে পুনরাবৃত্ত নিউরাল নেটওয়ার্ক মডেলগুলির চেয়ে ভাল পারফরম্যান্স করে এবং সময়ের একটি ভগ্নাংশে চালিত হয়। |
fe419be5c53e2931e1d6370c914ce166be29ff6e | |
0c3078bf214cea52669ec13962a0a242243d0e09 | এই গবেষণাপত্রে একটি ব্রডব্যান্ড প্রিন্টেড চতুর্ভুজাকার হেলিকাল অ্যান্টেনা প্রস্তাব করা হয়েছে যা একটি নতুন কম্প্যাক্ট ফিডিং সার্কিট ব্যবহার করে। এই অ্যান্টেনাটি একটি 29% ব্যান্ডউইথ সহ একটি বিস্তৃত বিমউথের উপর একটি চমৎকার অক্ষীয় অনুপাত উপস্থাপন করে। একটি বিশেষ ফিডিং সার্কিট একটি অ্যাপারচার-সংযুক্ত ট্রানজিশন উপর ভিত্তি করে এবং দুটি 90 ° পৃষ্ঠ মাউন্ট হাইব্রিড সহ quadrifilar অ্যান্টেনা সঙ্গে একত্রিত করা ডিজাইন করা হয়েছে। ব্যান্ডউইথের উপর, ব্রডব্যান্ড কম্প্যাক্ট সার্কিট দ্বারা সরবরাহিত অ্যান্টেনার পরিমাপকৃত প্রতিফলন সহগটি -12 ডিবি বা তার কম পাওয়া গেছে এবং সর্বোচ্চ লাভটি 1.18 থেকে 1.58 গিগাহার্টজ থেকে 1.5 এবং 2.7 ডিবিআইসি এর মধ্যে পরিবর্তিত হয়। অর্ধ-শক্তি প্রবাহের প্রস্থ 150 °, এই পরিসরে 3 ডিবি এর নীচে একটি অক্ষীয় অনুপাত সহ। ফিডিং সার্কিটের কম্প্যাক্টতা অ্যারে বিন্যাসে ছোট উপাদান ব্যবধানের অনুমতি দেয়। |
0c3751db5a24c636c1aa8abfd9d63321b38cfce5 | স্টোক্যাস্টিক গ্রেডিয়েন্ট ডেসেন্ট (এসজিডি) তাদের শক্তিশালী তাত্ত্বিক গ্যারান্টিগুলির কারণে এসভিএমের মতো বৃহত আকারের তত্ত্বাবধানে মেশিন লার্নিং অপ্টিমাইজেশন সমস্যা সমাধানের জন্য জনপ্রিয় হয়ে উঠেছে। যদিও ঘনিষ্ঠভাবে সম্পর্কিত ডুয়াল কোঅর্ডিনেট অ্যাসেন্ট (ডিসিএ) পদ্ধতিটি বিভিন্ন সফটওয়্যার প্যাকেজে প্রয়োগ করা হয়েছে, তবে এটিতে এখনও পর্যন্ত ভাল সংযোজন বিশ্লেষণের অভাব রয়েছে। এই গবেষণাপত্রটি স্টোক্যাস্টিক ডুয়াল কোঅর্ডিনেট অ্যাসেন্ট (এসডিসিএ) এর একটি নতুন বিশ্লেষণ উপস্থাপন করে যা দেখায় যে এই শ্রেণীর পদ্ধতিগুলি শক্তিশালী তাত্ত্বিক গ্যারান্টিগুলি উপভোগ করে যা এসজিডি এর তুলনায় তুলনীয় বা ভাল। এই বিশ্লেষণের ফলে বাস্তবে এসডিসিএ-র কার্যকারিতা প্রমাণিত হয়েছে। |
24424918dc93c016deeaeb86a01c8bfc01253c9b | অনেক ক্লাসিক্যাল অ্যালগরিদম কয়েক বছর পর পর্যন্ত পাওয়া যায়, যেখানে তারা ধারণ করা হয়েছিল, এবং অপ্রত্যাশিত সেটিংসে প্রাসঙ্গিক হতে থাকে। এই গবেষণাপত্রে আমরা দেখাব যে SVRG এমন একটি পদ্ধতি: মূলত এটি দৃঢ়ভাবে convex উদ্দেশ্যের জন্য ডিজাইন করা হয়েছিল, এটি অ-দৃঢ়ভাবে convex বা sum-of-non-convex সেটিংসের অধীনেও খুব শক্তিশালী। যদি f (x) মসৃণ, উত্তোলিত ফাংশনগুলির সমষ্টি হয় কিন্তু f দৃঢ়ভাবে উত্তোলিত নয় (যেমন লাসো বা লজিস্টিক রিগ্রেশন), আমরা একটি বৈকল্পিক SVRG প্রস্তাব করি যা SVRG এর উপরে ক্রমবর্ধমান ইপোক দৈর্ঘ্যের একটি নতুন পছন্দ করে। SVRG এই সেটিং এ SVRG এর একটি সরাসরি, দ্রুততর রূপ। যদি f (x) অ-উল্লম্ব ফাংশনগুলির সমষ্টি হয় কিন্তু f দৃঢ়ভাবে উল্লম্ব হয়, আমরা দেখাই যে SVRG এর ঘনত্ব রৈখিকভাবে সমষ্টিগুলির অ-উল্লম্বতা পরামিতির উপর নির্ভর করে। এই সেটিং এর সবচেয়ে ভাল ফলাফল উন্নত করে এবং স্টোক্যাস্টিক পিসিএ এর জন্য ভাল চলমান সময় দেয়। |
680cbbc88d537bd6f5a68701b1bb0080a77faa00 | স্টোক্যাস্টিক গ্রেডিয়েন্ট অবতরণ বড় স্কেল অপ্টিমাইজেশনের জন্য জনপ্রিয় কিন্তু অন্তর্নিহিত বৈচিত্রের কারণে ধীরগতিতে ঘনিষ্ঠতা রয়েছে। এই সমস্যাটি সমাধানের জন্য, আমরা স্টোকস্টিক গ্রেডিয়েন্ট অবতরণের জন্য একটি স্পষ্ট বৈষম্য হ্রাস পদ্ধতি প্রবর্তন করি যা আমরা স্টোকস্টিক বৈষম্য হ্রাস গ্রেডিয়েন্ট (এসভিআরজি) বলি। মসৃণ এবং দৃঢ়ভাবে ঘনক্ষেত্রযুক্ত ফাংশনগুলির জন্য, আমরা প্রমাণ করি যে এই পদ্ধতিটি স্টোকস্টিক ডুয়াল কোঅর্ডিনেট অ্যাসেন্ট (এসডিসিএ) এবং স্টোকস্টিক গড় গ্রেডিয়েন্ট (এসএজি) এর মতো একই দ্রুত ঘনিষ্ঠতা হার উপভোগ করে। তবে আমাদের বিশ্লেষণ অনেক সহজ এবং স্বজ্ঞাত। এছাড়া, এসডিসিএ বা এসএজি-র বিপরীতে, আমাদের পদ্ধতিতে গ্রেডিয়েন্টের সঞ্চয় প্রয়োজন হয় না, এবং তাই কিছু কাঠামোগত পূর্বাভাস সমস্যা এবং নিউরাল নেটওয়ার্ক লার্নিংয়ের মতো জটিল সমস্যার জন্য এটি আরও সহজেই প্রযোজ্য। |
9fe5a7a24ff81ba2b6769e811b6ab47188a45242 | সাম্প্রতিককালে সিগন্যাল/ইমেজ প্রসেসিং, পরিসংখ্যান এবং মেশিন লার্নিং-এ অ-উল্লম্ব এবং অ-সমতল সমস্যার প্রতি যথেষ্ট মনোযোগ দেওয়া হয়েছে। তবে, অ-উল্লম্ব এবং অ-সমতল অপ্টিমাইজেশান সমস্যা সমাধান করা একটি বড় চ্যালেঞ্জ। ত্বরিত প্রক্সিমাল গ্রেডিয়েন্ট (এপিজি) কনভেক্স প্রোগ্রামিংয়ের জন্য একটি চমৎকার পদ্ধতি। তবে, এখনও জানা যায়নি যে, সাধারণ এপিজি (APG) অ-উল্লম্ব প্রোগ্রামিংয়ের একটি সমালোচনামূলক পয়েন্টে ঘনিষ্ঠতা নিশ্চিত করতে পারে কিনা। এই কাগজে, আমরা একটি মনিটর প্রবর্তন করে সাধারণ nonconvex এবং nonsmooth প্রোগ্রামের জন্য APG প্রসারিত করি যা যথেষ্ট বংশোদ্ভূত সম্পত্তিকে সন্তুষ্ট করে। তাই আমরা একঘেয়ে APG এবং একঘেয়ে APG প্রস্তাব করছি। এই পদ্ধতিতে, উদ্দেশ্য ফাংশনকে একঘেয়ে হ্রাস করার প্রয়োজনীয়তা বাদ দেওয়া হয় এবং প্রতিটি পুনরাবৃত্তিতে কম গণনার প্রয়োজন হয়। আমাদের জ্ঞানের সর্বোত্তম হিসাবে, আমরা সাধারণ অ-উল্লেখযোগ্য এবং অ-সম্মানিত সমস্যার জন্য এপিজি-টাইপ অ্যালগরিদম সরবরাহকারী প্রথম ব্যক্তি, যা নিশ্চিত করে যে প্রতিটি জমা পয়েন্ট একটি সমালোচনামূলক বিন্দু, এবং সমস্যাগুলি যখন convex হয় তখন ঘনিষ্ঠতার হারগুলি O (1 কে 2 ) থাকে, যেখানে k হল পুনরাবৃত্তির সংখ্যা। সংখ্যাসূচক ফলাফল আমাদের অ্যালগরিদমের গতির সুবিধার সাক্ষ্য দেয়। |
3e36eb936002a59b81d8abb4548dc2c42a29b743 | প্রায়শই নিরাপত্তা স্বয়ংক্রিয়তা সিস্টেমের জন্য একটি অ্যাড-অন পরিষেবা হিসাবে দেখা হয় যা প্রায়শই দক্ষ ট্রান্সমিশন বা সংস্থান সীমাবদ্ধতার মতো অন্যান্য লক্ষ্যের সাথে দ্বন্দ্ব করে। এই প্রবন্ধটি স্বয়ংক্রিয়তা সিস্টেমের নিরাপত্তা সম্পর্কে একটি অনুশীলন-ভিত্তিক পদ্ধতির জন্য যায়। এটি অটোমেশন সিস্টেম এবং বিশেষ করে অটোমেশন নেটওয়ার্কগুলির জন্য সাধারণ হুমকিগুলির বিশ্লেষণ করে, নিরাপত্তা সম্পর্কিত সিস্টেমগুলিকে শ্রেণিবদ্ধ করার জন্য একটি মডেল স্থাপন করে এবং বিভিন্ন সিস্টেম স্তরে উপলব্ধ সাধারণ ব্যবস্থা নিয়ে আলোচনা করে। ব্যবস্থাগুলির বর্ণনা সামগ্রিক সিস্টেমের নিরাপত্তার উপর প্রভাবগুলি মূল্যায়ন করতে সক্ষম হওয়া উচিত |
8b74a32cebb5faf131595496f6470ff9c2c33468 | ফেসবুক দ্রুত সামাজিক যোগাযোগের অন্যতম জনপ্রিয় মাধ্যম হয়ে উঠছে। তবে ফেসবুক অন্যান্য সামাজিক নেটওয়ার্কিং সাইট থেকে কিছুটা আলাদা কারণ এটি অফলাইন থেকে অনলাইন প্রবণতা প্রদর্শন করে; অর্থাৎ, ফেসবুকের বেশিরভাগ বন্ধু অফলাইনে দেখা হয় এবং পরে যুক্ত হয়। বর্তমান গবেষণায় দেখা গেছে যে, ব্যক্তিত্বের পাঁচটি ফ্যাক্টর মডেল ফেসবুক ব্যবহারের সাথে কিভাবে সম্পর্কিত। এক্সট্রাভার্সন এবং অভিজ্ঞতার জন্য উন্মুক্ততা সম্পর্কিত কিছু প্রত্যাশিত প্রবণতা সত্ত্বেও, ফলাফলগুলি ইঙ্গিত দেয় যে পূর্ববর্তী সাহিত্যের পরামর্শ হিসাবে ব্যক্তিত্বের কারণগুলি ততটা প্রভাবশালী ছিল না। ফলাফলগুলি আরও নির্দেশ করে যে যোগাযোগের জন্য একটি প্রেরণা ফেসবুক ব্যবহারের ক্ষেত্রে প্রভাবশালী ছিল। এটা প্রস্তাব করা হয় যে ফেসবুকের মতো সরঞ্জাম ব্যবহারের সিদ্ধান্তে বিভিন্ন প্রেরণা প্রভাবিত হতে পারে, বিশেষ করে যখন ফেসবুকের পৃথক ফাংশন বিবেচনা করা হয়। © ২০০৮ এ্যালসেভিয়ার লিমিটেড. সমস্ত অধিকার সংরক্ষিত. ১। ব্যক্তিত্বের সম্পর্ক এবং সম্পর্কিত দক্ষতা ফ্যাক্টর |
423fff94db2be3ddef5e3204338d2111776eafea | আমরা বিশ্লেষণ করেছি ৩৬২ মিলিয়ন বার্তার সম্পূর্ণ বেনামী হেডার যা ৪.২ মিলিয়ন ফেসবুক ব্যবহারকারী, কলেজ ছাত্রদের একটি অনলাইন সামাজিক নেটওয়ার্ক, ২৬ মাসের ব্যবধানে বিনিময় করেছেন। এই তথ্যগুলো থেকে দৈনিক ও সাপ্তাহিক নিয়মিততার অনেকগুলো সূত্র পাওয়া যায়, যা কলেজ ছাত্রদের সময় ব্যবহার এবং তাদের সামাজিক জীবন সম্পর্কে অন্তর্দৃষ্টি প্রদান করে, যার মধ্যে মৌসুমী পরিবর্তনও অন্তর্ভুক্ত। আমরা পরীক্ষা করেছি যে স্কুলের সাথে সম্পর্ক এবং অনলাইনে বন্ধু তালিকা কিভাবে পর্যবেক্ষণ করা আচরণ এবং সময়ের ধরণকে প্রভাবিত করে। অবশেষে, আমরা দেখিয়েছি যে ফেসবুক ব্যবহারকারীরা তাদের স্কুলের দ্বারা তাদের সাময়িক বার্তা পাঠানোর ধরণগুলির সাথে একত্রিত হয়েছে। |
1bed30d161683d279780aee34619f94a860fa973 | আমাদের বিশ্লেষণ দেখায় যে অনেক "বড়-মেমরি" সার্ভার ওয়ার্কলোড, যেমন ডাটাবেস, ইন-মেমরি ক্যাশে এবং গ্রাফ বিশ্লেষণ, পৃষ্ঠা ভিত্তিক ভার্চুয়াল মেমরির জন্য একটি উচ্চ মূল্য প্রদান করে। এমনকি বড় বড় পেজ ব্যবহার করেও তারা টিএলবি মিসডের ১০% এক্সিকিউশন সাইকেল ব্যবহার করে। অন্যদিকে, আমরা দেখতে পাই যে এই ওয়ার্কলোডগুলি বেশিরভাগ পৃষ্ঠায় পড়া-লেখার অনুমতি ব্যবহার করে, বিনিময় না করার জন্য সরবরাহ করা হয় এবং পৃষ্ঠায় ভিত্তিক ভার্চুয়াল মেমরির সম্পূর্ণ নমনীয়তার থেকে খুব কমই উপকৃত হয়। বড়-মেমরি ওয়ার্কলোডের জন্য টিএলবি মিস ওভারহেড অপসারণের জন্য, আমরা একটি প্রক্রিয়াটির রৈখিক ভার্চুয়াল ঠিকানা স্পেসের একটি অংশকে সরাসরি বিভাগের সাথে ম্যাপিং করার প্রস্তাব দিই, যখন পৃষ্ঠার ম্যাপিংয়ের বাকি অংশটি ভার্চুয়াল ঠিকানা স্পেস। সরাসরি সেগমেন্টগুলি ন্যূনতম হার্ডওয়্যার ব্যবহার করে---প্রতিটি কোর বেস, লিমিট এবং অফসেট রেজিস্টার---সঙ্গত ভার্চুয়াল মেমরি অঞ্চলগুলিকে সরাসরি সংযুক্ত শারীরিক মেমরিতে ম্যাপ করতে। তারা মূল তথ্য কাঠামোর জন্য টিএলবি মিস করার সম্ভাবনা দূর করে যেমন ডাটাবেস বাফার পুল এবং ইন-মেমরি কী-মান স্টোর। প্রয়োজন হলে সরাসরি সেগমেন্ট দ্বারা ম্যাপ করা মেমরিকে আবার পেজিং-এ রূপান্তর করা যেতে পারে। আমরা লিনাক্সে x86-64 এর জন্য সরাসরি-বিভাগ সফ্টওয়্যার সমর্থন প্রোটোটাইপ করি এবং সরাসরি-বিভাগ হার্ডওয়্যার অনুকরণ করি। আমাদের কাজের চাপের জন্য, সরাসরি সেগমেন্টগুলি প্রায় সব টিএলবি মিসকে নির্মূল করে এবং টিএলবি মিসকে 0.5% এরও কম সময়ে নির্বাহের সময় নষ্ট করে। |
86dc975f9cbd9a205f8e82fb1db3b61c6b738fa5 | যন্ত্রের মাধ্যমে মাল্টিমিডিয়া কন্টেন্ট ট্যাগ করার জন্য যত বেশি শক্তিশালী কৌশল আবির্ভূত হচ্ছে, ততই মৌলিক শব্দভান্ডারকে মানসম্মত করা আরও বেশি গুরুত্বপূর্ণ হয়ে উঠছে। এইভাবে ইন্টারঅ্যাপারবিলিটি প্রদান করা হয় এবং মাল্টিমিডিয়া সম্প্রদায়কে সুনির্দিষ্ট শব্দার্থের উপর চলমান গবেষণাকে ফোকাস করতে দেয়। এই কাগজটি সম্প্রচারিত সংবাদ ভিডিও বর্ণনা করার জন্য একটি বড় মানক ট্যাক্সোনমি বিকাশের জন্য মাল্টিমিডিয়া গবেষক, গ্রন্থাগার বিজ্ঞানী এবং শেষ ব্যবহারকারীদের একটি সহযোগিতামূলক প্রচেষ্টা বর্ণনা করে। মাল্টিমিডিয়া (এলএসসিওএম) এর জন্য বৃহত আকারের ধারণা অনটোলজি একই সাথে ইউটিলিটি অপ্টিমাইজ করার জন্য ডিজাইন করা হয়েছে যাতে শেষ ব্যবহারকারীর অ্যাক্সেস সহজ হয়, একটি বৃহত শব্দার্থিক স্থান কভার করে, স্বয়ংক্রিয়ভাবে নিষ্কাশন সম্ভব করে তোলে এবং বিভিন্ন সম্প্রচারিত সংবাদ ভিডিও ডেটা সেটগুলিতে পর্যবেক্ষণযোগ্যতা বৃদ্ধি করে |
2b2ba9b0022ff45939527836a150959fe388ee23 | |
c39d04c6f3b84c77ad379d0358bfbe7148ad4fd2 | |
8db7f5a54321e1a4cd51d0666607279556a57404 | ব্যাকগ্রাউন্ড মেডিটেশন কৌশলগুলি প্রায়শই চিকিত্সা এবং মানসিক সমস্যার সাথে মোকাবিলা করা রোগীদের দ্বারা অনুসন্ধান করা হয়। এই পদ্ধতির জনপ্রিয়তা ও ব্যবহারের কারণে এবং চিকিৎসা পদ্ধতিতে ব্যবহারের সম্ভাবনা থাকায়, চিকিৎসা পদ্ধতিতে এই পদ্ধতির বর্তমান বৈজ্ঞানিক জ্ঞানের একটি সংক্ষিপ্ত ও পুঙ্খানুপুঙ্খ পর্যালোচনা করা হয়। উদ্দেশ্য রোগের চিকিৎসায় ধ্যানের কার্যকারিতা ও নিরাপত্তার সমর্থনে প্রমাণের পদ্ধতিগত পর্যালোচনা করা এবং আরও অধ্যয়নের প্রয়োজন এমন ক্ষেত্রগুলি পরীক্ষা করা। সাধারণ সুস্থ জনগোষ্ঠীর উপর গবেষণা অন্তর্ভুক্ত করা হয় নি। পদ্ধতি PubMed, PsycInfo, এবং Cochrane Database ব্যবহার করে অনুসন্ধান করা হয়েছে। মূল বিষয় ছিল ধ্যান, ধ্যানমূলক প্রার্থনা, যোগব্যায়াম, আরামদায়ক প্রতিক্রিয়া। যোগ্যতাসম্পন্ন গবেষণাগুলি পর্যালোচনা করা হয় এবং দুইজন পর্যালোচকের দ্বারা স্বাধীনভাবে গুণমানের ভিত্তিতে মূল্যায়ন করা হয়। মধ্যম থেকে উচ্চমানের গবেষণাগুলি অন্তর্ভুক্ত করা হয়েছে (যা বৈধ গবেষণা মানের স্কেলে 0.65 বা 65% এর উপরে স্কোর করেছে) । ফলাফল ৮২টি নির্বাচিত গবেষণার মধ্যে ২০টি পরীক্ষায় আমাদের মানদণ্ড পূরণ হয়েছে। গবেষণায় মোট 958 জন ব্যক্তিকে অন্তর্ভুক্ত করা হয়েছে (397 জন পরীক্ষামূলকভাবে চিকিত্সা করা হয়েছে, 561 জন নিয়ন্ত্রণ) । অন্তর্ভুক্ত বা বাদ দেওয়া ক্লিনিকাল ট্রায়ালগুলির মধ্যে কোনও গুরুতর প্রতিকূল ঘটনা রিপোর্ট করা হয়নি। গুরুতর প্রতিকূল ঘটনাগুলি চিকিৎসা সাহিত্যে রিপোর্ট করা হয়, যদিও বিরল। এই ঔষধের কার্যকারিতার সবচেয়ে শক্তিশালী প্রমাণ পাওয়া গেছে মৃগীরোগ, প্রিমেন্সট্রুয়াল সিনড্রোমের লক্ষণ এবং মেনোপজাল লক্ষণগুলির ক্ষেত্রে। এটি মেজাজ এবং উদ্বেগজনিত ব্যাধি, অটোইমিউন রোগ এবং নিউওপ্লাস্টিক রোগে মানসিক ব্যাধিগুলির জন্যও উপকারী। ফলাফলগুলি নির্দিষ্ট রোগের চিকিৎসার জন্য বিশেষ করে অ-মনস্তাত্ত্বিক মেজাজ এবং উদ্বেগজনিত ব্যাধিগুলির ক্ষেত্রে ধ্যানের অনুশীলনের নিরাপত্তা এবং সম্ভাব্য কার্যকারিতা সমর্থন করে। বড়, পদ্ধতিগতভাবে ভাল গবেষণার দ্বারা কার্যকারিতা সমর্থনকারী স্পষ্ট এবং পুনরুত্পাদনযোগ্য প্রমাণের অভাব রয়েছে। |
