مطالعه ای بر تجزیه و تحلیل داده های بزرگ رسانه اجتماعی

Big Social Media Data Analytics: A Survey

چکیده

1. مقدمه

2. داده های بزرگ رسانه اجتماعی

3. تجزیه و تحلیل داده های بزرگ براساس طبقه بندی رسانه اجتماعی

3-1 منابع داده های رسانه اجتماعی

3-2 مشخصه

3-2-1 تجزیه و تحلیل توصیفی

3-2-2 تجزیه و تحلیل تشخیصی

3-2-3 تجزیه و تحلیل پیش بینی کننده

3-2-4 تجزیه و تحلیل تجویزی

3-3 هوش محاسباتی

3-3-1 شبکه های عصبی مصنوعی

3-3-2 سیستم های فازی

3-3-3 هوش ازدحام

3-3-4 محاسبه تکاملی

3-3-5 یادگیری عمیق

3-4 تکنیک ها

3-4-1 مدل سازی

3-4-2 تحلیل احساسات

3-4-3 تحلیل شبکه اجتماعی

3-4-4 متن یابی (کاوش متن)

4. بحث

5. چالش های تحقیق

6. نتیجه گیری

منابع

چکیده

اخیراً تحلیل های داده های بزرگ به عنوان یک حوزه اجتماعی به دلیل محبوبیت اینترنت و ظهور فناوری های وب 2 پدیدار شده است. علاوه بر این، ازدیاد و پذیرش برنامه های رسانه های اجتماعی فرصت ها و چالش های بسیار زیادی را برای محققان و متخصصان فراهم آورده است. میزان عظیم داده های تولید شده توسط کاربران با استفاده از پلتفورم های رسانه اجتماعی نتیجه ادغام جزئیات پیشینه و فعالیت های روزانه آن ها است. این حجم عظیم از داده های شناخته شده به عنوان “داده های بزرگ (داده های کلان) ” اخیزاً به شدت مورد تحقیق قرار گرفته است. مرور کوتاهی بر کارهای اخیر در این مقاله ارائه شده است تا دیدگاه وسیع تری نسبت به موضوع تحقیقاتی تحلیل داده های بزرگ رسانه اجتماعی به دست آید. ما ادبیات موجود را براساس جنبه های مهم دسته بندی می کنیم. همچنین این مطالعه تکنیک های ممکن تحلیل داده های بزرگ و ویژگی های کیفی آن ها را با یکدیگر مقایسه می کند. علاوه بر این، بحثی درباره کاربردهای تحلیل داده های بزرگ رسانه اجتماعی با نمایان کردن بهترین تکنیک ها، روشش ها و کیفیت ویژگی های مطالعات پیشین ارائه می کنیم. چالش های تحقیقاتی موجود در تحلیل داده های بزرگی به خوبی مورد بررسی قرار می گیرند.

1. مقدمه

محبوبیت اینترنت و ظهور فناوری های وب 2 محتوای وب را از ناشر به محتوای ایجاد شده توسط کاربر تغییر داده است (Alexander, 2006). چنین تغییری در انتشار محتوا بدون نیاز به برنامه ریزی کمک کرده است. امروز موضوعات، مرورها و نظرات جالب مربوط به وب 2 و رسانه اجتماعی به آسانی از طریق اینترنت در سرتاسر جهان در هر لحظه ای قابل دستیابی است. علاوه بر این، ازدیاد و پذیرش رسانه اجتماعی فرصت ها و چالش های گسترده ای را برای محققان و متخصصان فراهم کرده است. بیش از یک میلیارد نفر در سرتاسر جهان در حال استفاده از پلتفورم های رسانه اجتماعی هستند و  دادهای ساختار نیافته را در مقیاس های زمانی نسبتاً کوتاه تولید می کنند. حجم عظیمی از داده های تولید شده توسط کاربران نتیجه ادغام جزئیات پیشینه و فعالیت های روزانه آن ها در چنین پلتفورمی است. این حجم عظیم از داده های تولید شده به عنوان “داده های بزرگ” شناخته می شود که اخیراً به شدت مورد بررسی و تحقیق قرار گرفته است.

6. نتیجه گیری

داده های بزرگ رسانه اجتماعی همراه با پیشرفت در ابزارهای محاسباتی، به عنوان کلیدی برای دیدگاه های مهم نسبت به رفتار انسان پدیدار شده است و به طور پیوسته ذخیره و توسط شرکت ها، افراد و دولت ها مورد پردازش قرار می گیرد. اول، ما کار اخیر درباره تجزیه و تحلیل رسانه اجتماعی بزرگ را مورد بررسی قرار می دهیم و چشم انداز وسیعی از این حوزه را اراده می کنیم. دوم، مقالات را براساس جنبه های مهم همانند منابع داده ها، مشخصات، هوش محاسباتی و تکنیک ها دسته بندی می کنیم. سوم، تکنیک های تجزیه و تحلیل داده های بزرگ و ویژگی های کیفی ان ها را با یکدیگر مقایسه می کنیم. چهارم، فرصت ها را با توجه به تجزیه و تحلیل داده های بزرگ براساس رسانه اجتماعی شناسایی می کنیم. در نهایت نیز چالش های تحقیقاتی موجود در تجزیه و تحلیل داده های بزرگ را توصیف می کنیم. 

