_id
stringlengths 40
40
| text
stringlengths 0
10.8k
|
|---|---|
d31798506874705f900e72203515abfaa9278409 | ലേഖന ചരിത്രം: 2007 ആഗസ്ത് 26 ന് ലഭിച്ചത് 2008 മെയ് 7 ന് പരിഷ്കരിച്ച രൂപത്തിൽ ലഭിച്ചത് 2008 മെയ് 13 ന് സ്വീകരിച്ചു |
6d96f946aaabc734af7fe3fc4454cf8547fcd5ed | |
1c26786513a0844c3a547118167452bed17abf5d | പരിഭാഷാ പ്രശ്നത്തിന് ഒരു സംക്ഷിപ്ത ആമുഖം നൽകുകയും അറബിയിൽ നിന്ന് ഇംഗ്ലീഷിലേക്ക് വിവർത്തനം ചെയ്യുന്നതിന് പ്രത്യേകമായി ചില പ്രശ്നങ്ങൾ ഉയർത്തിക്കാട്ടുകയും ചെയ്ത ശേഷം, പ്രശ്നത്തിന് ഒരു കമ്പ്യൂട്ടേഷണൽ പരിഹാരമായി മൂന്ന് ഘട്ട അൽഗോരിതം അവതരിപ്പിക്കുന്നു. മറഞ്ഞിരിക്കുന്ന മാർകോവ് മോഡൽ സമീപനത്തെ അടിസ്ഥാനമാക്കിയുള്ളതാണ് ഈ അൽഗോരിതം, എന്നാൽ ഓൺലൈൻ ഡാറ്റാബേസുകളിൽ ലഭ്യമായ വിവരങ്ങളും ഇത് പ്രയോജനപ്പെടുത്തുന്നു. അല് ഗോരിതം പിന്നീട് വിലയിരുത്തപ്പെടുകയും, 80% കൃത്യത കൈവരിക്കുകയും ചെയ്തു. |
dbc82e5b8b17faec972e1d09c34ec9f9cd1a33ea | സാധാരണബോധമുള്ള യുക്തികളെക്കുറിച്ചുള്ള നമ്മുടെ ഗവേഷണത്തില് , നാം കണ്ടെത്തിയിട്ടുള്ളത് ഒരു പ്രത്യേകതരം അറിവാണ് മനുഷ്യ ലക്ഷ്യങ്ങളെക്കുറിച്ചുള്ള അറിവ്. പ്രത്യേകിച്ചും കോമൺസെൻസ് യുക്തി ഇന്റർഫേസ് ഏജന്റുമാരെ ബാധകമാക്കുമ്പോൾ, ഉപയോക്തൃ പ്രവർത്തനങ്ങളിൽ നിന്ന് ലക്ഷ്യങ്ങൾ തിരിച്ചറിയുകയും ലക്ഷ്യങ്ങൾ നടപ്പിലാക്കുന്ന പ്രവർത്തനങ്ങളുടെ ശ്രേണികൾ സൃഷ്ടിക്കുകയും വേണം (ആസൂത്രണം). പലപ്പോഴും നാം പൊതുവായ ചോദ്യങ്ങള് ക്ക് ഉത്തരം നല് കേണ്ടതുണ്ട്. ലക്ഷ്യങ്ങള് ഉണ്ടാകുന്ന സാഹചര്യങ്ങളെ കുറിച്ചുള്ള ചോദ്യങ്ങള് . എപ്പോഴാണ്, എവിടെയാണ് ഒരു പ്രത്യേക ലക്ഷ്യം ഉണ്ടാകാന് സാധ്യതയുള്ളത്, അല്ലെങ്കിൽ അത് നേടാന് എത്ര സമയം എടുക്കും എന്നതുപോലുള്ളവ. കോമൺസെൻസ് അറിവ് നേടുന്നതിനെക്കുറിച്ചുള്ള മുൻകാല പ്രവർത്തനങ്ങളിൽ, അത്തരം വിവരങ്ങൾ ഉപയോക്താക്കളോട് നേരിട്ട് ആവശ്യപ്പെട്ടിട്ടുണ്ട്. എന്നിരുന്നാലും, അടുത്തിടെ മറ്റൊരു സമീപനം ഉയർന്നുവന്നു - ഗെയിമുകൾ കളിക്കാൻ ഉപയോക്താക്കളെ ആകർഷിക്കുക, അവിടെ അറിവ് നൽകുന്നത് ഗെയിമിൽ മികച്ച സ്കോർ നേടുന്നതിനുള്ള മാർഗമാണ്, അങ്ങനെ കളിക്കാരെ പ്രചോദിപ്പിക്കുന്നു. ഈ സമീപനം ലൂയിസ് വോൺ അഹനും കൂട്ടരും മുന്നോട്ടുവെച്ചതാണ്, അവർ അതിനെ ഹ്യൂമൻ കമ്പ്യൂട്ടിംഗ് എന്ന് വിളിക്കുന്നു. സാധാരണ ധാരണ എന്നത് രസകരവും സ്വയം നിലനിർത്തുന്നതുമായ വെബ് അധിഷ്ഠിത ഗെയിമാണ്, അത് ദൈനംദിന ലക്ഷ്യങ്ങളെക്കുറിച്ചുള്ള പൊതുബോധമുള്ള അറിവ് ശേഖരിക്കുകയും സാധൂകരിക്കുകയും ചെയ്യുന്നു. ഫാമിലി ഫ്യൂഡ്1 എന്ന ടിവി ഗെയിം ഷോയുടെ ഘടനയെ അടിസ്ഥാനമാക്കിയാണ് ഇത് നിർമ്മിച്ചിരിക്കുന്നത്. ഒരു ചെറിയ ഉപയോക്തൃ പഠനം കാണിക്കുന്നത് ഉപയോക്താക്കൾക്ക് ഗെയിം രസകരമാണെന്നും അറിവിന്റെ ഗുണനിലവാരം വളരെ നല്ലതാണെന്നും അറിവ് ശേഖരിക്കുന്നതിന്റെ വേഗത വേഗതയാണെന്നും. എസിഎം വർഗ്ഗീകരണം: എച്ച് 3.3 [വിവര സംഭരണവും വീണ്ടെടുക്കലും]: വിവര തിരയലും വീണ്ടെടുക്കലും; ഐ 2.6 [കൃത്രിമബുദ്ധി]: പഠനം |
f8b1534b26c1a4a30d32aec408614ecff2412156 | |
4c479f8d18badb29ec6a2a49d6ca8e36d833fbe9 | പശ്ചാത്തലം ചെറിയ വലിപ്പം ഉണ്ടെങ്കിലും കോക് സിക്സ് പല പ്രധാനപ്പെട്ട പ്രവർത്തനങ്ങളും ചെയ്യുന്നു. ഒന്നിലധികം പേശികൾ, ലിഗമെന്റുകൾ, ടെൻഡുകൾ എന്നിവയുടെ ഉൾപ്പെടുത്തൽ സൈറ്റായതിനൊപ്പം, ഇസ്കിയൽ ട്യൂബറോസിറ്റികളുമായി ട്രൈപോഡിന്റെ ഒരു കാലായി ഇത് പ്രവർത്തിക്കുന്നു- ഇത് ഇരിക്കുന്ന സ്ഥാനത്തുള്ള ഒരു വ്യക്തിക്ക് ഭാരം വഹിക്കുന്ന പിന്തുണ നൽകുന്നു. കോക്സിഡീനിയ (കോക്സിക്സ മേഖലയിലെ വേദന) എന്ന രോഗം റിപ്പോർട്ട് ചെയ്തിട്ടില്ല, പക്ഷേ കൊക്സിഡീനിയ വികസിപ്പിക്കുന്നതിനുള്ള അപകടസാധ്യത വർദ്ധിപ്പിക്കുന്ന ഘടകങ്ങളിൽ അമിതവണ്ണവും സ്ത്രീ ലിംഗവും ഉൾപ്പെടുന്നു. ഈ ലേഖനം കോക് സിഡീനിയയുടെ ഘടന, ശാരീരികനില, ചികിത്സ എന്നിവയെക്കുറിച്ച് ഒരു അവലോകനം നൽകുന്നു. ഫലങ്ങള് 90% കേസുകളിലും കൺസർവേറ്റീവ് ചികിത്സ വിജയകരമാണ്, കൂടാതെ പല കേസുകളും വൈദ്യചികിത്സയില്ലാതെ പരിഹരിക്കപ്പെടുന്നു. ശ്വാസകോശ രോഗം ബാധിച്ച രോഗികൾക്ക് ശസ്ത്രക്രിയാ ചികിത്സകൾ ഉൾപ്പെടുന്നു. ഫിസിയോളജിക്കൽ തെറാപ്പി, എർഗണോമിക് അഡാപ്റ്റേഷനുകൾ, മരുന്നുകൾ, കുത്തിവയ്പ്പുകൾ, ഒരുപക്ഷേ സൈക്കോതെറാപ്പി എന്നിവ ഉപയോഗിക്കുന്ന ഒരു മൾട്ടി ഡിസിപ്ലിനറി സമീപനം അഗ്നിശമന വേദനയുള്ള രോഗികളിൽ വിജയത്തിനുള്ള ഏറ്റവും വലിയ സാധ്യതയിലേക്ക് നയിക്കുന്നു. പുതിയ ശസ്ത്രക്രിയാ രീതികൾ ഉയർന്നുവരുന്നുണ്ടെങ്കിലും അവയുടെ ഫലപ്രാപ്തി തെളിയിക്കുന്നതിന് മുമ്പ് കൂടുതൽ ഗവേഷണം ആവശ്യമാണ്. |
0989bbd8c15f9aac24e8832327df560dc8ec5324 | ശാസ്ത്രജ്ഞർ അവയെ സൃഷ്ടിക്കുന്നതിനുള്ള രീതികൾ പര്യവേക്ഷണം ചെയ്യാൻ തുടങ്ങിയിട്ട് ഏകദേശം അറുപത് വർഷങ്ങൾക്കുള്ളിൽ, എക്സോസ്കെലെറ്റുകൾ ശാസ്ത്രകഥകളുടെ ഒരു വസ്തുവിൽ നിന്നും വാണിജ്യവത് കരിക്കപ്പെട്ട ഉൽപ്പന്നങ്ങളിലേക്ക് പുരോഗമിച്ചു. എക്സോസ്കെലെറ്റുകളുടെ വികസനവുമായി ബന്ധപ്പെട്ട് ഇനിയും നിരവധി വെല്ലുവിളികൾ ഉണ്ടെങ്കിലും അവ ഇനിയും തികച്ചും പൂർത്തിയായിട്ടില്ല, ഈ മേഖലയിലെ പുരോഗതി വളരെ വലുതാണ്. ഈ ലേഖനത്തിൽ, നാം ചരിത്രം അവലോകനം ചെയ്ത് താഴ്ന്ന കാലുകളുടെ എക്സോസ്കെലെറ്റുകളുടെയും സജീവ ഓർത്തോസുകളുടെയും ഏറ്റവും പുതിയ അവസ്ഥയെക്കുറിച്ച് ചർച്ച ചെയ്യുന്നു. സാഹിത്യത്തിൽ വിവരിച്ച മിക്ക ഉപകരണങ്ങളുടെയും ഹാർഡ്വെയർ, ആക്റ്റുവേഷൻ, സെൻസറി, കൺട്രോൾ സിസ്റ്റങ്ങളുടെ ഡിസൈൻ അവലോകനം ഞങ്ങൾ നൽകുന്നു, കൂടാതെ ഇതുവരെ ഉണ്ടാക്കിയ പ്രധാന പുരോഗതികളുടെയും ഇനിയും മറികടക്കേണ്ട തടസ്സങ്ങളുടെയും ചർച്ചയോടെ അവസാനിക്കുന്നു. |
4adffe0ebdda59d39e43d42a41e1b6f80164f07e | നോൺ-നെഗറ്റീവ് മാട്രിക്സ് ഫാക്ടറൈസേഷൻ (എൻഎംഎഫ്) എന്നത് ഇമേജ് പ്രോസസ്സിംഗ്, പ്രമാണങ്ങളുടെ സെമാന്റിക് വിശകലനം എന്നിവയുൾപ്പെടെ വിവിധ ആപ്ലിക്കേഷനുകളിൽ ഉപയോഗപ്രദമായ ഒരു മേൽനോട്ടമില്ലാത്ത പഠന രീതിയാണ്. ഈ പ്രബന്ധം സമാനതയുള്ള എൻഎംഎഫിൽ (എസ്എൻഎംഎഫ്) ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു, ഇത് എൻഎംഎഫ് വിഘടിപ്പിക്കുന്നതിന്റെ ഒരു പ്രത്യേക കേസാണ്. ഈ പ്രശ്നത്തിനായി നേരിട്ട് ലെവൽ 3 അടിസ്ഥാന ലീനിയർ ആൽജെബ്രാ സബ് പ്രോഗ്രാമുകൾ ഉപയോഗിക്കുന്ന മൂന്ന് സമാന്തര ഗുണിത അപ്ഡേറ്റ് അൽഗോരിതം വികസിപ്പിച്ചെടുത്തിട്ടുണ്ട്. ആദ്യം, യൂക്ലിഡിന്റെ ദൂരം കുറച്ചുകൊണ്ട്, ഒരു ഗുണിത അപ്ഡേറ്റ് അൽഗോരിതം നിർദ്ദേശിക്കപ്പെടുന്നു, കൂടാതെ മിതമായ സാഹചര്യങ്ങളിൽ അതിന്റെ ഒത്തുചേരൽ തെളിയിക്കപ്പെടുന്നു. ഇതിന്റെ അടിസ്ഥാനത്തില് , ഞങ്ങള് മറ്റൊരു രണ്ടു വേഗതയേറിയ സമാന്തര രീതികള് നിര് ദ്ദേശിക്കുന്നു: α-SNMF, β-SNMF അല് ഗോരിതംസ്. അവയെല്ലാം നടപ്പിലാക്കാന് എളുപ്പമാണ്. ഈ അല് ഗോരിതംസ് പ്രോബബിലിസ്റ്റിക് ക്ലസ്റ്ററിംഗിന് പ്രയോഗിക്കുന്നു. മുഖചിത്ര ക്ലസ്റ്ററിംഗിനും, ഡോക്യുമെന്റ് വർഗ്ഗീകരണത്തിനും, ജീൻ എക്സ്പ്രഷനിലെ പാറ്റേൺ ക്ലസ്റ്ററിംഗിനും ഇവയുടെ ഫലപ്രാപ്തി ഞങ്ങൾ തെളിയിക്കുന്നു. |
2a4423b10725e54ad72f4f1fcf77db5bc835f0a6 | സ്റ്റാറ്റിസ്റ്റിക്കൽ മെക്കാനിക്സ് (ഒരു പരിമിതമായ താപനിലയിൽ താപ സമതുലിതാവസ്ഥയിൽ പല ഡിഗ്രി സ്വാതന്ത്ര്യമുള്ള സിസ്റ്റങ്ങളുടെ പെരുമാറ്റം) മൾട്ടി വേരിയേറ്റ് അല്ലെങ്കിൽ കോമ്പിനേറ്ററി ഒപ്റ്റിമൈസേഷൻ (പല പാരാമീറ്ററുകളെ ആശ്രയിച്ച് ഒരു ഫംഗ്ഷന്റെ ഏറ്റവും കുറഞ്ഞത് കണ്ടെത്തൽ) തമ്മിൽ ആഴത്തിലുള്ളതും ഉപയോഗപ്രദവുമായ ഒരു ബന്ധമുണ്ട്. ഖര വസ്തുക്കളിലെ അണുവിമുക്തമാക്കലിനുള്ള വിശദമായ ഒരു സാമ്യം വളരെ വലുതും സങ്കീർണ്ണവുമായ സംവിധാനങ്ങളുടെ ഗുണങ്ങളെ ഒപ്റ്റിമൈസ് ചെയ്യുന്നതിനുള്ള ഒരു ചട്ടക്കൂട് നൽകുന്നു. സ്റ്റാറ്റിസ്റ്റിക്കൽ മെക്കാനിക്സുമായി ഈ ബന്ധം പുതിയ വിവരങ്ങൾ വെളിപ്പെടുത്തുകയും പരമ്പരാഗത ഒപ്റ്റിമൈസേഷൻ പ്രശ്നങ്ങളെയും രീതികളെയും കുറിച്ച് അപരിചിതമായ ഒരു കാഴ്ചപ്പാട് നൽകുകയും ചെയ്യുന്നു. |
