تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

ترجمه مقاله طبقه بندی سند در شبکه های عصبی با استفاده از نمونه های فقط مثبت – نشریه ACM

عنوان فارسی: طبقه بندی سند در شبکه های عصبی با استفاده از نمونه های فقط مثبت
عنوان انگلیسی: Document Classification on Neural Networks Using Only Positive Examples
تعداد صفحات مقاله انگلیسی : 3 تعداد صفحات ترجمه فارسی : 6
سال انتشار : 2000 نشریه : ACM
فرمت مقاله انگلیسی : PDF فرمت ترجمه مقاله : ورد تایپ شده
کد محصول : 5201 رفرنس : دارد
محتوای فایل : zip حجم فایل : 1.00Mb
رشته های مرتبط با این مقاله: مهندسی کامپیوتر
گرایش های مرتبط با این مقاله: مهندسی نرم افزار و هوش مصنوعی
مجله: کنفرانس تحقیق و توسعه در بازیابی اطلاعات
دانشگاه: گروه علوم کامپیوتر، دانشگاه حیفا، اسرائیل
وضعیت ترجمه عناوین جداول: ترجمه نشده است
وضعیت ترجمه متون داخل جداول: ترجمه نشده است
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
فهرست مطالب

خلاصه

1- مقدمه

۲-رده بندی کننده ی شبکه های عصبی

۲.۱ نماینده ی ( نمایش) متن و انتخاب شاخصه

۲.۲ حاصلضرب هادامارد

۳. مجموعه داده ها, آزمایشات و نتایج

۳.۱ رویتر ۲۱۵۷۸

۴- خلاصه

۵- سپاسگذاری

نمونه متن انگلیسی

1. Introduction

The goal of this research is to develop a filter that can examine a corpus of documents and choose those of interest. This requires a method of defining what it means to be "of interest" and a method of matching the documents to this definition. It is natural and convenient to assume that the definition of interest be learned (see also [4] and [6] ) by observing examples, and, in this context, it is pertinent to assume only positive examples. That is, one can have a sample set of examples of documents which are "interesting" and from this set develop a filter which can be applied to select other such "interesting" documents. The reason for using only positive examples is that one can (i) obtain such examples simply by observation; i.e. for many applications an "active" teacher will not be necessary (ii) in many contexts, it is easier to find "typical" examples rather than typical "nonexamples". See [2] for other papers on the use of positive examples only.

نمونه متن ترجمه

1. مقدمه

هدف از این پژوهش توسعه ی فیلتری است که بتواند مجموعه ای از اسناد را مورد آزمون قرار دهد و آنهایی را که جالب توجه است انتخاب نماید. این امر مستلزم یک روش است که تعریف کند که کدام نمونه ها " جالب توجه" هستند و نیاز به یک روش تطبیق اسناد با این تعریف دارد. این طبیعی و راحت است که فرض کنیم تعریف جالب توجه بودن با مشاهده ی نمونه ها فراگرفته شده است ( مراجع ۴ و ۶ را ببینید) , در این زمینه مقتضی است که فقط نمونه های مثبت را در نظر بگیریم. یعنی می توان یک مجموعه نمونه از اسناد داشته باشیم که " جالب توجه" تلقی شوند و از این مجموعه یک فیلتر توسعه دهد که بتواند برای انتخاب اسناد جالب توجه دیگر به کار گرفته شود. دلیل استفاده از نمونه های فقط مثبت این است که می توان (i) چنین نمونه هایی را به سادگی از طریق مشاهده به دست آورد, یعنی برای بسیاری از برنامه ها یک معلم فعال نیاز نخواهد بود و (ii) در بسیاری از این زمینه ها یافتن نمونه های معمولی نسبت به غیر نمونه ها آسان تر است. مرجع ۲ را برای سایر مقالات در زمینه ی استفاده از نمونه های فقط مثبت مشاهده کنید.