مقاله رایگان با موضوع فناوری های یادگیری ماشین
عنوان مقاله:
Machine Learning Technologies for Big Data Analytics
سال انتشار: 2022
رشته: مهندسی کامپیوتر
گرایش: هوش مصنوعی
دانلود رایگان این مقاله:
دانلود مقاله فناوری های یادگیری ماشین
مشاهده سایر مقالات جدید:
2. The Present Issue
This Special Issue contains a variety of proposed methods covering a wide range of issues related to machine learning in big data applications. The contents of these published papers are shortly presented as follows. In this paper, a deep learning-based denoising approach Cross-Modality Guided Denoising Network (CMGDNet) for reducing Rician noise in T1-weighted (T1-w) magnetic resonance images (MRI) is suggested, motivated by deep learning performance in numerous medical imaging applications. Handwritten scripts differ from person to person, which is easy for people to grasp but difficult for machines to recognize, especially when a single character has different forms. A suitable dataset for Pashto digits is required to overcome the difficulty of training a machine with Pashto digits. As a result, one of the primary reasons for this search is the creation of a suitable dataset for Pashto digits. Four data-driven predictive models based on deep neural networks (DNNs) with an attention mechanism are proposed in. Data are prepared using a sliding time window approach to facilitate DNN feature extraction. The raw data gathered after normalization is input into the proposed network, necessitating no prior knowledge of prognostics or signal processing and greatly simplifying the use of the proposed technology. In this paper, Twitter sentiment is examined to assess popular attitudes before, during, and after elections, and these opinions are compared to actual election results. Opinions are compared between the 2016 election, which Donald J. Trump won, and the 2020 election. The authors constructed a dataset using the Twitter API, pre-processed it, retrieved the relevant features using TF-IDF, and then used the Naive Bayes Classifier to gather public views. This paper creates a machine learning classifier based on these Twitter accounts’ profiles and bio information . A feature selection strategy is employed to lower the number of features and increase the classifier’s performance efficiently and effectively. This paper proposed a host-based intrusion detection system (HIDS) based on lightweight approaches and leveraging fog computing devices that use a modified vector space representation (MVSR) N-gram and a multilayer perceptron (MLP) model for safeguarding the Internet of Things (IoT). Toxicity has become associated with online hate speech, trolling, and, at times, outrage culture. Using the bidirectional encoder representations from transformers, this paper developed an effective model for detecting and classifying toxicity in social media from user-generated material (BERT). A vast dataset is proposed in which consists of 10,742 carefully identified comments in Albanian. Furthermore, attempts are made in this research to design and create a sentiment analyzer based on deep learning. Consequently, the authors provided the experimental results derived from our proposed sentiment analyzer, trained and validated on our gathered and curated dataset using several classifier models with static and contextualized word embeddings, namely fastest and BERT. This paper coupled a linear weighted regression with the energy-aware greedy scheduling (LWR-EGS) technique to manage large amounts of data. The LWR-EGS approach first chooses tasks for an assignment. It then chooses the most excellent available computer to find the best answer. The problem was initially modeled as an integer linear weighted regression program to choose tasks for the assignment to achieve this goal. The best available machines were then chosen to discover the optimum solution.
This study provides a complete overview of meta-heuristic optimization techniques for text clustering applications, highlighting their major approaches. Because of their adequate capacity to address machine learning challenges, particularly text clustering difficulties, these Artificial Intelligence (AI) algorithms are considered promising swarm intelligence technologies. This work examines the whole body of research on meta-heuristicbased text clustering applications, including several versions such as primary, modified, hybridized, and multi-objective techniques. This study aimed to examine various intervention and preventative strategies for this condition in teenagers. The requirements for admission were satisfied by 14 programs in total. The study of the programs enables the formulation of successful intervention strategies for prevention and the treatment of present issues resulting from teenage users’ use of the Internet and technical gadgets. This study summarizes the essential communication techniques (ground, aerial, and underwater vehicles). It sheds light on trajectory planning, optimization, and numerous challenges. This level of in-depth study is uncommon in the literature. Hence, an attempt has been made to fill the gap for readers interested in path planning.
(دقت کنید که این بخش از متن، با استفاده از گوگل ترنسلیت ترجمه شده و توسط مترجمین سایت ای ترجمه، ترجمه نشده است و صرفا جهت آشنایی شما با متن میباشد.)