Abstract

Big data analytics has recently emerged as an important research area due to the popularity of the Internet and the advent of the Web 2.0 technologies. Moreover, the proliferation and adoption of social media applications have provided extensive opportunities and challenges for researchers and practitioners. The massive amount of data generated by users using social media platforms is the result of the integration of their background details and daily activities. This enormous volume of generated data known as “big data” has been intensively researched recently. A review of the recent works is presented to obtain a broad perspective of the social media big data analytics research topic. We classify the literature based on important aspects. This study also compares possible big data analytics techniques and their quality attributes. Moreover, we provide a discussion on the applications of social media big data analytics by highlighting the state-of-the-art techniques, methods, and the quality attributes of various studies. Open research challenges in big data analytics are described as well.

1.0 Introduction

The popularity of the Internet and the advent of the Web 2.0 technologies have transformed the contents of the web from publisher- to user-created contents (Alexander, 2006). Such existence has assisted in publishing contents without the needs of programming. Today, interesting topics, reviews, and opinions from Web 2.0 and social media can easily be accessible globally via the Internet in real time. Moreover, the proliferation and adoption of social media have provided extensive opportunities and challenges for researchers and practitioners. More than a billion of people around the world are using social media platforms that generate overwhelming unstructured data in relatively short timescales. The huge amount of data generated by users is the result of the integration of their background details and daily activities in such platform. This massive amount of generated data referred to as “big data” has been intensively researched recently.

6.0 Conclusion

Big social media data along with the progress in computational tools have emerged as the key to crucial insights into human behavior and are continually stored and processed by corporations, individuals, and governments. Frist, we investigate the recent work on big social media analytics and provide a broad perspective of the area. Second, we classify the literature based on important aspects, such as data sources, characteristics, computational intelligence, and techniques. Third, we compare possible big data analytics techniques and their quality attributes. Fourth, we identify the opportunities with respect to big data analytics on social media. Finaly, we describe the open research challenges in big data analytics.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

مطالعه ای بر تجزیه و تحلیل داده های بزرگ رسانه اجتماعی

Big Social Media Data Analytics: A Survey

یک مدل شبکه عصبی برای تعیین موفقیت یا شکست پروژه‌های فن‌آوری پیشرفته

A Neural Network Model for Determining the Success or Failure of High-tech Projects Development: A Case of Pharmaceutical industry

چکیده

1. مقدمه

2. مروری بر مقالات

2.1. طبقه‌بندی فن‌آوری‌ها

3. توسعه سیستم شاخص ارزیابی ریسک

4. صنعت دارویی

5. توسعه مدل

5.1. شبکه عصبی مصنوعی

5.1.1. الگوریتم پس از انتشار این مدل

5.2. تحلیل نتایج

5.2.1. نتایج عملکرد

5.2.2. هیستوگرام خطا

5.2.3. ماتریس درهم‌ریختگی

5.3. نتیجه‌گیری

منابع

چکیده

سرمایه‌گذاری در پروژه‌های فن‌آوری پیشرفته همیشه میزان ریسک بالایی را در بر دارد. عدم وجود یک روش سیستماتیک برای اشاره دقیق به چنین پروژه‌هایی، به عنوان یک از برجسته‌ترین موانع برای ارزیابی آن‌ها شناخته شده است. بنابراین، به منظور توسعه یک مکانیسم برای ارزیابی پروژه‌های فن‌آوری پیشرفته، یک شبکه عصبی مصنوعی (ANN) از طریق این مطالعه توسعه یافته است. این مقاله مشتمل بر چهار بخش است. در اولین بخش، شکل کلی مقاله معرفی می‌شود. بخش دوم، مروری بر مقالات را ارائه می‌دهد. روند جمع‌آوری متغیرهای مرتبط با ریسک و روند توسعه سیستم شاخص ارزیابی ریسک (RAIS) از طریق تحلیل مؤلفه اصلی (PCA)، موضوعاتی هستند که در بخش سوم مورد بحث قرار می‌گیرند. بخش چهارم، به‌طور خاصی به صنعت دارویی می‌پردازد. در نهایت، بخش پنجم بر توسعه یک شبکه عصبی مصنوعی (ANN) برای شناسایی الگوی شکست یا موفقیت پروژه‌های فن‌آوری پیشرفته تمرکز کرده است. تحلیل نتایج مدل و نتیجه‌گیری نهایی نیز در این بخش می‌شوند. 