46b2cd0ef7638dcb4a6220a52232712beb2fa850 | 3D মানব গতির জেনারেটিভ মডেলগুলি প্রায়শই অল্প সংখ্যক ক্রিয়াকলাপের মধ্যে সীমাবদ্ধ থাকে এবং তাই নতুন গতি বা অ্যাপ্লিকেশনগুলিতে ভালভাবে সাধারণীকরণ করতে পারে না। এই কাজের মাধ্যমে আমরা মানব গতি ক্যাপচার ডেটার জন্য একটি গভীর শিক্ষণ কাঠামোর প্রস্তাব দিচ্ছি যা গতি ক্যাপচার ডেটার একটি বড় কর্পাস থেকে একটি সাধারণ উপস্থাপনা শিখতে পারে এবং নতুন, অদৃশ্য গতিতে ভালভাবে সাধারণীকরণ করে। একটি এনকোডিং-ডিকোডিং নেটওয়ার্ক ব্যবহার করে যা ভবিষ্যতের 3D পজিশনকে ভবিষ্যদ্বাণী করতে শিখেছে অতি সাম্প্রতিক অতীত থেকে, আমরা মানুষের গতির একটি বৈশিষ্ট্য উপস্থাপনা বের করেছি। ক্রমের পূর্বাভাসের জন্য গভীর শিক্ষার উপর বেশিরভাগ কাজ ভিডিও এবং বক্তৃতা উপর দৃষ্টি নিবদ্ধ করে। যেহেতু স্কেলেটাল ডেটার আলাদা কাঠামো রয়েছে, তাই আমরা বিভিন্ন নেটওয়ার্ক আর্কিটেকচার উপস্থাপন এবং মূল্যায়ন করি যা সময় নির্ভরতা এবং অঙ্গের সম্পর্ক সম্পর্কে বিভিন্ন অনুমান করে। শেখার বৈশিষ্ট্যগুলিকে পরিমাপ করতে, আমরা কর্ম শ্রেণিবিন্যাসের জন্য বিভিন্ন স্তরের আউটপুট ব্যবহার করি এবং নেটওয়ার্ক ইউনিটগুলির গ্রহণযোগ্য ক্ষেত্রগুলিকে ভিজ্যুয়ালাইজ করি। আমাদের পদ্ধতিটি হাড়ের গতির পূর্বাভাসের সাম্প্রতিক শিল্পের অবস্থাকে ছাড়িয়ে যায় যদিও এগুলি অ্যাকশন নির্দিষ্ট প্রশিক্ষণের ডেটা ব্যবহার করে। আমাদের ফলাফল দেখায় যে গভীর ফিডফরওয়ার্ড নেটওয়ার্ক, একটি জেনেরিক মক্যাপ ডাটাবেস থেকে প্রশিক্ষিত, সফলভাবে মানুষের গতি তথ্য থেকে বৈশিষ্ট্য নিষ্কাশন জন্য ব্যবহার করা যেতে পারে এবং এই প্রতিনিধিত্ব শ্রেণীবিভাগ এবং ভবিষ্যদ্বাণী জন্য একটি ভিত্তি হিসাবে ব্যবহার করা যেতে পারে। |
3c094494f6a911de3087ed963d3d893f6f2b1d71 | এই গবেষণার উদ্দেশ্য ছিল হাইব্রিড অ্যাসিসিটিভ লিমব সিস্টেমের ক্লিনিকাল অ্যাপ্লিকেশনগুলির উপর সাহিত্যের পর্যালোচনা করা। পদ্ধতি Web of Science, PubMed, CINAHL এবং clinicaltrials.gov ব্যবহার করে একটি পদ্ধতিগত সাহিত্য অনুসন্ধান করা হয় এবং সনাক্ত করা রিপোর্টে রেফারেন্স তালিকা ব্যবহার করে অতিরিক্ত অনুসন্ধান করা হয়। সারাংশগুলি পরীক্ষা করা হয়, প্রাসঙ্গিক নিবন্ধগুলি পর্যালোচনা করা হয় এবং গুণমানের মূল্যায়নের বিষয়। ফলাফল ৩৭ টি গবেষণার মধ্যে ৭ টি গবেষণায় অন্তর্ভুক্তকরণের মানদণ্ড পূরণ হয়েছে। ছয়টি গবেষণা ছিল একক গ্রুপের গবেষণা এবং একটি ছিল একটি অনুসন্ধানমূলক র্যান্ডমাইজড নিয়ন্ত্রিত পরীক্ষা। এই গবেষণায় মোট ১৪০ জন অংশগ্রহণকারী ছিলেন, যাদের মধ্যে ১১৮ জন হস্তক্ষেপ সম্পন্ন করেছেন এবং ১০৭ জন হেঁটে প্রশিক্ষণের জন্য এইচএএল ব্যবহার করেছেন। স্ট্রোকের পর পাঁচটি গবেষণায় হাঁটার প্রশিক্ষণ, স্পাইনাল মের্ড ইনজুরি (এসসিআই) এর পর ১টি এবং স্ট্রোক, এসসিআই বা হাঁটার ক্ষমতা প্রভাবিত অন্যান্য রোগের পর ১টি গবেষণায় অংশগ্রহণ করা হয়েছিল। এই গবেষণায় ক্ষুদ্র ও ক্ষণস্থায়ী পার্শ্বপ্রতিক্রিয়া দেখা দিয়েছে কিন্তু কোন গুরুতর প্রতিকূল ঘটনা রিপোর্ট করা হয়নি। হাঁটার ফাংশন ভেরিয়েবল এবং হাঁটার ক্ষেত্রে স্বাধীনতার উপর উপকারী প্রভাব দেখা গেছে। সমষ্টিগত ফলাফল থেকে দেখা যাচ্ছে যে পেশাদার পরিবেশে নিম্ন অঙ্গের প্যারেসিস রোগীদের হাঁটার প্রশিক্ষণের জন্য এইচএএল সিস্টেম ব্যবহার করা সম্ভব। হাঁটার ফাংশন এবং স্বাধীনতায় উপকারী প্রভাব দেখা গেছে কিন্তু তথ্য থেকে কোন সিদ্ধান্তে আসতে পারে না। আরও নিয়ন্ত্রিত গবেষণা সুপারিশ করা হয়। |
515e34476452bbfeb111ce5480035ae1f7aa4bee | ঘরের ভিতরে বায়ুর গুণমান ভালো থাকা মানুষের স্বাস্থ্যের জন্য খুবই গুরুত্বপূর্ণ। অভ্যন্তরীণ বায়ুর খারাপ মানের কারণে দীর্ঘস্থায়ী শ্বাসযন্ত্রের রোগ যেমন হাঁপানি, হৃদরোগ এবং ফুসফুসের ক্যান্সার হতে পারে। বিষয়টি আরও জটিল করে তুলতে, মানুষের পক্ষে কেবলমাত্র দৃষ্টি এবং গন্ধের মাধ্যমে বায়ুর খারাপ গুণমান সনাক্ত করা অত্যন্ত কঠিন এবং বিদ্যমান সেন্সর সরঞ্জামগুলি সাধারণ নাগরিকদের পরিবর্তে বিজ্ঞানীদের দ্বারা ব্যবহার করা এবং তথ্য সরবরাহ করার জন্য ডিজাইন করা হয়েছে। আমরা ইনএয়ার নামে একটি যন্ত্রের প্রস্তাব দিচ্ছি, যা ঘরের ভেতরের বায়ুর গুণমান পরিমাপ, চিত্রণ এবং শেখার জন্য। inAir, আকারের 0.5 মাইক্রন পর্যন্ত ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষুদ্র ক্ষ ব্যবহারকারীদের উপর গবেষণা করে আমরা দেখাতে পারি যে, ইনএয়ার কীভাবে বাড়তি সচেতনতা সৃষ্টি করে এবং অভ্যন্তরীণ বায়ুর গুণমান উন্নত করতে ব্যক্তিকে অনুপ্রাণিত করে। |
44db0c2f729661e7b30af484a1ad5df4e70cb22a | বর্তমানে ব্লুটুথ ওয়ার্ম ইন্টারনেট স্ক্যানিং ওয়ার্মের তুলনায় তুলনামূলকভাবে কম বিপজ্জনক। ব্লু ব্যাগ প্রকল্পে ব্লুটুথ ম্যালওয়্যার দ্বারা প্রুফ-অফ-কনসেপ্ট কোড এবং মোবাইল ডিভাইস ব্যবহার করে লক্ষ্যবস্তু আক্রমণ দেখানো হয়েছে |
0a87428c6b2205240485ee6bb9cfb00fd9ed359c | মিডলবেরি অপটিক্যাল ফ্লো বেঞ্চমার্কের ফলাফল থেকে প্রমাণিত হয়েছে যে অপটিক্যাল ফ্লো অনুমান অ্যালগরিদমের নির্ভুলতা ক্রমাগত উন্নতি করছে। তবে হর্ন এবং শুনকের কাজ থেকে সাধারণ সূত্রটি সামান্য পরিবর্তিত হয়েছে। আমরা লক্ষ্য ফাংশন, অপ্টিমাইজেশান পদ্ধতি এবং আধুনিক বাস্তবায়ন অনুশীলনগুলি কীভাবে নির্ভুলতা প্রভাবিত করে তার একটি পুঙ্খানুপুঙ্খ বিশ্লেষণের মাধ্যমে সাম্প্রতিক অগ্রগতিগুলি কী সম্ভব করেছে তা প্রকাশ করার চেষ্টা করি। আমরা আবিষ্কার করি যে "ক্লাসিকাল" প্রবাহের সূত্রগুলি আধুনিক অপ্টিমাইজেশন এবং বাস্তবায়ন কৌশলগুলির সাথে মিলিত হলে আশ্চর্যজনকভাবে ভাল কাজ করে। উপরন্তু, আমরা দেখতে পাচ্ছি যে অপ্টিমাইজেশনের সময় মধ্যবর্তী প্রবাহ ক্ষেত্রের মধ্যবর্তী ফিল্টারিং সাম্প্রতিক পারফরম্যান্সের লাভের মূল চাবিকাঠি, এটি উচ্চতর শক্তি সমাধানের দিকে পরিচালিত করে। এই ঘটনার পিছনে থাকা নীতিগুলি বোঝার জন্য, আমরা একটি নতুন উদ্দেশ্য বের করি যা মধ্যবর্তী ফিল্টারিং হিউরিস্টিককে আনুষ্ঠানিক করে। এই লক্ষ্যের মধ্যে একটি অ-স্থানীয় শব্দ অন্তর্ভুক্ত রয়েছে যা বড় আঞ্চলিক আশেপাশের প্রবাহের অনুমানগুলিকে দৃঢ়ভাবে সংহত করে। এই নতুন শব্দটি পরিবর্তন করে প্রবাহ এবং চিত্রের সীমানা সম্পর্কে তথ্য অন্তর্ভুক্ত করে আমরা এমন একটি পদ্ধতি বিকাশ করি যা মিডলবেরি বেঞ্চমার্কের শীর্ষে রয়েছে। |
90930683f4ef3da8c51ed7d2553774c196172cb3 | |
919bd86eb5fbccd3862e3e2927d4a0d468c7c591 | |
73e51b9820e90eb6525fc953c35c9288527cecfd | বিদ্যমান নিউরাল ডিপেন্ডেন্সি পার্সার সাধারণত দ্বি-দিকনির্দেশমূলক এলএসটিএম দিয়ে একটি বাক্যে প্রতিটি শব্দকে এনকোড করে এবং মাথা এবং সংশোধকের এলএসটিএম উপস্থাপনা থেকে একটি কানের স্কোর অনুমান করে, সম্ভবত বিবেচনা করা কানের জন্য প্রাসঙ্গিক প্রাসঙ্গিক তথ্য অনুপস্থিত। এই গবেষণায় আমরা একটি নিউরাল ফিচার এক্সট্রাকশন পদ্ধতির প্রস্তাব দিচ্ছি যা আর্ক-নির্দিষ্ট ফিচার এক্সট্রাক্ট করতে শেখায়। আমরা একটি নিউরাল নেটওয়ার্ক ভিত্তিক মনোযোগ পদ্ধতি প্রয়োগ করি প্রতিটি সম্ভাব্য হেড-মডিফায়ার জোড়ার পক্ষে এবং বিপক্ষে প্রমাণ সংগ্রহ করতে, যার সাহায্যে আমাদের মডেল বিশ্বাস এবং অবিশ্বাসের নিশ্চিততা স্কোর গণনা করে এবং বিশ্বাসের স্কোর থেকে অবিশ্বাসের স্কোরকে বাদ দিয়ে চূড়ান্ত আর্ক স্কোর নির্ধারণ করে। স্পষ্টভাবে দুই ধরনের প্রমাণ প্রবর্তন করে, আর্চ প্রার্থীরা আরও প্রাসঙ্গিক তথ্যের ভিত্তিতে একে অপরের বিরুদ্ধে প্রতিদ্বন্দ্বিতা করতে পারে, বিশেষ করে যখন তারা একই মাথা বা সংশোধক ভাগ করে নেয়। এটি তাদের প্রতিদ্বন্দ্বী (অবিশ্বাসের প্রমাণ) উপস্থাপন করে দুটি বা ততোধিক প্রতিদ্বন্দ্বী আর্ককে আরও ভালভাবে বৈষম্য করতে সক্ষম করে। বিভিন্ন ডেটাসেটের উপর করা পরীক্ষাগুলি দেখায় যে আমাদের আর্ক-নির্দিষ্ট বৈশিষ্ট্য নিষ্কাশন প্রক্রিয়াটি দীর্ঘ-দূরত্বের নির্ভরতা মডেলিংয়ের মাধ্যমে দ্বি-নির্দেশমূলক এলএসটিএম ভিত্তিক মডেলগুলির কার্যকারিতা উল্লেখযোগ্যভাবে উন্নত করে। ইংরেজি এবং চীনা উভয় ভাষার জন্য, প্রস্তাবিত মডেলটি বেশিরভাগ বিদ্যমান নিউরাল মনোযোগ-ভিত্তিক মডেলের চেয়ে নির্ভরতা পার্সিংয়ের কাজে উচ্চতর নির্ভুলতা অর্জন করে। |
7bdb08efd640311ad18466a80498c78267f886ca | |
26d92017242e51238323983eba0fad22bac67505 | এই গবেষণাপত্রে মানুষ সুপারিশগুলি অধ্যয়ন করা হয়েছে যা ব্যবহারকারীদের পরিচিত, অফলাইন পরিচিতিগুলি খুঁজে পেতে এবং সামাজিক নেটওয়ার্কিং সাইটগুলিতে নতুন বন্ধু আবিষ্কার করতে সহায়তা করার জন্য ডিজাইন করা হয়েছে। আমরা একটি এন্টারপ্রাইজ সোশ্যাল নেটওয়ার্কিং সাইটে চারটি সুপারিশকারী অ্যালগরিদমের মূল্যায়ন করেছি ৫০০ জন ব্যবহারকারীর ব্যক্তিগতকৃত জরিপ এবং ৩০০০ জন ব্যবহারকারীর ক্ষেত্র অধ্যয়ন ব্যবহার করে। আমরা সকল অ্যালগরিদমকে ব্যবহারকারীদের বন্ধু তালিকা সম্প্রসারণে কার্যকর বলে মনে করেছি। সামাজিক নেটওয়ার্ক তথ্যের উপর ভিত্তি করে অ্যালগরিদমগুলি আরও ভালভাবে গৃহীত সুপারিশগুলি তৈরি করতে এবং ব্যবহারকারীদের জন্য আরও পরিচিত পরিচিতিগুলি খুঁজে পেতে সক্ষম হয়েছিল, যখন ব্যবহারকারী-তৈরি সামগ্রীগুলির অনুরূপতা ব্যবহার করে অ্যালগরিদমগুলি নতুন বন্ধু আবিষ্কারে আরও শক্তিশালী ছিল। আমরা আমাদের জরিপ ব্যবহারকারীদের কাছ থেকে গুণগত প্রতিক্রিয়া সংগ্রহ করেছি এবং বেশ কয়েকটি অর্থপূর্ণ নকশা প্রভাব আঁকছি। |
3621bc359003e36707733650cccadf4333683293 | |
54c32d432fb624152da7736543f2685840860a57 | আমরা একটি ধরনের ডিপ বোল্টজম্যান মেশিন (ডিবিএম) এর পরিচয় করিয়ে দিচ্ছি যা নথিগুলির একটি বৃহত অনির্ধারিত সংগ্রহ থেকে বিতরণকৃত শব্দার্থিক উপস্থাপনাগুলি বের করার জন্য উপযুক্ত। আমরা একটি ডিবিএমকে বুদ্ধিমান প্যারামিটার টাইং দিয়ে প্রশিক্ষণের সুস্পষ্ট অসুবিধা অতিক্রম করি। এটি একটি দক্ষ প্রিট্রেনিং অ্যালগরিদম এবং দ্রুত অনুমানের জন্য একটি রাষ্ট্রের সূচনা স্কিম সক্ষম করে। মডেলটিকে স্ট্যান্ডার্ড রেস্ট্রিটেড বল্টজম্যান মেশিনের মতো দক্ষতার সাথে প্রশিক্ষণ দেওয়া যেতে পারে। আমাদের পরীক্ষাগুলো দেখায় যে এই মডেলটি রেপ্লিকাটেড সফটম্যাক্স মডেলের চেয়ে অদৃশ্য ডেটাতে ভালো লগ সম্ভাবনা নির্ধারণ করে। আমাদের মডেল থেকে বের করা বৈশিষ্ট্যগুলি নথি পুনরুদ্ধার এবং নথি শ্রেণিবদ্ধকরণ কার্যক্রমে এলডিএ, রেপ্লিকাটেড সফটম্যাক্স এবং ডকএনএডিই মডেলগুলির চেয়ে ভাল। |
3d8650c28ae2b0f8d8707265eafe53804f83f416 | এর আগে একটি গবেষণাপত্রে [৯], আমরা এডাবুস্ট নামে একটি নতুন boosting অ্যালগরিদম চালু করেছি যা তাত্ত্বিকভাবে, যে কোনও শেখার অ্যালগরিদমের ত্রুটিকে উল্লেখযোগ্যভাবে হ্রাস করতে ব্যবহার করা যেতে পারে যা ধারাবাহিকভাবে শ্রেণিবদ্ধকরণ উত্পন্ন করে যার কার্যকারিতা এলোমেলো অনুমানের চেয়ে কিছুটা ভাল। আমরা একটি "সেইডো-লস" এর সম্পর্কিত ধারণাটিও চালু করেছি যা বহু-লেবেল ধারণাগুলির একটি শেখার অ্যালগরিদমকে এমন লেবেলগুলিতে মনোনিবেশ করতে বাধ্য করার একটি পদ্ধতি যা বৈষম্য করা সবচেয়ে কঠিন। এই গবেষণাপত্রে আমরা বর্ণনা করছি যে, আমরা কতটুকু ভালভাবে অ্যাডাবুস্ট ব্যবহার করে এবং ছদ্ম-ক্ষতি ছাড়াই বাস্তব শিক্ষণ সমস্যার উপর কাজ করে তা মূল্যায়ন করার জন্য আমরা পরীক্ষা-নিরীক্ষা করেছি। আমরা দুটি সেট পরীক্ষা চালিয়েছি। প্রথম সেটটি ব্রেম্যানের [1] ব্যাকিং পদ্ধতির সাথে তুলনা করে যখন বিভিন্ন শ্রেণিবদ্ধকরণকারীকে একত্রিত করার জন্য ব্যবহৃত হয় (নির্ধারণ গাছ এবং একক বৈশিষ্ট্য-মান পরীক্ষা সহ) । আমরা মেশিন লার্নিং-এর একটি সমন্বয়মূলক মানদণ্ডের উপর এই দুই পদ্ধতির পারফরম্যান্সের তুলনা করেছি। দ্বিতীয় পরীক্ষায়, আমরা আরও বিস্তারিতভাবে অধ্যয়ন করেছি ওসিআর সমস্যার উপর নিকটতম প্রতিবেশী শ্রেণিবদ্ধকরণ ব্যবহার করে বর্ধনের কার্যকারিতা। |
