دانلود ترجمه مقاله یادگیری عمیق و نظریه تعادل نقطه ای (ساینس دایرکت – الزویر ۲۰۱۷) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

elsevier

 

 

این مقاله انگلیسی ISI در نشریه ساینس دایرکت (الزویر) در ۱۱ صفحه در سال ۲۰۱۷ منتشر شده و ترجمه آن ۲۵ 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:

یادگیری عمیق و نظریه تعادل نقطه ای

عنوان انگلیسی مقاله:

Deep learning and punctuated equilibrium theory

 

 

مشخصات مقاله انگلیسی
فرمت مقاله انگلیسی pdf و ورد تایپ شده با قابلیت ویرایش 
سال انتشار ۲۰۱۷
تعداد صفحات مقاله انگلیسی ۱۱ صفحه با فرمت pdf
نوع مقاله ISI
نوع نگارش مقاله پژوهشی (Research Article) 
نوع ارائه مقاله ژورنال
رشته های مرتبط با این مقاله مهندسی کامپیوتر
گرایش های مرتبط با این مقاله هوش مصنوعی و رایانش ابری
چاپ شده در مجله (ژورنال) تحقیقات سیستم های شناختی – Cognitive Systems Research
کلمات کلیدی یادگیری عمیق، شبکه های عصبی، تعادل نقطه ای، فرایند خط مشی، انتشار بازگشتی
کلمات کلیدی انگلیسی Deep learning – Neural networks – Punctuated equilibrium – Policy process – Backpropagation
ارائه شده از دانشگاه دانشکده سیاست عمومی باواریا، دانشگاه فنی مونیخ، آلمان
نمایه (index) Scopus – Master journals – JCR
نویسندگان Simon Hegelich
شناسه شاپا یا ISSN ISSN ۱۳۸۹-۰۴۱۷
شناسه دیجیتال – doi https://doi.org/10.1016/j.cogsys.2017.02.006
ایمپکت فاکتور(IF) مجله ۲٫۰۲۶ در سال ۲۰۱۹
شاخص H_index مجله ۴۱ در سال ۲۰۲۰
شاخص SJR مجله ۰٫۲۹۱ در سال ۲۰۱۹
شاخص Q یا Quartile (چارک) Q4 در سال ۲۰۱۹
بیس نیست 
مدل مفهومی ندارد 
پرسشنامه ندارد 
متغیر ندارد 
رفرنس دارای رفرنس در داخل متن و انتهای مقاله
کد محصول ۱۰۴۳۲
لینک مقاله در سایت مرجع لینک این مقاله در نشریه Elsevier
نشریه الزویر

 

مشخصات و وضعیت ترجمه فارسی این مقاله
فرمت ترجمه مقاله pdf و ورد تایپ شده با قابلیت ویرایش
وضعیت ترجمه انجام شده و آماده دانلود
کیفیت ترجمه ویژه – طلایی ⭐️⭐️⭐️
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش  ۲۵ صفحه (۱ صفحه رفرنس انگلیسی) با فونت ۱۴ B Nazanin
ترجمه عناوین تصاویر و جداول ترجمه شده است  
ترجمه متون داخل تصاویر ترجمه شده است  
ترجمه متون داخل جداول ترجمه شده است  
ترجمه ضمیمه 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 انگلیسی درج شده است  
منابع انتهای متن به صورت انگلیسی درج شده است  

 

فهرست مطالب

چکیده
۱-مقدمه
۲- یادگیری عمیق چیست؟
۳-فرایند سیاسی بصورت پردازش اطلاعات
۴-مدل نمایشی: یادگیری عمیق و فرآیند سیاسی
۵-نظریه پیوند سیاست های بودجه ای به سیات های رسیدگی
۶- یادگیری عمیق پیشرفته
۷- چشم انداز

 

بخشی از ترجمه

چکیده

یادگیری عمیق با اخرین گزارش های موفقیت آمیز در AI مرتبط است. به طور خاص، شبکه های عصبی عمیق در زمینه های فزاینده ی مختلف برای مدل سازی فرایندهای پیچیده استفاده می شوند. جالب توجه است که الگوریتم انتشار بازگشتی در اصل برای مدل های علوم سیاسی طراحی شده است. مبانی نظری این رویکرد بسیار مشابه مفهوم نظریه تعادل نقطه ای (PET) است. این مقاله مفهوم یادگیری عمیق را مورد بحث و بررسی قرار می دهد و نشان می دهد که با PET همخوانی دارد. یک مدل جلوه گر نشان می دهد که چگونه یادگیری عمیق برای ارائه ی یک ارتباط از دست رفته در فرایند خط مشی می تواند مورد استفاده قرار گیرد: ارتباط بین توجه در نظام سیاسی (به عنوان ورودی ها) و تغییرات بودجه (به عنوان خروجی).

 

۶- یادگیری عمیق پیشرفته

یک جنبه ی بسیار مفید شبکه های عصبی هنوز هم ذکر نشده است: نورن ها ممکن است بسیار ساده باشند، اما آنها می توانند با انعطاف پذیرترین روش ترکیب شوند. برای مثال، این احتمال وجود دارد تا به اصطلاح ”لایه های مفهومی” ایجاد شود. نورون ها در این لایه ها در حال ذخیره سازی مقادیر یک لایه ی پنهان شده هستند. کل سیستم به این شیوه یک نوع حافظه را می گیرد. شبکه های المان (المان، ۱۹۹۳) در این دسته قرار دارند. مزیت آنها این است که وضعیت قبلی سیستم به عنوان ورودی خودش تلقی می شود. با این ”ترفند”، تحولات در طول زمان مثل همبستگی خودکار (اتوماتیک) می توانند مدلسازی شوند.

 

بخشی از مقاله انگلیسی

Abstract

Deep learning is associated with the latest success stories in AI. In particular, deep neural networks are applied in increasingly different fields to model complex processes. Interestingly, the underlying algorithm of backpropagation was originally designed for political science models. The theoretical foundations of this approach are very similar to the concept of Punctuated Equilibrium Theory (PET). The article discusses the concept of deep learning and shows parallels to PET. A showcase model demonstrates how deep learning can be used to provide a missing link in the study of the policy process: the connection between attention in the political system (as inputs) and budget shifts (as outputs).

 

۶٫ Advanced deep learning

A very useful aspect of neural nets has not yet been mentioned: neurons may be very simple, but they can be combined in the most flexible way. For example, there is the possibility to create so called ‘‘context layers”. Neurons in these layers are storing the values of a hidden layer. The whole system gets a kind of memory this way. Elman networks (Elman, 1993) fall into this category. The advantage is that the former status of the system is treated as its own input. With this ‘‘trick”, developments over time like autocorrelation can be modeled.

 

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

یادگیری عمیق و نظریه تعادل نقطه ای

عنوان انگلیسی مقاله:

Deep learning and punctuated equilibrium theory

 

 

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *