_id
stringlengths 40
40
| text
stringlengths 0
9.47k
|
|---|---|
2b211f9553ec78ff17fa3ebe16c0a036ef33c54b | মার্কো এ রদ্রিগেজ এটি অ্যান্ড টি ইন্টারেক্টিভের গ্রাফ সিস্টেম আর্কিটেক্ট। তাকে মার্কো <at>markorodriguez.com এ পাওয়া যাবে। পিটার ন্যুবাউয়ার নিও টেকনোলজির প্রধান অপারেটিং অফিসার। তাকে পিটার.নিউবাউয়ার<at>নিওটেকনোলজি.কম এ পাওয়া যাবে। একটি গ্রাফ হল একটি ডাটা স্ট্রাকচার যা বিন্দু (অর্থাৎ, শীর্ষস্থান) এবং লাইন (অর্থাৎ, প্রান্ত) দ্বারা গঠিত। একটি গ্রাফের বিন্দু এবং রেখা জটিল বিন্যাসে সাজানো যায়। একটি গ্রাফের বস্তু এবং তাদের একে অপরের সাথে সম্পর্ককে নির্দেশ করার ক্ষমতা আশ্চর্যজনকভাবে অনেকগুলি জিনিসকে গ্রাফ হিসাবে মডেলিং করার অনুমতি দেয়। সফটওয়্যার প্যাকেজগুলিকে সংযুক্ত করে এমন নির্ভরতা থেকে শুরু করে কাঠের বিমগুলি যা একটি বাড়ির ফ্রেমিং সরবরাহ করে, প্রায় সবকিছুরই একটি সংশ্লিষ্ট গ্রাফিক উপস্থাপনা রয়েছে। যাইহোক, শুধুমাত্র গ্রাফ হিসাবে কিছু প্রতিনিধিত্ব করা সম্ভব কারণ এর গ্রাফ উপস্থাপনা দরকারী হবে না। যদি একজন মডেলার গ্রাফ সংরক্ষণ ও প্রক্রিয়া করার জন্য প্রচুর সরঞ্জাম এবং অ্যালগরিদম ব্যবহার করতে পারে, তাহলে এই ধরনের ম্যাপিং মূল্যবান। এই নিবন্ধটি কম্পিউটিংয়ের গ্রাফের জগতকে অনুসন্ধান করে এবং এমন পরিস্থিতি প্রকাশ করে যেখানে গ্রাফিকাল মডেলগুলি উপকারী। |
0c5e3186822a3d10d5377b741f36b6478d0a8667 | কৃত্রিম বুদ্ধিমত্তার একটি কেন্দ্রীয় সমস্যা হল আংশিকভাবে পর্যবেক্ষণযোগ্য পরিবেশে অনিশ্চয়তার অধীনে ভবিষ্যতের পুরস্কারকে সর্বাধিকতর করার পরিকল্পনা করা। এই গবেষণাপত্রে আমরা একটি নতুন অ্যালগরিদমের প্রস্তাব এবং প্রদর্শন করছি যা সরাসরি অ্যাকশন-পর্যবেক্ষণ জোড়ার ক্রম থেকে এই ধরনের পরিবেশের একটি মডেল সঠিকভাবে শিখতে পারে। আমরা তখন পর্যবেক্ষণ থেকে কর্মের মধ্যে লুপটি বন্ধ করি, শিখেছি মডেলের মধ্যে পরিকল্পনা করে এবং মূল পরিবেশে প্রায়-সর্বোত্তম একটি নীতি পুনরুদ্ধার করে। বিশেষ করে, আমরা একটি পূর্বাভাস রাষ্ট্র প্রতিনিধিত্ব (পিএসআর) এর পরামিতিগুলি শেখার জন্য একটি দক্ষ এবং পরিসংখ্যানগতভাবে সামঞ্জস্যপূর্ণ বর্ণালী অ্যালগরিদম উপস্থাপন করি। আমরা একটি উচ্চ মাত্রিক, দৃষ্টিভিত্তিক মোবাইল রোবট পরিকল্পনা কাজের একটি মডেল শিখতে এবং তারপর শিখেছি PSR মধ্যে আনুমানিক বিন্দু ভিত্তিক পরিকল্পনা সম্পাদন করে অ্যালগরিদম প্রদর্শন। আমাদের ফলাফল বিশ্লেষণ দেখায় যে অ্যালগরিদম একটি রাষ্ট্র স্থান শিখতে পারে যা দক্ষতার সাথে পরিবেশের মূল বৈশিষ্ট্যগুলি ক্যাপচার করে। এই উপস্থাপনা অল্প সংখ্যক পরামিতি সহ সঠিক পূর্বাভাস দেয় এবং সফল এবং দক্ষ পরিকল্পনা সক্ষম করে। |
16611312448f5897c7a84e2f590617f4fa3847c4 | লুকানো মার্কভ মডেল (এইচএমএম) হল ডিসক্রিট টাইম সিরিজ মডেলিংয়ের জন্য সবচেয়ে মৌলিক এবং বহুল ব্যবহৃত পরিসংখ্যানগত সরঞ্জামগুলির মধ্যে একটি। সাধারণত, এগুলি সমুদ্রের রচ হিউরিস্টিক ব্যবহার করে শিখতে হয় (যেমন বৌম-ওয়েলচ / ইএম অ্যালগরিদম), যা সাধারণ স্থানীয় সর্বোত্তম সমস্যাগুলির সাথে ভুগছে। যদিও সাধারণভাবে এই মডেলগুলি অন্তর্নিহিত বন্টন থেকে নমুনাগুলির সাথে শেখার জন্য কঠিন বলে পরিচিত, আমরা এইচএমএমগুলিকে একটি প্রাকৃতিক বিচ্ছেদ অবস্থার অধীনে শেখার জন্য প্রথম প্রমাণিত দক্ষ অ্যালগরিদম (নমুনা এবং গণনা জটিলতার দিক থেকে) সরবরাহ করি। এই শর্তটি মিশ্রণ বিতরণ শেখার জন্য বিবেচিত বিচ্ছেদ শর্তগুলির সাথে প্রায় অনুরূপ (যেখানে, অনুরূপভাবে, এই মডেলগুলি সাধারণভাবে শিখতে কঠিন) । উপরন্তু, আমাদের নমুনা সম্পূর্ণতা ফলাফল স্পষ্টভাবে পৃথক (বিভক্ত) পর্যবেক্ষণের সংখ্যা উপর নির্ভর করে না - তারা অন্তর্নিহিত HMM এর বর্ণালী বৈশিষ্ট্য মাধ্যমে এই সংখ্যা উপর নির্ভর করে। এই অ্যালগরিদমটি বিশেষভাবে অনেকগুলি পর্যবেক্ষণের সাথে সেটিংসে প্রযোজ্য করে তোলে, যেমন প্রাকৃতিক ভাষা প্রক্রিয়াকরণে যেখানে পর্যবেক্ষণের স্থানটি কখনও কখনও কোনও ভাষায় শব্দ হয়। অবশেষে, অ্যালগরিদমটি বিশেষভাবে সহজ, শুধুমাত্র একটি একক r মান বিভাজন এবং ম্যাট্রিক্স গুণের উপর নির্ভর করে। |
8ad6fda2d41dd823d2569797c8c7353dad31b371 | আমরা একটি এট্রিবিউট-ভিত্তিক এনক্রিপশন (এবিই) স্কিম তৈরি করি যা ব্যবহারকারীর ব্যক্তিগত কীকে বৈশিষ্ট্যগুলির উপর যে কোনও অ্যাক্সেস সূত্রের ক্ষেত্রে প্রকাশ করতে দেয়। পূর্ববর্তী ABE স্কিমগুলি কেবলমাত্র একঘেয়ে অ্যাক্সেস কাঠামো প্রকাশের মধ্যে সীমাবদ্ধ ছিল। আমরা আমাদের স্কিমের জন্য একটি নিরাপত্তা প্রমাণ প্রদান করি যা সিদ্ধান্তমূলক দ্বি-পরিসীম ডিফি-হেলম্যান (বিডিএইচ) অনুমানের উপর ভিত্তি করে। এছাড়া, আমাদের নতুন স্কিমের পারফরম্যান্সের তুলনা বিদ্যমান, কম এক্সপ্রেসভ স্কিমগুলির সাথে করা যায়। |
4f3dbfec5c67f0fb0602d9c803a391bc2f6ee4c7 | একটি ২০ গিগাহার্টজ ফেজ-লকড লুপ উপস্থাপন করা হয়েছে যার ৪.৯ পিএস/সাব পিপি/০.৬৫ পিএস/সাব আরএমএস/জিটার এবং ১০ মেগাহার্টজ অফসেটে -১১৩.৫ ডিবিসি/হিজ ফেজ গোলমাল রয়েছে। একটি অর্ধ-শ্রম নমুনা-ফিডফরওয়ার্ড লুপ ফিল্টার যা কেবল একটি স্যুইচ দিয়ে প্রতিরোধক প্রতিস্থাপন করে এবং একটি ইনভার্টার রেফারেন্স স্পারকে -44.0 ডিবিসি পর্যন্ত দমন করে। একটি নকশা পুনরাবৃত্তি পদ্ধতিটি বর্ণনা করা হয়েছে যা একটি সংযুক্ত মাইক্রোস্ট্রিপ রেজোনার সহ নেগেটিভ-জি / সাব এম / দোলকের ফেজ গোলমালকে হ্রাস করে। স্ট্যাটিক ফ্রিকোয়েন্সি ডিভাইডারগুলি ফ্লিপ-ফ্লপগুলির তুলনায় দ্রুত কাজ করে এবং প্রায় ২ঃ১ ফ্রিকোয়েন্সি পরিসীমা অর্জন করে। এই ফ্যাজ-লকড লুপটি 0.13-/spl mu/m CMOS-এ নির্মিত এবং 17.6 থেকে 19.4GHz পর্যন্ত কাজ করে এবং 480mW বিক্ষিপ্ত করে। |
1fcaf7ddcadda724d67684d66856c107375f448b | আমরা একটি নতুন কনভোলিউশনাল নিউরাল নেটওয়ার্ক (সিএনএন) মডেল উপস্থাপন করছি যা টেক্সট শ্রেণীবিভাগের জন্য যৌথভাবে নথি এবং তাদের গঠনমূলক বাক্যগুলির লেবেলগুলি ব্যবহার করে। বিশেষ করে, আমরা এমন পরিস্থিতি বিবেচনা করি যেখানে টীকাদাতা স্পষ্টভাবে বাক্যগুলি (বা টুকরো টুকরো) চিহ্নিত করে যা তাদের সামগ্রিক নথি শ্রেণিবদ্ধকরণকে সমর্থন করে, অর্থাৎ, তারা যুক্তিযুক্ততা সরবরাহ করে। আমাদের মডেল এই ধরনের তত্ত্বাবধানে একটি শ্রেণিবদ্ধ পদ্ধতির মাধ্যমে ব্যবহার করে যেখানে প্রতিটি নথি তার উপাদান বাক্যগুলির ভেক্টর উপস্থাপনাগুলির একটি রৈখিক সমন্বয় দ্বারা প্রতিনিধিত্ব করা হয়। আমরা একটি বাক্য-স্তরের কনভোলুশনাল মডেলের প্রস্তাব দিই যা একটি প্রদত্ত বাক্য যুক্তিযুক্ত হওয়ার সম্ভাবনা অনুমান করে এবং তারপরে আমরা এই অনুমানগুলির অনুপাতে সমষ্টিগত নথির উপস্থাপনে প্রতিটি বাক্যের অবদানকে স্কেল করি। পাঁচটি শ্রেণীবিভাগের ডেটাসেটের উপর পরীক্ষা-নিরীক্ষা যা নথি লেবেল এবং সংশ্লিষ্ট যুক্তিযুক্ততা প্রদর্শন করে যে আমাদের পদ্ধতিটি ধারাবাহিকভাবে শক্তিশালী বেসলাইনগুলিকে ছাড়িয়ে যায়। উপরন্তু, আমাদের মডেল স্বাভাবিকভাবেই তার ভবিষ্যৎবাণী জন্য ব্যাখ্যা প্রদান করে। |
20b41b2a0d8ee71efd3986b4baeed24eba904350 | একটি পদ্ধতিগত সাহিত্য পর্যালোচনা এবং মেটা-বিশ্লেষণের মাধ্যমে উন্নয়নশীল দেশগুলিতে মাতৃ বিষণ্নতা এবং শিশুর বৃদ্ধির মধ্যে সম্পর্ক তদন্ত করা। পদ্ধতি ২০১০ সাল পর্যন্ত প্রকাশিত মাতৃ বিষণ্নতা এবং শিশুর বৃদ্ধি সংক্রান্ত গবেষণার জন্য উন্নয়নশীল দেশগুলোর ছয়টি ডাটাবেস অনুসন্ধান করা হয়। স্ট্যান্ডার্ড মেটা- বিশ্লেষণ পদ্ধতি অনুসরণ করা হয়েছিল এবং হতাশাগ্রস্ত মায়েদের সন্তানদের মধ্যে কম ওজনের এবং স্টান্টিংয়ের জন্য পুলড অডস রেটিও (ওআর) গণনা করা হয়েছিল সমস্ত গবেষণার জন্য এবং অধ্যয়নের নকশা, মায়ের হতাশার সংস্পর্শে আসা এবং ফলাফলের ভেরিয়েবলের কঠোর মানদণ্ড পূরণকারী অধ্যয়নের উপসেটগুলির জন্য র্যান্ডম এফেক্ট মডেল ব্যবহার করে। নির্বাচিত গবেষণার জন্য জনসংখ্যা- দায়ী ঝুঁকি (PAR) অনুমান করা হয়েছিল। ফলাফল ১১ টি দেশের ১৩,৯২৩ জন মা ও সন্তানের সমন্বয়ে করা ১৭ টি গবেষণায় এই পরীক্ষায় অংশগ্রহণের মানদণ্ড পূরণ হয়েছে। হতাশা বা হতাশাজনক উপসর্গ সহ মায়ের সন্তানদের ওজন কম হওয়ার সম্ভাবনা বেশি ছিল (OR: 1. 5; 95% বিশ্বাসের ব্যবধান, আইসিঃ 1. 2- 1. 8) বা stunted (OR: 1. 4; 95% আইসিঃ 1. 2- 1. 7) । তিনটি লংজিউডিটাল গবেষণার উপ- বিশ্লেষণে একটি শক্তিশালী প্রভাব দেখা গেছেঃ কম ওজনের জন্য OR ছিল ২. ২ (৯৫% আইসিঃ ১. ৫- ৩. ২) এবং স্টান্টিংয়ের জন্য ২. নির্বাচিত গবেষণার PAR- এর তথ্য অনুযায়ী, যদি শিশুদের মধ্যে মায়ের বিষণ্নতার লক্ষণ দেখা না দেয়, তাহলে ২৩ থেকে ২৯ শতাংশ কম শিশু কম ওজনের বা স্থূলতা ভোগ করবে। উপসংহার মায়ের বিষণ্নতা শিশুর ওজন কম ও ক্রমশ বাড়ার সাথে যুক্ত ছিল। প্রক্রিয়া এবং কারণগুলি চিহ্নিত করার জন্য কঠোর ভবিষ্যৎ গবেষণা প্রয়োজন। উন্নয়নশীল দেশগুলোতে মায়ের বিষণ্নতাকে প্রাথমিক পর্যায়ে চিহ্নিত করা, চিকিৎসা করা এবং প্রতিরোধ করা শিশুদের ক্রমশ কম বয়সী হওয়া এবং কম ওজন হ্রাস করতে সাহায্য করতে পারে। |
c596f88ccba5b7d5276ac6a9b68972fd7d14d959 | আইটি সিস্টেমের ভার্চুয়াল জগতের সাথে বাস্তব বস্তুর ভৌত জগতকে একত্রিত করে, ইন্টারনেট অফ থিংস উভয়ই এন্টারপ্রাইজ ওয়ার্ল্ড এবং সমাজকে উল্লেখযোগ্যভাবে পরিবর্তন করার সম্ভাবনা রয়েছে। তবে, এই শব্দটি বিভিন্ন সম্প্রদায়ের দ্বারা খুব বেশি প্রচারিত এবং ভিন্নভাবে বোঝা যায়, বিশেষত কারণ আইওটি এমন একটি প্রযুক্তি নয় বরং বিভিন্ন প্রকৌশল ডোমেনের সাথে সম্পর্কিত বৈষম্যমূলক - প্রায়শই নতুন - প্রযুক্তির সংমিশ্রণকে উপস্থাপন করে। সাধারণ বোঝার জন্য যা প্রয়োজন তা হ ল ইন্টারনেট অফ থিংসের জন্য একটি ডোমেন মডেল, মূল ধারণাগুলি এবং তাদের সম্পর্কগুলি সংজ্ঞায়িত করে এবং একটি সাধারণ অভিধান এবং শ্রেণিবদ্ধকরণ হিসাবে কাজ করে এবং এইভাবে আরও বৈজ্ঞানিক বক্তৃতা এবং ইন্টারনেট অফ থিংসের বিকাশের ভিত্তি হিসাবে। যেমনটি আমরা দেখিয়েছি, এই ধরনের ডোমেন মডেল থাকা কংক্রিট আইওটি সিস্টেম আর্কিটেকচারের নকশায়ও সহায়ক, কারণ এটি একটি টেমপ্লেট সরবরাহ করে এবং এইভাবে ব্যবহারের ক্ষেত্রে বিশ্লেষণকে কাঠামোগত করে। |
5a9f4dc3e5d7c70d58c9512d7193d079c3331273 | আমরা 3D লোক ট্র্যাকিংয়ের জন্য মানুষের অবস্থান এবং গতির অগ্রাধিকার শেখার জন্য গাউসিয়ান প্রসেস ডায়নামিক মডেল (জিপিডিএম) ব্যবহারের পক্ষে। জিপিডিএম মানব গতির তথ্যের একটি নিম্ন মাত্রিক এমবেডিং প্রদান করে, একটি ঘনত্ব ফাংশন যা প্রশিক্ষণ ডেটার কাছাকাছি অবস্থান এবং গতির উচ্চতর সম্ভাবনা দেয়। বেয়েসিয়ান মডেলের মাধ্যমে জিপিডিএমকে তুলনামূলকভাবে অল্প পরিমাণে ডেটা থেকে শিখতে পারে এবং এটি প্রশিক্ষণ সেটের বাইরে চলাচলের জন্য সৌজন্যে সাধারণীকরণ করে। এখানে আমরা জিপিডিএমকে পরিবর্তন করেছি যাতে উল্লেখযোগ্য শৈলীগত বৈচিত্র্য সহ গতি থেকে শেখার অনুমতি দেওয়া যায়। ফলস্বরূপ প্রাইরগুলি দুর্বল এবং শব্দযুক্ত চিত্র পরিমাপ এবং উল্লেখযোগ্য আচ্ছাদন সত্ত্বেও বিভিন্ন ধরণের মানুষের হাঁটার শৈলীর ট্র্যাকিংয়ের জন্য কার্যকর। |
c3f2d101b616d82d07ca2cc4cb8ed0cb53fde21f | আমরা মানব গবেষণায় আমাদের বর্তমান সিডি এবং ইএমডি মান রেন্ডার ডেটাসেটে রিপোর্ট করা রেফারেন্স প্রদানের জন্য পরিচালিত। আমরা মানুষের সাথে একটি জিইউআই টুল দিয়েছিলাম যাতে সে ছবি থেকে একটি ত্রিভুজাকার জাল তৈরি করতে পারে। এই টুল (চিত্র ১ দেখুন) ব্যবহারকারীকে 3D-তে মেশ এডিট করতে এবং মডেল করা বস্তুকে ইনপুট ইমেজের সাথে সারিবদ্ধ করতে সক্ষম করে। আমাদের বৈধতা সেট এর ইনপুট ইমেজ থেকে মোট ১৬ টি মডেল তৈরি করা হয়। প্রতিটি মডেল থেকে N = 1024 পয়েন্টের নমুনা নেওয়া হয়। |
32791996c1040b9dcc34e71a05d72e5c649eeff9 | সাধারণ দৈনন্দিন কার্যক্রমের সময় হৃদয়ের অস্বাভাবিক বৈদ্যুতিক আচরণ সনাক্ত করতে ক্লিনিকাল অনুশীলনে অ্যাম্বুলেটরি ইলেক্ট্রোকার্ডিওগ্রাফি ক্রমবর্ধমানভাবে ব্যবহৃত হচ্ছে। এই পর্যবেক্ষণের উপযোগিতা শ্বাস-প্রশ্বাসের উপসর্গ থেকে প্রাপ্ত করা যেতে পারে, যা পূর্বে রোগীদের স্থির অবস্থায় রাতারাতি নিষ্ক্রিয়তার গবেষণার উপর ভিত্তি করে করা হয়েছে, অথবা চাপ পরীক্ষার জন্য মাল্টিলেড ইসিজি সিস্টেম ব্যবহার করা যেতে পারে। আমরা একটি একক-লিড পোর্টেবল ইসিজি মনিটর থেকে প্রাপ্ত ছয়টি শ্বাস প্রশ্বাসের পরিমাপকে একটি অ্যাম্বুলেটরি নাক ক্যানুলা শ্বাস প্রশ্বাসের মনিটর থেকে প্রাপ্ত একই সাথে পরিমাপ করা শ্বাসের বায়ু প্রবাহের সাথে তুলনা করেছি। দৈনন্দিন জীবনের ১০টি নিয়ন্ত্রিত ১ ঘণ্টার রেকর্ডিং (লগ্ন, বসে, দাঁড়িয়ে, হাঁটা, জগিং, দৌড়ানো এবং সিঁড়ি দিয়ে উঠা) এবং ৬টি রাতভর করা গবেষণা করা হয়। সর্বোত্তম পদ্ধতিটি ছিল ০.২-০.৮ হার্জ ব্যান্ডপাস ফিল্টার এবং আরআর ব্যবধানের দৈর্ঘ্য এবং সংক্ষিপ্তকরণের উপর ভিত্তি করে আরআর কৌশল। রেফারেন্স গোল্ড স্ট্যান্ডার্ডের সাথে গড় ত্রুটি হার ছিল প্রতি মিনিটে +mn4 শ্বাস (বিপিএম) (সমস্ত কার্যক্রম), +mn2 বিপিএম (লগানো এবং বসে থাকা), এবং +mn1 শ্বাস প্রতি মিনিটে (রাতের অধ্যয়ন) । পরিসংখ্যানগতভাবে একই রকম ফলাফল পাওয়া গেছে শুধুমাত্র হার্ট রেট তথ্য ব্যবহার করে (আরআর কৌশল) সম্পূর্ণ ইসিজি তরঙ্গ আকৃতি থেকে প্রাপ্ত সেরা কৌশলটির সাথে তুলনা করা হয়েছে যা ডেটা সংগ্রহের পদ্ধতিগুলিকে সহজ করে তোলে। এই গবেষণায় দেখা গেছে যে, একক-লিড ইসিজি থেকে প্রচলিত পদ্ধতির থেকে উল্লেখযোগ্য পার্থক্য ছাড়াই গতিশীল কার্যকলাপের অধীনে শ্বাসপ্রশ্বাস প্রাপ্ত করা যায়। |