85379baf4972e15cd7b9f5e06ce177e693b35f53 | এই গবেষণাপত্রে, আমরা একটি আধা-নিরীক্ষিত কার্নেল ম্যাচিং পদ্ধতির প্রস্তাব দিচ্ছি ডোমেন অভিযোজন সমস্যাগুলি মোকাবেলা করার জন্য যেখানে উৎস বন্টন লক্ষ্য বন্টন থেকে যথেষ্ট ভিন্ন। বিশেষ করে, আমরা একটি হিলবার্ট শ্মিড্ট স্বাধীনতার মানদণ্ডের উপর ভিত্তি করে উৎস কার্নেল ম্যাট্রিক্সের একটি উপ-ম্যাট্রিক্সের সাথে লক্ষ্য কার্নেল ম্যাট্রিক্সের মিলনের মাধ্যমে অনুরূপ উৎস ডেটা পয়েন্টগুলিতে টার্গেট ডেটা পয়েন্টগুলি ম্যাপিং করার সময় লেবেলযুক্ত উত্স ডেটাতে একটি পূর্বাভাস ফাংশন শিখতে পারি। আমরা এই সমকালীন শিক্ষণ এবং ম্যাপিং প্রক্রিয়াটিকে একটি অ-উল্লম্ব পূর্ণসংখ্যা অপ্টিমাইজেশন সমস্যা হিসাবে গঠন করি এবং এর শিথিল ধারাবাহিক ফর্মের জন্য একটি স্থানীয় সংক্ষিপ্তকরণ পদ্ধতি উপস্থাপন করি। আমাদের পরীক্ষামূলক ফলাফলগুলো দেখায় যে প্রস্তাবিত কার্নেল ম্যাচিং পদ্ধতিটি ক্রস ডোমেন সেন্টিমেন্ট শ্রেণীবিভাগের কাজে বিকল্প পদ্ধতির চেয়ে উল্লেখযোগ্যভাবে ভাল। |
7eeb362f11bfc1c89996e68e3a7c5678e271f95b | |
893167546c870eac602d81874c6473fd3cd8bd21 | বহু-মাত্রিক পয়েন্ট (টুপল) এর একটি সেটের আকাশরেখা সেই পয়েন্টগুলির সমন্বয়ে গঠিত যার জন্য প্রদত্ত সেটে কোন স্পষ্টভাবে ভাল পয়েন্ট নেই, আগ্রহের ডোমেনগুলিতে উপাদান-জ্ঞান তুলনা ব্যবহার করে। স্কাইলাইন ক্যোয়ারী, অর্থাৎ, যে ক্যোয়ারীগুলোতে স্কাইলাইন গণনা জড়িত, সেগুলি গণনাগতভাবে ব্যয়বহুল হতে পারে, তাই সমান্তরাল পদ্ধতিগুলি বিবেচনা করা স্বাভাবিক যা একাধিক প্রসেসরের ভাল ব্যবহার করে। আমরা এই সমস্যার সমাধান করতে চাই হাইপারপ্লেইন প্রজেকশন ব্যবহার করে, যাতে সমান্তরাল প্রক্রিয়াকরণের জন্য ডেটা সেটের দরকারী পার্টিশন পাওয়া যায়। এই পার্টিশনগুলি কেবলমাত্র ছোট স্থানীয় আকাশরেখার সেটগুলিই নিশ্চিত করে না, তবে ফলাফলগুলির দক্ষ সংমিশ্রণও সক্ষম করে। আমাদের পরীক্ষাগুলি দেখায় যে আমাদের পদ্ধতিটি সমান্তরাল আকাশরেখা গণনার জন্য অনুরূপ পদ্ধতিগুলিকে ধারাবাহিকভাবে ছাড়িয়ে যায়, ডেটা বিতরণ নির্বিশেষে এবং বিভিন্ন অপ্টিমাইজেশন কৌশলগুলির প্রভাব সম্পর্কে অন্তর্দৃষ্টি সরবরাহ করে। |
b87d5f9b8013386f4ff5ad1a130efe6e924dca5c | নিবন্ধের ইতিহাসঃ ২৭ আগস্ট ২০১২ তারিখে প্রাপ্ত সংশোধিত আকারে ১ আগস্ট ২০১৩ তারিখে প্রাপ্ত ৫ আগস্ট ২০১৩ তারিখে গৃহীত ১৫ আগস্ট ২০১৩ তারিখে অনলাইনে উপলব্ধ |
bc18ee4a0f26320a86852b057077e8eca78b0c13 | এই গবেষণায় প্রযুক্তি গ্রহণের মডেলটি প্রসারিত করা হয়েছে যাতে ঘানার প্রাক-পরিষেবা শিক্ষকদের মধ্যে প্রযুক্তি গ্রহণের উপর প্রভাব ফেলতে পারে এমন কারণগুলি চিহ্নিত করা যায়। ৩৮০টি ব্যবহারযোগ্য প্রশ্নাবলীর তথ্য গবেষণার মডেলের সাথে তুলনা করা হয়। গবেষণার কাঠামো হিসেবে প্রসারিত প্রযুক্তি গ্রহণের মডেল (টিএএম) ব্যবহার করে এই গবেষণাটি পাওয়া গেছে যেঃ প্রাক-পরিষেবা শিক্ষকগণের শিক্ষাগত বিশ্বাস, ব্যবহারের সহজতা, কম্পিউটার প্রযুক্তির ব্যবহারের প্রতি উপলব্ধি এবং মনোভাব কম্পিউটার প্রযুক্তির প্রকৃত ব্যবহারের গুরুত্বপূর্ণ নির্ধারক। একাধিক ধাপে ধাপে রিগ্রেশন বিশ্লেষণ ব্যবহার করে প্রাপ্ত ফলাফলগুলি প্রকাশ করেছে যেঃ (1) প্রাক-পরিষেবা শিক্ষক শিক্ষাগত বিশ্বাসগুলি ব্যবহারের সহজতা এবং উপলব্ধিযোগ্যতা উভয়ই উল্লেখযোগ্যভাবে প্রভাবিত করেছিল, (2) উভয়ই ব্যবহারের সহজতা এবং উপলব্ধিযোগ্যতা কম্পিউটার ব্যবহারের প্রতি মনোভাবকে প্রভাবিত করে এবং কম্পিউটার ব্যবহারের প্রতি মনোভাব প্রাক-পরিষেবা শিক্ষক প্রকৃত কম্পিউটার ব্যবহারকে উল্লেখযোগ্যভাবে প্রভাবিত করে। তবে পরিসংখ্যানগতভাবে, ব্যবহারের সহজতা ব্যবহারের উপযোগিতাকে উল্লেখযোগ্যভাবে প্রভাবিত করেনি। এই গবেষণায় পাওয়া তথ্যগুলো ঘানার প্রেক্ষাপটে টিএএম-এর বৈধতা নিশ্চিত করে এবং প্রযুক্তির সমন্বয় উন্নয়নের গবেষণা ও অনুশীলনের জন্য বেশ কিছু গুরুত্বপূর্ণ বিষয় তুলে ধরে। |
04e5b276da90c8181d6ad8397f763a181baae949 | ক্রস-ভ্যালিডেশন মেশিন লার্নিংয়ের কর্মক্ষমতা এবং অগ্রগতি পরিমাপের একটি প্রধান স্তম্ভ। ক্রস-ভ্যালিডেশন স্টাডিতে সঠিকতা, এফ-মেজর এবং আরওসি কার্ভের (এউসি) অধীনে এলাকা গণনা করার ক্ষেত্রে সূক্ষ্ম পার্থক্য রয়েছে। তবে এই বিষয়গুলো নিয়ে সাহিত্যে আলোচনা করা হয়নি এবং বিভিন্ন কাগজপত্র ও সফটওয়্যার প্যাকেজগুলোতে অসঙ্গতিপূর্ণ পদ্ধতি ব্যবহার করা হয়েছে। এর ফলে গবেষণায় অসঙ্গতি দেখা দেয়। নির্দিষ্ট ফোল্ড এবং পরিস্থিতিগুলির জন্য পারফরম্যান্স গণনাতে অস্বাভাবিকতা আবিষ্কার করা যায় না যখন তারা অনেকগুলি ফোল্ড এবং ডেটাসেটের উপর একত্রিত ফলাফলগুলিতে কবর দেওয়া হয়, কখনও কোনও ব্যক্তি মধ্যবর্তী পারফরম্যান্স পরিমাপগুলি দেখেন না। এই গবেষণা নোটটি পার্থক্যগুলি স্পষ্ট করে এবং চিত্রিত করে এবং ক্রস-ভ্যালিডেশনের অধীনে শ্রেণিবদ্ধকরণের কার্যকারিতাটি কীভাবে সর্বোত্তমভাবে পরিমাপ করা যায় তার জন্য এটি নির্দেশিকা সরবরাহ করে। বিশেষ করে, F-measure গণনার জন্য বিভিন্ন ভিন্ন পদ্ধতি ব্যবহার করা হয়, যা প্রায়ই শ্রেণীর ভারসাম্যহীনতার অধীনে একটি কর্মক্ষমতা পরিমাপ হিসাবে সুপারিশ করা হয়, যেমন, পাঠ্য শ্রেণীবিভাগের ডোমেনগুলির জন্য এবং অনেক শ্রেণীর ডেটাসেটগুলির এক-vs-সমস্ত হ্রাসের জন্য। আমরা পরীক্ষার মাধ্যমে দেখিয়েছি যে এই গণনা পদ্ধতিগুলির মধ্যে একটি ছাড়া অন্য সবগুলোই পক্ষপাতদুষ্ট পরিমাপের দিকে পরিচালিত করে, বিশেষ করে উচ্চ শ্রেণীর ভারসাম্যহীনতার ক্ষেত্রে। এই কাগজটি বিশেষভাবে আগ্রহী যারা মেশিন লার্নিং সফটওয়্যার লাইব্রেরি ডিজাইন করে এবং উচ্চ শ্রেণীর ভারসাম্যহীনতার উপর দৃষ্টি নিবদ্ধ করে গবেষকরা। |
8efac913ff430ef698dd3fa5df4cbb7ded3cab50 | আমরা একটি অনিয়ন্ত্রিত ক্লাস্টারিং টুল, প্রিন্সিপাল ডিরেকশন ডিভিসিভ পার্টিশন উপস্থাপন করছি, যা একটি স্কেলযোগ্য এবং বহুমুখী শীর্ষ-নিচে পদ্ধতি যা যেকোনো ডেটা সেটের জন্য প্রযোজ্য যা সংখ্যাসূচক ভেক্টর হিসাবে প্রতিনিধিত্ব করা যেতে পারে। মূল পদ্ধতির একটি বর্ণনা, এটি ব্যবহার করা হয়েছে যেখানে প্রধান অ্যাপ্লিকেশন ক্ষেত্রের একটি সংক্ষিপ্ত বিবরণ, এবং গুরুত্বপূর্ণ শব্দ নির্বাচন উপর কিছু সাম্প্রতিক ফলাফল পাশাপাশি নতুন তথ্য আসে হিসাবে ক্লাস্টার আপডেট প্রক্রিয়া আলোচনা করা হয়। |
1e20f9de45d26950ecd11965989d2b15a5d0d86b | মডেল ভিত্তিক পদ্ধতি এবং গভীর নিউরাল নেটওয়ার্ক উভয়ই মেশিন লার্নিংয়ের ক্ষেত্রে অত্যন্ত সফল প্যারাডাইম। মডেল-ভিত্তিক পদ্ধতিতে, আমরা সহজেই আমাদের সমস্যা ডোমেন জ্ঞানকে মডেলের সীমাবদ্ধতার মধ্যে প্রকাশ করতে পারি, যা অনুমানের সময় অসুবিধার কারণে। নির্ধারক গভীর নিউরাল নেটওয়ার্ক এমনভাবে নির্মিত হয় যে, অনুমান সহজ, কিন্তু আমরা সমস্যা ডোমেন জ্ঞান সহজে অন্তর্ভুক্ত করার ক্ষমতা ত্যাগ করি। এই গবেষণাপত্রের উদ্দেশ্য হল, উভয় পদ্ধতির সুবিধা অর্জনের জন্য একটি সাধারণ কৌশল প্রদান করা এবং একই সাথে তাদের অনেক অসুবিধাগুলি এড়ানো। সাধারণ ধারণাটি নিম্নরূপ সংক্ষিপ্ত করা যেতে পারেঃ মডেল-ভিত্তিক পদ্ধতির জন্য একটি পুনরাবৃত্তিমূলক অনুমান পদ্ধতির প্রয়োজন হয়, আমরা পুনরাবৃত্তিগুলিকে একটি স্তর-জ্ঞানী কাঠামোর মধ্যে একটি নিউরাল নেটওয়ার্কের অনুরূপ হিসাবে প্রকাশ করি। এরপর আমরা মডেলের প্যারামিটারগুলোকে বিভিন্ন স্তরে বিচ্ছিন্ন করে নতুন নিউরাল নেটওয়ার্ক-এর মতো আর্কিটেকচার তৈরি করি যা সহজেই গ্রেডিয়েন্ট-ভিত্তিক পদ্ধতি ব্যবহার করে বৈষম্যমূলকভাবে প্রশিক্ষণ দেওয়া যায়। ফলাফলের সূত্রটি একটি প্রচলিত গভীর নেটওয়ার্কের অভ্যন্তরীণ কাঠামোর সাথে মডেল-ভিত্তিক পদ্ধতির অভ্যন্তরীণ কাঠামোর সাথে মিলিত হয়, যখন একটি নির্দিষ্ট সংখ্যক স্তরে অনুমান করা যায় যা সর্বোত্তম পারফরম্যান্সের জন্য অনুকূলিত করা যায়। আমরা দেখাবো কিভাবে এই কাঠামোটি একটি নতুন অ-নেগেটিভ গভীর নিউরাল নেটওয়ার্ক আর্কিটেকচার প্রাপ্ত করার জন্য অ-নেগেটিভ ম্যাট্রিক্স ফ্যাক্টরাইজেশনে প্রয়োগ করা যেতে পারে, যা একটি গুণিত ব্যাক-প্রচার-স্টাইল আপডেট অ্যালগরিদমের সাথে প্রশিক্ষিত হতে পারে। আমরা বক্তৃতা বর্ধনের ক্ষেত্রে পরীক্ষাগুলো উপস্থাপন করছি, যেখানে আমরা দেখিয়েছি যে, ফলাফলের মডেলটি প্রচলিত নিউরাল নেটওয়ার্ককে ছাড়িয়ে যেতে সক্ষম, যখন এর জন্য প্রয়োজন মাত্র একটি প্যারামিটার সংখ্যা। আমরা বিশ্বাস করি যে এটি গভীর নেটওয়ার্কের স্থাপত্যে সমস্যা স্তরের অনুমানগুলি অন্তর্ভুক্ত করার জন্য আমাদের কাঠামোর দ্বারা প্রদত্ত ক্ষমতা। arXiv.org এই কাজটি বাণিজ্যিক উদ্দেশ্যে সম্পূর্ণ বা আংশিকভাবে অনুলিপি বা পুনরুত্পাদন করা যাবে না। অলাভজনক শিক্ষা ও গবেষণা উদ্দেশ্যে সম্পূর্ণ বা আংশিকভাবে বিনা খরচে অনুলিপি করার অনুমতি দেওয়া হয়, তবে এই ধরনের সম্পূর্ণ বা আংশিক অনুলিপিগুলির মধ্যে নিম্নলিখিতগুলি অন্তর্ভুক্ত থাকেঃ একটি বিজ্ঞপ্তি যে এই ধরনের অনুলিপিটি মিটসুবিশি ইলেকট্রিক রিসার্চ ল্যাবরেটরিজ, ইনক. এর অনুমতি নিয়ে করা হয়েছে; লেখকদের এবং কাজের জন্য পৃথক অবদানের স্বীকৃতি; এবং কপিরাইট বিজ্ঞপ্তির সমস্ত প্রযোজ্য অংশ। অন্য কোন উদ্দেশ্যে কপি, প্রজনন, বা পুনঃপ্রকাশের জন্য Mitsubishi Electric Research Laboratories, Inc. কে ফি প্রদানের সাথে লাইসেন্সের প্রয়োজন হবে। সমস্ত অধিকার সংরক্ষিত। কপিরাইট c © মিটসুবিশি ইলেকট্রিক রিসার্চ ল্যাবরেটরিজ, ইনক., 2014 201 ব্রডওয়ে, কেমব্রিজ, ম্যাসাচুসেটস 02139 |
26f4f07696a3828f5eeb0d8bb8944da80228b77d | সিদ্ধান্ত গাছের অ্যালগরিদমগুলিতে বুস্টিং পদ্ধতি প্রয়োগ করা খুব সঠিক শ্রেণিবদ্ধকরণ উত্পন্ন করে। এই শ্রেণীবিভাগের পদ্ধতিটি হল বেশ কয়েকটি সিদ্ধান্তের গাছের উপর সংখ্যাগরিষ্ঠ ভোটের আকারে। দুর্ভাগ্যবশত, এই শ্রেণীবিভাগগুলো অনেক সময় বড়, জটিল এবং ব্যাখ্যা করা কঠিন। এই কাগজটি একটি নতুন ধরণের শ্রেণিবদ্ধকরণ নিয়মের বর্ণনা দেয়, বিকল্প সিদ্ধান্ত গাছ, যা সিদ্ধান্ত গাছ, ভোটের সিদ্ধান্ত গাছ এবং ভোটের সিদ্ধান্তের স্টুম্পগুলির একটি সাধারণীকরণ। একই সময়ে এই ধরনের শ্রেণীবিভাগগুলি ব্যাখ্যা করা তুলনামূলকভাবে সহজ। আমরা বিকল্প সিদ্ধান্ত গাছের জন্য একটি শেখার অ্যালগরিদম উপস্থাপন করি যা বুস্টিংয়ের উপর ভিত্তি করে। পরীক্ষামূলক ফলাফলগুলি দেখায় যে এটি সি 5.0 এর মতো বর্ধিত সিদ্ধান্ত গাছের অ্যালগরিদমগুলির সাথে প্রতিযোগিতামূলক এবং নিয়মগুলি তৈরি করে যা সাধারণত আকারে ছোট হয় এবং তাই ব্যাখ্যা করা সহজ। উপরন্তু এই নিয়মগুলি শ্রেণীবিভাগের ধারণাগততার একটি প্রাকৃতিক পরিমাপ প্রদান করে যা শ্রেণীবিভাগের কঠিন উদাহরণগুলির পূর্বাভাস থেকে বিরত থাকার খরচ এড়াতে সঠিকতা উন্নত করতে ব্যবহার করা যেতে পারে। |
5e28e81e757009d2f76b8674e0da431f5845884a | এই গবেষণাপত্রটি বহু-মাত্রিক রৈখিক বৈষম্য বিশ্লেষণ এবং সংশ্লিষ্ট সর্বোত্তম রৈখিক অভিক্ষেপ ব্যবহার করে একটি চিত্র প্রশিক্ষণ সেট থেকে বৈশিষ্ট্যগুলির স্বয়ংক্রিয় নির্বাচন বর্ণনা করে। আমরা এই সর্বাধিক বৈষম্যমূলক বৈশিষ্ট্যগুলির কার্যকারিতাটি প্রদর্শন-ভিত্তিক শ্রেণীর পুনরুদ্ধারের জন্য একটি বৃহত ডাটাবেস থেকে ব্যাপকভাবে পরিবর্তিত বাস্তব বিশ্বের বস্তুগুলিকে "ভালভাবে ফ্রেমযুক্ত" মতামত হিসাবে উপস্থাপন করি এবং এটি প্রধান উপাদান বিশ্লেষণের সাথে তুলনা করি। |
dbe8c61628896081998d1cd7d10343a45b7061bd | বেশ কয়েকটি কৌশল বর্ণনা করা হয়েছে যা প্রাথমিক নেটওয়ার্ক মডেলের সীমাবদ্ধতাগুলিকে বড় সংযোগবাদী স্পিচ রিকগনিশন সিস্টেমের নকশার দিকে পদক্ষেপ হিসাবে অতিক্রম করে। দু টি প্রধান উদ্বেগের বিষয় হল সময় এবং স্কেলিংয়ের সমস্যা। সময়ের সাথে সাথে বক্তৃতা সংকেত ক্রমাগত পরিবর্তিত হয় এবং বিপুল পরিমাণে মানুষের জ্ঞানকে এনকোড করে এবং প্রেরণ করে। এই সংকেতগুলি ডিকোড করার জন্য, নিউরাল নেটওয়ার্কগুলিকে সময়ের উপযুক্ত উপস্থাপনা ব্যবহার করতে সক্ষম হতে হবে এবং সীমিত সংস্থানগুলির মধ্যে এই নেটওয়ার্কগুলিকে প্রায় স্বেচ্ছাসেবী আকার এবং জটিলতায় প্রসারিত করা সম্ভব হতে হবে। সময় সমস্যা একটি সময় বিলম্ব নিউরাল নেটওয়ার্ক উন্নয়ন দ্বারা মোকাবেলা করা হয়; ছোট সাবকম্পোনেন্ট নেটওয়ার্ক উপর ভিত্তি করে বড় নেটওয়ার্কগুলির মডুলারিটি এবং ইনক্রিমেন্টাল ডিজাইন দ্বারা স্কেলিংয়ের সমস্যা। এটি দেখানো হয়েছে যে সীমিত কাজ সম্পাদনের জন্য প্রশিক্ষিত ছোট নেটওয়ার্কগুলি সময়-অবিন্যস্ত, লুকানো বিমূর্ততা বিকাশ করে যা পরবর্তীতে বৃহত্তর, আরও জটিল নেটওয়ার্কগুলি দক্ষতার সাথে প্রশিক্ষণের জন্য কাজে লাগানো যেতে পারে। এই কৌশলগুলি ব্যবহার করে ক্রমবর্ধমান জটিলতার ফোনেম স্বীকৃতি নেটওয়ার্কগুলি তৈরি করা যেতে পারে যা সমস্ত উচ্চতর স্বীকৃতি কর্মক্ষমতা অর্জন করে। |
