اکسپرس 24
ترجمه فارسی مقاله تحلیل کلاس پنهان برای داده‌های دسته‌بندی‌شده چندلایه

ترجمه فارسی مقاله تحلیل کلاس پنهان برای داده‌های دسته‌بندی‌شده چندلایه

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Latent class analysis for multi-layer categorical data
عنوان مقاله به فارسی تحلیل کلاس پنهان برای داده‌های دسته‌بندی‌شده چندلایه
نویسندگان Huan Qing
فرمت مقاله انگلیسی PDF
تعداد صفحات 17
دسته بندی موضوعات Machine Learning,Machine Learning,یادگیری ماشین , یادگیری ماشین ,
توضیحات Submitted 10 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده 10 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 680,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Traditional categorical data, often collected in psychological tests and educational assessments, are typically single-layer and gathered only once.This paper considers a more general case, multi-layer categorical data with polytomous responses. To model such data, we present a novel statistical model, the multi-layer latent class model (multi-layer LCM). This model assumes that all layers share common subjects and items. To discover subjects' latent classes and other model parameters under this model, we develop three efficient spectral methods based on the sum of response matrices, the sum of Gram matrices, and the debiased sum of Gram matrices, respectively. Within the framework of multi-layer LCM, we demonstrate the estimation consistency of these methods under mild conditions regarding data sparsity. Our theoretical findings reveal two key insights: (1) increasing the number of layers can enhance the performance of the proposed methods, highlighting the advantages of considering multiple layers in latent class analysis; (2) we theoretically show that the algorithm based on the debiased sum of Gram matrices usually performs best. Additionally, we propose an approach that combines the averaged modularity metric with our methods to determine the number of latent classes. Extensive experiments are conducted to support our theoretical results and show the powerfulness of our methods in the task of learning latent classes and estimating the number of latent classes in multi-layer categorical data with polytomous responses.

چکیده به فارسی (ترجمه ماشینی)

داده های طبقه بندی سنتی ، که اغلب در آزمون های روانشناختی و ارزیابی های آموزشی جمع آوری می شوند ، به طور معمول تک لایه ای هستند و فقط یک بار جمع آوری می شوند. این مقاله یک مورد کلی تر ، داده های طبقه بندی چند لایه با پاسخ های پلی اتمی را در نظر می گیرد.برای مدل سازی چنین داده هایی ، ما یک مدل آماری جدید ، مدل کلاس نهان چند لایه (LCM چند لایه) ارائه می دهیم.این مدل فرض می کند که همه لایه ها موضوعات و موارد مشترک را به اشتراک می گذارند.برای کشف کلاسهای نهفته افراد و سایر پارامترهای مدل تحت این مدل ، ما به ترتیب سه روش طیفی کارآمد را بر اساس مجموع ماتریس های پاسخ ، جمع ماتریس های گرم و مجموع ماتریس های گرم ایجاد می کنیم.در چارچوب LCM چند لایه ، ما قوام تخمین این روش ها را در شرایط خفیف در مورد کمبود داده ها نشان می دهیم.یافته های نظری ما دو بینش کلیدی را نشان می دهد: (1) افزایش تعداد لایه ها می تواند عملکرد روشهای پیشنهادی را افزایش دهد ، و مزایای در نظر گرفتن چندین لایه در تجزیه و تحلیل کلاس نهفته را برجسته می کند.(2) ما از لحاظ تئوری نشان می دهیم که الگوریتم مبتنی بر کل ماتریس های گرم معمولاً بهترین عملکرد را دارد.علاوه بر این ، ما رویکردی را پیشنهاد می کنیم که متریک مدولار متوسط ​​را با روشهای ما ترکیب می کند تا تعداد کلاسهای نهفته را تعیین کند.آزمایش های گسترده ای برای پشتیبانی از نتایج نظری ما انجام شده است و قدرت روشهای ما را در وظیفه یادگیری کلاسهای نهفته و برآورد تعداد کلاسهای نهفته در داده های طبقه بندی چند لایه با پاسخ های پلی اتمی نشان می دهد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.