7eac1eb85b919667c785b9ac4085d8ca68998d20 | ২। মোবাইল লার্নিং থেকে ই-লার্নিংকে আলাদা করা মোবাইল লার্নিং এর মূল্য ও উপকারিতা মোবাইল লার্নিং এর চ্যালেঞ্জ এবং বাধা: গবেষণায় দেখা গেছে যে দূরবর্তী শিক্ষার মাধ্যমে সমাজে অনেক সুবিধা এসেছে। এর মধ্যে রয়েছেঃ প্রয়োজন হলে প্রশিক্ষণ, যে কোন সময় প্রশিক্ষণ; যে কোন স্থানে প্রশিক্ষণ; শিক্ষার্থী কেন্দ্রিক সামগ্রী; কর্মক্ষেত্রে পুনরায় প্রবেশের সমস্যা এড়ানো; করদাতাদের প্রশিক্ষণ, এবং যারা বিশ্ববিদ্যালয়ের বক্তৃতা এবং প্রশিক্ষণ কেন্দ্রে অধিবেশনগুলি সম্পূর্ণরূপে নিযুক্ত রয়েছে; এবং শিক্ষণ ও শিক্ষার শিল্পায়ন। এছাড়াও, নোটবুক, মোবাইল ট্যাবলেট, আইপড টাচ এবং আইপ্যাড মোবাইল শিক্ষার জন্য অত্যন্ত জনপ্রিয় ডিভাইস কারণ তাদের খরচ এবং অ্যাপ্লিকেশনের প্রাপ্যতা। ---------------------------------------- আমি কি বলব? শিক্ষা ও প্রশিক্ষণ হচ্ছে এমন একটি প্রক্রিয়া যার মাধ্যমে এক প্রজন্মের জ্ঞান, জ্ঞান এবং দক্ষতা পরবর্তী প্রজন্মের কাছে পৌঁছে যায়। বর্তমানে, শিক্ষার দুটি রূপ রয়েছেঃ প্রচলিত শিক্ষা এবং দূরবর্তী শিক্ষা। মোবাইল লার্নিং বা "এম-লার্নিং" মোবাইল ডিভাইস, যেমন হ্যান্ডহেল্ড এবং ট্যাবলেট কম্পিউটার, এমপি৩ প্লেয়ার, স্মার্টফোন এবং মোবাইল ফোনের মাধ্যমে শেখার প্রক্রিয়াকে সমর্থন করার জন্য আধুনিক উপায় সরবরাহ করে। এই নথিতে শিক্ষার উদ্দেশ্যে মোবাইল লার্নিং বিষয়ের সূচনা করা হয়েছে। এই গবেষণায় মোবাইল ডিভাইসগুলি শিক্ষণ ও শেখার অনুশীলনে কী প্রভাব ফেলেছে তা পরীক্ষা করা হয়েছে এবং মোবাইল ডিভাইসে ডিজিটাল মিডিয়া ব্যবহারের ফলে যে সুযোগগুলি উপস্থাপিত হয় তা পরীক্ষা করা হয়েছে। এই গবেষণাপত্রের মূল উদ্দেশ্য হল মোবাইল লার্নিং এর বর্তমান অবস্থা, এর সুবিধাগুলি, চ্যালেঞ্জগুলি এবং শিক্ষণ ও শিক্ষণকে সমর্থন করার ক্ষেত্রে এর বাধা-বিপত্তিগুলি বর্ণনা করা। এই গবেষণাপত্রের তথ্য সংগ্রহ করা হয়েছে ২০১৩ সালের জানুয়ারি থেকে মার্চ পর্যন্ত গ্রন্থাগারিক এবং ইন্টারনেট অনুসন্ধানের মাধ্যমে। এই গবেষণাপত্রে চারটি মূল বিষয়ের উপর আলোকপাত করা হবে: মোবাইল লার্নিং এর বিশ্লেষণ। |
57820e6f974d198bf4bbdf26ae7e1063bac190c3 | |
8e393c18974baa8d5d704edaf116f009cb919463 | একটি উচ্চ-গতির সার্ডিসকে উচ্চ-গতির অপারেশন, নিবিড় সমীকরণ কৌশল, কম বিদ্যুত খরচ, ছোট অঞ্চল এবং দৃঢ়তা সহ একাধিক চ্যালেঞ্জ মোকাবেলা করতে হবে। নতুন স্ট্যান্ডার্ড যেমন OIF CEI-25G-LR, CEI-28G-MR/SR/VSR, IEEE802.3bj এবং 32G-FC পূরণ করার জন্য, ডেটা রেট 25 থেকে 28Gb/s বৃদ্ধি করা হয়, যা পূর্ববর্তী প্রজন্মের SerDes এর চেয়ে 75% বেশি। সার্ডেস অ্যাপ্লিকেশনের ক্ষেত্রে, যেখানে একক চিপে একত্রিত কয়েকশত লেন রয়েছে, উচ্চ কার্যকারিতা বজায় রাখার সময় বিদ্যুতের খরচ একটি অত্যন্ত গুরুত্বপূর্ণ ফ্যাক্টর। এর আগেও ২৮ গিগাবাইট/সেকেন্ড বা তার বেশি ডেটা রেট নিয়ে বেশ কিছু কাজ হয়েছে [১-২]। তারা সমালোচনামূলক সময়সীমা পূরণ করতে একটি অঘূর্ণিত ডিএফই ব্যবহার করে, তবে অঘূর্ণিত ডিএফই কাঠামোটি ডিএফই স্লাইসারগুলির সংখ্যা বৃদ্ধি করে, সামগ্রিক শক্তি এবং ডাই অঞ্চল বৃদ্ধি করে। এই চ্যালেঞ্জ মোকাবেলায় আমরা বিভিন্ন সার্কিট এবং স্থাপত্য কৌশল প্রবর্তন করি। এনালগ ফ্রন্ট-এন্ড (এএফই) একটি একক-পর্যায়ের আর্কিটেকচার এবং ট্রান্স-ইম্পিড্যান্স এম্প্লিফায়ারে (টিআইএ) একটি কমপ্যাক্ট অন-চিপ প্যাসিভ ইন্ডাক্টর ব্যবহার করে, যা 15 ডিবি বুস্ট সরবরাহ করে। বুস্টটি অভিযোজিত এবং এর অভিযোজন লুপটি একটি গ্রুপ-বিলম্ব অভিযোজন (জিডিএ) অ্যালগরিদম ব্যবহার করে সিদ্ধান্ত-ফিডব্যাক ইক্যুয়ালাইজার (ডিএফই) অভিযোজন লুপ থেকে বিচ্ছিন্ন করা হয়। ডিএফই-তে অর্ধ-রেট 1-ট্যাপ আনরোলড কাঠামো রয়েছে যার ক্ষমতা এবং এলাকা হ্রাসের জন্য 2 টি মোট ত্রুটিযুক্ত লক রয়েছে। একটি দ্বি-পর্যায়ের সেন্স-অ্যাম্প্লিফায়ার-ভিত্তিক স্লাইসার 15mV এবং DFE টাইমিং বন্ধের সংবেদনশীলতা অর্জন করে। আমরা একটি উচ্চ গতির ঘড়ি বাফার যে একটি নতুন সক্রিয়-ইন্ডাক্টর সার্কিট ব্যবহার করে বিকাশ. এই সক্রিয়-ইন্ডাক্টর সার্কিট সার্কিট অপারেটিং পয়েন্টগুলিকে অনুকূলিত করতে আউটপুট-সাধারণ-মোড ভোল্টেজ নিয়ন্ত্রণ করার ক্ষমতা রাখে। |
505c58c2c100e7512b7f7d906a9d4af72f6e8415 | পৃষ্ঠা ২ জটিল অভিযোজিত সিস্টেম জন এইচ হল্যান্ড, ক্রিস্টোফার ল্যাংটন এবং স্টুয়ার্ট ডব্লিউ উইলসন, উপদেষ্টা প্রাকৃতিক এবং কৃত্রিম সিস্টেমে অভিযোজনঃ জীববিজ্ঞান, নিয়ন্ত্রণ এবং কৃত্রিম বুদ্ধিমত্তার প্রয়োগের সাথে একটি প্রারম্ভিক বিশ্লেষণ, এমআইটি প্রেস সংস্করণ জন এইচ হল্যান্ড স্বায়ত্তশাসিত সিস্টেমের অনুশীলনের দিকে: ফ্রান্সিসকো জে ভেরেলা এবং পল বোরগিন সম্পাদিত কৃত্রিম জীবন সম্পর্কিত প্রথম ইউরোপীয় সম্মেলনের কার্যক্রম জেনেটিক প্রোগ্রামিংঃ প্রাকৃতিক নির্বাচনের মাধ্যমে কম্পিউটারের প্রোগ্রামিং সম্পর্কিত জন আর কোজা |
3a46c11ad7afed8defbb368e478dbf94c24f43a3 | যে বৈজ্ঞানিক সমস্যাগুলি প্রচুর পরিমাণে ডেটা প্রক্রিয়াকরণের উপর নির্ভর করে, তার জন্য একাধিক ক্ষেত্রে চ্যালেঞ্জ মোকাবেলা করা প্রয়োজনঃ বড় আকারের ডেটা বিতরণ পরিচালনা করা, কম্পিউটিং রিসোর্সগুলির সাথে ডেটা সহ-স্থাপন এবং সময়সূচী করা এবং প্রচুর পরিমাণে ডেটা সংরক্ষণ ও স্থানান্তর করা। আমরা তথ্য-নিবিড় অ্যাপ্লিকেশনের জন্য দুটি বিশিষ্ট প্যারাডিগমগুলির বাস্তুতন্ত্র বিশ্লেষণ করি, যা উচ্চ-পারফরম্যান্স কম্পিউটিং এবং অ্যাপাচি-হ্যাডোপ প্যারাডিগম হিসাবে উল্লেখ করা হয়। আমরা একটি ভিত্তি, সাধারণ শব্দকোষ এবং কার্যকরী কারণের প্রস্তাব দিচ্ছি যার উপর ভিত্তি করে উভয় প্যারাডাইমগুলির দুটি পদ্ধতির বিশ্লেষণ করা যায়। আমরা "বিগ ডেটাগ্রাস" এর ধারণা এবং তাদের দিকগুলিকে দুটি প্যারাডাইম জুড়ে পাওয়া সবচেয়ে সাধারণ অ্যাপ্লিকেশন ওয়ার্কলোডগুলি বোঝার এবং বৈশিষ্ট্যযুক্ত করার উপায় হিসাবে আলোচনা করি। এরপর আমরা এই দুই প্যারাডিগমের প্রধান বৈশিষ্ট্যগুলো আলোচনা করব এবং এই দুই পদ্ধতির তুলনা ও বৈপরীত্য দেখাবো। বিশেষ করে, আমরা এই প্যারাডিগমগুলোর সাধারণ বাস্তবায়ন/পদ্ধতিগুলো পরীক্ষা করব, তাদের বর্তমান "আর্কিটেকচার" এর কারণগুলো তুলে ধরব এবং তাদের ব্যবহারের জন্য কিছু সাধারণ কাজের চাপ নিয়ে আলোচনা করব। সফটওয়্যারটির মধ্যে উল্লেখযোগ্য পার্থক্য থাকা সত্ত্বেও, আমরা বিশ্বাস করি যে এর স্থাপত্যগত মিল রয়েছে। আমরা বিভিন্ন স্তর এবং উপাদান জুড়ে বিভিন্ন বাস্তবায়নগুলির সম্ভাব্য একীকরণের বিষয়ে আলোচনা করি। আমাদের তুলনা দুটি প্যারাডাইম সম্পূর্ণরূপে গুণগত পরীক্ষা থেকে একটি আধা-কোয়ান্টিটাইটিভ পদ্ধতিতে অগ্রসর হয়। আমরা একটি সহজ এবং ব্যাপকভাবে ব্যবহৃত ওগ্র (কে-মিডেন ক্লাসটিং) ব্যবহার করি, উভয় প্যারাডিগম থেকে বেশ কয়েকটি বাস্তবায়নকে কভার করে প্রতিনিধি প্ল্যাটফর্মের একটি পরিসরে এর কার্যকারিতা বৈশিষ্ট্যযুক্ত করি। আমাদের পরীক্ষাগুলি এই দুই প্যারাডাইম এর মধ্যে সম্পর্কিত শক্তির একটি অন্তর্দৃষ্টি প্রদান করে। আমরা প্রস্তাব করছি যে ওগ্রেসের সেটটি দুটি দৃষ্টান্তের বিভিন্ন মাত্রা সহ মূল্যায়নের জন্য একটি মানদণ্ড হিসাবে কাজ করবে। |
dc7024840a4ba7ab634517fae53e77695ff5dda9 | এই গবেষণাপত্রে আমরা মানবিক কার্যকলাপের স্বীকৃতির জন্য একটি নতুন শক্তি দক্ষ পদ্ধতির প্রস্তাব দিচ্ছি, যার মাধ্যমে স্মার্টফোনকে পরিধানযোগ্য সেন্সর ডিভাইস হিসেবে ব্যবহার করা হবে। এই পদ্ধতির মাধ্যমে প্রতিবন্ধী এবং বয়স্কদের জন্য দূরবর্তী রোগীর কার্যকলাপ পর্যবেক্ষণের মতো সহায়ক জীবনযাপনের অ্যাপ্লিকেশনগুলিকে লক্ষ্য করা হবে। এই পদ্ধতিটি ফিক্সড পয়েন্ট অ্যারিথমিকে ব্যবহার করে একটি সংশোধিত মাল্টিক্লাস সাপোর্ট ভেক্টর মেশিন (এসভিএম) লার্নিং অ্যালগরিদমের প্রস্তাব দেয়, যা তুলনামূলকভাবে তুলনামূলকভাবে স্মার্টফোনের ব্যাটারি লাইফটাইম সংরক্ষণের অনুমতি দেয়। পরীক্ষাগুলি এই পদ্ধতির এবং প্রচলিত এসভিএম এর মধ্যে স্বীকৃতি পারফরম্যান্স এবং ব্যাটারি খরচ হিসাবে তুলনামূলক ফলাফল দেখায়, প্রস্তাবিত পদ্ধতির সুবিধাগুলি তুলে ধরে। |
f4cdd1d15112a3458746b58a276d97e79d8f495d | নিউরাল নেটওয়ার্কের আউটপুটের গ্রেডিয়েন্টের নিয়মাবলী তার ইনপুটগুলির সাথে সম্পর্কিত একটি শক্তিশালী কৌশল, যা বেশ কয়েকবার পুনরায় আবিষ্কার করা হয়েছে। এই গবেষণাপত্রটি প্রমাণ করে যে গ্রেডিয়েন্ট নিয়মিতকরণ আধুনিক গভীর নিউরাল নেটওয়ার্ক ব্যবহার করে দৃষ্টির কাজগুলিতে শ্রেণিবদ্ধকরণের নির্ভুলতা উন্নত করতে পারে, বিশেষত যখন প্রশিক্ষণের ডেটা পরিমাণ কম থাকে। আমরা আমাদের নিয়ন্ত্রকদের একটি বৃহত্তর শ্রেণীর সদস্য হিসেবে পরিচয় করিয়ে দিচ্ছি যাকোবিয়ান ভিত্তিক নিয়ন্ত্রকদের। আমরা বাস্তব ও কৃত্রিম তথ্যের উপর ভিত্তি করে প্রমাণ করেছি যে, শেখার প্রক্রিয়াটি প্রশিক্ষণ পয়েন্টের বাইরে নিয়ন্ত্রিত গ্রেডিয়েন্টের দিকে নিয়ে যায় এবং এর ফলে সমাধানগুলি সাধারণীকরণ হয়। |
984df1f081fbd623600ec45635e5d9a4811c0aef | দুটি ভিভালদি অ্যান্টেনা অ্যারে উপস্থাপন করা হয়েছে। প্রথমটি হল একটি ৮-উপাদানের কনফারযুক্ত স্লট অ্যারে যা ইট/কংক্রিট প্রাচীরের ইমেজিংয়ের জন্য এসটিডব্লিউ অ্যাপ্লিকেশনগুলির জন্য ১.২ থেকে ৪ গিগাহার্জ ব্যান্ডকে কভার করে। দ্বিতীয়টি হল একটি ১৬-ইলেমেন্ট অ্যান্টিপডাল অ্যারে যা শুষ্ক দেয়ালের মধ্য দিয়ে প্রবেশের সময় উচ্চ রেজোলিউশনের ইমেজিংয়ের জন্য ৮ থেকে ১০.৬ গিগাহার্জ এ কাজ করে। দুটি ডিজাইনের উপর ভিত্তি করে এবং ভিভালদি অ্যান্টেনা অ্যারেকে খাওয়ানোর জন্য মাইক্রোস্ট্রিপ রূপান্তর করতে মসৃণ প্রশস্ত ব্যান্ড স্লট ব্যবহার করে, 1-10 গিগাহার্জ ফ্রিকোয়েন্সি ব্যান্ডটি কভার করা যেতে পারে। বিকল্পভাবে, নকশাটি 1-3 গিগাহার্টজ বা 8-10 গিগাহার্টজ ব্যান্ডকে কভার করার জন্য একটি পুনরায় কনফিগারযোগ্য কাঠামোতে ব্যবহার করা যেতে পারে। পরীক্ষামূলক এবং পরিমাপ ফলাফল সম্পন্ন হয়েছে এবং বিস্তারিত আলোচনা করা হবে। এই নকশা কমপ্যাক্ট পুনরায় কনফিগারযোগ্য এবং পোর্টেবল সিস্টেমের উন্নয়নে উল্লেখযোগ্য প্রভাব ফেলবে। |
e3f4fdf6d2f10ebe4cfc6d0544afa63976527d60 | এই কাগজটি রেডিও জ্যোতির্বিজ্ঞান যন্ত্রপাতি জন্য 324-উপাদান 2-ডি ব্রডসাইড অ্যারে উপস্থাপন করে যা দুটি পারস্পরিক orthogonal পোলারাইজেশন সংবেদনশীল। এই অ্যারেটি ক্রুশ আকৃতির ইউনিটগুলির সমন্বয়ে গঠিত যা একটি ক্রস আকৃতির কাঠামোর মধ্যে সাজানো চারটি ভিভালদি অ্যান্টেনার একটি গ্রুপ নিয়ে গঠিত। এই অ্যারেতে ব্যবহৃত ভিভালদি অ্যান্টেনাটি 3 গিগাহার্জ এ 87.5 ° এবং 6 গিগাহার্জে 44.2 ° এর সিম্যাট্রিক মূল বিমের সাথে একটি বিকিরণ তীব্রতা বৈশিষ্ট্য প্রদর্শন করে। পরিমাপ করা সর্বাধিক পাশ / ব্যাকলব স্তরটি মূল বাতি স্তরের নীচে 10.3 ডিবি। এই মেশিনটি ৫.৪ গিগাহার্টজ উচ্চ ফ্রিকোয়েন্সিতে কাজ করতে পারে, এতে গ্রিটিং লব তৈরি হয় না। |
1a090df137014acab572aa5dc23449b270db64b4 | |
9ae252d3b0821303f8d63ba9daf10030c9c97d37 | আমরা প্রাকৃতিক দৃশ্যের শ্রেণীবিভাগ শিখতে এবং চিনতে একটি নতুন পদ্ধতির প্রস্তাব দিচ্ছি। পূর্ববর্তী কাজের বিপরীতে, এটি প্রশিক্ষণ সেটটি টীকা দেওয়ার জন্য বিশেষজ্ঞদের প্রয়োজন হয় না। আমরা স্থানীয় অঞ্চলের একটি সংগ্রহ দ্বারা একটি দৃশ্যের চিত্র প্রতিনিধিত্ব করি, যা কোডওয়ার্ড হিসাবে চিহ্নিত হয় যা অনিয়ন্ত্রিত শিক্ষার মাধ্যমে প্রাপ্ত হয়। প্রতিটি অঞ্চল একটি "থিম" এর অংশ হিসেবে উপস্থাপিত হয়। পূর্ববর্তী গবেষণায়, বিশেষজ্ঞদের হাতের টীকা থেকে এই ধরনের থিমগুলি শেখানো হয়েছিল, যখন আমাদের পদ্ধতিটি তত্ত্বাবধান ছাড়াই থিম বিতরণ এবং কোডওয়ার্ড বিতরণ শিখায়। আমরা 13টি জটিল দৃশ্যের শ্রেণীর উপর সন্তোষজনক শ্রেণীবিভাগের পারফরম্যান্সের প্রতিবেদন দিচ্ছি। |
fa6cbc948677d29ecce76f1a49cea01a75686619 | এই গবেষণাপত্রে, আমরা বাস্তব বিশ্বের দৃশ্যের স্বীকৃতির একটি কম্পিউটেশনাল মডেলের প্রস্তাব দিই যা পৃথক বস্তু বা অঞ্চলের বিভাজন এবং প্রক্রিয়াকরণকে বাইপাস করে। এই পদ্ধতিটি দৃশ্যের একটি অতি নিম্ন মাত্রিক উপস্থাপনার উপর ভিত্তি করে তৈরি করা হয়েছে, যাকে আমরা স্প্যাটিয়াল এনভেলপ (Spatial Envelope) বলে থাকি। আমরা একটি দৃশ্যের প্রভাবশালী স্থানিক কাঠামোর প্রতিনিধিত্বকারী একটি অনুভূতিগত মাত্রা (প্রাকৃতিকতা, উন্মুক্ততা, রুক্ষতা, সম্প্রসারণ, রুক্ষতা) এর একটি সেট প্রস্তাব করি। এরপর আমরা দেখাবো যে এই মাত্রাগুলো নির্ভরযোগ্যভাবে অনুমান করা যায় বর্ণালী এবং মোটামুটিভাবে স্থানীয় তথ্য ব্যবহার করে। মডেলটি একটি বহুমাত্রিক স্থান তৈরি করে যেখানে দৃশ্যগুলি শব্দার্থিক বিভাগগুলিতে সদস্যতা ভাগ করে (যেমন, রাস্তাগুলি, মহাসড়ক, উপকূল) একসাথে বন্ধ হয়ে যায়। স্পেসিয়াল এনভেলপ মডেলের পারফরম্যান্স দেখায় যে বস্তুর আকৃতি বা পরিচয় সম্পর্কে নির্দিষ্ট তথ্য দৃশ্যের শ্রেণিবিন্যাসের জন্য প্রয়োজনীয় নয় এবং দৃশ্যের একটি সামগ্রিক উপস্থাপনা মডেলিং তার সম্ভাব্য শব্দার্থিক বিভাগ সম্পর্কে অবহিত করে। |
1ac52b7d8db223029388551b2db25657ed8c9852 | এই গবেষণাপত্রে আমরা অনেকগুলো একই রকম ভবিষ্যদ্বাণীমূলক কাজ নিয়ে গঠিত সমস্যার সমাধানের জন্য মেশিন লার্নিং এর প্রস্তাব দিচ্ছি। প্রতিটি পৃথক কাজেই ওভাররাইটের উচ্চ ঝুঁকি রয়েছে। আমরা এই ঝুঁকি কমাতে দুটি ধরনের কাজকে একত্রিত করিঃ মাল্টি-টাস্ক লার্নিং এবং হায়ারারকিক্যাল বেজিয়ান মডেলিং। মাল্টি টাস্ক লার্নিং এই ধারণাটির উপর ভিত্তি করে তৈরি হয়েছে যে, এই কাজটির জন্য নির্দিষ্ট কিছু বৈশিষ্ট্য রয়েছে। এই বৈশিষ্ট্যগুলো খুঁজে বের করার জন্য, আমরা একটি বিশাল দ্বি-স্তরীয় নিউরাল নেটওয়ার্ককে প্রশিক্ষণ দিই। প্রতিটি কাজের নিজস্ব আউটপুট থাকে, কিন্তু ইনপুট থেকে লুকানো ইউনিট পর্যন্ত ওজন অন্যান্য সমস্ত কাজের সাথে ভাগ করে নেয়। এইভাবে সম্ভাব্য ব্যাখ্যাযোগ্য ভেরিয়েবলের একটি অপেক্ষাকৃত বড় সেট (নেটওয়ার্ক ইনপুট) ছোট এবং সহজেই পরিচালনা করা বৈশিষ্ট্যগুলির সেট (লুকানো ইউনিট) এ হ্রাস করা হয়। এই বৈশিষ্ট্যগুলির এই সেটটি দেওয়া এবং একটি উপযুক্ত স্কেল রূপান্তর করার পরে, আমরা ধরে নিই যে কাজগুলি বিনিময়যোগ্য। এই অনুমান একটি শ্রেণীবিন্যাসমূলক বেজিয়ান বিশ্লেষণের জন্য অনুমতি দেয় যেখানে হাইপারপ্যারামিটারগুলি ডেটা থেকে অনুমান করা যায়। এই হাইপার-র্যামিটারগুলি কার্যকরভাবে নিয়ন্ত্রক হিসাবে কাজ করে এবং অতিরিক্ত ট্যাংকে বাধা দেয়। আমরা বর্ণনা করছি কিভাবে সিস্টেমটিকে সময়ের ধারাবাহিকতায় অস্থিরতার বিরুদ্ধে শক্তিশালী করা যায় এবং আরও উন্নতির জন্য নির্দেশনা দেওয়া হয়। আমরা সংবাদপত্রের বিক্রির পূর্বাভাস সম্পর্কে একটি ডাটাবেসের উপর আমাদের ধারণাগুলি চিত্রিত করি। |
1e56ed3d2c855f848ffd91baa90f661772a279e1 | আমরা টেক্সট এবং বিচ্ছিন্ন তথ্যের অন্যান্য সংগ্রহের জন্য একটি জেনারেটিভ মডেল প্রস্তাব করি যা নেভি বেজ / ইউনিগ্রাম, ইউনিগ্রামের মিশ্রণ [6] এবং হফম্যানের দিক মডেল সহ বেশ কয়েকটি পূর্ববর্তী মডেলগুলিতে সাধারণীকরণ বা উন্নতি করে, যা সম্ভাব্যতা ল্যাটিন্ট সেমান্টিক ইনডেক্সিং (পিএলএসআই) [3] নামেও পরিচিত। টেক্সট মডেলিংয়ের প্রসঙ্গে, আমাদের মডেলটি বলে যে প্রতিটি নথি বিষয়গুলির মিশ্রণ হিসাবে উত্পন্ন হয়, যেখানে ধারাবাহিক-মূল্যযুক্ত মিশ্রণ অনুপাতগুলি একটি লুকানো ডিরিললেট র্যান্ডম ভেরিয়েবল হিসাবে বিতরণ করা হয়। অনুমান এবং শেখার কার্যকারিতা বৈচিত্র্য অ্যালগরিদমের মাধ্যমে কার্যকরভাবে পরিচালিত হয়। আমরা এই মডেলের প্রয়োগের উপর পরীক্ষামূলক ফলাফল উপস্থাপন করি পাঠ্য মডেলিং, সহযোগী ফিল্টারিং এবং পাঠ্য শ্রেণিবিন্যাসের সমস্যাগুলিতে। |
e990a41e8f09e0ef4695c39af351bf25f333eefa | |
1f8116db538169de3553b1091e82107f7594301a | |
539ea86fa738afd939fb18566107c971461f8548 | কাঠামোগত আউটপুট স্পেসের সাথে ম্যাপিং (স্ট্রিং, গাছ, পার্টিশন ইত্যাদি) সাধারণত শ্রেণীবিভাগের অ্যালগরিদমের এক্সটেনশন ব্যবহার করে সহজ গ্রাফিকাল স্ট্রাকচার (যেমন, লিনিয়ার চেইন) ব্যবহার করে শিখতে হয় যেখানে অনুসন্ধান এবং প্যারামিটার অনুমান সঠিকভাবে সম্পাদন করা যায়। দুর্ভাগ্যবশত, অনেক জটিল সমস্যায়, এটি বিরল যে সঠিক অনুসন্ধান বা প্যারামিটার অনুমানটি কার্যকর হয়। সঠিক মডেলগুলি শেখার এবং হিউরিস্টিক উপায়ে অনুসন্ধান করার পরিবর্তে, আমরা এই অসুবিধাটি গ্রহণ করি এবং কাঠামোগত আউটপুট সমস্যাটিকে আনুমানিক অনুসন্ধানের ক্ষেত্রে বিবেচনা করি। আমরা অনুসন্ধান অপ্টিমাইজেশান হিসাবে শেখার জন্য একটি কাঠামো উপস্থাপন করি, এবং দুটি প্যারামিটার আপডেটগুলি কনভার্জেন্স থি-ওরেমস এবং সীমানা সহ। অভিজ্ঞতার প্রমাণ দেখায় যে আমাদের সমন্বিত পদ্ধতির শেখার এবং ডিকোডিং সঠিক মডেলের চেয়ে কম কম্পিউটেশনাল খরচে ভাল করতে পারে। |
1219fb39b46aabd74879a7d6d3c724fb4e55aeae | আমরা প্রযুক্তিগত উদ্যোক্তাদের একটি দৃষ্টিকোণ তৈরি করি যা বিভিন্ন ধরণের অভিনেতাদের মধ্যে বিতরণ করা হয়। প্রতিটি অভিনেতা একটি প্রযুক্তির সাথে জড়িত হয়ে ওঠে এবং এই প্রক্রিয়ায়, ইনপুট তৈরি করে যার ফলে একটি উদীয়মান প্রযুক্তিগত পথের রূপান্তর ঘটে। প্রযুক্তিগত পথে ইনপুটগুলির অবিচ্ছিন্ন জমা হওয়া একটি গতি তৈরি করে যা বিতরণকৃত অভিনেতাদের কার্যক্রমকে সক্ষম এবং সীমাবদ্ধ করে। অন্য কথায়, এজেন্সি শুধু বিতরণ করা হয় না, এটা এম্বেড করাও হয়। ডেনমার্ক এবং মার্কিন যুক্তরাষ্ট্রে বায়ু টারবাইনগুলির উত্থানের পেছনে থাকা প্রক্রিয়াগুলির একটি তুলনামূলক অধ্যয়নের মাধ্যমে আমরা এই দৃষ্টিভঙ্গিটি ব্যাখ্যা করি। আমাদের তুলনামূলক গবেষণার মাধ্যমে আমরা ব্রিকোলেজ এবং ব্রেকথ্রু কে প্রযুক্তিগত পথের রূপদানের ক্ষেত্রে অভিনেতাদের জড়িত থাকার জন্য বিপরীত পদ্ধতি হিসাবে ব্যাখ্যা করি। © ২০০২ এ্যালসেভিয়ার সায়েন্স বি.ভি. সমস্ত অধিকার সংরক্ষিত। |
2266636d87e44590ade738b92377d1fe1bc5c970 | |
2af586c64c32baeb445992e0ea6b76bbbbc30c7f | |
0e8b8e0c37b0ebc9c36b99103a487dbbbdf9ee97 | |
2c03df8b48bf3fa39054345bafabfeff15bfd11d | গভীর স্নায়ু নেটওয়ার্কগুলোকে প্রশিক্ষণ দেওয়া অনেক কঠিন। আমরা একটি অবশিষ্ট শিক্ষার কাঠামো উপস্থাপন করছি যা পূর্বে ব্যবহৃত নেটওয়ার্কগুলির তুলনায় অনেক গভীরতর নেটওয়ার্কগুলির প্রশিক্ষণকে সহজতর করে। আমরা স্পষ্টভাবে স্তরগুলিকে পুনরায় ফর্মুলা করি যেমন অবশিষ্ট ফাংশনগুলি স্তর ইনপুটগুলির সাথে রেফারেন্স করে, পরিবর্তে অব্যবহৃত ফাংশনগুলি শেখার পরিবর্তে। আমরা ব্যাপক অভিজ্ঞতার প্রমাণ প্রদান করেছি যে এই অবশিষ্ট নেটওয়ার্কগুলিকে আরও সহজেই অপ্টিমাইজ করা যায় এবং উল্লেখযোগ্যভাবে বর্ধিত গভীরতা থেকে সঠিকতা অর্জন করা যায়। ImageNet ডাটাসেটে আমরা অবশিষ্ট নেটগুলিকে 152 স্তর পর্যন্ত গভীরতার সাথে মূল্যায়ন করি - VGG নেটগুলির চেয়ে 8x গভীর [40] তবে এখনও কম জটিলতা রয়েছে। এই অবশিষ্ট নেটগুলির একটি সমন্বয় ইমেজনেট পরীক্ষার সেটে 3.57% ত্রুটি অর্জন করে। এই ফলাফলটি আইএলএসভিআরসি 2015 শ্রেণিবদ্ধকরণ কার্যক্রমে প্রথম স্থান অর্জন করেছে। আমরা সিআইএফএআর-১০ এর ১০০ এবং ১০০০ স্তর বিশ্লেষণও উপস্থাপন করছি। অনেক ভিজ্যুয়াল স্বীকৃতি কাজের জন্য উপস্থাপনার গভীরতা কেন্দ্রীয় গুরুত্বের। আমাদের অত্যন্ত গভীর উপস্থাপনাগুলির কারণে, আমরা COCO অবজেক্ট সনাক্তকরণ ডেটাসেটে 28% আপেক্ষিক উন্নতি অর্জন করি। আইএলএসভিআরসি এবং কোকো ২০১৫ প্রতিযোগিতায় আমাদের জমা দেওয়ার ভিত্তি হল গভীর অবশিষ্ট নেটওয়ার্ক, যেখানে আমরা ইমেজনেট সনাক্তকরণ, ইমেজনেট স্থানীয়করণ, কোকো সনাক্তকরণ এবং কোকো বিভাজন এর কাজগুলিতে প্রথম স্থান অর্জন করেছি। |
5763c2c62463c61926c7e192dcc340c4691ee3aa | আমরা একটি একক চিত্র সুপার রেজোলিউশনের (এসআর) জন্য একটি গভীর শিক্ষণ পদ্ধতির প্রস্তাব দিই। আমাদের পদ্ধতি সরাসরি কম/উচ্চ রেজোলিউশনের ছবির মধ্যে একটি এন্ড-টু-এন্ড ম্যাপিং শিখবে। ম্যাপিং একটি গভীর কনভোলুশনাল নিউরাল নেটওয়ার্ক (সিএনএন) [15] হিসাবে উপস্থাপিত হয় যা নিম্ন রেজোলিউশন চিত্রটিকে ইনপুট হিসাবে নেয় এবং উচ্চ-রেজোলিউশনটিকে আউটপুট করে। আমরা আরও দেখাব যে ঐতিহ্যগত স্পারস-কোডিং-ভিত্তিক এসআর পদ্ধতিগুলিকে গভীর কনভোলুশনাল নেটওয়ার্ক হিসাবেও দেখা যেতে পারে। কিন্তু ঐতিহ্যগত পদ্ধতির মত নয় যেগুলো প্রতিটি উপাদানকে আলাদাভাবে পরিচালনা করে, আমাদের পদ্ধতি যৌথভাবে সব স্তরকে অপ্টিমাইজ করে। আমাদের গভীর সিএনএন একটি হালকা কাঠামো আছে, তবুও অত্যাধুনিক পুনরুদ্ধারের গুণমান প্রদর্শন করে, এবং ব্যবহারিক অনলাইন ব্যবহারের জন্য দ্রুত গতি অর্জন করে। |
2db168f14f3169b8939b843b9f4caf78c3884fb3 | এই চিঠিতে, একটি ব্রডব্যান্ড বক্র ত্রিভুজাকার সর্বদিকের অ্যান্টেনা RF শক্তি সংগ্রহের জন্য উপস্থাপিত করা হয়। অ্যান্টেনার একটি ব্যান্ডউইথ আছে VSWR ≤ 2 850 MHz থেকে 1.94 GHz পর্যন্ত। অ্যান্টেনাটি অনুভূমিক এবং উল্লম্বভাবে পোলারাইজড তরঙ্গ উভয়ই গ্রহণ করার জন্য ডিজাইন করা হয়েছে এবং পুরো ব্যান্ডউইথ জুড়ে একটি স্থিতিশীল বিকিরণ প্যাটার্ন রয়েছে। এন্টেনারটি শক্তি সংগ্রহের জন্যও অনুকূলিত করা হয়েছে এবং এটি 100 Ω ইনপুট প্রতিবন্ধকতার জন্য ডিজাইন করা হয়েছে যাতে একটি প্যাসিভ ভোল্টেজ পরিবর্ধন এবং প্রতিবন্ধকতা সংশোধকের সাথে মিলিত হয়। ৯৮০ এবং ১৮০০ মেগাহার্টজে ৫০০ ওহমের লোডের জন্য ৬০% এবং ১৭% এর একটি পিক এফিসিয়েন্সি পাওয়া যায়। একটি সেল সাইটে সমস্ত ব্যান্ড একই সাথে সংগ্রহ করার সময়, খোলা সার্কিটের জন্য 3.76 ভি এবং 4.3 কে ওহমের লোড জুড়ে 1.38 ভি একটি ভোল্টেজ 25 মিটার দূরত্বে রেকটেনার দুটি উপাদানগুলির একটি অ্যারে ব্যবহার করে প্রাপ্ত হয়। |
484ac571356251355d3e24dcb23bdd6d0911bd94 | সাম্প্রতিক বৈজ্ঞানিক ও প্রযুক্তিগত অগ্রগতি গ্রাফ হিসাবে মডেল করা কাঠামোগত নিদর্শনগুলির একটি প্রাচুর্য প্রত্যক্ষ করেছে। ফলস্বরূপ, গ্রাফের বড় ডাটাবেসে গ্রাফ কন্টেইনমেন্ট ক্যোয়ারী কার্যকরভাবে প্রক্রিয়া করা বিশেষ আগ্রহের বিষয়। একটি গ্রাফ ডাটাবেস G এবং একটি ক্যোয়ারী গ্রাফ q দেওয়া হলে, গ্রাফ কনটেইন্মেন্ট ক্যোয়ারী হল G এর সমস্ত গ্রাফ পুনরুদ্ধার করা যা qকে সাবগ্রাফ হিসাবে ধারণ করে। জি-তে গ্রাফের বিশাল সংখ্যা এবং সাবগ্রাফ আইসোমর্ফিজম টেস্টিংয়ের জটিলতার প্রকৃতির কারণে, সামগ্রিক অনুসন্ধান প্রক্রিয়াকরণ ব্যয় হ্রাস করার জন্য উচ্চ-মানের গ্রাফ সূচকীকরণ প্রক্রিয়া ব্যবহার করা বাঞ্ছনীয়। এই গবেষণাপত্রে, আমরা একটি নতুন খরচ কার্যকর গ্রাফ সূচক পদ্ধতি গ্রাফ ডাটাবেসের ঘন ঘন গাছ-বৈশিষ্ট্য উপর ভিত্তি করে প্রস্তাব। আমরা তিনটি গুরুত্বপূর্ণ দিক থেকে গাছের কার্যকারিতা এবং দক্ষতা বিশ্লেষণ করিঃ বৈশিষ্ট্য আকার, বৈশিষ্ট্য নির্বাচন খরচ এবং ছাঁটাই ক্ষমতা। বিদ্যমান গ্রাফ-ভিত্তিক সূচক পদ্ধতির চেয়ে ভাল ছাঁটাই ক্ষমতা অর্জনের জন্য, আমরা ঘন ঘন গাছ-বৈশিষ্ট্য (ট্রি) ছাড়াও, চাহিদা অনুযায়ী অল্প সংখ্যক বৈষম্যমূলক গ্রাফ (∆) নির্বাচন করি, পূর্বে ব্যয়বহুল গ্রাফ খনির প্রক্রিয়া ছাড়াই। আমাদের গবেষণায় প্রমাণিত হয়েছে যে (Tree+∆) গ্রাফের চেয়ে সূচককরণের উদ্দেশ্যে একটি ভাল পছন্দ, গ্রাফের কনটেনশন ক্যোয়ারী সমস্যার সমাধানের জন্য (Tree+∆ ≥Graph) চিহ্নিত। এর দুটি প্রভাব রয়েছে: (1) (Tree+∆) দ্বারা সূচক নির্মাণ কার্যকর, এবং (2) (Tree+∆) দ্বারা গ্রাফ কন্টেইনমেন্ট ক্যোয়ারী প্রসেসিং কার্যকর। আমাদের পরীক্ষামূলক গবেষণায় দেখা গেছে যে (Tree+∆) এর একটি কমপ্যাক্ট সূচক কাঠামো রয়েছে, সূচক নির্মাণে একটি মাত্রার ভাল পারফরম্যান্স অর্জন করে এবং সবচেয়ে গুরুত্বপূর্ণ, গ্রাফ-ভিত্তিক সূচক পদ্ধতির আপ-টু-ডেট পদ্ধতিগুলিকে ছাড়িয়ে যায়ঃ গ্রাফ কন্টেনমেন্ট ক্যোয়ারী প্রসেসিংয়ে gIndex এবং C-Tree। |
22749899b50c5113516b9820f875a580910aa746 | একটি ছোট স্লট-লোড প্যাচ অ্যান্টেনা ডিজাইন যা এল 1 এবং এল 2 ব্যান্ড উভয় জিপিএস সংকেত গ্রহণের জন্য বিকাশ করা হয়েছে। ডুয়াল ব্যান্ড কভারেজটি এল 2 ব্যান্ডে একটি প্যাচ মোড এবং এল 1 ব্যান্ডে একটি স্লট মোড ব্যবহার করে অর্জন করা হয়। উচ্চ ডাই ইলেক্ট্রিক উপাদান এবং স্লোটেড স্লট লাইন ব্যবহার করা হয় অ্যান্টেনার আকারকে ব্যাসার্ধে 25.4 মিমি পর্যন্ত হ্রাস করতে। RHCP একটি ছোট 0°-90° হাইব্রিড চিপের মাধ্যমে দুটি orthogonal মোডের সমন্বয় দ্বারা অর্জন করা হয়। প্যাচ এবং স্লট মোড উভয়ই একটি একক সান্নিধ্য জোনকে ভাগ করে নেয় যা অ্যান্টেনার পাশে সুবিধাজনকভাবে অবস্থিত (চিত্র 1) । এই কাগজটি নকশা পদ্ধতির পাশাপাশি সিমুলেটেড অ্যান্টেনা পারফরম্যান্স সম্পর্কে আলোচনা করে। |
afbe59950a7d452ce0a3f412ee865f1e1d94d9ef | পুনর্বহাল শিক্ষা স্বয়ংক্রিয় রোবটকে ন্যূনতম মানব হস্তক্ষেপের সাথে আচরণগত দক্ষতার বিস্তৃত রেপার্টরি শিখতে সক্ষম করার প্রতিশ্রুতি দেয়। যাইহোক, রেইনফোর্সমেন্ট লার্নিং এর রোবোটিক অ্যাপ্লিকেশনগুলি প্রায়শই প্রকৃত শারীরিক সিস্টেমের জন্য ব্যবহারিক প্রশিক্ষণ সময় অর্জনের পক্ষে শেখার প্রক্রিয়ার স্বায়ত্তশাসনের সাথে আপস করে। এর মধ্যে সাধারণত হস্তনির্মিত নীতিমালা উপস্থাপনা এবং মানুষের প্রদর্শনী অন্তর্ভুক্ত থাকে। গভীর-শক্তিশালীকরণ লার্নিং সাধারণ-উদ্দেশ্য নিউরাল নেটওয়ার্ক নীতিগুলি প্রশিক্ষণের মাধ্যমে এই সীমাবদ্ধতা হ্রাস করে, তবে সরাসরি গভীর-শক্তিশালীকরণ লার্নিং অ্যালগরিদমের অ্যাপ্লিকেশনগুলি তাদের উচ্চ নমুনা জটিলতার কারণে সিমুলেটেড সেটিংস এবং অপেক্ষাকৃত সহজ কাজগুলিতে সীমাবদ্ধ ছিল। এই গবেষণাপত্রে আমরা দেখিয়েছি যে, গভীর Q-ফাংশনগুলির অফ-পলিসি প্রশিক্ষণের উপর ভিত্তি করে একটি সাম্প্রতিক গভীর পুনর্বহালকারী লার্নিং অ্যালগরিদম জটিল 3D ম্যানিপুলেশন কাজগুলিতে স্কেল করতে পারে এবং প্রকৃত শারীরিক রোবটগুলিতে প্রশিক্ষণের জন্য যথেষ্ট দক্ষতার সাথে গভীর নিউরাল নেটওয়ার্ক নীতিগুলি শিখতে পারে। আমরা দেখিয়েছি যে, প্রশিক্ষণের সময় আরও কমিয়ে আনা সম্ভব, যদি অ্যালগরিদমকে সমান্তরালভাবে একাধিক রোবটের মধ্যে স্থাপন করা হয়, যারা তাদের নীতি আপডেটগুলিকে একত্রিত করে। আমাদের পরীক্ষামূলক মূল্যায়ন দেখায় যে আমাদের পদ্ধতি বিভিন্ন ধরণের 3D ম্যানিপুলেশন দক্ষতা শিখে নিতে পারে সিমুলেশন এবং জটিল দরজা খোলার দক্ষতা বাস্তব রোবটগুলিতে কোন পূর্ববর্তী বিক্ষোভ বা ম্যানুয়ালি ডিজাইন করা উপস্থাপনা ছাড়াই। |
b8aa8b5d06c98a900d8cea61864669b28c3ac0fc | এই নিবন্ধটি যানবাহন পরিবেশে যানবাহন বিলম্ব সহনশীল নেটওয়ার্ক (ভিডিটিএন) এর রাউটিংয়ের জন্য প্রস্তাবিত রাউটিং প্রোটোকলগুলির একটি বিস্তৃত সমীক্ষা উপস্থাপন করে। ডিটিএন বিভিন্ন অপারেশনাল এনভায়রনমেন্টের জন্য ব্যবহৃত হয়, যার মধ্যে রয়েছে ব্যাঘাত এবং সংযোগ বিচ্ছিন্নতা এবং উচ্চ বিলম্বের সাথে, যেমন ভেহিকুলার অ্যাড-হক নেটওয়ার্ক (ভ্যানইটি) । আমরা একটি বিশেষ ধরনের ভ্যানইট এর উপর ফোকাস করছি, যেখানে যানবাহন চলাচল কম এবং যোগাযোগকারী পক্ষের মধ্যে সরাসরি এন্ড-টু-এন্ড পথ সবসময় বিদ্যমান থাকে না। এই প্রসঙ্গে যোগাযোগের ক্ষেত্রে যানবাহন বিলম্ব সহনশীল নেটওয়ার্ক (ভিডিটিএন) এর শ্রেণীর অন্তর্ভুক্ত। আরএসইউ (রোড সাইড ইউনিট) এর সীমিত সংক্রমণ পরিসরের কারণে, ভিডিটিএন-এ দূরবর্তী যানবাহনগুলি সরাসরি আরএসইউ-তে সংযুক্ত হতে পারে না এবং এইভাবে প্যাকেটগুলি রিলে করার জন্য মধ্যবর্তী যানবাহনের উপর নির্ভর করতে হয়। বার্তা রিলে প্রক্রিয়ার সময়, সম্পূর্ণ এন্ড-টু-এন্ড পাথগুলি অত্যন্ত বিভাজিত ভ্যানেটগুলিতে বিদ্যমান নাও থাকতে পারে। তাই মধ্যবর্তী বাহনগুলোকে বার্তা বাফার করতে হবে এবং বার্তা প্রেরণ করতে হবে। বাফার, ক্যারিয়ার এবং ফরওয়ার্ডের মাধ্যমে, বার্তাটি শেষ পর্যন্ত গন্তব্যে পৌঁছে দেওয়া যেতে পারে এমনকি যদি উত্স এবং গন্তব্যের মধ্যে কোনও শেষ-থেকে-শেষ সংযোগ না থাকে। ডিটিএন-এ রাউটিং প্রোটোকলগুলির প্রধান উদ্দেশ্য হ ল শেষ থেকে শেষ পর্যন্ত বিলম্বকে হ্রাস করার সময় গন্তব্যে সরবরাহের সম্ভাবনা সর্বাধিক করা। এছাড়াও, যানবাহন নেটওয়ার্কে ডিটিএন রাউটিংয়ের জন্য যানবাহন ট্রাফিক মডেলগুলি গুরুত্বপূর্ণ কারণ ডিটিএন রাউটিং প্রোটোকলের কার্যকারিতা নেটওয়ার্কের জনসংখ্যা এবং গতিশীলতার মডেলগুলির সাথে ঘনিষ্ঠভাবে সম্পর্কিত। ২০১৪ এ্যালসেভিয়ার বি.ভি. সমস্ত অধিকার সংরক্ষিত। |
4555fd3622908e2170e4ffdd717b83518b123b09 | এই গবেষণাপত্রে অ্যান্টেনা পরামিতিগুলির উপর প্রভাবগুলি উপস্থাপন করা হয়েছে যখন একটি অ্যান্টেনা একটি ধাতব প্লেটের কাছাকাছি অনুভূমিকভাবে স্থাপন করা হয়। প্লেটের আকার সীমিত এবং আয়তক্ষেত্রাকার। একটি ভাঁজযুক্ত ডাইপোল অ্যান্টেনা ব্যবহার করা হয় এবং এটি প্লেটের উপরে সিম্যাট্রিকভাবে স্থাপন করা হয়। এন্টেনের পরামিতিগুলির উপর নির্ভরশীলতা এবং প্লেটের আকার এবং প্লেট এবং এন্টেনের মধ্যে দূরত্বের উপর নির্ভরশীলতা অনুকরণ করার জন্য FEM (ফিনিট এলিমেন্ট পদ্ধতি) ব্যবহার করা হয়। ধাতব প্লেটের উপস্থিতি, এমনকি যদি এটি সঠিক দূরত্বে থাকে তবে এটি অ্যান্টেনার আচরণে খুব বড় পরিবর্তন ঘটায়। প্লেট যত বড় হবে, বিশেষ করে প্রস্থে, তেজস্ক্রিয়তার মডেলের লব তত বেশি ধারালো এবং সংকীর্ণ হবে। অ্যান্টেনার উচ্চতা নির্ধারণ করে যে, রেডিয়েশন প্যাটার্নের কতগুলো লব রয়েছে। অ্যান্টেনার উচ্চতা বাড়ার সাথে সাথে অ্যান্টেনার কিছু পরামিতি যেমন প্রতিবন্ধকতা, দিকনির্দেশ এবং সামনের থেকে পিছনের অনুপাতের পরিবর্তন ঘটে। ধাতব প্লেটের প্রভাবের অধীনে অ্যান্টেনার অনুরণন ফ্রিকোয়েন্সিও পরিবর্তিত হয়। |