eeb8c7a22f731839755a4e820b608215e9885276 | |
01905a9c0351aad54ee7dbba1544cd9db06ca935 | তথ্য ব্যবস্থা (আইএস) নিরাপত্তা নিয়ে কাজ করতে ইচ্ছুক যে কোনো সংস্থার জন্য ঝুঁকি ব্যবস্থাপনা আজকাল একটি গুরুত্বপূর্ণ নির্দেশিকা। কিন্তু আইএস সিকিউরিটি রিস্ক ম্যানেজমেন্ট (আইএসআরএম) প্রতিষ্ঠা ও বজায় রাখা কঠিন একটি প্রক্রিয়া, বিশেষ করে জটিল ও আন্তঃসংযুক্ত আইএস এর সাথে একাধিক নিয়ন্ত্রনের প্রেক্ষাপটে। আমরা দাবি করি যে এন্টারপ্রাইজ আর্কিটেকচার ম্যানেজমেন্ট (ইএএম) এর সাথে সংযোগ এই সমস্যাগুলি মোকাবেলায় অবদান রাখে। উভয় ক্ষেত্রের আরও ভাল সংহতকরণের দিকে প্রথম পদক্ষেপ হল একটি সমন্বিত ইএএম-আইএসএসআরএম ধারণাগত মডেল সংজ্ঞায়িত করা। এই কাগজটি এই মডেলের বিশ্লেষণ এবং বৈধতা সম্পর্কে। এর জন্য আমরা আইএসএসআরএম ডোমেইন মডেলের উন্নতি করছি। ইএএম এর ধারণাগুলি সহ আইএসএসআরএম এর ডোমেনকে চিত্রিত করে একটি ধারণাগত মডেল। ইএএম-আইএসএসআরএম সমন্বিত মডেলের বৈধতা তখন একটি বৈধতা গ্রুপের সাহায্যে মডেলের উপযোগিতা এবং ব্যবহারযোগ্যতার মূল্যায়ন করে। |
1976c9eeccc7115d18a04f1e7fb5145db6b96002 | ফ্রিবেস হল সাধারণ মানুষের জ্ঞানের কাঠামো তৈরির জন্য ব্যবহৃত একটি ব্যবহারিক, স্কেলযোগ্য টুপল ডাটাবেস। ফ্রিবেসের ডেটা সহযোগিতামূলকভাবে তৈরি, কাঠামোগত এবং রক্ষণাবেক্ষণ করা হয়। ফ্রিবেজে বর্তমানে ১২৫,০০০,০০০ টিপল, ৪০০০ টিরও বেশি প্রকার এবং ৭০০০ টিরও বেশি বৈশিষ্ট্য রয়েছে। ফ্রিবেসের পাবলিক রিড/রাইট অ্যাক্সেসের অনুমতি দেওয়া হয় একটি HTTP-ভিত্তিক গ্রাফ-কোয়ারি API এর মাধ্যমে মেটাওয়েব ক্যোয়ারী ল্যাঙ্গুয়েজ (MQL) ব্যবহার করে একটি ডেটা ক্যোয়ারী এবং ম্যানিপুলেশন ভাষা হিসাবে। এমকিউএল ফ্রিবেসের টিপল ডেটার জন্য একটি সহজ-থেকে-ব্যবহারযোগ্য অবজেক্ট-ওরিয়েন্টেড ইন্টারফেস সরবরাহ করে এবং এটি সহযোগিতামূলক, ওয়েব-ভিত্তিক ডেটা-ওরিয়েন্টেড অ্যাপ্লিকেশন তৈরির সুবিধার্থে ডিজাইন করা হয়েছে। |
77b99e0a3a6f99537a4b497c5cd67be95c1b7088 | এক দশকেরও বেশি সময় ধরে স্বয়ংক্রিয় যানবাহন নিয়ে গবেষণা চলছে, কিন্তু সম্প্রতি স্বয়ংক্রিয় যানবাহনে মানুষের সাথে মানুষের মিথস্ক্রিয়া নিয়ে সামান্য গবেষণা হয়েছে। যদিও কার্যকরী সফটওয়্যার এবং সেন্সর প্রযুক্তি নিরাপদ অপারেশনের জন্য অপরিহার্য, যা স্বায়ত্তশাসিত যানবাহন গবেষণার প্রধান ফোকাস ছিল, মানুষের মিথস্ক্রিয়া সব উপাদান পরিচালনা তাদের সাফল্যের একটি খুব বিশিষ্ট দিক। এই গবেষণাপত্রটি স্বয়ংচালিত যানবাহনে মানুষের সাথে যানবাহনের মিথস্ক্রিয়া গুরুত্বের একটি সংক্ষিপ্ত বিবরণ প্রদান করবে, যখন প্রাসঙ্গিক সম্পর্কিত কারণগুলি বিবেচনা করা হবে যা গ্রহণের উপর প্রভাব ফেলতে পারে। বিশেষ মনোযোগ দেওয়া হবে অটোমোবাইলের নিয়ন্ত্রণ সম্পর্কিত গুরুত্বপূর্ণ এলাকায় পরিচালিত পূর্ববর্তী গবেষণায়, বিভিন্ন উপাদানগুলির পাশাপাশি যা এই যানবাহনগুলির সাফল্যের সম্ভাবনাকে প্রভাবিত করবে বলে আশা করা হচ্ছে যা প্রাথমিকভাবে মানুষের অপারেশনের জন্য তৈরি করা হয়েছিল। এই গবেষণাপত্রে মানুষের সাথে ইন্টারঅ্যাকশন নিয়ে যে সীমিত গবেষণা করা হয়েছে এবং বর্তমানে যে সফটওয়্যার ও সেন্সর প্রযুক্তি প্রকাশিত হয়েছে তার বর্তমান অবস্থা নিয়েও আলোচনা করা হবে। |
31f3a12fb25ddb0a27ebdda7dd8d014996debd74 | আমরা প্রায় দুই বছরের মধ্যে ১২,৫০০ অ্যান্ড্রয়েড ডিভাইসের ব্যবহারের তথ্য সংগ্রহ করেছি। আমাদের ডেটাসেটে রয়েছে ৫৩ বিলিয়ন ডেটা পয়েন্ট ৮৯৪টি মডেলের ডিভাইস থেকে যা ৬৮৭টি অ্যান্ড্রয়েড ভার্সন চালায়। সংগৃহীত তথ্য প্রক্রিয়াকরণে বিভিন্ন ধরনের চ্যালেঞ্জ রয়েছে, যেমন স্কেলযোগ্যতা, সামঞ্জস্যতা এবং গোপনীয়তা সংক্রান্ত বিষয়। আমরা এই অত্যন্ত বিতরণকৃত ডেটাসেট সংগ্রহ এবং বিশ্লেষণের জন্য আমাদের সিস্টেম আর্কিটেকচার উপস্থাপন করি, আলোচনা করি যে কীভাবে আমাদের সিস্টেম নির্ভরযোগ্যভাবে সময়-সিরিজ ডেটা সংগ্রহ করতে পারে অ-নির্ভরযোগ্য সময়সূচির তথ্যের উপস্থিতিতে এবং সমস্যাগুলি এবং পাঠগুলি নিয়ে আলোচনা করা হয়েছে যা আমরা বিশ্বাস করি যে অন্যান্য অনেক বড় ডেটা সংগ্রহ প্রকল্পে প্রযোজ্য। |
408a8e250316863da94ffb3eab077175d08c01bf | |
5656fa5aa6e1beeb98703fc53ec112ad227c49ca | আমরা মাল্টি-প্রিডিকেশন গভীর বোল্টজমান মেশিন (এমপি-ডিবিএম) উপস্থাপন করছি। এমপিডিবিএমকে সাধারণ ছদ্ম-সম্ভাবনার একটি বৈচিত্র্যময় আনুমানিককে সর্বাধিকতর করার জন্য প্রশিক্ষিত একটি একক সম্ভাব্যতা মডেল হিসাবে দেখা যেতে পারে, বা পুনরাবৃত্ত নেটগুলির একটি পরিবার হিসাবে যা পরামিতিগুলি ভাগ করে নেয় এবং প্রায় বিভিন্ন অনুমান সমস্যা সমাধান করে। ডিবিএম প্রশিক্ষণের পূর্ববর্তী পদ্ধতিগুলি শ্রেণিবদ্ধকরণ কার্যগুলিতে ভালভাবে সম্পাদন করে না বা প্রাথমিক শিক্ষার পাস প্রয়োজন যা ডিবিএমকে লোভীভাবে, এক স্তর এক সময়ে প্রশিক্ষণ দেয়। এমপি-ডিবিএম এর জন্য লোভী স্তরবিভক্ত প্রাক প্রশিক্ষণের প্রয়োজন হয় না এবং শ্রেণিবদ্ধকরণ, অনুপস্থিত ইনপুট সহ শ্রেণিবদ্ধকরণ এবং গড় ক্ষেত্রের পূর্বাভাস কার্যক্রমে স্ট্যান্ডার্ড ডিবিএমকে ছাড়িয়ে যায়। |
4c99b87df6385bd945a00633f829e4a9ec5ce314 | সামাজিক নেটওয়ার্কগুলি বিপুল পরিমাণে তথ্য তৈরি করে। ফেসবুকের ৪০০ মিলিয়নেরও বেশি সক্রিয় ব্যবহারকারী রয়েছেন যারা প্রতি মাসে ৫ বিলিয়ন তথ্য ভাগ করে নেন। এই বিশাল পরিমাণের অব্যবস্থাপিত ডেটা বিশ্লেষণ করা সফটওয়্যার এবং হার্ডওয়্যারের জন্য চ্যালেঞ্জ তৈরি করে। আমরা GraphCT উপস্থাপন করছি, একটি গ্রাফ চরিত্রায়ন টুলকিট যা সামাজিক নেটওয়ার্ক ডেটা প্রতিনিধিত্বকারী বিশাল গ্রাফের জন্য। ১২৮ প্রসেসরযুক্ত ক্রেই এক্সএমটি-তে, গ্রাফসিটি কৃত্রিমভাবে উত্পন্ন (আর-এমএটি) ৫৩৭ মিলিয়ন শীর্ষ, ৫৫ মিনিটের মধ্যে ৮.৬ বিলিয়ন এজ গ্রাফ এবং একটি বাস্তব বিশ্বের গ্রাফের মধ্যে কেন্দ্রীয়তার অনুমান করে (কোয়াক, এট আল) ৬১.৬ মিলিয়ন শীর্ষ এবং ১.৪৭ বিলিয়ন প্রান্তের সাথে ১০৫ মিনিটে। আমরা গ্রাফসিটি ব্যবহার করি টুইটার, একটি মাইক্রোব্লগিং নেটওয়ার্ক থেকে প্রকাশ্য তথ্য বিশ্লেষণ করতে। টুইটার এর বার্তা সংযোগগুলি মূলত একটি সংবাদ সম্প্রচার ব্যবস্থা হিসাবে গাছের কাঠামোযুক্ত বলে মনে হয়। কিন্তু পাবলিক ডেটাতে অনেকগুলো কথোপকথন রয়েছে। গ্রাফসিটি ব্যবহার করে আমরা এই কথোপকথনের মধ্যে অভিনেতাদের র্যাঙ্ক করতে পারি এবং বিশ্লেষকদের অনেক ছোট ডেটা সাবসেটে মনোযোগ কেন্দ্রীভূত করতে সহায়তা করতে পারি। |
7b1e18688dae102b8702a074f71bbea8ba540998 | অটোমোবাইল যানবাহন ব্যবস্থার ক্রমবর্ধমান জটিলতা, বহিরাগত নেটওয়ার্কগুলির সাথে তাদের সংযোগ, ইন্টারনেট অফ থিংস এবং তাদের বৃহত্তর অভ্যন্তরীণ নেটওয়ার্কিং হ্যাকিং এবং ক্ষতিকারক আক্রমণের দরজা খুলে দেয়। আধুনিক অটোমোবাইল যানবাহন ব্যবস্থায় নিরাপত্তা ও গোপনীয়তার ঝুঁকি এখন পর্যন্ত সুপরিচিত। নিরাপত্তা লঙ্ঘন করলে নিরাপত্তা লঙ্ঘন হতে পারে- এটা একটা যুক্তিযুক্ত এবং গ্রহণযোগ্য যুক্তি। নিরাপত্তা শৃঙ্খলা কয়েক দশক ধরে পরিপক্ক হয়েছে , কিন্তু নিরাপত্তা শৃঙ্খলা অনেক তরুণ . যুক্তি আছে এবং ঠিকই, যে নিরাপত্তা প্রকৌশল প্রক্রিয়া কার্যকরী নিরাপত্তা প্রকৌশল প্রক্রিয়া অনুরূপ (মান ISO 26262 দ্বারা আনুষ্ঠানিকভাবে) এবং যে তারা পাশাপাশি স্থাপন করা যেতে পারে এবং একসাথে সঞ্চালিত হতে পারে কিন্তু, বিশেষজ্ঞদের একটি ভিন্ন সেট দ্বারা। অটোমোটিভ যানবাহন সিস্টেমের জন্য একটি কার্যকরী নিরাপত্তা প্রকৌশল প্রক্রিয়া লাইন বরাবর একটি নিরাপত্তা প্রকৌশল প্রক্রিয়া সংজ্ঞায়িত করার পদক্ষেপ রয়েছে। কিন্তু, নিরাপদ ও সুরক্ষিত ব্যবস্থা তৈরির জন্য কি এই নিরাপত্তা-নিরাপত্তাকে আনুষ্ঠানিক করার প্রচেষ্টা যথেষ্ট? যখন কেউ নিরাপদ ও সুরক্ষিত ব্যবস্থা গড়ে তোলার চিন্তা নিয়ে এই পথে হাঁটতে শুরু করে, তখন বুঝতে পারে যে, নিরাপদ ও সুরক্ষিত ব্যবস্থা উৎপাদন লাইন থেকে বেরিয়ে আসার আগে বেশ কিছু চ্যালেঞ্জ, অসঙ্গতি, অসামঞ্জস্যতা, উদ্বেগকে মোকাবেলা করতে হবে। এই প্রবন্ধে এই ধরনের কিছু চ্যালেঞ্জের কথা তুলে ধরা হয়েছে এবং ভবিষ্যতে এর সমাধানের জন্য কিছু পরামর্শ দেওয়া হয়েছে। |
a608bd857a131fe0d9e10c2219747b9fa03c5afc | আধুনিক অটোমোবাইলগুলি সর্বত্র কম্পিউটারাইজড, এবং তাই আক্রমণের জন্য সম্ভাব্যভাবে দুর্বল। তবে, পূর্ববর্তী গবেষণায় দেখা গেছে যে কিছু আধুনিক গাড়ির অভ্যন্তরীণ নেটওয়ার্কগুলি অনিরাপদ, এর সাথে যুক্ত হুমকি মডেল - যা পূর্বে শারীরিক অ্যাক্সেসের প্রয়োজন - ন্যায়সঙ্গতভাবে অবাস্তব হিসাবে দেখা হয়েছে। সুতরাং, অটোমোবাইলগুলিও দূরবর্তী আপোষের জন্য সংবেদনশীল হতে পারে কিনা তা একটি খোলা প্রশ্ন। আমাদের কাজটি একটি আধুনিক অটোমোবাইলের বাহ্যিক আক্রমণ পৃষ্ঠের পদ্ধতিগত বিশ্লেষণের মাধ্যমে এই প্রশ্নটি বিশ্রামের চেষ্টা করে। আমরা আবিষ্কার করেছি যে দূরবর্তী শোষণ বিভিন্ন ধরণের আক্রমণ ভেক্টরের মাধ্যমে সম্ভব (যন্ত্রপাতি সরঞ্জাম, সিডি প্লেয়ার, ব্লুটুথ এবং সেলুলার রেডিও সহ) এবং আরও, যে ওয়্যারলেস যোগাযোগ চ্যানেলগুলি দূরবর্তী যানবাহন নিয়ন্ত্রণ, অবস্থান ট্র্যাকিং, ইন-ক্যাবিন অডিও এক্সফিল্টারেশন এবং চুরি করার অনুমতি দেয়। অবশেষে, আমরা অটোমোবাইল ইকোসিস্টেমের কাঠামোগত বৈশিষ্ট্যগুলি নিয়ে আলোচনা করি যা এই ধরনের সমস্যা সৃষ্টি করে এবং এগুলি প্রশমিত করার জন্য ব্যবহারিক চ্যালেঞ্জগুলি তুলে ধরে। |
cdbb46785f9b9acf8d03f3f8aba58b201f06639f | অটোমোটিভ সিস্টেমের আইটি নিরাপত্তা একটি গবেষণা ক্ষেত্রের উন্নয়নশীল। বর্তমান পরিস্থিতি এবং সম্ভাব্য ক্রমবর্ধমান প্রবণতা বিশ্লেষণ করার জন্য আমরা সাম্প্রতিক অটোমোবাইল প্রযুক্তির উপর বেশ কয়েকটি ব্যবহারিক পরীক্ষা করেছি। এই প্রবন্ধে সিএএন বাস প্রযুক্তির উপর ভিত্তি করে অটোমোটিভ সিস্টেমগুলির উপর মনোযোগ দিয়ে জানালা লিফট, সতর্কতা আলো এবং এয়ারব্যাগ নিয়ন্ত্রণ সিস্টেমের পাশাপাশি কেন্দ্রীয় গেটওয়ের জন্য পরিচালিত চারটি নির্বাচিত পরীক্ষার ফলাফলের সংক্ষিপ্তসার রয়েছে। এই ফলাফলগুলি এই নিবন্ধে এই চারটি আক্রমণ দৃশ্যের শ্রেণিবিন্যাস দ্বারা পরিপূরক করা হয়েছে যা প্রতিষ্ঠিত সিইআরটি শ্রেণিবিন্যাস এবং অন্তর্নিহিত সুরক্ষা দুর্বলতার বিশ্লেষণ এবং বিশেষত সম্ভাব্য সুরক্ষা প্রভাবগুলি ব্যবহার করে। এই পরীক্ষার ফলাফলের সাথে সম্পর্কিত, এই নিবন্ধে আমরা আমাদের পরীক্ষায় শোষিত মৌলিক দুর্বলতাগুলি মোকাবেলার জন্য দুটি নির্বাচিত প্রতিকারগুলি নিয়ে আরও আলোচনা করব। এই তিনটি বিষয় হলো, অনুপ্রবেশ সনাক্তকরণ (তিনটি নমুনা সনাক্তকরণ পদ্ধতি নিয়ে আলোচনা করা) এবং আইটি-ফরেনসিক ব্যবস্থা (ফরেনসিক মডেলের উপর ভিত্তি করে প্রাক্-সক্রিয় ব্যবস্থা গ্রহণের প্রস্তাব দেওয়া) । এই নিবন্ধে, আমরা পূর্বে উপস্থাপিত চারটি আক্রমণ পরিস্থিতির দিকে তাকিয়ে তাদের ক্ষমতা এবং সীমাবদ্ধতাগুলির বিষয়টি নিয়ে আলোচনা করব। যদিও এই প্রতিক্রিয়াশীল পদ্ধতিগুলি স্বল্পমেয়াদী ব্যবস্থা, যা ইতিমধ্যে আজকের অটোমোবাইল আইটি আর্কিটেকচারে যুক্ত করা যেতে পারে, দীর্ঘমেয়াদী ধারণাগুলিও শীঘ্রই চালু করা হবে, যা মূলত প্রতিরোধমূলক তবে একটি বড় পুনর্নির্মাণের প্রয়োজন হবে। সংশ্লিষ্ট গবেষণা পদ্ধতির সংক্ষিপ্ত বিবরণের পর আমরা তাদের পৃথক প্রয়োজনীয়তা, সম্ভাবনা এবং সীমাবদ্ধতা নিয়ে আলোচনা করব। & 2010 Elsevier Ltd. সমস্ত অধিকার সংরক্ষিত. |
13b44d1040bf8fc1edb9de23f50af1f324e63697 | আমরা বৈশিষ্ট্য-নির্দেশিত মুখের প্রজন্মের প্রতি আগ্রহী: একটি নিম্ন-রেজোলিউশন মুখের ইনপুট চিত্র দেওয়া, একটি বৈশিষ্ট্য ভেক্টর যা একটি উচ্চ-রেজোলিউশন চিত্র থেকে বের করা যেতে পারে (অ্যাট্রিবিউট চিত্র), আমাদের নতুন পদ্ধতিটি নিম্ন-রেজোলিউশন ইনপুটের জন্য একটি উচ্চ-রেজোলিউশন মুখের চিত্র তৈরি করে যা প্রদত্ত বৈশিষ্ট্যগুলিকে সন্তুষ্ট করে। এই সমস্যাটি সমাধানের জন্য, আমরা সাইকেলগ্যানকে শর্তযুক্ত করি এবং শর্তযুক্ত সাইকেলগ্যানের প্রস্তাব দিই, যা 1) অপরিচিত প্রশিক্ষণ ডেটা পরিচালনা করার জন্য ডিজাইন করা হয়েছে কারণ প্রশিক্ষণ নিম্ন / উচ্চ-রেজোলিউশন এবং উচ্চ-রেজোলিউশন বৈশিষ্ট্য চিত্রগুলি একে অপরের সাথে সারিবদ্ধ নাও হতে পারে এবং 2) ইনপুট বৈশিষ্ট্যগুলির মাধ্যমে উত্পন্ন মুখের উপস্থিতির সহজ নিয়ন্ত্রণের অনুমতি দেয়। আমরা বৈশিষ্ট্য-নির্দেশিত শর্তসাপেক্ষ সাইকেলজিএএন-এর উপর উচ্চমানের ফলাফল প্রদর্শন করি, যা ব্যবহারকারীর সরবরাহিত বৈশিষ্ট্যগুলি (যেমন, লিঙ্গ, মেকআপ, চুলের রঙ, চশমা) দ্বারা সহজেই নিয়ন্ত্রিত চেহারা সহ বাস্তবসম্মত মুখের চিত্রগুলি সংশ্লেষ করতে পারে। বৈশিষ্ট্য চিত্রকে পরিচয় হিসাবে ব্যবহার করে সংশ্লিষ্ট শর্তসাপেক্ষ ভেক্টর তৈরি করতে এবং একটি মুখ যাচাইকরণ নেটওয়ার্ক অন্তর্ভুক্ত করে, বৈশিষ্ট্য-চালিত নেটওয়ার্কটি পরিচয়-চালিত শর্তসাপেক্ষ সাইকেলজিএন হয়ে যায় যা পরিচয় স্থানান্তর সম্পর্কিত উচ্চমানের এবং আকর্ষণীয় ফলাফল উত্পাদন করে। আমরা পরিচয়-নির্দেশিত শর্তসাপেক্ষ সাইকেলগ্যানের তিনটি অ্যাপ্লিকেশন প্রদর্শন করিঃ পরিচয়-সংরক্ষণ মুখের সুপার রেজোলিউশন, মুখের বিনিময় এবং সামনের মুখের প্রজন্ম, যা ধারাবাহিকভাবে আমাদের নতুন পদ্ধতির সুবিধা দেখায়। |
