اشترك بالحزمة الذهبية واحصل على وصول غير محدود شمرا أكاديميا
تسجيل مستخدم جديداسترجاع الصور و النصوص باستخدام تقنيات استكشاف المعرفة و هو ترجمة ل Retrieval of Images & Text using Data Mining Techniques
Retrieval of Images & Text using Data Mining Techniques
1383
0 27
0.0
(
0
)
نشر من قبل
منى عبد الله_مريم اسماعيل_مرح جربوع ورقة بحثية
تاريخ النشر
2019
مجال البحث
الهندسة المعلوماتية
والبحث باللغة
العربية
تأليف
Mona Hameed( طالب )
تمت اﻹضافة من قبل
Mona Hameed
اسأل ChatGPT حول البحث
في هذا البحث تٌستخدم تقنيات استكشاف الصور كالتجميع و قواعد الاستكشاف لاستكشاف المعرفة من الصورة و أيضاً يستخدم دمج الميزات متعددة الوسائط مثل البصرية و النصية.
No English abstract
مراجعة الذكاء الصنعي:
ملخص البحث
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.
قراءة نقدية
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.
أسئلة حول البحث
-
ما هي التقنيات المستخدمة في استكشاف المعرفة في هذه الورقة؟
التقنيات المستخدمة تشمل الشبكات العصبونية، التجميع، الترابط، واستخراج الميزات.
-
ما هي العوامل المستخدمة في استرجاع الصور في النظام المقترح؟
العوامل المستخدمة تشمل الحجم، الملمس، واللون المهيمن للصورة.
-
ما هي الفوائد الرئيسية لاستخدام استكشاف المعرفة في استرجاع الصور؟
الفوائد تشمل إزالة البيانات المفقودة، استخراج المعلومات المفيدة، وتحسين كفاءة استرجاع الصور.
-
ما هي التحديات المحتملة التي قد تواجه النظام المقترح؟
التحديات تشمل الفجوة الدلالية، التعامل مع قواعد بيانات ضخمة، وتحسين دقة الاسترجاع.
المراجع المستخدمة
[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
قيم البحث
اقرأ أيضاً
منذ أن تم اعتماد النماذج العصبية في توليد لغة البيانات إلى النص، فقد تم اعتمادها دائما على المكونات الخارجية لتحسين دقتها الدلالية، لأن النماذج عادة لا تظهر القدرة على توليد نص يذكر بشكل موثوق كل المعلومات المقدمة فيالمدخل.في هذه الورقة، نقترح طريقة
فك التشفير الجديدة التي تستخرج معلومات تفسيرها من نماذج ترميز تشفير التشفير، وتستخدمها لاستنتاج السمات التي يتم ذكرها في النص الذي تم إنشاؤه، والذي يستخدم لاحقا لإنقاش فرضيات شعاع.باستخدام طريقة فك التشفير هذه مع T5 و Bart، نعرض على ثلاثة مجموعات بيانات قدرتها على تقليل الأخطاء الدلالية بشكل كبير في المخرجات التي تم إنشاؤها، مع الحفاظ على جودة حديثة من بين الفن.
يعرض هذا البحث دراسة مرجعية حول استخدام تقنيات الذكاء الصنعي والتنقيب عن المعطيات في أنظمة مكافحة غسيل الأموال. نقارن بين عدة منهجيات متبعة في أوراق بحثية مختلفة بهدف تسليط الضوء على تطبيقات الذكاء الصنعي في حل مشاكل الحياة الواقعية.
