ترجمه فارسی مقاله روندهای اخیر در مدل سازی سری های زمانی پیوسته با استفاده از یادگیری عمیق: یک نظرسنجی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Recent Trends in Modelling the Continuous Time Series using Deep Learning: A Survey
عنوان مقاله به فارسی روندهای اخیر در مدل سازی سری های زمانی پیوسته با استفاده از یادگیری عمیق: یک نظرسنجی
نویسندگان Mansura Habiba, Barak A. Pearlmutter, Mehrdad Maleki
فرمت مقاله انگلیسی PDF
تعداد صفحات 63
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Artificial Intelligence,یادگیری ماشین , هوش مصنوعی ,
توضیحات Submitted 13 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده 13 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

Continuous-time series is essential for different modern application areas, e.g. healthcare, automobile, energy, finance, Internet of things (IoT) and other related areas. Different application needs to process as well as analyse a massive amount of data in time series structure in order to determine the data-driven result, for example, financial trend prediction, potential probability of the occurrence of a particular event occurrence identification, patient health record processing and so many more. However, modeling real-time data using a continuous-time series is challenging since the dynamical systems behind the data could be a differential equation. Several research works have tried to solve the challenges of modelling the continuous-time series using different neural network models and approaches for data processing and learning. The existing deep learning models are not free from challenges and limitations due to diversity among different attributes, behaviour, duration of steps, energy, and data sampling rate. This paper has described the general problem domain of time series and reviewed the challenges of modelling the continuous time series. We have presented a comparative analysis of recent developments in deep learning models and their contribution to solving different difficulties of modelling the continuous time series. We have also identified the limitations of the existing neural network model and open issues. The main goal of this review is to understand the recent trend of neural network models used in a different real-world application with continuous-time data.

چکیده به فارسی (ترجمه ماشینی)

سری زمان مداوم برای مناطق مختلف کاربردی مدرن ، به عنوان مثال ضروری است.مراقبت های بهداشتی ، اتومبیل ، انرژی ، امور مالی ، اینترنت اشیاء (IoT) و سایر مناطق مرتبط.برنامه های مختلف باید پردازش و همچنین تجزیه و تحلیل مقدار زیادی از داده ها در ساختار سری زمانی به منظور تعیین نتیجه داده محور ، به عنوان مثال ، پیش بینی روند مالی ، احتمال بالقوه وقوع یک رویداد خاص ، سابقه سلامت بیمارپردازش و موارد دیگر.با این حال ، مدل سازی داده های زمان واقعی با استفاده از یک سری زمان مداوم چالش برانگیز است زیرا سیستم های دینامیکی پشت داده ها می توانند یک معادله دیفرانسیل باشند.چندین کار تحقیقاتی سعی در حل چالش های مدل سازی سری زمان مداوم با استفاده از مدلهای مختلف شبکه عصبی و رویکردهای مربوط به پردازش و یادگیری داده ها دارند.مدلهای یادگیری عمیق موجود به دلیل تنوع در بین ویژگی های مختلف ، رفتار ، مدت زمان مراحل ، انرژی و میزان نمونه برداری از داده ها از چالش ها و محدودیت ها عاری از چالش ها و محدودیت ها نیستند.در این مقاله ، دامنه مشکل کلی سری زمانی شرح داده شده و چالش های مدل سازی سری زمانی مداوم را مرور کرده است.ما یک تجزیه و تحلیل مقایسه ای از تحولات اخیر در مدل های یادگیری عمیق و سهم آنها در حل مشکلات مختلف مدل سازی سری زمانی مداوم ارائه داده ایم.ما همچنین محدودیت های مدل شبکه عصبی موجود و موضوعات باز را مشخص کرده ایم.هدف اصلی این بررسی ، درک روند اخیر مدل های شبکه عصبی است که در یک برنامه متفاوت در دنیای واقعی با داده های زمان مداوم مورد استفاده قرار می گیرد.

📚 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.