دانلود ترجمه مقاله طبقه بندی سند با نمونه فقط مثبت در شبکه های عصبی – مجله ACM
| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
طبقه بندی سند در شبکه های عصبی با استفاده از نمونه های فقط مثبت |
| عنوان انگلیسی مقاله: |
Document Classification on Neural Networks Using Only Positive Examples |
|
|
| مشخصات مقاله انگلیسی (PDF) | |
| سال انتشار مقاله | ۲۰۰۰ |
| تعداد صفحات مقاله انگلیسی | ۳ صفحه با فرمت pdf |
| رشته های مرتبط با این مقاله | مهندسی کامپیوتر |
| گرایش های مرتبط با این مقاله | مهندسی نرم افزار و هوش مصنوعی |
| مجله مربوطه | کنفرانس تحقیق و توسعه در بازیابی اطلاعات |
| دانشگاه تهیه کننده | گروه علوم کامپیوتر، دانشگاه حیفا، اسرائیل |
| شناسه شاپا یا ISBN | ISBN ۱-۵۸۱۱۳-۲۲۶-۳ |
| لینک مقاله در سایت مرجع | لینک این مقاله در سایت ACM |
| نشریه | ACM |
| مشخصات و وضعیت ترجمه فارسی این مقاله (Word) | |
| تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش و فونت ۱۴ B Nazanin | ۶ صفحه |
| ترجمه عناوین تصاویر و جداول | ترجمه نشده است |
| ترجمه متون داخل تصاویر | ترجمه نشده است |
| ترجمه متون داخل جداول | ترجمه نشده است |
| درج تصاویر در فایل ترجمه | درج شده است |
| درج جداول در فایل ترجمه | درج شده است |
- فهرست مطالب:
خلاصه
۱- مقدمه
۲-رده بندی کننده ی شبکه های عصبی
۲.۱ نماینده ی ( نمایش) متن و انتخاب شاخصه
۲.۲ حاصلضرب هادامارد
۳. مجموعه داده ها, آزمایشات و نتایج
۳.۱ رویتر ۲۱۵۷۸
۴- خلاصه
۵- سپاسگذاری
- بخشی از ترجمه:
۳. مجموعه داده ها, آزمایشات و نتایج
۳.۱ رویتر ۲۱۵۷۸
برای آزمودن ایده های بالا ما این فیلترها را برای پایگاه داده ی استاندارد رویتر به کار بردیم, که یک مجموعه ی اط پیش طبقه بندی شده از مقالات کوتاه بود. این یکی از میزهای آزمایش ( آزمایشات) استانداردی بود که برای تست الگوریتم های بازیابی اطلاعات مورد استفاده قرا گرفت. بنابراین C مجموعه ی کلی مقالات است و چندین زیر مجموعه ی T وجود دارد. برای هر انتخاب موضوع T ما از ۲۵٪ داده های مثبت برای آموزش استفاده کردیم و سپس فیلترها را در تمام C اجرا نمودیم. ما هر ۱۰ کتگوری ( دسته)( را به عنوان عمل طبقه بندی دوگانه مورد بحث قرار دادیم و طبقه کننده ها را برای هر دسته به صورت جداگانه ارزیابی نمودیم. برای گزارش کردن نتایج ما از اندازه ی F1 , مقادیر فراخوانی و دقت, استفاده کردیم. برای دسته بندی کردن متن, اندازه ی موثر فراخوانی و دقت به صورت زیر تعریف شدند. فراخوانی , تعداد آیتم های دسته است که با تقسیم بر تعداد اعضای دسته در مجموعه ی آزمایشی تعریف شده است. دقت , تعداد آیتم های دسته است که با تقسیم بر کل آیتم های متناظر با دسته شناسایی شده است.
| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
طبقه بندی سند در شبکه های عصبی با استفاده از نمونه فقط مثبت |
| عنوان انگلیسی مقاله: |
Document Classification on Neural Networks Using Only Positive Examples |
|
|