d70cd3d2fe0a194321ee92c305976873b883d529 | একটি ব্রডব্যান্ড 57.7-84.2 গিগাহার্জ ফেজ শিফটার একটি কম্প্যাক্ট ল্যাঞ্জ কপলার ব্যবহার করে ইন-ফেজ এবং স্কোয়ারট্যুর সংকেত উৎপন্ন করার জন্য উপস্থাপিত হয়। ল্যাঞ্জ কপলার দুটি বালুন ট্রান্সফরমার দ্বারা অনুসরণ করা হয় যা আইকিউ ভেক্টরকে ডিফারেনশিয়াল আই এবং কিউ সংকেত দিয়ে মডুলেশন সরবরাহ করে। বাস্তবায়িত ফেজ শিফটারের গড় ৬ ডিবি ইনসার্শন ক্ষতি এবং ৫ ডিবি লাভের বৈচিত্র্য প্রদর্শন করে। পরিমাপ করা গড় rms ফেজ এবং লাভ ত্রুটি যথাক্রমে 7 ডিগ্রি এবং 1 ডিবি। ফেজ শিফটারটি গ্লোবালফাউন্ড্রিজের ৪৫-এনএম এসওআই সিএমওএস প্রযুক্তিতে ট্র্যাপ-সমৃদ্ধ সাবস্ট্রেট ব্যবহার করে প্রয়োগ করা হয়েছে। চিপ এলাকা 385 μm × 285 μm এবং ফেজ শিফটার 17 mW এর কম খরচ করে। লেখকদের জ্ঞানের সর্বোত্তম হিসাবে, এটি প্রথম ফেজ শিফটার যা 60 গিগাহার্টজ ব্যান্ড এবং ই-ব্যান্ড ফ্রিকোয়েন্সি উভয়ই 37% এর ভগ্নাংশ ব্যান্ডউইথের সাথে কভার করে। |
eb58118b9db1e95f9792f39c3780dbba3bb966cb | এই গবেষণাপত্রে স্ট্রোক বা পার্কিনসন রোগে আক্রান্ত রোগীদের জন্য স্থানিক-সময়ের পদচারণা প্যাটার্ন থেকে পরিমাণগত পরিমাপ এবং ক্লিনিকাল সূচকগুলি অন্বেষণের জন্য একটি পরিধানযোগ্য নিষ্ক্রিয় পরিমাপ ব্যবস্থা এবং এর সাথে যুক্ত স্থানিক-সময়ের পদচারণা বিশ্লেষণ অ্যালগরিদম উপস্থাপন করা হয়েছে। এই পরিধানযোগ্য সিস্টেমটি একটি মাইক্রোকন্ট্রোলার, একটি ট্রায়াক্সিয়াল অ্যাক্সিলারোমিটার, একটি ট্রায়াক্সিয়াল জাইরোস্কোপ এবং একটি আরএফ ওয়্যারলেস ট্রান্সমিশন মডিউল নিয়ে গঠিত। স্পেসিওটাইমোরাল গ্যাথ অ্যানালিসিস অ্যালগরিদম, যা ইনার্সিয়াল সিগন্যাল অধিগ্রহণ, সিগন্যাল প্রিপ্রসেসিং, গ্যাথ ফেজ সনাক্তকরণ এবং হাঁটু গতির পরিসীমা অনুমানের পদ্ধতি নিয়ে গঠিত, ত্বরণ এবং কৌণিক গতি থেকে গ্যাথ বৈশিষ্ট্যগুলি বের করার জন্য বিকাশ করা হয়েছে। সঠিকভাবে গোড়ালি গতির পরিসীমা অনুমান করার জন্য, আমরা ইনার্সিয়াল সংকেতের ইন্টিগ্রেশন ত্রুটির সংগ্রাহন কমাতে একটি পরিপূরক ফিল্টারে ত্বরণ এবং কৌণিক বেগ সংহত করেছি। ২৪ জন অংশগ্রহণকারীকে তাদের পায়ের উপর সিস্টেমটি লাগিয়ে ১০ মিটার সোজা লাইন ধরে স্বাভাবিক গতিতে হাঁটতে বলা হয় এবং প্রস্তাবিত সিস্টেম এবং অ্যালগরিদমের কার্যকারিতা যাচাই করার জন্য তাদের হাঁটার রেকর্ড সংগ্রহ করা হয়। পরীক্ষামূলক ফলাফল থেকে জানা যায় যে, স্পেসিও-টাইমোরাল গ্যাচ অ্যানালিসিস অ্যালগরিদমের সাথে প্রস্তাবিত ইনার্সিয়াল মেজার সিস্টেমটি স্বয়ংক্রিয়ভাবে স্পেসিও-টাইমোরাল গ্যাচ তথ্য বিশ্লেষণের জন্য একটি আশাব্যঞ্জক হাতিয়ার, যা স্ট্রোক বা পার্কিনসন রোগের নির্ণয়ের জন্য থেরাপিউটিক কার্যকারিতা পর্যবেক্ষণের ক্লিনিকাল সূচক হিসাবে কাজ করে। |
7e7f14f325d7e8d70e20ca22800ad87cfbf339ff | এই প্রকাশনায় পুনঃপ্রতিষ্ঠিত নিবন্ধ রয়েছে যার জন্য আইইইই কপিরাইট রাখে না। এই নিবন্ধগুলির সম্পূর্ণ পাঠ্য IEEE এক্সপ্লোরের জন্য উপলব্ধ নয়। |
002a8b9ef513d46dc8dcce85c04a87ae6a221b4c | আমরা রেগ্রেশন এবং শ্রেণীবিভাগের জন্য একটি নতুন শ্রেণীর সমর্থন ভেক্টর অ্যালগরিদমের প্রস্তাব দিচ্ছি। এই অ্যালগরিদমগুলিতে, একটি প্যারামিটার একজনকে কার্যকরভাবে সমর্থন ভেক্টরগুলির সংখ্যা নিয়ন্ত্রণ করতে দেয়। যদিও এটি নিজের পক্ষে দরকারী হতে পারে, তবে পরামিতির অতিরিক্ত সুবিধা রয়েছে যা আমাদেরকে অ্যালগরিদমের অন্যান্য ফ্রি প্যারামিটারগুলির মধ্যে একটিকে নির্মূল করতে সক্ষম করেঃ রিগ্রেশন ক্ষেত্রে নির্ভুলতা প্যারামিটার এবং শ্রেণিবদ্ধকরণ ক্ষেত্রে নিয়মিতকরণ ধ্রুবক সি। আমরা অ্যালগরিদম বর্ণনা করি, এর অর্থ এবং পছন্দ সম্পর্কিত কিছু তাত্ত্বিক ফলাফল দেই এবং পরীক্ষামূলক ফলাফলের প্রতিবেদন করি। |
0911bcf6bfff20a84a56b9d448bcb3d72a1eb093 | একটি অটো এনকোডার এর নিয়মিত প্রশিক্ষণ সাধারণত লুকানো ইউনিট পক্ষপাতের ফলে হয় যা বড় নেতিবাচক মান গ্রহণ করে। আমরা দেখিয়েছি যে নেতিবাচক পক্ষপাত একটি লুকানো স্তর ব্যবহারের একটি প্রাকৃতিক ফলাফল যার দায়িত্ব উভয়ই ইনপুট ডেটা উপস্থাপন করা এবং একটি নির্বাচন প্রক্রিয়া হিসাবে কাজ করা যা উপস্থাপনার ক্ষুদ্রতা নিশ্চিত করে। আমরা দেখাবো যে নেতিবাচক পক্ষপাত এমন তথ্য বিতরণ শেখার ক্ষেত্রে বাধা দেয় যার অন্তর্নিহিত মাত্রা উচ্চ। আমরা একটি নতুন অ্যাক্টিভেশন ফাংশনও প্রস্তাব করছি যা লুকানো স্তরের দুটি ভূমিকাকে বিচ্ছিন্ন করে এবং যা আমাদেরকে খুব উচ্চ অভ্যন্তরীণ মাত্রা সহ ডেটাতে উপস্থাপনা শিখতে দেয়, যেখানে স্ট্যান্ডার্ড অটো এনকোডার সাধারণত ব্যর্থ হয়। যেহেতু ডিসকপলড অ্যাক্টিভেশন ফাংশন একটি অন্তর্নিহিত নিয়ন্ত্রকের মতো কাজ করে, তাই অতিরিক্ত নিয়ন্ত্রনের প্রয়োজন ছাড়াই প্রশিক্ষণ ডেটার পুনর্গঠনের ত্রুটিকে কমিয়ে মডেলটিকে প্রশিক্ষণ দেওয়া যেতে পারে। |
27f9b805de1f125273a88786d2383621e60c6094 | এই গবেষণাপত্রে আমরা গতিশীলতা নিয়ন্ত্রণ এবং অবস্থান নির্ধারণের জন্য ট্র্যাকড মোবাইল রোবটগুলির জন্য একটি গতিশীল পদ্ধতির প্রস্তাব দিচ্ছি। স্লাইডিং এবং ট্র্যাক-মৃত্তিকা মিথস্ক্রিয়া কারণে জটিল গতিশীলতা ট্র্যাক গতির উপর ভিত্তি করে গাড়ির সঠিক গতির পূর্বাভাস দেওয়া কঠিন করে তোলে। যাইহোক, স্বয়ংক্রিয় নেভিগেশনের জন্য রিয়েল-টাইম গণনাগুলি লুপে গতিশীলতা প্রবর্তন না করে কার্যকর কাইনমেটিক্স আনুমানিক প্রয়োজন। প্রস্তাবিত সমাধানটি এই সত্যের উপর ভিত্তি করে তৈরি করা হয়েছে যে গতির সমতলটিতে যানবাহনের সাথে সম্পর্কিত টেরাদের তাত্ক্ষণিক ঘূর্ণন কেন্দ্রগুলি (আইসিআর) গতিশীলতার উপর নির্ভরশীল, তবে তারা একটি সীমিত অঞ্চলের মধ্যে রয়েছে। এইভাবে, একটি নির্দিষ্ট ভূখণ্ডের জন্য ধ্রুবক আইসিআর অবস্থানগুলিকে অনুকূলিতকরণ ট্র্যাকড মোবাইল রোবটের জন্য আনুমানিক গতিশীল মডেলের ফলাফল দেয়। গতিবিদ্যাগত পরামিতিগুলির অফলাইন অনুমানের জন্য দুটি ভিন্ন পদ্ধতি উপস্থাপন করা হয়েছেঃ (i) গাড়ির পুরো গতির পরিসরের জন্য গতিশীল মডেলের স্থির প্রতিক্রিয়াটির সিমুলেশন; (ii) একটি পরীক্ষামূলক সেটআপের প্রবর্তন যাতে একটি জেনেটিক অ্যালগরিদম প্রকৃত সেন্সর রিডিং থেকে মডেলটি তৈরি করতে পারে। এই পদ্ধতিগুলি অন-লাইন ওডোমেট্রিক গণনা এবং মাঝারি গতিতে কঠিন পৃষ্ঠের সমতল মাটিতে অরিগা মোবাইল রোবটের সাথে নিম্ন স্তরের গতি নিয়ন্ত্রণের জন্য মূল্যায়ন করা হয়েছে। মূলশব্দ- ট্র্যাকড যানবাহন, গতিশীল নিয়ন্ত্রণ, মোবাইল রোবোটিক্স, প্যারামিটার সনাক্তকরণ, গতিশীলতা সিমুলেশন |
04caa1a55b12d5f3830ed4a31c4b47921a3546f2 | কার্নেল শ্রেণীবিভাগকারী এবং রিগ্রেশরগুলি কাঠামোগত ডেটার জন্য ডিজাইন করা হয়েছে, যেমন ক্রম, গাছ এবং গ্রাফ, যেমন কম্পিউটেশনাল জীববিজ্ঞান এবং ড্রাগ ডিজাইন হিসাবে বেশ কয়েকটি আন্তঃবিষয়ক ক্ষেত্রকে উল্লেখযোগ্যভাবে উন্নত করেছে। সাধারণত, কার্নেলগুলি এমন একটি ডেটা টাইপের জন্য আগে থেকেই ডিজাইন করা হয় যা কাঠামোর পরিসংখ্যানকে কাজে লাগায় বা সম্ভাব্যতাপূর্ণ জেনারেটিভ মডেলগুলি ব্যবহার করে এবং তারপরে কনভেক্স অপ্টিমাইজেশনের মাধ্যমে কার্নেলগুলির উপর ভিত্তি করে একটি বৈষম্যমূলক শ্রেণিবদ্ধকরণকারী শেখানো হয়। যাইহোক, এই ধরনের একটি মার্জিত দুই-পর্যায়ের পদ্ধতিটিও কোটি কোটি ডেটা পয়েন্ট পর্যন্ত স্কেলিং থেকে কার্নেল পদ্ধতিগুলিকে সীমাবদ্ধ করে এবং বৈশিষ্ট্য উপস্থাপনাগুলি শিখতে বৈষম্যমূলক তথ্যের অপব্যবহার করে। আমরা structure2vec নামে একটি কার্যকর এবং স্কেলযোগ্য পদ্ধতির প্রস্তাব দিচ্ছি, যা কাঠামোগত ডেটা প্রতিনিধিত্বের জন্য, যা বৈশিষ্ট্য স্পেসে লুকানো পরিবর্তনশীল মডেলগুলিকে এম্বেড করার ধারণা এবং বৈষম্যমূলক তথ্য ব্যবহার করে এই ধরনের বৈশিষ্ট্য স্পেসগুলি শেখার উপর ভিত্তি করে। মজার বিষয় হল, structure2vec গ্রাফিকাল মডেল ইনফারেনস পদ্ধতির মতো ফাংশন ম্যাপিংয়ের একটি ক্রম সম্পাদন করে বৈশিষ্ট্যগুলি বের করে, যেমন গড় ক্ষেত্র এবং বিশ্বাসের প্রসার। লক্ষ লক্ষ ডেটা পয়েন্টের সাথে জড়িত অ্যাপ্লিকেশনে, আমরা দেখিয়েছি যে structure2vec 2 গুণ দ্রুত চলে, এমন মডেল তৈরি করে যা 10,000 গুণ ছোট, একই সাথে অত্যাধুনিক ভবিষ্যদ্বাণীমূলক কর্মক্ষমতা অর্জন করে। |
1dc5b2114d1ff561fc7d6163d8f4e9c905ca12c4 | এটা সুপরিচিত যে যখন তথ্য অস্বাভাবিকভাবে বিতরণ করা হয়, তখন পিয়ারসনের r এর গুরুত্বের পরীক্ষা টাইপ I ত্রুটি হারকে বাড়িয়ে তুলতে পারে এবং শক্তি হ্রাস করতে পারে। পরিসংখ্যানের পাঠ্যপুস্তক এবং সিমুলেশন সাহিত্য পিয়ারসনের সম্পর্ককে বেশ কয়েকটি বিকল্প প্রদান করে। তবে এই বিকল্পগুলির আপেক্ষিক পারফরম্যান্স অস্পষ্ট। পিয়ারসন, স্পিয়ারম্যানের র্যাঙ্ক-অর্ডার, ট্রান্সফরমেশন এবং রিস্যাম্পলিং পদ্ধতি সহ ১২টি পদ্ধতির তুলনা করার জন্য দুটি সিমুলেশন গবেষণা পরিচালিত হয়েছিল। বেশিরভাগ নমুনা আকারের (এন ≥ 20) ক্ষেত্রে, পিয়ারসন সংশ্লেষণের মূল্যায়নের আগে তথ্যকে স্বাভাবিক আকারে রূপান্তর করে টাইপ I এবং টাইপ II ত্রুটি হারকে কমিয়ে আনা হয়। রূপান্তর পদ্ধতির মধ্যে, একটি সাধারণ উদ্দেশ্য র্যাঙ্ক-ভিত্তিক বিপরীত স্বাভাবিক রূপান্তর (অর্থাৎ, র্যাঙ্কিত স্কোরগুলিতে রূপান্তর) সবচেয়ে উপকারী ছিল। তবে, যখন নমুনাগুলি ছোট (এন ≤ 10) এবং অত্যন্ত অস্বাভাবিক ছিল, তখন পার্মুটেশন পরীক্ষাটি প্রায়শই বিভিন্ন বুটস্ট্র্যাপ পরীক্ষা সহ অন্যান্য বিকল্পগুলির চেয়ে ভাল পারফর্ম করেছিল। |
d3abb0b5b3ce7eb464846bbdfd93e0fbf505e954 | এই গবেষণাপত্রে আমরা তিনটি ভিন্ন ধারণার কম্প্যাক্ট অ্যান্টেনা অ্যারেগুলির তুলনা করেছি যা সাবস্ট্রেট ইন্টিগ্রেটেড ওয়েভগাইড (এসআইডাব্লু) দ্বারা সরবরাহ করা হয়। রেডিয়েটরের ধরন অনুযায়ী এন্টেনের ধারণাগুলো ভিন্ন। স্লটগুলি চৌম্বকীয় লিনিয়ার রেডিয়েটারগুলিকে প্রতিনিধিত্ব করে, প্যাচগুলি বৈদ্যুতিক পৃষ্ঠের রেডিয়েটার এবং ভিভালদি স্লটগুলি ভ্রমণ-তরঙ্গ অ্যান্টেনার অন্তর্গত। তাই এসআইডব্লিউ ফিডারদের বিভিন্ন অ্যান্টেনা উপাদানকে উত্তেজিত করার বিভিন্ন পদ্ধতি ব্যবহার করতে হয়। অধ্যয়ন করা অ্যান্টেনা অ্যারেগুলির প্রতিবন্ধকতা এবং বিকিরণ বৈশিষ্ট্যগুলি সাধারণীকৃত ফ্রিকোয়েন্সির সাথে সম্পর্কিত। অ্যান্টেনা অ্যারেগুলি পরস্পরের সাথে তুলনা করা হয়েছে যাতে অ্যান্টেনার রাজ্যের ভেরিয়েবলগুলিতে, এসআইডাব্লু ফিডার আর্কিটেকচারে এবং সম্পর্কিত বাস্তবায়নের বিশদগুলিতে ডিজাইন করা অ্যান্টেনার চূড়ান্ত পরামিতিগুলির মৌলিক নির্ভরতা প্রদর্শিত হয়। |
e4acaccd3c42b618396c9c28dae64ae7091e36b8 | একটি নতুন আই/কিউ রিসিভার অ্যারে প্রদর্শিত হয় যা প্রতিটি রিসিভ চ্যানেলে ফেজ শিফটকে অভিযোজিত করে একটি রিসিভ বিমকে একটি ইনসিড্যান্ট আরএফ সিগন্যালের দিকে নির্দেশ করে। পরিমাপ করা অ্যারে 8.1 গিগাহার্জ এ কাজ করে এবং চারটি উপাদান অ্যারের জন্য +/-35 ডিগ্রি স্টিয়ারিং কোণগুলিকে আচ্ছাদন করে। উপরন্তু, রিসিভারটি একটি I/Q ডাউন-কনভার্টার অন্তর্ভুক্ত করে এবং ইভিএম 4% এরও কম সহ 64QAM ডেমোডুলেট করে। এই চিপটি ৪৫ ন্যানোমিটার সিএমওএস এসওআই প্রক্রিয়ায় তৈরি করা হয়েছে এবং এটি ৩.৪৫ মিমি২ এলাকা দখল করে এবং ১৪৩ এমডব্লিউ ডিসি শক্তি খরচ করে। |
149bf28af91cadf2cd933bd477599cca40f55ccd | আমরা একটি শেখার আর্কিটেকচার প্রস্তাব করছি, যা অশোধিত ভিজ্যুয়াল ইনপুট ডেটার উপর ভিত্তি করে পুনর্বহাল শেখার সক্ষম। পূর্ববর্তী পদ্ধতির বিপরীতে, শুধুমাত্র নিয়ন্ত্রণ নীতিই শেখানো হয় না। সফল হওয়ার জন্য, সিস্টেমটি স্বয়ংক্রিয়ভাবে শিখতে হবে, কীভাবে ইনপুট তথ্যের উচ্চ-মাত্রিক প্রবাহ থেকে প্রাসঙ্গিক তথ্য বের করা যায়, যার জন্য শব্দার্থবিজ্ঞানটি লার্নিং সিস্টেমে সরবরাহ করা হয় না। আমরা এই নতুন শিক্ষণ স্থাপত্যের প্রথম ধারণার প্রমাণ প্রদান করছি একটি চ্যালেঞ্জিং মানদণ্ডের উপর, যথা একটি রেসিং স্লট কারের ভিজ্যুয়াল কন্ট্রোল। ফলাফলের নীতি, যা শুধুমাত্র সাফল্য বা ব্যর্থতার মাধ্যমে শিখেছে, অভিজ্ঞ মানব খেলোয়াড় দ্বারা খুব কমই পরাজিত হয়। |
759d9a6c9206c366a8d94a06f4eb05659c2bb7f2 | আজ অবধি, কম্পিউটার দৃষ্টিতে মেশিন লার্নিং-ভিত্তিক স্বীকৃতি অ্যালগরিদমের প্রায় সমস্ত পরীক্ষামূলক মূল্যায়নগুলি "বন্ধ সেট" স্বীকৃতির রূপ নিয়েছে, যার মাধ্যমে প্রশিক্ষণের সময় সমস্ত পরীক্ষার ক্লাসগুলি পরিচিত। দৃষ্টিভঙ্গি অ্যাপ্লিকেশনের জন্য একটি আরো বাস্তবসম্মত দৃশ্যপট হল "ওপেন সেট" স্বীকৃতি, যেখানে প্রশিক্ষণের সময় বিশ্বের অসম্পূর্ণ জ্ঞান উপস্থিত থাকে এবং অজানা ক্লাসগুলি পরীক্ষার সময় একটি অ্যালগরিদমের কাছে জমা দেওয়া যেতে পারে। এই নিবন্ধটি ওপেন সেট স্বীকৃতির প্রকৃতির অন্বেষণ করে এবং একটি সীমাবদ্ধ সংক্ষিপ্তকরণ সমস্যা হিসাবে এর সংজ্ঞাটি আনুষ্ঠানিকভাবে প্রকাশ করে। ওপেন সেট স্বীকৃতি সমস্যাটি বিদ্যমান অ্যালগরিদম দ্বারা ভালভাবে মোকাবেলা করা হয় না কারণ এটির জন্য শক্তিশালী সাধারণীকরণ প্রয়োজন। সমাধানের দিকে একটি পদক্ষেপ হিসাবে, আমরা একটি উপন্যাস 1-vs-set মেশিন, যা একটি রৈখিক কার্নেল সহ 1-ক্লাস বা বাইনারি এসভিএম এর প্রান্তিক দূরত্ব থেকে একটি সিদ্ধান্ত স্থান sculpts। এই পদ্ধতিটি কম্পিউটার ভিশনের বিভিন্ন অ্যাপ্লিকেশনে প্রযোজ্য যেখানে ওপেন সেট স্বীকৃতি একটি চ্যালেঞ্জিং সমস্যা, যার মধ্যে রয়েছে অবজেক্ট স্বীকৃতি এবং মুখ যাচাইকরণ। আমরা এই কাজটিতে উভয়ই বিবেচনা করি, ক্যালটেক 256 এবং ইমেজনেট সেটগুলিতে পরিচালিত বৃহত আকারের ক্রস-ডাটাসেট পরীক্ষাগুলির পাশাপাশি লেবেলযুক্ত মুখগুলি বন্য সেটগুলিতে পরিচালিত মুখের মিলের পরীক্ষাগুলি নিয়ে। এই পরীক্ষাগুলিতে একই কাজ করার জন্য বিদ্যমান এক শ্রেণীর এবং বাইনারি এসভিএমগুলির তুলনায় ওপেন সেট মূল্যায়নের জন্য অভিযোজিত মেশিনগুলির কার্যকারিতা তুলে ধরা হয়েছে। |
