Do you want to publish a course? Click here

Retrieval of Images & Text using Data Mining Techniques

استرجاع الصور و النصوص باستخدام تقنيات استكشاف المعرفة و هو ترجمة ل Retrieval of Images & Text using Data Mining Techniques

1373   0   27   0.0 ( 0 )
 Publication date 2019
and research's language is العربية
 Created by Mona Hameed




Ask ChatGPT about the research

No English abstract


Artificial intelligence review:
Research summary
تتناول هذه الورقة البحثية موضوع استرجاع الصور والنصوص باستخدام تقنيات استكشاف المعرفة. يتناول البحث كيفية استخراج المعرفة من قواعد بيانات ضخمة ومتنوعة وغير متجانسة، وكيفية استخدام هذه المعرفة في مجالات متعددة مثل الاتصالات، التصنيع، اكتشاف الاحتيال، التسويق، والتعليم. يتم التركيز على استخدام تقنيات مثل الشبكات العصبونية، التجميع، الترابط، واستخراج الميزات لتحليل بيانات الصور واسترجاعها. يتم استخدام عوامل مثل الحجم، الملمس، واللون المهيمن للصورة في عملية الاسترجاع. كما يتم دمج الميزات المرئية والنصية لتحسين كفاءة النظام. يتم استعراض بعض الأبحاث المشابهة وتوضيح كيفية استخدام تقنيات استكشاف المعرفة في معالجة الصور واسترجاعها. يتم تقديم النظام المقترح الذي يعتمد على استخراج الميزات المرئية والنصية وتنفيذ خوارزميات التجميع وقواعد اكتشاف الترابط لاسترجاع الصور ذات الصلة. في الختام، يتم التأكيد على أهمية استكشاف الصور في إزالة البيانات المفقودة واستخراج المعلومات المفيدة لتلبية احتياجات الإنسان المتوقعة.
Critical review
دراسة نقدية: تعتبر هذه الورقة البحثية شاملة ومفصلة في تناول موضوع استرجاع الصور والنصوص باستخدام تقنيات استكشاف المعرفة. ومع ذلك، يمكن الإشارة إلى بعض النقاط التي قد تحتاج إلى تحسين. أولاً، يمكن تعزيز الورقة بمزيد من الأمثلة العملية والتطبيقات الحقيقية لتوضيح كيفية تطبيق التقنيات المقترحة في الحياة الواقعية. ثانياً، يمكن تحسين الورقة بإضافة مقارنة بين النظام المقترح والأنظمة الأخرى الموجودة في الأدبيات لتوضيح الفوائد والعيوب بشكل أكثر وضوحاً. أخيراً، يمكن تعزيز الورقة بمزيد من التفاصيل حول كيفية التعامل مع التحديات المحتملة مثل الفجوة الدلالية وكيفية تحسين دقة الاسترجاع.
Questions related to the research
  1. ما هي التقنيات المستخدمة في استكشاف المعرفة في هذه الورقة؟

    التقنيات المستخدمة تشمل الشبكات العصبونية، التجميع، الترابط، واستخراج الميزات.

  2. ما هي العوامل المستخدمة في استرجاع الصور في النظام المقترح؟

    العوامل المستخدمة تشمل الحجم، الملمس، واللون المهيمن للصورة.

  3. ما هي الفوائد الرئيسية لاستخدام استكشاف المعرفة في استرجاع الصور؟

    الفوائد تشمل إزالة البيانات المفقودة، استخراج المعلومات المفيدة، وتحسين كفاءة استرجاع الصور.

  4. ما هي التحديات المحتملة التي قد تواجه النظام المقترح؟

    التحديات تشمل الفجوة الدلالية، التعامل مع قواعد بيانات ضخمة، وتحسين دقة الاسترجاع.


References used
[1] J. Priya , Dr. R. Manicka Chezian , " A Survey on Image Mining Techniques for Image Retrieval ", International Journal of Advanced Research in Computer Engineering & Technology (IJARCET) Volume 2, Issue 7, July 2013
rate research

Read More

Ever since neural models were adopted in data-to-text language generation, they have invariably been reliant on extrinsic components to improve their semantic accuracy, because the models normally do not exhibit the ability to generate text that reli ably mentions all of the information provided in the input. In this paper, we propose a novel decoding method that extracts interpretable information from encoder-decoder models' cross-attention, and uses it to infer which attributes are mentioned in the generated text, which is subsequently used to rescore beam hypotheses. Using this decoding method with T5 and BART, we show on three datasets its ability to dramatically reduce semantic errors in the generated outputs, while maintaining their state-of-the-art quality.
This research presents literature review on using Artificial intelligence and Data Mining techniques in Anti Money Laundering systems. We compare many methodologies used in different research papers with the purpose of shedding some light on real life applications using Artificial intelligence
The ability of data mining to provide predictive information derived from huge databases became an effective tool in the hands of companies and individuals، allowing them to focus on areas that are important to them from the massive data generated by the march of their daily lives. Along with the increasing importance of this science there was a rapidly increasing in the tools that produced to implement the theory concepts as fast as possible. So it will be hard to take a decision on which of these tools is the best to perform the desired task. This study provides a comparison between the two most commonly used data mining tools according to opinion polls، namely: Rapidminer and R programming language in order to help researchers and developers to choose the best suited tool for them between the two. Adopted the comparison on seven criteria: platform، algorithms، input/output formats، visualization، user’s evaluation، infrastructure and potential development، and performance by applying a set of classification algorithms on a number of data sets and using two techniques to split data set: cross validation and hold-out to make sure of the results. The Results show that R supports the largest number of algorithms، input/output formats، and visualization. While Rapidminer superiority in terms of ease of use and support for a greater number of platforms. In terms of performance the accuracy of classification models that were built using the R packages were higher. That was not true in some cases imposed by the nature of the data because we did not added any pre-processing stage. Finally the preference option in any tool is depending on the extent of the user experience and purpose that the tool is used for
Educational data mining aims to study the available data in the educational field and extract the hidden knowledge from it in order to benefit from this knowledge in enhancing the education process and making successful decisions that will improve th e student’s academic performance. This study proposes the use of data mining techniques to improve student performance prediction. Three classification algorithms (Naïve Bayes,J48, Support Vector Machine) were applied to the student performance database, and then a new classifier was designed to combine the results of those individual classifiers using Voting Method. The WEKA tool was used, which supports a lot of data mining algorithms and methods. The results show that the ensemble classifier has the highest accuracy for predicting students' levels compared to other classifiers, as it has achieved a recognition accuracy of 74.8084%. The simple k-means clustering algorithm was useful in grouping similar students into separate groups, thus understanding the characteristics of each group, which helps to lead and direct each group separately.

suggested questions

comments
Fetching comments Fetching comments
mircosoft-partner

هل ترغب بارسال اشعارات عن اخر التحديثات في شمرا-اكاديميا