_id
stringlengths 40
40
| text
stringlengths 0
9.75k
|
|---|---|
d31798506874705f900e72203515abfaa9278409 | लेख इतिहास: 26 अगस्त 2007 प्राप्त कैल गेल 7 मई 2008 के संशोधित रूप में प्राप्त कैल गेल 13 मई 2008 के स्वीकार कैल गेल |
6d96f946aaabc734af7fe3fc4454cf8547fcd5ed | |
1c26786513a0844c3a547118167452bed17abf5d | ट्रांसलिट्रेशन समस्या के संक्षिप्त परिचय प्रदान करे के बाद, और अरबी से अंग्रेजी अनुवाद के लिए कुछ विशिष्ट मुद्दों पर प्रकाश डाले के बाद, समस्या के कम्प्यूटेशनल समाधान के रूप में तीन चरण एल्गोरिथ्म के पेश कैल गेल हई। एल्गोरिथ्म एगो छिपल मार्कोव मॉडल दृष्टिकोण पर आधारित हई, लेकिन ऑन-लाइन डेटाबेस में उपलब्ध जानकारी के लाभ उठाबई हई। फेर एल्गोरिथ्म के मूल्यांकन कैल जाई हई, अउर 80% तक के सटीकता प्राप्त करे के लेल देखाएल गेल छलई। |
dbc82e5b8b17faec972e1d09c34ec9f9cd1a33ea | सामान्य ज्ञान के तर्क पर हमर शोध में, हम पाएलई कि एगो विशेष रूप से महत्वपूर्ण प्रकार के ज्ञान मानव लक्ष्य के बारे में ज्ञान हई। विशेष रूप से जब इंटरफ़ेस एजेंट के लिए कॉमन्सेंस रीजनिंग लागू करो हय, तओ हमे उपयोगकर्ता क्रिया (योजना मान्यता) से लक्ष्य के पहचान करे और लक्ष्य (योजना) के लागू करे वाला क्रिया के अनुक्रम उत्पन्न करे के आवश्यकता होवो हय। अक्सर इ बात के जवाब देवे के जरूरत होवो हय कि उद्देश्य के स्थिति में लक्ष्य कहां और कब संभव हय, या इ प्राप्त करे में कितना समय लग सको हय। कॉमन्सेंस ज्ञान अधिग्रहण पर पिछला काम में, उपयोगकर्ताओं से सीधे ऐसन जानकारी के लिए पूछल गेलय हा। हाल ही में, हालांकि, एक अन्य दृष्टिकोण उभरलई हे - उपयोगकर्ता के गेम खेले में लुभावे के लेल जहां ज्ञान प्रदान करनाई खेल में अच्छा स्कोर करे के साधन हई, येई प्रकार खिलाड़ियन के प्रेरित करई हई। ई दृष्टिकोण लुईस वॉन आह और उनकर सहयोगी द्वारा अग्रणी बनाएल गेल हई, जे एकरा मानव गणना के रूप में संदर्भित करई हई। कॉमन कंसेंस एक मजेदार, आत्मनिर्भर वेब-आधारित गेम हय, जे रोजमर्रा के लक्ष्य के बारे में कॉमन सेंस ज्ञान के एकत्रित और मान्य करो हय। ई टीवी गेम शो फैमिली फीड1 के संरचना पर आधारित हई। एगो छोटा उपयोगकर्ता अध्ययन से पता चललई कि उपयोगकर्ता के खेल में मज़ा आवई हई, ज्ञान के गुणवत्ता बहुत अच्छा हई, अउर ज्ञान संग्रह के दर तेजी से हई। एसीएम वर्गीकरणः एच. 3. 3 [सूचना भंडारण और पुनःप्राप्ति]: सूचना खोज और पुनर्प्राप्ति; आई. 2.6 [कृत्रिम बुद्धिमत्ता]: सीखना |
f8b1534b26c1a4a30d32aec408614ecff2412156 | |
