_id
stringlengths 40
40
| text
stringlengths 0
9.47k
|
|---|---|
d31798506874705f900e72203515abfaa9278409 | নিবন্ধের ইতিহাসঃ ২৬ আগস্ট ২০০৭ তারিখে প্রাপ্ত সংশোধিত আকারে ৭ মে ২০০৮ তারিখে প্রাপ্ত ১৩ মে ২০০৮ তারিখে গৃহীত |
6d96f946aaabc734af7fe3fc4454cf8547fcd5ed | |
1c26786513a0844c3a547118167452bed17abf5d | অনুবাদ সমস্যা সম্পর্কে সংক্ষিপ্ত ভূমিকা প্রদানের পর আরবি থেকে ইংরেজি অনুবাদে নির্দিষ্ট কিছু বিষয় তুলে ধরা হয়েছে। সমস্যাটির একটি কম্পিউটেশনাল সমাধান হিসেবে তিনটি পর্যায়ের অ্যালগরিদমের কথা বলা হয়েছে। এই অ্যালগরিদমটি একটি লুকানো মার্কভ মডেল পদ্ধতির উপর ভিত্তি করে তৈরি করা হয়েছে, তবে এটি অনলাইন ডাটাবেসে উপলব্ধ তথ্যেরও সুবিধা গ্রহণ করে। তারপর অ্যালগরিদমের মূল্যায়ন করা হয় এবং ৮০% এর কাছাকাছি নির্ভুলতা অর্জন করা হয়। |
dbc82e5b8b17faec972e1d09c34ec9f9cd1a33ea | সাধারণ জ্ঞান নিয়ে আমাদের গবেষণায় আমরা দেখেছি যে বিশেষভাবে গুরুত্বপূর্ণ জ্ঞান হলো মানুষের লক্ষ্য সম্পর্কে জ্ঞান। বিশেষ করে যখন ইন্টারফেস এজেন্টের জন্য কমন্সসেন্স যুক্তি প্রয়োগ করা হয়, তখন আমাদের ব্যবহারকারীর কর্ম থেকে লক্ষ্যগুলি (পরিকল্পনা স্বীকৃতি) চিনতে হবে এবং লক্ষ্যগুলি বাস্তবায়নের জন্য ক্রমগুলি তৈরি করতে হবে (পরিকল্পনা) । আমাদের প্রায়শই এমন পরিস্থিতির বিষয়েও উত্তর দিতে হয় যেখানে লক্ষ্যগুলি ঘটে, যেমন কোন নির্দিষ্ট লক্ষ্য কখন এবং কোথায় সম্ভব, বা এটি অর্জনে কত সময় লাগবে। সাধারণ জ্ঞান জ্ঞান অর্জনের পূর্ববর্তী কাজগুলিতে, ব্যবহারকারীদের সরাসরি এই জাতীয় তথ্যের জন্য জিজ্ঞাসা করা হয়েছে। সম্প্রতি, অন্য একটি পদ্ধতির উদ্ভব হয়েছে - ব্যবহারকারীদের গেম খেলতে প্রলুব্ধ করা যেখানে জ্ঞান সরবরাহ করা গেমটিতে ভাল স্কোর করার উপায়, এইভাবে খেলোয়াড়দের অনুপ্রাণিত করা। এই পদ্ধতির অগ্রণী ছিলেন লুইস ভন অ্যান এবং তার সহকর্মীরা, যারা এটিকে হিউম্যান কম্পিউটিং বলে উল্লেখ করেন। কমন কনসেন্সাস একটি মজার, স্ব-নির্ভরশীল ওয়েব-ভিত্তিক খেলা, যা দৈনন্দিন লক্ষ্য সম্পর্কে সাধারণ জ্ঞান সংগ্রহ এবং বৈধতা দেয়। এটি টিভি গেম শো ফ্যামিলি ফিউড 1 এর কাঠামোর উপর ভিত্তি করে। একটি ছোট ব্যবহারকারী গবেষণা দেখায় যে ব্যবহারকারীরা গেমটি মজা পায়, জ্ঞানের গুণমান খুব ভাল এবং জ্ঞানের সংগ্রহের হার দ্রুত। এসিএম শ্রেণীবিভাগঃ এইচ.৩.৩ [তথ্য সংরক্ষণ এবং পুনরুদ্ধার]: তথ্য অনুসন্ধান এবং পুনরুদ্ধার; আই.২.৬ [কৃত্রিম বুদ্ধিমত্তা]: শেখা |