1. مقدمه

پروژه‌های توسعه محصولات فن‌آوری پیشرفته، همیشه تحت تأثیر ریسک‌های متعددی قرار می‌گیرد که نادیده گرفتن هر یک از آن‌ها تأثیر چشمگیری بر میزان موفقیت چنین پروژه‌هایی خواهد داشت. علاوه براین، با توجه این حقیقت که سرمایه‌گذاری بر روی پروژه‌های توسعه محصولات فن‌آوری پیشرفته مستلزم استفاده از منابع مختلفی است (برای مثال، هم دارایی‌های فیزیکی و هم سرمایه‌های معنوی) و همیشه به پیش‌بینی‌های مطلوب منتهی نمی‌شود، شکست چنین پروژه‌هایی بی‌تردید هزینه‌های اقتصادی عظیمی را بر سازمان‌ها تحمیل می‌کند. بنابراین، اگر برنامه ریزان پروژه بتوانند ریسک چنین پروژه‌هایی را ارزیابی و تجزیه‌وتحلیل کنند، می‌توانند با اطمینان بیشتری موفقیت یا شکست آن‌ها را پیش‌بینی کنند. 

5.3. نتیجه‌گیری

سرمایه‌گذاری بر روی محصولات فن‌آوری پیشرفته همیشه نتایج پیش‌بینی‌شده را حاصل نمی‌کند و سازمان‌ها درصورتی‌که تلاش‌هایشان برای اجرای پروژه‌های فن‌آوری پیشرفته با شکست مواجه شود، زیان هنگفتی را متحمل خواهند شد. برای مدیریت مطمئن‌تر پروژه‌های توسعه محصولات فن‌آوری پیشرفته، لازم است که مدیران اطلاعات قابل‌اطمینانی را از قبل در مورد مقادیر ریسک آن‌ها در اختیار داشته باشند. هدف از شبکه عصبی مصنوعی (ANN) پیشنهادی در این مقاله این است که به مدیران کمک کند به این اطلاعات دقیق دست پیدا کنند. بر اساس سیستم شاخص ارزیابی ریسک (RAIS) که از منابع معتبری استخراج‌شده و توسط روش تحلیل مؤلفه اصلی (PCA) ساخته شده، یک شبکه عصبی مصنوعی (ANN) برای این منظور طراحی شده تا مدیران پروژه بتوانند موفقیت یا شکست هر یک از پروژه‌های فن‌آوری پیشرفته را قبل از شروع سرمایه‌گذاری بر روی آن تشخیص دهند. سطح بالای دقت و پایایی این مدل موجب شده تا آن مکانیسم بسیار قابل‌اطمینانی برای تشخیص موفقیت یا شکست پروژه‌های فن‌آوری پیشرفته باشد. 

Abstract

Financing high-tech projects always entails a great deal of risk. The lack of a systematic method to pinpoint the risk of such projects has been recognized as one of the most salient barriers for evaluating them. So, in order to develop a mechanism for evaluating high-tech projects, an Artificial Neural Network (ANN) has been developed through this study. The structure of this paper encompasses four parts. The first part deals with introducing paper’s whole body. The second part gives a literature review. The collection process of risk related variables and the process of developing a Risk Assessment Index system (RAIS) through Principal Component Analysis (PCA) are those issues that are discussed in the third part. The fourth part particularly deals with pharmaceutical industry. Finally, the fifth part has focused on developing an ANN for pattern recognition of failure or success of high-tech projects. Analysis of model’s results and a final conclusion are also presented in this part.

1. Introduction

Development project of high-tech products is always influenced by several risks neglecting each of which will dramatically undermine the success rate of such a project. Likewise, because of the fact that investment on development projects of high-tech products require the utilization of different resources (i.e. both physical assets & intellectual capitals) and will not always result in desired predictions, failure of such projects will doubtlessly inflict massive economic costs on organizations. Therefore, if project planners are enabled to measure and analyze the risk of such projects, they can forecast their success or failure more confidently.

5.3. Conclusion

Investing on high-tech products doesn’t always yield the predicted results and organizations will suffer massive losses if their efforts in developing high-tech projects fail. To manage high-tech product development projects more confidently, managers need to have reliable information about their risk values in advance. The ANN proposed in this paper is aimed at helping managers to have such a precious information. Based on a Risk Assessment Index System (RAIS) that has been extracted from valid resources and constructed by Principal Component Analysis (PCA) method, an Artificial Neural Network (ANN) has been designed for enabling project managers to recognize the success or failure of each high-tech project before starting investing on it. The heighted level of model’s accuracy and reliability makes it a very reliable mechanism for recognizing the success or failure of hightech projects.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

یک مدل شبکه عصبی برای تعیین موفقیت یا شکست پروژه‌های فن‌آوری پیشرفته

A Neural Network Model for Determining the Success or Failure of High-tech Projects Development: A Case of Pharmaceutical industry

