هندسة ميزة هي خطوة مهمة في خطوط أنابيب NLP الكلاسيكية، ولكن قد لا يكون مهندسو تعلم الآلات على بينة من الإشارات للبحث عنها عند معالجة نص اللغة الأجنبية.مجموعة أدوات الاستخراج الروسية (RFET) هي مجموعة من مكتبات استخراج الميزات المجمعة لسهولة الاستخدام
من قبل المهندسين الذين لا يتحدثون الروسية.تتضمن مجموعة الميزات الحالية ل RFET ميزات تنطبق على الأنواع عبر وسائل التواصل الاجتماعي للنص ومهام العلوم الاجتماعية الحاسوبية.نوضح فعالية الأداة باستخدامه في مهمة تحديد سمة الشخصية.قارنا أداء آلات ناقلات الدعم (SVMS) المدربين مع وبدون الميزات التي توفرها RFET؛نحن أيضا قارنها مع SVM مع ميزات التضمين العصبية الناتجة عن عقوبة المرور.
يهدف العمل الحالي إلى تعيين درجة التعقيد بين 0 و 1 كلمة أو عبارة مستهدفة في جملة معينة.بالنسبة لكل هدف لكلمة واحدة، يتم تدريب Rame Forest Regressor على مجموعة ميزة تتكون من معلومات معجمية ودلالة وندرة حول الهدف.بالنسبة لكل هدف متعدد الكلمات، يتم أخذ
مجموعة من ميزات الكلمات الفردية مع تعقيدات كلمة واحدة في مساحة الميزة.أسفر النظام عن ارتباط بيرسون ب 0.7402 و 0.8244 في مجموعة الاختبار للأهداف الفردية ومتعددة الكلمات، على التوالي.
في هذه الورقة، نقدم أنظمتنا المقدمة إلى مهمة Semeval-2021 1 بشأن تنبؤ التعقيد المعجمي. وكان الهدف من هذه المهمة المشتركة هو إنشاء أنظمة قادرة على التنبؤ بالتعقيد المعجمي لرموز الرموز Word وبرامج Bigram متعددة الكلمات داخل سياق جملة معطى، أالقيمة المس
تمرة تشير إلى الصعوبة في فهم الكلام المعني.تعتمد نهجنا على مجموعة من مجموعات الانحدار المتدرج المجهزة باستخدام ميزة غير متجانسة تم تعيينها بين الميزات اللغوية، ومظلات الكلمة الثابتة والسياقية، وتعاونية نفسية المعيار، وتردد Wordnet، و Word- وشخصية Bigram وإدراجه وإدراجه في نصوص الكلمات لإنشاء نموذج قادر على تعيين كلمة قادرة على تعيين كلمة قادرة على تعيين كلمة واحدةأو تعبير متعدد الكلمات تعبير تعقيد تعتمد على السياق.يمكننا أن نظهر أنه يمكن أن تساعد تضمين السلسلة السياقية بشكل خاص في التنبؤ بالتعقيد المعجمي.
بناء أنظمة NLP التي تخدم الجميع يتطلب محاسبة اختلافات اللهجة. ولكن اللهجات ليست كيانات متجانسة: بالأحرى، يتم التقاط الفروق بين اللهجات وداخلها من خلال وجود وغياب العشرات من ميزات اللهجة في الكلام والنص، مثل حذف كوبولا في إنه ∅ قيد التشغيل ". في هذه ا
لورقة، نقدم مهمة الكشف عن ميزة اللهجة، وتقديم نهج تعليمي متعدد الأيتاكي، بناء على المحولات المحددة مسبقا. بالنسبة لمعظم اللهجات، لا تتوفر كوربورا المشروح على نطاق واسع لهذه الميزات، مما يجعل من الصعب تدريب التعرف عليها. نحن ندرب نماذجنا على عدد صغير من أزواج صغيرة، والبناء على كيفية تحديد اللغويين عادة ميزات اللهجة. التقييم في مجموعة اختبار من 22 ميزات لهجيات للهنديون يدل على أن هذه النماذج تتعلم كيفية التعرف على العديد من الميزات بدقة عالية، وأن عدد قليل من أزواج الحد الأدنى يمكن أن تكون فعالة للتدريب مع الآلاف من الأمثلة المسمى. ونحن نوضح أيضا إمكانية تطبيق ميزة الهياكل على حد سواء كإجراء من كثافة اللهجة وكمعشر لهجة اللهجة.
في العقد المقبل، سنرى حاجة كبيرة لنماذج NLP للإعدادات المحددة التي ينبغي أن تؤخذ فيها تنوع المواقف وأيطراض مختلفة بما في ذلك حركات العين في الاعتبار من أجل فهم نية المستخدم.ومع ذلك، لا يمكن التعامل مع فهم اللغة في الإعدادات الموجودة بمعزل عن غيرها، ح
يث توجد إشارات متعددة الوسائط المختلفة بطبيعتها أجزاء حاضرة وأساسية من المواقف.في هذا الاقتراح البحثي، نهدف إلى تحديد تأثير كل طريقة في التفاعل مع العديد من التعقيدات المرجانية.نقترح ترميز تعقيد المراجع للإعدادات المحددة في المدينين أثناء التدريب المسبق لتوجيه النموذج الضمني إلى أكثر الانحرافات الخاصة بالوضع المعقولا.نحن نلخص تحديات استخراج النية واقتراح نهج منهجي للتحقيق في تكيف ميزة خاصة بالحالة لتحسين رسم الخرائط Crossmodal ومعنى الاسترداد من إعدادات الاتصال الصاخب.