dec997b20ebe2b867f68cc5c123d9cb9eafad6bb | ആഴത്തിലുള്ള ന്യൂറൽ നെറ്റ്വർക്കുകൾ പരിശീലിപ്പിക്കുന്നതിന് പൊതുവെ വലിയ അളവിലുള്ള ഡാറ്റ ആവശ്യമാണ്, മാത്രമല്ല ഇത് വളരെ കംപ്യൂട്ടേഷൻ തീവ്രവുമാണ്. ചെലവേറിയ ഗ്രേഡിയന്റ് ഡെസന്റ് നടപടിക്രമം ഒഴിവാക്കാനും പരിശീലന ഡാറ്റയുടെ ഗുണങ്ങളിൽ നിന്ന് നേരിട്ട് ഒരു ന്യൂറൽ നെറ്റ്വർക്കിന്റെ പാരാമീറ്ററുകൾ ഉരുത്തിരിവാക്കാനും കഴിയുമെന്ന് ഞങ്ങൾ ഇവിടെ കാണിക്കുന്നു. നാം കാണിക്കുന്നത്, ഒത്തുചേരലിനു സമീപം, ഇൻപുട്ടിന് അടുത്തുള്ള പാളികൾക്കുള്ള ഗ്രേഡിയന്റ് ഡെസന്റ് സമവാക്യങ്ങൾ രേഖീയമാക്കാനും ഓരോ ക്ലാസ്സിനും ഡാറ്റയുടെ കോവറിയൻസുമായി ബന്ധപ്പെട്ട ശബ്ദമുള്ള സ്റ്റോക്കാസ്റ്റിക് സമവാക്യങ്ങളായി മാറാനും കഴിയും. ഈ സമവാക്യങ്ങളുടെ പരിഹാരങ്ങളുടെ വിതരണം ഞങ്ങൾ നിർണ്ണയിക്കുകയും അത് ഒരു സൂപ്പർവൈസുചെയ്ത പ്രധാന ഘടക വിശകലനവുമായി ബന്ധപ്പെട്ടതാണെന്ന് കണ്ടെത്തുകയും ചെയ്യുന്നു. ഇമേജ് ഡാറ്റാ സെറ്റുകളായ MNIST, CIFAR10, CIFAR100 എന്നിവയിൽ ഞങ്ങൾ ഈ ഫലങ്ങൾ നടപ്പിലാക്കുകയും ഞങ്ങളുടെ കണ്ടെത്തലുകൾ ഉപയോഗിച്ച് മുൻകൂട്ടി പരിശീലിപ്പിച്ച പാളികൾ ഗ്രേഡിയന്റ് ഇറക്കത്തോടെ പരിശീലിപ്പിച്ച അതേ വലുപ്പവും വാസ്തുവിദ്യയും ഉള്ള ന്യൂറൽ നെറ്റ്വർക്കുകളുമായി താരതമ്യപ്പെടുത്താവുന്നതോ മികച്ചതോ ആണെന്ന് കണ്ടെത്തുകയും ചെയ്യുന്നു. കൂടാതെ, നമ്മുടെ പ്രീ ട്രെയിൻ ചെയ്ത പാളികൾ പലപ്പോഴും പരിശീലന ഡാറ്റയുടെ ഒരു ഭാഗം ഉപയോഗിച്ച് കണക്കാക്കാം, കാരണം കോവറിയൻസ് മാട്രിക്സിന്റെ ദ്രുതഗതിയിലുള്ള ഒത്തുചേരൽ. അതിനാൽ, ഗ്രേഡിയന്റ് ഇറങ്ങുന്നതിന് ഉപയോഗിക്കുന്ന ഡാറ്റയുടെ ഒരു ഭാഗം മാത്രമേ ആവശ്യമുള്ളൂവെന്നും പരിശീലനത്തിന്റെ ചെലവേറിയ ബാക്ക്പ്രൊപഗേഷൻ ഘട്ടത്തിലെ പാളികൾ ഇല്ലാതാക്കുന്നതിലൂടെയും പരിശീലന സമയം കുറയ്ക്കാമെന്നും ഞങ്ങളുടെ കണ്ടെത്തലുകൾ സൂചിപ്പിക്കുന്നു. കൂടാതെ, ഈ കണ്ടെത്തലുകൾ ആഴത്തിലുള്ള ന്യൂറൽ നെറ്റ്വർക്കുകളുടെ ആന്തരിക പ്രവർത്തനങ്ങളെ ഭാഗികമായി വിശദീകരിക്കുന്നു, കൂടാതെ ചില ഘട്ടങ്ങളിലെ വർഗ്ഗീകരണ പ്രശ്നങ്ങളുടെ മികച്ച പരിഹാരങ്ങൾ ഗണിതപരമായി കണക്കാക്കാൻ ഞങ്ങളെ അനുവദിക്കുന്നു, അങ്ങനെ അത്തരം പ്രശ്നങ്ങൾ കാര്യക്ഷമമായി പരിഹരിക്കാനുള്ള ഞങ്ങളുടെ കഴിവ് ഗണ്യമായി വർദ്ധിപ്പിക്കുന്നു. |