00960cb3f5a74d23eb5ded93f1aa717b9c6e6851 | বেজিয়ান অপ্টিমাইজেশন অজানা, ব্যয়বহুল এবং মাল্টিমোডাল ফাংশনগুলির বৈশ্বিক অপ্টিমাইজেশনের জন্য একটি অত্যন্ত কার্যকর পদ্ধতি হিসাবে প্রমাণিত হয়েছে। ফাংশনগুলির উপর বিতরণগুলি সঠিকভাবে মডেল করার ক্ষমতা বেয়েসিয়ান অপ্টিমাইজেশনের কার্যকারিতার জন্য গুরুত্বপূর্ণ। যদিও গাউসিয়ান প্রক্রিয়াগুলি ফাংশনগুলির উপর নমনীয় পূর্ববর্তী সরবরাহ করে, তবে বিভিন্ন শ্রেণীর ফাংশন রয়েছে যা মডেল করা কঠিন। এর মধ্যে সবচেয়ে বেশি ঘন ঘন দেখা যায় অ-স্থায়ী ফাংশনগুলির শ্রেণী। মেশিন লার্নিং অ্যালগরিদমের হাইপারপ্যারামিটারগুলির অপ্টিমাইজেশন একটি সমস্যা ডোমেন যেখানে প্যারামিটারগুলি প্রায়শই ম্যানুয়ালি রূপান্তরিত হয়, উদাহরণস্বরূপ, স্থানিকভাবে পরিবর্তিত দৈর্ঘ্যের স্কেলের প্রভাবগুলি হ্রাস করার জন্য লগ-স্পেসে অনুকূলিতকরণ করে। আমরা বিটা ক্রমবিন্যাসীয় বন্টন ফাংশন ব্যবহার করে ইনপুট স্পেসের বিজেক্টিভ ট্রান্সফরমেশন বা ওয়ার্পিংয়ের একটি বিস্তৃত পরিবারকে স্বয়ংক্রিয়ভাবে শেখার জন্য একটি পদ্ধতি বিকাশ করি। আমরা আরও অনেকটা বেইজিয়ান অপ্টিমাইজেশনের জন্য ওয়ার্পিং ফ্রেমওয়ার্ক প্রসারিত করি যাতে একাধিক কাজকে যৌথভাবে স্থির স্থানে বাঁকানো যায়। বিভিন্ন চ্যালেঞ্জিং বেঞ্চমার্ক অপ্টিমাইজেশনের কাজগুলোতে আমরা লক্ষ্য করেছি যে, ডালপালা যুক্ত করা হলে উন্নত প্রযুক্তির উপর ব্যাপক উন্নতি হয়, যা দ্রুত এবং নির্ভরযোগ্যভাবে আরও ভাল ফলাফল প্রদান করে। |
b53e4c232833a8e663a9cf15dcdd050ff801c05c | আমরা একটি স্কেলযোগ্য সিস্টেম উপস্থাপন করছি যা হাই-থ্রুপুট রিয়েল-টাইম বিশ্লেষণের জন্য বৈষম্যপূর্ণ ডেটা স্ট্রিমগুলির জন্য। আমাদের স্থাপত্যে ভবিষ্যদ্বাণীমূলক বিশ্লেষণ এবং অস্বাভাবিকতা সনাক্তকরণের জন্য মডেলের ক্রমবর্ধমান বিকাশ সম্ভব হয় যখন তথ্য সিস্টেমে আসে। হ্যাডোপের মতো ব্যাচ ডেটা প্রসেসিং সিস্টেমের বিপরীতে, যার উচ্চতর ল্যাটেন্সি থাকতে পারে, আমাদের আর্কিটেকচারটি ফ্লাইতে ডেটা গ্রহণ এবং বিশ্লেষণের অনুমতি দেয়, যার ফলে প্রায় রিয়েল টাইমে অস্বাভাবিক আচরণ সনাক্ত এবং প্রতিক্রিয়া জানানো যায়। অভ্যন্তরীণ হুমকি, আর্থিক জালিয়াতি এবং নেটওয়ার্ক অনুপ্রবেশের মতো অ্যাপ্লিকেশনগুলির জন্য এই সময়মততা গুরুত্বপূর্ণ। আমরা এই সিস্টেমের একটি প্রয়োগের অভ্যন্তরীণ হুমকি সনাক্তকরণের সমস্যার জন্য প্রদর্শন করি, যথা, সিস্টেমের ব্যবহারকারীদের দ্বারা একটি সংস্থার সংস্থানগুলির অপব্যবহার এবং আমাদের পরীক্ষার ফলাফলগুলি একটি সর্বজনীনভাবে উপলব্ধ অভ্যন্তরীণ হুমকি ডেটাসেটে উপস্থাপন করি। |
39b58ef6487c893219c77c61c762eee5694d0e36 | ডেটা মাইনিং এর নতুন ক্ষেত্রের মধ্যে শ্রেণীবিভাগ একটি গুরুত্বপূর্ণ সমস্যা। যদিও অতীতে শ্রেণীবিভাগের বিষয়ে ব্যাপকভাবে গবেষণা করা হয়েছে, তবে বেশিরভাগ শ্রেণীবিভাগের অ্যালগরিদমগুলি কেবল মেমরি-রেসিডেন্ট ডেটার জন্য ডিজাইন করা হয়েছে, যার ফলে বড় ডেটা সেটগুলির ডেটা মাইনিংয়ের জন্য তাদের উপযুক্ততা সীমাবদ্ধ করা হয়েছে। এই গবেষণাপত্রে একটি স্কেলযোগ্য শ্রেণীবিভাগের নির্মাণের সমস্যাগুলি নিয়ে আলোচনা করা হয়েছে এবং একটি নতুন শ্রেণীবিভাগের নকশা SLIQ উপস্থাপন করা হয়েছে। SLIQ একটি সিদ্ধান্ত গাছ শ্রেণীবিভাগকারী যা সংখ্যাসূচক এবং শ্রেণীবিভাগ উভয় বৈশিষ্ট্য পরিচালনা করতে পারে। এটি গাছের বৃদ্ধির পর্যায়ে একটি নতুন প্রি-সোর্টিং কৌশল ব্যবহার করে। এই বাছাই পদ্ধতিটি ব্রডথার্স্ট গাছের বৃদ্ধির কৌশলটির সাথে একত্রিত করা হয়েছে যাতে ডিস্ক-আবাসিক ডেটাসেটগুলির শ্রেণিবিন্যাস করা যায়। SLIQ একটি নতুন গাছ-ছাঁকনির অ্যালগরিদম ব্যবহার করে যা সস্তা, এবং কমপ্যাক্ট এবং সঠিক গাছের ফলাফল দেয়। এই কৌশলগুলির সমন্বয় SLIQ কে বড় ডেটা সেটগুলির জন্য স্কেল করতে এবং শ্রেণী, বৈশিষ্ট্য এবং উদাহরণ (রেকর্ড) এর সংখ্যা নির্বিশেষে ডেটা সেটগুলিকে শ্রেণীবদ্ধ করতে সক্ষম করে, এইভাবে এটি ডেটা মাইনিংয়ের জন্য একটি আকর্ষণীয় সরঞ্জাম তৈরি করে। |
1f25ed3c9707684cc0cdf3e8321c791bc7164147 | শ্রেণীবিভাগ একটি গুরুত্বপূর্ণ তথ্য খনির সমস্যা। যদিও শ্রেণীবিভাগ একটি সুশিক্ষিত সমস্যা, তবে বর্তমান শ্রেণীবিভাগের অ্যালগরিদমগুলির বেশিরভাগের প্রয়োজন হয় যে পুরো ডেটাসেটের সমস্ত বা একটি অংশ স্থায়ীভাবে মেমরিতে থাকে। এটি বড় ডাটাবেসগুলির উপর খনির জন্য তাদের উপযুক্ততা সীমাবদ্ধ করে। আমরা আপনাদের সামনে উপস্থাপন করছি একটি নতুন সিদ্ধান্ত গাছের ভিত্তিতে শ্রেণীবিভাগের অ্যালগরিদম, যাকে বলা হয় স্প্রিন্ট যা মেমরির সব সীমাবদ্ধতা দূর করে, এবং দ্রুত এবং স্কেলযোগ্য। এই অ্যালগরিদমটি সহজেই সমান্তরাল করার জন্য ডিজাইন করা হয়েছে, যা অনেক প্রসেসরকে একসঙ্গে কাজ করার অনুমতি দেয় যাতে একটি একক ধারাবাহিক মডেল তৈরি করা যায়। এই সমান্তরালকরণ, এখানেও উপস্থাপিত, চমৎকার স্কেলিবিলিটি প্রদর্শন করে। এই বৈশিষ্ট্যগুলির সমন্বয় প্রস্তাবিত অ্যালগরিদমকে ডেটা মাইনিংয়ের জন্য একটি আদর্শ সরঞ্জাম করে তোলে। |
7c3a4b84214561d8a6e4963bbb85a17a5b1e003a | |
76c87ec44fc5dc96bc445abe008deaf7c97c9373 | এই কাগজটি একটি প্ল্যানার গ্রিড অ্যারে অ্যান্টেনা উপস্থাপন করে যা স্ট্যান্ডার্ড নরম সাবস্ট্রেটের একক স্তরের উপর 100 Ω ডিফারেনশিয়াল মাইক্রোস্ট্রিপ লাইন ফিড দিয়ে থাকে। অটোমোবাইল রাডার অ্যাপ্লিকেশনের জন্য এন্টেনটি 79 গিগাহার্টজ ফ্রিকোয়েন্সি ব্যান্ডে কাজ করে। এর একক সারি নকশা উচ্চতায় একটি সংকীর্ণ বিম এবং অজিমথের একটি প্রশস্ত বিম সরবরাহ করে। ডিফারেনশিয়াল মাইক্রোস্ট্রিপ লাইন ফিডিংয়ের সাথে একসাথে, অ্যান্টেনাটি ফ্রিকোয়েন্সি পরিসরে ডিফারেনশিয়াল মাল্টিচ্যানেল এমএমআইসিগুলির জন্য উপযুক্ত। |
bc7308a97ec2d3f7985d48671abe7a8942a5b9f8 | এই গবেষণাপত্রটি অনুভূতি বিশ্লেষণের একটি পদ্ধতির পরিচয় দেয় যা সম্ভাব্য প্রাসঙ্গিক তথ্যের বিভিন্ন উত্সকে একত্রিত করার জন্য সমর্থন ভেক্টর মেশিনগুলি (এসভিএম) ব্যবহার করে, যার মধ্যে বাক্যাংশ এবং বিশেষণগুলির জন্য বেশ কয়েকটি অনুকূলতা পরিমাপ এবং যেখানে উপলব্ধ, পাঠ্যের বিষয়ের জ্ঞান। এই বৈশিষ্ট্যগুলি ব্যবহার করে মডেলগুলিকে একগ্রাম মডেলগুলির সাথে যুক্ত করা হয় যা অতীতে কার্যকর বলে প্রমাণিত হয়েছে (পাং এবং অন্যান্য, ২০০২) এবং একগ্রাম মডেলগুলির লেমমেটাইজড সংস্করণগুলি। Epinions.com থেকে চলচ্চিত্র পর্যালোচনা ডেটা নিয়ে পরীক্ষা-নিরীক্ষা দেখায় যে হাইব্রিড এসভিএমগুলি যা অনগ্রাম-স্টাইলের বৈশিষ্ট্য-ভিত্তিক এসভিএমগুলিকে বাস্তব-মূল্যবান অনুকূলতার পরিমাপের উপর ভিত্তি করে একত্রিত করে উচ্চতর পারফরম্যান্স অর্জন করে, এই ডেটা ব্যবহার করে এখনও পর্যন্ত প্রকাশিত সেরা ফলাফলগুলি উত্পাদন করে। এছাড়াও, বিষয়ের জন্য সংক্ষিপ্ত সংক্ষিপ্ত সংগীত পর্যালোচনাগুলির একটি ছোট ডেটাসেটে বিষয়ের তথ্য দিয়ে সমৃদ্ধ একটি বৈশিষ্ট্য সেট ব্যবহার করে আরও পরীক্ষা-নিরীক্ষা করা হয়েছে, যার ফলাফলগুলি পরামর্শ দেয় যে এই জাতীয় মডেলগুলিতে বিষয়ের তথ্য অন্তর্ভুক্ত করাও উন্নতি করতে পারে। |
be389fb59c12c8c6ed813db13ab74841433ea1e3 | আংটি. ১। আমরা আইম্যাপার উপস্থাপন করছি, একটি পদ্ধতি যা মানুষের সাথে বস্তুর মিথস্ক্রিয়া সম্পর্কে যুক্তি দেয়, একটি সম্ভাব্য দৃশ্য বিন্যাস এবং মানুষের গতি উভয়ই পুনরুদ্ধার করতে, যা একটি ইনপুট একক ভিডিওকে সর্বোত্তমভাবে ব্যাখ্যা করে (ইনসেট দেখুন) । আমরা ভিডিওতে দৃশ্যের বৈশিষ্ট্যযুক্ত ইন্টারঅ্যাকশনগুলিকে (যেমন, এ, বি, সি) ফিট করি এবং তাদের ব্যবহার করে একটি সম্ভাব্য বস্তু বিন্যাস এবং মানুষের গতিপথ (বাম) পুনর্গঠন করি। মূল চ্যালেঞ্জ হল যে নির্ভরযোগ্য ফিটিং অজানা (অর্থাৎ, ল্যাটিন) অক্ষত সম্পর্কে তথ্য প্রয়োজন। (ডানদিকে) আমরা আমাদের ফলাফলের একটি ওভারলে (উপর থেকে) দেখাবো ম্যানুয়ালি টীকাযুক্ত গ্রাউন্ডট্রুথ অবজেক্ট প্লেসমেন্টের উপর। লক্ষ্য করুন যে বস্তুর শ্রেণী, অবস্থান এবং আকারের তথ্যের উপর ভিত্তি করে বস্তুর মেশ স্থাপন করা হয়। |
f24a1af3bd8873920593786d81590d29520cfebc | এই চিঠিতে মাল্টিলেয়ারেড সাবস্ট্রেট ইন্টিগ্রেটেড ওয়েভগাইড (এমএসআইডব্লিউ) কৌশল ভিত্তিক একটি নতুন অক্ষীয় ফিল্টারের নকশা এবং পরীক্ষা উপস্থাপন করা হয়েছে। সি-ব্যান্ডের একটি অক্ষীয় ফিল্টার চারটি ভাঁজযুক্ত এমএসআইডাব্লু গহ্বর সহ উচ্চ ফ্রিকোয়েন্সি স্ট্রাকচার সিমুলেটর সফ্টওয়্যার ব্যবহার করে এবং একটি দ্বি-স্তরযুক্ত মুদ্রিত সার্কিট বোর্ড প্রক্রিয়া দিয়ে তৈরি করা হয়, পরিমাপ করা ফলাফলগুলি ভাল পারফরম্যান্স দেখায় এবং সিমুলেটেড ফলাফলের সাথে একমত। |
8052bc5f9beb389b3144d423e7b5d6fcf5d0cc4f | বৈশিষ্ট্যগুলি বস্তু দ্বারা ভাগ করা শব্দার্থিক চাক্ষুষ বৈশিষ্ট্য। এটি দেখানো হয়েছে যে তারা বস্তুর স্বীকৃতি উন্নত করে এবং বিষয়বস্তু ভিত্তিক চিত্র অনুসন্ধানকে উন্নত করে। যদিও বৈশিষ্ট্যগুলি একাধিক শ্রেণীর অন্তর্ভুক্ত বলে আশা করা হচ্ছে, যেমন ডালমাটিয়ান এবং তিমি উভয়েরই "মৃদু ত্বক" থাকতে পারে, আমরা দেখতে পাই যে একটি একক বৈশিষ্ট্যের চেহারা বিভিন্ন শ্রেণীর মধ্যে বেশ কিছুটা পরিবর্তিত হয়। সুতরাং, একটি শ্রেণীতে শেখানো একটি বৈশিষ্ট্য মডেল অন্য শ্রেণীতে ব্যবহারযোগ্য নাও হতে পারে। আমরা দেখাবো কিভাবে নতুন শ্রেণীর প্রতি বৈশিষ্ট্য মডেলগুলিকে মানিয়ে নেওয়া যায়। আমরা নিশ্চিত করি যে একটি উৎস ডোমেন এবং একটি নতুন টার্গেট ডোমেনের মধ্যে ইতিবাচক স্থানান্তর ঘটতে পারে, একটি বৈশিষ্ট্য উপ-অবস্থায় শেখার মাধ্যমে বৈশিষ্ট্য নির্বাচন দ্বারা পাওয়া যায় যেখানে ডোমেনের ডেটা বিতরণ অনুরূপ। আমরা দেখিয়েছি যে যখন উপন্যাসের ডোমেনের তথ্য সীমিত থাকে, তখন সেই উপন্যাসের ডোমেনের জন্য বৈশিষ্ট্য মডেলগুলিকে নিয়মিতকরণ করে একটি সহায়ক ডোমেন (অ্যাডাপ্টিভ এসভিএম এর মাধ্যমে) প্রশিক্ষিত মডেলগুলি বৈশিষ্ট্য পূর্বাভাসের নির্ভুলতা উন্নত করে। |
01094798b20e96e1d029d6874577167f2214c7b6 | দ্রুত সমকালীন হ্যাশ টেবিলগুলি একটি ক্রমবর্ধমান গুরুত্বপূর্ণ বিল্ডিং ব্লক হিসাবে আমরা সিস্টেমগুলিকে আরও বেশি সংখ্যক কোর এবং থ্রেডগুলিতে স্কেল করি। এই কাগজটি একটি উচ্চ-থ্রুপাউট এবং মেমরি-কার্যকর সমান্তরাল হ্যাশ টেবিলের নকশা, বাস্তবায়ন এবং মূল্যায়ন উপস্থাপন করে যা একাধিক পাঠক এবং লেখককে সমর্থন করে। এই নকশাটি সিস্টেম-স্তরের অপ্টিমাইজেশনের প্রতি যত্নশীল মনোযোগ থেকে উদ্ভূত হয় যেমন সমালোচনামূলক বিভাগের দৈর্ঘ্যকে হ্রাস করা এবং অ্যালগরিদম পুনরায় প্রকৌশলীর মাধ্যমে আন্তঃপ্রসেসর সংহতি ট্র্যাফিক হ্রাস করা। এই ইঞ্জিনিয়ারিং এর স্থাপত্যগত ভিত্তির অংশ হিসেবে, আমরা এই গুরুত্বপূর্ণ বিল্ডিং ব্লক এর জন্য ইন্টেলের সাম্প্রতিক হার্ডওয়্যার লেনদেনের মেমরি (এইচটিএম) সমর্থন গ্রহণের আমাদের অভিজ্ঞতা এবং ফলাফলের একটি আলোচনা অন্তর্ভুক্ত করি। আমরা দেখতে পাচ্ছি যে, বিদ্যমান ডেটা স্ট্রাকচারে একটি রুক্ষ-গ্রানযুক্ত লক ব্যবহার করে একযোগে অ্যাক্সেসের অনুমতি দেওয়া আরও থ্রেডের সাথে সামগ্রিক কার্যকারিতা হ্রাস করে। এইচটিএম এই ধীরগতি কিছুটা কমিয়ে দেয়, তবে এটি এটিকে নির্মূল করে না। উচ্চ কার্যকারিতা অর্জনের জন্য এইচটিএম এবং সূক্ষ্ম-গ্রানযুক্ত লকিংয়ের জন্য ডিজাইন উভয়ই উপকৃত অ্যালগরিদমিক অপ্টিমাইজেশন প্রয়োজন। আমাদের পারফরম্যান্সের ফলাফলগুলি দেখায় যে আমাদের নতুন হ্যাশ টেবিল ডিজাইন--- যা আশাবাদী কুঁকুড়ো হ্যাশিংয়ের উপর ভিত্তি করে--- লেখার ভারী কাজের চাপের জন্য 2.5x পর্যন্ত অন্যান্য অপ্টিমাইজড সমকালীন হ্যাশ টেবিলগুলিকে ছাড়িয়ে যায়, এমনকি ছোট কী-মানের আইটেমগুলির জন্য উল্লেখযোগ্যভাবে কম মেমরি ব্যবহার করার সময়ও। ১৬-কোর মেশিনে, আমাদের হ্যাশ টেবিল প্রতি সেকেন্ডে প্রায় ৪০ মিলিয়ন ইনসার্ট এবং ৭০ মিলিয়নেরও বেশি লুকআপ অপারেশন সম্পাদন করে। |
5685a394b25fcb27b6ad91f7325f2e60a9892e2a | গ্রাফ-এর মত কাঠামোর সাথে ডেটা সংরক্ষণ ও পরিচালনার জন্য ঐতিহ্যগত ডাটাবেসের সীমাবদ্ধতা অতিক্রম করার জন্য সম্প্রতি গ্রাফ ডাটাবেস (জিডিবি) উদ্ভূত হয়েছে। আজ, তারা সামাজিক নেটওয়ার্কগুলির মতো গ্রাফ-মত ডেটা পরিচালনা করে এমন অনেক অ্যাপ্লিকেশনের জন্য একটি প্রয়োজনীয়তার প্রতিনিধিত্ব করে। গ্রাফ ডাটাবেসে অনুসন্ধানগুলি অনুকূলিত করতে ব্যবহৃত বেশিরভাগ কৌশলগুলি traditionalতিহ্যবাহী ডাটাবেস, বিতরণ সিস্টেমগুলিতে ব্যবহৃত হয়েছে, বা তারা গ্রাফ তত্ত্ব থেকে অনুপ্রাণিত হয়েছে। তবে, গ্রাফিক ডাটাবেসে তাদের পুনরায় ব্যবহারের ক্ষেত্রে গ্রাফিক ডাটাবেসের প্রধান বৈশিষ্ট্য যেমন গতিশীল কাঠামো, অত্যন্ত আন্তঃসংযুক্ত তথ্য এবং তথ্য সম্পর্ককে দক্ষতার সাথে অ্যাক্সেস করার ক্ষমতাকে বিবেচনা করা উচিত। এই গবেষণাপত্রে আমরা গ্রাফ ডাটাবেসে ক্যোয়ারী অপ্টিমাইজেশান টেকনিকের সমীক্ষা করেছি। বিশেষ করে, আমরা গ্রাফ-এর মত তথ্য অনুসন্ধান করার জন্য তারা যে বৈশিষ্ট্যগুলি চালু করেছে তার উপর ফোকাস করি। |
0541d5338adc48276b3b8cd3a141d799e2d40150 | ম্যাপ রেডুস একটি প্রোগ্রামিং মডেল এবং প্রক্রিয়াকরণ এবং বড় ডেটাসেট উত্পন্ন করার জন্য একটি সম্পর্কিত বাস্তবায়ন যা বাস্তব বিশ্বের বিভিন্ন ধরণের কাজের জন্য উপযুক্ত। ব্যবহারকারীরা একটি মানচিত্র এবং একটি হ্রাস ফাংশন হিসাবে গণনা নির্দিষ্ট করে এবং অন্তর্নিহিত রানটাইম সিস্টেম স্বয়ংক্রিয়ভাবে মেশিনের বৃহত আকারের ক্লাস্টার জুড়ে গণনা সমান্তরাল করে, মেশিন ব্যর্থতা পরিচালনা করে এবং নেটওয়ার্ক এবং ডিস্কের দক্ষ ব্যবহারের জন্য আন্তঃ-মেশিন যোগাযোগের সময়সূচী করে। প্রোগ্রামাররা এই সিস্টেমটি ব্যবহার করা সহজ বলে মনে করেন: গত চার বছরে গুগলের অভ্যন্তরীণভাবে দশ হাজারেরও বেশি পৃথক ম্যাপ রিডাক্স প্রোগ্রাম বাস্তবায়িত হয়েছে এবং প্রতিদিন গুগলের ক্লাস্টারে গড়ে এক লক্ষ ম্যাপ রিডাক্স কাজ সম্পাদিত হয়, প্রতিদিন মোট বিশ পেটাবাইটেরও বেশি ডেটা প্রক্রিয়াজাত করে। |
683c8f5c60916751bb23f159c86c1f2d4170e43f | |