 تحلیل اطلاعات لرزه ای به کمک شبکه های عصبی مصنوعی عمیق

Deep Artificial Neural Networks as a Tool for the Analysis of Seismic Data

چکیده

مقدمه

شبکه های عصبی عمیق

ویژگی های تحلیل داده های لرزه ای

یادگیری چند منظوره

نتایج و بحث

نتیجه گیری ها

منابع

چکیده

تعداد مطالعات لرزه شناسی برمبنای شبکه های عصبی مصنوعی در حال افزایش است. با این حال، شبکه های عصبی با یک لایه مخفی (پنهان) تقریباً به محدوده قابلیت های خود دست یافته است. در چند سال اخیر پیشرفت های جدیدی در زمینه فناوری نرونی مرتبط با توسعه شبکه های نسل سوم یعنی شبکه عصبی عمیق وجود داشته است. این شبکه ها با داده هایی در یک سطح بالاتر کار می کنند. داده های بدون علامت برای پیشگیری از شبکه قابل استفاده هستند، به این معنا که نیازی وجود ندارد که یک متخصص از قبل مشخص کند که این داده ها به چه پدیده ای مرتبط هستند. آموزش نهایی نیازمند مقدار کمی از داده های علامت گذاری شده است. شبکه های عمیق دارای یک سطح بالاتر از انتزاع هستند و خطاهای کمتری تولید می کنند. شبکه ای یکسان برای حل کارهای متعدد در یک زمان قابل استفاده است یا دستیابی به آن از یک کار به کار دیگر آسان است. این مقاله درباره امکان به کارگیری شبکه های عمیق در لرزه شناسی بحث می کند. ما به طور کامل شبکه های عمیق، مزیت های آن ها، نحوه آموزش آن ها، نحوه تطبیق آن ها با ویژگی های داده های لرزه شناسی و چشم اندازهای موجود در ارتباط با استفاده از آن ها را به طور کامل مورد بررسی قرار داده ایم.

نتیجه گیری ها

شبکه های عصبی مصنوعی عمیق انتخاب بهتری از ویژگی ها در داده های سری های زمانی در مقایسه با شبکه های NN کم عمق ارائه می کنند و ویژگی های بیشتری را نیز در نظر می گیرند. واضح است که تمامی ساختارهای موجود DNN و انتخاب های آموزش آن ها در این مقاله ارائه نشده است.. به عنوان مثال، یک جهت گیری امیدوار کننده توسعه مدل هایی است که معماری خود را در فرآیند یادگیری تغییر می دهند. کارهای تحقیقاتی عملی در حال حاضر در اختیار ریاضی دانان است تا هر چیزی را در ارتباط با DNN اثبات کنند. نسخه های بسیاری از معماری عمیق وجود دارد و در بیشتر موارد هیچ اثبات ریاضی مبنی بر بهتر یا خوب بودن آن ها نسبت به موارد دیگر وجود ندارد. آموزش عمیق یک حوزه در حال پیشرفت است و ساختارها، نسخه ها و الگوریتم ها جدید تقریباً روزانه پدید می آیند. فرمول D NN برای موفقیت به صورت ذیل است: 1. الگوریتم های پیش آموزش امکان یافتن یک نقطه شروع خوب برای تنظیم مناسب اجرا شده توسط روش بازگشت به عقب را فراهم می کنند که براساس آن روش نزول گرادیان امکان دستیابی به یک کمینه (حداقل) محلی خوب را امکان پذیر می سازد (و بیشتر اوقات یک حداقل عمومی است).

Abstract

The number of seismological studies based on artificial neural networks has been increasing. However, neural networks with one hidden layer have almost reached the limit of their capabilities. In the last few years, there has been a new boom in neuroinformatics associated with the development of third-generation networks, deep neural networks. These networks operate with data at a higher level. Unlabeled data can be used to pretrain the network, i.e., there is no need for an expert to determine in advance the phenomenon to which these data correspond. Final training requires a small amount of labeled data. Deep networks have a higher level of abstraction and produce fewer errors. The same network can be used to solve several tasks at the same time, or it is easy to retrain it from one task to another. The paper discusses the possibility of applying deep networks in seismology. We have described what deep networks are, their advantages, how they are trained, how to adapt them to the features of seismic data, and what prospects are opening up in connection with their use.

CONCLUSIONS

Deep artifical neural networks offer a better selection of features in the time series data compared to shallow NNs and take into account more features. Obviously, not all existing DNN architectures and their training options are presented in the paper. For example, a promising direction is the development of models that change their architecture in the learning process. Practical research work is now far ahead of mathematicians’ ability to prove anything about the DNN. There are many versions of deep architecture and, in most cases, there is no mathematical proof why they are good or better than others. Deep training is a rapidly developing field, and new architectures, versions, and algorithms appear almost daily. The DNN formula for success is as follows: (1) Pretraining algorithms make it possible to find a good starting point for fine-tuning conducted by the backpropagation method from which the gradient descent method makes it possible to achieve a good local minimum (and most often a global minimum).