8a7b0520de8d9af82617bb13d7aef000aae26119 | ডুয়াল-ব্যান্ড অরথোমোড ট্রান্সডুসার (ওএমটি) উপাদানগুলির নকশা করার জন্য মোড ম্যাচিংয়ের মাধ্যমে প্রাপ্ত সাধারণীকৃত ভর্তি ম্যাট্রিক্স এবং সাধারণীকৃত ছড়িয়ে পড়া ম্যাট্রিক্সের মাধ্যমে একটি মিশ্র চরিত্রায়ন প্রস্তাব করা হয়েছে। এই পদ্ধতির উপর ভিত্তি করে সঠিক এবং দক্ষ পূর্ণ তরঙ্গ বিশ্লেষণ সফ্টওয়্যার তৈরি করা হয়েছে। এই সফটওয়্যারটি ব্যবহার করে উচ্চ পারফরম্যান্সের সাথে কু ব্যান্ডের একটি ডুয়াল ফ্রিকোয়েন্সি ওএমটি সম্পূর্ণরূপে ডিজাইন করা হয়েছে। সংখ্যাগত এবং পরীক্ষামূলক ফলাফলের মধ্যে ভাল সমন্বয় নকশা প্রক্রিয়া বৈধতা দেয়। |
17168ca2262960c57ee141b5d7095022e038ddb4 | স্মার্ট ডিভাইস এবং পরিধানযোগ্য সেন্সর থেকে কার্যকলাপ স্বীকৃতি একটি সক্রিয় গবেষণা এলাকা কারণ স্মার্ট ডিভাইস ব্যাপকভাবে গ্রহণ এবং তাদের দৈনন্দিন জীবনে মানুষের সমর্থন প্রদানের সুবিধার জন্য। সূক্ষ্ম-গ্রানুল্ড আদিম ক্রিয়াকলাপ স্বীকৃতির জন্য উপলব্ধ ডেটাসেটগুলির অনেকগুলি বাস্তব-বিশ্বের প্রতিদিনের আচরণের উপর কম জোর দিয়ে লোকোমোশন বা ক্রীড়া ক্রিয়াকলাপগুলিতে ফোকাস করে। এই গবেষণাপত্রে একটি বাস্তবসম্মত রান্নাঘর পরিবেশে কার্যকলাপ স্বীকৃতির জন্য একটি নতুন ডেটা সেট উপস্থাপন করা হয়েছে। ১০ জন সাধারণ অংশগ্রহণকারীর কাছ থেকে শুধুমাত্র স্মার্ট ঘড়ি ব্যবহার করে তথ্য সংগ্রহ করা হয় যখন তারা একটি অপ্রচলিত ভাড়া রান্নাঘরে খাবার প্রস্তুত করে। এই গবেষণাপত্রে এই ডেটাসেটের বিভিন্ন শ্রেণীবিভাগের জন্য বেসলাইন পারফরম্যান্সের পরিমাপও দেওয়া হয়েছে। উপরন্তু, একটি গভীর বৈশিষ্ট্য লার্নিং সিস্টেম এবং আরো ঐতিহ্যগত পরিসংখ্যানগত বৈশিষ্ট্য ভিত্তিক পদ্ধতির তুলনা করা হয়। এই বিশ্লেষণ থেকে দেখা যাচ্ছে যে - সমস্ত মূল্যায়ন মানদণ্ডের জন্য - তথ্য-চালিত বৈশিষ্ট্য শেখার শ্রেণীবিভাগকারীকে হস্তনির্মিত বৈশিষ্ট্যগুলির তুলনায় সর্বোত্তম পারফরম্যান্স অর্জন করতে দেয়। |
62a6cf246c9bec56babab9424fa36bfc9d4a47e8 | কিভাবে আমরা কম্পিউটারকে স্বয়ংক্রিয়ভাবে এমন প্রশ্নের উত্তর দিতে সক্ষম করব যে "হ্যারি পটার কে সৃষ্টি করেছেন"? সাবধানে নির্মিত জ্ঞানভিত্তিক তথ্যের উৎস রয়েছে। তবে, একটি প্রশ্নের একাধিক অভিব্যক্তির কারণে স্বাভাবিক ভাষায় উত্থাপিত প্রকৃত প্রশ্নের উত্তর দেওয়া একটি চ্যালেঞ্জ হিসাবে রয়ে গেছে। বিশেষ করে, আমরা সবচেয়ে সাধারণ প্রশ্নের উপর ফোকাস করি - যেগুলো জ্ঞানের ভিত্তিতে একটি একক তথ্য দিয়ে উত্তর দেওয়া যায়। আমরা CFO, একটি কন্ডিশনাল ফোকাসড নিউরাল নেটওয়ার্ক ভিত্তিক পদ্ধতির প্রস্তাব দিচ্ছি যা জ্ঞানভিত্তিক প্রশ্নের উত্তর দেওয়ার জন্য। আমাদের পদ্ধতিটি প্রথমে একটি প্রশ্নের মধ্যে জুম করে আরো সম্ভাব্য প্রার্থী বিষয় উল্লেখ খুঁজে বের করে এবং একটি একীভূত শর্তসাপেক্ষ সম্ভাব্য কাঠামোর সাথে চূড়ান্ত উত্তরগুলিকে অনুমান করে। গভীর পুনরাবৃত্ত নিউরাল নেটওয়ার্ক এবং নিউরাল এম্বেডিং দ্বারা চালিত, আমাদের প্রস্তাবিত সিএফও 108,000 প্রশ্নের একটি ডেটাসেটে 75.7% নির্ভুলতা অর্জন করে - এটি এখন পর্যন্ত বৃহত্তম পাবলিক। এটি বর্তমান প্রযুক্তির অবস্থাকে ১১.৮% এর একটি পরম মার্জিন দ্বারা ছাড়িয়ে যায়। |
7bbacae9177e5349090336c23718a51bc94f6bfc | আমরা একটি ক্যোয়ারী ইমেজে চিত্রিত স্থানটি ভূ-অবস্থান সংক্রান্ত তথ্য সহ "স্ট্রিট সাইড" ইমেজগুলির একটি ডাটাবেস ব্যবহার করে সনাক্ত করতে চাই। ডাটাবেসের ক্যোয়ারী এবং ইমেজগুলির মধ্যে স্কেল, ভিউপয়েন্ট এবং আলোকসজ্জার পরিবর্তনের কারণে এটি একটি চ্যালেঞ্জিং কাজ। স্থান সনাক্তকরণের ক্ষেত্রে একটি প্রধান সমস্যা হল গাছ বা রাস্তা চিহ্নের মতো বস্তুর উপস্থিতি, যা প্রায়শই ডাটাবেসে উপস্থিত হয় এবং তাই বিভিন্ন জায়গার মধ্যে উল্লেখযোগ্য বিভ্রান্তি সৃষ্টি করে। মূল অবদান হিসেবে, আমরা দেখাবো কিভাবে নির্দিষ্ট জায়গাগুলির বিভ্রান্তি সৃষ্টি করে এমন বৈশিষ্ট্যগুলি এড়ানো যায়। আমরা বিভ্রান্তিকর বৈশিষ্ট্যগুলির চিত্র-নির্দিষ্ট এবং স্থানিকভাবে স্থানীয় গ্রুপগুলির স্বয়ংক্রিয় সনাক্তকরণের জন্য একটি পদ্ধতি বিকাশ করি এবং দেখাই যে তাদের দমন করা ডাটাবেসের আকার হ্রাস করার সময় স্থান স্বীকৃতির কার্যকারিতা উল্লেখযোগ্যভাবে উন্নত করে। আমরা দেখাব যে পদ্ধতিটি ক্যোয়ারী সম্প্রসারণ সহ শিল্পের ব্যাগ-অফ-ফিচার মডেলের সাথে ভালভাবে মিলিত হয় এবং স্থান স্বীকৃতি প্রদর্শন করে যা বিস্তৃত পরিসরে ভিউপয়েন্ট এবং আলোকসজ্জার অবস্থার উপর সাধারণীকরণ করে। ফলাফলগুলি গুগল স্ট্রিট ভিউ থেকে ডাউনলোড করা প্যারিসের ১৭,০০০ এরও বেশি ছবির একটি জিওট্যাগযুক্ত ডাটাবেসে প্রদর্শিত হয়। |
d72b366e1d45cbcddfe5c856b77a2801d8d0c11f | বিদ্যমান নিউরাল সেমান্টিক পার্সারগুলি মূলত একটি ক্রম এনকোডার, অর্থাৎ, একটি ক্রমিক এলএসটিএম ব্যবহার করে শব্দ অর্ডার বৈশিষ্ট্যগুলি বের করার জন্য নির্ভরতা গ্রাফ বা গঠনমূলক গাছের মতো অন্যান্য মূল্যবান সিনট্যাক্টিক তথ্যকে অবহেলা করে। এই গবেষণাপত্রে আমরা প্রথমে তিনটি ধরণের সিনট্যাক্সিক তথ্যের প্রতিনিধিত্ব করতে সিনট্যাক্সিক গ্রাফ ব্যবহার করার প্রস্তাব দিচ্ছি, অর্থাৎ, শব্দ ক্রম, নির্ভরতা এবং নির্বাচনী বৈশিষ্ট্য। আমরা আরও একটি গ্রাফ-টু-সিকোয়েন্স মডেল ব্যবহার করি সিনট্যাক্সিক গ্রাফ এনকোড করতে এবং একটি লজিকাল ফর্ম ডিকোড করতে। বেঞ্চমার্ক ডেটাসেটের পরীক্ষামূলক ফলাফল থেকে দেখা যাচ্ছে যে আমাদের মডেলটি জবস৬৪০, এটিআইএস এবং জিও৮৮০ এর অত্যাধুনিক মডেলের সাথে তুলনাযোগ্য। প্রতিদ্বন্দ্বিতামূলক উদাহরণে পরীক্ষামূলক ফলাফলগুলি দেখায় যে মডেলের দৃঢ়তা আরও সিনট্যাক্টিক তথ্য এনকোডিং দ্বারা উন্নত করা হয়। |
32cde90437ab5a70cf003ea36f66f2de0e24b3ab | জটিল শহুরে রাস্তার দৃশ্যের দৃশ্যমান বোঝা অনেক প্রয়োগের জন্য একটি সক্ষম ফ্যাক্টর। বস্তুর সনাক্তকরণে বড় আকারের ডেটাসেট থেকে বিশেষভাবে লাভবান হয়েছে, বিশেষ করে গভীর শিক্ষার প্রসঙ্গে। কিন্তু, কোন বর্তমান ডেটা সেট বাস্তব বিশ্বের শহুরে দৃশ্যের জটিলতাকে যথাযথভাবে ক্যাপচার করে না। এই সমস্যা সমাধানের জন্য, আমরা Cityscapes চালু করছি, একটি বেঞ্চমার্ক স্যুট এবং বড় আকারের ডেটাসেট যা পিক্সেল-স্তর এবং ইনস্ট্যান্স-স্তরের শব্দার্থিক লেবেলিংয়ের জন্য প্রশিক্ষণ এবং পরীক্ষার পদ্ধতিগুলি সরবরাহ করে। সিটিস্কেপস ৫০টি ভিন্ন শহরের রাস্তায় রেকর্ড করা স্টেরিও ভিডিও ক্রমের একটি বড়, বৈচিত্র্যময় সেট নিয়ে গঠিত। এই ছবিগুলোর মধ্যে ৫০০০ ছবিতে উচ্চমানের পিক্সেল-স্তরের টীকা রয়েছে, ২০,০০০ অতিরিক্ত ছবিতে রুক্ষ টীকা রয়েছে যাতে দুর্বলভাবে লেবেলযুক্ত ডেটার বৃহৎ পরিমাণে ব্যবহার করা যায়। গুরুত্বপূর্ণভাবে, আমাদের প্রচেষ্টা ডেটাসেটের আকার, টীকা সমৃদ্ধতা, দৃশ্যের পরিবর্তনশীলতা এবং জটিলতার দিক থেকে পূর্ববর্তী প্রচেষ্টা অতিক্রম করেছে। আমাদের সাথে থাকা অভিজ্ঞতার অধ্যয়নটি ডেটাসেটের বৈশিষ্ট্যগুলির একটি গভীরতর বিশ্লেষণ প্রদান করে, পাশাপাশি আমাদের মানদণ্ডের উপর ভিত্তি করে বেশ কয়েকটি অত্যাধুনিক পদ্ধতির একটি কার্যকারিতা মূল্যায়ন করে। |
7c5f143adf1bf182bf506bd31f9ddb0f302f3ce9 | |
ceb7784d1bebbc8e97e97cbe2b3b76bce1e708a5 | বিজনেস ইন্টেলিজেন্স (বিআই) এখন সবার মুখে মুখে, কারণ এটি ব্যবসায়ীদের তাদের ব্যবসায়িক অনুশীলন বিশ্লেষণ এবং উন্নত করার সুযোগ দেয়। তবে, ক্ষুদ্র ও মাঝারি উদ্যোগ (এসএমই) প্রায়শই কর্মী, জ্ঞান বা অর্থের মতো অনুপস্থিত সম্পদের কারণে বিআইয়ের ইতিবাচক প্রভাবগুলি কাজে লাগাতে পারে না। যেহেতু ক্ষুদ্র ও মাঝারি শিল্প সংস্থাগুলো ব্যবসায়িক সংগঠনের একটি প্রধান রূপ, তাই এই সত্যকে অতিক্রম করতে হবে। যেহেতু খুচরা শিল্পটি এসএমই শাখার একটি গুরুত্বপূর্ণ অংশ, তাই আমরা খুচরা এসএমইগুলির জন্য একটি বিআই সিস্টেমের জন্য একটি আন্তঃসংস্থাপনা পদ্ধতির প্রস্তাব দিই, যা তাদের সহযোগিতামূলকভাবে ডেটা সংগ্রহ এবং বিশ্লেষণের কাজ সম্পাদন করতে দেয়। আমাদের চলমান গবেষণা প্রচেষ্টার লক্ষ্য হল ডিজাইন সায়েন্স রিসার্চ পদ্ধতি অনুসরণ করে এমন একটি সিস্টেম বিকাশ করা। এই নিবন্ধে, খুচরা শিল্পের ক্ষুদ্র ও মাঝারি শিল্পে বর্তমান বিআই অনুশীলনের স্থিতি বিশ্লেষণ করা হয়েছে দশটি এসএমই পরিচালকদের সাথে গুণগত সাক্ষাত্কারের মাধ্যমে। এর পর, বিআই সিস্টেম এবং আন্তঃসংস্থাপনা তথ্য সিস্টেমগুলির গ্রহণ এবং সাফল্যের কারণগুলি একটি ব্যাপক কাঠামোগত সাহিত্য পর্যালোচনাতে কাজ করা হয়। বর্তমান অবস্থা এবং গ্রহণ এবং সাফল্যের কারণগুলির উপর ভিত্তি করে, আন্তঃসংস্থাগত বিআই সিস্টেমের গ্রহণের জন্য প্রথম প্রয়োজনীয়তাগুলি চিহ্নিত করা হয় এবং গুণগত সাক্ষাত্কারের আরেকটি রাউন্ডে বৈধতা দেওয়া হয়। এর ফলে নয়টি কার্যকরী প্রয়োজনীয়তা এবং তিনটি অকার্যকরী প্রয়োজনীয়তা তৈরি হয়, যা নিম্নলিখিত গবেষণা প্রচেষ্টায় এসএমই-এর জন্য একটি আন্তঃ-সংস্থাপনাগত বিআই সিস্টেম ডিজাইন ও বাস্তবায়নের জন্য ব্যবহার করা যেতে পারে। |
43e33e80d74205e860dd4b8e26b7c458c60e201a | আমরা দেখাই যে একটি (অবশিষ্ট) কনভলুশনাল নিউরাল নেটওয়ার্ক (সিএনএন) এর আউটপুট ওজন এবং পক্ষপাতের উপর একটি উপযুক্ত পূর্ববর্তী একটি গাউসিয়ান প্রক্রিয়া (জিপি) অসীমভাবে অনেক কনভলুশনাল ফিল্টারের সীমাবদ্ধতা, ঘন নেটওয়ার্কগুলির জন্য অনুরূপ ফলাফল প্রসারিত করে। একটি সিএনএন এর জন্য, সমতুল্য কার্নেলটি সঠিকভাবে গণনা করা যায় এবং গভীর কার্নেল এর বিপরীতে, খুব কম পরামিতি রয়েছেঃ কেবলমাত্র মূল সিএনএন এর হাইপারপ্যারামিটার। এরপরে, আমরা দেখাব যে এই কার্নেলটির দুটি বৈশিষ্ট্য রয়েছে যা এটিকে দক্ষতার সাথে গণনা করার অনুমতি দেয়; একটি জোড়া চিত্রের জন্য কার্নেলটি মূল্যায়নের ব্যয় মূল সিএনএন এর মাধ্যমে কেবলমাত্র একটি ফিল্টার সহ একটি একক ফরোয়ার্ড পাস এর অনুরূপ। 32-স্তরীয় রেসনেট এর সমতুল্য কার্নেলটি এমএনআইএসটি-তে 0.84% শ্রেণিবদ্ধকরণ ত্রুটি অর্জন করে, যা তুলনামূলক সংখ্যক পরামিতি সহ জিপিগুলির জন্য একটি নতুন রেকর্ড। ১টি |
1e38c680492a958a2bd616a9a7121f905746a37e | বিটকয়েন সিস্টেম (https://bitcoin.org) একটি ছদ্ম-অনামী মুদ্রা যা ব্যবহারকারীকে বাস্তব বিশ্বের যেকোন পরিচয় থেকে বিচ্ছিন্ন করতে পারে। এই প্রসঙ্গে, ভার্চুয়াল এবং শারীরিক বিভাজনের একটি সফল লঙ্ঘন বিট-কয়েন সিস্টেমে একটি উল্লেখযোগ্য পরিবর্তনকে প্রতিনিধিত্ব করে [1]। এই প্রকল্পে আমরা দেখাব কিভাবে বিটকয়েন লেনদেনের পেছনে থাকা বাস্তব বিশ্বের ব্যবহারকারীদের তথ্য সংগ্রহ করা যায়। আমরা ক্রিপ্টোকারেন্সি সম্পর্কে প্রকাশ্যে পাওয়া তথ্য বিশ্লেষণ করি। বিশেষ করে, আমরা বিটকয়েন ব্যবহারকারীর শারীরিক অবস্থান সম্পর্কে তথ্য নির্ধারণের উপর মনোযোগ দিই সেই ব্যবহারকারীর খরচ অভ্যাস পরীক্ষা করে। |
2c0a239caa3c2c590e4d6f23ad01c1f77adfc7a0 | |
5f6d9b8461a9d774da12f1b363eede4b7088cf5d | পূর্ববর্তী গবেষণার ফলাফল থেকে দেখা গেছে যে ইউএইচএফ প্যাসিভ সিএমওএস আরএফআইডি ট্যাগগুলি -২০ ডিবিএম এর কম সংবেদনশীলতা অর্জন করতে অসুবিধা ছিল। এই কাগজটি একটি দ্বৈত-চ্যানেল 15-বিট ইউএইচএফ প্যাসিভ সিএমওএস আরএফআইডি ট্যাগ প্রোটোটাইপ উপস্থাপন করে যা -20 ডিবিএম এর চেয়ে কম সংবেদনশীলতায় কাজ করতে পারে। প্রস্তাবিত ট্যাগ চিপটি শক্তি সংগ্রহ করে এবং 866.4-মেগাহার্টজ (ইটিএসআই) বা 925-মেগাহার্টজ (এফসিসি) চ্যানেলে আপলিংক ডেটা ব্যাকস্কেটার করে এবং 433-মেগাহার্টজ চ্যানেলে ডাউনলিংক ডেটা গ্রহণ করে। ফলস্বরূপ, ডাউনলিংক ডেটা ট্রান্সমিশন আরএফ এনার্জি সংগ্রহ থেকে আমাদের ট্যাগকে বাধা দেয় না। এই শক্তিকে দক্ষতার সাথে ব্যবহার করার জন্য, আমরা একটি ট্যাগ চিপ ডিজাইন করি যার মধ্যে কোন নিয়ন্ত্রক বা ভিসিও নেই যাতে এই শক্তি সম্পূর্ণভাবে তথ্য গ্রহণ, প্রক্রিয়াকরণ এবং ব্যাকস্কেটিংয়ে ব্যবহৃত হয়। রেগুলেটর ছাড়া, আমাদের ট্যাগ রিসিভারের সামনে যতটা সম্ভব অ্যানালগ সার্কিট ব্যবহার করে। পরিবর্তে, আমাদের ট্যাগ একটি নতুন ডিজিটাল সার্কিট ব্যবহার করে প্রাপ্ত তথ্য ডিকোড করতে. ভিসিও ছাড়া, আমাদের ট্যাগের ডিজাইন ডাউনলিংক ডেটা থেকে প্রয়োজনীয় ক্লক সিগন্যাল বের করতে পারে। পরিমাপের ফলাফল থেকে জানা যায় যে প্রস্তাবিত প্যাসিভ ট্যাগ চিপের সংবেদনশীলতা -21.2 ডিবিএম পর্যন্ত পৌঁছতে পারে। এই ফলাফলটি ৩৬-ডিবিএম ইআইআরপি এবং ০.৪ ডিবিআই ট্যাগ এন্টেনের লাভের অধীনে ১৯.৬ মিটার রিডার-টু-ট্যাগ দূরত্বের সাথে মিলে যায়। চিপটি টিএসএমসি 0.18-μm সিএমওএস প্রক্রিয়ায় তৈরি করা হয়েছিল। মেরু এলাকা 0.958 মিমি × 0.931 মিমি। |