f8b1534b26c1a4a30d32aec408614ecff2412156 | |
4c479f8d18badb29ec6a2a49d6ca8e36d833fbe9 | পটভূমি ছোট আকারের সত্ত্বেও, কোক্সিক্সের বেশ কয়েকটি গুরুত্বপূর্ণ কাজ রয়েছে। একাধিক পেশী, লিগামেন্ট এবং টিউন্ডের জন্য সন্নিবেশের স্থান হওয়ার পাশাপাশি, এটি ট্রাইপডের একটি পা হিসাবেও কাজ করে-ইশিয়াল টিউবারোসিটিসের সাথে-যা বসা অবস্থানে একজন ব্যক্তির ওজন বহনকারী সমর্থন সরবরাহ করে। কক্সিডিনিয়া (ককসিক্সের অঞ্চলে ব্যথা) এর ঘটনাটি রিপোর্ট করা হয়নি, কিন্তু কক্সিডিনিয়া হওয়ার ঝুঁকি বৃদ্ধির সাথে যুক্ত কারণগুলির মধ্যে রয়েছে স্থূলতা এবং মহিলা লিঙ্গ। এই নিবন্ধে কোক্সিডিনিয়ার শারীরবৃত্তীয় গঠন, শারীরবৃত্তীয় গঠন এবং চিকিৎসার বিষয়ে বিস্তারিত আলোচনা করা হয়েছে। ফলাফল ৯০ শতাংশ ক্ষেত্রে রক্ষণশীল চিকিৎসা সফল হয় এবং অনেক ক্ষেত্রে চিকিৎসা ছাড়াই রোগের সমাধান হয়। অগ্নিরোধী রোগের চিকিৎসা পদ্ধতিতে পেলভিক ফ্লোর রিহ্যাবিলিটেশন, ম্যানুয়াল ম্যানিপুলেশন এবং ম্যাসেজ, ট্রান্সকুটেনাল ইলেকট্রিক নার্ভ স্টিমুলেশন, সাইকোথেরাপি, স্টেরয়েড ইনজেকশন, নার্ভ ব্লক, স্পাইনাল মর্ড স্টিমুলেশন এবং অস্ত্রোপচার অন্তর্ভুক্ত রয়েছে। উপসংহার ফিজিওথেরাপি, আর্গোনোমিক অ্যাডাপ্টেশন, ওষুধ, ইনজেকশন এবং সম্ভবত সাইকোথেরাপির ব্যবহারের মাধ্যমে একটি বহুমুখী পদ্ধতির মাধ্যমে রোগীদের মধ্যে রফ্র্যাক্টারি কোকাইস ব্যথা সাফল্যের সর্বোচ্চ সম্ভাবনা রয়েছে। যদিও নতুন নতুন অস্ত্রোপচার পদ্ধতি উদ্ভূত হচ্ছে, কিন্তু এর কার্যকারিতা সম্পর্কে নিশ্চিত হওয়ার আগে আরও গবেষণার প্রয়োজন। |