3a116f2ae10a979c18787245933cb9f984569599 | ওয়্যারলেস সেন্সর নেটওয়ার্ক (ডব্লিউএসএন) বিভিন্ন প্রয়োগের জন্য একটি কার্যকর সমাধান হিসাবে আবির্ভূত হয়েছে। বেশিরভাগ ঐতিহ্যবাহী ডব্লিউএসএন আর্কিটেকচারে স্ট্যাটিক নোড থাকে যা একটি সেন্সরিং এলাকায় ঘনভাবে স্থাপন করা হয়। সম্প্রতি, মোবাইল উপাদান (এমই) উপর ভিত্তি করে বেশ কয়েকটি ডাব্লুএসএন আর্কিটেকচার প্রস্তাব করা হয়েছে। তাদের অধিকাংশই ডব্লিউএসএন-এ তথ্য সংগ্রহের সমস্যা সমাধানের জন্য গতিশীলতাকে কাজে লাগায়। এই নিবন্ধে আমরা প্রথমে এমইগুলির সাথে ডাব্লুএসএনগুলি সংজ্ঞায়িত করি এবং এমইগুলির ভূমিকার ভিত্তিতে তাদের আর্কিটেকচারের একটি বিস্তৃত শ্রেণিবিন্যাস সরবরাহ করি। এরপর আমরা এমন পরিস্থিতিতে তথ্য সংগ্রহের প্রক্রিয়া সম্পর্কে একটি সারসংক্ষেপ উপস্থাপন করব এবং সংশ্লিষ্ট সমস্যা ও চ্যালেঞ্জগুলি চিহ্নিত করব। এই বিষয়গুলির উপর ভিত্তি করে আমরা সংশ্লিষ্ট সাহিত্যের একটি বিস্তৃত সমীক্ষা প্রদান করি। অবশেষে, আমরা অন্তর্নিহিত পদ্ধতি এবং সমাধানগুলির তুলনা করি, খোলা সমস্যা এবং ভবিষ্যতের গবেষণা দিকনির্দেশের ইঙ্গিত দিয়ে। |
e7b50e3f56e21fd2a5eb34923d427a0bc6dd8905 | এই গবেষণাপত্রে মাইক্রোওয়েভ ফিল্টারগুলির জন্য কপ্লিং ম্যাট্রিক্সের সংশ্লেষণের জন্য একটি নতুন পদ্ধতি উপস্থাপন করা হয়েছে। নতুন পদ্ধতিটি কপ্লিং ম্যাট্রিক্স সংশ্লেষণের জন্য বিদ্যমান সরাসরি এবং অপ্টিমাইজেশান পদ্ধতিগুলির উপর একটি অগ্রগতি উপস্থাপন করে যে এটি যদি একাধিক বিদ্যমান থাকে তবে এটি একটি নেটওয়ার্কের জন্য সমস্ত সম্ভাব্য কপ্লিং ম্যাট্রিক্স সমাধানগুলিকে সম্পূর্ণভাবে আবিষ্কার করবে। এইভাবে কপলিং মান, রেজোনারার ফ্রিকোয়েন্সি অফসেট, পরজীবী কপলিং সহনশীলতা ইত্যাদির সেট নির্বাচন করা সম্ভব হবে যা মাইক্রোওয়েভ ফিল্টারটি তৈরি করার জন্য এটির প্রযুক্তির সাথে সবচেয়ে উপযুক্ত হবে। পদ্ধতির ব্যবহারের প্রমাণ হিসেবে সম্প্রতি প্রবর্তিত "এক্সটেন্ডেড বক্স" (ইবি) কপ্লিং ম্যাট্রিক্স কনফিগারেশনের উদাহরণ নেওয়া হয়েছে। EB একটি নতুন শ্রেণীর ফিল্টার কনফিগারেশন প্রতিনিধিত্ব করে যা বেশ কয়েকটি গুরুত্বপূর্ণ সুবিধা নিয়ে গঠিত, যার মধ্যে একটি হল প্রতিটি প্রোটোটাইপ ফিল্টারিং ফাংশনের জন্য একাধিক কপলিং ম্যাট্রিক্স সমাধানের অস্তিত্ব, যেমন 8 ডিগ্রি ক্ষেত্রে 16। এই কেসটি সংমিশ্রণ পদ্ধতির ব্যবহারের উদাহরণ হিসাবে নেওয়া হয়েছে - দ্বৈত মোড বাস্তবায়নের জন্য উপযুক্ত একটি সমাধান এবং এমন একটি যেখানে কিছু সংযুক্তি অবহেলা করার পক্ষে যথেষ্ট ছোট। সূচক পদ - কপলিং ম্যাট্রিক্স, ফিল্টার সংশ্লেষণ, গ্রোবনার ভিত্তি, বিপরীত বৈশিষ্ট্য, একাধিক সমাধান। |
a6f1dfcc44277d4cfd8507284d994c9283dc3a2f | আমরা একটি প্রায় রিয়েল টাইম কম্পিউটার সিস্টেম তৈরি করেছি যা একজন ব্যক্তির মাথা সনাক্ত করতে পারে, এবং তারপরে চেহারার বৈশিষ্ট্যগুলি পরিচিত ব্যক্তিদের সাথে তুলনা করে সেই ব্যক্তিকে চিনতে পারে। এই সিস্টেমে নেওয়া কম্পিউটেশনাল পদ্ধতির অনুপ্রেরণা ফিজিওলজি এবং তথ্য তত্ত্ব উভয় দ্বারা, পাশাপাশি প্রায় রিয়েল-টাইম পারফরম্যান্স এবং নির্ভুলতার ব্যবহারিক প্রয়োজনীয়তা দ্বারা। আমাদের পদ্ধতিতে মুখের স্বীকৃতি সমস্যাটি ত্রিমাত্রিক জ্যামিতি পুনরুদ্ধারের প্রয়োজনের পরিবর্তে একটি অভ্যন্তরীণভাবে দ্বি-মাত্রিক (2-ডি) স্বীকৃতি সমস্যা হিসাবে বিবেচনা করা হয়, মুখগুলি সাধারণত সোজা থাকে এবং এইভাবে 2-ডি বৈশিষ্ট্যযুক্ত দর্শনগুলির একটি ছোট সেট দ্বারা বর্ণিত হতে পারে। এই সিস্টেমটি চেহারার ছবিকে এমন একটি স্পেসে প্রজেক্ট করে কাজ করে যা পরিচিত চেহারার ছবির মধ্যে উল্লেখযোগ্য বৈচিত্র্যকে ছড়িয়ে দেয়। উল্লেখযোগ্য বৈশিষ্ট্যগুলি "ইজেনফেস" নামে পরিচিত, কারণ তারা মুখের সেটের আইজেনভেক্টর (প্রধান উপাদান) । তারা চোখ, কান এবং নাকের মতো বৈশিষ্ট্যগুলির সাথে অগত্যা মিলে যায় না। প্রজেকশন অপারেশনটি একটি পৃথক মুখকে স্বতন্ত্র মুখের বৈশিষ্ট্যগুলির একটি ওজনের সমষ্টি দ্বারা চিহ্নিত করে এবং তাই একটি নির্দিষ্ট মুখকে চিনতে কেবলমাত্র পরিচিত ব্যক্তিদের সাথে এই ওজনের তুলনা করা প্রয়োজন। আমাদের পদ্ধতির কিছু বিশেষ সুবিধা হল এটি শেখার ক্ষমতা প্রদান করে এবং পরে নতুন মুখগুলিকে অনিয়ন্ত্রিতভাবে চিনতে পারে এবং এটি একটি নিউরাল নেটওয়ার্ক আর্কিটেকচার ব্যবহার করে বাস্তবায়ন করা সহজ। |
b217788dd6d274ad391ee950e6f6a34033bd2fc7 | বহুস্তরীয় সংবেদনশীল, যখন ব্যাকপ্রোপাগেশন ব্যবহার করে শ্রেণিবদ্ধকরণকারী হিসাবে প্রশিক্ষিত হয়, তখন বেজ অনুকূল বৈষম্যমূলক ফাংশনকে ঘনিষ্ঠ করে দেখানো হয়। ফলাফলটি দুই শ্রেণীর সমস্যা এবং একাধিক শ্রেণীর জন্য প্রদর্শিত হয়। এটা দেখানো হয়েছে যে মাল্টিলেয়ার পার্সপ্ট্রনের আউটপুটগুলি প্রশিক্ষিত শ্রেণীর এ পোস্টেরিয়র সম্ভাব্যতা ফাংশনগুলির কাছাকাছি। প্রমাণটি যেকোন সংখ্যক স্তর এবং যেকোন ধরণের ইউনিট অ্যাক্টিভেশন ফাংশন, লিনিয়ার বা নন-লিনিয়ারের জন্য প্রযোজ্য। |
647cb3825baecb6fab8b098166d5a446f7711f9b | সাম্প্রতিক বছরগুলোতে, গভীর জেনারেটিভ মডেলগুলিকে কল্পনা করার জন্য দেখানো হয়েছে যে তারা সরাসরি কাঁচা ডেটা থেকে শিখতে পারে, যেমন চিত্র, অডিও এবং এমনকি ভিডিওর মতো উচ্চ মাত্রিক পর্যবেক্ষণগুলিকে বিশ্বাসযোগ্য করে তোলে। এই কাজের মধ্যে, আমরা জিজ্ঞাসা করি কিভাবে লক্ষ্য-নির্দেশিত ভিজ্যুয়াল প্ল্যানগুলি কল্পনা করা যায় - পর্যবেক্ষণের একটি সম্ভাব্য ক্রম যা একটি গতিশীল সিস্টেমকে তার বর্তমান কনফিগারেশন থেকে একটি পছন্দসই লক্ষ্য রাষ্ট্রে রূপান্তরিত করে, যা পরে নিয়ন্ত্রণের জন্য একটি রেফারেন্স ট্র্যাজেক্টরি হিসাবে ব্যবহার করা যেতে পারে। আমরা উচ্চ মাত্রিক পর্যবেক্ষণের সিস্টেমগুলিতে ফোকাস করি, যেমন চিত্রগুলি, এবং এমন একটি পদ্ধতির প্রস্তাব দিই যা প্রাকৃতিকভাবে উপস্থাপনা শেখার এবং পরিকল্পনাকে একত্রিত করে। আমাদের কাঠামো ক্রমাগত পর্যবেক্ষণের একটি জেনারেটিভ মডেল শিখেছে, যেখানে জেনারেটিভ প্রক্রিয়াটি নিম্ন-মাত্রিক পরিকল্পনা মডেলের একটি রূপান্তর দ্বারা প্ররোচিত হয় এবং একটি অতিরিক্ত গোলমাল। উত্পন্ন পর্যবেক্ষণ এবং পরিকল্পনার মডেলের রূপান্তরের মধ্যে পারস্পরিক তথ্যকে সর্বাধিক করে, আমরা একটি নিম্ন-মাত্রিক উপস্থাপনা পাই যা ডেটার কার্যকারিতা প্রকৃতিকে সর্বোত্তমভাবে ব্যাখ্যা করে। আমরা পরিকল্পনা মডেলকে কাঠামোগতভাবে কার্যকর পরিকল্পনা অ্যালগরিদমের সাথে সামঞ্জস্যপূর্ণ করার জন্য গঠন করি এবং আমরা বিভিন্ন ধরনের মডেলের প্রস্তাব করি যা বিচ্ছিন্ন বা ধারাবাহিক রাষ্ট্রের উপর ভিত্তি করে। অবশেষে, একটি ভিজ্যুয়াল প্ল্যান তৈরি করতে, আমরা বর্তমান এবং লক্ষ্য পর্যবেক্ষণগুলিকে তাদের নিজ নিজ অবস্থার উপর পরিকল্পনা মডেলের উপর প্রজেক্ট করি, একটি ট্র্যাজেক্টরি পরিকল্পনা করি এবং তারপরে ট্র্যাজেক্টরিটিকে পর্যবেক্ষণের একটি ক্রমে রূপান্তর করতে জেনারেটিভ মডেলটি ব্যবহার করি। আমরা রোপ ম্যানিপুলেশনের সম্ভাব্য ভিজ্যুয়াল প্ল্যান কল্পনা করে আমাদের পদ্ধতিটি প্রদর্শন করি। |
a63b97291149bfed416aa9e56a21314069540a7b | লক্ষ্যঃ মনোযোগ ঘাটতি/অতিসক্রিয়তা ব্যাধি (এডিএইচডি) আক্রান্ত শিশু ও কিশোর-কিশোরীদের মধ্যে কর্মক্ষম স্মৃতি (ওয়ার্কিং মেমরি) প্রক্রিয়ার ঘাটতির জন্য অভিজ্ঞতাগত প্রমাণ নির্ধারণ করা। পদ্ধতি ADHD আক্রান্ত শিশুদের মধ্যে WM এর ত্রুটি আছে কিনা তা পরীক্ষা করার জন্য এক্সপ্লোরেশনাল মেটা- অ্যানালিটিক পদ্ধতি ব্যবহার করা হয়েছিল। ১৯৯৭ থেকে ডিসেম্বর ২০০৩ পর্যন্ত প্রকাশিত ২৬টি গবেষণাপত্র (আগেকার পর্যালোচনার পর) আমাদের অন্তর্ভুক্তিকরণের মানদণ্ড পূরণ করেছে। এই পরিমাপগুলোকে মৌখিক, স্থানিক এবং প্রয়োজনীয় প্রক্রিয়াকরণের ধরন অনুযায়ী শ্রেণীবদ্ধ করা হয় (স্টোরেজ বনাম স্টোরেজ/ম্যানিপুলেশন) । ফলাফল এডিএইচডি আক্রান্ত শিশুদের মধ্যে ডব্লিউএম এর একাধিক উপাদানগুলির ঘাটতি দেখা যায় যা ভাষা শেখার ব্যাধি এবং সাধারণ বুদ্ধিমত্তার দুর্বলতার সাথে সহ-রোগের স্বাধীন ছিল। স্পেসিয়াল স্টোরেজ (প্রভাবের আকার = 0. 85, আইসি = 0. 62 - 1.08) এবং স্পেসিয়াল সেন্ট্রাল এক্সিকিউটিভ ডাব্লুএম (প্রভাবের আকার = 1. 06, কনফিডেন্স ইন্টারভাল = 0. 72-1.39) এর জন্য সামগ্রিক প্রভাব আকারগুলি মৌখিক স্টোরেজ (প্রভাবের আকার = 0. 47, কনফিডেন্স ইন্টারভাল = 0. 36- 0. 59) এবং মৌখিক কেন্দ্রীয় এক্সিকিউটিভ ডাব্লুএম (প্রভাবের আকার = 0. 43, কনফিডেন্স ইন্টারভাল = 0. 24- 0. 62) এর চেয়ে বেশি ছিল। উপসংহার ADHD আক্রান্ত শিশুদের মধ্যে WM ত্রুটিগুলির প্রমাণ ADHD-তে WM প্রক্রিয়াগুলি জড়িত সাম্প্রতিক তাত্ত্বিক মডেলগুলিকে সমর্থন করে। এডিএইচডি-র প্রতিবন্ধকতার প্রকৃতি, তীব্রতা এবং নির্দিষ্টতা আরও স্পষ্টভাবে বর্ণনা করার জন্য ভবিষ্যতের গবেষণার প্রয়োজন। |
49e77b981a0813460e2da2760ff72c522ae49871 | গভীর শিক্ষণ বিভিন্ন মেশিন লার্নিং কার্যক্রমে অন্যান্য পদ্ধতির চেয়ে ভাল পারফরম্যান্সের জন্য বড় ডেটাসেট এবং কম্পিউটেশনাল দক্ষ প্রশিক্ষণ অ্যালগরিদমের সুবিধা নেয়। যাইহোক, গভীর নিউরাল নেটওয়ার্কগুলির প্রশিক্ষণ পর্যায়ে অসম্পূর্ণতা তাদের বিরোধী নমুনার জন্য দুর্বল করে তোলেঃ গভীর নিউরাল নেটওয়ার্কগুলিকে ভুল শ্রেণিবদ্ধ করার অভিপ্রায় নিয়ে বিরোধীরা তৈরি করা ইনপুট। এই কাজের মাধ্যমে আমরা ডিপ নিউরাল নেটওয়ার্ক (ডিএনএন) এর বিরুদ্ধে প্রতিপক্ষের স্থানকে আনুষ্ঠানিকভাবে প্রণয়ন করেছি এবং ডিএনএন এর ইনপুট এবং আউটপুটগুলির মধ্যে ম্যাপিংয়ের সুনির্দিষ্ট বোঝার উপর ভিত্তি করে প্রতিপক্ষের নমুনা তৈরির জন্য অ্যালগরিদমের একটি নতুন শ্রেণীর পরিচয় করিয়ে দিয়েছি। কম্পিউটার ভিশনের একটি প্রয়োগে, আমরা দেখিয়েছি যে আমাদের অ্যালগরিদমগুলি নির্ভরযোগ্যভাবে মানব বিষয় দ্বারা সঠিকভাবে শ্রেণীবদ্ধ নমুনা উত্পাদন করতে পারে কিন্তু একটি ডিএনএন দ্বারা নির্দিষ্ট লক্ষ্যগুলিতে ভুল শ্রেণীবদ্ধ করা হয় 97% প্রতিদ্বন্দ্বী সাফল্যের হার সহ যখন নমুনা প্রতি ইনপুট বৈশিষ্ট্যগুলির গড় 4.02% পরিবর্তন করে। তারপর আমরা বিভিন্ন নমুনা শ্রেণীর প্রতিদ্বন্দ্বীতাপূর্ণ বিঘ্নের জন্য দুর্বলতা মূল্যায়ন করি একটি কঠোরতা পরিমাপ সংজ্ঞায়িত করে। অবশেষে, আমরা একটি অশুভ ইনপুট এবং একটি লক্ষ্য শ্রেণীবিভাগের মধ্যে দূরত্বের একটি পূর্বাভাস পরিমাপ সংজ্ঞায়িত করে বিরোধী নমুনাগুলির বিরুদ্ধে প্রতিরক্ষা রূপরেখা প্রাথমিক কাজ বর্ণনা করি। |
3f52f57dcfdd1bb0514ff744f4fdaa986a325591 | অ্যাপলের ম্যাকবুক ফার্মওয়্যার নিরাপত্তায় বেশ কয়েকটি ত্রুটি রয়েছে যা এই ল্যাপটপগুলির এসপিআই ফ্ল্যাশ বুট রমে অবিশ্বস্ত পরিবর্তনগুলি লেখার অনুমতি দেয়। এই ক্ষমতা জনপ্রিয় অ্যাপল ম্যাকবুক পণ্য লাইনের জন্য স্থায়ী ফার্মওয়্যার রুটকিট বা বুটকাইট এর একটি নতুন শ্রেণীর প্রতিনিধিত্ব করে। স্টিলথ বুটকিটগুলি সনাক্তকরণ থেকে নিজেকে লুকিয়ে রাখতে পারে এবং সফ্টওয়্যারগুলিকে তাদের অপসারণের প্রচেষ্টা রোধ করতে পারে। বুট রম-এর ক্ষতিকারক পরিবর্তনগুলি অপারেটিং সিস্টেম পুনরায় ইনস্টল করা এবং এমনকি হার্ড-ড্রাইভ প্রতিস্থাপনও করতে সক্ষম। অতিরিক্তভাবে, ম্যালওয়্যারটি অন্যান্য থান্ডারবোল্ট ডিভাইসের বিকল্প রমগুলিতে নিজের একটি অনুলিপি ইনস্টল করতে পারে যাতে এয়ার-গ্যাপ সুরক্ষা পরিধি জুড়ে ভাইরালভাবে ছড়িয়ে পড়তে পারে। অ্যাপল CVE 2014-4498 এর অংশ হিসাবে এই ত্রুটিগুলির কিছু সংশোধন করেছে, তবে এই শ্রেণীর দুর্বলতার কোনও সহজ সমাধান নেই, যেহেতু ম্যাকবুকের বুট সময় ফার্মওয়্যারের ক্রিপ্টোগ্রাফিক বৈধতা সম্পাদন করার জন্য নির্ভরযোগ্য হার্ডওয়্যার নেই। |
3b3acbf7cc2ec806e4177eac286a2ee22f6f7630 | এই কাগজটি অতি-ব্রডব্যান্ড ডিজিটাল-টু-অ্যানালগ (ডি/এ) রূপান্তর উপ-সিস্টেমের জন্য 110 গিগাহার্টজ-এর বেশি ব্যান্ডউইথ 2:1 এনালগ মাল্টিপ্লেক্সার (এএমইউএক্স) উপস্থাপন করে। AMUX নতুনভাবে উন্নত $\pmb{0.25-\mu \mathrm{m}}$ -ইমিটার-প্রস্থ InP ডাবল হেট্রোজংশন বাইপোলার ট্রানজিস্টর (DHBTs) ব্যবহার করে ডিজাইন এবং তৈরি করা হয়েছিল, যার শীর্ষ $\pmb{f_{\mathrm{T}}}$ এবং $\pmb{f\displaystyle \max}$ যথাক্রমে 460 এবং 480 গিগাহার্জ। AMUX IC গঠিত হয় একক বিল্ডিং ব্লক, যার মধ্যে রয়েছে ডেটা-ইনপুট লিনিয়ার বাফার, একটি ক্লক-ইনপুট সীমিত বাফার, একটি AMUX কোর এবং একটি আউটপুট লিনিয়ার বাফার। ডাটা এবং ক্লক পাথের জন্য পরিমাপ করা 3-ডিবি ব্যান্ডউইথ উভয়ই 110 গিগাহার্টের বেশি। এছাড়াও, এটি 180 GS/s পর্যন্ত সময়-ডোমেন বড়-সিগন্যাল নমুনা গ্রহণের ক্রিয়াকলাপগুলি পরিমাপ করে এবং প্রাপ্ত করে। এই AMUX ব্যবহার করে একটি 224-Gb/s (112-GBaud) চার-স্তরের পালস-বৈচিত্র্য বিন্যাস (PAM4) সংকেত সফলভাবে উৎপন্ন করা হয়েছে। আমাদের জানা মতে, এই এএমইউএক্স আইসির ব্যান্ডউইথ সবচেয়ে বেশি এবং নমুনা গ্রহণের হার সবচেয়ে দ্রুত। |
4dd7721248c5489e25f46f7ab78c7d0229a596d4 | এই কাগজটি একটি সম্পূর্ণরূপে সমন্বিত RF শক্তি-উৎপাদন ব্যবস্থা প্রবর্তন করে। এই সিস্টেমটি একই সময়ে বহিরাগত ডিসি লোডের দ্বারা প্রয়োজনীয় বর্তমান সরবরাহ করতে পারে এবং অতিরিক্ত আউটপুট পাওয়ারের সময়কালে বহিরাগত ক্যাপাসিটরগুলিতে অতিরিক্ত শক্তি সঞ্চয় করতে পারে। এই নকশাটি 0.18- $ \mu \text{m}$ সিএমওএস প্রযুক্তিতে তৈরি করা হয়েছে এবং সক্রিয় চিপ এলাকাটি 1.08 মিমি 2। প্রস্তাবিত স্বয়ংক্রিয় স্টার্টআপ সিস্টেমটি একটি সমন্বিত এলসি ম্যাচিং নেটওয়ার্ক, একটি আরএফ র্যাক্টিফায়ার এবং একটি পাওয়ার ম্যানেজমেন্ট / কন্ট্রোলার ইউনিট, যা 66-157 এনডব্লিউ খরচ করে। প্রয়োজনীয় ঘড়ি প্রজন্ম এবং ভোল্টেজ রেফারেন্স সার্কিট একই চিপে সংহত করা হয়। ডিউটি সাইকেল কন্ট্রোলটি কম ইনপুট পাওয়ারের জন্য কাজ করতে ব্যবহৃত হয় যা চাহিদা অনুযায়ী আউটপুট পাওয়ার সরবরাহ করতে পারে না। এছাড়াও, উপলব্ধ আউটপুট পাওয়ারের দক্ষতা বাড়ানোর জন্য আরএফ রিক্টিফায়ারের ধাপের সংখ্যা পুনরায় কনফিগার করা যায়। উচ্চ উপলব্ধ শক্তির জন্য, একটি বহিরাগত শক্তি সঞ্চয় উপাদান চার্জ করার জন্য একটি মাধ্যমিক পথ সক্রিয় করা হয়। পরিমাপ করা RF ইনপুট পাওয়ার সংবেদনশীলতা হল -14.8 dBm একটি 1-V DC আউটপুট এ। |
7314be5cd836c8f06bd1ecab565b00b65259eac6 | বড় আকারের নথি সংরক্ষণাগার পরিচালনার জন্য সমাধান প্রদানকারী অ্যালগরিদমের একটি স্যুটের সমীক্ষা করা। |