4c479f8d18badb29ec6a2a49d6ca8e36d833fbe9 | एकर छोट आकार के बावजूद, कोकसिक्स के कई महत्वपूर्ण कार्य हय। कैगो मांसपेशी, अंडाशय और कशेरुक के लिए सम्मिलन स्थल होए के जौरे, ई त्रिपाद के एक पैर के रूप में भी कार्य करई हई - इशियल ट्यूबरोसिटी के जौरे - जे बैठे स्थिति में कोनो व्यक्ति के वजन-असर समर्थन प्रदान करई हई। कोक्सिडिनिया (कोक्सिक्स के क्षेत्र में दर्द) के घटना के रिपोर्ट नए कियल गलय हा, लेकिन कोक्सिडिनिया के विकास के बढ़ल जोखिम से जुड़े कारकों में मोटापा और महिला लिंग शामिल हय। ई लेख कोक्सिडिनिया के शरीर रचना, शरीर रचना विज्ञान आउर इलाज के बारे में एगो सिंहावलोकन प्रदान करई हई। परिणाम 90% मामला में रूढ़िवादी उपचार सफल होवो हय, और कई मामला चिकित्सा उपचार के बिना ठीक हो जा हय। रेफ्रेक्टरी मामलों के उपचार में श्रोणि तल पुनर्वास, मैनुअल हेरफेर और मालिश, ट्रांसक्यूटेनस इलेक्ट्रिकल तंत्रिका उत्तेजना, मनोचिकित्सा, स्टेरॉयड इंजेक्शन, तंत्रिका ब्लॉक, रीढ़ की हड्डी उत्तेजना और सर्जिकल प्रक्रियाएं शामिल हय। निष्कर्ष फिजियोथेरेपी, एर्गोनोमिक अनुकूलन, दवा, इंजेक्शन, और, संभवतः, मनोचिकित्सा के नियोजित करे वाला एक बहु-विषयक दृष्टिकोण रेफ्रेक्टरी कोकसिक्स दर्द के रोगी में सफलता के सबसे बड़ा मौका देवो हय। यद्यपि नया सर्जिकल तकनीकें उभर रहल हई, एकर प्रभावकारिता स्थापित करे से पहिले अधिक शोध के आवश्यकता छलई। |
0989bbd8c15f9aac24e8832327df560dc8ec5324 | लगभग छह दशक में जब से शोधकर्ता ओकरा बनावे के तरीका के पता लगावे लगले हल, एक्सोस्केलेटन विज्ञान कथा के सामान से लगभग व्यावसायिक उत्पाद में प्रगति करले हई। जबकि एक्सोस्केलेटन विकास से जुड़ल अभी भी कई चुनौति हई जेकरा अभी तक पूर्ण कैल जाए के हई, क्षेत्र में प्रगति बहुत बड़ छलई। इ पत्र में, हम इतिहास के समीक्षा कर हकिअइ आउ निचला अंग के एक्सोस्केलेटन आउ सक्रिय ऑर्थोसिस के अत्याधुनिक स्थिति पर चर्चा कर हकिअइ। हम अधिकांश उपकरण के लिए हार्डवेयर, एक्ट्यूएशन, सेंसर, और नियंत्रण प्रणालियों के एक डिजाइन अवलोकन प्रदान करो हय जेकरा साहित्य में वर्णित कियल गलय हा, और प्रमुख प्रगति के चर्चा के साथे समाप्त होवो हय जेकरा बनायल गेलय हय और बाधाओं के अभी तक दूर नय कियल गेलय हा। |
4adffe0ebdda59d39e43d42a41e1b6f80164f07e | गैर-नकारात्मक मैट्रिक्स फैक्टरिज़ेशन (एनएमएफ) एगो अनसुप्रवीक्षित सीखने के विधि हई जे छवि प्रसंस्करण अउर दस्तावेजों के अर्थ संबंधी विश्लेषण सहित विभिन्न अनुप्रयोग में उपयोगी छलई। ई पेपर सममित एनएमएफ (एसएनएमएफ) पर केंद्रित हई, जे एनएमएफ अपघटन के एगो विशेष मामला छलई। इ समस्या के लिए सीधे स्तर 3 के मूल रैखिक बीजगणित उपप्रोग्राम के उपयोग करे वाला तीन समानांतर गुणक अद्यतन एल्गोरिदम विकसित कैल गेल हई। सबसे पहले, यूक्लिडियन दूरी के कम करके, एक गुणक अद्यतन एल्गोरिथ्म के प्रस्ताव दिहल गेल हई, अउर हल्के परिस्थिति में एकर अभिसरण साबित कैल गेल हई। एकर आधार पर, हम आगे दो अन्य तेज़ समानांतर विधियों के प्रस्तावित करो हय: α-SNMF और β-SNMF एल्गोरिदम। ऊ सभी चीजन के प्रजातियोंएन और जीनस के श्रेणियों में विभाजित कैलकय। ई एल्गोरिदम के संभाव्यता क्लस्टरिंग पर लागू कैल जाई हई। हम चेहरा के छवि समूहकरण, दस्तावेज़ वर्गीकरण, और जीन अभिव्यक्ति में पैटर्न समूहकरण के लिए ओकर प्रभावशीलता प्रदर्शित करो हय। |