0989bbd8c15f9aac24e8832327df560dc8ec5324 | গবেষকরা তাদের তৈরির পদ্ধতি অনুসন্ধান করতে শুরু করার পর থেকে প্রায় ছয় দশক ধরে, এক্সোস্কেলেটগুলি বিজ্ঞান কল্পকাহিনীর উপাদান থেকে প্রায় বাণিজ্যিক পণ্যগুলিতে অগ্রগতি লাভ করেছে। যদিও এক্সোস্কেলেটরের বিকাশের সাথে যুক্ত অনেক চ্যালেঞ্জ রয়েছে যা এখনও নিখুঁত করা হয়নি, তবে এই ক্ষেত্রে অগ্রগতি বিশাল। এই গবেষণাপত্রে আমরা নিম্ন অঙ্গের এক্সোস্কেলেট এবং অ্যাক্টিভ অরথোসিসের ইতিহাস পর্যালোচনা করেছি এবং আলোচনা করেছি। আমরা বেশিরভাগ যন্ত্রের জন্য হার্ডওয়্যার, অ্যাকুয়েশন, সেন্সর এবং কন্ট্রোল সিস্টেমের একটি ডিজাইন ওভারভিউ প্রদান করি যা সাহিত্যে বর্ণিত হয়েছে এবং শেষ পর্যন্ত যে প্রধান অগ্রগতি হয়েছে এবং এখনও অতিক্রম করা হয়নি তার একটি আলোচনার সাথে শেষ হয়। |
4adffe0ebdda59d39e43d42a41e1b6f80164f07e | নন-নেগেটিভ ম্যাট্রিক্স ফ্যাক্টরাইজেশন (এনএমএফ) একটি অনিয়ন্ত্রিত শিক্ষণ পদ্ধতি যা চিত্র প্রক্রিয়াকরণ এবং নথির অর্থ বিশ্লেষণ সহ বিভিন্ন অ্যাপ্লিকেশনে কার্যকর। এই গবেষণাপত্রটি সিমট্রিক এনএমএফ (এসএনএমএফ) এর উপর দৃষ্টি নিবদ্ধ করে, যা এনএমএফ বিভাজনের একটি বিশেষ ঘটনা। এই সমস্যার জন্য তিনটি সমান্তরাল গুণিতক আপডেট অ্যালগরিদম সরাসরি স্তর 3 মৌলিক লিনিয়ার বীজগণিত উপপ্রোগ্রাম ব্যবহার করে তৈরি করা হয়েছে। প্রথমত, ইউক্লিডীয় দূরত্বকে সর্বনিম্ন করে, একটি গুণিতক আপডেট অ্যালগরিদম প্রস্তাব করা হয়, এবং হালকা অবস্থার অধীনে এর ঘনিষ্ঠতা প্রমাণিত হয়। এর উপর ভিত্তি করে আমরা আরও দুটি দ্রুত সমান্তরাল পদ্ধতির প্রস্তাব দিচ্ছি: α-SNMF এবং β-SNMF অ্যালগরিদম। এগুলো সবই বাস্তবায়ন করা সহজ। এই অ্যালগরিদমগুলি সম্ভাব্যতাবাদী ক্লাস্টারিংয়ের জন্য প্রয়োগ করা হয়। আমরা তাদের কার্যকারিতা দেখিয়েছি মুখের ছবির ক্লাস্টারিং, নথি শ্রেণীবিভাগ, এবং জিন এক্সপ্রেশনে প্যাটার্ন ক্লাস্টারিং এর জন্য। |
2a4423b10725e54ad72f4f1fcf77db5bc835f0a6 | পরিসংখ্যানগত যান্ত্রিকতা (একটি পরিমিত তাপমাত্রায় তাপীয় ভারসাম্যতে অনেক ডিগ্রি স্বাধীনতার সাথে সিস্টেমের আচরণ) এবং বহু-পরিবর্তক বা সংমিশ্রণমূলক অপ্টিমাইজেশনের (অনেক পরামিতির উপর নির্ভর করে প্রদত্ত ফাংশনের সর্বনিম্ন খুঁজে পাওয়া) মধ্যে একটি গভীর এবং দরকারী সংযোগ রয়েছে। কঠিন পদার্থের মধ্যে অ্যানিলিংয়ের সাথে একটি বিস্তারিত উপমা খুব বড় এবং জটিল সিস্টেমের বৈশিষ্ট্যগুলির অপ্টিমাইজেশনের জন্য একটি কাঠামো সরবরাহ করে। পরিসংখ্যানগত যান্ত্রিকতার সাথে এই সংযোগ নতুন তথ্য প্রকাশ করে এবং ঐতিহ্যগত অপ্টিমাইজেশান সমস্যা এবং পদ্ধতিগুলির একটি অপরিচিত দৃষ্টিকোণ সরবরাহ করে। |
