دانلود ترجمه مقاله کافی بودن داده های کم برای تشخیص داده های پرت (ساینس دایرکت – الزویر 2022)
این مقاله انگلیسی ISI در نشریه الزویر در سال 2022 منتشر شده که 9 صفحه می باشد، ترجمه فارسی آن نیز 16 صفحه میباشد. کیفیت ترجمه این مقاله عالی بوده و به صورت کامل ترجمه شده است.
دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی | |
عنوان فارسی مقاله: |
کافی بودن داده های کم برای تشخیص داده های پرت بر اساس فاصله |
عنوان انگلیسی مقاله: |
Little data is often enough for distance-based outlier detection |
|
مشخصات مقاله انگلیسی | |
نشریه | ساینس دایرکت، الزویر – (Sciencedirect – Elsevier) |
سال انتشار | 2022 |
فرمت مقاله انگلیسی | pdf و ورد تایپ شده با قابلیت ویرایش |
تعداد صفحات مقاله انگلیسی | 9 صفحه |
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 | مهندسی نرم افزار – علوم داده – مهندسی الگوریتم ها و محاسبات |
چاپ شده در مجله (ژورنال) | Procedia Computer Science |
کلمات کلیدی | تشخیص داده های پرت – تشخیص ناهنجاری – خوشه بندی – نمونه های اولیه – نظارت نشده – نزدیکترین همسایگی ها – عامل داده های پرت محلی – knn – lof – k-means |
کلمات کلیدی انگلیسی | outlier detection – anomaly detection – clustering – prototypes – unsupervised – nearest neighbors – local outlier factor- knn – lof – k-means |
نویسندگان | David Muhr – Michael Affenzeller |
شناسه شاپا یا ISSN | 1877-0509 |
شناسه دیجیتال – doi | https://doi.org/10.1016/j.procs.2022.01.297 |
لینک سایت مرجع | https://www.sciencedirect.com/science/article/pii/S1877050922003064 |
ایمپکت فاکتور (IF) مجله | 2.267 در سال 2021 |
شاخص H_index مجله | 92 در سال 2022 |
شاخص SJR مجله | 0.569 در سال 2021 |
بیس | نیست ☓ |
مدل مفهومی | ندارد ☓ |
پرسشنامه | ندارد ☓ |
متغیر | ندارد ☓ |
فرضیه | ندارد ☓ |
رفرنس | دارای رفرنس در داخل متن و انتهای مقاله ✓ |
کد محصول | 13491 |
مشخصات و وضعیت ترجمه فارسی این مقاله | |
فرمت ترجمه مقاله | ورد تایپ شده با قابلیت ویرایش و pdf |
وضعیت ترجمه | ترجمه شده و آماده دانلود |
کیفیت ترجمه | عالی (مناسب استفاده دانشگاهی و پژوهشی) |
تعداد صفحات ترجمه | 16 (2 صفحه رفرنس انگلیسی) صفحه با فونت 14 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 | ندارد ☓ |
درج تصاویر در فایل ترجمه | درج شده است ✓ |
درج جداول در فایل ترجمه | درج شده است ✓ |
درج فرمولها و محاسبات در فایل ترجمه | ندارد ☓ |
منابع داخل متن | به صورت عدد درج شده است ✓ |
منابع انتهای متن | به صورت انگلیسی درج شده است ✓ |
فهرست مطالب |
چکیده 1 مقدمه 2 روش شناسی 3 نتایج 4 نتیجه گیری منابع |
بخشی از ترجمه |
چکیده تعداد زیادی از مطالعات موردی از آموزش سریع و دفعات پیش بینی سود می برند، و بیشتر تحقیقات به بررسی تسریع روش های تشخیص داده های پرت مبتنی بر فاصله برای میلیون ها نقطه داده می پردازند. یافته های ما برخلاف عقیده عموم نشان می دهند که داده های اندک اغلب برای مدلهای تشخیص داده های پرت مبتنی بر فاصله کافی هستند. ما نشان می دهیم که از بخش کوچکی از داده ها برای آموزش مدلهای تشخیص داده های پرت مبتنی بر فاصله استفاده می شود که اغلب منجر به کاهش غیرمعنی داری در عملکرد پیش بینانه و واریانس تشخیص در محدوده گسترده ای از مجموعه داده های جدولی می شود. علاوه بر این، ما کاهش داده را براساس زیرنمونه گیری تصادفی و نمونه های اولیه مبتنی بر خوشه بندی مقایسه می کنیم و نشان می دهیم که هر دو رویکرد منجر به نتایج تشخیص داده های پرت مشابهی می شوند. بنابراین، زیرنمونه گیری تصادفی ساده ثابت می کند که یک معیار مفید و مبنایی برای تحقیقات آینده در تسریع تشخیص داده های پرت مبتنی بر فاصله است.
روش شناسی
مجموعه داده ها |