_id
stringlengths 40
40
| text
stringlengths 0
9.47k
|
|---|---|
45c56dc268a04c5fc7ca04d7edb985caf2a25093 | ডিসক্রিট সম্ভাব্যতা বন্টনের সাথে সাধারণ প্যারামিটার অনুমান পদ্ধতিগুলি উপস্থাপন করে, যা পাঠ্য মডেলিংয়ের ক্ষেত্রে বিশেষ আগ্রহের বিষয়। সর্বাধিক সম্ভাব্যতা, পরবর্তীতে এবং বেয়েসিয়ান অনুমান দিয়ে শুরু করে, সংযুক্ত বিতরণ এবং বেয়েসিয়ান নেটওয়ার্কগুলির মতো কেন্দ্রীয় ধারণাগুলি পর্যালোচনা করা হয়। একটি অ্যাপ্লিকেশন হিসাবে, ল্যাটেনট ডিরিকলেট বরাদ্দের মডেল (এলডিএ) গিবস নমুনা গ্রহণের উপর ভিত্তি করে একটি আনুমানিক অনুমান অ্যালগরিদমের সম্পূর্ণ ডেরিভেশন সহ বিস্তারিতভাবে ব্যাখ্যা করা হয়েছে, যার মধ্যে ডিরিকলেট হাইপারপ্যারামিটার অনুমানের একটি আলোচনা রয়েছে। ইতিহাসঃ সংস্করণ ১ঃ মে ২০০৫, সংস্করণ ২.৪ঃ আগস্ট ২০০৮। |
9e463eefadbcd336c69270a299666e4104d50159 | |
2e268b70c7dcae58de2c8ff7bed1e58a5e58109a | এটি লেখক এর ডায়নামিক প্রোগ্রামিং এবং সর্বোত্তম নিয়ন্ত্রণ, ভোলের অধ্যায় 4 এর একটি আপডেট সংস্করণ। ২, ৪র্থ সংস্করণ, অ্যাথেনা সায়েন্টিফিক, ২০১২। এটিতে নতুন উপাদান রয়েছে এবং এটি উল্লেখযোগ্যভাবে সংশোধন ও সম্প্রসারিত হয়েছে (এটির আকার দ্বিগুণেরও বেশি হয়েছে) । নতুন উপাদানটি বেশ কয়েকটি মডেলের একটি ইউনিফাইড চিকিত্সা প্রদানের লক্ষ্যে, যার সবগুলিই চুক্তির কাঠামোর অভাব রয়েছে যা অধ্যায় 1 এবং 2 এর ছাড়যুক্ত সমস্যার বৈশিষ্ট্যযুক্তঃ ইতিবাচক এবং নেতিবাচক খরচ মডেল, নির্ধারিত সর্বোত্তম নিয়ন্ত্রণ (অনুকূলিতকরণ ডিপি সহ), স্টোকস্টিক সংক্ষিপ্ততম পথ মডেল এবং ঝুঁকি-সংবেদনশীল মডেল। এখানে নতুন উপাদান একটি সংক্ষিপ্তসার হলঃ |
6d596cb55d99eae216840090b46bc5e49d7aeea5 | আমরা দুটি নতুন কৌশল প্রস্তাব করছি যা লিনিয়ার সিস্টেমের সমাধানের জন্য প্রাসঙ্গিক ঘন ম্যাট্রিক্স ফ্যাক্টরাইজেশনে তথাকথিত লুক-এভারেজ প্রক্রিয়াগুলি প্রয়োগ করার সময় লোড-অসমতলতা অতিক্রম করার জন্য। উভয় কৌশলই এমন একটি দৃশ্যের লক্ষ্যবস্তু করে যেখানে ফ্যাক্টরাইজেশনের সময় দুটি থ্রেড টিম তৈরি/সক্রিয় করা হয়, যার প্রতিটি টিম একটি স্বাধীন কাজ/কার্য সম্পাদনের শাখা সম্পাদনের জন্য দায়ী। প্রথম কৌশলটি দুটি কাজের মধ্যে কর্মী ভাগাভাগি (ডাব্লুএস) প্রচার করে, যা প্রথম কাজটি সম্পন্ন করার থ্রেডগুলিকে ব্যয়বহুল কাজের দ্বারা ব্যবহারের জন্য পুনঃবিন্যস্ত করার অনুমতি দেয়। দ্বিতীয় কৌশলটি একটি দ্রুত কাজকে সমাপ্তির ধীর কাজকে সতর্ক করার অনুমতি দেয়, দ্বিতীয় কাজের প্রাথমিক সমাপ্তি (ইটি) প্রয়োগ করে এবং পরবর্তী পুনরাবৃত্তিতে ফ্যাক্টরাইজেশন পদ্ধতির মসৃণ রূপান্তর করে। মৌলিক লিনিয়ার বীজগণিত উপপ্রোগ্রামের একটি নতুন নমনীয় থ্রেড-স্তরের বাস্তবায়নের মাধ্যমে দুটি প্রক্রিয়াকে উদাহরণস্বরূপ করা হয় এবং তাদের সুবিধাগুলি আংশিক পিভটিংয়ের সাথে আংশিক পিভটিংয়ের সাথে উন্নত লুই ফ্যাক্টরাইজেশনের বাস্তবায়নের মাধ্যমে চিত্রিত করা হয়। বিশেষ করে, ১২টি কোর সহ ইন্টেল-এক্সইওন সিস্টেমের উপর আমাদের পরীক্ষামূলক ফলাফলগুলি WS+ET এর সমন্বয়ের সুবিধাগুলি দেখায়, যা প্রতিযোগিতামূলক পারফরম্যান্সের প্রতিবেদন করে যা একটি টাস্ক-সমান্তরাল রানটাইম-ভিত্তিক সমাধানের সাথে তুলনা করে। |
7157dda72073ff66cc2de6ec5db056a3e8b326d7 | 25 26 27 28 29 30 31 32 33 34 35 36 নিবন্ধের ইতিহাসঃ 13 ফেব্রুয়ারী 2012 এ গৃহীত হয়েছে 18 মার্চ 2013 এ সংশোধিত আকারে গৃহীত হয়েছে 4 এপ্রিল 2013 এ অনলাইন xxxx |
66903e95f84767a31beef430b2367492ac9cc750 | নিউজিল্যান্ডের ১,০০০-এর বেশি শিশুর জন্মের পর থেকে ১৮ বছর বয়স পর্যন্ত যৌন নির্যাতনের প্রবণতা, সম্পর্ক এবং পরিণতি বর্ণনা করে লেখা এই সিরিজের দ্বিতীয় নিবন্ধ। এই নিবন্ধে ১৮ বছর বয়সে সিএসএ এবং ১৮ বছর বয়সে ডিএসএম-৪ ডায়াগনস্টিক শ্রেণিবিন্যাসের মধ্যে সম্পর্কগুলি পরীক্ষা করা হয়েছে। পদ্ধতি নিউজিল্যান্ডের একদল শিশুদের জন্ম থেকে ১৬ বছর বয়স পর্যন্ত বার্ষিক ব্যবধানে অধ্যয়ন করা হয়। ১৮ বছর বয়সে ১৬ বছর বয়সের আগে সিএসএ এবং একই সাথে পরিমাপ করা মানসিক উপসর্গগুলির পূর্ববর্তী রিপোর্ট পাওয়া যায়। ফলাফল যারা সিএসএ রিপোর্ট করেছেন তাদের মধ্যে যারা সিএসএ রিপোর্ট করেননি তাদের তুলনায় গুরুতর হতাশা, উদ্বেগজনিত ব্যাধি, আচরণ ব্যাধি, পদার্থ ব্যবহারের ব্যাধি এবং আত্মঘাতী আচরণের উচ্চতর হার ছিল (পি < .002) । সিএসএ এর মাত্রা এবং ব্যাধি ঝুঁকির মধ্যে সুসংগত সম্পর্ক ছিল, যাদের মধ্যে সিএসএ রিপোর্ট করা হয়েছিল তাদের মধ্যে যৌন মিলনের সাথে ব্যাধি হওয়ার সবচেয়ে বেশি ঝুঁকি ছিল। এই ফলাফলগুলি যখন ভবিষ্যতে পরিমাপ করা শৈশব পরিবার এবং সম্পর্কিত কারণগুলির জন্য অনুসন্ধানগুলি সংশোধন করা হয়েছিল তখনও অব্যাহত ছিল। সিএসএ এবং অ-একযোগে পরিমাপ করা ব্যাধিগুলির মধ্যে অনুরূপ কিন্তু কম লক্ষণীয় সম্পর্ক পাওয়া গেছে। উপসংহারে পাওয়া তথ্য থেকে জানা যায় যে, সিএসএ এবং বিশেষ করে গুরুতর সিএসএ তরুণ প্রাপ্তবয়স্কদের মধ্যে মানসিক রোগের ঝুঁকি বৃদ্ধি করে, এমনকি যখন সম্ভাব্যভাবে পরিমাপ করা বিভ্রান্তিকর কারণগুলি যথাযথভাবে অনুমোদন করা হয়। |
8df383aae16ce1003d57184d8e4bf729f265ab40 | একটি নতুন মাইক্রোস্ট্রিপ-লাইন-ফিডড ব্রডব্যান্ড সার্কুলার পোলারাইজড (সিপি) রিং-রিং স্লট অ্যান্টেনা (এআরএসএ) এর নকশা প্রস্তাব করা হয়েছে। বর্তমান রিং স্লট অ্যান্টেনার তুলনায় এখানে ডিজাইন করা এআরএসএ-র সিপি ব্যান্ডউইথ অনেক বেশি। প্রস্তাবিত নকশার প্রধান বৈশিষ্ট্যগুলির মধ্যে রয়েছে একটি বৃহত্তর রিং স্লট, একটি জোড়া গ্রাউন্ডেড টুপি আকৃতির প্যাচ এবং একটি বিকৃত বাঁকানো ফিডিং মাইক্রোস্ট্রিপ লাইন। এল এবং এস ব্যান্ডে এফআর৪ সাবস্ট্রেট ব্যবহার করে ডিজাইন করা এআরএসএ-র ৩ ডিবি অক্ষীয় অনুপাত ব্যান্ডউইথ (এআরবিডব্লিউ) যথাক্রমে ৪৬% এবং ৫৬% পর্যন্ত, যখন এল ব্যান্ডে আরটি৫৮৮০ সাবস্ট্রেট ব্যবহার করে ডিজাইন করা এআরএসএ-র ৬৫%। এই 3-ডিবি অক্ষীয়-অনুপাত ব্যান্ডে, VSWR ≤ 2 এর সাথে প্রতিবন্ধকতা মিলানোও অর্জন করা হয়। |
95e873c3f64a9bd8346f5b5da2e4f14774536834 | একটি সাবস্ট্রেট ইন্টিগ্রেটেড ওয়েভগাইড (এসআইডব্লিউ) এইচ-প্লেন সেক্টরাল হর্ন অ্যান্টেনা, উল্লেখযোগ্যভাবে উন্নত ব্যান্ডউইথ সহ উপস্থাপিত হয়েছে। একটি কপিকল রেইজ, যা বহুস্তরীয় স্তর মধ্যে পাশের flared প্রাচীর উপর vias একটি সহজ বিন্যাস গঠিত, অপারেশনাল ব্যান্ডউইথ প্রসারিত করতে চালু করা হয়। একটি সহজ ফিড কনফিগারেশন অ্যান্টেনা কাঠামোর জন্য প্রজনন তরঙ্গ প্রদান করার পরামর্শ দেওয়া হয়। প্রস্তাবিত অ্যান্টেনাটি দুটি সুপরিচিত পূর্ণ-তরঙ্গ প্যাকেজ, অ্যানসফট এইচএফএসএস এবং সিএসটি মাইক্রোওয়েভ স্টুডিও দ্বারা সিমুলেট করা হয়েছে, যা পৃথক সংখ্যার পদ্ধতির উপর ভিত্তি করে। সিমুলেশন ফলাফলের মধ্যে ঘনিষ্ঠ চুক্তি পৌঁছেছে। ডিজাইন করা এন্টেনের ভাল বিকিরণ বৈশিষ্ট্য এবং কম ভিএসডব্লিউআর রয়েছে, ২.৫ এর নিচে, ১৮-৪০ গিগাহার্টজ এর পুরো ফ্রিকোয়েন্সি পরিসরের জন্য। |
12a376e621d690f3e94bce14cd03c2798a626a38 | এই গবেষণাপত্রে একটি মেশিন লার্নিং পদ্ধতির বর্ণনা দেওয়া হয়েছে যা ভিজ্যুয়াল অবজেক্ট সনাক্তকরণের জন্য অত্যন্ত দ্রুত চিত্রগুলি প্রক্রিয়া করতে সক্ষম এবং উচ্চ সনাক্তকরণ হার অর্জন করতে সক্ষম। এই কাজটি তিনটি মূল অবদান দ্বারা আলাদা করা হয়। প্রথমটি হচ্ছে একটি নতুন চিত্রের উপস্থাপনা যার নাম ইন্টিগ্রেট ইমেজ , যা আমাদের ডিটেক্টর দ্বারা ব্যবহৃত বৈশিষ্ট্যগুলি খুব দ্রুত গণনা করতে দেয়। দ্বিতীয়টি হল একটি শিক্ষণীয় অ্যালগরিদম, যা অ্যাডাবুস্টের উপর ভিত্তি করে, যা একটি বৃহত্তর সেট থেকে অল্প সংখ্যক সমালোচনামূলক ভিজ্যুয়াল বৈশিষ্ট্য নির্বাচন করে এবং অত্যন্ত দক্ষ শ্রেণিবদ্ধকরণ প্রদান করে। [1] তৃতীয় অবদান হল ক্রমবর্ধমান জটিল শ্রেণীবিভাগকারীকে একটি "ক্যাসকেড" তে একত্রিত করার একটি পদ্ধতি যা প্রতিশ্রুতিবদ্ধ বস্তু-মত অঞ্চলে আরও বেশি গণনা ব্যয় করার সময় চিত্রের পটভূমি অঞ্চলগুলিকে দ্রুত বর্জন করতে দেয়। ক্যাসকেডকে একটি বস্তু-নির্দিষ্ট ফোকাস-অফ-এটেনশন প্রক্রিয়া হিসেবে দেখা যেতে পারে যা পূর্ববর্তী পদ্ধতির বিপরীতে পরিসংখ্যানগত গ্যারান্টি প্রদান করে যে বর্জিত অঞ্চলগুলি আগ্রহের বস্তুটি ধারণ করার সম্ভাবনা কম। মুখ সনাক্তকরণের ক্ষেত্রে, সিস্টেমটি আগের সেরা সিস্টেমের সাথে তুলনীয় সনাক্তকরণের হার দেয়। রিয়েল টাইম অ্যাপ্লিকেশনে ব্যবহৃত, ডিটেক্টরটি প্রতি সেকেন্ডে 15 ফ্রেম চালায়, চিত্রের পার্থক্য বা ত্বকের রঙ সনাক্তকরণের অবলম্বন ছাড়াই। |
51f0e3fe5335e2c3a55e673a6adae646f0ad6e11 | সমাজবিজ্ঞানীরা প্রায়ই সামাজিক প্রক্রিয়াগুলিকে বিভিন্ন ভেরিয়েবলের মধ্যে পারস্পরিক ক্রিয়া হিসাবে মডেল করেন। আমরা একটি বিকল্প পদ্ধতির পর্যালোচনা করছি যা সামাজিক জীবনকে এমন এক মিথস্ক্রিয়া হিসেবে দেখায় যা অভিযোজিত এজেন্টদের মধ্যে ঘটে এবং তারা যে প্রভাব পায় তার প্রতিক্রিয়ায় একে অপরকে প্রভাবিত করে। এই এজেন্ট-ভিত্তিক মডেলগুলি (এবিএম) দেখায় যে কীভাবে সহজ এবং পূর্বাভাসযোগ্য স্থানীয় মিথস্ক্রিয়াগুলি পরিচিত কিন্তু রহস্যময় বৈশ্বিক নিদর্শন তৈরি করতে পারে, যেমন তথ্যের বিস্তার, নিয়মের উত্থান, সম্মেলনের সমন্বয় বা সম্মিলিত কর্মে অংশগ্রহণ। নতুন সামাজিক নিদর্শনগুলিও অপ্রত্যাশিতভাবে উপস্থিত হতে পারে এবং তারপর নাটকীয়ভাবে রূপান্তরিত হতে পারে বা অদৃশ্য হয়ে যেতে পারে, যেমন বিপ্লব, বাজার ক্র্যাশ, ফ্যাড এবং খাওয়ানোর উন্মাদনা ঘটে। ABM তত্ত্বগত লিভারেজ প্রদান করে যেখানে স্বার্থের বৈশ্বিক নিদর্শনগুলি পৃথক বৈশিষ্ট্যগুলির সমষ্টির চেয়ে বেশি, তবে একই সময়ে, উদ্ভূত প্যাটার্নটি সম্পর্কের স্তরে মাইক্রোফাউন্ডেশনের নীচে থেকে গতিশীল মডেল ছাড়া বোঝা যায় না। আমরা কম্পিউটেশনাল সমাজবিজ্ঞানে ফ্যাক্টর থেকে অ্যাক্টর-এর পরিবর্তনের একটি সংক্ষিপ্ত ঐতিহাসিক স্কেচ দিয়ে শুরু করি যা দেখায় যে এজেন্ট-ভিত্তিক মডেলিং কম্পিউটার সিমুলেশনের পূর্ববর্তী সমাজতাত্ত্বিক ব্যবহার থেকে মৌলিকভাবে কীভাবে আলাদা। এরপর আমরা সাম্প্রতিক অবদানের পর্যালোচনা করি যা স্থানীয় মিথস্ক্রিয়া থেকে সামাজিক কাঠামো এবং সামাজিক ব্যবস্থার উত্থানের উপর দৃষ্টি নিবদ্ধ করে। যদিও সমাজবিজ্ঞান এই নতুন পদ্ধতির প্রশংসা করতে অন্যান্য সামাজিক বিজ্ঞান থেকে পিছিয়ে গেছে, তবে আমরা পর্যালোচনা করা কাগজগুলিতে একটি স্বতন্ত্র সমাজবিজ্ঞান অবদান স্পষ্ট। প্রথমত, তাত্ত্বিক আগ্রহ গতিশীল সামাজিক নেটওয়ার্কগুলিতে ফোকাস করে যা এজেন্টের মিথস্ক্রিয়া দ্বারা আকৃতি এবং আকৃতিযুক্ত। দ্বিতীয়ত, এবিএমগুলি ভার্চুয়াল পরীক্ষা-নিরীক্ষা করার জন্য ব্যবহৃত হয় যা ম্যাক্রোসোসিওলজিকাল তত্ত্বগুলিকে নেটওয়ার্ক টপোলজি, সামাজিক স্তরবিন্যাস বা স্থানিক গতিশীলতার মতো কাঠামোগত কারণগুলিকে ম্যানিপুলেট করে পরীক্ষা করে। এই পদ্ধতির সমৃদ্ধ সমাজতাত্ত্বিক সম্ভাবনাকে উপলব্ধি করার জন্য আমরা আমাদের পর্যালোচনাটি একটি সিরিজের সুপারিশের সাথে শেষ করি। |
b73cdb60b2fe9fb317fca4fb9f5e1106e13c2345 | |
aa0c01e553d0a1ab40c204725d13fe528c514bba | মানুষ ও রোবটদের মধ্যে সুষ্ঠু ও নিরাপদ যোগাযোগের জন্য উভয় অংশীদারকে একে অপরের কর্মের পূর্বাভাস দিতে হবে। মানুষের উদ্দেশ্যের সিদ্ধান্তে একটি সাধারণ পদ্ধতি হল সুপারভাইজড শ্রেণীবিভাগের সাথে পরিচিত লক্ষ্যের দিকে নির্দিষ্ট ট্র্যাজেক্টরি মডেল করা। তবে, এই পদ্ধতিগুলি সম্ভাব্য ভবিষ্যতের গতিবিধিকে বিবেচনায় নেয় না এবং তারা কিনেমেটিক সংকেত যেমন পাঠযোগ্য এবং পূর্বাভাসযোগ্য গতি ব্যবহার করে না। এই পদ্ধতির সমস্যা হল সাধারণ মানুষের গতির সঠিক মডেলের অভাব। এই কাজের মধ্যে, আমরা একটি শর্তসাপেক্ষ বৈচিত্র্য অটো এনকোডার উপস্থাপন করছি যা অতীতের ফ্রেমের একটি উইন্ডো দেওয়া ভবিষ্যতের মানুষের গতির একটি উইন্ডো পূর্বাভাস দিতে প্রশিক্ষিত। আরজিবি গভীরতার চিত্র থেকে প্রাপ্ত স্কেলেটাল ডেটা ব্যবহার করে আমরা দেখাবো কিভাবে এই অনিয়ন্ত্রিত পদ্ধতিটি 1660 মিঃসেকেন্ড পর্যন্ত অনলাইন গতির পূর্বাভাসের জন্য ব্যবহার করা যেতে পারে। উপরন্তু, আমরা লক্ষ্য-নির্দিষ্ট প্রশিক্ষণ ডেটা ব্যবহার না করে গতির সূত্রপাতের পরে প্রথম 300-500 মিঃসেকেন্ডের মধ্যে অনলাইন লক্ষ্য পূর্বাভাস প্রদর্শন করি। আমাদের সম্ভাব্যতাবাদী পদ্ধতির সুবিধা হল ভবিষ্যতে সম্ভাব্য গতির নমুনা আঁকতে সক্ষম হওয়া। শেষ পর্যন্ত, আমরা তদন্ত করি কিভাবে আন্দোলন এবং গতিশীল সংকেতগুলি শেখার নিম্ন মাত্রিক বৈচিত্র্যকে প্রতিনিধিত্ব করে। |
cbbf72d487f5b645d50d7d3d94b264f6a881c96f | এই গবেষণাপত্রটি প্রথম সম্পূর্ণ অন-চিপ ইন্টিগ্রেটেড এনার্জি হার্ভেস্টার এবং ডাব্লু-ব্যান্ডে 65nm সিএমওএস প্রযুক্তিতে রেটেনা উপস্থাপন করে। ডিজাইনগুলো ১-স্তরের ডিকসন ভোল্টেজ মাল্টিপ্লায়ারের উপর ভিত্তি করে তৈরি করা হয়েছে। রেক্টেনার একটি অন-চিপ ইন্টিগ্রেটেড ডাইপোল অ্যান্টেনা রয়েছে যার সাথে সাবস্ট্রেটের নীচে একটি প্রতিফলক রয়েছে যা নির্দেশকতা এবং উপলব্ধি লাভকে উন্নত করে। এনার্জি হার্ভেস্টার এবং রেক্টেনার ৯৪ গিগাহার্টজে যথাক্রমে ১০% এবং ২% পাওয়ার রূপান্তর দক্ষতা অর্জন করে। স্বতন্ত্র হার্ভেস্টার প্যাড সহ মাত্র 0.0945mm2 দখল করে, যখন সম্পূর্ণরূপে একত্রিত rectenna 0.48mm2 একটি ন্যূনতম চিপ এলাকা দখল করে। |
30667550901b9420e02c7d61cdf8fa7d5db207af | |