يهدف البحث إلى تقديم دراسة مرجعيّة مفصلة عن استخدام الشبكات العصبونية الإلتفافية (CNNs) في استخراج الميزات (Features) من الصور.
وسيتطرق البحث إلى التعريف بمعنى الميزات (Features) الخاصة بالصور وأهميتها في تطبيقات معالجة الصورة.
وسيتم أيضاً التعريف
بالشبكات العصبونية الإلتفافية (CNNs) وبنيتها و طريقة عملها وأنواع المقاربات والمنهجيات المستخدمة في تدريبها لاستخراج الميزات (Features) من الصور.
يعتبر التنبؤ بالتسرب المدرسي مسألة ذات أهمية عالية في المجال التعليمي، و هي تتأثر بالعديد من العوامل لذلك فإنه ليس من السهل حلها. نقدم في هذا البحث مقاربة لحل هذا الموضوع باستخدام تقنيات دمج المصنفات Ensemble Classifiers للتنبؤ بتسرب التلاميذ، تحديدا
ً طلاب التعليم الإلزامي في الجمهورية العربية السورية. و قد تم تصميم مصنف جديد بالاعتماد على تقنية الدمج Stacking Method و تطبيق تقنيات اختيار الميزة Feature Selection كون قاعدة المعطيات تعاني من مشكلة عدم التوازن.
تم مقارنة المصنف مع المصنفات الفردية و باستخدام تقنية Cross-Validation ، و قد خلصت الدراسة إلى أن المصنف المقترح هو الأفضل من بين المصنفات التي تم مقارنتها للتنبؤ بتسرب الطلاب.
تقدم الدراسة طريقة جديدة لاستخلاص سمات صورة راحة اليد و تحديد السمات الأكثر
فعالية منها، إضافة إلى دراسة تأثير عملية الاختيار على تسريع عمل مراحل النظام و رفع
أدائه.
يقترح البحث آلية جديدة تهدف إلى زيادة فاعلية نظم المراقبة عن طريق تحديد الأشياء المتحركة الحاصلة أمام كاميرة مراقبة و التعرف عليها و اقتراح آلية جديدة لفهرستها و تخزينها ضمن قاعدة بيانات و تصنيفها وفق الخصائص الأساسية لها و المؤشرات القوية الموجودة ف
يها و استرجاعها عند الحاجة إليها بأقل زمن ممكن.
الفكرة الأساسية تكمن في الدمج بين الخصائص الأساسية للهدف و هي اللون و الحواف و البنية و الذي يضمن أفضل أداء في استخلاص الميزات الأساسية للهدف, و من ثم إجراء التحويلات اللاخطية على حواف الهدف بهدف الحصول على صورة تحمل أدق التفاصيل و الاعتماد عليها كفهارس, بعد ذلك يتم إجراء التحويلات المعاكسة على حواف الهدف أثناء عملية استرجاعه من قاعدة البيانات. أخيراً تم اقتراح آلية فهرسة جديدة تضمن استرجاع الأهداف المطلوبة بأفضل دقة و أقل زمن و تم تصميم البرنامج اللازم لتحقيق ذلك.
التعرف على الأشخاص باستخدام بصمة اليد يلقى الكثير من الاهتمام بالتزامن مع الحاجة إلى تقنيات جديدة ترفع من مستوى الأمان. في هذه الدراسة تم اقتراح تقنية جديدة للتعرف على الأشخاص عن طريق بصمة اليد و ذلك من خلال استخلاص السمات من معاملات التحويل المويجي
لصور راحة اليد بالاعتماد على فكرة التقاطعات الصفرية (عدد مرات التقاطع مع القيمة صفر). حيث تم إيجاد التحويل المويجي عند المستوى الرابع لكامل صورة اليد و الذي نتج عنه أربع مصفوفات، ثلاث مصفوفات تفاصيل (أفقية – شاقولية- قطرية) و مصفوفة تقريبات و تم الاعتماد على مصفوفات التفاصيل دون التقريبات لأن المعلومات التي نحتاجها (خطوط و منحنيات اليد) محتواة في مصفوفات التفاصيل. بعد ذلك تم استخلاص ستة عشر معامل (سمة ) من كل مصفوفة تفاصيل و ترتيب هذه السمات ضمن شعاع واحد ليتشكل شعاع السمات المستخلص من كل عينة من عينات اليد و المكون من ثمان و أربعين (48) سمة و الذي تم استخدامه كدخل للشبكة العصبونية المستخدمة. تم خلال هذه الدراسة بناء قاعدة بيانات مكونة من 400 صورة لراحة اليد عائدة لأربعين شخص بمعدل 10 صور لكل شخص. حيث أظهرت الاختبارات العملية أن النظام المصمم نجح في التعرف بمعدل 91.36%.