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

 تحلیل اطلاعات لرزه ای به کمک شبکه های عصبی مصنوعی عمیق

Deep Artificial Neural Networks as a Tool for the Analysis of Seismic Data

طبقه بندی گروه های سنی در شبکه های اجتماعی با استفاده از یادگیری عمیق

Age Groups Classification in Social Network Using Deep Learning

چکیده

۱. مقدمه

۲. کارهای مشابه

A. ارتباط بین گروه سنی و ویژگی‌های نوشتاری

B. تجزیه و تحلیل احساسات

C. یادگیری‌ ماشین

۳. مدل پیشنهادی برای رده‌‌بندی گروه‌های‌سنی

A. پردازش داده‌های استخراج شده از شبکه‌های اجتماعی

B. فاز رده‌‌بندی

4. استفاده از مدل پیشنهادی در معیار شدت احساسات

A. آزمون‌های ذهنی در محیط آزمایشگاهی

B. آزمون‌های ذهنی در نظارت شده از راه دور

5. نتایج

A. یادگیری ماشین برای مدل رده‌‌بندی

B. بررسی سودمندی مدل ارائه شده در معیارهای شدت احساسات

6. بحث

7. نتیجه

منابع

چکیده

شبکه‌های اجتماعی دارای حجم زیادی از داده‌های قابل دسترس هستند، اما افراد اغلب برخی از داده‌های شخصی خود، از قبیل سن، جنسیت و سایر اطلاعات جمعیت‌شناختی را فراهم نمی‌کنند. اگرچه تجزیه و تحلیل احساسات، از چنین داده‌هایی برای توسعه برنامه‌های کاربردی مفیدی در زندگی روزمره افراد استفاده می‌کند، در این نوع تجزیه و تحلیل، یا به دلیل تعداد محدود کلمات مشمول در دیکشنری‌های لغت یا به دلیل عدم ملاحظه متنوع‌ترین پارامترهایی که می‌توانند روی احساسات در جمله تاثیر بگذارند هنوز شکست‌هایی وجود دارد؛ بنابراین، اگر اطلاعات پروفایل کاربران و ویژگی‌های نوشتن آن‎‌ها را ملاحظه کنیم، می‌توانیم نتایج قابل اطمینان‌تری را به دست آوریم. این تحقیق نشان می‌دهد که یکی از مهمترین پارامترهای مشمول در پروفایل کاربر، گره سنی است، که نشان دهنده این است که رفتارهای معمولی در میان کاربران گروه سنی یکسان وجود دارند، به ویژه زمانی که این کاربران درباره موضوعی یکسان می‌نویسند. تجزیه و تحلیل دقیقی با 7000 جمله برای تعیین این موضوع انجام شد که کدام‌ ویژگی‌ها، از قبیل استفاده از نشانه‌گذاری، تعداد کاراکترها، اشتراک‌گذاری رسانه‌ها، موضوعات و غیره، مهم هستند؛ و کدام ویژگی‌ها را می‌توان برای رده‌بندی گروه‌های سنی نادیده گرفت. الگوریتم‌های مختلف یادگیری ماشین برای رده‌بندی گروه‌های سنی نوجوان و بزرگسال آزمایش می‌شوند و شبکه عصبی پیچشی عمیق  دارای بهترین عملکرد است به طوری که به دقت 95/0 در آزمایش‌های معتبرسازی می‌رسد. علاوه‌براین، به منظور اعتبارسنجی سودمندی مدل پیشنهادی، مفهوم سنجش شدت احساسات  (eSM) اجرا شده است. در اعتبارسنجی کارایی، آزمون‌های ذهنی انجام می‌شوند و مدل eSM با مدل پیشنهادی به میانگین مربع خطا و ضریب همبستگی پیرسون به ترتیب 0.25 و 0.94، بالاتر از متریک eSM دست یافت، درحالی که اطلاعات گروه سنی در دسترس نبودند.

۱. مقدمه

امروزه، با استفاده مداوم از اینترنت، کاربران ساعت‌ها در حال بازدید از سایت‌های تجارت الکترونیک، خواندن اخبار و بیان نظرات و احساسات خود در قالب کامنت در شبکه‌های اجتماعی در مورد موضوعات مختلف هستند. این نظرات را می‌توان برای ارزیابی رضایت مشتری ارزیابی کرد که اطلاعاتی بسیار مفید برای ارائه‌دهندگان خدمات و تامین کنندگان محصول هستند.  گلدسمیت و همکاران  [1]، رفتار افراد در استفاده از اینترنت برای تجارت الکترونیک را بررسی نموده و بر اهمیت ارزیابی رضایت مشتری در این نوع خدمات تأکید کردند.

7. نتیجه

به منظور به دست آوردن پارامترهای مربوطه، تعداد زیادی از جملات (7000) به صورت کیفی مورد تجزیه و تحلیل قرار گرفت تا ویژگی‌های گروه‌های سنی نوجوانان و بزرگسالان با توجه به سبک نوشتاری و تاریخچه پروفایل هر کاربر مشخص شوند. نتایج تجربی نشان می‌دهند که پارامترهای مورد استفاده در این تحقیق می‌توانند به دقت بالایی در تعیین گروه‌های سنی کاربران توییتر دست یابند. برخی از پارامترها حذف شده‌اند زیرا بر نتایج رده‌‌بندی نهایی تأثیر نمی‌گذارد، و در نتیجه روشن است که نباید مورد توجه قرار گیرند یا اعمال شوند. 

