دانلود ترجمه مقاله فراگیری عمیق برای تحلیل سریهای زمانی (۲۰۱۷) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)
این مقاله انگلیسی در ۱۳ صفحه در سال ۲۰۱۷ منتشر شده و ترجمه آن ۱۴ صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.
دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی | |
عنوان فارسی مقاله: |
فراگیری عمیق برای تحلیل سریهای زمانی |
عنوان انگلیسی مقاله: |
Deep Learning for Time-Series Analysis |
|
مشخصات مقاله انگلیسی (PDF) | |
سال انتشار | ۲۰۱۷ |
تعداد صفحات مقاله انگلیسی | ۱۳ صفحه با فرمت pdf |
رشته های مرتبط با این مقاله | مهندسی کامپیوتر |
گرایش های مرتبط با این مقاله | مهندسی الگوریتم ها و محاسبات، هوش مصنوعی |
کلمات کلیدی | شبکه های عصبی مصنوعی، یادگیری عمیق، سریهای زمانی |
کلمات کلیدی انگلیسی | Artificial Neural Networks – Deep Learning – Time-Series |
ارائه شده از دانشگاه | دانشگاه کایزرسلاوترن، آلمان |
نویسندگان | John Gamboa |
بیس | نیست ☓ |
مدل مفهومی | ندارد ☓ |
پرسشنامه | ندارد ☓ |
متغیر | دارد ✓ |
رفرنس | دارد ✓ |
کد محصول | ۹۶۴۴ |
مشخصات و وضعیت ترجمه فارسی این مقاله (Word) | |
وضعیت ترجمه | انجام شده و آماده دانلود در فایل ورد و PDF |
کیفیت ترجمه | ویژه – طلایی ⭐️⭐️⭐️ |
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش | ۱۴ صفحه با فونت ۱۴ B Nazanin |
ترجمه عناوین تصاویر و جداول | ترجمه شده 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 ✓ |
درج فرمولها و محاسبات در فایل ترجمه | به صورت عکس درج شده است ✓ |
منابع داخل متن | به صورت عدد درج شده است ✓ |
فهرست مطالب |
چکیده مقدمه شبکه عصبی مصنوعی مروری برادبیات یادگیری عمیق برای مدلسازی سریهای زمانی یادگیری عمیق برای طبقه بندی سریهای زمانی GAF MTF اجرای طبقه بندی با تصاویر تولید شده یادگیری عمیق برای تشخیص آنومالی سریهای زمانی نتیجه گیری |
بخشی از ترجمه |
چکیده در بسیاری از کاربردهای دنیای واقعی، مثلاً بازشناسی گفتار یا طبقه بندی مرحله خواب، داده ها طی یک دوره زمانی بدست آمده و سریهای زمانی را تشکیل می دهند. سریهای زمانی اغلب حاوی وابستگی های زمانی هستند که موجب می شوند نقاط زمانی متفاوت (غیر یکسان) به کلاس های متفاوت تعلق داشته باشند یا رفتار متفاوتی را پیش بینی نمایند. به طور کلی، این ویژگی مشکلات تجزیه و تحلیل آنها را افزایش می دهد. تکنیک های موجود اغلب وابسته به ویژگیهای دستی (ساخته شده با دست) هستند که ساخت آنها هزینه بر و نیازمند دانش خبره و تخصصی از فیلد بود. با ظهور یادگیری عمیق، مدلهای جدید یادگیری نظارت نشده برای تحلیل و پیش بینی سریهای زمانی توسعه یافته است. چنین توسعه های جدیدی موضوع این مقاله هستند: تکنیک های اصلی یادگیری عمیق مرور شده و برخی از کاربردهای تحلیل سریهای زمانی جمع بندی شده است. نتایج بدست آمده روشن می کند که یادگیری عمیق، سهم به سزایی در فیلد دارد.
۶- نتیجه گیری هنگام استفاده از یادگیری عمیق، هدف پشته سازی چندین لایه شبکه عصبی مستقل است، که با کار کردن در کنار هم، نتایج بهتری نسبت به ساختارهای سطحی قبلاً موجود حاصل می نمایند. در این مقاله، برخی از این ماژولها و همچنین کاراخیر انجام شده با استفاده از آنها در تحقیقات علمی را مرور کرده ایم. به علاوه، راجع به برخی وظایف اصلی انجام شده هنگام دستکاری داده های سریهای زمانی با استفاده از ساختارهای شبکه عصبی عمیق بحث کرده ایم. بالاخره، بر کاری که هر یک از این وظایف انجام می دهند، تمرکز خاص تری اعمال گردید. در این موارد، استفاده از یادگیری عمیق برای تحلیل سریهای زمانی، نتایجی بهتر از تکنیک های قبلی حاصل کرده است، که نشان می دهد فیلدی امیدوارکننده جهت بهبود و پیشرفت است. |
بخشی از مقاله انگلیسی |
Abstract In many real-world application, e.g., speech recognition or sleep stage classification, data are captured over the course of time, constituting a Time-Series. Time-Series often contain temporal dependencies that cause two otherwise identical points of time to belong to different classes or predict different behavior. This characteristic generally increases the difficulty of analysing them. Existing techniques often depended on hand-crafted features that were expensive to create and required expert knowledge of the field. With the advent of Deep Learning new models of unsupervised learning of features for Time-series analysis and forecast have been developed. Such new developments are the topic of this paper: a review of the main Deep Learning techniques is presented, and some applications on Time-Series analysis are summaried. The results make it clear that Deep Learning has a lot to contribute to the field.
۶- Conclusion When applying Deep Learning, one seeks to stack several independent neural network layers that, working together, produce better results than the already existing shallow structures. In this paper, we have reviewed some of these modules, as well the recent work that has been done by using them, found in the literature. Additionally, we have discussed some of the main tasks normally performed when manipulating Time-Series data using deep neural network structures. Finally, a more specific focus was given on one work performing each one of these tasks. Employing Deep Learning to Time-Series analysis has yielded results in these cases that are better than the previously existing techniques, which is an evidence that this is a promising field for improvement. Acknowledgments. I would like to thank Ahmed Sheraz and Mohsin Munir for their guidance and contribution to this paper. |
تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد |
دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی | |
عنوان فارسی مقاله: |
فراگیری عمیق برای تحلیل سریهای زمانی |
عنوان انگلیسی مقاله: |
Deep Learning for Time-Series Analysis |
|