ترجمه مقاله یادگیری عمیق و نظریه تعادل نقطه ای - نشریه الزویر

قیمت خرید این محصول

۱۵۶,۰۰۰ تومان

دانلود رایگان نمونه دانلود مقاله انگلیسی

عنوان فارسی

یادگیری عمیق و نظریه تعادل نقطه ای

عنوان انگلیسی

Deep learning and punctuated equilibrium theory

صفحات مقاله فارسی

25

صفحات مقاله انگلیسی

11

سال انتشار

2017

رفرنس

دارای رفرنس در داخل متن و انتهای مقاله

نشریه

الزویر - Elsevier

فرمت مقاله انگلیسی

PDF

فرمت ترجمه مقاله

pdf و ورد تایپ شده با قابلیت ویرایش

فونت ترجمه مقاله

بی نازنین

سایز ترجمه مقاله

14

نوع مقاله

ISI

نوع نگارش

مقالات پژوهشی (تحقیقاتی)

نوع ارائه مقاله

ژورنال

پایگاه

اسکوپوس

ایمپکت فاکتور(IF) مجله

2.026 در سال 2019

شاخص H_index مجله

41 در سال 2020

شاخص SJR مجله

0.291 در سال 2019

شناسه ISSN مجله

1389-0417

شاخص Q یا Quartile (چارک)

Q4 در سال 2019

کد محصول

10432

وضعیت ترجمه عناوین تصاویر و جداول

ترجمه شده است ✓

وضعیت ترجمه متون داخل تصاویر و جداول

ترجمه شده است ✓

وضعیت ترجمه منابع داخل متن

به صورت انگلیسی درج شده است ✓

وضعیت فرمولها و محاسبات در فایل ترجمه

به صورت عکس، درج شده است ✓

ضمیمه

دارد اما ترجمه نشده است ✓

بیس

نیست ☓

مدل مفهومی

ندارد ☓

پرسشنامه

ندارد ☓

متغیر

ندارد ☓

رفرنس در ترجمه

در داخل متن و انتهای مقاله درج شده است

رشته و گرایش های مرتبط با این مقاله

مهندسی کامپیوتر، هوش مصنوعی و رایانش ابری

مجله

تحقیقات سیستم های شناختی - Cognitive Systems Research

دانشگاه

دانشکده سیاست عمومی باواریا، دانشگاه فنی مونیخ، آلمان

کلمات کلیدی

یادگیری عمیق، شبکه های عصبی، تعادل نقطه ای،فرایند خط مشی، انتشار بازگشتی

کلمات کلیدی انگلیسی

Deep learning - Neural networks - Punctuated equilibrium - Policy process - Backpropagation

doi یا شناسه دیجیتال

https://doi.org/10.1016/j.cogsys.2017.02.006

۰.۰ (هنوز امتیازی ثبت نشده است)

فهرست مطالب

چکیده
1.مقدمه
2. یادگیری عمیق چیست؟
3.فرایند سیاسی بصورت پردازش اطلاعات
4.مدل نمایشی: یادگیری عمیق و فرآیند سیاسی
5.نظریه پیوند سیاست های بودجه ای به سیات های رسیدگی
6. یادگیری عمیق پیشرفته
7. چشم انداز

نمونه چکیده متن اصلی انگلیسی

Abstract

Deep learning is associated with the latest success stories in AI. In particular, deep neural networks are applied in increasingly different fields to model complex processes. Interestingly, the underlying algorithm of backpropagation was originally designed for political science models. The theoretical foundations of this approach are very similar to the concept of Punctuated Equilibrium Theory (PET). The article discusses the concept of deep learning and shows parallels to PET. A showcase model demonstrates how deep learning can be used to provide a missing link in the study of the policy process: the connection between attention in the political system (as inputs) and budget shifts (as outputs).

نمونه چکیده ترجمه متن فارسی

چکیده
یادگیری عمیق با اخرین گزارش های موفقیت آمیز در AI مرتبط است. به طور خاص، شبکه های عصبی عمیق در زمینه های فزاینده ی مختلف برای مدل سازی فرایندهای پیچیده استفاده می شوند. جالب توجه است که الگوریتم انتشار بازگشتی در اصل برای مدل های علوم سیاسی طراحی شده است. مبانی نظری این رویکرد بسیار مشابه مفهوم نظریه تعادل نقطه ای (PET) است. این مقاله مفهوم یادگیری عمیق را مورد بحث و بررسی قرار می دهد و نشان می دهد که با PET همخوانی دارد. یک مدل جلوه گر نشان می دهد که چگونه یادگیری عمیق برای ارائه ی یک ارتباط از دست رفته در فرایند خط مشی می تواند مورد استفاده قرار گیرد: ارتباط بین توجه در نظام سیاسی (به عنوان ورودی ها) و تغییرات بودجه (به عنوان خروجی).