f0eace9bfe72c2449f76461ad97c4042d2a7141b | এই চিঠিতে ডাব্লু-ব্যান্ডে একটি নতুন অ্যান্টেনা-ইন-প্যাকেজ (এআইপি) প্রযুক্তির প্রস্তাব দেওয়া হয়েছে। এই প্রযুক্তিটি বিশেষ ক্ষেত্রে সমাধানের জন্য উপস্থাপিত হয় যে ধাতব প্যাকেজটি উচ্চ যান্ত্রিক শক্তিকে সামঞ্জস্য করার জন্য ব্যবহার করা উচিত। মাল্টিলেয়ার লো টেম্পারেচার কো-ফায়ার্ড সিরামিক (এলটিসিসি) প্রযুক্তির সুবিধা গ্রহণ করে, অ্যান্টেনার বিকিরণ দক্ষতা বজায় রাখা যায়। এদিকে, উচ্চ যান্ত্রিক শক্তি এবং ঢালাই কর্মক্ষমতা অর্জন করা হয়। এআইপি-র একটি প্রোটোটাইপ তৈরি করা হয়েছে। এই প্রোটোটাইপটি একটি সমন্বিত এলটিসিসি অ্যান্টেনা, কম ক্ষতির ফিডার এবং একটি কনফার্মড হর্ন অ্যাপারচার সহ ধাতব প্যাকেজ গঠন করে। এই এলটিসিসি ফিডারটি ল্যামিনেটেড ওয়েভগাইড (এলডাব্লুজি) দ্বারা উপলব্ধ। একটি এলডব্লিউজি গহ্বর যা এলটিসিসি-তে পুড়ে গেছে এন্টেনের প্রতিবন্ধকতা ব্যান্ডউইথ প্রসারিত করতে ব্যবহৃত হয়। ইলেক্ট্রোম্যাগনেটিক (ইএম) সিমুলেশন এবং অ্যান্টেনা পারফরম্যান্সের পরিমাপগুলি আগ্রহের পুরো ফ্রিকোয়েন্সি পরিসরে ভালভাবে একমত হয়। প্রস্তাবিত প্রোটোটাইপটি 88 থেকে 98 গিগাহার্জ পর্যন্ত 10 গিগাহার্জের -10-ডিবি প্রতিবন্ধকতা ব্যান্ডউইথ এবং 89 গিগাহার্জে 12.3 ডিবিআইয়ের পিক লাভ অর্জন করে। |
2077d0f30507d51a0d3bbec4957d55e817d66a59 | আমরা একটি কাঠামো তৈরি করি সাধারণ, অভিব্যক্তিপূর্ণ চিত্রের প্রিওর শেখার জন্য যা প্রাকৃতিক দৃশ্যের পরিসংখ্যান ধারণ করে এবং বিভিন্ন মেশিন ভিউন কাজের জন্য ব্যবহার করা যায়। এই পদ্ধতিটি প্রসারিত পিক্সেল প্রতিবেশীদের উপর সম্ভাব্য ফাংশনগুলি শেখার মাধ্যমে প্রচলিত মার্কভ র্যান্ডম ফিল্ড (এমআরএফ) মডেলগুলি প্রসারিত করে। ফিল্ড সম্ভাব্যগুলি প্রোডাক্ট-অফ-এক্সপার্টস ফ্রেমওয়ার্ক ব্যবহার করে মডেল করা হয় যা অনেকগুলি রৈখিক ফিল্টার প্রতিক্রিয়াগুলির অ-রৈখিক ফাংশনগুলিকে কাজে লাগায়। পূর্ববর্তী এমআরএফ পদ্ধতির বিপরীতে, লিনিয়ার ফিল্টার সহ সমস্ত পরামিতি প্রশিক্ষণ ডেটা থেকে শিখে নেওয়া হয়। আমরা এই ক্ষেত্রের দক্ষতা প্রদর্শন করি বিশেষজ্ঞ মডেল দুটি উদাহরণ অ্যাপ্লিকেশন, চিত্র denoising এবং চিত্র inpainting, যা একটি সহজ, আনুমানিক অনুমান স্কিম ব্যবহার করে বাস্তবায়িত হয়। যদিও মডেলটি একটি সাধারণ চিত্রের ডাটাবেসে প্রশিক্ষিত হয় এবং নির্দিষ্ট অ্যাপ্লিকেশনের দিকে টুন করা হয় না, আমরা এমন ফলাফল পাই যা বিশেষায়িত কৌশলগুলির সাথে প্রতিযোগিতা করে এবং এমনকি তাদের চেয়েও ভাল। |
214658334c581f0d18b9a871928e91b6e4f83be7 | এই ধারণাটি সুইচড ক্যাপাসিটর টপোলজির অনুরূপ যেখানে ভোল্টেজগুলি ভারসাম্য বজায় রাখতে ব্যাটারির কোষ জুড়ে একটি ক্যাপাসিটর বা ক্যাপাসিটর ব্যাংকগুলি স্যুইচ করা হয়। যেহেতু একটি বেসিক ব্যাটারি সেল মডেলের মধ্যে ক্যাপাসিট্যান্স রয়েছে সেলের ক্যাপাসিটিভ প্রভাবের কারণে, এই ক্যাপাসিটিভ প্রভাবটি সেল ভারসাম্য বজায় রাখার জন্য ব্যবহার করা যেতে পারে। সুতরাং সুইচড ক্যাপাসিটর টপোলজিতে ইকুয়ালাইজার ক্যাপাসিটরগুলিকে বাদ দেওয়া যেতে পারে এবং ব্যাটারির কোষগুলি একে অপরের সাথে স্যুইচ করা যেতে পারে। এটি দ্রুত শক্তি স্থানান্তর করতে দেয় এবং ফলে দ্রুত সমীকরণ হয়। প্রস্তাবিত টপোলজিতে ক্যাপাসিটরগুলির মতো অতিরিক্ত শক্তি সঞ্চয়কারী উপাদানগুলির প্রয়োজন নেই, যা প্রায়শই পাওয়ার ইলেকট্রনিক সার্কিটগুলিতে ব্যর্থ হয়, অতিরিক্ত শক্তি সঞ্চয়কারী উপাদানগুলির দ্বারা সন্নিবেশিত ক্ষতি এবং সার্কিটের ব্যয় এবং ভলিউম হ্রাস করে এবং নিয়ন্ত্রণ অ্যালগরিদমকে সহজ করে তোলে। প্রস্তাবিত ব্যালেন্সিং সার্কিটটি অ্যাপ্লিকেশন প্রয়োজনীয়তা অনুযায়ী বাস্তবায়িত হতে পারে। প্রস্তাবিত টপোলজিটি ম্যাটল্যাব/সিমুলিংক পরিবেশে সিমুলেট করা হয়েছে এবং সুইচড ক্যাপাসিটর টপোলজিগুলির তুলনায় ভারসাম্যকরণের গতির ক্ষেত্রে আরও ভাল ফলাফল দেখিয়েছে। ব্যাটারিগুলির জীবনচক্র বাড়াতে এবং ব্যাটারি থেকে সর্বোচ্চ শক্তি আহরণের জন্য সেল ব্যালেন্সিং সার্কিটগুলি গুরুত্বপূর্ণ। ব্যাটারি প্যাকেজে সেল ব্যালেন্সিংয়ের জন্য অনেক পাওয়ার ইলেকট্রনিক্স টপোলজি ব্যবহার করা হয়েছে। সক্রিয় কোষ ভারসাম্য টপোলজিগুলি উচ্চতর পারফরম্যান্স দেখানো কোষ থেকে কম পারফরম্যান্স দেখানো কোষগুলিতে শক্তি স্থানান্তর করে ব্যাটারির কোষ জুড়ে ভোল্টেজগুলি ভারসাম্য বজায় রাখতে ইন্ডাক্টর-ক্যাপাসিটর বা ট্রান্সফরমার-ক্যাপাসিটর বা সুইচড ক্যাপাসিটর বা সুইচড ইন্ডাক্টরের সংমিশ্রণের মতো শক্তি সঞ্চয়কারী উপাদান ব্যবহার করে। এই গবেষণায় কোন শক্তি সঞ্চয় উপাদান ব্যবহার না করে একটি সক্রিয় ভারসাম্য টপোলজি প্রস্তাব করা হয়। |
0c04909ed933469246defcf9aca2b71ae8e3f623 | এই বইয়ের দ্বিতীয় সংস্করণে প্রধান পরিবর্তন হচ্ছে সম্ভাব্যতা পুনরুদ্ধারের একটি নতুন অধ্যায়ের সংযোজন। এই অধ্যায়টি অন্তর্ভুক্ত করা হয়েছে কারণ আমি মনে করি এটি তথ্য পুনরুদ্ধারের গবেষণার সবচেয়ে আকর্ষণীয় এবং সক্রিয় ক্ষেত্রগুলির মধ্যে একটি। এখনও অনেক সমস্যা সমাধানের বাকি আছে, তাই আমি আশা করি এই অধ্যায়টি যারা এই ক্ষেত্রে জ্ঞানকে এগিয়ে নিতে চান তাদের জন্য কিছু সাহায্য করবে। অন্যান্য সকল অধ্যায়ের বিষয়বস্তুতে সাম্প্রতিক কিছু কাজ অন্তর্ভুক্ত করে তা আপডেট করা হয়েছে। এই বইয়ের উপাদানটি উন্নত স্নাতক তথ্য (বা কম্পিউটার) বিজ্ঞান শিক্ষার্থী, স্নাতকোত্তর গ্রন্থাগার বিজ্ঞান শিক্ষার্থী এবং আইআর ক্ষেত্রে গবেষক কর্মীদের লক্ষ্য করে তৈরি করা হয়েছে। কিছু অধ্যায়, বিশেষ করে ৬ষ্ঠ অধ্যায় *, সহজভাবে অল্প কিছু উন্নত গণিত ব্যবহার করে। যাইহোক, প্রয়োজনীয় গাণিতিক সরঞ্জামগুলি এখন বিদ্যমান অসংখ্য গাণিতিক গ্রন্থ থেকে সহজেই আয়ত্ত করা যায় এবং যে কোনও ক্ষেত্রে, যেখানে গণিত ঘটে সেখানে রেফারেন্স দেওয়া হয়েছে। আমার সামনে ছিল ব্যাখ্যা করার স্বচ্ছতা এবং উল্লেখের ঘনত্বের মধ্যে ভারসাম্য বজায় রাখার সমস্যা। আমি অনেকগুলি রেফারেন্স দিতে প্রলুব্ধ হয়েছিলাম কিন্তু ভয় পেয়েছিলাম যে তারা পাঠ্যের ধারাবাহিকতা নষ্ট করবে। আমি চেষ্টা করেছি মধ্যম পথ অবলম্বন করতে এবং বার্ষিক তথ্য বিজ্ঞান ও প্রযুক্তি পর্যালোচনা প্রতিযোগিতা না করতে। সাধারণত, শুধুমাত্র এমন কাজগুলি উদ্ধৃত করার জন্য উৎসাহিত করা হয় যা কোন সহজেই প্রাপ্তিসাধ্য আকারে প্রকাশিত হয়েছে, যেমন একটি বই বা পর্যায়ক্রমিক। দুর্ভাগ্যবশত, আইআর-এর অনেক আকর্ষণীয় কাজই রয়েছে প্রযুক্তিগত প্রতিবেদন এবং পিএইচডি থিসিসে। উদাহরণস্বরূপ, কর্নেল বিশ্ববিদ্যালয়ের স্মার্ট সিস্টেমের উপর করা বেশিরভাগ কাজ শুধুমাত্র রিপোর্টে পাওয়া যায়। সৌভাগ্যবশত, এর মধ্যে অনেকগুলি এখন জাতীয় প্রযুক্তিগত তথ্য পরিষেবা (মার্কিন যুক্তরাষ্ট্র) এবং বিশ্ববিদ্যালয় মাইক্রোফিল্ম (যুক্তরাজ্য) এর মাধ্যমে পাওয়া যায়। আমি এই উৎসগুলো ব্যবহার করা থেকে বিরত হইনি, যদিও একই বিষয়বস্তু অন্য কোনো ফর্মে সহজেই প্রাপ্তিসাধ্য হলে আমি তাকেই অগ্রাধিকার দিয়েছি। আমি অনেক ব্যক্তি ও প্রতিষ্ঠানের কাছে আমার ঋণ স্বীকার করতে চাই যারা আমাকে সাহায্য করেছে। প্রথমেই আমি বলব যে এই বইয়ের অনেক ধারণার জন্য তারা দায়ী কিন্তু আমি চাই শুধু আমাকে দায়ী করা হোক। আমার সবচেয়ে বড় ঋণ কারেন স্পার্ক জোনসকে, যিনি আমাকে তথ্য পুনরুদ্ধারকে একটি পরীক্ষামূলক বিজ্ঞান হিসেবে গবেষণা করতে শিখিয়েছেন। নিক জারডিন আর রবিন ... |
3cfbb77e5a0e24772cfdb2eb3d4f35dead54b118 | কনটেক্সট-পরিদর্শক মডেল (যা সাধারণত এম্বেডিং বা নিউরাল ল্যাঙ্গুয়েজ মডেল নামে পরিচিত) হল ডিস্ট্রিবিউশনাল সেম্যান্টিক্স ব্লকের নতুন শিশু। এই মডেলগুলিকে ঘিরে যেসব গুঞ্জন রয়েছে তা সত্ত্বেও, সাহিত্যে এখনও ক্লাসিক, গণনা-ভেক্টর-ভিত্তিক বিতরণমূলক শব্দার্থিক পদ্ধতির সাথে ভবিষ্যদ্বাণীমূলক মডেলগুলির একটি পদ্ধতিগত তুলনা নেই। এই গবেষণাপত্রে, আমরা অনেকগুলি প্যারামিটার সেটিংসের মাধ্যমে বিভিন্ন লেক্সিকেল শব্দার্থবিজ্ঞান কার্যের উপর ব্যাপক মূল্যায়ন করি। আমাদের নিজের বিস্ময়ের জন্য, ফলাফলগুলো দেখায় যে এই গুঞ্জন সম্পূর্ণরূপে যুক্তিযুক্ত, কারণ প্রসঙ্গ-ভিত্তিক ভবিষ্যদ্বাণীমূলক মডেলগুলো তাদের গণনা-ভিত্তিক প্রতিপক্ষের বিরুদ্ধে একটি সম্পূর্ণ এবং চমকপ্রদ বিজয় অর্জন করে। |
9ec20b90593695e0f5a343dade71eace4a5145de | ১ম ছাত্র, ডিপার্টমেন্ট। অস্ট্রাক্ট ডিপ লার্নিং মেশিন লার্নিং এর একটি নতুন গবেষণা ক্ষেত্র হিসেবে অস্তিত্ব লাভ করেছে। এটি মানুষের মস্তিষ্কের মতো কাজ করার লক্ষ্য রাখে, জটিল তথ্য থেকে শিখতে এবং প্রক্রিয়া করার ক্ষমতা রাখে এবং জটিল কাজগুলিও সমাধান করার চেষ্টা করে। এই ক্ষমতার কারণে এটি বিভিন্ন ক্ষেত্রে যেমন টেক্সট, সাউন্ড, ইমেজ ইত্যাদিতে ব্যবহৃত হয়েছে। প্রাকৃতিক ভাষার প্রক্রিয়া গভীর শিক্ষণ কৌশল দ্বারা প্রভাবিত হতে শুরু করেছে। এই গবেষণাপত্রটি প্রাকৃতিক ভাষা প্রক্রিয়াকরণে ডিপ লার্নিং এর সাম্প্রতিক উন্নয়ন এবং অ্যাপ্লিকেশনগুলি তুলে ধরে। |
cc13fde0a91f4d618e6af66b49690702906316ae | সাম্প্রতিক বছরগুলোতে ক্লাউড কম্পিউটিং এবং বিগ ডেটার যুগ গড়ে উঠেছে, যা ঐতিহ্যগত সিদ্ধান্ত গ্রহনের অ্যালগরিদমের জন্য চ্যালেঞ্জ তৈরি করেছে। প্রথমত, যেহেতু ডেটাসেটের আকার অত্যন্ত বড় হয়ে যায়, সিদ্ধান্ত গাছ তৈরির প্রক্রিয়াটি বেশ সময়সাপেক্ষ হতে পারে। দ্বিতীয়ত, যেহেতু তথ্য আর মেমরিতে ফিট করতে পারে না, তাই কিছু গণনাকে বহিরাগত স্টোরেজে স্থানান্তর করতে হবে এবং তাই I/O খরচ বাড়ায়। এই উদ্দেশ্যে, আমরা ম্যাপ রিডাক্স প্রোগ্রামিং মডেল ব্যবহার করে একটি সাধারণ সিদ্ধান্ত গাছের অ্যালগরিদম, সি ৪.৫ বাস্তবায়নের প্রস্তাব দিচ্ছি। বিশেষ করে, আমরা ঐতিহ্যগত অ্যালগরিদমকে ম্যাপ এবং রিডুস পদ্ধতির একটি সিরিজে রূপান্তরিত করি। তাছাড়া, আমরা কিছু ডেটা স্ট্রাকচার ডিজাইন করি যাতে কমিউনিকেশন খরচ কম হয়। আমরা একটি বিশাল ডেটাসেটে ব্যাপক পরীক্ষা-নিরীক্ষা চালাই। ফলাফলগুলো দেখায় যে আমাদের অ্যালগরিদম সময় দক্ষতা এবং স্কেলযোগ্যতা উভয়ই প্রদর্শন করে। |
d73a71fa24b582accb934a9c2308567376ff396d | ৩ডি জিও-ডাটাবেজ গবেষণা একটি প্রতিশ্রুতিশীল ক্ষেত্র যা ৩ডি শহুরে পরিকল্পনা, পরিবেশ পর্যবেক্ষণ, অবকাঠামো ব্যবস্থাপনা এবং প্রাথমিক সতর্কতা বা দুর্যোগ ব্যবস্থাপনা এবং প্রতিক্রিয়া হিসাবে চ্যালেঞ্জিং অ্যাপ্লিকেশনগুলিকে সমর্থন করে। এই ক্ষেত্রে, জিআইএস বিজ্ঞান এবং সংশ্লিষ্ট ক্ষেত্রে আন্তঃবিষয়ক গবেষণা মডেলিং, বিশ্লেষণ, পরিচালনা এবং বৃহৎ ভূ-সংলগ্ন ডেটা সেটগুলির একীকরণ সমর্থন করার জন্য প্রয়োজন, যা মানুষের কার্যক্রম এবং ভূতাত্ত্বিক ঘটনা বর্ণনা করে। জিও-ডাটাবেসগুলি 2 ডি মানচিত্র, 3 ডি জিও-বৈজ্ঞানিক মডেল এবং অন্যান্য জিও-রেফারেন্সড ডেটা সংহত করার জন্য প্ল্যাটফর্ম হিসাবে কাজ করতে পারে। তবে বর্তমান জিও-ডাটাবেস পর্যাপ্ত ৩ডি ডেটা মডেলিং এবং ডেটা হ্যান্ডলিংয়ের কৌশল সরবরাহ করে না। নতুন থ্রিডি জিও-ডাটাবেস প্রয়োজন যা পৃষ্ঠ এবং ভলিউম মডেলগুলি পরিচালনা করতে পারে। এই নিবন্ধটি প্রথম ভূ-তথ্যভান্ডার গবেষণার 25 বছরের একটি প্রত্যাবর্তন উপস্থাপন করে। তথ্য মডেলিং, মান এবং জিও-ডেটা সূচক বিস্তারিতভাবে আলোচনা করা হয়। এই গবেষণায় থ্রিডি জিও-ডাটাবেজ তৈরির নতুন দিকনির্দেশনা তুলে ধরা হয়েছে। প্রাথমিক সতর্কতা এবং জরুরি প্রতিক্রিয়া ক্ষেত্রে দুটি দৃশ্যকল্প মানব এবং ভূতাত্ত্বিক ঘটনাগুলির সম্মিলিত ব্যবস্থাপনা প্রদর্শন করে। এই নিবন্ধটি খোলা গবেষণার সমস্যাগুলির সমালোচনামূলক দৃষ্টিভঙ্গি দিয়ে শেষ হয়। & ২০১১ এ্যালসেভিয়ার লিমিটেড. সমস্ত অধিকার সংরক্ষিত. |
dce7a0550b4d63f6fe2e6908073ce0ce63626b0c | রোবোটিক্স এবং কৃত্রিম বুদ্ধিমত্তার ক্ষেত্রে আমরা যখন অটোমেশনের পথে হাঁটছি, আমাদের ডিভাইসগুলোকে আমাদের থেকে স্বাধীনভাবে কাজ করতে হলে আমাদেরকে ক্রমবর্ধমান পরিমাণে নৈতিক সিদ্ধান্ত গ্রহণের প্রক্রিয়া স্বয়ংক্রিয় করতে হবে। কিন্তু নৈতিক সিদ্ধান্ত গ্রহণের স্বয়ংক্রিয়করণ প্রকৌশলী ও ডিজাইনারদের জন্য নতুন প্রশ্ন উত্থাপন করে, যাদের সিদ্ধান্ত নিতে হবে কিভাবে এই কাজটি সম্পন্ন করতে হবে। উদাহরণস্বরূপ, কিছু নৈতিক সিদ্ধান্ত গ্রহণের ক্ষেত্রে কঠিন নৈতিক বিষয় জড়িত থাকে, যার ফলে ব্যবহারকারীর মতামত প্রয়োজন যদি আমরা স্বায়ত্তশাসন এবং অবগত সম্মতিকে ঘিরে প্রতিষ্ঠিত নিয়মকে সম্মান করতে চাই। লেখক এই এবং অন্যান্য নৈতিক বিবেচনার যে নৈতিক সিদ্ধান্ত গ্রহণের স্বয়ংক্রিয়তা সঙ্গে আসে বিবেচনা করে। তিনি কিছু সাধারণ নৈতিক প্রয়োজনীয়তা প্রস্তাব করেছেন যা ডিজাইন রুমে বিবেচনা করা উচিত এবং একটি নকশা সরঞ্জাম স্কেচ করে যা প্রকৌশলী, ডিজাইনার, নৈতিকতাবিদ এবং নীতি নির্ধারকদের সিদ্ধান্ত নিতে সহায়তা করার জন্য নকশা প্রক্রিয়ায় সংহত করা যেতে পারে নৈতিক সিদ্ধান্ত গ্রহণের নির্দিষ্ট ফর্মগুলিকে কীভাবে স্বয়ংক্রিয় করা যায়। |
ab19cbea5c61536b616cfa7654cf01bf0621b83f | |
102153467f27d43dd1db8a973846d3ac10ffdc3c | স্বাস্থ্যসেবা হচ্ছে ইন্টারনেট অব থিংস (আইওটি) প্রযুক্তির দ্রুত বর্ধনশীল ক্ষেত্র। আইওটি ডিভাইসগুলি হৃদরোগের মতো দীর্ঘস্থায়ী রোগে আক্রান্ত রোগীদের দূরবর্তী স্বাস্থ্য পর্যবেক্ষণের জন্য ব্যবহার করা যেতে পারে। এই গবেষণাপত্রে আমরা ইসিজি বিশ্লেষণ এবং হার্টবিট নির্ণয়ের জন্য শ্রেণীবিভাগের জন্য একটি অ্যালগরিদম তৈরি করেছি এবং এটি একটি আইওটি-ভিত্তিক এমবেডেড প্ল্যাটফর্মে প্রয়োগ করেছি। এই অ্যালগরিদমটি আমাদের প্রস্তাবিত একটি পরিধানযোগ্য ইসিজি ডায়াগনস্টিক ডিভাইস, যা রোগীর ২৪ ঘন্টা ক্রমাগত পর্যবেক্ষণের জন্য উপযুক্ত। আমরা ইসিজি বিশ্লেষণের জন্য ডিসক্রিট ওয়েভলেট ট্রান্সফর্ম (ডিডব্লিউটি) এবং একটি সাপোর্ট ভেক্টর মেশিন (এসভিএম) শ্রেণিবদ্ধকরণ ব্যবহার করি। শ্রেষ্ঠ শ্রেণীবিভাগের নির্ভুলতা অর্জন করা হয়েছে 98.9%, আকার 18 এর একটি বৈশিষ্ট্য ভেক্টর এবং 2493 সমর্থন ভেক্টর জন্য। গ্যালিলিও বোর্ডে অ্যালগরিদমের বিভিন্ন বাস্তবায়নগুলি দেখায় যে গণনা ব্যয়টি এমন, যে ইসিজি বিশ্লেষণ এবং শ্রেণিবদ্ধকরণ রিয়েল-টাইমে সম্পাদন করা যেতে পারে। |