4991785cb0e6ee3d0b7823b59e144fb80ca3a83e | |
2f3a6728b87283ccf0f8822f7a60bca8280f0957 | সমষ্টিগত অনুসন্ধান হল সম্ভাব্য একাধিক বিশেষায়িত অনুসন্ধান পরিষেবা বা উল্লম্ব থেকে ওয়েব অনুসন্ধান ফলাফলগুলিতে ফলাফলগুলিকে সংহত করার কাজ। এই কাজটি কেবলমাত্র কোন উল্লম্বগুলি উপস্থাপন করতে হবে তা ভবিষ্যদ্বাণী করা প্রয়োজন (বেশিরভাগ পূর্ববর্তী গবেষণার ফোকাস), তবে ওয়েবের ফলাফলগুলিতে কোথায় উপস্থাপন করতে হবে তাও ভবিষ্যদ্বাণী করা প্রয়োজন (অর্থাৎ, ওয়েবের ফলাফলের উপরে বা নীচে, বা এর মধ্যে কোথাও) । বিভিন্ন ভার্টিকেল থেকে ফলাফল একত্রিত করার জন্য মডেলগুলি শেখা দুটি বড় চ্যালেঞ্জের সাথে যুক্ত। প্রথমত, যেহেতু উল্লম্বগুলি বিভিন্ন ধরণের ফলাফলগুলি পুনরুদ্ধার করে এবং বিভিন্ন অনুসন্ধান কার্যগুলিকে সম্বোধন করে, বিভিন্ন উল্লম্ব থেকে ফলাফলগুলি বিভিন্ন ধরণের ভবিষ্যদ্বাণীমূলক প্রমাণ (বা বৈশিষ্ট্য) এর সাথে যুক্ত। দ্বিতীয়ত, এমনকি যখন একটি বৈশিষ্ট্য উল্লম্ব জুড়ে সাধারণ হয়, তার ভবিষ্যদ্বাণীমূলকতা উল্লম্ব-নির্দিষ্ট হতে পারে। সুতরাং, উল্লম্ব ফলাফল একত্রিত করার পদ্ধতিতে উল্লম্ব জুড়ে একটি অসঙ্গতিপূর্ণ বৈশিষ্ট্য উপস্থাপনা পরিচালনা করা প্রয়োজন, এবং সম্ভাব্যভাবে, বৈশিষ্ট্য এবং প্রাসঙ্গিকতার মধ্যে একটি উল্লম্ব-নির্দিষ্ট সম্পর্ক। আমরা তিনটি সাধারণ পদ্ধতির কথা বলছি যা এই চ্যালেঞ্জগুলিকে বিভিন্ন উপায়ে মোকাবেলা করে এবং ১৩টি উল্লম্ব এবং ১০৭০টি প্রশ্নের মাধ্যমে তাদের ফলাফলের তুলনা করে। আমরা দেখিয়েছি যে, সবচেয়ে ভালো পদ্ধতি হল সেই পদ্ধতি যা লার্নিং অ্যালগরিদমকে বৈশিষ্ট্য এবং প্রাসঙ্গিকতার মধ্যে একটি উল্লম্ব-নির্দিষ্ট সম্পর্ক শিখতে দেয়। |
b8945cfb7ed72c0fd70263379c328b8570bd763f | |
a2770a51760a134dbb77889d5517550943ea7b81 | একটি কমপ্যাক্ট ডুয়াল-পোলারাইজড ডুয়াল-ব্যান্ড ওমনিডাইরেক্শনাল অ্যান্টেনা উচ্চ লাভের সাথে 2 জি / 3 জি / এলটিই যোগাযোগের জন্য উপস্থাপিত হয়, যা দুটি অনুভূমিক পোলারাইজেশন (এইচপি) এবং একটি উল্লম্ব পোলারাইজেশন (ভিপি) উপাদান নিয়ে গঠিত। উপরের এইচপি উপাদানটি চার জোড়া পরিবর্তিত মুদ্রিত ম্যাগনেটো-বৈদ্যুতিক (এমই) ডাইপোলগুলি নিয়ে গঠিত যা চার-উপায় পাওয়ার ডিভাইডার ফিডিং নেটওয়ার্ক দ্বারা খাওয়ানো হয় এবং আর্ক-আকৃতির পরজীবী প্যাচগুলির আটটি টুকরা যা বৃত্তাকার মুদ্রিত সার্কিট বোর্ডের উভয় পাশে পরিবর্তিত হয়। চার-উপায় পাওয়ার ডিভাইডার ফিডিং নেটওয়ার্কটি চার জোড়া এমই ডাইপোলের সাথে একসাথে মূলত একটি স্থিতিশীল 360 ডিগ্রি বিকিরণ প্যাটার্ন এবং উচ্চ লাভ সরবরাহ করে, যখন আটটি টুকরা প্যাচ ব্যান্ডউইথ বাড়ানোর জন্য ব্যবহৃত হয়। নিম্ন HP উপাদানটি উপরেরটির মতোই, তবে এতে প্যারাসাইটিক প্যাচ নেই। ভিপি উপাদানটি চার জোড়া শঙ্কু আকৃতির প্যাচ নিয়ে গঠিত। এইচপি উপাদান থেকে ভিন্ন, উপরের ভিপি উপাদানটি নিম্ন ফ্রিকোয়েন্সি ব্যান্ড সরবরাহ করে যখন নিম্ন ভিপিটি উপরের ফ্রিকোয়েন্সি ব্যান্ড দেয়। ভিপি উপাদান এবং এইচপি উপাদান কম্প্যাক্ট এবং দ্বৈত-ধ্রুবযুক্ত বৈশিষ্ট্য পেতে উল্লম্বভাবে সাজানো হয়। পরিমাপের ফলাফল দেখায় যে, এইচপি দিকের জন্য প্রায় ২.৬ ডিবিআই লাভের সাথে ৩৯.৬% (০.৭৭-১.১৫ গিগাহার্টজ) ব্যান্ডউইথ এবং প্রায় ৪.৫ ডিবিআই লাভের সাথে ৫৫.৩% (১.৬৬-২.৯৩ গিগাহার্টজ) ব্যান্ডউইথ অর্জন করা যায়, যখন ভিপি দিকের জন্য প্রায় ৪.৪ ডিবিআই লাভের সাথে ১২৮% (০.৭-৩.২ গিগাহার্টজ) ব্যান্ডউইথ অর্জন করা যায়। পোর্ট বিচ্ছিন্নতা 20 ডিবি এর চেয়ে বড় এবং 2 ডিবি এর মধ্যে কম লাভের পরিবর্তনের মাত্রাও পাওয়া যায়। তাই প্রস্তাবিত এন্টেনটি ২জি/৩জি/এলটিই ইনডোর কমিউনিকেশনের জন্য উপযুক্ত। |
33a1ee51cc5d51609943896a95c1371538f2d017 | |
1eb0bf4b9bf04e870962b742c4fc6cb330d1235a | বিজনেস প্রসেস ম্যানেজমেন্টের অনেক সাহিত্যে বিজনেস প্রসেস এর সংজ্ঞা দেওয়া হয়েছে, যা গভীরতার দিক থেকে সীমিত এবং বিজনেস প্রসেস এর সম্পর্কিত মডেলগুলিও সেই অনুযায়ী সীমাবদ্ধ। উৎপাদন ব্যবস্থা থেকে অফিস পরিবেশে বিজনেস প্রসেস মডেলিং কৌশলগুলির অগ্রগতির সংক্ষিপ্ত ইতিহাস দেওয়ার পরে, এই কাগজটি প্রস্তাব করে যে বেশিরভাগ সংজ্ঞা একটি প্রক্রিয়াটির মেশিন রূপক ধরণের অনুসন্ধানের উপর ভিত্তি করে। যদিও এই কৌশলগুলি প্রায়শই সমৃদ্ধ এবং আলোকিত হয় তবে এটি প্রস্তাবিত যে তারা ব্যবসায়িক প্রক্রিয়াগুলির প্রকৃত প্রকৃতি প্রকাশের জন্য খুব সীমিত যা আজকের চ্যালেঞ্জিং পরিবেশে বিকাশ ও অভিযোজিত হওয়া দরকার। |
bc018fc951c124aa4519697f1884fd5afaf43439 | একটি ব্রড-ব্যান্ড প্ল্যানার অ্যান্টেনার তাত্ত্বিক ও পরীক্ষামূলক ফলাফল উপস্থাপন করা হয়েছে। এই অ্যান্টেনাটি একটি বিস্তৃত ব্যান্ডউইথ, নিম্ন ক্রস-পোলারাইজেশন স্তর এবং নিম্ন ব্যাকওয়ার্ড রেডিয়েশন স্তর অর্জন করতে পারে। ব্যাপক ব্যান্ডউইথ এবং সক্রিয় সার্কিটের সাথে সহজ ইন্টিগ্রেশন জন্য, এটি অ্যাপারচার-সংযুক্ত স্ট্যাকড স্কয়ার প্যাচ ব্যবহার করে। কপলিং এপারচারটি একটি H- আকৃতির এপারচার। পরিমিত-বৈষম্য সময়-ডোমেন পদ্ধতির উপর ভিত্তি করে, অ্যান্টেনার ইনপুট প্রতিবন্ধকতার একটি প্যারামিটারিক গবেষণা উপস্থাপন করা হয়, এবং অ্যান্টেনার প্রতিবন্ধকতার উপর প্রতিটি পরামিতির প্রভাব চিত্রিত হয়। একটি অ্যান্টেনাও ডিজাইন, তৈরি এবং পরিমাপ করা হয়। পরিমাপকৃত রিটার্ন লস 21.7% এর একটি প্রতিবন্ধকতা ব্যান্ডউইথ প্রদর্শন করে। ক্রস-পোলারাইজেশন স্তর উভয় এবং সমতল 23 ডিসিএল এর চেয়ে ভাল। অ্যান্টেনার বিকিরণ প্যাটার্নের সামনের থেকে পিছনের অনুপাত ২২ ডিসিএল এর চেয়ে ভাল। প্যারামিটার এবং বিকিরণ প্যাটার্নের তাত্ত্বিক এবং পরীক্ষামূলক উভয় ফলাফল উপস্থাপন করা হয় এবং আলোচনা করা হয়। |
5adcac7d15ec8999fa2beb62f0ddc6893884e080 | আঙুলের ছাপের দিকনির্দেশনা আঙুলের ছাপের উন্নতি, আঙুলের ছাপ শ্রেণীবিভাগ এবং আঙুলের ছাপ স্বীকৃতিতে গুরুত্বপূর্ণ ভূমিকা পালন করে। এই গবেষণাপত্রে ফিঙ্গারপ্রিন্টের দিকনির্দেশের মূল অগ্রগতি সমালোচনামূলকভাবে পর্যালোচনা করা হয়েছে। বিদ্যমান পদ্ধতির সুবিধা এবং সীমাবদ্ধতা নিয়ে আলোচনা করা হয়েছে। ভবিষ্যতে উন্নয়ন নিয়েও আলোচনা হয়েছে। কপিরাইট © ২০১০ জন উইলি অ্যান্ড সন্স, লিমিটেড |
568cff415e7e1bebd4769c4a628b90db293c1717 | এখন বিপুল সংখ্যক ভিডিও আটকানো হচ্ছে, কিন্তু এর অধিকাংশই লেবেলবিহীন। এই ধরনের তথ্য মোকাবেলা করার জন্য, আমরা ভিডিওতে কোন ম্যানুয়ালি লেবেল উদাহরণ ছাড়া কন্টেন্ট-ভিত্তিক কার্যকলাপ স্বীকৃতির কাজ বিবেচনা করি, যা শূন্য-শট ভিডিও স্বীকৃতি হিসাবেও পরিচিত। এটি অর্জনের জন্য, ভিডিওগুলি সনাক্ত করা ভিজ্যুয়াল ধারণাগুলির পরিপ্রেক্ষিতে উপস্থাপিত হয়, যা একটি প্রদত্ত পাঠ্য অনুসন্ধানের সাথে তাদের সাদৃশ্য অনুসারে প্রাসঙ্গিক বা অপ্রাসঙ্গিক হিসাবে চিহ্নিত করা হয়। এই গবেষণাপত্রে আমরা ধারণা নির্ধারণের জন্য আরো শক্তিশালী পদ্ধতির প্রস্তাব দিচ্ছি যাতে পূর্ববর্তী কাজের অনেকগুলি ভঙ্গুরতা এবং কম নির্ভুলতার সমস্যাগুলিকে প্রশমিত করা যায়। আমরা শুধু যৌথভাবে শব্দার্থিক সম্পর্ক, দৃশ্যমান নির্ভরযোগ্যতা এবং বৈষম্যমূলক ক্ষমতা বিবেচনা করি না। নির্বাচিত ধারণাগুলির র্যাঙ্কিং স্কোরগুলিতে গোলমাল এবং অ-রৈখিকতা পরিচালনা করতে, আমরা স্কোর সমষ্টির জন্য একটি অভিনব জোড়ায় অর্ডার ম্যাট্রিক্স পদ্ধতির প্রস্তাব দিই। ট্রিকভিড মাল্টিমিডিয়া ইভেন্ট ডিটেকশন ডেটা নিয়ে ব্যাপক পরীক্ষা-নিরীক্ষা আমাদের পদ্ধতির শ্রেষ্ঠত্বের প্রমাণ দিয়েছে। |
a62ac71cd51124973ac57c87d09a3461ecbd8e61 | সর্বনিম্ন গড় চতুর্থ (এলএমএফ) অ্যালগরিদমের আচরণ বিশেষ আগ্রহের বিষয়। এই অ্যালগরিদমকে LMS অ্যালগরিদমের সাথে তুলনা করার সময়, যখন উভয়ই ওজন শিথিলকরণ প্রক্রিয়াটির জন্য ঠিক একই সময় ধ্রুবক হিসাবে সেট করা থাকে, তখন LMF অ্যালগরিদমের কিছু পরিস্থিতিতে, LMS অ্যালগরিদমের চেয়ে উল্লেখযোগ্যভাবে কম ওজন শব্দ থাকবে। সুতরাং, এটা সম্ভব যে, একটি মিনিমাম মিডেন চতুর্থ ত্রুটি অ্যালগরিদম একটি মিডেন স্কয়ার ত্রুটি অ্যালগরিদমের চেয়ে কম স্কোয়ারের অনুমানের একটি ভাল কাজ করতে পারে। এই কৌতূহলজনক ধারণার সমস্ত ধরণের অভিযোজিত অ্যালগরিদমের জন্য প্রভাব রয়েছে, সেগুলি সবচেয়ে খাড়া অবতরণ বা অন্যথায় ভিত্তি করে হোক না কেন। নতুন ক্রমবর্ধমান অবতরণ অ্যালগরিদমগুলি অভিযোজিত ফিল্টারিংয়ের জন্য উদ্ভাবিত হয়েছে এবং যা গড় চতুর্থ এবং গড় ষষ্ঠ, ইত্যাদি অর্থে ত্রুটি হ্রাস করতে দেয়। অভিযোজন চলাকালীন, ওজনগুলি তাদের সর্বোত্তম সমাধানের দিকে এক্সপোনেন্সিয়াল শিথিলকরণের মধ্য দিয়ে যায়। টাইম কনস্ট্যান্টগুলি প্রাপ্ত হয়েছে, এবং আশ্চর্যজনকভাবে তারা টাইম কনস্ট্যান্টের সাথে সমানুপাতিক হয়ে উঠেছে যা উইড্রো এবং হফ এর সবচেয়ে খাড়া অবতরণ সর্বনিম্ন গড় বর্গক্ষেত্র (এলএমএস) অ্যালগরিদম ব্যবহার করা হলে প্রাপ্ত হত। নতুন গ্রেডিয়েন্ট অ্যালগরিদমগুলি এলএমএস অ্যালগরিদমের চেয়ে প্রোগ্রামিং এবং গণনা করার জন্য উল্লেখযোগ্যভাবে জটিল। তাদের সাধারণ রূপ হল W J+l = w, t 2plqK-lx,, যেখানে W, বর্তমান ওজন ভেক্টর, W, + 1 পরবর্তী ওজন ভেক্টর, r, বর্তমান ত্রুটি, X, বর্তমান ইনপুট ভেক্টর, u একটি ধ্রুবক নিয়ন্ত্রণ স্থায়িত্ব এবং ঘনিষ্ঠতার হার, এবং 2 K ত্রুটি হ্রাস করা হচ্ছে এর এক্সপোনন্ট। নতুন গ্রেডিয়েন্ট অ্যালগরিদমের জন্য গড় ও বৈকল্পিকের ওজন-ভেক্টর সংযোজনের জন্য শর্তগুলি প্রাপ্ত করা হয়েছে। |
5896b9299d100bdd10fee983fe365dc3bcf35a67 | এই গবেষণাপত্রটি ক্রমাগত স্বাস্থ্য পর্যবেক্ষণের জন্য একটি অ-আক্রমণাত্মক ওয়্যারলেস সেন্সর প্ল্যাটফর্ম উপস্থাপন করে। সেন্সর সিস্টেমটি একটি লুপ অ্যান্টেনা, ওয়্যারলেস সেন্সর ইন্টারফেস চিপ এবং একটি পলিমার সাবস্ট্রেটে গ্লুকোজ সেন্সরকে একত্রিত করে। আইসিতে বিদ্যুৎ ব্যবস্থাপনা, রিডআউট সার্কিটরি, ওয়্যারলেস কমিউনিকেশন ইন্টারফেস, এলইডি ড্রাইভার এবং শক্তি সঞ্চয়কারী ক্যাপাসিটার রয়েছে যা কোনও বাহ্যিক উপাদান ছাড়াই 0.36-মিমি 2 সিএমওএস চিপে রয়েছে। আমাদের গ্লুকোজ সেন্সরের সংবেদনশীলতা 0.18 μA·mm-2·mM-1. এই সিস্টেমটি বেতার মাধ্যমে চালিত হয় এবং এটি নিয়ন্ত্রণযোগ্য ১.২ ভোল্টের সরবরাহ থেকে ৩ μW খরচ করে ৪০০ Hz/mM সংবেদনশীলতার সাথে ০.০৫-১ mM এর একটি পরিমাপকৃত গ্লুকোজ পরিসীমা অর্জন করে। |
622c5da12c87ecc3ea8be91f79192b6e0ee559d2 | এই তাত্ত্বিক সংক্ষিপ্তসার, আমরা ব্যবহারকারীর অংশগ্রহণ এবং জড়িত থাকার উপর পূর্ববর্তী গবেষণার তিনটি ঐতিহ্যকে একত্রিত করিঃ ব্যবহারকারীর অংশগ্রহণ এবং আইএস সাফল্যের মধ্যে সম্পর্ক সম্পর্কিত জরিপ এবং পরীক্ষামূলক সাহিত্য, বিকল্প উন্নয়ন পদ্ধতির উপর নিয়মানুবর্তিতা সাহিত্য, এবং গুণগত গবেষণা যা বিভিন্ন তাত্ত্বিক দৃষ্টিকোণ থেকে ব্যবহারকারীর অংশগ্রহণ পরীক্ষা করে। আমরা তিনটি সাহিত্যের অগ্রগতি মূল্যায়ন করি এবং ব্যবহারকারীদের অংশগ্রহণের উন্নতির জন্য ভবিষ্যতের গবেষণার ফাঁক এবং দিকনির্দেশনাগুলি চিহ্নিত করি। |
24beb987b722d4a25d3157a43000e685aa8f8874 | এই কাগজটি একটি পরিসংখ্যানগত মডেল উপস্থাপন করে যা একটি কর্পাস থেকে প্রশিক্ষণ দেয় যা পার্ট অফ স্পিচ ট্যাগগুলির সাথে ট্যাগ করা হয় এবং সেগুলিকে অত্যাধুনিক নির্ভুলতার সাথে পূর্বে দেখা না যাওয়া পাঠ্যকে বরাদ্দ করে মডেলটিকে সর্বোচ্চ এন্ট্রপি মডেল হিসাবে শ্রেণীবদ্ধ করা যেতে পারে এবং একই সাথে পিওএস ট্যাগের পূর্বাভাস দেওয়ার জন্য অনেক প্রাসঙ্গিক বৈশিষ্ট্য ব্যবহার করে |
6a2fe560574b76994ab1148b4dae0bfb89e3a3e3 | মানুষের উপলব্ধির একটি গুরুত্বপূর্ণ দিক হল প্রত্যাশা এবং প্রত্যাশা করা যে কোন ক্রিয়াকলাপগুলি একজন মানুষ পরবর্তী সময়ে করবে (এবং কীভাবে সেগুলি করবে) অনেক অ্যাপ্লিকেশনের জন্য কার্যকর, উদাহরণস্বরূপ, প্রত্যাশা একটি সহায়ক রোবটকে মানব পরিবেশের প্রতিক্রিয়াশীল প্রতিক্রিয়াগুলির জন্য এগিয়ে যাওয়ার পরিকল্পনা করতে সক্ষম করে। এই কাজের মাধ্যমে আমরা বস্তুগত সামর্থ্যের মাধ্যমে সমৃদ্ধ স্থান-সময়ের সম্পর্ক সম্পর্কে যুক্তি দিয়ে বিভিন্ন সম্ভাব্য ভবিষ্যত মানব ক্রিয়াকলাপ তৈরির জন্য একটি গঠনমূলক পদ্ধতির উপস্থাপন করি। আমরা একটি প্রত্যাশিত সাময়িক শর্তসাপেক্ষ র্যান্ডম ক্ষেত্র (এটিসিআরএফ) ব্যবহার করে প্রতিটি সম্ভাব্য ভবিষ্যতের প্রতিনিধিত্ব করি যেখানে আমরা ভবিষ্যতের বস্তুর ট্র্যাজেক্টরি এবং মানব অবস্থান থেকে একটি জেনারেটিভ মডেল থেকে নমুনা গ্রহণ করি। আমরা পরবর্তীতে এ.টি.সি.আর.এফ. কণার একটি সেট ব্যবহার করে সম্ভাব্য ভবিষ্যতের উপর বন্টনকে প্রতিনিধিত্ব করি। CAD-120 মানব ক্রিয়াকলাপ RGB-D ডেটাসেটের উপর বিস্তৃত মূল্যায়নে, নতুন বিষয়গুলির জন্য (প্রশিক্ষণ সেটে দেখা যায় না), আমরা ক্রিয়াকলাপের প্রত্যাশার নির্ভুলতা (প্রধান তিনটি ভবিষ্যদ্বাণীগুলির মধ্যে একটি আসলে ঘটেছে কিনা তা সংজ্ঞায়িত করে) 75.4%, 69.2% এবং 58.1% এর প্রত্যাশার সময় যথাক্রমে 1, 3 এবং 10 সেকেন্ডের জন্য প্রাপ্ত করি। ১টি |