6cdb6ba83bfaca7b2865a53341106a71e1b3d2dd | সামাজিক যোগাযোগ মাধ্যম সর্বত্রই প্রচলিত হয়ে উঠছে এবং সংগঠনগুলি তাদের লক্ষ্য অর্জনের জন্য যে সমস্ত অন্যান্য ধরণের মিডিয়া ব্যবহার করে তা পরিচালনা করা দরকার। তবে সামাজিক যোগাযোগ মাধ্যমগুলি তাদের সামাজিক নেটওয়ার্ক কাঠামো এবং সমতাবাদী প্রকৃতির কারণে যে কোনও traditionalতিহ্যবাহী বা অন্যান্য অনলাইন মিডিয়া থেকে মৌলিকভাবে আলাদা। এই পার্থক্যগুলির জন্য সঠিক বিশ্লেষণ এবং পরবর্তী ব্যবস্থাপনার পূর্বশর্ত হিসাবে একটি স্বতন্ত্র পরিমাপ পদ্ধতির প্রয়োজন। সঠিক সামাজিক মিডিয়া মেট্রিক্স বিকাশ এবং পরবর্তীকালে উপযুক্ত ড্যাশবোর্ড নির্মাণের জন্য, আমরা তিনটি নতুন উপাদান নিয়ে গঠিত একটি সরঞ্জাম কিট সরবরাহ করি। প্রথমত, আমরা তাত্ত্বিকভাবে একটি সামগ্রিক কাঠামো তৈরি করেছি এবং প্রস্তাব করেছি যা বিপণন, মনোবিজ্ঞান এবং সমাজবিজ্ঞানের তত্ত্বের উপর ভিত্তি করে সামাজিক যোগাযোগের প্রধান উপাদানগুলিকে কভার করে। আমরা সাম্প্রতিক গবেষণার মাধ্যমে এই উপাদানগুলোকে সমর্থন এবং বিস্তারিতভাবে তুলে ধরতে থাকি - যথা, উদ্দেশ্য, বিষয়বস্তু, নেটওয়ার্ক গঠন, সামাজিক ভূমিকা ও মিথস্ক্রিয়া। দ্বিতীয়ত, আমাদের তাত্ত্বিক কাঠামো, সাহিত্য পর্যালোচনা এবং ব্যবহারিক অভিজ্ঞতার উপর ভিত্তি করে, আমরা নয়টি নির্দেশিকা প্রস্তাব করছি যা উপযুক্ত সামাজিক মিডিয়া মেট্রিক্স ডিজাইন এবং একটি যুক্তিসঙ্গত সামাজিক মিডিয়া ড্যাশবোর্ড নির্মাণের জন্য মূল্যবান হতে পারে। তৃতীয়ত, ফ্রেমওয়ার্ক এবং নির্দেশিকা থেকে আমরা ব্যবস্থাপনা সংক্রান্ত বিষয়গুলো বের করে ভবিষ্যতের গবেষণার জন্য একটি এজেন্ডা প্রস্তাব করি। © ২০১৩ ডাইরেক্ট মার্কেটিং এডুকেশনাল ফাউন্ডেশন, ইনক। প্রকাশনা সংস্থা এ্যালসেভিয়ার ইনক। সমস্ত অধিকার সংরক্ষিত। |
3c9598a2be80a88fccecde80e6f266af7907d7e7 | |
ab3d0ea202b2641eeb66f1d6a391a43598ba22b9 | রেইনফোর্সমেন্ট লার্নিং (আরএল) এখানে মেশিনের নিউরাল কন্ট্রোলারগুলির একটি অভিযোজন কৌশল হিসাবে বিবেচিত হয়। লক্ষ্য হল অ্যাক্টর-ক্রিটিক অ্যালগরিদমগুলিকে একই মানের নীতিমালা অর্জনের জন্য অতিরিক্ত ব্যাকগ্রাউন্ড গণনার ব্যয়ে কম এজেন্ট-পরিবেশের মিথস্ক্রিয়া প্রয়োজন। আমরা এই লক্ষ্য অর্জনের জন্য অভিজ্ঞতা পুনরাবৃত্তি করার প্রস্তাব দিচ্ছি। পূর্ববর্তী অভিজ্ঞতার ভিত্তিতে পরিবর্তিত নীতির উন্নতির দিকনির্দেশের একটি অনুমান পদ্ধতি এখানে অপরিহার্য। আমরা এমন একটি প্রস্তাব দিচ্ছি যেটাতে সংক্ষিপ্ত গুরুত্বের নমুনা ব্যবহার করা হবে। আমরা এই ধরনের অনুমানকারীদের পক্ষপাতের সীমা বের করি এবং প্রমাণ করি যে এই পক্ষপাত অ্যাসাইম্টোটিকভাবে অদৃশ্য হয়ে যায়। পরীক্ষামূলক গবেষণায় আমরা আমাদের পদ্ধতিটি ক্লাসিক অ্যাক্টরক্রিটিকের সাথে প্রয়োগ করি এবং শেখার গতিতে ২০ গুণ বৃদ্ধি পাই। |
71e258b1aeea7a0e2b2076a4fddb0679ad2ecf9f | "ইন্টারনেট অফ থিংস" (আইওটি) ডিভাইস এবং সফটওয়্যারগুলির জন্য অভূতপূর্ব স্কেলে তথ্য ভাগ করে নেওয়ার সুযোগ উন্মুক্ত করে। তবে, এত বড় একটি আন্তঃসংযুক্ত নেটওয়ার্ক সিস্টেম বিকাশকারী এবং ব্যবহারকারীদের জন্য নতুন চ্যালেঞ্জ তৈরি করে। এই নিবন্ধে, আমরা আইওটি সিস্টেমের একটি স্তরযুক্ত স্থাপত্যের প্রস্তাব দিচ্ছি। এই মডেল ব্যবহার করে আমরা প্রতিটি স্তরের চ্যালেঞ্জ চিহ্নিত এবং মূল্যায়ন করার চেষ্টা করি। আমরা এমন কিছু বিদ্যমান প্রযুক্তি নিয়েও আলোচনা করব যা এই আর্কিটেকচারকে নিরাপদ করতে ব্যবহার করা যেতে পারে। |
61f4f67fc0e73fa3aef8628aae53a4d9b502d381 | ইনফরমেশন ম্যাক্সিমাইজিং গ্যান (ইনফোগান) জেনারেটরের আউটপুটকে তার ইনপুটের একটি উপাদানকে ল্যাটিন্ট কোড বলে। আউটপুটকে এই ইনপুট কম্পোনেন্টের সাথে যুক্ত করতে বাধ্য করে, আমরা আউটপুট রেপ্রেজেনটেশনের কিছু বৈশিষ্ট্য নিয়ন্ত্রণ করতে পারি। GAN-এ ডিসক্রিমিনেটর এবং জেনারেটরকে যৌথভাবে প্রশিক্ষণ দেওয়ার সময় নাশ ভারসাম্য খুঁজে পাওয়া খুবই কঠিন। আমরা ইনফোগ্যান ব্যবহার করে ছবি তৈরির জন্য কিছু সফল এবং ব্যর্থ কনফিগারেশন প্রকাশ করি। ব্যাখ্যাযোগ্য ভেরিয়েবলগুলি জেনারেটিভ মডেলগুলিতে দরকারী। জেনারেটিভ অ্যাডভার্সারিয়াল নেটওয়ার্ক (জিএএন) এমন জেনারেটিভ মডেল যা তাদের ইনপুটের ক্ষেত্রে নমনীয়। |
41289566ac0176dced2312f813328ad4c0552618 | মোবাইল প্ল্যাটফর্মের জনপ্রিয়তা, অ্যান্ড্রয়েডের বিপুল মার্কেট শেয়ার এবং অ্যান্ড্রয়েড মার্কেটের উন্মুক্ততা এটিকে ম্যালওয়্যার আক্রমণের জন্য একটি হট টার্গেট করে তোলে। একবার ম্যালওয়্যার নমুনা সনাক্ত হয়ে গেলে, দ্রুত তার ক্ষতিকারক উদ্দেশ্য এবং অভ্যন্তরীণ কাজ প্রকাশ করা অত্যন্ত গুরুত্বপূর্ণ। এই নিবন্ধে আমরা DroidScope উপস্থাপন করছি, এটি একটি অ্যান্ড্রয়েড বিশ্লেষণ প্ল্যাটফর্ম যা ভার্চুয়ালাইজেশন-ভিত্তিক ম্যালওয়্যার বিশ্লেষণের ঐতিহ্য অব্যাহত রেখেছে। বর্তমান ডেস্কটপ ম্যালওয়্যার বিশ্লেষণ প্ল্যাটফর্মের বিপরীতে, ড্রয়েডস্কোপ একই সাথে ও সুচারুভাবে ওএস-স্তর এবং জাভা-স্তরের শব্দার্থবিজ্ঞান পুনর্নির্মাণ করে। কাস্টম বিশ্লেষণের সুবিধার্থে, ড্রয়েডস্কোপ তিনটি স্তরযুক্ত এপিআই রফতানি করে যা একটি অ্যান্ড্রয়েড ডিভাইসের তিনটি স্তরকে মিরর করেঃ হার্ডওয়্যার, ওএস এবং ডালভিক ভার্চুয়াল মেশিন। ড্রয়েডস্কোপের উপরে, আমরা আরও বিশ্লেষণ সরঞ্জামগুলি বিকাশ করেছি যা বিস্তারিত নেটিভ এবং ডালভিক নির্দেশনা ট্র্যাক সংগ্রহ করে, প্রোফাইল এপিআই-স্তরের ক্রিয়াকলাপ এবং জাভা এবং নেটিভ উভয় উপাদানগুলির মাধ্যমে তথ্য ফাঁস ট্র্যাক করে। এই সরঞ্জামগুলি বাস্তব বিশ্বের ম্যালওয়্যার নমুনা বিশ্লেষণে কার্যকর প্রমাণিত হয়েছে এবং যুক্তিসঙ্গতভাবে কম পারফরম্যান্স ওভারহেডস বহন করে। |
05ca17ffa777f64991a8da04f2fd03880ac51236 | এই গবেষণাপত্রে আমরা দুর্বলতা সাইন-আপ তৈরির সমস্যা নিয়ে আলোচনা করব। একটি দুর্বলতার স্বাক্ষর একটি নির্দিষ্ট দুর্বলতার সমস্ত শোষণের সাথে মিলিত হয়, এমনকি পলিমর্ফিক বা মেটামর্ফিক রূপগুলিও। আমাদের কাজ পূর্ববর্তী পদ্ধতি থেকে বিচ্ছিন্ন হয়ে প্রোগ্রামের শব্দার্থ এবং শোষণের নমুনা দ্বারা প্রয়োগ করা দুর্বলতার উপর ফোকাস করে পরিবর্তে শোষণের শব্দার্থ বা বাক্য গঠন। আমরা দেখাবো যে একটি দুর্বলতার শব্দার্থক একটি ভাষা সংজ্ঞায়িত করে যা সব এবং শুধুমাত্র সেইসব ইনপুট ধারণ করে যা দুর্বলতাকে কাজে লাগায়। একটি দুর্বলতা স্বাক্ষর একটি উপস্থাপনা (যেমন, একটি নিয়মিত অভিব্যক্তি) দুর্বলতা ভাষা। এক্সপ্লোয়েট-ভিত্তিক স্বাক্ষরের বিপরীতে যার ত্রুটি হার কেবলমাত্র পরিচিত পরীক্ষার ক্ষেত্রে অভিজ্ঞতার ভিত্তিতে পরিমাপ করা যায়, একটি দুর্বলতা স্বাক্ষরের গুণমানটি সমস্ত সম্ভাব্য ইনপুটগুলির জন্য আনুষ্ঠানিকভাবে পরিমাণগতভাবে পরিমাপ করা যায়। আমরা একটি দুর্বলতা স্বাক্ষরের একটি আনুষ্ঠানিক সংজ্ঞা প্রদান করি এবং দুর্বলতা স্বাক্ষর তৈরি এবং মিলানোর কম্পিউটেশনাল জটিলতা তদন্ত করি। আমরা পদ্ধতিগতভাবে দুর্বলতার স্বাক্ষরের নকশা স্থানও অনুসন্ধান করি। আমরা দুর্বলতা-স্বাক্ষর তৈরির তিনটি কেন্দ্রীয় সমস্যা চিহ্নিত করিঃ দুর্বলতা স্বাক্ষর কীভাবে ইনপুটগুলির সেটকে উপস্থাপন করে যা দুর্বলতা প্রয়োগ করতে পারে, দুর্বলতা কভারেজ (অর্থাৎ, দুর্বল প্রোগ্রামের পথের সংখ্যা) যা স্বাক্ষর তৈরির সময় আমাদের বিশ্লেষণের বিষয় এবং কীভাবে একটি প্রদত্ত উপস্থাপনা এবং কভারেজের জন্য দুর্বলতা স্বাক্ষর তৈরি করা হয়। আমরা নতুন ডেটা-ফ্লো বিশ্লেষণ এবং বিদ্যমান কৌশল যেমন স্বয়ংক্রিয়ভাবে দুর্বলতা স্বাক্ষর উত্পন্ন করার জন্য সীমাবদ্ধতা সমাধানের নতুন গ্রহণের প্রস্তাব দিই। আমরা আমাদের কৌশল পরীক্ষা করার জন্য একটি প্রোটোটাইপ সিস্টেম তৈরি করেছি। আমাদের পরীক্ষা-নিরীক্ষা দেখায় যে আমরা স্বয়ংক্রিয়ভাবে একটি একক শোষণ ব্যবহার করে একটি দুর্বলতা স্বাক্ষর তৈরি করতে পারি যা পূর্ববর্তী শোষণ-ভিত্তিক স্বাক্ষরের চেয়ে অনেক বেশি গুণমানের। উপরন্তু, আমাদের কৌশলগুলি অন্যান্য নিরাপত্তা অ্যাপ্লিকেশন আছে, এবং এইভাবে স্বাধীন স্বার্থ হতে পারে |
6fece3ef2da2c2f13a66407615f2c9a5b3737c88 | এই কাগজ একটি গতিশীল নিয়ামক কাঠামো এবং একটি পদ্ধতিগত নকশা পদ্ধতি প্রস্তাবিত হয় বিচ্ছিন্ন-সময় হাইব্রিড সিস্টেম স্থিতিশীল করার জন্য। প্রস্তাবিত পদ্ধতিটি নিয়ন্ত্রণ ল্যাপুনোভ ফাংশন (সিএলএফ) এর ধারণার উপর ভিত্তি করে তৈরি করা হয়েছে, যা উপলব্ধ হলে, স্থিতিশীল রাষ্ট্র-ফিডব্যাক নিয়ন্ত্রণ আইন ডিজাইন করতে ব্যবহার করা যেতে পারে। সাধারণভাবে, হাইব্রিড গতিশীল সিস্টেমের জন্য একটি সিএলএফ নির্মাণ যা উভয় ধারাবাহিক এবং বিচ্ছিন্ন রাষ্ট্রকে জড়িত, বিশেষত অ-বিষয়বস্তু বিচ্ছিন্ন গতিশীলতার উপস্থিতিতে অত্যন্ত জটিল। অতএব, আমরা একটি হাইব্রিড কন্ট্রোল ল্যাপুনোভ ফাংশনের নতুন ধারণাটি প্রবর্তন করি, যা সিএলএফ-এর একটি বিচ্ছিন্ন এবং একটি ধারাবাহিক অংশের রচনাগত নকশাটি অনুমোদন করে এবং আমরা আনুষ্ঠানিকভাবে প্রমাণ করি যে একটি হাইব্রিড সিএলএফ-এর অস্তিত্ব একটি ক্লাসিক্যাল সিএলএফ-এর অস্তিত্বের নিশ্চয়তা দেয়। হাইব্রিড সিএলএফ সিনথেটিক করার জন্য একটি গঠনমূলক পদ্ধতি প্রদান করা হয়, হাইব্রিড সিস্টেমের গতিশীলতা একটি নির্দিষ্ট নিয়ামক গতিশীলতার সাথে প্রসারিত করে। আমরা দেখাব যে এই সংশ্লেষণ পদ্ধতি একটি গতিশীল নিয়ামকের দিকে নিয়ে যায় যা একটি রিসিডিং হরাইজন কন্ট্রোল কৌশল দ্বারা বাস্তবায়িত হতে পারে এবং যে সম্পর্কিত অপ্টিমাইজেশন সমস্যাটি হাইব্রিড সিস্টেমের মোটামুটি সাধারণ শ্রেণীর জন্য সংখ্যাসূচকভাবে কার্যকর, বাস্তব বিশ্বের অ্যাপ্লিকেশনগুলিতে কার্যকর। ক্লাসিক্যাল হাইব্রিড রিসিডিং হরাইজন কন্ট্রোল অ্যালগরিদমের তুলনায় প্রস্তাবিত পদ্ধতির জন্য সাধারণত একটি সংক্ষিপ্ত ভবিষ্যদ্বাণী দিগন্তের প্রয়োজন হয় যাতে ক্লোজড-লুপ সিস্টেমের অ্যাসাইম্টোটিক স্থায়িত্ব নিশ্চিত করা যায়, যা কম্পিউটেশনাল বোঝা হ্রাস করে, যেমন দুটি উদাহরণ দিয়ে চিত্রিত করা হয়েছে। |
3b3c153b09495e2f79dd973253f9d2ee763940a5 | মেশিন লার্নিং পদ্ধতির প্রয়োগযোগ্যতা প্রায়শই উপলব্ধ লেবেলযুক্ত ডেটার পরিমাণ এবং ইনপুট ডেটা ভেক্টরগুলির জন্য ভাল অভ্যন্তরীণ উপস্থাপনা এবং ভাল সাদৃশ্য পরিমাপ উত্পন্ন করার জন্য ডিজাইনারের ক্ষমতা (বা অক্ষমতা) দ্বারা সীমাবদ্ধ থাকে। এই থিসিসের উদ্দেশ্য হল এই দুই সীমাবদ্ধতা দূর করা, অভ্যন্তরীণ উপস্থাপনা এবং অব্যবহৃত লেবেলযুক্ত ডেটা থেকে ইনভ্যারিয়েন্ট ফিচার হেরারচি শেখার অ্যালগরিদমের প্রস্তাব দেওয়া। এই পদ্ধতিগুলি ঐতিহ্যগত তত্ত্বাবধানে শেখার অ্যালগরিদমের বাইরে চলে যায় এবং তত্ত্বাবধানে এবং আধা-নিরীক্ষিত শেখার উপর নির্ভর করে। বিশেষ করে, এই কাজটি "গভীর শিক্ষণ" পদ্ধতির উপর দৃষ্টি নিবদ্ধ করে, শ্রেণিবদ্ধ মডেলগুলিকে প্রশিক্ষণের জন্য কৌশল এবং নীতিগুলির একটি সেট। শ্রেণীবিন্যাস মডেলগুলি বৈশিষ্ট্য শ্রেণীবিন্যাস তৈরি করে যা পর্যবেক্ষণ করা ডেটা ভেরিয়েবলগুলির মধ্যে জটিল নন-লাইনার নির্ভরতা সংক্ষিপ্ত এবং দক্ষ উপায়ে ক্যাপচার করতে পারে। প্রশিক্ষণের পর, এই মোডগুলি রিয়েল টাইম সিস্টেমে ব্যবহার করা যেতে পারে কারণ তারা অ-রৈখিক রূপান্তরগুলির একটি ক্রমের মাধ্যমে ইনপুটটির খুব দ্রুত এগিয়ে প্রসারণের মাধ্যমে উপস্থাপনাটি গণনা করে। যখন লেবেলযুক্ত ডেটার অভাবের কারণে ঐতিহ্যগত সুপারভাইজড অ্যালগরিদম ব্যবহারের অনুমতি দেওয়া হয় না, তখন নিম্ন স্তর থেকে শুরু করে প্রতিটি স্তরকে অনিয়ন্ত্রিত বা আধা-নিয়ন্ত্রিত অ্যালগরিদম ব্যবহার করে ক্রমানুসারে প্রশিক্ষণ দেওয়া যেতে পারে। একবার প্রতিটি স্তর প্রশিক্ষিত হয়ে গেলে, পুরো সিস্টেমটি শেষ থেকে শেষ পর্যন্ত সূক্ষ্ম-টুন করা যেতে পারে। আমরা বেশ কয়েকটি অ-প্রতিষ্ঠিত অ্যালগরিদমের প্রস্তাব দিচ্ছি যা এই ধরনের বৈশিষ্ট্য শ্রেণিবিন্যাসকে প্রশিক্ষণের জন্য বিল্ডিং ব্লক হিসাবে ব্যবহার করা যেতে পারে। আমরা এমন অ্যালগরিদমের অনুসন্ধান করি যা অল্প পরিমাণে ওভারকম্প্লিট রেপ্রজেন্টেশন এবং কিছু ফর্ম তৈরি করে যা পরিচিত এবং শিখে নেওয়া রূপান্তরগুলির সাথে অপরিবর্তনীয়। এই অ্যালগরিদমগুলি শক্তি- |
447ce2aecdf742cf96137f8bf7355a7404489178 | এই চিঠিতে, একটি নতুন ধরনের ব্রডব্যান্ড সাবস্ট্রেট ইন্টিগ্রেটেড ওয়েভগাইড (এসআইডাব্লু) গহ্বর-সমর্থিত প্যাচ অ্যান্টেনা এবং মিলিমিটার ওয়েভ (এমএমডাব্লু) এর জন্য অ্যারে তদন্ত করা হয়েছে এবং বাস্তবায়িত হয়েছে। প্রস্তাবিত অ্যান্টেনাটি একটি আয়তক্ষেত্রাকার প্যাচ দিয়ে গঠিত যার পিছনে একটি এসআইডব্লিউ গহ্বর রয়েছে। ব্যান্ডউইথ এবং বিকিরণ দক্ষতা বাড়ানোর জন্য, গহ্বরটি তার TE210 মোডে অনুরণন করার জন্য ডিজাইন করা হয়েছে। প্রস্তাবিত অ্যান্টেনার উপর ভিত্তি করে, একটি 4 × 4 অ্যারেও ডিজাইন করা হয়েছে। প্রস্তাবিত এন্টেন এবং অ্যারে উভয়ই স্ট্যান্ডার্ড প্রিন্টেড সার্কিট বোর্ড (পিসিবি) প্রক্রিয়া দিয়ে তৈরি করা হয়েছে, যা সমতল সার্কিটের সাথে সহজ সংহতকরণের সুবিধা রয়েছে। অ্যান্টেনা উপাদানটির পরিমাপকৃত ব্যান্ডউইথ (gadgadS11gad ≤ -10 dB) ১৫% এর বেশি এবং অ্যান্টেনা অ্যারেটির ব্যান্ডউইথ প্রায় ৮.৭%। পরিমাপ করা পিক লাভগুলি উপাদানটির জন্য 6.5 dBi এবং অ্যারের জন্য 17.8 dBi, এবং সংশ্লিষ্ট সিমুলেটেড বিকিরণ দক্ষতা যথাক্রমে 83.9% এবং 74.9%। প্রস্তাবিত এন্টেন এবং অ্যারেটি মিলিমিটার ওয়েভ অ্যাপ্লিকেশনগুলির জন্য উচ্চ ব্যান্ড, উচ্চ দক্ষতা, কম ব্যয়, নিম্ন প্রোফাইল ইত্যাদির কারণে প্রতিশ্রুতিবদ্ধ। |
429d0dd7192450e2a52a8ae7f658a5d99222946e | কমপ্যাক্ট, কম খরচে এবং উচ্চ বিকিরণ দক্ষতা অ্যান্টেনা কাঠামো, প্ল্যানার ওয়েভগাইড, সাবস্ট্রেট ইন্টিগ্রেটেড ওয়েভগাইড (এসআইডাব্লু), ডাইলেট্রিক রেজোনার অ্যান্টেনা (ডিআরএ) এই কাগজে উপস্থাপিত হয়। যেহেতু এসআইডব্লিউ একটি উচ্চ কিউ-ওয়েভগাইড এবং ডিআরএ একটি কম ক্ষতি রেডিয়েটার, তাই এসআইডব্লিউ-ডিআরএ মিলিমিটার-ওয়েভব্যান্ডে উচ্চ বিকিরণ দক্ষতার সাথে একটি দুর্দান্ত অ্যান্টেনা সিস্টেম গঠন করে, যেখানে কন্ডাক্টর ক্ষতি প্রভাবশালী হয়। বিভিন্ন অ্যান্টেনা পরামিতিগুলির অ্যান্টেনা পারফরম্যান্সের উপর প্রভাব অধ্যয়ন করা হয়। SIW-DRA-এর পরীক্ষামূলক তথ্য, দুটি ভিন্ন স্লট ওরিয়েন্টেশনের উপর ভিত্তি করে, মিলিমিটার-ওয়েভ ব্যান্ডে প্রবর্তিত হয় এবং আমাদের প্রস্তাবিত অ্যান্টেনা মডেলকে বৈধ করার জন্য সিমুলেটেড এইচএফএসএস ফলাফলের সাথে তুলনা করা হয়। একটি ভাল চুক্তি প্রাপ্ত হয়। এসআইডব্লিউ-ডিআরএ একক উপাদানটির জন্য পরিমাপ করা লাভটি 5.51 ডিবি, -১৯ ডিবি সর্বোচ্চ ক্রস পোলারাইজড রেডিয়েশন স্তর এবং 95% এর বেশি সামগ্রিক গণনা করা (এইচএফএসএস ব্যবহার করে অনুকরণ করা) বিকিরণ দক্ষতা দেখায়। |