44159c85dec6df7a257cbe697bfc854ecb1ebb0b | ন্যাশনাল ইনস্টিটিউট অব হেলথের ন্যাশনাল সেন্টার ফর রিসার্চ রিসোর্স এর তত্ত্বাবধানে সদ্য উদ্বোধন করা রিসার্চ রিসোর্স ফর কমপ্লেক্স ফিজিওলজিকাল সিগন্যালস এর উদ্দেশ্য হ ল কার্ডিওভাসকুলার এবং অন্যান্য জটিল বায়োমেডিক্যাল সিগন্যালগুলির গবেষণায় বর্তমান গবেষণা এবং নতুন তদন্তকে উদ্দীপিত করা। এই সম্পদটির তিনটি অংশ রয়েছে। PhysioBank হল একটি বড় এবং ক্রমবর্ধমান সংরক্ষণাগার যা বায়োমেডিক্যাল গবেষণা সম্প্রদায়ের ব্যবহারের জন্য শারীরবৃত্তীয় সংকেত এবং সম্পর্কিত ডেটার সু-বৈশিষ্ট্যযুক্ত ডিজিটাল রেকর্ডিংয়ের একটি সংরক্ষণাগার। বর্তমানে এটিতে স্বাস্থ্যকর ব্যক্তিদের এবং বিভিন্ন জনস্বাস্থ্যের প্রভাব সহ বিভিন্ন ধরণের অবস্থার রোগীদের থেকে মাল্টিপ্যারামিটার কার্ডিওপলমোনারি, নিউরাল এবং অন্যান্য বায়োমেডিক্যাল সংকেতগুলির ডাটাবেস রয়েছে, যার মধ্যে রয়েছে জীবন-হুমকির মতো অ্যারাইথমিয়া, জ্যামিতিক হৃদযন্ত্রের ব্যর্থতা, ঘুমের নিশ্বাস বন্ধ হওয়া, স্নায়বিক ব্যাধি এবং বার্ধক্য। PhysioToolkit হল ফিজিওলজিকাল সিগন্যাল প্রসেসিং এবং বিশ্লেষণের জন্য ওপেন সোর্স সফটওয়্যারের একটি লাইব্রেরি, ক্লাসিক কৌশল এবং অ-রেখিক গতিশীলতা, সংকেতগুলির ইন্টারেক্টিভ প্রদর্শন এবং চরিত্রগতকরণ, নতুন ডাটাবেস তৈরি, শারীরবৃত্তীয় এবং অন্যান্য সংকেতগুলির সিমুলেশন, বিশ্লেষণ পদ্ধতির পরিমাণগত মূল্যায়ন এবং তুলনা এবং অস্থায়ী প্রক্রিয়াগুলির বিশ্লেষণের উপর ভিত্তি করে উভয় ক্লাসিক কৌশল এবং নতুন পদ্ধতি ব্যবহার করে শারীরবৃত্তীয়ভাবে উল্লেখযোগ্য ঘটনা সনাক্তকরণ। PhysioNet হল একটি অনলাইন ফোরাম যা রেকর্ড করা বায়োমেডিক্যাল সিগন্যাল এবং সেগুলি বিশ্লেষণের জন্য ওপেন সোর্স সফটওয়্যার বিতরণ ও বিনিময় করে। এটি তথ্যের সমন্বয়মূলক বিশ্লেষণ এবং প্রস্তাবিত নতুন অ্যালগরিদমের মূল্যায়নের জন্য সুবিধা প্রদান করে। PhysioBank ডেটা এবং PhysioToolkit সফটওয়্যারের জন্য বিনামূল্যে ইলেকট্রনিক অ্যাক্সেস প্রদানের পাশাপাশি ওয়ার্ল্ড ওয়াইড ওয়েব (http://www.physionet. PhysioNet বিভিন্ন স্তরের বিশেষজ্ঞদের সাহায্য করার জন্য অনলাইন টিউটোরিয়ালের মাধ্যমে সেবা এবং প্রশিক্ষণ প্রদান করে। |
a92eac4415719698d7d2097ef9564e7b36699010 | উদ্দেশ্য - কর্পোরেট টেকসইতা এবং এর কার্যকারিতা সম্পর্কে মূল্যায়ন এবং প্রতিবেদন করার জন্য স্টেকহোল্ডারদের জড়িত করার পদ্ধতি হিসাবে সামাজিক নিরীক্ষণের প্রয়োগযোগ্যতা চিহ্নিত করা। ডিজাইন/পদ্ধতি/পদ্ধতি - এএ১০০০ এর কাঠামো এবং সামাজিক নিরীক্ষা গবেষণার উপর ভিত্তি করে এই নথিটি কর্পোরেট টেকসইতা মোকাবেলায় সংলাপ-ভিত্তিক সামাজিক নিরীক্ষা প্রয়োগের লক্ষ্যে স্টেকহোল্ডার প্রবৃত্তি, সামাজিক নিরীক্ষা এবং কর্পোরেট টেকসইতাকে সংযুক্ত করে। ফলাফল - এই গবেষণাপত্রটি কর্পোরেট টেকসইতা এবং সামাজিক নিরীক্ষণের মধ্যে একটি ম্যাচ চিহ্নিত করে, কারণ উভয়ই একটি প্রতিষ্ঠানের সামাজিক, পরিবেশগত এবং অর্থনৈতিক কর্মক্ষমতা উন্নত করার লক্ষ্যে, স্টেকহোল্ডারদের একটি বৃহত্তর পরিসরের মঙ্গল বিবেচনা করে এবং প্রক্রিয়াটিতে স্টেকহোল্ডারদের জড়িত থাকার প্রয়োজন। এই গবেষণাপত্রের মাধ্যমে পরামর্শ দেওয়া হয়েছে যে, আলোচনার মাধ্যমে স্টেকহোল্ডারদের জড়িত করে সামাজিক নিরীক্ষা ট্রাস্ট তৈরি করতে, প্রতিশ্রুতি চিহ্নিত করতে এবং স্টেকহোল্ডার এবং কর্পোরেশনগুলির মধ্যে সহযোগিতা প্রচার করতে ব্যবহার করা যেতে পারে। গবেষণার সীমাবদ্ধতা/অন্তর্নিহিত প্রভাব - এই গবেষণায় কর্পোরেট টেকসইতা মোকাবেলায় সামাজিক নিরীক্ষণের ব্যবহারিকতা এবং সংলাপ-ভিত্তিক সামাজিক নিরীক্ষণের সীমাবদ্ধতার নির্ধারণের বিষয়ে আরও অভিজ্ঞতার গবেষণা প্রয়োজন। ব্যবহারিক প্রভাব - সামাজিক নিরীক্ষা একটি গণতান্ত্রিক ব্যবসায়িক সমাজে স্টেকহোল্ডার এবং কর্পোরেশনগুলির মধ্যে বিভিন্ন স্বার্থের ভারসাম্য বজায় রাখার একটি দরকারী প্রক্রিয়া হিসাবে চিহ্নিত করা হয়েছে। কর্পোরেট টেকসই উন্নয়ন ও অর্জনে সামাজিক নিরীক্ষার প্রয়োগের স্পষ্টতই ব্যবহারিক প্রভাব রয়েছে। মূলধন/মূল্য - এই গবেষণাপত্রটি ব্যবসায়িক প্রতিষ্ঠানকে টেকসই উন্নয়নের দিকে এগিয়ে যেতে সাহায্য করার জন্য সংলাপ ভিত্তিক সামাজিক নিরীক্ষার প্রয়োগযোগ্যতা পরীক্ষা করে। সামাজিক নিরীক্ষা একটি প্রক্রিয়া যা কর্পোরেট সামাজিক এবং পরিবেশগত কর্মক্ষমতা মূল্যায়ন এবং প্রতিবেদন করে, যার মাধ্যমে অংশীদারদের সাথে কথোপকথনের মাধ্যমে জড়িত করা হয়, ট্রাস্ট তৈরি করতে, প্রতিশ্রুতি চিহ্নিত করতে এবং অংশীদারদের এবং কর্পোরেশনগুলির মধ্যে সহযোগিতা প্রচার করতে ব্যবহার করা যেতে পারে। |
915c4bb289b3642489e904c65a47fa56efb60658 | আমরা ইমেজ ট্রান্সফরমেশন সমস্যা বিবেচনা করি, যেখানে একটি ইনপুট ইমেজ একটি আউটপুট ইমেজে রূপান্তরিত হয়। এই ধরনের সমস্যার জন্য সাম্প্রতিক পদ্ধতিগুলি সাধারণত ফিড-ফরওয়ার্ড কনভোলুশনাল নিউরাল নেটওয়ার্কগুলিকে আউটপুট এবং গ্রাউন্ড-সত্য চিত্রগুলির মধ্যে প্রতি পিক্সেল ক্ষতি ব্যবহার করে প্রশিক্ষণ দেয়। সমান্তরাল কাজটি দেখিয়েছে যে পূর্ব প্রশিক্ষিত নেটওয়ার্ক থেকে বের করা উচ্চ-স্তরের বৈশিষ্ট্যগুলির উপর ভিত্তি করে উপলব্ধি ক্ষতির ফাংশনগুলি সংজ্ঞায়িত এবং অনুকূলিতকরণ করে উচ্চ-মানের চিত্র তৈরি করা যেতে পারে। আমরা উভয় পদ্ধতির সুবিধাগুলি একত্রিত করি এবং চিত্র রূপান্তর কার্যের জন্য ফিড-ফরওয়ার্ড নেটওয়ার্কগুলিকে প্রশিক্ষণের জন্য উপলব্ধি ক্ষতির ফাংশন ব্যবহারের প্রস্তাব দিই। আমরা চিত্রের স্টাইল ট্রান্সফারের ফলাফল দেখাই, যেখানে একটি ফিড-ফরওয়ার্ড নেটওয়ার্ককে রিয়েল-টাইমে গ্যাটিস এবং অন্যান্যদের দ্বারা প্রস্তাবিত অপ্টিমাইজেশান সমস্যা সমাধানের জন্য প্রশিক্ষণ দেওয়া হয়। অপ্টিমাইজেশান ভিত্তিক পদ্ধতির তুলনায়, আমাদের নেটওয়ার্ক একই ধরনের গুণগত ফলাফল দেয় কিন্তু তা তিন গুণ দ্রুত। আমরা একক চিত্রের সুপার-রেজোলিউশনের সাথেও পরীক্ষা-নিরীক্ষা করছি, যেখানে প্রতি পিক্সেলের ক্ষতিকে একটি উপলব্ধিগত ক্ষতির সাথে প্রতিস্থাপন করা দৃশ্যত আনন্দদায়ক ফলাফল দেয়। |
9201bf6f8222c2335913002e13fbac640fc0f4ec | |
929a376c6fea1376baf40fc2979cfbdd867f03ab | লসি ইমেজ কম্প্রেশন পদ্ধতি সবসময় বিভিন্ন অপ্রীতিকর আর্টিফ্যাক্ট সংক্ষেপিত ফলাফলের মধ্যে প্রবর্তন করে, বিশেষ করে কম বিট-রেটে। সাম্প্রতিক বছরগুলোতে, জেপিইজি সংকুচিত চিত্রের জন্য অনেক কার্যকর নরম ডিকোডিং পদ্ধতি প্রস্তাব করা হয়েছে। তবে আমাদের জানা মতে, জেপিইজি ২০০০ কম্প্রেসড ইমেজগুলির সফট ডিকোডিং নিয়ে খুব কম কাজ করা হয়েছে। বিভিন্ন কম্পিউটার ভিশন কাজে কনভলুশন নিউরাল নেটওয়ার্ক (সিএনএন) এর অসামান্য পারফরম্যান্সের অনুপ্রেরণায় আমরা একাধিক বিট-রেট-চালিত গভীর সিএনএন ব্যবহার করে জেপিইজি ২০০০ এর জন্য একটি নরম ডিকোডিং পদ্ধতি উপস্থাপন করছি। বিশেষ করে, প্রশিক্ষণ পর্যায়ে, আমরা অনেকগুলি উচ্চমানের প্রশিক্ষণ চিত্র এবং বিভিন্ন কোডিং বিট-রেটে সংশ্লিষ্ট জেপিইজি 2000 সংকুচিত চিত্র ব্যবহার করে গভীর সিএনএনগুলির একটি সিরিজ প্রশিক্ষণ দিই। পরীক্ষার পর্যায়ে, একটি ইনপুট সংকুচিত চিত্রের জন্য, নিকটতম কোডিং বিট-রেট দিয়ে প্রশিক্ষিত সিএনএনকে নরম ডিকোডিং সম্পাদন করতে নির্বাচিত করা হয়। ব্যাপক পরীক্ষায় উপস্থাপিত সফট ডিকোডিং ফ্রেমওয়ার্কের কার্যকারিতা প্রমাণিত হয়েছে, যা জেপিইজি ২০০০ সংকুচিত চিত্রগুলির ভিজ্যুয়াল গুণমান এবং উদ্দেশ্য স্কোরকে ব্যাপকভাবে উন্নত করে। |
cfa092829c4c7a42ec77ab6844661e1dae082172 | বিটকয়েন একটি নতুন ধারণা চালু করেছে যা বিদ্যমান পুরো ইন্টারনেটে বিপ্লব ঘটাতে পারে এবং ব্যাংকিং, সরকারি খাত এবং সরবরাহ চেইন সহ অনেক ধরণের শিল্পে ইতিবাচক প্রভাব ফেলতে পারে। এই উদ্ভাবনটি ছদ্ম-নামহীনতার উপর ভিত্তি করে এবং ব্লকচেইন প্রযুক্তির উপর ভিত্তি করে তার উদ্ভাবনী বিকেন্দ্রীভূত স্থাপত্যের উপর প্রচেষ্টা করে। কেন্দ্রীয় কর্তৃপক্ষের প্রয়োজন ছাড়াই ট্রাস্ট প্রতিষ্ঠার মাধ্যমে লেনদেন ভিত্তিক অ্যাপ্লিকেশনগুলির একটি প্রতিযোগিতা ব্লকচেইন এগিয়ে নিয়ে যাচ্ছে, ব্যবসায়িক প্রক্রিয়ার মধ্যে জবাবদিহিতা এবং স্বচ্ছতা প্রচার করছে। তবে, একটি ব্লকচেইন লেজার (যেমন, বিটকয়েন) খুব জটিল হয়ে ওঠে এবং বিশেষায়িত সরঞ্জামগুলি, যৌথভাবে ব্লকচেইন অ্যানালিটিক্স বলা হয়, ব্যক্তি, আইন প্রয়োগকারী সংস্থা এবং পরিষেবা সরবরাহকারীদের এটি অনুসন্ধান, অন্বেষণ এবং ভিজ্যুয়ালাইজ করার অনুমতি দেওয়ার জন্য প্রয়োজনীয়। গত কয়েক বছরে, বেশ কয়েকটি বিশ্লেষণাত্মক সরঞ্জাম তৈরি করা হয়েছে যার ক্ষমতা রয়েছে, উদাহরণস্বরূপ, সম্পর্কগুলি ম্যাপ করা, লেনদেনের প্রবাহ পরীক্ষা করা এবং ফরেনসিক তদন্তকে উন্নত করার উপায় হিসাবে অপরাধের ঘটনাগুলি ফিল্টার করা। এই নিবন্ধে ব্লকচেইন বিশ্লেষণাত্মক সরঞ্জামগুলির বর্তমান অবস্থা নিয়ে আলোচনা করা হয়েছে এবং তাদের অ্যাপ্লিকেশনগুলির উপর ভিত্তি করে একটি থিম্যাটিক শ্রেণিবদ্ধকরণ মডেল উপস্থাপন করা হয়েছে। ভবিষ্যতে উন্নয়ন ও গবেষণার জন্য উন্মুক্ত চ্যালেঞ্জগুলিও এটি পরীক্ষা করে। |
2e5fadbaab27af0c2b5cc6a3481c11b2b83c4f94 | আমরা একটি ছবির পেছনে ফটোগ্রাফারকে চিহ্নিত করার নতুন সমস্যাটি উপস্থাপন করছি। এই সমস্যা সমাধানের জন্য বর্তমান কম্পিউটার ভিশন প্রযুক্তির ব্যবহারযোগ্যতা পরীক্ষা করার জন্য, আমরা ৪১ জন বিখ্যাত ফটোগ্রাফারের ১৮০,০০০ এর বেশি ছবির একটি নতুন ডেটা সেট তৈরি করেছি। এই ডেটা সেট ব্যবহার করে, আমরা ফটোগ্রাফারকে সনাক্ত করতে বিভিন্ন বৈশিষ্ট্য (নিম্ন এবং উচ্চ স্তরের, সিএনএন বৈশিষ্ট্য সহ) এর কার্যকারিতা পরীক্ষা করেছি। আমরা এই কাজের জন্য একটি নতুন গভীর কনভলুশনাল নিউরাল নেটওয়ার্ক প্রশিক্ষণ দিয়েছি। আমাদের ফলাফল দেখায় যে উচ্চ পর্যায়ের বৈশিষ্ট্যগুলি নিম্ন পর্যায়ের বৈশিষ্ট্যগুলিকে অনেক বেশি কার্যকর করে। আমরা এই শিক্ষিত মডেল ব্যবহার করে গুণগত ফলাফল প্রদান করি যা আমাদের পদ্ধতির ফটোগ্রাফারদের মধ্যে পার্থক্য করার ক্ষমতা সম্পর্কে অন্তর্দৃষ্টি প্রদান করে এবং আমাদেরকে আকর্ষণীয় সিদ্ধান্তে আসতে দেয় যে নির্দিষ্ট ফটোগ্রাফাররা কী শুট করে। আমরা আমাদের পদ্ধতির দুটি প্রয়োগের প্রদর্শন করব। |
25b6818743a6c0b9502a1c026c653038ff505c09 | |
6ed67a876b3afd2f2fb7b5b8c0800a0398c76603 | |
24281c886cd9339fe2fc5881faf5ed72b731a03e | MapReduce এবং এর ভেরিয়েন্টগুলি পণ্য ক্লাস্টারে বড় আকারের ডেটা-নিবিড় অ্যাপ্লিকেশনগুলি বাস্তবায়নে অত্যন্ত সফল হয়েছে। যাইহোক, এই সিস্টেমগুলির বেশিরভাগই একটি অ-চক্রীয় ডেটা প্রবাহ মডেলের চারপাশে নির্মিত যা অন্যান্য জনপ্রিয় অ্যাপ্লিকেশনগুলির জন্য উপযুক্ত নয়। এই কাগজ অ্যাপ্লিকেশন এক ধরনের ক্লাস উপর দৃষ্টি নিবদ্ধ করা হয়ঃ যারা একাধিক সমান্তরাল অপারেশন জুড়ে তথ্য একটি কাজ সেট পুনরায় ব্যবহার. এর মধ্যে রয়েছে অনেক পুনরাবৃত্তিমূলক মেশিন লার্নিং অ্যালগরিদম, পাশাপাশি ইন্টারেক্টিভ ডেটা বিশ্লেষণ সরঞ্জাম। আমরা স্পার্ক নামে একটি নতুন ফ্রেমওয়ার্ক প্রস্তাব করছি যা এই অ্যাপ্লিকেশনগুলিকে সমর্থন করে এবং ম্যাপরেডুসের স্কেলযোগ্যতা এবং ত্রুটি সহনশীলতা বজায় রাখে। এই লক্ষ্যগুলি অর্জনের জন্য, স্পার্ক একটি বিমূর্ততা চালু করে যা স্থিতিস্থাপক বিতরণ ডেটাসেট (আরডিডি) নামে পরিচিত। একটি RDD হল একটি সেট মেশিনের মধ্যে বিভক্ত বস্তুর একটি শুধুমাত্র পাঠযোগ্য সংগ্রহ যা একটি পার্টিশন হারিয়ে গেলে পুনর্নির্মাণ করা যেতে পারে। স্পার্ক পুনরাবৃত্তিমূলক মেশিন লার্নিং কাজের ক্ষেত্রে হ্যাডোপকে 10x দ্বারা ছাড়িয়ে যেতে পারে এবং সাব-সেকেন্ডের প্রতিক্রিয়া সময়ের সাথে 39 গিগাবাইট ডেটাসেটকে ইন্টারেক্টিভভাবে অনুসন্ধান করতে ব্যবহার করা যেতে পারে। |
03ff3f8f4d5a700fbe8f3a3e63a39523c29bb60f | বাক্যকে সঠিকভাবে উপস্থাপন করার ক্ষমতা ভাষা বোঝার জন্য গুরুত্বপূর্ণ। আমরা একটি কনভলুশনাল আর্কিটেকচার বর্ণনা করছি যাকে ডায়নামিক কনভলুশনাল নিউরাল নেটওয়ার্ক (ডিসিএনএন) বলা হয় যা আমরা বাক্যগুলির অর্থগত মডেলিংয়ের জন্য গ্রহণ করি। নেটওয়ার্কটি ডায়নামিক কে-ম্যাক্স পুলিং ব্যবহার করে, যা লিনিয়ার সিকোয়েন্সের উপর একটি গ্লোবাল পুলিং অপারেশন। নেটওয়ার্কটি বিভিন্ন দৈর্ঘ্যের ইনপুট বাক্যগুলি পরিচালনা করে এবং বাক্যটির উপর একটি বৈশিষ্ট্য গ্রাফকে প্ররোচিত করে যা স্বল্প ও দীর্ঘ-পরিসরের সম্পর্কগুলিকে স্পষ্টভাবে ক্যাপচার করতে সক্ষম। এই নেটওয়ার্কটি কোনো পার্সার ট্রি-এর উপর নির্ভর করে না এবং যেকোনো ভাষার জন্য সহজেই প্রযোজ্য। আমরা ডিসিএনএনকে চারটি পরীক্ষায় পরীক্ষা করেছি: ছোট স্কেল বাইনারি এবং মাল্টি-ক্লাসের মতামত পূর্বাভাস, ছয়-পথের প্রশ্ন শ্রেণীবিভাগ এবং দূরবর্তী তত্ত্বাবধানে টুইটার মতামত পূর্বাভাস। প্রথম তিনটি কাজেই নেটওয়ার্কটি চমৎকার পারফরম্যান্স অর্জন করেছে এবং শেষ কাজেই সবচেয়ে শক্তিশালী বেসলাইনটির তুলনায় ত্রুটি কমেছে ২৫ শতাংশের বেশি। |
ff5c193fd7142b3f426baf997b43937eca1bbbad | মাল্টিলেভেল ইনভার্টার প্রযুক্তি সম্প্রতি উচ্চ-ক্ষমতাযুক্ত মধ্য-ভোল্টেজ শক্তি নিয়ন্ত্রণের ক্ষেত্রে একটি অত্যন্ত গুরুত্বপূর্ণ বিকল্প হিসাবে আবির্ভূত হয়েছে। এই কাগজটি ডায়োড-ক্ল্যাম্পড ইনভার্টার (নিরপেক্ষ-পয়েন্ট ক্ল্যাম্পড), ক্যাপাসিটার-ক্ল্যাম্পড (ফ্লাইং ক্যাপাসিটার), এবং পৃথক ডিসি উত্স সহ ক্যাসকেডযুক্ত মাল্টিসেলের মতো সর্বাধিক গুরুত্বপূর্ণ টপোলজি উপস্থাপন করে। এছাড়া, নতুন নতুন টপোলজি যেমন- অসম্মত হাইব্রিড সেল এবং নরম-সুইচড মাল্টিলেভেল ইনভার্টার নিয়েও আলোচনা করা হয়েছে। এই কাগজটি কনভার্টারগুলির এই পরিবারের জন্য বিকাশিত সবচেয়ে প্রাসঙ্গিক নিয়ন্ত্রণ এবং মডুলেশন পদ্ধতিগুলিও উপস্থাপন করেঃ মাল্টিলেভেল সাইনোসয়েডাল পালসউইডথ মডুলেশন, মাল্টিলেভেল নির্বাচনী হারমোনিক অপসারণ এবং স্পেস-ভেক্টর মডুলেশন। এই রূপান্তরকারীদের সাম্প্রতিক এবং আরো প্রাসঙ্গিক অ্যাপ্লিকেশন যেমন ল্যামিনেটর, কনভেয়র বেল্ট এবং ইউনিফাইড পাওয়ার-ফ্লো কন্ট্রোলারগুলিতে বিশেষ মনোযোগ দেওয়া হয়। পুনর্জন্মমূলক লোড সরবরাহকারী ইনভার্টারগুলির জন্য ইনপুট সাইডে একটি সক্রিয় ফ্রন্ট এন্ডের প্রয়োজন সম্পর্কেও আলোচনা করা হয়েছে এবং সার্কিট টপোলজি বিকল্পগুলিও উপস্থাপন করা হয়েছে। অবশেষে, উচ্চ-ভোল্টেজ উচ্চ-পাওয়ার ডিভাইস এবং অপটিক্যাল সেন্সর এবং ভবিষ্যতের উন্নয়নের জন্য অন্যান্য সুযোগের মতো পার্শ্ববর্তী উন্নয়নশীল ক্ষেত্রগুলিকে সম্বোধন করা হয়েছে। |