ea38789c6687e7ccb483693046fff5293e903c51 | আমরা একটি ব্যাচ রিইনফোর্সমেন্ট লার্নিং (আরএল) অ্যালগরিদম উপস্থাপন করছি যা এটি প্রস্তাবিত প্রতিটি নীতির গুণমান সম্পর্কে সম্ভাব্যতা গ্যারান্টি সরবরাহ করে এবং যার কোনও হাইপার-প্যারামিটার নেই যা বিশেষজ্ঞের টিউনিংয়ের প্রয়োজন হয়। ব্যবহারকারী যেকোন পারফরম্যান্স নিম্ন-সীমাবদ্ধ, ρ- এবং আস্থা স্তর, δ নির্বাচন করতে পারেন, এবং আমাদের অ্যালগরিদম নিশ্চিত করবে যে এটি একটি নীতির সাথে পারফরম্যান্সের সাথে ফিরে আসার সম্ভাবনা ρ- এর নীচে সর্বাধিক δ। এরপর আমরা একটি ইনক্রিমেন্টাল অ্যালগরিদমের প্রস্তাব দিই যা আমাদের নীতির উন্নতি অ্যালগরিদমকে বারবার কার্যকর করে একাধিক নীতির উন্নতি সাধন করে। আমরা আমাদের পদ্ধতির কার্যকারিতা দেখাবো একটি সহজ গ্রিড ওয়ার্ল্ড এবং স্ট্যান্ডার্ড মাউন্টেন কার সমস্যা, সেইসাথে একটি ডিজিটাল মার্কেটিং অ্যাপ্লিকেশন যা বাস্তব বিশ্বের ডেটা ব্যবহার করে। |
780b05a35f2c7dd4b4d6e2a844ef5e145f1972ae | বহু-ঘূর্ণি সংলাপে, প্রাকৃতিক ভাষা বোঝার মডেলগুলি প্রাসঙ্গিক তথ্যের প্রতি অন্ধ হয়ে স্পষ্ট ত্রুটিগুলি প্রবর্তন করতে পারে। সংলাপের ইতিহাসকে অন্তর্ভুক্ত করার জন্য, আমরা স্পিকার-সেনসিটিভ ডুয়াল মেমরি নেটওয়ার্কগুলির সাথে একটি নিউরাল আর্কিটেকচার উপস্থাপন করি যা স্পিকারের উপর নির্ভর করে বিভিন্নভাবে বক্তব্যকে এনকোড করে। এটি সিস্টেমের কাছে উপলব্ধ বিভিন্ন তথ্যের বিস্তারকে সম্বোধন করে - সিস্টেমটি কেবল ব্যবহারকারীর অভিব্যক্তিগুলির পৃষ্ঠতল ফর্মটি জানে যখন এটিতে সিস্টেমের আউটপুটের সঠিক শব্দার্থ রয়েছে। আমরা মাইক্রোসফট কর্টানা, একটি বাণিজ্যিক ব্যক্তিগত সহকারী থেকে প্রকৃত ব্যবহারকারীর তথ্য নিয়ে পরীক্ষা চালিয়েছি। ফলাফলটি প্রাসঙ্গিক তথ্য ব্যবহার করে অত্যাধুনিক স্লট ট্যাগিং মডেলের তুলনায় উল্লেখযোগ্য পারফরম্যান্সের উন্নতি দেখিয়েছে। |
259bbc822121df705bf3d5898ae031cd712505ea | 1মোবাইল যোগাযোগ বিভাগ, ইলেকট্রিক্যাল ইঞ্জিনিয়ারিং এবং কম্পিউটার বিজ্ঞান স্কুল, টেকনিক্যাল ইউনিভার্সিটি অফ বার্লিন, বার্লিন, জার্মানি 2ওয়্যারলেস নেটওয়ার্কিং, সিগন্যাল প্রসেসিং এবং সিকিউরিটি ল্যাব, ইলেকট্রিক্যাল এবং কম্পিউটার ইঞ্জিনিয়ারিং বিভাগ, হিউস্টন বিশ্ববিদ্যালয়, হিউস্টন, টিএক্স 77004, মার্কিন যুক্তরাষ্ট্র 3যোগাযোগ সিস্টেম বিভাগ, ইলেকট্রিক্যাল ইঞ্জিনিয়ারিং (আইএসওয়াই) বিভাগ, লিংকপিং বিশ্ববিদ্যালয়, এসই-581 83 লিংকপিং, সুইডেন 4যোগাযোগ পরীক্ষাগার, ইলেকট্রিক্যাল ইঞ্জিনিয়ারিং এবং তথ্য প্রযুক্তি অনুষদ, ড্রেসডেন বিশ্ববিদ্যালয়, 01062 ড্রেসডেন, জার্মানি |
4eca7aa4a96300caf8622d666ecf5635d8b72132 | স্বয়ংক্রিয় পুনর্বাসন এবং ক্রীড়া প্রশিক্ষণ ব্যবস্থা গড়ে তুলতে মানুষের কার্যকলাপ সঠিকভাবে চিহ্নিত করার ক্ষমতা অপরিহার্য। এই গবেষণায়, একটি সামনের বাহুতে পরিধানযোগ্য সেন্সর থেকে প্রাপ্ত বৃহত আকারের ব্যায়াম গতির তথ্য একটি কনভোলুশনাল নিউরাল নেটওয়ার্ক (সিএনএন) দিয়ে শ্রেণিবদ্ধ করা হয়। অ্যাক্সিলারোমিটার এবং ওরিয়েন্টেশন পরিমাপ সমন্বিত টাইম-সিরিজ ডেটা চিত্র হিসাবে ফর্ম্যাট করা হয়, যা সিএনএনকে স্বয়ংক্রিয়ভাবে বৈষম্যমূলক বৈশিষ্ট্যগুলি বের করতে দেয়। ছবির ফরম্যাটিং এবং বিভিন্ন সিএনএন আর্কিটেকচারের প্রভাবের উপর একটি তুলনামূলক গবেষণাও উপস্থাপন করা হয়েছে। সবচেয়ে ভালো পারফর্মিং কনফিগারেশনটি ৯২.১% নির্ভুলতার সাথে ৫০টি জিম ব্যায়ামকে শ্রেণীবদ্ধ করে। |
1b1a829c43f1a4f3a3d70f033a1b8e7bee1f7112 | |
6abac64862f7d207cac58c6a93f75dc80d74e575 | |
5fb874a1c8106a5b2b2779ee8e1433149109ba00 | ডেটা থেকে বেয়েসিয়ান নেটওয়ার্ক শেখার জন্য অ্যালগরিদমের দুটি উপাদান রয়েছেঃ একটি স্কোরিং মেট্রিক এবং একটি অনুসন্ধান পদ্ধতি। স্কোরিং মেট্রিক একটি স্কোর গণনা করে যা ডেটাতে কাঠামোর ভাল-অফ-টি প্রকাশ করে। অনুসন্ধান পদ্ধতি উচ্চ স্কোর সঙ্গে নেটওয়ার্ক কাঠামো চিহ্নিত করার চেষ্টা করে. হেকারম্যান এট আল। ১৯৯৫ সালে একটি বেজিয়ান মেট্রিকের সূচনা করা হয়, যাকে বিডি মেট্রিক বলা হয়, যা একটি নেটওয়ার্ক স্ট্রাকচারের আপেক্ষিক পশ্চাৎপদ সম্ভাব্যতা গণনা করে। এই গবেষণায় আমরা দেখিয়েছি যে, বেয়েসিয়ান নেটওয়ার্ক সনাক্তকরণের অনুসন্ধান সমস্যা যেখানে প্রতিটি নোডের সর্বাধিক K পিতা-মাতা রয়েছে যার একটি নির্দিষ্ট ধ্রুবক থেকে বড় আপেক্ষিক পশ্চাৎপদ সম্ভাবনা রয়েছে, যখন বিডি মেট্রিক ব্যবহার করা হয় তখন এটি এনপি-সম্পূর্ণ। 12.1 ভূমিকা সম্প্রতি, অনেক গবেষক বেয়েসিয়ান নেটওয়ার্ক শেখার পদ্ধতিগুলি তদন্ত করতে শুরু করেছেন। এই পদ্ধতির অনেকগুলোই একই মৌলিক উপাদান আছে: একটি স্কোরিং মেট্রিক এবং একটি অনুসন্ধান পদ্ধতি। স্কোরিং মেট্রিক একটি পর্যবেক্ষণকৃত কেস D এবং একটি নেটওয়ার্ক স্ট্রাকচার B S এর একটি ডাটাবেস নেয় এবং স্ট্রাকচারে ডেটার ভাল-অফ-টি রিইকট করে একটি স্কোর ফেরত দেয়। একটি অনুসন্ধান পদ্ধতি স্কোরিং মেট্রিক দ্বারা মূল্যায়নের জন্য নেটওয়ার্ক তৈরি করে। এই পদ্ধতিগুলি নেটওয়ার্ক স্ট্রাকচার বা স্ট্রাকচারগুলির সেট সনাক্ত করতে দুটি উপাদান ব্যবহার করে যা ভবিষ্যতের ঘটনা বা কারণগত সম্পর্ক অনুমান করতে ব্যবহার করা যেতে পারে। কুপার এবং হার্স্কোভিটস (1992) এখানে CH বলা হয় যা বেজিয়ান মেট্রিকের একটি বিডি মেট্রিক বলে, যা বেজিয়ান নেটওয়ার্কগুলি শেখার বিষয়ে যুক্তিসঙ্গত অনুমানগুলির একটি সেট থেকে কেবলমাত্র বিচ্ছিন্ন ভেরিয়েবলগুলি ধারণ করে। হেকারম্যান এট আল। (1995) এর উপর ভিত্তি করে CH এর কাজ থেকে একটি নতুন মেট্রিক বের করা হয়েছে, যা আমরা BDe মেট্রিক বলে থাকি, যার সম্ভাব্যতা সমতুল্যতার আকাঙ্ক্ষিত সম্পত্তি রয়েছে। সম্ভাব্যতা সমতুল্যতা বলে যে তথ্য সমতুল্য কাঠামোর মধ্যে পার্থক্য করতে সাহায্য করতে পারে না। এখন আমরা বিডি মেট্রিক উপস্থাপন করছি যা সিএইচ দ্বারা প্রাপ্ত। আমরা B h S ব্যবহার করি এই অনুমানকে বোঝাতে যে B S হল ডাটাবেস তৈরি করা বিতরণের একটি I-ম্যাপ। 2 একটি বিশ্বাস-নেটওয়ার্ক গঠন বি এস দেওয়া, আমরা x i এর পিতামাতাকে নির্দেশ করতে i ব্যবহার করি। আমরা r i ব্যবহার করি ভেরিয়েবল x i এর অবস্থার সংখ্যা নির্দেশ করতে, এবং q i = Q x l 2 i r l i এর উদাহরণ সংখ্যা নির্দেশ করতে। আমরা এই ইন্সট্যান্সগুলিকে ইনডেক্স করতে পূর্ণসংখ্যা j ব্যবহার করি। অর্থাৎ, আমরা i = j লিখি x i এর পিতামাতার jth উদাহরণটির পর্যবেক্ষণকে নির্দেশ করার জন্য। ১৯৯৬ স্প্রিংগার-ভের্লাগ। ২ একটি আছে ... |
7783fd2984ac139194d21c10bd83b4c9764826a3 | সম্ভাব্যতা পদ্ধতি, কম্পিউটেশনাল টুলস এর ক্ষেত্র তৈরি করতে। কিন্তু আমি ক্যানড পেতে প্রয়োজন, Bayesian নেটওয়ার্ক সম্প্রতি শক্তিশালী কাজ. সম্প্রতি আমি এই বইটি প্রকাশিত হয়েছিল নিক্ষেপ. এআই অপারেশনস রিসার্চ এক্সেল্যান্স অ্যাওয়ার্ডের জন্য স্নাতক ডিগ্রিধারীদের জন্য এই পুরস্কার দেওয়া হয়। আমি কিভাবে আছি সেটা নিয়ে খুব চিন্তিত। মনে হচ্ছে ডাফনি কলার এবং শিক্ষার কাঠামো প্রমাণমূলক যুক্তি। পার্ল হলো আমার জন্য একটি ভাষা। যদিও এটি প্রকাশের তারিখ খুব বেশি নয়, তবুও এটির সেরা তথ্যসূত্র দেওয়া সম্ভব নয়। |
5c386d601ffcc75f7635a4a5c6066824b37b9425 | আজকাল, এমন একটি জনপ্রিয় ওয়েব সাইট খুঁজে পাওয়া কঠিন যার রেজিস্ট্রেশন ফর্মটি একটি স্বয়ংক্রিয় মানব প্রমাণ পরীক্ষার দ্বারা সুরক্ষিত নয় যা একটি চিত্রের মধ্যে অক্ষরের একটি ক্রম প্রদর্শন করে এবং ব্যবহারকারীকে একটি ইনপুট ক্ষেত্রে ক্রমটি প্রবেশ করতে অনুরোধ করে। এই নিরাপত্তা ব্যবস্থাটি টুরিং টেস্টের উপর ভিত্তি করে তৈরি করা হয়েছে- যা কৃত্রিম বুদ্ধিমত্তার প্রাচীনতম ধারণাগুলির মধ্যে একটি- এবং এটিকে প্রায়শই কম্পিউটার এবং মানুষকে আলাদা করার জন্য সম্পূর্ণ স্বয়ংক্রিয় পাবলিক টুরিং টেস্ট (ক্যাপচা) বলা হয়। এই ধরনের পরীক্ষাটি একটি গুরুত্বপূর্ণ ওয়েব রিসোর্স যেমন একটি ওয়েব মেইল সার্ভিস বা একটি সোশ্যাল নেটওয়ার্ক অটোমেটেড অ্যাক্সেস রোধ করার জন্য তৈরি করা হয়েছে। বর্তমানে এই ধরনের শত শত পরীক্ষা রয়েছে, যা দিনে লক্ষ লক্ষ বার করা হয়, যার ফলে প্রচুর পরিমাণে মানুষের কাজ জড়িত। অন্যদিকে, এই পরীক্ষাগুলির মধ্যে বেশ কয়েকটি ভেঙে ফেলা হয়েছে, অর্থাৎ গবেষক, হ্যাকার এবং স্প্যামারদের দ্বারা ডিজাইন করা স্বয়ংক্রিয় প্রোগ্রামগুলি স্বয়ংক্রিয়ভাবে সঠিক উত্তর দিতে সক্ষম হয়েছে। এই অধ্যায়ে আমরা ক্যাপচা এর ইতিহাস এবং ধারণা, এর প্রয়োগ এবং এর প্রয়োগের বিস্তৃত পর্যালোচনা উপস্থাপন করছি। আমরা ব্যবহারকারী এবং নিরাপত্তা উভয় দৃষ্টিকোণ থেকে তাদের মূল্যায়ন নিয়ে আলোচনা করি, যার মধ্যে ব্যবহারযোগ্যতা, আক্রমণ এবং প্রতিরোধমূলক ব্যবস্থা অন্তর্ভুক্ত রয়েছে। আমরা আশা করি এই অধ্যায়টি পাঠককে এই আকর্ষণীয় ক্ষেত্রের একটি ভাল ওভারভিউ প্রদান করবে। সিইএস ইন কম্পিউটারস, ভোল. 83 109 Copyright © 2011 Elsevier Inc. 65-2458/DOI: 10.1016/B978-0-12-385510-7.00003-5 সমস্ত অধিকার সংরক্ষিত. ১১০ জে.এম. গোমেস হিডালগো এবং জি. আলভারেজ মারানন ১. উপস্থাপনা . - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । ১১০.১.১ টিউরিং টেস্ট এবং ক্যাপচা এর উৎপত্তি । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । ১১২। প্রেরণা এবং অ্যাপ্লিকেশন - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । ১২৭ ৩.১ ও সি আর . - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । ১৩০ ৩.২ আমি বুড়ো হয়ে গেছি । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । ১৩৫ ৩.৩ একটা অডিও । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । ১৪৩ ৩.৪ বুদ্ধিমান . - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । 173 R রেফারেন্স . - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । ১৭৩ - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । ১৫৪ ৫. S নিরাপত্তা এবং ক্যাপচা আক্রমণ . - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । ১৫৬ ৫.১ ক্যাপচা-র উপর আক্রমণ । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । ১৫৮ ৫.২ ক্যাপচা এর নিরাপত্তা সংক্রান্ত প্রয়োজনীয়তা - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । ১৬৯৬। ক্যাপচা এর বিকল্প । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । ১৭১৭। C. উপসংহার এবং ভবিষ্যৎ প্রবণতা - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । ১৪৪ ৪. ক্যাপচা এর E মূল্যায়ন । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । ১৪৬ ৪.১ ই-দক্ষতা . - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । 147 ৪.২. একটি অ্যাক্সেসিবিলিটি সমস্যা। - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । ১৫২ ৪.৩ প্ তিকেল বিবেচনা । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । ১১৬ ২.১ ক্যাপচা এর সাধারণ বর্ণনা - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । ১১৬ ২.২ ক্যাপচা এর প্রয়োজনীয় বৈশিষ্ট্য - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । 117 ২.৩ আমি বাস্তবায়ন এবং মোতায়েন করছি । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । ১১৯ ২.৪ অ্যাপ্লিকেশন এবং রোবট এর উত্থান . - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । ১২১৩। ক্যাপচা এর ধরন - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । - ঠিক আছে । |