0cb2e8605a7b5ddb5f3006f71d19cb9da960db98 | আধুনিক গভীর নিউরাল নেটওয়ার্কের অনেকগুলি প্যারামিটার রয়েছে, যা তাদের প্রশিক্ষণ দেওয়া খুব কঠিন করে তোলে। আমরা ডিএসডি, ঘন-বিচ্ছিন্ন-ঘন প্রশিক্ষণ প্রবাহের প্রস্তাব দিই, গভীর নিউরাল নেটওয়ার্ককে নিয়মিত করার জন্য এবং আরও ভাল অপ্টিমাইজেশান পারফরম্যান্স অর্জনের জন্য। প্রথম ধাপে, আমরা একটি ঘন নেটওয়ার্ককে প্রশিক্ষণ দিই সংযোগের ওজন এবং গুরুত্ব শিখতে। এস (স্পারস) ধাপে, আমরা ছোট ওজন দিয়ে অপ্রয়োজনীয় সংযোগগুলি ছাঁটাই করে এবং স্পারসিটি সীমাবদ্ধতা দেওয়া নেটওয়ার্কটিকে পুনরায় প্রশিক্ষণ দিয়ে নেটওয়ার্ককে নিয়মিত করি। শেষ ডি (রি-ডেন্স) ধাপে, আমরা ক্ষুদ্রতা সীমাবদ্ধতা অপসারণ করে মডেল ক্ষমতা বৃদ্ধি করি, শূন্য থেকে pruned পরামিতিগুলি পুনরায় শুরু করি এবং পুরো ঘন নেটওয়ার্কটি পুনরায় প্রশিক্ষণ দিই। পরীক্ষাগুলি দেখায় যে ডিএসডি প্রশিক্ষণ চিত্র শ্রেণিবদ্ধকরণ, ক্যাপশন জেনারেশন এবং বক্তৃতা স্বীকৃতির কাজগুলিতে বিস্তৃত সিএনএন, আরএনএন এবং এলএসটিএমগুলির জন্য পারফরম্যান্স উন্নত করতে পারে। ইমেজনেট-এ, ডিএসডি গুগললনেট-এর শীর্ষ 1 নির্ভুলতা যথাক্রমে 1.1%, ভিজিজি -16 4.3%, রেসনেট -18 1.2% এবং রেসনেট -50 1.1% দ্বারা উন্নত করেছে। ডব্লিউএসজে৯৩ ডেটাসেটে, ডিএসডি ডিপস্পিচ এবং ডিপস্পিচ২ ডাব্লুইআরকে ২.০% এবং ১.১% দ্বারা উন্নত করেছে। ফ্লিকার-৮কে ডেটাসেটে, ডিএসডি নিউরালটক ব্লু স্কোরকে ১.৭ এর বেশি করে উন্নত করেছে। DSD ব্যবহারে সহজ: প্রশিক্ষণের সময়, DSD শুধুমাত্র একটি অতিরিক্ত হাইপার-প্যারামিটারকে জড়িত করেঃ S ধাপে ক্ষুদ্রতার অনুপাত। পরীক্ষার সময়, ডিএসডি নেটওয়ার্ক আর্কিটেকচার পরিবর্তন করে না বা কোনও উপসংহারের ওভারহেড বহন করে না। ডিএসডি পরীক্ষার ধারাবাহিক এবং উল্লেখযোগ্য পারফরম্যান্স লাভটি সেরা স্থানীয় সর্বোত্তম সন্ধানের জন্য বর্তমান প্রশিক্ষণ পদ্ধতির অপর্যাপ্ততা দেখায়, যখন ডিএসডি কার্যকরভাবে একটি উন্নত সমাধান সন্ধানের জন্য উচ্চতর অপ্টিমাইজেশন পারফরম্যান্স অর্জন করে। ডিএসডি মডেলগুলি https://songhan.github.io/DSD এ ডাউনলোড করার জন্য উপলব্ধ। |
6fd329a1e7f513745e5fc462f146aa80c6090a1d | পরিধানযোগ্য সেন্সর ব্যবহার করে প্রাপ্ত রেকর্ডিংয়ে অবৈধ তথ্য সনাক্তকরণ বিশেষভাবে গুরুত্বপূর্ণ, কারণ মোবাইল রোগীদের কাছ থেকে প্রাপ্ত তথ্য সাধারণত অ-যাতায়াতকারী রোগীদের কাছ থেকে প্রাপ্ত তথ্যের চেয়ে বেশি শব্দবহুল। এই গবেষণাপত্রে আমরা একটি সংকেত মানের সূচক (এসকিউআই) উপস্থাপন করছি, যার উদ্দেশ্য হ ল পরিধানযোগ্য সেন্সর ব্যবহার করে সংগৃহীত ইলেক্ট্রোকার্ডিওগ্রাম (ইসিজি) এবং ফটোপ্লেটিস্মোগ্রাম (পিপিজি) সংকেত থেকে নির্ভরযোগ্য হার্ট রেট (এইচআর) পাওয়া যায় কিনা তা মূল্যায়ন করা। এই অ্যালগরিদমগুলো ম্যানুয়ালি লেবেল করা ডেটা দিয়ে যাচাই করা হয়েছে। ইসিজি- এর ক্ষেত্রে ৯৪% এবং ৯৭% এবং পিপিজি- এর ক্ষেত্রে ৯১% এবং ৯৫% এর সংবেদনশীলতা এবং বিশেষত্ব অর্জন করা হয়েছে। এছাড়া, আমরা এসকিউআই এর দুটি অ্যাপ্লিকেশন প্রস্তাব করছি। প্রথমত, আমরা দেখিয়েছি যে, এসকিউআই ব্যবহার করে শক্তি সঞ্চয় কৌশল প্রবর্তন করা সম্ভব, ইসিজির জন্য রেকর্ডিং সময়কে ৯৪% এবং পিপিজির জন্য ৯৩% পর্যন্ত সংক্ষিপ্ত করা সম্ভব, শুধুমাত্র বৈধ গুরুত্বপূর্ণ চিহ্নের ডেটা হ্রাসের সাথে। দ্বিতীয়ত, আমরা দেখাবো কিভাবে পিপিজি থেকে শ্বাসকষ্টের হার (আরআর) অনুমান করার সময় এসকিউআই ব্যবহার করে ত্রুটি কমাতে পারে। হাসপাতালের রোগীদের উপর একটি ক্লিনিকাল স্টাডি থেকে সংগৃহীত তথ্যের উপর ভিত্তি করে এই দুটি অ্যাপ্লিকেশনের কার্যকারিতা মূল্যায়ন করা হয়েছিল যারা অ- সহায়তায় হাঁটতে সক্ষম ছিল। |
ef8070a37fb6f0959acfcee9d40f0b3cb912ba9f | গত তিন দশকে তথ্য ব্যবস্থা (আইএস) গবেষণার মধ্যে একটি পদ্ধতিগত বহুসংখ্যাবাদ গড়ে উঠেছে। বিভিন্ন শাখা এবং অনেক গবেষণা সম্প্রদায়ও এই আলোচনায় অবদান রাখে। তবে একই গবেষণার বিষয় নিয়ে কাজ করা বা একই ঘটনা নিয়ে গবেষণা করা একে অপরের বোঝাপড়া নিশ্চিত করে না। বিশেষ করে এই বহুবিষয়ক এবং আন্তর্জাতিক প্রেক্ষাপটে, বিভিন্ন গবেষক দ্বারা করা জ্ঞানতাত্ত্বিক অনুমানগুলি মৌলিকভাবে পরিবর্তিত হতে পারে। এই অনুমানগুলি গবেষণার বৈধতা, নির্ভরযোগ্যতা, গুণমান এবং কঠোরতার মতো ধারণাগুলি কীভাবে বোঝা যায় তার উপর যথেষ্ট প্রভাব ফেলে। সুতরাং, জ্ঞানতাত্ত্বিক অনুমানগুলির ব্যাপক প্রকাশনা কার্যত প্রায় বাধ্যতামূলক। এই প্রবন্ধের উদ্দেশ্য হল একটি জ্ঞানতাত্ত্বিক কাঠামো তৈরি করা যা আইএস গবেষণায় জ্ঞানতাত্ত্বিক অনুমানগুলিকে পদ্ধতিগতভাবে বিশ্লেষণ করতে ব্যবহার করা যেতে পারে। আইএস গবেষণা প্যারাডিগমগুলি চিহ্নিত ও শ্রেণীবদ্ধ করার চেষ্টা করার পরিবর্তে, এই গবেষণার লক্ষ্য আইএস এর প্রসঙ্গে জ্ঞানতত্ত্বের একটি ব্যাপক আলোচনা। এটি বিভিন্ন আইএস পদ্ধতি এবং পদ্ধতির মধ্যে মিল এবং পার্থক্য চিহ্নিত করার জন্য ভিত্তি তৈরিতে অবদান রাখার চেষ্টা করে। জ্ঞানতাত্ত্বিক কাঠামোর প্রদর্শন করার জন্য, ধারণাগত মডেলিংয়ের জন্য ঐক্যমত্য-ভিত্তিক ব্যাখ্যাবাদী পদ্ধতির একটি উদাহরণ হিসাবে ব্যবহৃত হয়। |
25e989b45de04c6086364b376d29ec11008360a3 | মানুষ তাদের বিকাশের প্রথম দিকে তাদের সবচেয়ে মৌলিক শারীরিক ধারণাগুলি অর্জন করে এবং তারা আরও এবং বিভিন্ন গতিশীল পরিবেশের সংস্পর্শে আসার সাথে সাথে তাদের স্বজ্ঞাত পদার্থবিজ্ঞানকে সমৃদ্ধ ও প্রসারিত করে চলেছে। আমরা একটি শ্রেণীবিন্যাসমূলক বেইসিয়ান কাঠামো প্রবর্তন করি যাতে ব্যাখ্যা করা যায় যে মানুষ কিভাবে একাধিক স্তরে শারীরিক পরামিতিগুলি শিখতে পারে। তত্ত্ব অধিগ্রহণের পূর্ববর্তী বেয়েসিয়ান মডেলগুলির বিপরীতে (টেনেনবাউম, কেম্প, গ্রিফিথস এবং গুডম্যান, ২০১১), আমরা আরও এক্সপ্রেশনাল সম্ভাব্যতা প্রোগ্রাম উপস্থাপনাগুলির সাথে কাজ করি যা শক্তি এবং বৈশিষ্ট্যগুলি শেখার জন্য উপযুক্ত যা কীভাবে বস্তুগুলি গতিশীল দৃশ্যগুলিতে সময়ের সাথে সাথে প্রকাশিত হয়। আমরা আমাদের মডেলকে মানুষের সাথে তুলনা করি যারা একটি চ্যালেঞ্জিং কাজ করছে, যেটা হল ছোট্ট ভিডিও দেওয়া নতুন মাইক্রো ওয়ার্ল্ডে একাধিক শারীরিক পরামিতি অনুমান করা। এই কাজটি করার জন্য মানুষকে একই সাথে একাধিক ইন্টারঅ্যাক্টিং শারীরিক আইন এবং বৈশিষ্ট্য সম্পর্কে যুক্তি দেখাতে হবে। মানুষ সাধারণত এই পরিবেশে শিখতে সক্ষম হয় এবং তাদের বিচারকগণের মধ্যে ধারাবাহিকতা থাকে। তবুও তারা পদ্ধতিগত ত্রুটিগুলিও করে যা মানুষের কাছাকাছি অনুমানগুলি নির্দেশ করে যে এই কম্পিউটেশনালভাবে কম কম্পিউটেশনাল রিসোর্সগুলির সাথে এই কম্পিউটেশনালভাবে চাহিদাপূর্ণ সমস্যা সমাধান করতে পারে। আমরা দুটি আনুমানিক প্রস্তাব দিচ্ছি যা উপরের থেকে নীচে বায়সিয়ান পদ্ধতির পরিপূরক। একটি আনুমানিক মডেল আরো নীচে-উপর বৈশিষ্ট্য ভিত্তিক অনুমান স্কিমের উপর নির্ভর করে। দ্বিতীয় আনুমানিকতা নিচের থেকে উপরে এবং উপরের থেকে নীচে পদ্ধতির শক্তিকে একত্রিত করে, ফিচার-ভিত্তিক অনুমানকে তার শারীরিক-প্যারামিটার স্পেসে অনুসন্ধানের জন্য তার প্রারম্ভিক বিন্দু হিসাবে গ্রহণ করে। |
6f0144dc7ba19123ddce8cdd4ad0f6dc36dd4ef2 | আন্তর্জাতিক নির্দেশিকাগুলি যৌবনের বয়স কমিয়ে দেওয়ার জন্য লিঙ্গ ডিসফোরিয়া (জিডি) আক্রান্ত কিশোর- কিশোরীদের গোনাডোট্রপিন- রিলিজিং হরমোন (জিএনআরএইচ) অ্যাজোনিস্ট ব্যবহারের পরামর্শ দেয়। লিঙ্গ-ডিসফোরিক কিশোর-কিশোরীরা এই প্রাথমিক চিকিৎসা হস্তক্ষেপ সম্পর্কে কীভাবে চিন্তা করে সে সম্পর্কে খুব কমই জানা যায়। এই গবেষণার উদ্দেশ্য ছিল (১) নেদারল্যান্ডসের লিঙ্গ-ডিসফোরিক কিশোর-কিশোরীদের যৌবনের দমনের ব্যবহার সম্পর্কে বিবেচনা করা; (২) লিঙ্গ-ডিসফোরিক কিশোর-কিশোরীদের বিবেচনাগুলি চিকিত্সা দলগুলিতে কাজ করা পেশাদারদের থেকে আলাদা কিনা তা অনুসন্ধান করা এবং যদি তা হয় তবে কোন অর্থে। এই গবেষণার উদ্দেশ্য ছিল লিঙ্গ বৈষম্যগ্রস্ত কিশোর- কিশোরীদের প্রাথমিক চিকিৎসার ব্যাপারে বিবেচনা করা। এক ব্যতীত ১৩ জন কিশোরকে যৌবনের দমনের সাথে চিকিত্সা করা হয়েছিল; পাঁচজন কিশোর ট্রান্স মেয়ে এবং আটজন ট্রান্স ছেলে ছিল। তাদের বয়স ১৩ থেকে ১৮ বছরের মধ্যে, গড় বয়স ১৬ বছর ১১ মাস, এবং মধ্যম বয়স ১৭ বছর ৪ মাস। পরবর্তীকালে, কিশোরদের মতামতগুলিকে জিডি আক্রান্ত যুবকদের চিকিৎসার জন্য ক্লিনিকাল চিকিৎসকদের মতামতের সাথে তুলনা করা হয়। লিঙ্গ বৈষম্যগ্রস্ত কিশোর-কিশোরীদের সাথে সাক্ষাত্কার থেকে তিনটি বিষয় উঠে এসেছে: (1) যৌবনের দমন শুরু করার জন্য উপযুক্ত নিম্ন বয়সসীমা নির্ধারণের অসুবিধা। বেশিরভাগ কিশোর-কিশোরীর পক্ষে উপযুক্ত বয়সসীমা নির্ধারণ করা কঠিন ছিল এবং এটিকে একটি দ্বন্দ্ব হিসাবে দেখেছিল; বেশিরভাগ কিশোর-কিশোরী বলেছেন যে দীর্ঘমেয়াদী তথ্যের অভাব তাদের বয়ঃসন্ধির দমন করতে বাধা দেয়নি এবং তা করবে না; (3) সামাজিক প্রসঙ্গে ভূমিকা, যার জন্য দুটি উপ-থিম ছিলঃ (ক) মিডিয়া-মনোযোগ বৃদ্ধি, টেলিভিশনে এবং ইন্টারনেটে; (খ) একটি আরোপিত স্টেরিওটাইপ। কিছু কিশোর-কিশোরী সামাজিক প্রেক্ষাপটের ভূমিকা সম্পর্কে ইতিবাচক ছিল, কিন্তু অন্যরা এটি সম্পর্কে সন্দেহ প্রকাশ করেছিল। ক্লিনিকাল চিকিৎসকদের তুলনায় কিশোর- কিশোরীরা প্রায়ই তাদের চিকিত্সার দৃষ্টিভঙ্গিতে আরও সতর্ক ছিল। যৌনতার সময় যৌনতা প্রতিরোধে কিশোর-কিশোরীদের কথা বলা গুরুত্বপূর্ণ। অন্যথায়, পেশাদাররা কিশোর-কিশোরীদের প্রকৃত বিবেচনার পরিবর্তে তাদের মতামত সম্পর্কে অনুমানগুলির উপর ভিত্তি করে কাজ করতে পারে। আমরা অন্যান্য দেশের লিঙ্গ বৈষম্যগ্রস্ত কিশোর-কিশোরীদের কাছ থেকে আরও গুণগত গবেষণা তথ্য সংগ্রহের জন্য উৎসাহিত করি। |
446573a346acdbd2eb8f0527c5d73fc707f04527 | |
6e6f47c4b2109e7824cd475336c3676faf9b113e | আমরা মনে করি যে, ভিজ্যুয়াল ডেস্ক্রিপটিভ ভাষা কম্পিউটার ভিশন গবেষকদেরকে বিশ্বের তথ্য এবং মানুষ কিভাবে বিশ্বের বর্ণনা করে তার তথ্য প্রদান করে। এই উৎস থেকে সম্ভাব্য উপকারিতা আজ সহজেই পাওয়া যায় এমন বিপুল পরিমাণ ভাষার তথ্যের কারণে আরও বেশি গুরুত্বপূর্ণ হয়ে উঠেছে। আমরা এমন একটি সিস্টেম উপস্থাপন করছি যা স্বয়ংক্রিয়ভাবে চিত্র থেকে প্রাকৃতিক ভাষার বর্ণনা তৈরি করে যা বড় পরিমাণে পাঠ্য তথ্য বিশ্লেষণ করে এবং কম্পিউটার দৃষ্টি থেকে স্বীকৃতি অ্যালগরিদম থেকে সংগৃহীত পরিসংখ্যান উভয়ই কাজে লাগায়। এই সিস্টেমটি ছবির জন্য প্রাসঙ্গিক বাক্য তৈরি করতে খুবই কার্যকর। এটি পূর্ববর্তী কাজের তুলনায় নির্দিষ্ট চিত্রের বিষয়বস্তুর সাথে উল্লেখযোগ্যভাবে আরও সত্য বর্ণনা তৈরি করে। |
9a0fff9611832cd78a82a32f47b8ca917fbd4077 | |
9e5a13f3bc2580fd16bab15e31dc632148021f5d | এই গবেষণাপত্রটিতে নিম্ন প্রোফাইলের একটি সাবস্ট্রেট ইন্টিগ্রেটেড ওয়েভগাইড (এসআইডাব্লু) ক্যাভিটি-ব্যাকড স্লট অ্যান্টেনার একটি ব্যান্ডউইথ বর্ধিত পদ্ধতি উপস্থাপন করা হয়েছে। ব্যান্ডউইথ বৃদ্ধি অর্জন করা হয় একই সময়ে দুটি হাইব্রিড মোডকে এসআইডব্লিউ-সমর্থিত গহ্বরে উত্তেজিত করে এবং প্রয়োজনীয় ফ্রিকোয়েন্সি পরিসরের মধ্যে তাদের একত্রিত করে। এই দুটি হাইব্রিড মোড, যার প্রভাবশালী ক্ষেত্রগুলি এসআইডব্লিউ গহ্বরের বিভিন্ন অর্ধেক অংশে অবস্থিত, এটি এবং অনুরণনের দুটি ভিন্ন সমন্বয়। এই নকশা পদ্ধতি পরীক্ষার মাধ্যমে প্রমাণিত হয়েছে। পূর্বে উপস্থাপিত এসআইডব্লিউ ক্যাভটি-ব্যাকড স্লট অ্যান্টেনার তুলনায় প্রস্তাবিত অ্যান্টেনার ভগ্নাংশ প্রতিবন্ধকতা ব্যান্ডউইথ 1.4% থেকে 6.3% বৃদ্ধি পেয়েছে, এর লাভ এবং বিকিরণ দক্ষতাও সামান্য উন্নত হয়েছে 6.0 ডিবিআই এবং 90% এবং এর এসআইডব্লিউ ক্যাভটি আকার প্রায় 30% হ্রাস পেয়েছে। প্রস্তাবিত এন্টেনারটিতে নিম্ন ক্রস পোলারাইজেশন স্তর এবং উচ্চ সামনের থেকে পিছনের অনুপাত রয়েছে। এটি এখনও কম প্রোফাইল, কম উত্পাদন খরচ এবং সমতল সার্কিটের সাথে সহজ সংহতকরণের সুবিধা ধরে রেখেছে। |
4c68e7eff1da14003cc7efbfbd9a0a0a3d5d4968 | বাস্তবায়ন বিজ্ঞান তত্ত্বগত পদ্ধতির ব্যবহারের দিকে অগ্রসর হয়েছে যাতে বাস্তবায়ন কীভাবে এবং কেন সফল বা ব্যর্থ হয় তা আরও ভালভাবে বোঝা যায় এবং ব্যাখ্যা করা যায়। এই প্রবন্ধের উদ্দেশ্য হল একটি শ্রেণিবিন্যাস প্রস্তাব করা যা বাস্তবায়ন বিজ্ঞানে বিভিন্ন শ্রেণীর তত্ত্ব, মডেল এবং কাঠামোর মধ্যে পার্থক্য করে, বাস্তবায়ন গবেষণা এবং অনুশীলনে প্রাসঙ্গিক পদ্ধতির যথাযথ নির্বাচন এবং প্রয়োগকে সহজতর করে এবং বাস্তবায়ন গবেষকদের মধ্যে আন্তঃবিষয়ক সংলাপকে উত্সাহিত করে। বাস্তবায়ন বিজ্ঞানে ব্যবহৃত তাত্ত্বিক পদ্ধতির তিনটি প্রধান উদ্দেশ্য রয়েছেঃ গবেষণাকে অনুশীলনে রূপান্তর করার প্রক্রিয়া বর্ণনা করা এবং/অথবা নির্দেশনা দেওয়া (প্রক্রিয়া মডেল); বাস্তবায়ন ফলাফলকে কী প্রভাবিত করে তা বোঝা এবং/অথবা ব্যাখ্যা করা (নির্ধারণকারী কাঠামো, ক্লাসিক তত্ত্ব, বাস্তবায়ন তত্ত্ব); এবং বাস্তবায়ন মূল্যায়ন (মূল্যায়ন কাঠামো) । এই প্রবন্ধে তিনটি প্রধান লক্ষ্য অর্জনের জন্য পাঁচটি শ্রেণীর তাত্ত্বিক পদ্ধতির প্রস্তাব দেওয়া হয়েছে। এই বিষয়শ্রেণীগুলোকে সবসময়ই সাহিত্যে আলাদা ধরনের পদ্ধতির হিসেবে স্বীকৃতি দেওয়া হয় না। যদিও কিছু তত্ত্ব, মডেল এবং কাঠামোর মধ্যে ওভারল্যাপ রয়েছে, তবে প্রাসঙ্গিক পদ্ধতির নির্বাচন সহজ করার জন্য পার্থক্য সম্পর্কে সচেতনতা গুরুত্বপূর্ণ। বেশিরভাগ নির্ধারক কাঠামো বাস্তবায়ন প্রচেষ্টা চালানোর জন্য সীমিত "কিভাবে" সহায়তা প্রদান করে যেহেতু নির্ধারকগুলি সাধারণত বাস্তবায়ন প্রক্রিয়া পরিচালনার জন্য পর্যাপ্ত বিশদ সরবরাহ করার জন্য খুব সাধারণ। এবং যদিও গবেষণাকে অনুশীলনে রূপান্তরিত করার ক্ষেত্রে বাধা ও সক্ষমতা দূরীকরণের প্রাসঙ্গিকতা অনেক প্রক্রিয়া মডেলগুলিতে উল্লেখ করা হয়েছে, এই মডেলগুলি বাস্তবায়নের সাফল্যের সাথে সম্পর্কিত নির্দিষ্ট নির্ধারককে চিহ্নিত বা পদ্ধতিগতভাবে কাঠামোগত করে না। উপরন্তু, প্রক্রিয়া মডেলগুলি বাস্তবায়নের প্রচেষ্টার একটি সময়সূচীকে স্বীকৃতি দেয়, যখন নির্ধারক কাঠামোগুলি বাস্তবায়নের প্রক্রিয়া দৃষ্টিকোণকে স্পষ্টভাবে গ্রহণ করে না। |
