اشترك بالحزمة الذهبية واحصل على وصول غير محدود شمرا أكاديميا
تسجيل مستخدم جديداستكشاف الاماكن المثيرة للاهتمام من خلال تحليل بيانات الGPS
mining GPS data to determine interesting locations
716
0 14
0.0
(
0
)
نشر من قبل
جامعة دمشق حلقة بحث
تاريخ النشر
2019
مجال البحث
الهندسة المعلوماتية
والبحث باللغة
العربية
تأليف
jihad( طالب )
تمت اﻹضافة من قبل
Jihad Abdullah
اسأل ChatGPT حول البحث
. تعد إدارة وفهم بيانات المواقع المجمعة قضيتين مهمتين لهذه التطبيقات. تقدم هذه الورقة طرقًا لاستخراج مواقع مثيرة للاهتمام من البيانات المكانية والزمانية. الهدف من هذه الورقة هو تجميع آثار GPS الفردية للحصول على رؤى عن الأماكن المثيرة للاهتمام. يمكن الحصول على هذه المواقع المهمة من خلال معالجة البيانات من الأجهزة التي تعمل بنظام GPS للمستخدمين الذين يعيشون في منطقة جغرافية معينة.
No English abstract
المراجع المستخدمة
https://www.researchgate.net/publication/254004719_Mining_GPS_data_to_determine_interesting_locations
قيم البحث
اقرأ أيضاً
التطورات في احتساب دقة الموقع الجغرافي والحوسبة المتنقلة ولدت كمية ضخمة من البيانات عن المسارات المكانية والتي تمثل المسارات الحركية لأغراض متنوعة متحركة مثل: اشخاص، مركبات، حيوانات، تم طرح العديد من التقنيات لمعالجة وادارة وتعدين هذه المعلومات في ال
عقود الماضية من اجل تعزيز مجال واسع من التطبيقات، في هذا المقال، سنجري بشكل رئيسي مسحاً منهجياً على دراسة تعدين البيانات، سنقدم نظرة عامة عن هذا المجال والعناوين الرئيسية عن مواضيع البحث، وذلك باتباع خطة تبدأمن اشتقاق بيانات المسار ومن ثم تجهيزها (preprocessing) الى ادارتها لتنتهي بعدد من مهام التعدين ( تعدين انماط المسارات، الكشف الخارجي، تصنيف المسار)، هذه الدراسة تبحث في الاتصالات، الارتباطات، والاختلافات بين التقنيات الموجودة، كما يقدم الطرق التي تحول المسارات الى بنية بيانات أخرى، مثل: رسومات بيانية، مصفوفات، tensors ، حيث يمكننا زيادة عدد تقنيات التعدين والتعلم الآلي التي يمكن تطبيقها.
تحليل Coreference Event Dockence (CDCR) هي مهمة تحديد الأحداث التي تشير إلى نفس الأحداث طوال مجموعة من المستندات. تعد شرح بيانات CDCR عملية شاقة ومكلفة، موضحا سبب وجود كورسا الموجودة صغيرة وتفتقر إلى تغطية المجال. للتغلب على هذه الاختناق، نستخلك تلقا
ئيا بيانات Coreference من الارتباطات التشعبية في الأخبار عبر الإنترنت: عند الإشارة إلى حدث كبير في العالم الحقيقي، غالبا ما يقوم الكتاب في كثير من الأحيان بإضافة ارتباط تشعبي إلى مقالة أخرى تغطي هذا الحدث. نوضح أن جمع الارتباطات التشعبية التي تشير إلى نفس المقالة (الأقوالية) تنتج بيانات CDCR واسعة عالية الجودة وإنشاء كائن من وثائق 2M وذكر الحدث الفضي القياسي 2.7M يسمى HyperCoref. نقيم نظام أحدث على ثلاثة CDCR Corpora ويجد أن النماذج المدربة على مجموعات فرعية صغيرة من Hypercoref تنافسية للغاية، مع أداء مشابه للنماذج المدربة على البيانات الذهبية القياسية. مع عملنا، نقوم بحرية بحث CDCR من اعتمادا على بيانات التدريب المكلفة المشروح البشرية وتفتتح إمكانيات للبحث عن البحوث بعد أن يتم تكييف نهج استخراج البيانات لدينا بسهولة مع لغات أخرى.
اسم الفريق: Team-8 Embeddia Tool: مستند عبر اللغات استرداد Zosa et al.DataSet: مجموعات بيانات الأخبار الإستونية ولاتفيا مختصر: تواجه وسائل الإعلام الأخبار المعاصرة كميات متزايدة من البيانات المتاحة التي يمكن استخدامها عند تحديد أولويات أخبار جديدة وت
فتيك واكتشافها.في هذا العمل، نقترح منهجية لاسترداد مقالات مثيرة للاهتمام في بيئة اكتشاف أخبار عبر الحدود.وبشكل أكثر تحديدا، نستكشف كيف يمكن إسقاط مجموعة من مستندات البذور في الإستونية في مساحة وثيقة لاتفيا وتكون كأساس لاكتشاف القطع الرواية المثيرة للاهتمام من أخبار اللاتفية التي من شأنها أن تهم القراء الإستونيين.تم تقييم المنهجية المقترحة من قبل الصحفي الإستوني الذي أكد أنه في أفضل تحديد، من أعلى 10 مستندات لاتفيا، تمثل نصفهم الأخبار التي من المثير للاهتمام أن تؤخذ من قبل دار الإعلام الإستونية وتقديمها إلى القراء الإستونيين.
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.
أصبحت نماذج لغة كبيرة مسببة الاحترام باستخدام بنية الشبكة العصبية المحولات هي منهجية مهيمنة للعديد من مهام معالجة اللغة الطبيعية، مثل الإجابة على الأسئلة، تصنيف النص، غموض معنى الكلمة، إكمال النص والترجمة الآلية. عادة ما تضم مئات الملايين من المعلم
ات، فإن هذه النماذج تقدم أداء حديثة، ولكن على حساب قابلية الترجمة الشفوية. آلية الاهتمام هي العنصر الرئيسي لشبكات المحولات. نقوم بتقديم Attviz، وهي طريقة لاستكشاف اهتمام الذات في شبكات المحولات، والتي يمكن أن تساعد في تفسير وتصحيح الأخطاء من النماذج المدربة من خلال إظهار الجمعيات بين الرموز النصية في تسلسل الإدخال. نظهر أن خطوط أنابيب التعلم العميق الحالية يمكن استكشافها مع Attviz، والذي يوفر تصورات رواية لرؤوس الانتباه وتجميعها. نفذنا الأساليب المقترحة في مجموعة أدوات عبر الإنترنت ومكتبة دون اتصال. باستخدام أمثلة من تحليل الأخبار، نوضح كيف يمكن استخدام ATVIZ للتفتيش والحدوث على فهم أفضل ما تعلمه النموذج.
الأسئلة المقترحة
سجل دخول لتتمكن من نشر تعليقات
التعليقات
جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
