ترجمه فارسی مقاله توضیح مجموعه داده ها در کلمات: مدل های آماری با پارامترهای زبان طبیعی

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 Explaining Datasets in Words: Statistical Models with Natural Language Parameters
عنوان مقاله به فارسی توضیح مجموعه داده ها در کلمات: مدل های آماری با پارامترهای زبان طبیعی
نویسندگان Ruiqi Zhong, Heng Wang, Dan Klein, Jacob Steinhardt
فرمت مقاله انگلیسی PDF
تعداد صفحات 30
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Artificial Intelligence,Computation and Language,Machine Learning,هوش مصنوعی , محاسبات و زبان , یادگیری ماشین ,
توضیحات Submitted 12 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده 12 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 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

To make sense of massive data, we often fit simplified models and then interpret the parameters; for example, we cluster the text embeddings and then interpret the mean parameters of each cluster. However, these parameters are often high-dimensional and hard to interpret. To make model parameters directly interpretable, we introduce a family of statistical models -- including clustering, time series, and classification models -- parameterized by natural language predicates. For example, a cluster of text about COVID could be parameterized by the predicate "discusses COVID". To learn these statistical models effectively, we develop a model-agnostic algorithm that optimizes continuous relaxations of predicate parameters with gradient descent and discretizes them by prompting language models (LMs). Finally, we apply our framework to a wide range of problems: taxonomizing user chat dialogues, characterizing how they evolve across time, finding categories where one language model is better than the other, clustering math problems based on subareas, and explaining visual features in memorable images. Our framework is highly versatile, applicable to both textual and visual domains, can be easily steered to focus on specific properties (e.g. subareas), and explains sophisticated concepts that classical methods (e.g. n-gram analysis) struggle to produce.

چکیده به فارسی (ترجمه ماشینی)

برای ایجاد داده های عظیم ، ما اغلب مدل های ساده شده را متناسب می کنیم و سپس پارامترها را تفسیر می کنیم.به عنوان مثال ، ما تعبیه شده متن را خوشه می کنیم و سپس میانگین پارامترهای هر خوشه را تفسیر می کنیم.با این حال ، این پارامترها اغلب با ابعاد بالا و تفسیر سخت هستند.برای ایجاد پارامترهای مدل به طور مستقیم قابل تفسیر ، ما خانواده ای از مدل های آماری - از جمله خوشه بندی ، سری زمانی و مدل های طبقه بندی را معرفی می کنیم - که توسط پیش بینی های زبان طبیعی پارامتری می شود.به عنوان مثال ، یک خوشه متن در مورد COVID می تواند توسط محمول "بحث Covid" پارامتر شود.برای یادگیری این مدلهای آماری به طور مؤثر ، ما یک الگوریتم مدل-آگنوستیک را ایجاد می کنیم که آرامش مداوم پارامترهای محمول را با تبار شیب بهینه می کند و آنها را با فرایند مدل های زبان (LMS) گسسته می کند.سرانجام ، ما چارچوب خود را برای طیف گسترده ای از مشکلات اعمال می کنیم: طبقه بندی گفتگوی چت کاربر ، توصیف نحوه تکامل آنها در طول زمان ، یافتن دسته هایی که یک مدل زبان بهتر از دیگری است ، مشکلات ریاضی خوشه بندی بر اساس زیرگذرها و توضیح ویژگی های بصری به یاد ماندنیتصاویرچارچوب ما بسیار متنوع است ، برای هر دو حوزه متنی و بصری قابل استفاده است ، می توان به راحتی بر روی خصوصیات خاص (به عنوان مثال زیر آب) تمرکز کرد و مفاهیم پیچیده ای را توضیح می دهد که روشهای کلاسیک (به عنوان مثال تجزیه و تحلیل N-Gram) برای تولید تلاش می کنند.

📚 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.