00a7370518a6174e078df1c22ad366a2188313b5 | অপটিক্যাল ফ্লো স্থানীয়ভাবে গণনা করা যায় না, কারণ একটি বিন্দুতে চিত্রের ক্রম থেকে কেবলমাত্র একটি স্বাধীন পরিমাপ পাওয়া যায়, যখন প্রবাহের গতির দুটি উপাদান থাকে। দ্বিতীয় একটি সীমাবদ্ধতা প্রয়োজন। অপটিক্যাল ফ্লো প্যাটার্ন খুঁজে বের করার একটি পদ্ধতি উপস্থাপন করা হয়েছে যা ধরে নিয়েছে যে উজ্জ্বলতা প্যাটার্নের দৃশ্যমান গতি চিত্রের প্রায় সর্বত্রই মসৃণভাবে পরিবর্তিত হয়। একটি পুনরাবৃত্তিমূলক বাস্তবায়ন দেখানো হয়েছে যা বেশ কয়েকটি সিন্থেটিক চিত্রের ক্রমের জন্য সফলভাবে অপটিক্যাল প্রবাহ গণনা করে। এই অ্যালগরিদমটি শক্তিশালী কারণ এটি এমন চিত্রের ক্রমগুলি পরিচালনা করতে পারে যা স্থান এবং সময়ে মোটামুটিভাবে কোয়ান্টাইজড হয়। এটি উজ্জ্বলতা মাত্রা এবং সংযোজনীয় শব্দগুলির কোয়ান্টাইজেশনের প্রতিও সংবেদনশীল নয়। উদাহরণগুলি অন্তর্ভুক্ত করা হয়েছে যেখানে চিত্রের একক পয়েন্টগুলিতে বা লাইনের সাথে মসৃণতার অনুমান লঙ্ঘিত হয়। |
2315fc6c2c0c4abd2443e26a26e7bb86df8e24cc | আমরা একটি বড়, গভীর কনভলুশনাল নিউরাল নেটওয়ার্ককে প্রশিক্ষণ দিয়েছি ImageNet LSVRC-2010 প্রতিযোগিতায় ১.২ মিলিয়ন উচ্চ-রেজোলিউশনের চিত্রকে ১০০০টি ভিন্ন শ্রেণীতে শ্রেণীবদ্ধ করার জন্য। পরীক্ষার তথ্যের উপর, আমরা যথাক্রমে 37.5% এবং 17.0% এর শীর্ষ-১ এবং শীর্ষ-৫ ত্রুটি হার অর্জন করেছি, যা পূর্ববর্তী রাষ্ট্রের তুলনায় উল্লেখযোগ্যভাবে ভাল। নিউরাল নেটওয়ার্ক, যার ৬০ মিলিয়ন প্যারামিটার এবং ৬৫০,০০০ নিউরন রয়েছে, এতে পাঁচটি কনভলুশনাল স্তর রয়েছে, যার মধ্যে কিছু সর্বোচ্চ-পুলিং স্তর দ্বারা অনুসরণ করা হয় এবং তিনটি সম্পূর্ণ সংযুক্ত স্তর রয়েছে যার চূড়ান্ত 1000-পথের নরমম্যাক্স রয়েছে। প্রশিক্ষণকে দ্রুততর করতে, আমরা অ-স্যাচুরেটিং নিউরন ব্যবহার করেছি এবং কনভোলশন অপারেশনের একটি খুব দক্ষ জিপিইউ বাস্তবায়ন করেছি। সম্পূর্ণ সংযুক্ত স্তরগুলিতে অতিরিক্ত ফিটিং কমাতে আমরা সম্প্রতি উন্নত নিয়মাবলী পদ্ধতি ব্যবহার করেছি যাকে "ড্রপআউট" বলা হয় যা খুব কার্যকর প্রমাণিত হয়েছে। আমরা এই মডেলের একটি ভেরিয়েন্ট আইএলএসভিআরসি ২০১২ প্রতিযোগিতায়ও প্রবেশ করেছি এবং দ্বিতীয় সেরা প্রবেশের ২৬.২% এর তুলনায় ১৫.৩% এর শীর্ষ-৫ পরীক্ষার ত্রুটি হার অর্জন করেছি। |
1bc49abe5145055f1fa259bd4e700b1eb6b7f08d | আমরা SummaRuNNer উপস্থাপন করছি, যা নথিপত্রের সংক্ষিপ্তসার তৈরির জন্য একটি রিসিয়ারেন্ট নিউরাল নেটওয়ার্ক (RNN) ভিত্তিক ক্রম মডেল এবং দেখায় যে এটি উন্নত বা তুলনামূলকভাবে উন্নত। আমাদের মডেলের অতিরিক্ত সুবিধা হল এটি খুব ব্যাখ্যাযোগ্য, যেহেতু এটি তার ভবিষ্যদ্বাণীগুলিকে বিমূর্ত বৈশিষ্ট্য যেমন তথ্য সামগ্রী, উল্লেখযোগ্যতা এবং নতুনত্ব দ্বারা বিভক্ত করে ভিজ্যুয়ালাইজেশনের অনুমতি দেয়। আমাদের কাজের আরেকটি নতুন অবদান হল আমাদের এক্সট্রাকটিভ মডেলের বিমূর্ত প্রশিক্ষণ যা শুধুমাত্র মানুষের তৈরি রেফারেন্স সারসংক্ষেপের উপর প্রশিক্ষণ দিতে পারে, বাক্য-স্তরের এক্সট্রাকটিভ লেবেলের প্রয়োজন দূর করে। |
3e4bd583795875c6550026fc02fb111daee763b4 | এই গবেষণায়, আমরা গভীর নিউরাল নেটওয়ার্ক ব্যবহার করে মুখের স্কেচগুলোকে বিপরীতভাবে চিত্রিত করে ছবির বাস্তবসম্মত মুখের ছবি তৈরি করেছি। আমরা প্রথমে একটি আধা-সিমুলেটেড ডেটাসেট তৈরি করি যাতে অনেকগুলো কম্পিউটার-উত্পাদিত মুখের স্কেচ থাকে বিভিন্ন স্টাইল এবং মুখের ছবির সাথে, বিদ্যমান সীমাবদ্ধতা ছাড়াই মুখের ডেটাসেট সম্প্রসারণ করে। এরপর আমরা মডেলগুলোকে প্রশিক্ষণ দিই যাতে তারা কম্পিউটার-উত্পাদিত স্কেচ এবং হাতে আঁকা স্কেচ উভয় ক্ষেত্রেই উন্নত ফলাফল অর্জন করতে পারে। এই ক্ষেত্রে আমরা গভীর শিক্ষার সাম্প্রতিক অগ্রগতি যেমন ব্যাচ নর্মালাইজেশন, গভীর অবশিষ্ট শিক্ষা, উপলব্ধিগত ক্ষতি এবং স্টোক্যাস্টিক অপ্টিমাইজেশনকে আমাদের নতুন ডেটা সেটের সাথে একত্রিত করে ব্যবহার করি। আমরা অবশেষে আমাদের মডেলের সম্ভাব্য প্রয়োগের প্রদর্শন করেছি ফাইন আর্টস এবং ফরেনসিক আর্টস এ। বর্তমান প্যাচ-ভিত্তিক পদ্ধতির বিপরীতে, আমাদের গভীর-নিউরাল নেটওয়ার্ক-ভিত্তিক পদ্ধতির মাধ্যমে ফটোগ্রাফিকভাবে বাস্তবসম্মত মুখের ছবি তৈরি করা যায়। |
2fd9f4d331d144f71baf2c66628b12c8c65d3ffb | শ্রেণীবিভাগ পদ্ধতির ক্ষেত্রে সাম্প্রতিক সময়ে সবচেয়ে গুরুত্বপূর্ণ উন্নয়নগুলির মধ্যে একটি হল বর্ধিতকরণ। প্রশিক্ষণ ডেটার পুনরায় ওজনযুক্ত সংস্করণগুলিতে ক্রমাগতভাবে একটি শ্রেণিবদ্ধকরণ অ্যালগরিদম প্রয়োগ করে এবং তারপরে এইভাবে উত্পন্ন শ্রেণিবদ্ধকরণের ক্রমের একটি ওজনযুক্ত সংখ্যাগরিষ্ঠ ভোট গ্রহণ করে কাজগুলিকে উত্সাহ দেওয়া। অনেক শ্রেণীবিভাগের অ্যালগরিদমের জন্য, এই সহজ কৌশলটি কর্মক্ষমতাতে নাটকীয় উন্নতি করে। আমরা দেখিয়েছি যে এই রহস্যময় ঘটনাটি পরিসংখ্যানের সুপরিচিত নীতির মাধ্যমে বোঝা যায়, যথা, সংযোজনীয় মডেলিং এবং সর্বাধিক সম্ভাব্যতা। দুই শ্রেণীর সমস্যার জন্য, বর্ধিতকরণকে লজিস্টিক স্কেলে সর্বাধিক বার্নুলি সম্ভাব্যতাকে মানদণ্ড হিসাবে ব্যবহার করে অ্যাডিটিভ মডেলিংয়ের একটি আনুমানিক হিসাবে দেখা যেতে পারে। আমরা আরো সরাসরি আনুমানিক বিকাশ করি এবং দেখাই যে তারা প্রায় একই ফলাফল প্রদর্শন করে। বহুপদ সম্ভাব্যতার উপর ভিত্তি করে সরাসরি মাল্টি-ক্লাস সাধারণীকরণগুলি প্রাপ্ত হয় যা বেশিরভাগ পরিস্থিতিতে বুস্টিংয়ের অন্যান্য সম্প্রতি প্রস্তাবিত মাল্টি-ক্লাস সাধারণীকরণের সাথে তুলনীয় পারফরম্যান্স প্রদর্শন করে এবং কিছু ক্ষেত্রে অনেক বেশি উন্নত। আমরা বুস্টিং এর জন্য একটি ছোটখাট পরিবর্তন প্রস্তাব করছি যা গণনাকে কমিয়ে দিতে পারে, প্রায়শই ১০ থেকে ৫০ এর ফ্যাক্টর দ্বারা। অবশেষে, আমরা এই অন্তর্দৃষ্টিগুলিকে সিদ্ধান্তের গাছের একটি বিকল্প সূত্র তৈরি করতে ব্যবহার করি। এই পদ্ধতিটি, সেরা-প্রথম ট্রিঙ্কড ট্রি ইন্ডাকশনের উপর ভিত্তি করে, প্রায়শই আরও ভাল পারফরম্যান্সের দিকে পরিচালিত করে এবং সমষ্টিগত সিদ্ধান্ত নিয়মের ব্যাখ্যাযোগ্য বিবরণ সরবরাহ করতে পারে। এটি কম্পিউটেশনালভাবেও অনেক দ্রুত, যা এটিকে বড় আকারের ডেটা মাইনিং অ্যাপ্লিকেশনগুলির জন্য আরও উপযুক্ত করে তোলে। |
573ae3286d050281ffe4f6c973b64df171c9d5a5 | আমরা বিশৃঙ্খল দৃশ্যের মধ্যে বিভিন্ন শ্রেণীর বস্তুর একটি বড় সংখ্যা সনাক্ত করার সমস্যা বিবেচনা করি। ঐতিহ্যগত পদ্ধতিতে বিভিন্ন শ্রেণীবিভাগকারীকে একাধিক স্থানে এবং স্কেলে চিত্রটিতে প্রয়োগ করা প্রয়োজন। এটি ধীর হতে পারে এবং অনেক প্রশিক্ষণ ডেটা প্রয়োজন হতে পারে কারণ প্রতিটি শ্রেণিবদ্ধকরণের জন্য অনেকগুলি বিভিন্ন চিত্রের বৈশিষ্ট্যগুলির গণনা প্রয়োজন। বিশেষ করে, স্বাধীনভাবে প্রশিক্ষিত সনাক্তকারীগুলির জন্য, (রানটাইম) কম্পিউটেশনাল জটিলতা এবং (ট্রেনিং-টাইম) নমুনা জটিলতা স্কেলটি সনাক্ত করার জন্য শ্রেণীর সংখ্যাটির সাথে রৈখিকভাবে। আমরা একটি মাল্টিটাস্ক লার্নিং পদ্ধতি উপস্থাপন করছি, যা বর্ধিত সিদ্ধান্তের উপর ভিত্তি করে তৈরি করা হয়েছে, যা ক্লাস (এবং/অথবা ভিউ) জুড়ে ভাগ করা যায় এমন সাধারণ বৈশিষ্ট্যগুলি খুঁজে বের করে কম্পিউটেশনাল এবং নমুনা জটিলতা হ্রাস করে। প্রতিটি শ্রেণীর ডিটেক্টরকে একসাথে প্রশিক্ষণ দেওয়া হয়, স্বাধীনভাবে নয়। প্রদত্ত পারফরম্যান্স স্তরের জন্য, প্রয়োজনীয় বৈশিষ্ট্যগুলির মোট সংখ্যা এবং, অতএব, শ্রেণিবদ্ধকরণের রানটাইম খরচ, ক্লাসের সংখ্যা অনুসারে প্রায় লোগারিদমিকভাবে স্কেল করা হয়। যৌথ প্রশিক্ষণের মাধ্যমে নির্বাচিত বৈশিষ্ট্যগুলি সাধারণ প্রান্তের মতো বৈশিষ্ট্য, যখন প্রতিটি শ্রেণীর পৃথকভাবে প্রশিক্ষণের মাধ্যমে নির্বাচিত বৈশিষ্ট্যগুলি আরও বস্তুর-নির্দিষ্ট হয়। জেনেরিক বৈশিষ্ট্যগুলি আরও ভালভাবে সাধারণীকরণ করে এবং মাল্টি-ক্লাস অবজেক্ট সনাক্তকরণের গণনা ব্যয়কে উল্লেখযোগ্যভাবে হ্রাস করে |
1e75a3bc8bdd942b683cf0b27d1e1ed97fa3b4c3 | গাউসিয়ান প্রক্রিয়াগুলি রাষ্ট্রীয় স্থান মডেলগুলিতে অজানা গতিশীলতার পূর্ববর্তী অনুমানগুলির নমনীয় স্পেসিফিকেশনকে মঞ্জুরি দেয়। আমরা গাউসিয়ান প্রক্রিয়া রাষ্ট্র স্থান মডেলগুলিতে দক্ষ বেজিয়ান শিক্ষার জন্য একটি পদ্ধতি উপস্থাপন করি, যেখানে উপস্থাপনাটি পূর্ববর্তী সহ-বৈকল্পিক কাঠামো থেকে প্রাপ্ত আনুমানিক স্বতন্ত্র ফাংশনগুলির একটি সেটে সমস্যাটি প্রজেক্ট করে গঠিত হয়। এই মডেলের পরিবারের অধীনে শেখার একটি সাবধানে crafted কণা MCMC অ্যালগরিদম ব্যবহার করে পরিচালিত হতে পারে। এই স্কিমটি কম্পিউটেশনালভাবে দক্ষ এবং তবুও সমস্যার সম্পূর্ণ বেয়েসিয়ান চিকিত্সার অনুমতি দেয়। প্রচলিত সিস্টেম সনাক্তকরণ সরঞ্জাম বা বিদ্যমান শেখার পদ্ধতির তুলনায়, আমরা প্রতিযোগিতামূলক কর্মক্ষমতা এবং মডেলের অনিশ্চয়তার নির্ভরযোগ্য পরিমাণগতকরণ প্রদর্শন করি। |
142a799aac35f3b47df9fbfdc7547ddbebba0a91 | আমরা রঙের তথ্যের মডেল ভিত্তিক 6D পজ পরিমার্জনের জন্য একটি নতুন পদ্ধতির উপস্থাপন করছি। কনট্যুর ভিত্তিক পোজ ট্র্যাকিং এর প্রতিষ্ঠিত ধারণার উপর ভিত্তি করে, আমরা একটি গভীর নিউরাল নেটওয়ার্ককে অনুবাদ এবং ঘূর্ণন আপডেট পূর্বাভাস দিতে শেখাই। মূলত, আমরা একটি নতুন দৃষ্টিশক্তি হ্রাসের প্রস্তাব দিচ্ছি যা বস্তুর কনট্যুরগুলি সারিবদ্ধ করে পোজ আপডেটকে চালিত করে, এইভাবে কোনও স্পষ্ট চেহারা মডেলের সংজ্ঞা এড়ানো যায়। পূর্ববর্তী কাজের বিপরীতে আমাদের পদ্ধতিটি চিঠিপত্র-মুক্ত, বিভাজন-মুক্ত, আটকানো সামলাতে পারে এবং জ্যামিতিক সামঞ্জস্যের পাশাপাশি ভিজ্যুয়াল দ্ব্যর্থতা সম্পর্কে অজ্ঞাত। উপরন্তু, আমরা রুক্ষ প্রারম্ভিকীকরণের দিকে একটি শক্তিশালী দৃঢ়তা পর্যবেক্ষণ করি। এই পদ্ধতির মাধ্যমে রিয়েল টাইমে কাজ করা যায় এবং গভীরতার তথ্যের প্রয়োজন ছাড়াই 3D ICP-এর কাছাকাছি অবস্থান সঠিকতা তৈরি করা যায়। এছাড়াও, আমাদের নেটওয়ার্কগুলি সম্পূর্ণরূপে সিন্থেটিক ডেটা থেকে প্রশিক্ষিত হয় এবং http://campar.in.tum এ পরিমার্জন কোডের সাথে একসাথে প্রকাশিত হবে। de/Main/FabianManhardt পুনরুত্পাদনযোগ্যতা নিশ্চিত করতে। |
046bf6fb90438335eaee07594855efbf541a8aba | শহুরেীকরণের দ্রুত অগ্রগতি অনেক মানুষের জীবনকে আধুনিক করেছে কিন্তু ট্রাফিক জ্যাম, শক্তি খরচ এবং দূষণের মতো বড় সমস্যাও সৃষ্টি করেছে। শহুরে কম্পিউটিং এর উদ্দেশ্য হল এই সমস্যাগুলি সমাধান করা শহরে উত্পন্ন তথ্য ব্যবহার করে (যেমন, ট্রাফিক প্রবাহ, মানব গতিশীলতা এবং ভৌগলিক তথ্য) । শহুরে কম্পিউটিং শহুরে সেন্সিং, ডেটা ম্যানেজমেন্ট, ডেটা অ্যানালিটিক্স এবং পরিষেবা প্রদানকে মানুষের জীবন, শহরের অপারেশন সিস্টেম এবং পরিবেশের নিরবচ্ছিন্ন এবং ক্রমাগত উন্নতির জন্য একটি পুনরাবৃত্ত প্রক্রিয়াতে সংযুক্ত করে। আরবান কম্পিউটিং একটি আন্তঃবিষয়ক ক্ষেত্র যেখানে কম্পিউটার বিজ্ঞান শহরের সাথে সম্পর্কিত প্রচলিত ক্ষেত্রগুলি পূরণ করে, যেমন পরিবহন, সিভিল ইঞ্জিনিয়ারিং, পরিবেশ, অর্থনীতি, বাস্তুশাস্ত্র এবং সমাজবিজ্ঞান শহুরে জায়গাগুলির প্রেক্ষাপটে। এই নিবন্ধটি প্রথমে শহুরে কম্পিউটিং এর ধারণাটি প্রবর্তন করে, এর সাধারণ কাঠামো এবং কম্পিউটার বিজ্ঞানের দৃষ্টিকোণ থেকে মূল চ্যালেঞ্জগুলি নিয়ে আলোচনা করে। দ্বিতীয়ত, আমরা শহুরে কম্পিউটিং এর অ্যাপ্লিকেশনগুলিকে সাতটি বিভাগে শ্রেণীবদ্ধ করি, যার মধ্যে রয়েছে শহুরে পরিকল্পনা, পরিবহন, পরিবেশ, শক্তি, সামাজিক, অর্থনীতি এবং জনসাধারণের সুরক্ষা এবং সুরক্ষা, প্রতিটি বিভাগে প্রতিনিধিত্বমূলক দৃশ্যকল্প উপস্থাপন করে। তৃতীয়ত, আমরা শহুরে কম্পিউটিং-এ প্রয়োজনীয় প্রযুক্তিগুলোকে চারটি ভাগে ভাগ করেছি, যা হল শহুরে সেন্সরিং, শহুরে ডেটা ম্যানেজমেন্ট, বৈষম্যপূর্ণ ডেটা জুড়ে জ্ঞান সংমিশ্রণ এবং শহুরে ডেটা ভিজ্যুয়ালাইজেশন। অবশেষে, আমরা শহুরে কম্পিউটিং এর ভবিষ্যৎ সম্পর্কে একটি দৃষ্টিভঙ্গি প্রদান করছি, কিছু গবেষণা বিষয়ের পরামর্শ দিচ্ছি যা সম্প্রদায়ের মধ্যে অনুপস্থিত। |
970b4d2ed1249af97cdf2fffdc7b4beae458db89 | প্রতিদিন প্রায় এক বিলিয়ন অনলাইন ভিডিও দেখা হয়, কম্পিউটার ভিশন গবেষণায় একটি নতুন নতুন গন্তব্য হচ্ছে ভিডিওতে সনাক্তকরণ এবং অনুসন্ধান। যদিও হাজার হাজার চিত্রের ধরণ ধারণকারী বড় আকারের স্থির চিত্রের ডেটাসেট সংগ্রহ ও টীকা দেওয়ার জন্য অনেক প্রচেষ্টা করা হয়েছে, তবে মানব ক্রিয়াকলাপের ডেটাসেটগুলি অনেক পিছিয়ে রয়েছে। বর্তমান কর্ম স্বীকৃতি ডাটাবেসগুলি মোটামুটি নিয়ন্ত্রিত অবস্থার অধীনে সংগ্রহ করা দশটি বিভিন্ন কর্মের বিভাগের ক্রম ধারণ করে। এই ডেটাসেটগুলির উপর অত্যাধুনিক পারফরম্যান্স এখন সিলিংয়ের কাছাকাছি এবং তাই নতুন রেফারেন্সের নকশা এবং সৃষ্টির প্রয়োজন রয়েছে। এই সমস্যা সমাধানের জন্য আমরা ৫১টি অ্যাকশন বিভাগের সাথে এখন পর্যন্ত বৃহত্তম অ্যাকশন ভিডিও ডাটাবেস সংগ্রহ করেছি, যা মোট ৭০০০টি ম্যানুয়ালি টীকাযুক্ত ক্লিপ ধারণ করে যা ডিজিটালাইজড সিনেমা থেকে ইউটিউব পর্যন্ত বিভিন্ন উৎস থেকে নেওয়া হয়েছে। আমরা এই ডাটাবেস ব্যবহার করে অ্যাকশন রিকগনিশন এর জন্য দুটি প্রতিনিধিত্বমূলক কম্পিউটার ভিশন সিস্টেমের পারফরম্যান্সের মূল্যায়ন করি এবং ক্যামেরা মোশন, ভিউপয়েন্ট, ভিডিও কোয়ালিটি এবং আক্কলুশন এর মতো বিভিন্ন অবস্থার অধীনে এই পদ্ধতিগুলির দৃঢ়তা অন্বেষণ করি। |
3087289229146fc344560478aac366e4977749c0 | তথ্য তত্ত্ব সম্প্রতি নির্দিষ্ট কিছু সংবেদনশীল, অনুভূতিগত এবং অনুভূতি-মোটর ফাংশনগুলিতে মানুষের ক্ষমতাকে পূর্বের তুলনায় আরও সুনির্দিষ্টভাবে নির্দিষ্ট করার জন্য নিযুক্ত করা হয়েছে (5, 10, 13, 15, 17, 18) । এই গবেষণায় বর্ণিত পরীক্ষাগুলো এই তত্ত্বকে মানুষের মোটর সিস্টেমে প্রসারিত করে। এই সময়ে শুধুমাত্র মৌলিক ধারণাগুলির প্রয়োগযোগ্যতা, তথ্যের পরিমাণ, গোলমাল, চ্যানেল ক্ষমতা এবং তথ্য সংক্রমণের হার পরীক্ষা করা হবে। সাম্প্রতিক লেখকদের (৪,১১,২০,২২) দ্বারা এই ধারণাগুলির সাথে সাধারণ পরিচিততা অনুমান করা হয়। কঠোরভাবে বলতে গেলে, আমরা মানুষের মোটর সিস্টেমকে তার সংযুক্ত সংবেদনশীল প্রক্রিয়া থেকে বিচ্ছিন্ন করে আচরণগত স্তরে অধ্যয়ন করতে পারি না। আমরা কেবলমাত্র পুরো রিসেপ্টর-নিউরাল-ইফেক্টর সিস্টেমের আচরণ বিশ্লেষণ করতে পারি। কিভাবে- |
64305508a53cc99e62e6ff73592016d0b994afd4 | RDF ক্রমবর্ধমানভাবে শব্দার্থিক ওয়েব এবং তথ্য বিনিময় জন্য তথ্য এনকোডিং ব্যবহার করা হচ্ছে। বিভিন্ন পদ্ধতি অনুসরণ করে আরডিএফ ডেটা ম্যানেজমেন্টের বিষয়ে অনেকগুলি কাজ হয়েছে। এই নিবন্ধে আমরা এই কাজগুলির একটি সংক্ষিপ্ত বিবরণ প্রদান করছি। এই পর্যালোচনা কেন্দ্রীয় সমাধান (যা গুদাম পদ্ধতির হিসাবে উল্লেখ করা হয়), বিতরণ সমাধান, এবং লিঙ্কযুক্ত তথ্য অনুসন্ধানের জন্য উন্নত কৌশল বিবেচনা করে। প্রতিটি বিভাগে আরও শ্রেণিবিন্যাস দেওয়া হয়েছে যা পাঠকদের বিভিন্ন পদ্ধতির সনাক্তকরণ বৈশিষ্ট্যগুলি বুঝতে সহায়তা করবে। |