Abstract

Social networks have a large amount of data available, but often, people do not provide some of their personal data, such as age, gender, and other demographics. Although the sentiment analysis uses such data to develop useful applications in people’s daily lives, there are still failures in this type of analysis, either by the restricted number of words contained in the word dictionaries or because they do not consider the most diverse parameters that can influence the sentiments in a sentence; thus, more reliable results can be obtained, if the users profile information and their writing characteristics are considered. This research suggests that one of the most relevant parameter contained in the user profile is the age group, showing that there are typical behaviors among users of the same age group, specifically, when these users write about the same topic. A detailed analysis with 7000 sentences was performed to determine which characteristics are relevant, such as, the use of punctuation, number of characters, media sharing, topics, among others; and which ones can be disregarded for the age groups classification. Different learning machine algorithms are tested for the classification of the teenager and adult age group, and the deep convolutional neural network had the best performance, reaching a precision of 0.95 in the validation tests. Furthermore, in order to validate the usefulness of the proposed model for classifying age groups, it is implemented into the enhanced sentiment metric (eSM). In the performance validation, subjective tests are performed and the eSM with the proposed model reached a root mean square error and a Pearson correlation coefficient of 0.25 and 0.94, respectively, outperforming the eSM metric, when the age group information is not available.

I. INTRODUCTION

Nowadays, with the constant use of the Internet, users spend hours browsing on e-commerce sites, reading news about sports, journalism and entertainment, and expressing their opinions and sentiments in the form of comments on social networks about diverse topics. These comments can be analyzed to assess customer satisfaction that is a very useful information for service providers and product suppliers. Goldsmith et al. [1] explores the behavior of people that uses Internet for e-commerce and stresses the importance for evaluating the customer satisfaction in this type of services.

VII. CONCLUSION

In order to obtain the most relevant parameters, an extensive number of sentences (7000) were analyzed qualitatively, to determine the characteristics of teenager and adults age groups, considering the writing style and both users’ history and profile. The experimental results show that the parameters used in this research can reach a high accuracy for determining the age groups of Twitter users.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

طبقه بندی گروه های سنی در شبکه های اجتماعی با استفاده از یادگیری عمیق

Age Groups Classification in Social Network Using Deep Learning

تحولات اخیر در شناسایی آسیب سازه ها با استفاده از داده کاوی

Recent Developments in Damage Identification of Structures Using Data Mining

چکیده
1 مقدمه
2 داده‌کاوی (DM)
3 داده‌کاوی مبتنی بر رده‌بندی و پیش‌بینی در شناسایی آسیب سازه‌ای
3-1 شبکه عصبی مصنوعی (ANN)
3-2 تکنیک منطق فازی
3-3 رده‌بندی
3-4 ماشین بردار پشتیبانی (SVM)
3-5 تحلیل رگرسیون
3-6 تحلیل مؤلفه‌های اصلی (PCA)
3-7 تحلیل بیزی
3-8 دسته‌بندی
3-9 درخت تصمیم
4 داده‌کاوی مبتنی بر بهینه‌سازی در شناسایی آسیب سازه‌ای
4-1 الگوریتم‌های ژنتیک (GA)
4-2 بهینه‌سازی دسته ذرات (PSO)
4-3 بهینه‌سازی کلونی مورچه‌ها (ACO)
5 نتایج و تشریح مطالب
5-1 مقایسه کاربردهای تکنیک‌های داده کاوی در نظارت بر سلامت سازه‌ها
5-2 قابلیت‌ها و محدودیت‌ها
6 نتیجه‌گیری

چکیده

معمولاً سازه‌های عمرانی طی عمر بهره‌برداری‌شان به آسیب حساس‌اند و این امر منجر به از بین رفتن قابلیت بهره‌برداری و ایمنی‌شان می‌شود. بنابراین، یکپارچگی سازه‌ها را می‌توان با ارزیابی آسیب تضمین کرد. در نتیجه، روش شناسایی آسیب سازه‌ای که شامل دو جزء است، یعنی مجموعه‌ای از شتاب‌سنج‌ها برای ثبت داده‌های پاسخ سازه‌ای و شیوه داده‌کاوی (DM)، در استخراج اطلاعات سلامت سازه کاربرد وسیعی دارد. در چند دهه اخیر، شیوه داده‌کاوی به جهت قابلیت محاسباتی بالای‌اش به عنوان تکنیکی جامع راهکارهای بسیاری را برای مسائل نظارت بر سلامت سازه (SHM) فراهم کرده است. این مقاله با مروری گسترده بر مقالات مرتبط با کاربرد تکنیک‌های داده‌کاوی (DMT) مورد هدف در روش‌های داده‌کاوی مبتنی بر رده‌بندی، پیش‌بینی و بهینه‌سازی، اولین تلاشی را که برای تشریح کاربرد این تکنیک‌ها در SHM صورت گرفت معرفی می‌کند. براساس این رده‌بندی، کاربردهای تکنیک‌های داده‌کاوی در زمینه تحقیقاتی SHM رده‌بندی می‌شوند و نتیجه می‌گیریم که در دهه گذشته، کاربردهای‌شان در حوزه SHM با روندی روزافزون به مرحله پیاده‌سازی رسیده است، و مشهورترین تکنیک‌ها در این زمینه به‌ترتیب شبکه عصبی مصنوعی (ANN)، تحلیل مؤلفه‌های اصلی (PCA) و الگوریتم ژنتیک (GA) بوده‌اند.