2. موضوع حاضر
این شماره ویژه شامل انواع روش‌های پیشنهادی است که طیف گسترده‌ای از مسائل مربوط به یادگیری ماشین در برنامه‌های داده‌های بزرگ را پوشش می‌دهد. محتویات این مقالات منتشر شده به اختصار به شرح زیر ارائه می شود. در این مقاله، یک رویکرد نویز زدایی مبتنی بر یادگیری عمیق شبکه حذف نویز هدایت‌شده متقابل (CMGDNet) برای کاهش نویز ریسیان در تصاویر تشدید مغناطیسی (MRI) با وزن T1 (T1-w) پیشنهاد شده است که با انگیزه عملکرد یادگیری عمیق در بسیاری از پزشکی‌ها انجام می‌شود. برنامه های تصویربرداری اسکریپت‌های دست‌نویس از فردی به فرد دیگر متفاوت است، که درک آن برای مردم آسان است، اما تشخیص آن برای ماشین‌ها دشوار است، به خصوص زمانی که یک کاراکتر دارای اشکال مختلف باشد. یک مجموعه داده مناسب برای ارقام پشتو برای غلبه بر دشواری آموزش ماشین با ارقام پشتو مورد نیاز است. در نتیجه یکی از دلایل اصلی این جستجو ایجاد یک مجموعه داده مناسب برای ارقام پشتو است. چهار مدل پیش‌بینی مبتنی بر داده مبتنی بر شبکه‌های عصبی عمیق (DNN) با مکانیزم توجه پیشنهاد شده‌اند. داده‌ها با استفاده از رویکرد پنجره زمانی کشویی برای تسهیل استخراج ویژگی DNN تهیه می‌شوند. داده‌های خام جمع‌آوری‌شده پس از نرمال‌سازی به شبکه پیشنهادی وارد می‌شود، که نیازی به دانش قبلی در مورد پیش‌آگهی یا پردازش سیگنال ندارد و استفاده از فناوری پیشنهادی را تا حد زیادی ساده می‌کند. در این مقاله، احساسات توییتر برای ارزیابی نگرش های عمومی قبل، حین و بعد از انتخابات مورد بررسی قرار گرفته و این نظرات با نتایج واقعی انتخابات مقایسه می شود. نظرات بین انتخابات 2016 که دونالد جی ترامپ برنده شد و انتخابات 2020 مقایسه می شود. نویسندگان مجموعه داده ای را با استفاده از API توییتر ساختند، آن را از قبل پردازش کردند، ویژگی های مربوطه را با استفاده از TF-IDF بازیابی کردند و سپس از طبقه بندی کننده Naive Bayes برای جمع آوری نماهای عمومی استفاده کردند. این مقاله یک طبقه‌بندی کننده یادگیری ماشینی را بر اساس نمایه‌های حساب‌های توییتر و اطلاعات زیستی ایجاد می‌کند. یک استراتژی انتخاب ویژگی برای کاهش تعداد ویژگی‌ها و افزایش کارایی طبقه‌بندی‌کننده به طور کارآمد و مؤثر استفاده می‌شود. این مقاله یک سیستم تشخیص نفوذ مبتنی بر میزبان (HIDS) را بر اساس رویکردهای سبک وزن و ابزارهای محاسباتی مه بهره‌گیری می‌کند که از نمایش فضای برداری اصلاح‌شده (MVSR) N-gram و یک مدل پرسپترون چندلایه (MLP) برای حفاظت از اینترنت اشیا استفاده می‌کند. اینترنت اشیا). مسمومیت با سخنان نفرت پراکنی آنلاین، ترولینگ و گاهی اوقات فرهنگ خشم مرتبط شده است. این مقاله با استفاده از نمایش‌های رمزگذار دوطرفه از ترانسفورماتورها، یک مدل مؤثر برای تشخیص و طبقه‌بندی سمیت در رسانه‌های اجتماعی از مواد تولید شده توسط کاربر (BERT) ایجاد کرد. مجموعه داده وسیعی پیشنهاد شده است که شامل 10742 نظر با دقت شناسایی شده به زبان آلبانیایی است. همچنین در این تحقیق سعی شده است تا یک تحلیلگر احساسات بر اساس یادگیری عمیق طراحی و ایجاد شود. در نتیجه، نویسندگان نتایج تجربی به دست آمده از تحلیلگر احساسات پیشنهادی ما را ارائه کردند، که با استفاده از چندین مدل طبقه‌بندی‌کننده با جاسازی‌های کلمه ایستا و متنی، یعنی سریع‌ترین و BERT، آموزش‌دیده و اعتبارسنجی شدند.این مقاله یک رگرسیون وزنی خطی را با تکنیک برنامه‌ریزی حریصانه آگاه از انرژی (LWR-EGS) برای مدیریت مقادیر زیادی داده همراه کرد. رویکرد LWR-EGS ابتدا وظایف را برای یک تکلیف انتخاب می کند. سپس عالی ترین رایانه موجود را برای یافتن بهترین پاسخ انتخاب می کند. این مشکل در ابتدا به عنوان یک برنامه رگرسیون وزنی خطی عدد صحیح برای انتخاب وظایف برای تکلیف برای دستیابی به این هدف مدل‌سازی شد. سپس بهترین ماشین های موجود برای کشف راه حل بهینه انتخاب شدند.
این مطالعه مروری کامل بر تکنیک‌های بهینه‌سازی فراابتکاری برای برنامه‌های خوشه‌بندی متن ارائه می‌کند و رویکردهای اصلی آن‌ها را برجسته می‌کند. این الگوریتم‌های هوش مصنوعی (AI) به دلیل ظرفیت کافی برای مقابله با چالش‌های یادگیری ماشین، به‌ویژه مشکلات خوشه‌بندی متن، فناوری‌های هوش ازدحامی امیدوارکننده در نظر گرفته می‌شوند. این کار کل تحقیقات را در مورد برنامه های کاربردی خوشه بندی متن مبتنی بر فراابتکاری، از جمله چندین نسخه مانند تکنیک های اولیه، اصلاح شده، ترکیبی و چند هدفه بررسی می کند. این مطالعه با هدف بررسی راهکارهای مداخله‌ای و پیشگیری از این عارضه در نوجوانان انجام شد. شرایط پذیرش در مجموع 14 برنامه برآورده شد. مطالعه برنامه ها امکان تدوین راهبردهای مداخله موفق برای پیشگیری و درمان مشکلات موجود ناشی از استفاده کاربران نوجوان از اینترنت و ابزارهای فنی را فراهم می کند. این مطالعه تکنیک‌های ارتباطی ضروری (وسایل نقلیه زمینی، هوایی و زیرآبی) را خلاصه می‌کند. این برنامه ریزی مسیر، بهینه سازی و چالش های متعدد را روشن می کند. این سطح از مطالعه عمیق در ادبیات غیر معمول است. از این رو، تلاش شده است تا جای خالی خوانندگان علاقه مند به برنامه ریزی مسیر پر شود.