6162ab446003a91fc5d53c3b82739631c2e66d0f | |
29f5ecc324e934d21fe8ddde814fca36cfe8eaea | পরিচিতি স্তন ক্যান্সার (বিসি) হল মহিলাদের মধ্যে সবচেয়ে সাধারণ ক্যান্সার, যা তাদের জীবনের কিছু পর্যায়ে সমস্ত মহিলাদের প্রায় 10% প্রভাবিত করে। সাম্প্রতিক বছরগুলোতে, আক্রান্তের হার ক্রমাগত বাড়ছে এবং তথ্য থেকে জানা যায় যে নির্ণয়ের পাঁচ বছর পর বেঁচে থাকার হার ৮৮% এবং নির্ণয়ের ১০ বছর পর ৮০%। [1] স্তন ক্যান্সারের প্রাথমিক পূর্বাভাস অনুসরণ প্রক্রিয়াতে সবচেয়ে গুরুত্বপূর্ণ কাজগুলির মধ্যে একটি। তথ্য খনির পদ্ধতি ভুল ইতিবাচক এবং ভুল নেতিবাচক সিদ্ধান্তের সংখ্যা কমাতে সাহায্য করতে পারে [2,3]। ফলস্বরূপ, ডাটাবেসে জ্ঞান আবিষ্কারের মতো নতুন পদ্ধতিগুলি চিকিত্সা গবেষকদের জন্য একটি জনপ্রিয় গবেষণা সরঞ্জাম হয়ে উঠেছে যারা বিপুল সংখ্যক ভেরিয়েবলের মধ্যে নিদর্শন এবং সম্পর্কগুলি সনাক্ত এবং কাজে লাগানোর চেষ্টা করে এবং ডেটাসেটে সংরক্ষিত historicalতিহাসিক কেস ব্যবহার করে কোনও রোগের ফলাফলের পূর্বাভাস দেয় [4]। |
261e841c8e0175586fb193b1a199cefaa8ecf169 | কিভাবে একজনকে গভীর শিক্ষণকে কার্যক্রমে প্রয়োগ করতে হবে যেমন মর্ফোলজিক্যাল রিইনফ্লেকশন, যা স্টোক্যাস্টিকভাবে একটি স্ট্রিং সম্পাদনা করে অন্য একটি পেতে? এই ধরনের ক্রম-টু-ক্রম কাজগুলির একটি সাম্প্রতিক পদ্ধতি হল ইনপুট স্ট্রিংকে একটি ভেক্টরে সংকুচিত করা যা পুনরাবৃত্ত নিউরাল নেটওয়ার্ক ব্যবহার করে আউটপুট স্ট্রিং তৈরি করতে ব্যবহৃত হয়। এর বিপরীতে, আমরা ঐতিহ্যগত স্থাপত্য বজায় রাখার প্রস্তাব দিই, যা সমস্ত সম্ভাব্য আউটপুট স্ট্রিংগুলি স্কোর করার জন্য একটি সীমাবদ্ধ-রাজ্য ট্রান্সডুসার ব্যবহার করে, কিন্তু পুনরাবৃত্ত নেটওয়ার্কের সাহায্যে স্কোরিং ফাংশনটি বাড়ানোর জন্য। দ্বি-মুখী এলএসটিএমগুলির একটি স্ট্যাক ইনপুট স্ট্রিংটি বাম থেকে ডান এবং ডান থেকে বাম থেকে পড়ে, যাতে ইনপুট প্রসঙ্গে সংক্ষিপ্তসার করা যায় যেখানে একটি ট্রান্সডুসার আর্ক প্রয়োগ করা হয়। আমরা এই শিখেছি বৈশিষ্ট্যগুলিকে ট্রান্সডুসারের সাথে সংযুক্ত করি যাতে একটি সম্ভাব্যতা বন্টনকে সংজ্ঞায়িত করা যায়, একটি ওজনযুক্ত সীমিত-রাষ্ট্রের স্বয়ংক্রিয়তার আকারে। এটি বৈশিষ্ট্যগুলির হ্যান্ড-ইঞ্জিনিয়ারিং হ্রাস করে, ইনপুট স্ট্রিংয়ের সীমাহীন প্রসঙ্গটি পরীক্ষা করার জন্য শেখার বৈশিষ্ট্যগুলিকে অনুমতি দেয় এবং এখনও গতিশীল প্রোগ্রামিংয়ের মাধ্যমে সঠিক অনুমানকে অনুমতি দেয়। আমরা আমাদের পদ্ধতিকে মর্ফোলজিক্যাল রিইনফ্লেকশন এবং লেমাইটিজেশনের কাজগুলোতে চিত্রিত করি। |
8f69384b197a424dfbd0f60d7c48c110faf2b982 | |
014b191f412f8496813d7c358ddd11d8512f2005 | উচ্চ-রেজোলিউশনের ইমেজ রাডারগুলি একক পর্যবেক্ষণ থেকে বর্ধিত বস্তুর গতি এবং গতির দিক নির্ধারণের জন্য নতুন সুযোগ উন্মুক্ত করে। যেহেতু রাডার সেন্সর শুধুমাত্র রেডিয়াল বেগ পরিমাপ করে, তাই একটি ট্র্যাকিং সিস্টেম সাধারণত বস্তুর বেগ ভেক্টর নির্ধারণ করতে ব্যবহৃত হয়। একটি স্থিতিশীল গতির অনুমান করা হয় প্রথম দিকে বেশ কয়েকটি ফ্রেমের পরে, যার ফলে ক্রস-ট্র্যাফিকের মতো নির্দিষ্ট পরিস্থিতিতে প্রতিক্রিয়া জানাতে উল্লেখযোগ্য সময়ের ক্ষতি হয়। নিম্নলিখিত কাগজটি একটি বর্ধিত লক্ষ্যের বেগ ভেক্টর নির্ধারণের জন্য একটি শক্তিশালী এবং মডেল-মুক্ত পদ্ধতি উপস্থাপন করে। ক্যালম্যান ফিল্টারের বিপরীতে, এটির জন্য সময় এবং স্থান সম্পর্কিত ডেটা সমন্বয় প্রয়োজন হয় না। এর বেগ ভেক্টরের একটি তাত্ক্ষণিক (~ 50 এমএস) এবং পক্ষপাত মুক্ত অনুমান সম্ভব। আমাদের পদ্ধতিতে শব্দ এবং সিগন্যালের পদ্ধতিগত পরিবর্তন (যেমন, চাকা মাইক্রো-ডপলার) সামলাতে পারে। এটি কেবলমাত্র রেডিয়াল বেগেই নয়, অজিমথ পজিশনেও রাডার সেন্সরের পরিমাপের ত্রুটিগুলি মোকাবেলায় অনুকূলিত। এই পদ্ধতির সঠিকতা বৃদ্ধি পায় একাধিক রাডার সেন্সরগুলির সংমিশ্রণ দ্বারা। |
ad6d5e4545c60ec559d27a09fbef13fa538172e1 | উন্নত ড্রাইভার সহায়তা ব্যবস্থা এবং স্বয়ংক্রিয় ড্রাইভিংয়ের ক্ষেত্রে, রাডার ভিত্তিক নির্ভরযোগ্য পরিবেশ উপলব্ধি এবং বস্তুর ট্র্যাকিং মৌলিক। উচ্চ-রেজোলিউশনের রাডার সেন্সরগুলি প্রায়শই প্রতি বস্তুর জন্য একাধিক পরিমাপ সরবরাহ করে। যেহেতু এই ক্ষেত্রে প্রচলিত পয়েন্ট ট্র্যাকিং অ্যালগরিদম আর প্রযোজ্য নয়, তাই সাম্প্রতিক বছরগুলোতে বর্ধিত অবজেক্ট ট্র্যাকিংয়ের জন্য নতুন পদ্ধতির উদ্ভব হয়েছে। তবে, এগুলি মূলত লিডার অ্যাপ্লিকেশনগুলির জন্য ডিজাইন করা হয়েছে বা রাডারগুলির অতিরিক্ত ডপলার তথ্য বাদ দেয়। ডপলার তথ্য ব্যবহার করে ক্লাসিক রাডার ভিত্তিক ট্র্যাকিং পদ্ধতি বেশিরভাগই সমান্তরাল ট্র্যাফিকের পয়েন্ট ট্র্যাকিংয়ের জন্য ডিজাইন করা হয়েছে। এই গবেষণাপত্রে উপস্থাপিত পরিমাপ মডেলটি সমান্তরাল এবং ক্রস ট্র্যাফিক সহ নির্বিচারে ট্র্যাফিকের পরিস্থিতিতে প্রায় আয়তক্ষেত্রাকার আকারের যানবাহনগুলি ট্র্যাক করার জন্য তৈরি করা হয়েছে। গতিবিদ্যাগত অবস্থা ছাড়াও, এটি বস্তুর জ্যামিতিক অবস্থা নির্ধারণ এবং ট্র্যাক করার অনুমতি দেয়। ডপলার তথ্য ব্যবহার করা মডেলের একটি গুরুত্বপূর্ণ উপাদান। এছাড়াও, এটির জন্য পরিমাপের প্রাক-প্রক্রিয়াকরণ, ডেটা ক্লাস্টারিং বা স্পষ্ট ডেটা সমন্বয় প্রয়োজন হয় না। বস্তুর ট্র্যাকিংয়ের জন্য, একটি রাও-ব্ল্যাকওয়েলাইজড কণা ফিল্টার (আরবিপিএফ) পরিমাপ মডেলের সাথে খাপ খাইয়ে নেওয়া হয়েছে। |
965f8bb9a467ce9538dec6bef57438964976d6d9 | অটোমেটেড মানব মুখের স্বীকৃতি অ্যালগরিদমের নির্ভুলতা উল্লেখযোগ্যভাবে হ্রাস পেতে পারে যখন মেকআপ এবং ছদ্মবেশযুক্ত উপস্থিতির অধীনে একই বিষয়গুলিকে স্বীকৃতি দেওয়া হয়। নিরাপত্তা ও নজরদারি বাড়ানোর জন্য মুখমণ্ডল এবং/অথবা মেকআপের মুখমণ্ডল সনাক্তকরণ অ্যালগরিদমের সঠিকতা বাড়ানো প্রয়োজন। এই গবেষণাপত্রে মুখের ছবির জন্য একটি নতুন ডাটাবেস উপস্থাপন করা হয়েছে। এই ডাটাবেসে ৪১০টি ভিন্ন ভিন্ন বিষয়ের ২৪৬০টি ছবি রয়েছে এবং এটি বাস্তব পরিবেশে অর্জিত হয়েছে, মেকআপ এবং ছদ্মবেশে কোভারিয়েটগুলিতে ফোকাস করে এবং প্রতিটি চিত্রের জন্য গ্রাউন্ড সত্য (চশমা, গগলস, মিষ্টি, দাড়ি) সরবরাহ করে। এটি উন্নত অ্যালগরিদমকে স্বয়ংক্রিয়ভাবে মুখের স্বীকৃতির সময় এই ধরনের গুরুত্বপূর্ণ ছদ্মবেশী বৈশিষ্ট্য সনাক্ত করার জন্য তাদের ক্ষমতা পরিমাপ করতে সক্ষম করে। আমরা দুটি জনপ্রিয় বাণিজ্যিক ম্যাচারের তুলনামূলক পরীক্ষামূলক ফলাফল এবং সাম্প্রতিক প্রকাশনা থেকেও উপস্থাপন করি। আমাদের পরীক্ষার ফলাফলগুলো এই চেহারাগুলোকে স্বয়ংক্রিয়ভাবে চিনতে এই ম্যাচারদের ক্ষমতার উল্লেখযোগ্য পারফরম্যান্স অবনতিকে নির্দেশ করে। আমরা এই ম্যাচিং থেকে মুখ সনাক্তকরণের নির্ভুলতা বিশ্লেষণ করি। পরীক্ষামূলক ফলাফল এই কোভারিএটগুলির অধীনে মুখগুলি চিনতে চ্যালেঞ্জগুলির উপর আলোকপাত করে। এই নতুন ডাটাবেসটি পাবলিক ডোমেনে পাওয়া গেলে, মেকআপ এবং মুখোশের মুখোশের স্বীকৃতির ক্ষেত্রে প্রয়োজনীয় গবেষণা ও উন্নয়নকে এগিয়ে নিতে সহায়তা করবে। |
f8e32c5707df46bfcd683f723ad27d410e7ff37d | |
32c8c7949a6efa2c114e482c830321428ee58d70 | এই নিবন্ধে অত্যাধুনিক জিপিইউ-ভিত্তিক উচ্চ-থ্রু-পুট কম্পিউটিং সিস্টেমের ক্ষমতা নিয়ে আলোচনা করা হয়েছে এবং একক-চিপ সমান্তরাল-কম্পিউটিং সিস্টেমকে স্কেল করার চ্যালেঞ্জগুলি বিবেচনা করা হয়েছে, কম্পিউটিং গবেষণা সম্প্রদায়ের যে উচ্চ-প্রভাবের ক্ষেত্রগুলিকে হাইলাইট করা যায় তা তুলে ধরা হয়েছে। এনভিডিয়া রিসার্চ একটি বৈষম্যপূর্ণ উচ্চ-পারফরম্যান্স কম্পিউটিং সিস্টেমের জন্য একটি স্থাপত্যের তদন্ত করছে যা এই চ্যালেঞ্জগুলি মোকাবেলা করতে চায়। |
8890bb44abb89601c950eb5e56172bb58d5beea8 | লক্ষ্য-ভিত্তিক সংলাপ নীতি শেখার কাজ সাধারণত সুপারভাইজড লার্নিং অ্যালগরিদমের মাধ্যমে অফলাইনে অথবা রিইনফোর্সমেন্ট লার্নিং (আরএল) এর মাধ্যমে অনলাইনে সম্পন্ন করা হয়। উপরন্তু, কোম্পানিগুলি গ্রাহক এবং প্রশিক্ষিত মানব এজেন্টদের মধ্যে ব্যাপক পরিমাণে ডায়ালগ ট্রান্সক্রিপ্ট জমা করে, এনকোডার-ডিকোডার পদ্ধতিগুলি জনপ্রিয়তা অর্জন করেছে কারণ এজেন্টের উক্তিগুলি সরাসরি উক্তি-স্তরের টীকাগুলির প্রয়োজন ছাড়াই তত্ত্বাবধানে চিকিত্সা করা যেতে পারে। যাইহোক, এই ধরনের পদ্ধতির একটি সম্ভাব্য ত্রুটি হল যে তারা সংলাপ-স্তরের বিবেচনার জন্য বিবেচনা না করে পরবর্তী এজেন্টের বক্তব্যকে সংক্ষিপ্তভাবে উত্পন্ন করে। এই উদ্বেগ সমাধানের জন্য, এই কাগজটি অ্যানোটেড কর্পোরাস থেকে শেখার জন্য একটি অফলাইন আরএল পদ্ধতি বর্ণনা করে যা উচ্চারণ এবং সংলাপ উভয় স্তরে একটি লক্ষ্য-ভিত্তিক নীতিকে অনুকূল করতে পারে। আমরা একটি নতুন পুরস্কার ফাংশন চালু করেছি এবং অন-পলিসি এবং অফ-পলিসি উভয়ই ব্যবহার করেছি নীতি অফলাইনে শিখতে অনলাইন ব্যবহারকারীর ইন্টারঅ্যাকশন বা একটি স্পষ্ট রাষ্ট্র স্থান সংজ্ঞা প্রয়োজন ছাড়াই। |
589d84d528d353a382a42e5b58dc48a57d332be8 | রটগার্স অ্যান্কেল হল স্টুয়ার্ট প্ল্যাটফর্ম টাইপের একটি হ্যাপটিক ইন্টারফেস যা পুনর্বাসনে ব্যবহারের জন্য ডিজাইন করা হয়েছে। ভার্চুয়াল রিয়েলিটি ভিত্তিক ব্যায়ামের প্রতিক্রিয়া হিসাবে এই সিস্টেমটি রোগীর পায়ে ছয় ডিগ্রি ফ্রিডম (ডিওএফ) প্রতিরোধক শক্তি সরবরাহ করে। রটগার্স অ্যান্কেলের কন্ট্রোলারে একটি এমবেডেড পেন্টিয়াম বোর্ড, বায়ুসংক্রান্ত সোলেনয়েড ভালভ, ভালভ কন্ট্রোলার এবং সংশ্লিষ্ট সংকেত কন্ডিশনার ইলেকট্রনিক্স রয়েছে। আমাদের কেস স্টাডিতে ব্যবহৃত পুনর্বাসন অনুশীলনটি লুপের মাধ্যমে ভার্চুয়াল বিমানের পাইলট হওয়া নিয়ে গঠিত। অনুশীলনের অসুবিধাটি লুপের সংখ্যা এবং স্থান, ভার্চুয়াল পরিবেশে বিমানের গতি এবং হ্যাপটিক ইন্টারফেসের দ্বারা প্রদত্ত প্রতিরোধের ডিগ্রি ভিত্তিতে নির্বাচন করা যেতে পারে। ব্যায়ামের তথ্য স্বচ্ছভাবে, রিয়েল টাইমে, একটি ওরাকল ডাটাবেসে সংরক্ষণ করা হয়। এই তথ্যগুলি একটি ব্যায়ামের সময় এবং পরবর্তী পুনর্বাসন সেশনের সময় গোড়ালি অবস্থান, শক্তি এবং যান্ত্রিক কাজ নিয়ে গঠিত। সম্পূর্ণ লুপের সংখ্যা এবং এটি করতে কত সময় লেগেছে তাও অনলাইনে সংরক্ষণ করা হয়। এই পদ্ধতি ব্যবহার করে স্ট্রোকের পর নয় মাস ধরে একজন রোগীর একটি কেস স্টাডি উপস্থাপন করা হয়েছে। ফলাফল দেখায় যে, ছয়টি পুনর্বাসন সেশনের পর রোগীর শক্তি এবং সহনশীলতার ক্লিনিকাল পরিমাপ উন্নত হয়, যা রটগার্স অঙ্কের দ্বারা পরিমাপ করা টর্ক এবং পাওয়ার আউটপুট বৃদ্ধিগুলির সাথে ভালভাবে মিলে যায়। সিমুলেশন চলাকালীন সময়ে কাজ করার সঠিকতা এবং সমন্বয় এবং রোগীর হাঁটাচলা এবং সিঁড়ি আরোহণের দক্ষতায়ও উল্লেখযোগ্য উন্নতি হয়েছিল। |
67161d331d496ad5255ad8982759a1c853856932 | এই গবেষণাপত্রে বন্যা সংক্রান্ত দুর্যোগের ব্যাপারে জনগণকে সতর্ক করার জন্য একটি প্রাথমিক সতর্কতা ব্যবস্থা গড়ে তোলার প্রস্তাব দেওয়া হয়েছে। একটি কার্যকর প্রাথমিক সতর্কতা ব্যবস্থা গড়ে তোলা হবে, যার মধ্যে চারটি উপাদান যুক্ত থাকবে। এগুলো হচ্ছে- ঝুঁকি মূল্যায়ন করার জন্য সঠিক তথ্য সংগ্রহ, বিপদ পর্যবেক্ষণ পরিষেবাগুলির উন্নয়ন, ঝুঁকি সম্পর্কিত তথ্যের বিষয়ে যোগাযোগ এবং সম্প্রদায়ের প্রতিক্রিয়া ক্ষমতার অস্তিত্ব। এই প্রকল্পে ওয়্যারলেস সেন্সর নেটওয়ার্ক ব্যবহার করে দূর থেকে জলের স্তর পর্যবেক্ষণের উপর গুরুত্ব দেওয়া হয়েছে। এই প্রকল্পে গ্লোবাল সিস্টেম ফর মোবাইল কমিউনিকেশন (জিএসএম) এবং শর্ট মেসেজ সার্ভিস (এসএমএস) ব্যবহার করে সেন্সর থেকে কম্পিউটারে তথ্য প্রেরণ করা হয় অথবা সরাসরি তাদের মোবাইল ফোনের মাধ্যমে ক্ষতিগ্রস্তদের সতর্ক করা হয়। আশা করা হচ্ছে যে প্রস্তাবিত স্থাপত্যটি একটি কার্যকরী ব্যবস্থায় পরিণত হতে পারে, যা সম্প্রদায়ের জন্য উপকারী হবে এবং বন্যা বিপর্যয়ের ক্ষেত্রে জীবন বাঁচানোর জন্য একটি সতর্কতামূলক ব্যবস্থা হিসাবে কাজ করবে। |
a5de09243b4b12fc4bcf4db56c8e38fc3beddf4f | সাম্প্রতিক গবেষণায় দেখা গেছে যে এন্টারপ্রাইজ সোশ্যাল সিস্টেম (ইএসএস) বাস্তবায়ন সংস্থাগুলিকে সামাজিক ব্যবসায়ের নতুন দৃষ্টান্তে স্থানান্তরিত করবে যার ফলে বিশাল অর্থনৈতিক রিটার্ন এবং প্রতিযোগিতামূলক সুবিধা হবে। সামাজিক ব্যবসা সামাজিক সহযোগিতা, অন্তর্নিহিত জ্ঞান ভাগাভাগি, স্বেচ্ছায় গণ অংশগ্রহণ, শুধু কয়েক নামের দ্বারা চিহ্নিত একটি সম্পূর্ণ নতুন কাজ এবং সংগঠনের উপায় সৃষ্টি করে। এইভাবে, ইএসএস বাস্তবায়নে নতুন কাজের পদ্ধতি এবং সংগঠনের অনন্যতার সাথে মোকাবিলা করা উচিত। তবে এই বড় ব্যবসায়িক ব্যবস্থার বাস্তবায়ন সম্পর্কে জ্ঞানের অভাব রয়েছে। এই গবেষণাপত্রের উদ্দেশ্য হল ইএসএস বাস্তবায়নের গভর্নেন্স মডেলের অধ্যয়ন করা। নরওয়ের একটি বিশ্বব্যাপী শীর্ষস্থানীয় শক্তি কোম্পানি স্ট্যাটক্রাফ্টে স্ট্রিম নামে সামাজিক ইনট্রানেট বাস্তবায়নের তদন্তের জন্য একটি কেস স্টাডি পরিচালিত হয়। স্ট্রিম এর গভর্নেন্স মডেল কর্পোরেট যোগাযোগ, মানব সম্পদ এবং আইটি মধ্যে ঘনিষ্ঠ সহযোগিতা এবং জবাবদিহিতা জোর দেয়, যা ESS বাস্তবায়নের গভর্নেন্সের দৃষ্টান্ত পরিবর্তন বোঝায়। এই প্রকল্পের বাস্তবায়নে যেসব সুবিধা ও চ্যালেঞ্জ রয়েছে, সেগুলিও তুলে ধরা হয়েছে। গবেষণায় প্রাপ্ত জ্ঞান ও অন্তর্দৃষ্টির ভিত্তিতে, ইএসএস বাস্তবায়নের প্রশাসনের উন্নতিতে কোম্পানিকে সহায়তা করার জন্য সুপারিশগুলি প্রস্তাব করা হয়েছে। এই গবেষণায় ইএসএস বাস্তবায়নের শাসনব্যবস্থার বিষয়ে জ্ঞান/জ্ঞান-প্রযুক্তির অবদান রয়েছে। |