dec997b20ebe2b867f68cc5c123d9cb9eafad6bb | গভীর নিউরাল নেটওয়ার্ক প্রশিক্ষণের জন্য সাধারণত প্রচুর পরিমাণে ডেটা প্রয়োজন এবং এটি অত্যন্ত কম্পিউটিং-নিবিড়। আমরা এখানে দেখাব যে ব্যয়বহুল গ্রেডিয়েন্ট অবতরণ পদ্ধতিটি এড়ানো এবং সরাসরি প্রশিক্ষণ ডেটার বৈশিষ্ট্য থেকে একটি নিউরাল নেটওয়ার্কের পরামিতিগুলি বের করা সম্ভব হতে পারে। আমরা দেখাই যে, ঘনিষ্ঠতা কাছাকাছি, ইনপুট কাছাকাছি স্তর জন্য গ্রেডিয়েন্ট বংশোদ্ভূত সমীকরণ লাইনারিজড করা যেতে পারে এবং প্রতিটি শ্রেণীর জন্য তথ্য covariance সম্পর্কিত গোলমাল সঙ্গে stochastic সমীকরণ হয়ে। আমরা এই সমীকরণগুলির সমাধানের বিতরণটি বের করি এবং এটি একটি তত্ত্বাবধানে প্রধান উপাদান বিশ্লেষণের সাথে সম্পর্কিত তা আবিষ্কার করি। আমরা এই ফলাফলগুলি এমএনআইএসটি, সিআইএফএআর 10 এবং সিআইএফএআর 100 চিত্রের ডেটাসেটে প্রয়োগ করি এবং দেখতে পাই যে, প্রকৃতপক্ষে, আমাদের ফলাফলগুলি ব্যবহার করে প্রাক-প্রশিক্ষিত স্তরগুলি একই আকারের এবং আর্কিটেকচারের স্নায়বিক নেটওয়ার্কগুলির সাথে তুলনীয় বা উন্নত হয় যা গ্রেডিয়েন্ট অবতরণ সহ প্রশিক্ষিত হয়। এছাড়াও, আমাদের প্রি-ট্রেনিং লেয়ারগুলি প্রায়শই প্রশিক্ষণ ডেটার একটি ভগ্নাংশ ব্যবহার করে গণনা করা যায়, কারণ কোভ্যারিয়েন্স ম্যাট্রিক্সের দ্রুত সংযোজন। সুতরাং, আমাদের ফলাফলগুলি ইঙ্গিত দেয় যে আমরা প্রশিক্ষণের সময়কে হ্রাস করতে পারি উভয়ই গ্রেডিয়েন্ট অবতরণের জন্য ব্যবহৃত ডেটার একটি ভগ্নাংশের প্রয়োজন হয় এবং প্রশিক্ষণের ব্যয়বহুল ব্যাকপ্রোপাগেশন ধাপে স্তরগুলিকে বাদ দিয়ে। উপরন্তু, এই ফলাফলগুলি গভীর নিউরাল নেটওয়ার্কগুলির অভ্যন্তরীণ কাজকে আংশিকভাবে ব্যাখ্যা করে এবং আমাদেরকে শ্রেণিবদ্ধকরণ সমস্যার কিছু পর্যায়ে গাণিতিকভাবে সর্বোত্তম সমাধান গণনা করতে দেয়, এইভাবে এই ধরনের সমস্যাগুলি দক্ষতার সাথে সমাধান করার আমাদের ক্ষমতা উল্লেখযোগ্যভাবে বাড়ায়। |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.