941a668cb77010e032a809861427fa8b1bee8ea0 | ইসিজি বিশ্লেষণ ও ব্যাখ্যা করার জন্য বর্তমানে বেশিরভাগ সিস্টেমে সিগন্যাল প্রসেসিং করা হয়। ইসিজি সংকেত প্রক্রিয়াকরণের উদ্দেশ্য অনেকগুলি এবং পরিমাপের নির্ভুলতা এবং পুনরুত্পাদনযোগ্যতার উন্নতি (যখন ম্যানুয়াল পরিমাপের সাথে তুলনা করা হয়) এবং দৃশ্যমান মূল্যায়নের মাধ্যমে সংকেত থেকে সহজেই উপলব্ধ নয় এমন তথ্য বের করা। অনেক ক্ষেত্রে, ইসিজি অ্যাম্বুলেটরি বা কঠোর অবস্থার সময় রেকর্ড করা হয় যাতে বিভিন্ন ধরণের শব্দ দ্বারা সংকেত নষ্ট হয়, কখনও কখনও শরীরের অন্য শারীরবৃত্তীয় প্রক্রিয়া থেকে উদ্ভূত হয়। সুতরাং, ইসিজি সংকেত প্রক্রিয়াকরণের আরেকটি গুরুত্বপূর্ণ লক্ষ্য হ ল গোলমাল হ্রাস; প্রকৃতপক্ষে, আগ্রহের তরঙ্গ আকৃতিগুলি কখনও কখনও এত বেশি পরিমাণে গোলমাল দ্বারা আচ্ছাদিত হয় যে তাদের উপস্থিতি কেবল তখনই প্রকাশ করা যায় যখন উপযুক্ত সংকেত প্রক্রিয়াকরণটি প্রথমে প্রয়োগ করা হয়। ইলেক্ট্রোকার্ডিওগ্রাফিক সংকেতগুলি দীর্ঘ সময়ের (অর্থাৎ, বেশ কয়েক দিন) রেকর্ড করা যেতে পারে যাতে হৃদরোগের ছন্দের বিরতিতে বিরতিতে ঘটে যাওয়া ব্যাধিগুলি সনাক্ত করা যায়। ফলস্বরূপ, ইসিজি রেকর্ডিংয়ের ফলে প্রচুর পরিমাণে তথ্য পাওয়া যায় যা দ্রুত উপলব্ধ স্টোরেজ স্পেস পূরণ করে। পাবলিক টেলিফোন নেটওয়ার্কগুলির মাধ্যমে সংকেত প্রেরণ করা আরেকটি অ্যাপ্লিকেশন যা প্রচুর পরিমাণে ডেটা জড়িত। উভয় পরিস্থিতিতে, ডেটা কম্প্রেশন একটি অপরিহার্য অপারেশন এবং, ফলস্বরূপ, ইসিজি সংকেত প্রক্রিয়াকরণের আরেকটি লক্ষ্য প্রতিনিধিত্ব করে। ইসিজি এবং এর গতিশীল বৈশিষ্ট্যগুলির নতুন বোঝার ক্ষেত্রে সিগন্যাল প্রসেসিং উল্লেখযোগ্যভাবে অবদান রেখেছে যেমনটি ছন্দ এবং বীট মর্ফোলজিতে পরিবর্তনের মাধ্যমে প্রকাশিত হয়। উদাহরণস্বরূপ, এমন কৌশলগুলি তৈরি করা হয়েছে যা কার্ডিওভাসকুলার সিস্টেমের সাথে সম্পর্কিত দোলনকে চিহ্নিত করে এবং হৃদস্পন্দনের সূক্ষ্ম বৈচিত্রের দ্বারা প্রতিফলিত হয়। টি-ওয়েভের প্রশস্ততার নিম্ন স্তরের, বিকল্প পরিবর্তনগুলি সনাক্ত করা অসিলেটরি আচরণের আরেকটি উদাহরণ যা হঠাৎ, জীবন-হুমকির ঝুঁকি বাড়ানোর সূচক হিসাবে প্রতিষ্ঠিত হয়েছে। এই দুটি দোলন সংকেত বৈশিষ্ট্যগুলির কোনটিই একটি স্ট্যান্ডার্ড ইসিজি প্রিন্টআউট থেকে খালি চোখে উপলব্ধি করা যায় না। ইসিজি বিশ্লেষণের সব ধরনের জন্য সাধারণ - এটি বিশ্রাম ইসিজি ব্যাখ্যা, স্ট্রেস টেস্টিং, অ্যাম্বুলেটরি পর্যবেক্ষণ, বা নিবিড় পরিচর্যা পর্যবেক্ষণের সাথে সম্পর্কিত - অ্যালগরিদমের একটি মৌলিক সেট যা বিভিন্ন ধরণের শব্দ এবং আর্টিফ্যাক্টের সাথে সংকেতকে শর্ত করে, হার্টবিট সনাক্ত করে, তরঙ্গের প্রশস্ততা এবং সময়কালের মৌলিক ইসিজি পরিমাপগুলি বের করে এবং দক্ষ স্টোরেজ বা সংক্রমণের জন্য ডেটা সংকুচিত করে; চিত্রের ব্লক ডায়াগ্রাম। 1 সংকেত প্রক্রিয়াকরণ অ্যালগরিদম এই সেট উপস্থাপন করে। যদিও এই অ্যালগরিদমগুলি প্রায়শই ক্রমিক ক্রমে কাজ করার জন্য প্রয়োগ করা হয়, তবে কিউআরএস ডিটেক্টর দ্বারা উত্পাদিত হার্টবিটের ঘটনার সময় সম্পর্কিত তথ্য কখনও কখনও পারফরম্যান্স উন্নত করতে অন্যান্য অ্যালগরিদমগুলিতে অন্তর্ভুক্ত করা হয়। প্রতিটি অ্যালগরিদমের জটিলতা অ্যাপ্লিকেশন থেকে অ্যাপ্লিকেশন পর্যন্ত পরিবর্তিত হয়, উদাহরণস্বরূপ, অ্যাম্বুলেটরি পর্যবেক্ষণে সঞ্চালিত গোলমাল ফিল্টারিং বিশ্রামের ইসিজি বিশ্লেষণের চেয়ে অনেক বেশি পরিশীলিত। একবার অ্যালগরিদমের মৌলিক সেট দ্বারা উত্পাদিত তথ্য পাওয়া গেলে, ইসিজি অ্যাপ্লিকেশনগুলির একটি বিস্তৃত পরিসর বিদ্যমান যেখানে হৃদরোগের গতি এবং বীট মর্ফোলজি বৈশিষ্ট্যগুলি পরিমাপ করার জন্য সংকেত প্রক্রিয়াকরণ ব্যবহার করা আগ্রহী। এই ধরনের দুটি অ্যাপ্লিকেশনের সাথে যুক্ত সংকেত প্রক্রিয়াকরণ-উচ্চ-রেজোলিউশন ইসিজি এবং টি ওয়েভ অল্টারনেন্ট-এই নিবন্ধের শেষে সংক্ষিপ্তভাবে বর্ণনা করা হয়েছে। আগ্রহী পাঠককে উল্লেখ করা হয়েছে, উদাহরণস্বরূপ, রেফ. 1, যেখানে অন্যান্য ইসিজি অ্যাপ্লিকেশনগুলির বিস্তারিত বিবরণ পাওয়া যাবে। |
b681da8d4be586f6ed6658038c81cdcde1d54406 | এই চিঠিতে একটি নতুন ডুয়াল-ব্যান্ড এবং পোলারাইজেশন-নমনীয় সাবস্ট্রেট ইন্টিগ্রেটেড ওয়েভগাইড (এসআইডাব্লু) গহ্বর অ্যান্টেনার প্রস্তাব দেওয়া হয়েছে। অ্যান্টেনার জন্য ব্যবহৃত এসআইডব্লিউ গহ্বরটি তার প্রথম রেজোনেন্সের জন্য একটি প্রচলিত টিই 120 মোড দ্বারা উত্তেজিত হয়। স্লটের হস্তক্ষেপের সাথে, একটি সংশোধিত-টিই 120 মোড দ্বারা উত্তেজিত একটি দ্বিতীয় অনুরণনও তৈরি হয়, যার ফলে দুটি অনুরণন ফ্রিকোয়েন্সিতে একটি ব্রডসাইড বিকিরণ প্যাটার্ন সরবরাহ করা হয়। এছাড়া প্রস্তাবিত অ্যান্টেনার দুটি অক্ষরেখাযুক্ত ফিডিং লাইন রয়েছে। অতএব, যে কোন ছয়টি প্রধান পোলারাইজেশন রাষ্ট্র প্রদান করা সম্ভব। এই চিঠিতে, তিনটি প্রধান পোলারাইজেশন কেস সিমুলেট করা হয়েছে এবং পরিমাপকৃত ফলাফলের সাথে তুলনা করা হয়েছে। যেহেতু আধুনিক যোগাযোগ ব্যবস্থার জন্য বহু-কার্যকরী অ্যান্টেনার প্রয়োজন, তাই প্রস্তাবিত অ্যান্টেনা ধারণাটি একটি আশাব্যঞ্জক প্রার্থী। |
cf18287e79b1fd73cd333fc914bb24c00a537f4c | জটিল দক্ষতার বিস্তৃত রেপার্টরি স্বয়ংক্রিয়ভাবে শিখতে হলে রোবটকে অবশ্যই মানুষের তত্ত্বাবধান ছাড়াই স্বয়ংক্রিয়ভাবে সংগৃহীত তথ্য থেকে শিখতে হবে। একটি শেখার সংকেত যা সর্বদা স্বয়ংক্রিয়ভাবে সংগৃহীত ডেটার জন্য উপলব্ধ তা হ ল পূর্বাভাস। যদি রোবট ভবিষ্যৎ সম্পর্কে ভবিষ্যদ্বাণী করতে পারে, তাহলে সে এই ভবিষ্যদ্বাণীমূলক মডেল ব্যবহার করে পছন্দসই ফলাফল অর্জনের জন্য পদক্ষেপ নিতে পারে, যেমন একটি বস্তুকে নির্দিষ্ট স্থানে স্থানান্তর করা। তবে, জটিল ওপেন-ওয়ার্ল্ডের পরিস্থিতিতে, ভবিষ্যদ্বাণীর জন্য একটি উপস্থাপনা ডিজাইন করা কঠিন। এই কাজের মাধ্যমে, আমরা সরাসরি ভিডিও পূর্বাভাসের মাধ্যমে স্ব-পর্যবেক্ষণযুক্ত রোবট শেখার লক্ষ্য রাখি: একটি ভাল উপস্থাপনা ডিজাইন করার চেষ্টা করার পরিবর্তে, আমরা সরাসরি ভবিষ্যদ্বাণী করি যে রোবট পরবর্তী কি দেখতে পাবে, এবং তারপর এই মডেলটি ব্যবহার করে কাঙ্ক্ষিত লক্ষ্য অর্জন করতে। রোবোটিক ম্যানিপুলেশনের জন্য ভিডিও পূর্বাভাসের একটি মূল চ্যালেঞ্জ হ ল জটিল স্থানিক ব্যবস্থা যেমন আচ্ছাদন পরিচালনা করা। এই লক্ষ্যে, আমরা একটি ভিডিও পূর্বাভাস মডেল চালু করছি যা সাময়িক স্লিপ সংযোগগুলি অন্তর্ভুক্ত করে আচ্ছাদনের মাধ্যমে বস্তুর ট্র্যাক রাখতে পারে। একটি নতুন পরিকল্পনা মানদণ্ড এবং কর্মক্ষেত্রের সূত্রের সাথে আমরা দেখি যে এই মডেলটি ভিডিও পূর্বাভাস-ভিত্তিক নিয়ন্ত্রণের পূর্ববর্তী কাজের তুলনায় উল্লেখযোগ্যভাবে ভাল। আমাদের ফলাফলগুলো দেখায় যে প্রশিক্ষণের সময় দেখা যায় না এমন বস্তুর সাথে ম্যানিপুলেশন করা, একাধিক বস্তুর সাথে হাত মিলানো, এবং বাধা অতিক্রম করার জন্য বস্তুর ধাক্কা দেওয়া। এই ফলাফলগুলি এমন দক্ষতার পরিসর এবং জটিলতার ক্ষেত্রে একটি উল্লেখযোগ্য অগ্রগতি উপস্থাপন করে যা স্ব-পরিদর্শিত রোবট লার্নিংয়ের মাধ্যমে সম্পূর্ণরূপে সম্পাদন করা যেতে পারে। |
89701a3b04c3f102ebec83db3249b20791eacb38 | প্রসঙ্গ সচেতনতা প্রসঙ্গ সচেতন পরিষেবাগুলি সক্ষম করার জন্য একটি মূল বৈশিষ্ট্য। মোবাইল ডিভাইসের ক্ষেত্রে, ব্যবহারকারীর অবস্থান বা ট্র্যাজেক্টরি একটি গুরুত্বপূর্ণ বিষয়। মোবাইল ডিভাইস দ্বারা অবস্থান বা ট্র্যাজেক্টরি সনাক্ত করার জন্য একটি সাধারণ চ্যালেঞ্জ হ ল নির্ভুলতা এবং বিদ্যুতের ব্যবহারের মধ্যে বাণিজ্য পরিচালনা করা। সাধারণ পদ্ধতি হল (1) সেন্সর ব্যবহারের ফ্রিকোয়েন্সি নিয়ন্ত্রণ করা এবং (2) সেন্সর ফিউশন কৌশল। এই কাগজে প্রস্তাবিত অ্যালগরিদমটি সেল টাওয়ার থেকে বারবার পরিমাপ করা রুক্ষ এবং ভুল অবস্থান ডেটা একত্রিত করে নির্ভুলতা উন্নত করার জন্য একটি ভিন্ন পদ্ধতি গ্রহণ করে। পরীক্ষার ফলাফল থেকে জানা যায় যে, ৪১ দিনের পরিমাপের তথ্য একত্রিত করে সনাক্ত করা ট্র্যাজেক্টরি এবং স্থল সত্যের মধ্যে গড় ত্রুটি দূরত্ব ৪৪ মিটার থেকে ১০.৯ মিটারে উন্নীত করা হয়েছে। |
a85ad1a2ee829c315be6ded0eee8a1dadc21a666 | স্বয়ংক্রিয় এবং সহায়ক ড্রাইভিং নিঃসন্দেহে কম্পিউটার দৃষ্টিতে গরম বিষয়। তবে গাড়ি চালানো অত্যন্ত জটিল কাজ এবং চালকদের আচরণ সম্পর্কে গভীর ধারণা এখনও নেই। বেশ কিছু গবেষক এখন মনোযোগের প্রক্রিয়াটি তদন্ত করছেন যাতে দৃশ্যের মধ্যে উল্লেখযোগ্য এবং আকর্ষণীয় বস্তু সনাক্ত করার জন্য কম্পিউটেশনাল মডেলগুলি সংজ্ঞায়িত করা যায়। যাইহোক, এই মডেলগুলির বেশিরভাগই কেবল নীচে থেকে দৃশ্যমানতাকে বোঝায় এবং স্থির চিত্রগুলিতে ফোকাস করা হয়। পরিবর্তে, ড্রাইভিং অভিজ্ঞতার সময়, কাজের সময়কাল এবং স্বতন্ত্রতা মনোযোগের প্রক্রিয়াগুলিকে প্রভাবিত করে, যার ফলে এই সিদ্ধান্তে আসে যে বাস্তব জীবনের ড্রাইভিং ডেটা বাধ্যতামূলক। এই গবেষণাপত্রে আমরা একটি নতুন এবং সর্বজনীনভাবে উপলব্ধ ডেটা সেট প্রস্তাব করছি যা প্রকৃত ড্রাইভিংয়ের সময় অর্জিত হয়। আমাদের ডেটাসেট, যা ৫০০,০০০ এরও বেশি ফ্রেম দ্বারা গঠিত, এতে ড্রাইভারদের দৃষ্টিভঙ্গি এবং তাদের টাইমোরাল ইন্টিগ্রেশন রয়েছে যা নির্দিষ্ট কাজ-নির্দিষ্ট ম্যাপ প্রদান করে। জিও-রেফারেন্সড অবস্থান, ড্রাইভিং গতি এবং কোর্স প্রকাশিত ডেটা সেটটি সম্পূর্ণ করে। আমাদের জানা মতে, এই ধরনের প্রথম সর্বজনীনভাবে উপলব্ধ ডেটা সেট এবং এটি ভবিষ্যতের প্রজন্মের স্বয়ংক্রিয় এবং সহায়ক গাড়িগুলিতে ড্রাইভারের মনোযোগ প্রক্রিয়াটি আরও ভালভাবে বোঝার, ব্যবহার এবং পুনরুত্পাদন করার বিষয়ে নতুন আলোচনাকে উৎসাহিত করতে পারে। |
a0ff514a8a64ba5a7cd7430ca04245fd037d040c | এই নথিটি ২০১২ এবং ২০১৩ সালের প্রাক-আইসিআইএস ইভেন্টগুলির একাডেমিক এবং শিল্প আলোচনার উপর ভিত্তি করে তৈরি করা হয়েছেঃ বিআই কংগ্রেস তৃতীয় এবং সিদ্ধান্ত সহায়তা সিস্টেম (এসআইজিডিএসএস) এর বিশেষ আগ্রহ গোষ্ঠীর কর্মশালা। সিদ্ধান্ত গ্রহণ এবং উদ্ভাবনের জন্য নতুন অন্তর্দৃষ্টি প্রদানের জন্য বিগ ডেটা -র সম্ভাব্যতাকে স্বীকৃতি দিয়ে, দুটি অনুষ্ঠানের প্যানেলের সদস্যরা আলোচনা করেছেন যে সংস্থাগুলি কীভাবে প্রতিযোগিতামূলক সুবিধা অর্জনের জন্য বড় ডেটা ব্যবহার এবং পরিচালনা করতে পারে। এছাড়া বিশেষজ্ঞ প্যানেল সদস্যরা গবেষণার ফাঁক চিহ্নিত করতে সাহায্য করেছেন। একাডেমিক সম্প্রদায়ের নতুন গবেষণা বড় ডেটা অর্জনের, বিশ্লেষণ এবং ব্যবহারের কিছু সমস্যা চিহ্নিত করে, তবে অনুশীলনকারী সম্প্রদায়ের অনেক নতুন উন্নয়ন ঘটছে। আমরা একাডেমিক এবং প্র্যাকটিশনার গবেষণার মধ্যে একটি বড় ডেটা বিশ্লেষণ কাঠামো উপস্থাপন করে একটি ফাঁক পূরণ করি যা সংস্থায় বড় ডেটা বিশ্লেষণের জন্য প্রয়োজনীয় উপাদানগুলির একটি প্রক্রিয়া দৃশ্যকে চিত্রিত করে। একাডেমিক ও প্র্যাকটিস উভয় ক্ষেত্রেই প্র্যাকটিসনারদের সাক্ষাৎকার এবং সাহিত্যের সাহায্যে আমরা এই কাঠামোর দ্বারা পরিচালিত বড় ডেটা গবেষণার বর্তমান অবস্থা চিহ্নিত করি এবং ভবিষ্যতে গবেষণার সম্ভাব্য ক্ষেত্রগুলি প্রস্তাব করি যাতে একাডেমিক গবেষণার প্র্যাকটিসকে প্রাসঙ্গিকতা বাড়িয়ে তোলা যায়। |
34d03cfb02806e668f9748ee60ced1b269d1db6c | |
0607acbb450d2afef7f2aa5b53bb05966bd065ed | যদিও ডিপ নিউরাল নেটওয়ার্ক (ডিএনএন) বড় আকারের শব্দভান্ডার ক্রমাগত বক্তৃতা স্বীকৃতি (এলভিসিএসআর) এর জন্য বিপুল সাফল্য অর্জন করেছে, এই নেটওয়ার্কগুলির প্রশিক্ষণ ধীর। এর একটি কারণ হচ্ছে ডিএনএনগুলিকে প্রশিক্ষণ প্যারামিটারগুলির একটি বড় সংখ্যক (অর্থাৎ, ১০-৫০ মিলিয়ন) দিয়ে প্রশিক্ষণ দেওয়া হয়। যেহেতু নেটওয়ার্কগুলিকে ভালো পারফরম্যান্স অর্জনের জন্য প্রচুর সংখ্যক আউটপুট টার্গেটের সাথে প্রশিক্ষণ দেওয়া হয়, তাই এই প্যারামিটারগুলির বেশিরভাগই চূড়ান্ত ওজন স্তরে রয়েছে। এই গবেষণায়, আমরা চূড়ান্ত ওজন স্তরের একটি নিম্ন-র্যাঙ্ক ম্যাট্রিক্স ফ্যাক্টরাইজেশন প্রস্তাব করছি। আমরা এই নিম্ন-র্যাঙ্ক কৌশলটি ডিএনএন-এর জন্য ব্যবহার করি, শব্দ মডেলিং এবং ভাষা মডেলিং উভয়ের জন্য। আমরা দেখিয়েছি যে 50-400 ঘন্টার মধ্যে তিনটি ভিন্ন LVCSR কাজ, একটি নিম্ন-র্যাঙ্ক ফ্যাক্টরাইজেশন নেটওয়ার্কের প্যারামিটার সংখ্যা 30-50% হ্রাস করে। এর ফলে প্রশিক্ষণের সময় কমবে, তবে শেষ স্বীকৃতির সঠিকতা কমবে। |
56c16d9e2a5270ba6b1d83271e2c10916591968d | |
56c2fb2438f32529aec604e6fc3b06a595ddbfcc | সম্প্রতি, সামনের মুখের চিত্র থেকে লিঙ্গ শ্রেণিবদ্ধকরণের জন্য বেশ কয়েকটি মেশিন লার্নিং পদ্ধতি প্রস্তাব করা হয়েছে। তাদের বৈচিত্র্য থেকে বোঝা যায় যে এই সমস্যার কোনো একক বা সাধারণ সমাধান নেই। পদ্ধতির বৈচিত্র্য ছাড়াও, তাদের মূল্যায়ন করার জন্য ব্যবহৃত বিভিন্ন মানদণ্ড রয়েছে। এই বিষয়টি আমাদের কাজের অনুপ্রেরণা জোগায়: স্বয়ংক্রিয়ভাবে লিঙ্গ সনাক্তকরণে ব্যবহৃত প্রধান অত্যাধুনিক পদ্ধতিগুলোকে সংক্ষিপ্ত কিন্তু নির্ভরযোগ্যভাবে নির্বাচন ও তুলনা করা। প্রত্যাশিত হিসাবে, কোন সামগ্রিক বিজয়ী নেই। শ্রেণীবিভাগের সঠিকতার উপর ভিত্তি করে বিজয়ী, ব্যবহৃত রেফারেন্সের ধরন উপর নির্ভর করে। |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.