5ca6217b3e8353778d05fe58bcc5a9ea79707287 | ই-গভর্ন্যান্স এখন প্রতিটি সরকারের এজেন্ডার একটি অবিচ্ছেদ্য অংশ। অনেক সরকার সরকারি কার্যক্রমে এর উল্লেখযোগ্য প্রভাব এবং প্রভাবকে গ্রহণ করেছে। প্রযুক্তির মন্ত্র যেহেতু সর্বত্রই প্রচলিত হয়ে উঠেছে, সেজন্য সরকার পরিষেবাগুলির গুণগত মান, আরও স্বচ্ছতা এবং আরও বেশি জবাবদিহিতা বাড়ানোর জন্য তার সংস্থা ও বিভাগগুলিতে ই-গভর্ন্যান্স নীতি চালু করার সিদ্ধান্ত নিয়েছে। মালয়েশিয়ার ক্ষেত্রে, সরকার ই-গভর্নমেন্টের তরঙ্গ দ্বারা অনুপ্রাণিত হয়েছে, কারণ এর প্রতিষ্ঠা সরকারি পরিষেবা প্রদানের গুণমান এবং এর অভ্যন্তরীণ কার্যক্রমগুলিকে উন্নত করতে পারে। এই গুণগত গবেষণায় ই-গভর্নমেন্ট উদ্যোগের বাস্তবায়নের অবস্থাকে একটি কেস স্টাডি হিসেবে বিবেচনা করা হবে এবং ই-গভর্নমেন্টের ক্ষেত্রে দক্ষিণ কোরিয়ার সরকারকে একটি ব্যানারমার্ক স্টাডি হিসেবে ব্যবহার করে এই ফলাফলের তুলনামূলক মূল্যায়ন করা হবে। এই গবেষণার ফলাফল থেকে জনপ্রশাসনের ক্ষেত্রে উন্নতির সম্ভাবনা তুলে ধরা হবে এবং এই তুলনামূলক পদ্ধতির মাধ্যমেও ই-গভর্নমেন্ট প্রকল্পের সাফল্য নিশ্চিত করতে দক্ষিণ কোরিয়ার অনুশীলন থেকে মালয়েশিয়া কিছু শিক্ষা নিতে পারে। |
2b2c30dfd3968c5d9418bb2c14b2382d3ccc64b2 | ডিবিপিডিয়া উইকিপিডিয়া থেকে কাঠামোগত তথ্য বের করার এবং এই তথ্য ওয়েবের মাধ্যমে উপলব্ধ করার একটি সম্প্রদায়ের প্রচেষ্টা। ডিবিপিডিয়া আপনাকে উইকিপিডিয়া থেকে প্রাপ্ত ডেটাসেটগুলির বিরুদ্ধে জটিল প্রশ্ন জিজ্ঞাসা করতে এবং ওয়েবে অন্যান্য ডেটাসেটগুলিকে উইকিপিডিয়া ডেটার সাথে সংযুক্ত করতে দেয়। আমরা ডিবিপিডিয়া ডেটাসেটগুলি বের করার পদ্ধতি এবং এর ফলে প্রাপ্ত তথ্যগুলি কীভাবে মানব এবং মেশিনের ব্যবহারের জন্য ওয়েবে প্রকাশিত হয় তা বর্ণনা করি। আমরা ডিবিপিডিয়া সম্প্রদায়ের কিছু উদীয়মান অ্যাপ্লিকেশন বর্ণনা করি এবং দেখাই যে কীভাবে ওয়েবসাইট লেখক তাদের সাইটের মধ্যে ডিবিপিডিয়া সামগ্রী সহজতর করতে পারে। অবশেষে, আমরা ওয়েবের অন্যান্য উন্মুক্ত ডেটাসেটের সাথে ডিবিপিডিয়াকে আন্তঃসংযোগের বর্তমান অবস্থা উপস্থাপন করি এবং কীভাবে ডিবিপিডিয়া উদীয়মান উন্মুক্ত ডেটার ওয়েবের জন্য একটি নিউক্লিয়ার হিসাবে কাজ করতে পারে তা রূপরেখা দিই। |
92930f4279b48f7e4e8ec2edc24e8aa65c5954fd | আমরা ব্যাংক ক্লায়েন্টদের প্রোফাইলিংয়ের জন্য একটি ডেটা মাইনিং পদ্ধতির উপস্থাপন করছি যাতে অর্থ পাচার বিরোধী অপারেশন সনাক্তকরণের প্রক্রিয়াটি সমর্থন করতে পারে। আমরা প্রথমে সামগ্রিক সিস্টেম আর্কিটেকচার উপস্থাপন করব, এবং তারপর এই কাগজের জন্য প্রাসঙ্গিক উপাদান উপর ফোকাস। আমরা একটি আর্থিক প্রতিষ্ঠানের বাস্তব বিশ্বের তথ্যের উপর করা পরীক্ষাগুলির বিস্তারিত বর্ণনা করি, যা আমাদের ক্লায়েন্টদের ক্লাস্টারে গোষ্ঠীভুক্ত করতে এবং তারপর শ্রেণীবিভাগের নিয়মের একটি সেট তৈরি করতে দেয়। আমরা প্রতিষ্ঠিত ক্লায়েন্ট প্রোফাইল এবং উত্পন্ন শ্রেণিবদ্ধকরণ নিয়মের প্রাসঙ্গিকতা নিয়ে আলোচনা করি। এজেন্ট-ভিত্তিক আর্কিটেকচারের সংজ্ঞা অনুযায়ী, এই নিয়মগুলি সন্দেহজনক লেনদেনের সংকেত দেওয়ার জন্য দায়ী বুদ্ধিমান এজেন্টের জ্ঞান বেসে অন্তর্ভুক্ত করা হবে। |
8985000860dbb88a80736cac8efe30516e69ee3f | স্মার্ট হোম সেন্সর ব্যবহার করে মানুষের কার্যকলাপের স্বীকৃতি স্মার্ট পরিবেশে সর্বব্যাপী কম্পিউটিংয়ের অন্যতম ভিত্তি এবং পরিবেশে সহায়ক জীবনযাত্রার ক্ষেত্রে একটি তীব্র গবেষণার বিষয়। ক্রমবর্ধমান পরিমাণে ডেটা সেট মেশিন লার্নিং পদ্ধতির প্রয়োজন। এই গবেষণাপত্রে আমরা একটি গভীর শিক্ষণ মডেলের পরিচয় করিয়ে দিচ্ছি যা কোন পূর্বের জ্ঞান ব্যবহার না করেই মানব কার্যকলাপকে শ্রেণীবদ্ধ করতে শিখে। এই উদ্দেশ্যে, একটি দীর্ঘ স্বল্পমেয়াদী মেমরি (এলএসটিএম) পুনরাবৃত্ত নিউরাল নেটওয়ার্কটি তিনটি বাস্তব বিশ্বের স্মার্ট হোম ডেটাসেটে প্রয়োগ করা হয়েছিল। এই পরীক্ষার ফলাফল থেকে জানা যায় যে, প্রস্তাবিত পদ্ধতিটি সঠিকতা এবং পারফরম্যান্সের দিক থেকে বিদ্যমান পদ্ধতির চেয়ে ভাল। |
b31f0085b7dd24bdde1e5cec003589ce4bf4238c | ডোমেন অ্যাডাপ্টেশন (ডিএ) হল ট্রান্সফার লার্নিং যার লক্ষ্য উৎস এবং লক্ষ্যের মধ্যে ডেটা বিতরণ অসঙ্গতি থাকা সত্ত্বেও উৎস ডেটা থেকে লক্ষ্য ডেটাতে একটি কার্যকর ভবিষ্যদ্বাণী শিখতে হয়। আমরা এই কাগজে একটি উপন্যাসের উপস্থাপন করছি ক্রস ডোমেন ভিজ্যুয়াল স্বীকৃতির জন্য একটি নজরদারিহীন ডিএ পদ্ধতি যা তত্ত্বগতভাবে প্রতিষ্ঠিত ত্রুটি সীমাবদ্ধতার তিনটি পদকে একই সাথে অনুকূল করে তোলে। বিশেষ করে, প্রস্তাবিত ডিএ পদ্ধতিটি পুনরাবৃত্তিমূলকভাবে একটি লুকানো ভাগ করা বৈশিষ্ট্য উপ-অবস্থান অনুসন্ধান করে যেখানে বেশিরভাগ অত্যাধুনিক ডিএ পদ্ধতির মতো সোর্স ডোমেন এবং টার্গেট ডোমেনের মধ্যে ডেটা বিতরণের পার্থক্য হ্রাস করা হয় না, তবে বৈষম্যমূলক শিক্ষার সুবিধার্থে আন্তঃ-শ্রেণীর দূরত্বও বাড়ানো হয়। উপরন্তু, প্রস্তাবিত ডিএ পদ্ধতিটি ভাগ করা উপ-অঞ্চলে অর্জিত বৈশিষ্ট্যগুলি থেকে ক্লাস লেবেলগুলিকে সামান্যভাবে রিগ্রেশন করে এবং উত্সের ডেটাতে পূর্বাভাস ত্রুটিগুলিকে কমিয়ে দেয় এবং উত্স এবং লক্ষ্যের মধ্যে লেবেল সামঞ্জস্য নিশ্চিত করে। তথ্যের বহিরাগত মানগুলিও হিসাব করা হয় যাতে নেতিবাচক জ্ঞান স্থানান্তর এড়ানো যায়। ব্যাপক পরীক্ষা-নিরীক্ষা এবং গভীর বিশ্লেষণ প্রস্তাবিত ডিএ পদ্ধতির কার্যকারিতা যাচাই করে, যা স্ট্যান্ডার্ড ডিএ বেঞ্চমার্কে, অর্থাৎ ১২টি ক্রস-ডোমেন ইমেজ শ্রেণীবিভাগের কাজগুলিতে সর্বশেষতম ডিএ পদ্ধতির তুলনায় ধারাবাহিকভাবে ভাল কাজ করে। |
b9bc9a32791dba1fc85bb9d4bfb9c52e6f052d2e | উচ্চ মাত্রিক কনফিগারেশন স্পেসে একক-কোয়েরি পাথ পরিকল্পনা সমস্যা সমাধানের জন্য একটি সহজ এবং দক্ষ র্যান্ডমাইজড অ্যালগরিদম উপস্থাপন করা হয়। এই পদ্ধতিটি দুটি দ্রুত-অনুসন্ধান র্যান্ডম ট্রি (আরআরটি) এর মাধ্যমে কাজ করে যা শুরুতে এবং লক্ষ্য কনফিগারেশনে রুট করা হয়। গাছগুলো তাদের চারপাশের স্থান অন্বেষণ করে এবং একটি সাধারণ লোভী হিউরিস্টিকের মাধ্যমে একে অপরের দিকে এগিয়ে যায়। যদিও মূলত এটি মানুষের বাহুতে গতির পরিকল্পনা করার জন্য ডিজাইন করা হয়েছিল (৭-ডিওএফ কিনেমেটিক চেইন হিসাবে মডেল করা হয়েছে) সংঘর্ষ-মুক্ত গ্র্যাচিং এবং ম্যানিপুলেশন কার্যের স্বয়ংক্রিয় গ্রাফিক অ্যানিমেশনের জন্য, এই অ্যালগরিদমটি বিভিন্ন ধরণের পথ পরিকল্পনা সমস্যার জন্য সফলভাবে প্রয়োগ করা হয়েছে। কম্পিউটারের উদাহরণে ২ ডি এবং ৩ ডি-তে শক্ত বস্তুর জন্য সংঘর্ষ-মুক্ত গতি তৈরি করা এবং ৩ ডি কর্মক্ষেত্রে ৬ ডিওএফ পিইউএমএ বাহুর জন্য সংঘর্ষ-মুক্ত ম্যানিপুলেশন গতি অন্তর্ভুক্ত রয়েছে। কিছু মৌলিক তাত্ত্বিক বিশ্লেষণও উপস্থাপন করা হয়েছে। |
d967d9550f831a8b3f5cb00f8835a4c866da60ad | |
6a686b525a84a87ca3e4d90a6704da8588e84344 | এই যোগাযোগ একটি বৃত্তাকার পোলারাইজড (সিপি) 2 × 2 প্যাচ অ্যারে ব্যবহার করে একটি ক্রমাগত-পর্যায়ের ফিডিং নেটওয়ার্ক উপস্থাপন করে। তিনটি অপারেটিং মোডের সমন্বয় করে, অক্ষীয় অনুপাত (এআর) এবং প্রতিবন্ধকতা ব্যান্ডউইথ উভয়ই উন্নত এবং পূর্ববর্তী প্রকাশিত ক্রমাগত-খাদ্য একক-স্তর প্যাচ অ্যারেগুলির চেয়ে বিস্তৃত। এই তিনটি সিপি অপারেটিং মোডগুলি প্যাচ উপাদানগুলির ট্রিঙ্কড কোণ এবং ক্রমাগত-পর্যায়ের ফিডিং নেটওয়ার্ককে অনুকূলিত করে টিউন এবং মিলিত হয়। পরিকল্পনার পরীক্ষামূলক বৈধতা যাচাই করার জন্য প্রস্তাবিত প্যাচ অ্যারের একটি প্রোটোটাইপ তৈরি করা হয়। পরিমাপ করা -১০-ডিবি প্রতিবন্ধকতা ব্যান্ডউইথ ১.০৩ গিগাহার্টজ (৫.২০-৬.২৩ গিগাহার্টজ) এবং পরিমাপ করা ৩-ডিবি এআর ব্যান্ডউইথ ০.৭ গিগাহার্টজ (৫.২৫-৫.৯৫ গিগাহার্টজ), বা ১২.৭% যা ৫.৫ গিগাহার্টজের কেন্দ্রীয় ফ্রিকোয়েন্সির সাথে মিলে যায়। পরিমাপ করা পিক লাভ প্রায় 12 ডিবিআইসি এবং লাভের বৈচিত্র্য এআর ব্যান্ডউইথের মধ্যে 3 ডিবি এর চেয়ে কম। |
d97e3655f50ee9b679ac395b2637f6fa66af98c7 | ৩০ বছরেরও বেশি সময় ধরে শক্তি সংরক্ষণের জন্য একটি কৌশল হিসাবে ফিডব্যাক অধ্যয়ন করা হয়েছে, গবেষণায় ব্যাপকভাবে পরিবর্তিত ফলাফলের প্রতিবেদন করা হয়েছে। সাহিত্যের পর্যালোচনা থেকে জানা যায় যে, প্রতিক্রিয়া কীভাবে এবং কাকে দেওয়া হয় তার উপর নির্ভর করে প্রতিক্রিয়া কার্যকর হয়। তবে প্রতিক্রিয়া প্রদানের ধরন এবং গবেষণার পদ্ধতি উভয় ক্ষেত্রেই বৈচিত্র্য রয়েছে, যার ফলে সিদ্ধান্তে পৌঁছানো কঠিন হয়ে পড়েছে। বর্তমান নিবন্ধটি অতীতের তাত্ত্বিক এবং অভিজ্ঞতার গবেষণা বিশ্লেষণ করে প্রতিক্রিয়া এবং পরিবেশগত আচরণ উভয়ই অমীমাংসিত সমস্যাগুলি চিহ্নিত করতে এবং 1976 এবং 2010 এর মধ্যে প্রকাশিত 42 টি প্রতিক্রিয়া গবেষণার একটি মেটা-বিশ্লেষণ ব্যবহার করে যখন এবং কীভাবে শক্তি ব্যবহার সম্পর্কে প্রতিক্রিয়া সবচেয়ে কার্যকর হয় সে সম্পর্কে একটি অনুমানের পরীক্ষা করার জন্য। ফলাফলগুলি ইঙ্গিত দেয় যে প্রতিক্রিয়া সামগ্রিকভাবে কার্যকর, r = .071, p < .001, তবে প্রভাবগুলিতে উল্লেখযোগ্য বৈচিত্র্য রয়েছে (r -0.080 থেকে .480 পর্যন্ত পরিবর্তিত হয়েছে) । বেশ কয়েকটি চিকিত্সা ভেরিয়েবল এই সম্পর্ককে মজবুত করে, যার মধ্যে রয়েছে ফ্রিকোয়েন্সি, মিডিয়াম, তুলনা বার্তা, সময়কাল এবং অন্যান্য হস্তক্ষেপের সাথে সমন্বয় (যেমন, লক্ষ্য, উদ্দীপনা) । সামগ্রিকভাবে, ফলাফলগুলি শক্তি সংরক্ষণের প্রচারের জন্য একটি প্রতিশ্রুতিবদ্ধ কৌশল হিসাবে প্রতিক্রিয়া সম্পর্কে আরও প্রমাণ সরবরাহ করে এবং ভবিষ্যতে গবেষণার যে ক্ষেত্রগুলি কীভাবে এবং কার জন্য প্রতিক্রিয়া সবচেয়ে কার্যকর তা অনুসন্ধান করার জন্য ফোকাস করা উচিত তা প্রস্তাব করে। |
697754f7e62236f6a2a069134cbc62e3138ac89f | |
ee654db227dcb7b39d26bec7cc06e2b43b525826 | |
54e7e6348fc8eb27dd6c34e0afbe8881eeb0debd | বিজ্ঞান, শিল্প ও সংস্কৃতির সীমানা অতিক্রম করে, কন্টেন্ট-ভিত্তিক মাল্টিমিডিয়া তথ্য পুনরুদ্ধার সারা বিশ্বের অসংখ্য বিভিন্ন মিডিয়া মাধ্যমে অনুসন্ধানের জন্য নতুন দৃষ্টান্ত এবং পদ্ধতি সরবরাহ করে। এই জরিপে কন্টেন্ট-ভিত্তিক মাল্টিমিডিয়া তথ্য পুনরুদ্ধারের উপর ১০০+ সাম্প্রতিক নিবন্ধ পর্যালোচনা করা হয়েছে এবং বর্তমান গবেষণা নির্দেশিকাগুলিতে তাদের ভূমিকা নিয়ে আলোচনা করা হয়েছে যার মধ্যে ব্রাউজিং এবং অনুসন্ধান প্যারাডিগম, ব্যবহারকারী গবেষণা, আবেগপূর্ণ কম্পিউটিং, শেখার, শব্দার্থিক প্রশ্ন, নতুন বৈশিষ্ট্য এবং মিডিয়া প্রকার, উচ্চ কার্যকারিতা সূচক এবং মূল্যায়ন কৌশল অন্তর্ভুক্ত রয়েছে। বর্তমান প্রযুক্তির উপর ভিত্তি করে আমরা ভবিষ্যতের প্রধান চ্যালেঞ্জগুলি নিয়ে আলোচনা করব। |
2902e0a4b12cf8269bb32ef6a4ebb3f054cd087e | কাজ সম্পর্কিত গাণিতিক মডেলের অপ্টিমাইজেশন পরিসংখ্যান এবং শেখার ক্ষেত্রে সবচেয়ে মৌলিক পদ্ধতির মধ্যে একটি। যাইহোক, সাধারণভাবে পরিকল্পিত স্কিম্যাটিক পুনরাবৃত্তিগুলি বাস্তব-বিশ্ব অ্যাপ্লিকেশনগুলিতে জটিল ডেটা বিতরণগুলি তদন্ত করা কঠিন হতে পারে। সম্প্রতি, প্রশিক্ষণ গভীর প্রজনন (অর্থাৎ, নেটওয়ার্ক) কিছু নির্দিষ্ট কাজগুলিতে প্রতিশ্রুতিবদ্ধ পারফরম্যান্স অর্জন করেছে। দুর্ভাগ্যবশত, বিদ্যমান নেটওয়ার্কগুলি প্রায়শই হিউরিস্টিক পদ্ধতিতে নির্মিত হয়, তাই নীতিগত ব্যাখ্যা এবং শক্ত তাত্ত্বিক সহায়তার অভাব রয়েছে। এই কাজের মধ্যে, আমরা একটি নতুন প্যারাডাইম প্রদান করি, যার নাম প্রোপাগেশন এবং অপ্টিমাইজেশন ভিত্তিক গভীর মডেল (পিওডিএম), এই বিভিন্ন প্রক্রিয়াগুলির মধ্যে ফাঁকগুলি পূরণ করতে (যেমন, মডেল অপ্টিমাইজেশন এবং গভীর প্রসার) । একদিকে, আমরা মডেল অপ্টিমাইজেশনের জন্য গভীর প্রশিক্ষিত সমাধানকারী হিসাবে PODM ব্যবহার করি। বিদ্যমান নেটওয়ার্ক ভিত্তিক পুনরাবৃত্তির থেকে ভিন্ন, যা প্রায়শই তাত্ত্বিক তদন্তের অভাব থাকে, আমরা চ্যালেঞ্জিং নন-উল্লম্ব এবং নন-স্মথ দৃশ্যকল্পগুলিতে পিওডিএম-এর জন্য কঠোর সংযোজন বিশ্লেষণ সরবরাহ করি। অন্যদিকে, মডেলের সীমাবদ্ধতা হ্রাস করে এবং এন্ড-টু-এন্ড প্রশিক্ষণ প্রদান করে, আমরা ডোমেন জ্ঞান (মডেল হিসাবে সূত্রপাত) এবং বাস্তব ডেটা বিতরণ (নেটওয়ার্ক দ্বারা শেখানো) একত্রিত করার জন্য একটি PODM ভিত্তিক কৌশল বিকাশ করি, যার ফলে বাস্তব বিশ্বের অ্যাপ্লিকেশনগুলির জন্য একটি সাধারণ সমন্বয় কাঠামো তৈরি হয়। ব্যাপক পরীক্ষায় আমাদের তাত্ত্বিক ফলাফল যাচাই করা হয়েছে এবং এই অত্যাধুনিক পদ্ধতির বিরুদ্ধে PODM এর শ্রেষ্ঠত্ব প্রদর্শন করা হয়েছে। |
5dca5aa024f513801a53d9738161b8a01730d395 | অজানা পরিবেশের একটি মানচিত্র তৈরি করা এবং একই সাথে সেই মানচিত্রটি নেভিগেট করার জন্য ব্যবহার করা মোবাইল রোবোটিক্স গবেষণার একটি কেন্দ্রীয় সমস্যা। এই গবেষণাপত্রটি সোনার ব্যবহার করে সমকালীন ম্যাপিং এবং স্থানীয়করণ (সিএমএল) অনুকূলভাবে কীভাবে সম্পাদন করা যায় তার সমস্যাকে সম্বোধন করে। স্টোক্যাস্টিক ম্যাপিং হল সিএমএল এর একটি বৈশিষ্ট্য-ভিত্তিক পদ্ধতি যা গাড়ির স্থানীয়করণ এবং পরিবেশগত ম্যাপিং অন্তর্ভুক্ত করার জন্য বর্ধিত কালম্যান ইটারকে সাধারণ করে। আমরা স্টোক্যাস্টিক ম্যাপিংয়ের একটি বাস্তবায়ন বর্ণনা করি যা মানচিত্রে নতুন বৈশিষ্ট্যগুলি শুরু করতে, মানচিত্রের বৈশিষ্ট্যগুলির সাথে পরিমাপগুলি মিলিয়ে এবং পুরানো বৈশিষ্ট্যগুলি মুছতে বিলম্বিত নিকটতম প্রতিবেশী ডেটা সমিতি কৌশল ব্যবহার করে। আমরা অভিযোজিত সনাক্তকরণের জন্য একটি মেট্রিক চালু করি যা ফিসার তথ্যের পরিপ্রেক্ষিতে সংজ্ঞায়িত হয় এবং গাড়ির ত্রুটি এল্লিপস এবং মানচিত্রে বৈশিষ্ট্য অনুমানের ক্ষেত্রের সমষ্টিকে উপস্থাপন করে। রোবটের প্রতিটি সম্ভাব্য ক্রিয়াকলাপের জন্য মেট্রিকের অনুমান করতে পূর্বাভাসযুক্ত সেন্সর রিডিং এবং প্রত্যাশিত ডেড-রেকউটিং ত্রুটিগুলি ব্যবহার করা হয় এবং যে ক্রিয়াকলাপটি সর্বনিম্ন ব্যয় (অর্থাৎ সর্বাধিক তথ্য) দেয় তা নির্বাচন করা হয়। এই কৌশলটি সিমুলেশন, বায়ু-সোনার পরীক্ষা এবং পানির নিচে সোনার পরীক্ষার মাধ্যমে প্রদর্শিত হয়। ফলাফল দেখানো হয়েছে 1) অভিযোজিত নিয়ন্ত্রণের গতি এবং 2) অভিযোজিত নিয়ন্ত্রণের গতি এবং স্ক্যানিং। যানবাহনটি পরিবেশের বিভিন্ন বস্তুকে নির্বাচিতভাবে অনুসন্ধান করে। এই অভিযোজিত অ্যালগরিদমের পারফরম্যান্স সরল-রেখা গতি এবং এলোমেলো গতির চেয়ে উন্নত বলে প্রমাণিত হয়েছে। |
5eb1e4bb87b0d99d62f171f1eede90c98bf266ab | ওয়্যারলেস সেন্সর নেটওয়ার্কে বিদ্যুতের সমস্যা সমাধানের জন্য ওয়্যারলেস পাওয়ার ট্রান্সফার একটি সম্ভাবনাময় প্রযুক্তি। এই প্রযুক্তি কার্যকরভাবে কাজ করতে হলে, নেটওয়ার্কের মধ্যে ভ্রমণ করার জন্য একটি চার্জার বহন করতে একটি গাড়ির প্রয়োজন হয়। অন্যদিকে, এটাও জানা গেছে যে একটি স্থির বেস স্টেশনের তুলনায় একটি মোবাইল বেস স্টেশন অনেক সুবিধা প্রদান করে। এই গবেষণাপত্রে আমরা একটি আকর্ষণীয় সমস্যা নিয়ে আলোচনা করব। এটি হলো, মোবাইল বেস স্টেশনকে ওয়্যারলেস চার্জিং গাড়িতে একসাথে স্থাপন করা। আমরা একটি অপ্টিমাইজেশান সমস্যা নিয়ে গবেষণা করছি যা যৌথভাবে ভ্রমণের পথ, থামার স্থান, চার্জিংয়ের সময়সূচী এবং প্রবাহের রুটিংকে অপ্টিমাইজ করে। আমাদের এই গবেষণা দুটি ধাপে সম্পন্ন হয়। প্রথমত, আমরা একটি আদর্শ সমস্যা অধ্যয়ন করি যা শূন্য ভ্রমণ সময় ধরে নেয়, এবং এই আদর্শ সমস্যাটির জন্য একটি প্রমাণিত প্রায়-সর্বোত্তম সমাধান বিকাশ করে। দ্বিতীয় ধাপে, আমরা দেখাবো কিভাবে একটি ব্যবহারিক সমাধান তৈরি করা যায় যা যাত্রার সময়কে শূন্য করে এবং এই সমাধান এবং মূল সমস্যার অজানা সর্বোত্তম সমাধানের মধ্যে পারফরম্যান্সের ব্যবধানকে পরিমাণগতভাবে নির্ধারণ করা যায়। |
229547ed3312ee6195104cdec7ce47578f92c2c6 | এই গবেষণাপত্রে দেখা যাচ্ছে যে, কিভাবে একটি শিল্পের মধ্যে বিভিন্ন কোম্পানির পারফরম্যান্সের সৃষ্টি হয়, তা কোম্পানিগুলোর গতিশীল ক্ষমতার ওপর নির্ভর করে। কৌশলগত এবং সাংগঠনিক তত্ত্ব উভয় থেকে অন্তর্দৃষ্টি সংকলন করে, গতিশীল ক্ষমতার চারটি পারফরম্যান্স-প্রাসঙ্গিক বৈশিষ্ট্য প্রস্তাবিত হয়ঃ গতিশীল ক্ষমতা স্থাপনের সময়, বিকল্প সম্পদ কনফিগারেশনগুলির সন্ধানের অংশ হিসাবে অনুকরণ, গতিশীল ক্ষমতা স্থাপনের খরচ এবং গতিশীল ক্ষমতা স্থাপনের জন্য শেখার। তাত্ত্বিক প্রস্তাবনাগুলি বিকশিত হয় যে এই বৈশিষ্ট্যগুলি কীভাবে পার্থক্যযুক্ত ফার্ম পারফরম্যান্সের উত্থানে অবদান রাখে। একটি আনুষ্ঠানিক মডেল উপস্থাপন করা হয় যেখানে গতিশীল ক্ষমতা একটি ফার্ম এর বিবর্তনীয় পরিবর্তনের প্রক্রিয়া নির্দেশক রুটিন একটি সেট হিসাবে মডেল করা হয়। মডেলের সিমুলেশন গতিশীল ক্ষমতা স্থাপনের মাধ্যমে পরিবর্তনের প্রক্রিয়া সম্পর্কে অন্তর্দৃষ্টি দেয় এবং তাত্ত্বিক প্রস্তাবনাগুলির পরিমার্জনকে মঞ্জুরি দেয়। এই গবেষণার একটি আকর্ষণীয় তথ্য হল, যদি ডায়নামিক সক্ষমতা বিভিন্ন সংস্থার মধ্যে সমান হয়, তবে বিভিন্ন সংস্থার মধ্যে পারফরম্যান্সের ক্ষেত্রে ব্যাপক পার্থক্য দেখা দিতে পারে, যদি ডায়নামিক সক্ষমতা স্থাপনের খরচ এবং সময়সীমা বিভিন্ন সংস্থার মধ্যে ভিন্ন হয়। |
b533b13910cc0de21054116715988783fbea87cc | বর্তমানে ইন্টারনেটের মাধ্যমে ক্রমবর্ধমান সংখ্যক সরকারি ও বাণিজ্যিক সেবা ব্যবহার করা হচ্ছে, যার ফলে তথ্যের নিরাপত্তা সমাজে গুরুত্বপূর্ণ বিষয় হয়ে উঠেছে। অন্যদিকে, কিছু ডেটা মাইনিং কৌশলও অনুপ্রবেশ সনাক্তকরণে অবদান রাখে। অনুপ্রবেশ সনাক্তকরণের জন্য ব্যবহৃত কিছু ডেটা মাইনিং কৌশল দুটি শ্রেণীতে শ্রেণীবদ্ধ করা যেতে পারেঃ অপব্যবহার অনুপ্রবেশ সনাক্তকরণ এবং অস্বাভাবিক অনুপ্রবেশ সনাক্তকরণ। অপব্যবহার সবসময় পরিচিত আক্রমণ এবং ক্ষতিকারক কার্যক্রমকে বোঝায় যা সিস্টেমের পরিচিত সংবেদনশীলতাকে কাজে লাগায়। অস্বাভাবিকতার অর্থ হল সাধারণভাবে এমন একটি কার্যকলাপ যা একটি অনুপ্রবেশের ইঙ্গিত দিতে পারে। এই গবেষণাপত্রে, অনুপ্রবেশ সনাক্তকরণের জন্য ডেটা মাইনিং কৌশল ব্যবহারের ২৩টি সম্পর্কিত গবেষণাপত্রের মধ্যে তুলনা করা হয়েছে। আমাদের কাজ তথ্য খনির এবং সফট কম্পিউটিং কৌশল যেমন কৃত্রিম নিউরাল নেটওয়ার্ক (এএনএন), সাপোর্ট ভেক্টর মেশিন (এসভিএম) এবং মাল্টিভেরিয়েট অ্যাডাপ্টিভ রিগ্রেশন স্প্লাইন (এমএআরএস) ইত্যাদির একটি ওভারভিউ সরবরাহ করে। এই কাগজে আইডিএস ডেটা মাইনিং কৌশল এবং অনুপ্রবেশ সনাক্তকরণের জন্য ব্যবহৃত টুপলগুলির মধ্যে তুলনা দেখানো হয়েছে। এই ২৩টি সম্পর্কিত গবেষণাপত্রের মধ্যে ৭টি গবেষণাপত্র এএনএন এবং ৪টি এসভিএম ব্যবহার করে, কারণ এএনএন এবং এসভিএম অন্যান্য মডেল এবং কাঠামোর চেয়ে বেশি নির্ভরযোগ্য। এছাড়া, ৮টি গবেষণায় DARPA1998 টিপলস এবং ১৩টি গবেষণায় KDDCup1999 ব্যবহার করা হয়েছে, কারণ স্ট্যান্ডার্ড টিপলস অন্যদের তুলনায় অনেক বেশি বিশ্বাসযোগ্য। বর্তমানে কোনো সেরা অনুপ্রবেশ সনাক্তকরণ মডেল নেই। তবে এই গবেষণাপত্রে ভবিষ্যতে অনুপ্রবেশ সনাক্তকরণের জন্য গবেষণা করার দিকনির্দেশনাগুলি অনুসন্ধান করা উচিত। মূলশব্দ- অনুপ্রবেশ সনাক্তকরণ, ডেটা মাইনিং, এএনএন |
a69fd2ad66791ad9fa8722a3b2916092d0f37967 | এছাড়াও, উদাহরণস্বরূপ শহুরে বিন্যাস টুকরা মিশ্রিত করার ক্ষমতা নতুন সিন্থেটিক সামগ্রী তৈরির একটি শক্তিশালী উপায় সরবরাহ করে। আমরা আমাদের সিস্টেমটি দেখাতে চাই শহুরে বিন্যাস তৈরি করে, বাস্তব বিশ্বের বিভিন্ন শহরের উদাহরণ ব্যবহার করে, যার প্রত্যেকটি শত শত থেকে হাজার হাজার শহরের ব্লক এবং পার্সেল থেকে শুরু করে। আমরা উদাহরণস্বরূপ শহুরে বিন্যাস সংশ্লেষণের জন্য একটি ইন্টারেক্টিভ সিস্টেম উপস্থাপন করি। আমাদের পদ্ধতি একই সাথে একটি কাঠামো ভিত্তিক সংশ্লেষণ এবং একটি চিত্র-ভিত্তিক সংশ্লেষণ উভয়ই সম্পাদন করে একটি সম্ভাব্য রাস্তার নেটওয়ার্ক এবং বায়ু-দর্শন চিত্রের সাথে একটি সম্পূর্ণ শহুরে বিন্যাস তৈরি করতে। আমাদের পদ্ধতিতে বাস্তব বিশ্বের শহুরে এলাকার কাঠামো এবং চিত্রের তথ্য এবং একটি সংশ্লেষণ অ্যালগরিদম ব্যবহার করে বিভিন্ন উচ্চ-স্তরের অপারেশনগুলি সহজেই এবং ইন্টারেক্টিভভাবে উদাহরণ দ্বারা জটিল বিন্যাস তৈরি করতে পারে। ব্যবহারকারী নিম্ন স্তরের কাঠামোগত বিবরণ সম্পর্কে উদ্বিগ্ন না হয়ে যোগদান, প্রসারিত এবং মিশ্রণের মতো ক্রিয়াকলাপের একটি ক্রম দ্বারা নতুন শহুরে বিন্যাস তৈরি করতে পারে। |
9b8be6c3ebd7a79975067214e5eaea05d4ac2384 | আমরা দেখিয়েছি যে গ্রেডিয়েন্ট অবতরণ একটি স্থানীয় ন্যূনতমকারীকে সংযুক্ত করে, প্রায় নিশ্চিতভাবে এলোমেলোভাবে শুরু করা হয়। এটি গতিশীল সিস্টেম তত্ত্ব থেকে স্থিতিশীল বহুবিধ উপপাদ্য প্রয়োগ করে প্রমাণিত হয়। |
75235e03ac0ec643e8a784f432e6d1567eea81b7 | গত দশকে খনির তথ্য প্রবাহ গবেষণার একটি কেন্দ্রবিন্দু হয়ে উঠেছে। হার্ডওয়্যার এবং সফটওয়্যার উন্নয়নের ফলে এই গবেষণার ক্ষেত্রটি আগের চেয়ে দ্রুত ডেটা জেনারেশন চালু করে তার গুরুত্ব বৃদ্ধি পেয়েছে। এই দ্রুত উত্পন্ন তথ্যকে ডেটা স্ট্রিম বলা হয়। ক্রেডিট কার্ড লেনদেন, গুগল সার্চ, শহরে ফোন কল এবং অন্যান্য অনেকগুলি সাধারণ ডেটা স্ট্রিম। অনেক গুরুত্বপূর্ণ অ্যাপ্লিকেশনে, এই স্ট্রিমিং ডেটা রিয়েল টাইমে বিশ্লেষণ করা অনিবার্য। তথ্য প্রবাহের খনির চাহিদা পূরণে ঐতিহ্যবাহী তথ্য খনির কৌশলগুলি ব্যর্থ হয়েছে। স্ট্রিমিং পরিবেশে কাজ করার জন্য নতুন কৌশল বা প্রচলিত কৌশল গ্রহণের ক্ষেত্রে এলোমেলোতা, আনুমানিকতা এবং অভিযোজন ব্যাপকভাবে ব্যবহৃত হয়েছে। এই গবেষণাপত্রে তথ্য প্রবাহের খনির ক্ষেত্রে গুরুত্বপূর্ণ মাইলস্টোন এবং প্রযুক্তির অবস্থা পর্যালোচনা করা হয়েছে। ভবিষ্যতের অন্তর্দৃষ্টিও উপস্থাপন করা হয়। C © 2011 উইলি পেরিওডিক্যালস, ইনক। |
2327ad6f237b37150e84f0d745a05565ebf0b24d | বিট কয়েন হচ্ছে প্রথম ডিজিটাল মুদ্রা যা ব্যাপকভাবে গ্রহণ করা হয়েছে। যদিও পেমেন্টগুলো ছদ্ম-নামের মধ্যে পরিচালিত হয়, বিট কয়েন শক্তিশালী গোপনীয়তা গ্যারান্টি দিতে পারে না: পেমেন্ট লেনদেনগুলি একটি পাবলিক বিকেন্দ্রীভূত বইতে রেকর্ড করা হয়, যা থেকে অনেক তথ্য বের করা যায়। জিরো মুদ্রা (মিয়ার্স এবং অন্যান্য, আইইইই এস অ্যান্ড পি ২০১৩) অর্থ প্রদানের উত্স থেকে লেনদেনের সংযোগ বিচ্ছিন্ন করে এই গোপনীয়তার কিছু সমস্যা মোকাবেলা করে। কিন্তু, এটি এখনও পেমেন্টের গন্তব্য এবং পরিমাণ প্রকাশ করে এবং এর কার্যকারিতা সীমিত। এই গবেষণাপত্রে, আমরা একটি পূর্ণ-বিকৃত, লিডার-ভিত্তিক ডিজিটাল মুদ্রা তৈরি করেছি যার গোপনীয়তার নিশ্চয়তা রয়েছে। আমাদের ফলাফলগুলি শূন্য-জ্ঞানের সংক্ষিপ্ত নন-ইন্টারেক্টিভ আর্গুমেন্টস অফ নলেজ (জেকে-এসএনএআরকে) এর সাম্প্রতিক অগ্রগতিকে উত্সাহ দেয়। প্রথমত, আমরা বিকেন্দ্রীভূত বেনামী পেমেন্ট স্কিম (ডিএপি স্কিম) তৈরি করি। একটি ডিএপি স্কিম ব্যবহারকারীদের সরাসরি একে অপরকে ব্যক্তিগতভাবে অর্থ প্রদান করতে সক্ষম করেঃ সংশ্লিষ্ট লেনদেনের অর্থ প্রদানের উত্স, গন্তব্য এবং স্থানান্তরিত পরিমাণ গোপন করে। আমরা নির্মাণের নিরাপত্তা সম্পর্কে আনুষ্ঠানিক সংজ্ঞা এবং প্রমাণ প্রদান করি। দ্বিতীয়ত, আমরা জিরো ক্যাশ তৈরি করি, আমাদের ডিএপি স্কিম নির্মাণের একটি বাস্তব উদাহরণ। জিরো ক্যাশে লেনদেনের পরিমাণ ১ কেবির কম এবং যাচাই করতে ৬ মিলিসেকেন্ডেরও কম সময় লাগে - কম নামবিহীন জিরো মুদ্রার চেয়ে অনেক বেশি দক্ষ এবং সাধারণ বিট মুদ্রার সাথে প্রতিযোগিতামূলক। |
3d08280ae82c2044c8dcc66d2be5a72c738e9cf9 | আমি একটি হাইব্রিড ম্যাট্রিক্স ফ্যাক্টরাইজেশন মডেল উপস্থাপন করছি যা ব্যবহারকারী এবং আইটেমগুলিকে তাদের বিষয়বস্তু বৈশিষ্ট্যগুলির লিনিয়ার সমন্বয় হিসাবে উপস্থাপন করে। এই মডেলটি কোল্ড-স্টার্ট বা বিরল ইন্টারঅ্যাকশন ডেটা সিনারিওতে (ব্যবহারকারী এবং আইটেম মেটাডেটা উভয়ই ব্যবহার করে) উভয় সহযোগী এবং সামগ্রী-ভিত্তিক মডেলকে ছাড়িয়ে যায় এবং কমপক্ষে একটি বিশুদ্ধ সহযোগী ম্যাট্রিক্স ফ্যাক্টরাইজেশন মডেল যেখানে ইন্টারঅ্যাকশন ডেটা প্রচুর থাকে। উপরন্তু, মডেল দ্বারা উত্পাদিত বৈশিষ্ট্য এমবেডিং শব্দ এমবেডিং পদ্ধতির স্মরণ করিয়ে দেয় এমনভাবে শব্দ সংজ্ঞায়িত তথ্য এনকোড করে, ট্যাগ সুপারিশের মতো সম্পর্কিত বিভিন্ন কাজের জন্য তাদের দরকারী করে তোলে। |
25d1a2c364b05e0db056846ec397fbf0eacdca5c | ম্যাট্রিক্স ফ্যাক্টরাইজেশন-ভিত্তিক পদ্ধতিগুলি ডায়াডিক ডেটা বিশ্লেষণে জনপ্রিয় হয়ে ওঠে, যেখানে একটি মৌলিক সমস্যা, উদাহরণস্বরূপ, একটি শব্দ-ডকুমেন্ট ম্যাট্রিক্স দেওয়া শব্দ এবং নথিগুলির ডকুমেন্ট ক্লাস্টারিং বা সহ-ক্লাসারিং সম্পাদন করা। নন-নেগেটিভ ম্যাট্রিক্স ট্রাই-ফ্যাক্টরাইজেশন (এনএমটিএফ) কো-ক্লাস্টারিংয়ের জন্য একটি প্রতিশ্রুতিবদ্ধ সরঞ্জাম হিসাবে আবির্ভূত হয়, সমস্ত ফ্যাক্টর ম্যাট্রিক্স অ-নেগেটিভ হওয়ার জন্য সীমাবদ্ধ, অর্থাৎ, ইউপি 0; এসপি 0; ভিপি 0: এই কাগজে আমরা orthogonal NMTF এর জন্য গুণিতক আপডেটগুলি বিকাশ করি যেখানে এক্স ইউএসভি orthogonality constraints, ইউইউ 1⁄4 আই; এবং VV 1⁄4 আই, স্টিফেল ম্যানিফোডগুলিতে সত্যিকারের গ্রেডিয়েন্টগুলিকে কাজে লাগানো হয়। বিভিন্ন ডকুমেন্ট ডেটা সেট নিয়ে করা পরীক্ষাগুলো দেখায় যে, আমাদের পদ্ধতি ডকুমেন্ট ক্লাস্টারিংয়ের জন্য ভালো কাজ করে এবং শব্দ ও ডকুমেন্টের সহ-ক্লাসারিংয়ের মাধ্যমে বহুবর্ণ শব্দ প্রকাশে উপযোগী। ২০১০ এ্যালসেভিয়ার লিমিটেড. সমস্ত অধিকার সংরক্ষিত। |
461ac81b6ce10d48a6c342e64c59f86d7566fa68 | এই প্রকাশনায় পুনঃপ্রতিষ্ঠিত নিবন্ধ রয়েছে যার জন্য আইইইই কপিরাইট রাখে না। এই নিবন্ধগুলির সম্পূর্ণ পাঠ্য IEEE এক্সপ্লোরের জন্য উপলব্ধ নয়। |
c03fb606432af6637d9d7d31f447e62a855b77a0 | যদিও প্রমাণ রয়েছে যে একাডেমিকভাবে সফল শিক্ষার্থীরা তাদের পড়াশোনায় নিযুক্ত থাকে, তবে শিক্ষার্থীদের ব্যস্ততার স্পষ্ট সংজ্ঞা দেওয়া কঠিন বলে প্রমাণিত হয়েছে। শিক্ষার্থীদের অংশগ্রহণ সাধারণত দুইটি মাত্রা, সামাজিক এবং একাডেমিক হিসেবে ব্যাখ্যা করা হয়। সামাজিক যোগাযোগ মাধ্যম এবং ডিজিটাল প্রযুক্তির দ্রুত গ্রহণের ফলে শিক্ষার্থীদের অংশগ্রহণ বাড়াতে এগুলি ব্যবহারের আগ্রহ বাড়ছে। এই গবেষণাপত্রে প্রথম বর্ষের মনোবিজ্ঞান শিক্ষার্থীদের মধ্যে ফেসবুক ব্যবহারের বিষয়টি পরীক্ষা করা হয়েছে এবং জানা গেছে যে, যদিও অধিকাংশ শিক্ষার্থীর (৯৪%) ফেসবুক অ্যাকাউন্ট রয়েছে এবং তারা প্রতিদিন গড়ে এক ঘণ্টা ফেসবুকে ব্যয় করে, তবে তাদের ব্যবহার মূলত সামাজিক। ব্যক্তিত্বের কারণগুলি ব্যবহারের নিদর্শনগুলিকে প্রভাবিত করেছিল, যেখানে বেশি বিবেকবান শিক্ষার্থীরা কম বিবেকবান শিক্ষার্থীদের চেয়ে ফেসবুক কম ব্যবহার করে। এই গবেষণাপত্রে যুক্তি দেওয়া হয়েছে যে, সামাজিক সম্পৃক্ততাকে এমনভাবে উৎসাহিত করার পরিবর্তে যেটা একাডেমিক সম্পৃক্ততা বাড়িয়ে তুলতে পারে, মনে হচ্ছে ফেসবুক একটি বিভ্রান্তিকর প্রভাব হিসেবে কাজ করার সম্ভাবনা বেশি। |
171071069cb3b58cfe8e38232c25bfa99f1fbdf5 | অনলাইন সোশ্যাল নেটওয়ার্কিং সাইটগুলো নিজেদের পরিচয় দেওয়ার এক সম্পূর্ণ নতুন পদ্ধতি প্রকাশ করেছে। এই সাইবার সোশ্যাল টুল ব্যক্তিত্ব এবং পরিচয় পরীক্ষা করার জন্য একটি নতুন বিশ্লেষণের জায়গা প্রদান করে। বর্তমান গবেষণায় দেখা গেছে যে , সামাজিক যোগাযোগ মাধ্যম ফেসবুক ডট কম-এ নার্সিসিজম এবং আত্মসম্মানের প্রকাশ ঘটে । ইয়র্ক বিশ্ববিদ্যালয়ের ১০০ জন ফেসবুক ব্যবহারকারীর কাছ থেকে আত্মসম্মান এবং স্বার্থপর ব্যক্তিত্বের স্ব-রিপোর্ট সংগ্রহ করা হয়। অংশগ্রহণকারীদের ওয়েব পেজগুলো স্ব-প্রচারমূলক বিষয়বস্তুর বৈশিষ্ট্যগুলির উপর ভিত্তি করে কোড করা হয়েছিল। সংশ্লিষ্ট বিশ্লেষণে দেখা গেছে যে, স্বার্থপরতা বেশি এবং আত্মসম্মান কম ব্যক্তিদের মধ্যে অনলাইন ক্রিয়াকলাপের পাশাপাশি কিছু স্ব-প্রচারমূলক বিষয়বস্তু বেশি দেখা যায়। লিঙ্গের পার্থক্যের কারণে স্ব-প্রচারমূলক বিষয়বস্তু প্রকাশের ক্ষেত্রে ফেসবুক ব্যবহারকারীদের মধ্যে পার্থক্য দেখা গেছে। সামাজিক যোগাযোগের ওয়েবসাইটগুলিতে নার্সিসিজম এবং আত্মসম্মানের প্রভাব এবং ভবিষ্যতের গবেষণা দিকগুলি নিয়ে আলোচনা করা হয়েছে। |
5e30227914559ce088a750885761adbb7d2edbbf | ইন্টারনেটে সামাজিক যোগাযোগের জন্য কিশোর-কিশোরীরা অবাধে ব্যক্তিগত তথ্য ছেড়ে দেবে। পরে, যখন তাদের বাবা-মা তাদের জার্নাল পড়েন তখন তারা অবাক হন। তরুণদের দ্বারা অনলাইনে প্রকাশিত ব্যক্তিগত তথ্যের জন্য সম্প্রদায়গুলি ক্ষুব্ধ এবং কলেজগুলি ক্যাম্পাসের ভিতরে এবং বাইরে শিক্ষার্থীদের কার্যক্রম ট্র্যাক করে। কিশোর-কিশোরী ও শিক্ষার্থীদের ব্যক্তিগত তথ্য পোস্ট করার পরিণতি রয়েছে। এই নিবন্ধে সামাজিক নেটওয়ার্কগুলিতে গোপনীয়তার বিষয়গুলির উপর আলোড়ন নিয়ে আলোচনা করা হবে একটি গোপনীয়তা প্যারাডক্স বর্ণনা করে; ব্যক্তিগত বনাম পাবলিক স্পেস; এবং, সামাজিক নেটওয়ার্কিং গোপনীয়তা বিষয়। অবশেষে, এটি প্রস্তাবিত গোপনীয়তা সমাধান এবং গোপনীয়তা বিপর্যয়ের সমাধান করতে সহায়তা করার জন্য নেওয়া পদক্ষেপগুলি নিয়ে আলোচনা করবে। |