تمثل قدرة التنقيب في المعطيات ( Data Mining ) على استخلاص معلومات تنبوئية من قواعد معطيات ضخمة أداة فعالة في يد الشركات و الأفراد تتيح لهم التركيز على النواحي التي تهمهم من المعطيات الضخمة التي تولدها مسيرة عملهم اليومية. و مع تزايد أهمية هذا العلم ت
زايدت بشكل متسارع الأدوات التي بنيت لتطبيق مفاهيمه النظرية بأسرع ما يمكن , حتى غدا من الصعب اتخاذ القرار حول أي من هذه الأدوات هو الأمثل لأداء مهمتك المرجوة. تقدم الدراسة مقارنة بين أداتي التنقيب في المعطيات الأكثر استخداما وفقا لاستطلاعات الرأي و هما Rapidminer و لغة البرمجة R بهدف مساعدة الباحث أو المطور على اختيار الأنسب بينهما. اعتمدت المقارنة على سبعة معايير : منصة العمل , الخوارزميات المضمنة, الصيغ المتاحة للدخل و الخرج , إمكانية التمثيل الرسومي , تقييم المستخدمين , البنية و امكانيات التطوير , الأداء بتطبيق مجموعة من خوارزميات التصنيف على عدد من مجموعات البيانات ( data set ) و باستخدام تقنيتي تقسيم cross validation و hold-out للتأكد من النتائج . من خلال الدراسة تبين أن R هي الأداة التي تدعم أكبر عدد من الخوارزميات و صيغ الدخل و الخرج و التمثيل الرسومي بينما تفوق Rapidminer من حيث سهولة الاستخدام و دعمه لعدد أكبر من منصات العمل. أما من حيث الأداء فدقة المصنفات التي بنيت باستخدام مكتبات كانت أعلى إلا في بعض الحالات التي فرضتها طبيعة المعطيات حيث لم يضف أي مرحلة معالجة مسبقة. و أخيرا يغدو الخيار في تفضيل أي الأداتين معتمدا على مدى خبرة المستخدم و هدفه من استخدام الأداة.
يهدف هذا البحث إلى تقديم دراسة حالة عن استخدام تقنيات التنقيب في بيانات المؤسسات التعليمية, و ذلك من خلال استعمال تقنيات التنقيب في البيانات.
Data Mining
التنقيب في البيانات
التنقيب في بيانات المؤسسات التعليمية
برنامج ذكاء الأعمال الخاص بشركة مايكروسوفت
خوارزمية مايكروسوفت لأشجار القرار
خوارزمية مايكروسوفت للتجميع و الكشف عن الحالات الشاذة
خوارزمية مايكروسوفت لقواعد الارتباط
Educational Data Mining
SQL Server Business Intelligence Development Studio
Microsoft Decision Trees
Microsoft Clustering
Outlier Detection
Microsoft Association Rules
المزيد..
يهدف التنقيب عن البيانات التعليمية إلى دراسة البيانات المتوفرة في المجال التعليمي وإخراج المعرفة المخفية منه بغية الاستفادة منها في تعزيز عملية التعليم واتخاذ قرارات ناجحة من شأنها تحسين الأداء الأكاديمي للطالب. تقترح هذه الدراسة استخدام تقنيات التنق
يب عن البيانات لتحسين التنبؤ بأداء الطلاب، حيث تم تطبيق ثلاث خوارزميات تصنيف Naïve Bayes, J48, Support Vector Machine)) على قاعدة بيانات أداء الطلاب ، ثم تم تصميم مصنف جديد لدمج نتائج تلك المصنفات الفردية باستخدام تقنية الدمج Voting Method . تم استخدام الأداة WEKAالتي تدعم الكثير من خوارزميات و طرائق التنقيب في البيانات. تظهر النتائج أن مصنف الدمج لديه أعلى دقة للتنبؤ بمستويات الطلاب مقارنة بالمصنفات الأخرى ، حيث حقق دقة تعرف وصلت إلى74.8084 % . و أفادت خوارزمية العنقدةsimple k-means في تجميع الطلاب المتشابهين في مجموعات منفصلة بالتالي فهم مميزات كل مجموعة مما يساعد على قيادة وتوجيه كل مجموعة على حدى.
الأسئلة المقترحة
سجل دخول لتتمكن من نشر تعليقات
التعليقات
جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