6- نتیجه‌گیری

داده‌کاوی تنها یکی از مهم‌ترین مراحل فرآیند کشف دانش در پایگاه‌های داده (KDD) برای استخراج مدل‌ها، الگوها و قوانین از داده‌های خام پایگاه‌های داده بزرگ است. سه روش اصلی را می‌توان برای مسائل سازه‌ای واقعی بکار گرفت: تکنیک‌های آماری، تکنیک‌های یادگیری ماشین و تکنیک‌های هوش مصنوعی. در این مقاله، بسیاری از تکنیک‌های مختلف داده‌کاوی که از سال ۲۰۰۰ در زمینه SHM کاربرد داشتند بررسی شدند و، سپس، ایده، روش، قابلیت‌ها و معایبشان مورد بحث قرار گرفت. با توجه به اطلاعات ارائه‌شده، می‌توان به نتیجه‌گیری‌های زیر رسید: تکنیک‌های PCA، ANNو GA به‌ترتیب رایج‌ترین تکنیک‌های داده‌کاوی در زمینه SHM هستند که برای شناسایی آسیب سازه‌ای انواع گوناگون سازه‌های عمرانی بکار می‌روند؛ نظیر ساختمان، پل، تیر بتن‌مسلح، سد، سازه‌های خرپایی و صفحات فولادی.

Abstract

Civil structures are usually prone to damage during their service life and it leads them to loss their serviceability and safety. Thus, damage assessment can guarantee the integrity of structures. As a result, a structural damage detection approach including two main components, a set of accelerometers to record the response data and a data mining (DM) procedure, is widely used to extract the information on the structural health condition. In the last decades, DM has provided numerous solutions to structural health monitoring (SHM) problems as an all-inclusive technique due to its powerful computational ability. This paper presents the first attempt to illustrate the data mining techniques (DMTs) applications in SHM through an intensive review of those articles dealing with the use of DMTs aimed for classification-, prediction- and optimization-based data mining methods. According to this categorization, applications of DMTs with respect to SHM research area are classified and it is concluded that, applications of DMTs in the SHM domain have increasingly been implemented, in the last decade and the most popular techniques in the area were artificial neural network (ANN), principal component analysis (PCA) and genetic algorithm (GA), respectively.

6- CONCLUSION

DM is just one of the very important steps in the Knowledge Discovery in Databases (KDD) process to extract the models, patterns and rules from raw data in large databases. There are three main approaches, namely statistical techniques, machine learning techniques and artificial intelligence techniques to apply in structural real world problems. In this paper, various DMTs which are applicable to SHM from 2000 were widely reviewed and, consequently, their main concept, methodologies, capabilities and drawbacks were discussed. Based on the presented information, the following conclusions can be drawn.  ANN, PCA and GA are the most common DMTs in SHM, respectively, in order to structural damage identification of various types of civil structures; buildings, bridges, reinforced concrete beams, dams, truss structures, and steel plates.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

تحولات اخیر در شناسایی آسیب سازه ها با استفاده از داده کاوی

Recent Developments in Damage Identification of Structures Using Data Mining

دسته بندی حملات صرعی با استفاده از ویژگی های آماری سیگنال الکتروانسفالوگرافی

Epileptic Seizure Classification using Statistical Features of EEG Signal

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

طبقه بندی حملات صرعی با خصوصیات آماری سیگنال نوار مغزی

Epileptic Seizure Classification using Statistical Features of EEG Signal

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

یادگیری ساختاری در شبکه های عصبی مصنوعی با بهینه سازی پراکنده

Structural learning in artificial neural networks using sparse optimization

نکات برجسته

چکیده

1 مقدمه

2 ساختار شبکه و نشان گذاری

3 همبندی تنک در شبکه های عصبی

3-1 بهینه سازی تنک

3-2 راه حل های تقریبی (P*0)

3-3 جستجوی خط پس گرد

4 آزمایش ها

4-1 مثال تشریحی

4-2 مثال تشریحی: طبقه بندی

4-3 مطالعه موردی: تخمین بازیافت حرارت تلف شده در کشتی ها

5 نتیجه گیری اظهارات

چکیده

در این مقاله مسئله تخمین همزمان ساختار و پارامترهای شبکه های عصبی مصنوعی با چندین لایه مخفی در نظر گرفته می شود. روشی بر مبنای بهینه سازی تنک ارائه می شود. مسئله به صورت یک مسئله کمینه سازی هنجار ℓ0 به گونه ای فرمول بندی می شود که اوزان افزونه از شبکه عصبی حذف می شوند. چنین مسائلی به طور کلی ترکیبی هستند و اغلب حل نشدنی در نظر گرفته می شوند. بنابراین یک وزن دهی مجدد سلسله مراتبی تکراری برای آسان سازی هنجار ℓ0 ارائه می شود. آزمایش هایی روی مسائل محک ساده، برای طبقه بندی و رگرسیون و روی یک مطالعه موردی برای تخمین حرارت تلف شده در کشتی ها، انجام گرفته است. تمامی آزمایش ها بیانگر کارآمدی الگوریتم هستند.