2a4423b10725e54ad72f4f1fcf77db5bc835f0a6 | सांख्यिकीय यांत्रिकी (एक सीमित तापमान पर तापीय संतुलन में कई डिग्री स्वतंत्रता वाला प्रणालि के व्यवहार) और बहुभिन्नरूपी या संयोजक अनुकूलन (कई पैरामीटर पर निर्भर एगो देल गेल फ़ंक्शन के न्यूनतम खोजे) के बीच एगो गहरी अउर उपयोगी संबंध छलई। ठोस पदार्थ में एनीलिंग के साथ एक विस्तृत सादृश्य बहुत बड़ और जटिल प्रणालि के गुण के अनुकूलन के लिए एक ढांचा प्रदान करो हय। सांख्यिकीय यांत्रिकी के ई संबंध नया जानकारी के उजागर करई हई अउर पारंपरिक अनुकूलन समस्या अउर विधि पर एगो अपरिचित दृष्टिकोण प्रदान करई हई। |
dec997b20ebe2b867f68cc5c123d9cb9eafad6bb | गहरा तंत्रिका नेटवर्क के प्रशिक्षण के लिए आम तौर पर भारी मात्रा में डेटा के आवश्यकता होवो हय और इ बहुत गणना गहन होवो हय। हम इ दिखावा करो हय कि महंगे ग्रेडिएंट वंश प्रक्रिया के दरकिनार करना और एक तंत्रिका नेटवर्क के पैरामीटर के सीधे प्रशिक्षण डेटा के गुण से प्राप्त करना संभव हो सको हय। हम देखई हई कि अभिसरण के पास, इनपुट के करीब परत के लेल ग्रेडिएंट वंश समीकरण के रैखिक बनावल जा सकई हई अउर प्रत्येक वर्ग के लेल डेटा के सहवर्तीता से संबंधित शोर के जौरे स्थैतिक समीकरण बन सकई हई। हम इ समीकरण के समाधान के वितरण के व्युत्पन्न करो हय और इ पता लगावो हय कि इ एक पर्यवेक्षित मुख्य घटक विश्लेषण से संबंधित हय। हम इ परिणाम के छवि डेटासेट MNIST, CIFAR10 और CIFAR100 पर लागू करो हय और पाते हय कि, वास्तव में, पूर्व प्रशिक्षित परतें हमारे निष्कर्षों के उपयोग करके समान आकार और आर्किटेक्चर के तंत्रिका नेटवर्क के तुलना में तुलनीय या बेहतर प्रदर्शन करो हय। एकर अलावा, हमर पूर्व-प्रशिक्षित परत के गणना अक्सर प्रशिक्षण डेटा के एक अंश के उपयोग करके कैल जा सकई हई, सह-विचलन मैट्रिक्स के त्वरित अभिसरण के कारण। इ प्रकार, हमार निष्कर्ष इंगित करो हय कि हम प्रशिक्षण समय के कम कर सको हय दोनों ही ग्रेडिएंट वंश के लिए उपयोग कियल जाए वाला डेटा के केवल एक अंश के आवश्यकता हय, और प्रशिक्षण के महंगे बैकप्रोपेगरेशन चरण में परतों के समाप्त करके। एकर अतिरिक्त, इ निष्कर्ष आंशिक रूप से गहरे तंत्रिका नेटवर्क के आंतरिक कार्य के स्पष्ट करो हय और हमनही के वर्गीकरण समस्या के कुछ चरणों के लिए गणितीय रूप से इष्टतम समाधान के गणना करे के अनुमति देवो हय, इ प्रकार कुशलता से ऐसन समस्या के हल करे के हमनही के क्षमता के बढ़ावे के लिए महत्वपूर्ण हय। |