6c394f5eecc0371b43331b54ed118c8637b8b60d | মাল্টি-সেকশন পাওয়ার ডিভাইডার একটি নতুন নকশা সূত্র ব্যাপক বিচ্ছিন্নতা কর্মক্ষমতা প্রাপ্ত করার জন্য প্রাপ্ত হয়। এই নকশা সূত্রটি একক-শেষযুক্ত ফিল্টার নকশা তত্ত্বের উপর ভিত্তি করে তৈরি করা হয়েছে। এই গবেষণাপত্রে প্রস্তাবিত নকশা সূত্রের বৈধতা দেখানোর জন্য মাল্টি সেকশন পাওয়ার ডিভাইডারের বেশ কয়েকটি সিমুলেশন এবং পরীক্ষামূলক ফলাফল উপস্থাপন করা হয়েছে। পরীক্ষাগুলিতে দেখা গেছে যে, মাল্টি-সেকশন পাওয়ার ডিভাইডারটি মাল্টি-অক্টাভ আইসোলেশন বৈশিষ্ট্যযুক্ত। |
d12e3606d94050d382306761eb43b58c042ac390 | শিক্ষার্থীদের পরীক্ষায় সফলতা (বা ব্যর্থতা) অর্জনের কারণগুলো বোঝা একটি আকর্ষণীয় এবং চ্যালেঞ্জিং সমস্যা। যেহেতু কেন্দ্রীয় স্থানান্তর পরীক্ষা এবং ভবিষ্যতের একাডেমিক অর্জনগুলি সম্পর্কিত ধারণা হিসাবে বিবেচিত হয়, তাই স্থানান্তর পরীক্ষার পিছনে সাফল্যের কারণগুলির বিশ্লেষণ একাডেমিক অর্জনের বোঝার এবং সম্ভাব্য উন্নতি করতে সহায়তা করতে পারে। এই গবেষণায় আমরা তুরস্কের মাধ্যমিক শিক্ষা ট্রানজিশন সিস্টেমের একটি বড় এবং বৈশিষ্ট্য সমৃদ্ধ ডেটাসেট ব্যবহার করে মাধ্যমিক শিক্ষা স্থানান্তর পরীক্ষার ফলাফল পূর্বাভাস দেওয়ার জন্য মডেলগুলি বিকাশ করেছি এবং সেই পূর্বাভাস মডেলগুলির সংবেদনশীলতা বিশ্লেষণ ব্যবহার করে আমরা সবচেয়ে গুরুত্বপূর্ণ পূর্বাভাসকারীকে চিহ্নিত করেছি। ফলাফলগুলি দেখিয়েছে যে সি 5 সিদ্ধান্ত গাছের অ্যালগরিদম হোল্ড-আউট নমুনায় 95% নির্ভুলতার সাথে সেরা ভবিষ্যদ্বাণীকারী, তারপরে সমর্থন ভেক্টর মেশিনগুলি (৯১% নির্ভুলতার সাথে) এবং কৃত্রিম নিউরাল নেটওয়ার্কগুলি (৮৯% নির্ভুলতার সাথে) । লজিস্টিক রিগ্রেশন মডেলগুলি চারটির মধ্যে সবচেয়ে কম সঠিক এবং মোট নির্ভুলতা ৮২%। সংবেদনশীলতা বিশ্লেষণে দেখা গেছে যে পূর্ববর্তী পরীক্ষার অভিজ্ঞতা, শিক্ষার্থীর বৃত্তি আছে কিনা, শিক্ষার্থীর ভাইবোনের সংখ্যা, পূর্ববর্তী বছরগুলির গ্রেড পয়েন্ট গড় স্থান নির্ধারণের পরীক্ষার স্কোরগুলির মধ্যে সবচেয়ে গুরুত্বপূর্ণ ভবিষ্যদ্বাণীকারী। ২০১২ এ্যালসেভিয়ার লিমিটেড. সমস্ত অধিকার সংরক্ষিত। |
75859ac30f5444f0d9acfeff618444ae280d661d | মাল্টি বায়োমেট্রিক সিস্টেমগুলিকে আরও বেশি করে বড় আকারের বায়োমেট্রিক অ্যাপ্লিকেশনগুলিতে (যেমন, এফবিআই-আইএএফআইএস, ভারতে ইউআইডিএআই সিস্টেম) ব্যবহার করা হচ্ছে কারণ তাদের কয়েকটি সুবিধা রয়েছে যেমন কম ত্রুটি হার এবং ইউনি বায়োমেট্রিক সিস্টেমের তুলনায় বৃহত্তর জনসংখ্যা কভারেজ। তবে, মাল্টি বায়োমেট্রিক সিস্টেমগুলির জন্য প্রতিটি ব্যবহারকারীর জন্য একাধিক বায়োমেট্রিক টেমপ্লেট (যেমন, ফিঙ্গারপ্রিন্ট, আইরিস এবং মুখ) সংরক্ষণের প্রয়োজন হয়, যার ফলে ব্যবহারকারীর গোপনীয়তা এবং সিস্টেমের সুরক্ষার ঝুঁকি বাড়তে পারে। পৃথক টেমপ্লেট সুরক্ষার একটি পদ্ধতি হল বায়োমেট্রিক ক্রিপ্টোসিস্টেম ব্যবহার করে সংশ্লিষ্ট টেমপ্লেট থেকে তৈরি শুধুমাত্র নিরাপদ স্কেচ সংরক্ষণ করা। এর জন্য একাধিক স্কেচ সংরক্ষণ করতে হবে। এই গবেষণাপত্রে, আমরা একটি বৈশিষ্ট্য-স্তরের ফিউশন ফ্রেমওয়ার্ক প্রস্তাব করছি যা একই সময়ে ব্যবহারকারীর একাধিক টেমপ্লেটকে একটি একক নিরাপদ স্কেচ হিসাবে সুরক্ষিত করে। আমাদের প্রধান অবদানগুলির মধ্যে রয়েছেঃ (1) দুটি সুপরিচিত বায়োমেট্রিক ক্রিপ্টোসিস্টেম ব্যবহার করে প্রস্তাবিত বৈশিষ্ট্য-স্তরের সংমিশ্রণ কাঠামোর ব্যবহারিক বাস্তবায়ন, নামের, fuzzy ভল্ট এবং fuzzy প্রতিশ্রুতি, এবং (2) দুটি ভিন্ন ডাটাবেস (একটি বাস্তব এবং একটি ভার্চুয়াল মাল্টিমোডাল ডাটাবেস) এর উপর ভিত্তি করে প্রস্তাবিত মাল্টিবায়োমেট্রিক ক্রিপ্টোসিস্টেমে মিলিত নির্ভুলতা এবং সুরক্ষার মধ্যে বাণিজ্য-অফের বিস্তারিত বিশ্লেষণ, যার প্রতিটিতে তিনটি সর্বাধিক জনপ্রিয় বায়োমেট্রিক মোডাল রয়েছে, যথা, ফিঙ্গারপ্রিন্ট, আইরিস এবং মুখ। পরীক্ষামূলক ফলাফল থেকে জানা যায় যে এখানে প্রস্তাবিত মাল্টি বায়োমেট্রিক ক্রিপ্টোসিস্টেমগুলির নিরাপত্তা এবং মিলিত পারফরম্যান্স তাদের ইউনি বায়োমেট্রিক প্রতিরূপের তুলনায় বেশি। |
98e03d35857f66c34fa79f3ea0dd2b4e3b670044 | |
65227ddbbd12015ba8a45a81122b1fa540e79890 | ওয়েব পেজের গুরুত্ব একটি স্বতন্ত্র বিষয়, যা পাঠকের আগ্রহ, জ্ঞান এবং মনোভাবের উপর নির্ভর করে। কিন্তু ওয়েব পেজগুলির আপেক্ষিক গুরুত্ব সম্পর্কে এখনও অনেক কিছু বলা যায়। এই নিবন্ধে পেজ র্যাঙ্ক বর্ণনা করা হয়েছে, যা ওয়েব পেজকে বস্তুনিষ্ঠভাবে এবং যান্ত্রিকভাবে রেটিং দেওয়ার একটি পদ্ধতি, যা মানুষের আগ্রহ এবং মনোযোগকে কার্যকরভাবে পরিমাপ করে। আমরা পেজ র্যাঙ্ককে একটি আদর্শ র্যান্ডম ওয়েব সার্ফারের সাথে তুলনা করি। আমরা দেখাবো কিভাবে অনেকগুলো পেজের পেজ র্যাঙ্ক গণনা করা যায়। এবং, আমরা দেখাব কিভাবে পেজ র্যাঙ্ককে সার্চ এবং ইউজার নেভিগেশনে প্রয়োগ করতে হয়। |
0a202f1dfc6991a6a204eaa5e6b46d6223a4d98a | কোন বৈশিষ্ট্য ভিত্তিক দৃষ্টি ব্যবস্থা কাজ করতে পারে না যদি না ভাল বৈশিষ্ট্য চিহ্নিত করা যায় এবং ফ্রেম থেকে ফ্রেম ট্র্যাক করা যায়। যদিও ট্র্যাকিং নিজেই একটি সমাধান সমস্যা, তবে এমন বৈশিষ্ট্যগুলি নির্বাচন করা যা ভালভাবে ট্র্যাক করা যায় এবং বিশ্বের শারীরিক পয়েন্টগুলির সাথে সামঞ্জস্যপূর্ণ হয় তা এখনও কঠিন। আমরা একটি বৈশিষ্ট্য নির্বাচন মানদণ্ড প্রস্তাব করি যা নির্মাণের দ্বারা সর্বোত্তম কারণ এটি ট্র্যাকার কীভাবে কাজ করে তার উপর ভিত্তি করে এবং একটি বৈশিষ্ট্য পর্যবেক্ষণ পদ্ধতি যা বিশ্বের পয়েন্টগুলিতে occlusions, disocclusions এবং বৈশিষ্ট্যগুলি সনাক্ত করতে পারে। এই পদ্ধতিগুলি একটি নতুন ট্র্যাকিং অ্যালগরিদমের উপর ভিত্তি করে তৈরি করা হয়েছে যা নিউটন-রাফসন স্টাইলের আগের অনুসন্ধান পদ্ধতিগুলিকে একটি নতুন চিত্রের রূপান্তরগুলির অধীনে কাজ করার জন্য প্রসারিত করে। আমরা বিভিন্ন সিমুলেশন এবং পরীক্ষার মাধ্যমে পারফরম্যান্স পরীক্ষা করি। |
4f640c1338840f3740187352531dfeca9381b5c3 | মাইনিংয়ের ধারাবাহিক মডেলের সমস্যা সম্প্রতি [এএস৯৫]-এ চালু করা হয়েছিল। আমাদেরকে ক্রমের একটি ডাটাবেস দেওয়া হয়, যেখানে প্রতিটি ক্রম হল লেনদেনের তালিকা লেনদেনের সময় অনুসারে এবং প্রতিটি লেনদেন হল আইটেমগুলির একটি সেট। সমস্যাটি হল ব্যবহারকারী-নির্ধারিত ন্যূনতম সমর্থন সহ সমস্ত ক্রমিক নিদর্শনগুলি আবিষ্কার করা, যেখানে কোনও নিদর্শনটির সমর্থন হ ল নিদর্শনটি ধারণকারী ডেটা-অনুক্রমে সংখ্যা। একটি ক্রমিক প্যাটার্নের উদাহরণ হল ∀Foundation এবং ∀Ringworld কে একটি লেনদেনে কিনেছেন গ্রাহকদের %, তারপরে ∀Second Foundation কে পরবর্তী লেনদেনে কিনেছেন। আমরা সমস্যাটিকে নিম্নরূপ সাধারণীকরণ করি। প্রথমে, আমরা সময় সীমাবদ্ধতা যোগ করি যা একটি প্যাটার্নের সংলগ্ন উপাদানগুলির মধ্যে সর্বনিম্ন এবং / অথবা সর্বাধিক সময়কাল নির্দিষ্ট করে। দ্বিতীয়ত, আমরা ক্রমিক প্যাটার্নের একটি উপাদান যে আইটেম একই লেনদেন থেকে আসা আবশ্যক যে সীমাবদ্ধতা শিথিল, পরিবর্তে আইটেম লেনদেনের একটি সেট যার লেনদেনের সময় ব্যবহারকারী-নির্দিষ্ট সময় উইন্ডোর মধ্যে উপস্থিত হতে অনুমতি দেয়. তৃতীয়ত, আইটেমগুলির উপর একটি ব্যবহারকারী-ডি-নেড ট্যাক্সোনমি (একটি শ্রেণিবিন্যাস) দেওয়া, আমরা ট্যাক্সোনমির সমস্ত স্তরের আইটেমগুলি অন্তর্ভুক্ত করার জন্য ক্রমিক নিদর্শনগুলিকে অনুমতি দিই। আমরা আপনাদের সামনে উপস্থাপন করছি জিএসপি, একটি নতুন অ্যালগরিদম যা এই সাধারণ ধারাবাহিক নিদর্শনগুলি আবিষ্কার করে। কৃত্রিম এবং বাস্তব জীবনের তথ্য ব্যবহার করে অভিজ্ঞতার মূল্যায়ন ইঙ্গিত দেয় যে জিএসপি [AS95] এ উপস্থাপিত অ্যাপ্রিওরিয়াল অ্যালগরিদমের চেয়ে অনেক দ্রুত। জিএসপি ডেটা-সিকোয়েন্সের সংখ্যা অনুসারে রৈখিকভাবে স্কেল করে এবং গড় ডেটা-সিকোয়েন্সের আকারের সাথে সম্পর্কিত খুব ভাল স্কেল-আপ বৈশিষ্ট্য রয়েছে। এছাড়াও, কম্পিউটার সায়েন্স বিভাগ, উইসকনসিন বিশ্ববিদ্যালয়, ম্যাডিসন। |
4282abe7e08bcfb2d282c063428fb187b2802e9c | ফিলার ব্যবহারের ক্ষেত্রে ধীরে ধীরে বৃদ্ধি পাওয়ায়, অ-চিকিৎসা পেশাদার বা অনভিজ্ঞ চিকিৎসকদের দ্বারা চিকিত্সা করা রোগীদের ক্ষেত্রে জটিলতার ফলেও বাড়ছে। আমরা এখানে ২ জন রোগীর কথা বলছি যাদের ফিলার ইনজেকশন নেওয়ার পর তীব্র জটিলতা দেখা দিয়েছে এবং তাদের অডিপোজ- ডেরিভেটেড স্ট্যাম সেল (এডিএসসি) থেরাপি দিয়ে সফলভাবে চিকিৎসা করা হয়েছে। কেস ১ ছিল ২৩ বছর বয়সী একজন মহিলা রোগী যিনি একজন অ- চিকিৎসা পেশাদার দ্বারা তার কপাল, গ্লাবেলা এবং নাকের মধ্যে ফিলার (রেস্টাইল্যান) ইনজেকশন পেয়েছিলেন। ইনজেকশন দেওয়ার পরপরদিন, ৩x৩ সেন্টিমিটার ত্বকের নেক্রোসিস সহ প্রদাহ দেখা যায়। কেস ২- এ ৩০ বছর বয়সী এক মহিলা ছিলেন, যিনি একটি বেসরকারি ক্লিনিকে তার নাকের ডোরসাম এবং টিপে হাইয়ালুরোনিক এসিড জেল (জুভেদারম) এর ফিলার ইনজেকশন পেয়েছিলেন। রোগীর পেটের তলদেশের টিস্যু থেকে সংগ্রহ করা এডিএসসি- এর একটি দ্রবণ তলদেশের এবং ডার্মিসের স্তরে ক্ষতটিতে ইনজেকশন করা হয়েছিল। অতিরিক্ত চিকিৎসা ছাড়াই ক্ষতগুলো ভালো হয়ে গেছে। ক্রমাগত পর্যবেক্ষণের সাথে, উভয় রোগীর অপারেশন পরবর্তী 6 মাস শুধুমাত্র সূক্ষ্ম রৈখিক ক্ষত ছিল। অডিপাস-উত্পন্ন স্টেম সেল ব্যবহার করে, আমরা সফলভাবে ফিলার ইনজেকশন পরে ত্বকের নেক্রোসিসের তীব্র জটিলতা চিকিত্সা, অনেক কম scarring ফলে, এবং আরো সন্তোষজনক ফলাফল অর্জন করা হয় না শুধুমাত্র ক্ষত নিরাময়, কিন্তু esthetics মধ্যে. |
3198e5de8eb9edfd92e5f9c2cb325846e25f22aa | |
bdf434f475654ee0a99fe11fd63405b038244f69 | পুনরাবৃত্তি পূর্বাভাস স্কোরগুলি মার্কিন যুক্তরাষ্ট্র জুড়ে শত শত হাজার বন্দিদের জন্য সাজা এবং তত্ত্বাবধান নির্ধারণ করতে ব্যবহৃত হয়। পুনরায় অপরাধের পূর্বাভাস স্কোরের একটি জেনারেটর হ ল নর্থপয়েন্টের সংশোধনমূলক অপরাধী ব্যবস্থাপনা প্রোফাইলিং ফর বিকল্প নিষেধাজ্ঞা (কম্পাস) স্কোর, যা ক্যালিফোর্নিয়া এবং ফ্লোরিডার মতো রাজ্যে ব্যবহৃত হয়, যা পূর্ববর্তী গবেষণায় দেখানো হয়েছে যে ন্যায্যতার নির্দিষ্ট পরিমাপের ভিত্তিতে কালো বন্দিদের বিরুদ্ধে পক্ষপাতদুষ্ট। এই বর্ণবাদী পক্ষপাতের বিরুদ্ধে লড়াই করার জন্য, আমরা একটি বিরোধী-প্রশিক্ষিত নিউরাল নেটওয়ার্ক উপস্থাপন করছি যা পুনরাবৃত্তিকে পূর্বাভাস দেয় এবং বর্ণবাদী পক্ষপাত দূর করতে প্রশিক্ষিত। যখন আমরা আমাদের মডেলের ফলাফল COMPAS এর সাথে তুলনা করি, তখন আমরা ভবিষ্যদ্বাণীমূলক নির্ভুলতা অর্জন করি এবং ন্যায়বিচারের তিনটি মাপকাঠির মধ্যে দুটি অর্জনের কাছাকাছি আসিঃ সমতা এবং সুযোগের সমতা। আমাদের মডেল যেকোন ভবিষ্যদ্বাণী এবং জনসংখ্যার জন্য সাধারণীকরণ করা যায়। এই গবেষণার অংশটি পুনরাবৃত্তি পূর্বাভাসের মতো উচ্চ-হুমকির বাস্তব-বিশ্বের প্রয়োগে বৈজ্ঞানিক প্রতিলিপি এবং সরলীকরণের একটি উদাহরণ অবদান রাখে। |
33fad977a6b317cfd6ecd43d978687e0df8a7338 | এই গবেষণাপত্রটি স্থানীয় বাইনারি প্যাটার্ন এবং নমুনা এবং প্রোটোটাইপ বিতরণের অ-প্যারামেট্রিক বৈষম্যের উপর ভিত্তি করে গ্রে-স্কেল এবং ঘূর্ণন ইনভেরিয়েন্ট টেক্সচার শ্রেণিবিন্যাসের জন্য একটি তাত্ত্বিকভাবে খুব সহজ, তবুও দক্ষ, মাল্টি-রেজোলিউশন পদ্ধতির উপস্থাপন করে। এই পদ্ধতিটি স্বীকৃতির উপর ভিত্তি করে যে নির্দিষ্ট স্থানীয় বাইনারি প্যাটার্ন, যা ইউনিফর্ম বলে অভিহিত হয়, স্থানীয় চিত্রের টেক্সচারের মৌলিক বৈশিষ্ট্য এবং তাদের ঘটনা হিস্টোগ্রামটি একটি খুব শক্তিশালী টেক্সচার বৈশিষ্ট্য হিসাবে প্রমাণিত হয়েছে। আমরা একটি সাধারণ গ্রে-স্কেল এবং ঘূর্ণন ইনভেরিয়েন্ট অপারেটর উপস্থাপনা বের করি যা কোণীয় স্থান এবং যে কোনও স্থানিক রেজোলিউশনের কোয়ান্টাইজেশনের জন্য auniformo নিদর্শনগুলি সনাক্ত করতে দেয় এবং মাল্টি-রেজোলিউশন বিশ্লেষণের জন্য একাধিক অপারেটরকে একত্রিত করার জন্য একটি পদ্ধতি উপস্থাপন করে। প্রস্তাবিত পদ্ধতিটি গ্রে স্কেলের পরিবর্তনের ক্ষেত্রে খুব শক্তিশালী কারণ অপারেটরটি, সংজ্ঞা অনুসারে, গ্রে স্কেলের কোনও একঘেয়ে রূপান্তরের বিরুদ্ধে অবিচল। আরেকটি সুবিধা হল কম্পিউটেশনাল সরলতা যেহেতু অপারেটরটি একটি ছোট আশেপাশে এবং একটি লুকআপ টেবিলে কয়েকটি অপারেশন দিয়ে উপলব্ধি করা যেতে পারে। ঘূর্ণন অস্থিরতার প্রকৃত সমস্যার ক্ষেত্রে প্রাপ্ত চমৎকার পরীক্ষামূলক ফলাফল, যেখানে শ্রেণীবিভাগকারীকে একটি নির্দিষ্ট ঘূর্ণন কোণে প্রশিক্ষণ দেওয়া হয় এবং অন্যান্য ঘূর্ণন কোণের নমুনার সাথে পরীক্ষা করা হয়, দেখায় যে সহজ ঘূর্ণন অস্থির স্থানীয় বাইনারি নিদর্শনগুলির ঘটনার পরিসংখ্যানের সাথে ভাল বৈষম্য অর্জন করা যেতে পারে। এই অপারেটরগুলি স্থানীয় চিত্রের টেক্সচারের স্থানিক কনফিগারেশনকে চিহ্নিত করে এবং স্থানীয় চিত্রের টেক্সচারের বিপরীতে বৈশিষ্ট্যযুক্ত ঘূর্ণন ইনভেরিয়েন্ট বৈষম্য পরিমাপের সাথে তাদের সংযুক্ত করে পারফরম্যান্সকে আরও উন্নত করা যেতে পারে। এই অক্ষরেখা মাপের যৌথ বন্টন ঘূর্ণন-অবিন্যস্ত টেক্সচার বিশ্লেষণের জন্য অত্যন্ত শক্তিশালী হাতিয়ার হিসেবে প্রমাণিত হয়েছে। সূচক পদঃ অ-প্যারামেট্রিক, টেক্সচার বিশ্লেষণ, আউটেক্স, ব্রোডাটজ, বন্টন, হিস্টোগ্রাম, বিপরীতে। |
8ade5d29ae9eac7b0980bc6bc1b873d0dd12a486 | |
12a97799334e3a455e278f2a995a93a6e0c034bf | এই কাগজটি চীনা শব্দ বিভাগের জন্য একটি এমবেডিং ম্যাচিং পদ্ধতির প্রস্তাব দেয়, যা traditionalতিহ্যবাহী ক্রম লেবেলিং কাঠামোকে সাধারণ করে এবং বিতরণকৃত উপস্থাপনাগুলির সুবিধা নেয়। প্রশিক্ষণ এবং ভবিষ্যদ্বাণী অ্যালগরিদমের লিনিয়ার-টাইম জটিলতা রয়েছে। প্রস্তাবিত মডেলের উপর ভিত্তি করে, একটি লোভী সেগমেন্টার তৈরি করা হয় এবং বেঞ্চমার্ক কর্পোরার উপর মূল্যায়ন করা হয়। পরীক্ষাগুলি দেখায় যে আমাদের লোভী সেগমেন্টার পূর্ববর্তী নিউরাল নেটওয়ার্ক ভিত্তিক শব্দ সেগমেন্টারগুলির তুলনায় উন্নত ফলাফল অর্জন করে এবং এর কার্যকারিতা অত্যাধুনিক পদ্ধতিগুলির সাথে প্রতিযোগিতামূলক, এর সহজ বৈশিষ্ট্য সেট এবং প্রশিক্ষণের জন্য বাহ্যিক সংস্থানগুলির অনুপস্থিতি সত্ত্বেও। |