5- نتیجه گیری اظهارات

در این مقاله یک تکنیک بهینه سازی تنک مبتنی بر وزن دهی مجدد تکراری را برای آموزش ساختاری در شبکه های عصبی مصنوعی ارائه کردیم. روش پیشنهادی به شکلی کلی ارائه شد، به گونه ای که به انواع مختلفی از گونه های شبکه، مانند مفاهیم جند لایه، شبکه های تابع پایه شعاعی یا ماشین های آموزش مفرط اعمال می شود. نتایج آزمایشگاهی رگرسیون و همچنین طبقه بندی کارآیی الگوریتم را نشان می دهند. قیدهای ساختاری بیشتر، مانند تنکی گروهی، را می توان به سادگی از طریق لسو گروهی در چارچوب پیشنهادی ما گنجاند. برای شبکه های نوع RBF، که توابع مبنا محدب هستند، لایه مخفی را می توان به صورت یک هسته نیمه معین مثبت تفسیر کرد که شرایط مرسر را برآورده می کند. این امر یافتن راه حل های صریح برای هر مرحله تکرار را ممکن می سازد که الگوریتم پیشنهادی را از نظر محاسباتی کارآمد می سازد. در این حالت مسئله پیشنهادی برای فرمول بندی تشابه بسیاری را با ماشین های بردار پشتیبان حراقل مربعات نشان می دهد، اما رویه وزن دهی مجدد تکراری ارائه شده ارتقای تنکی را در این مدل امکان پذیر می کند.

Abstract

In this paper, the problem of simultaneously estimating the structure and parameters of artificial neural networks with multiple hidden layers is considered. A method based on sparse optimization is proposed. The problem is formulated as an `0-norm minimization problem, so that redundant weights are eliminated from the neural network. Such problems are in general combinatorial, and are often considered intractable. Hence, an iterative reweighting heuristic for relaxing the `0-norm is presented. Experiments have been carried out on simple benchmark problems, both for classification and regression, and on a case study for estimation of waste heat recovery in ships. All experiments demonstrate the effectiveness of the algorithm.

5. Concluding remarks

In this paper we proposed a sparse optimization technique, based on iterative reweighing for structural learning in artificial neural networks. The proposed method was presented in a general form so that it applies to various types of network types, such as multi-layer perceptions, radial-basis-function networks or extreme learning machines. Experimental results for both regression as well as classification demonstrate the effectiveness of the algorithm. Model complexity was significantly reduced in all cases, and sparse network structures were obtained. Additional structural constraints, such as group sparsity, can easily be included in our proposed framework via group Lasso. For RBF-type networks, where the basis functions are convex, the hidden layer can be interpreted as an positivesemi-definite kernel, which satisfies Mercer’s conditions. This makes it possible to find explicit solutions for each iteration step, which makes the proposed algorithm computationally efficient. In this case, the proposed problem formulation shows strong similarities to the least-squares support-vector-machines, but the presented iterative reweighting procedure makes it possible to promote sparsity in the model.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

یادگیری ساختاری در شبکه های عصبی مصنوعی با بهینه سازی پراکنده

Structural learning in artificial neural networks using sparse optimization

ارزیابی هدایت حرارتی نانو فلوئید مبتنی بر اتیلن گلیکول با سوسپانسیون های ترکیبی نانوذرات SWCNT-Al2O3 با استفاده از روش های همبستگی و شبکه های عصبی مصنوعی با استفاده از داده های تجربی

Estimation of thermal conductivity of ethylene glycol-based nanofluid with hybrid suspensions of SWCNT–Al2O3 nanoparticles by correlation and ANN methods using experimental data

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

ارزیابی هدایت حرارتی نانو فلوئید مبتنی بر اتیلن گلیکول با سوسپانسیون های ترکیبی نانوذرات SWCNT-Al2O3 با استفاده از روش های همبستگی و شبکه های عصبی مصنوعی با استفاده از داده های تجربی

Estimation of thermal conductivity of ethylene glycol-based nanofluid with hybrid suspensions of SWCNT–Al2O3 nanoparticles by correlation and ANN methods using experimental data

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

فراگیری عمیق برای تحلیل سریهای زمانی

Deep Learning for Time-Series Analysis

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

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.

6- 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.

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.

6- 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

فراگیری عمیق برای تحلیل سریهای زمانی

Deep Learning for Time-Series Analysis

مدلسازی منحنی توان توربین بادی با استفاده از شبکه عصبی مصنوعی

Wind turbine power curve modelling using artificial neural network

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

مدلسازی منحنی توان توربین بادی با استفاده از شبکه عصبی مصنوعی

Wind turbine power curve modelling using artificial neural network

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.