ترجمه فارسی مقاله ووکامرس تشخیص داده شده است که برخی از افزونه‌های فعال شما با ویژگی‌هایی از ووکامرس هستند که در حال حاضر ناسازگار هستند. لطفا جزئیات را مرور کنید.

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 A Dirichlet stochastic block model for composition-weighted networks
عنوان مقاله به فارسی ووکامرس تشخیص داده شده است که برخی از افزونه‌های فعال شما با ویژگی‌هایی از ووکامرس هستند که در حال حاضر ناسازگار هستند. لطفا جزئیات را مرور کنید.
نویسندگان Iuliia Promskaia, Adrian O'Hagan, Michael Fop
فرمت مقاله انگلیسی PDF
تعداد صفحات 27
دسته بندی موضوعات Methodology,Computation,Machine Learning,روش شناسی , محاسبه , یادگیری ماشین ,
توضیحات Submitted 1 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 1 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.

قیمت: 19,000 تومان

دانلود مقاله اصل انگلیسی + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 99,000 تومان

سفارش + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی و ترجمه کامل آن، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 1,080,000 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

Network data are observed in various applications where the individual entities of the system interact with or are connected to each other, and often these interactions are defined by their associated strength or importance. Clustering is a common task in network analysis that involves finding groups of nodes displaying similarities in the way they interact with the rest of the network. However, most clustering methods use the strengths of connections between entities in their original form, ignoring the possible differences in the capacities of individual nodes to send or receive edges. This often leads to clustering solutions that are heavily influenced by the nodes' capacities. One way to overcome this is to analyse the strengths of connections in relative rather than absolute terms, expressing each edge weight as a proportion of the sending (or receiving) capacity of the respective node. This, however, induces additional modelling constraints that most existing clustering methods are not designed to handle. In this work we propose a stochastic block model for composition-weighted networks based on direct modelling of compositional weight vectors using a Dirichlet mixture, with the parameters determined by the cluster labels of the sender and the receiver nodes. Inference is implemented via an extension of the classification expectation-maximisation algorithm that uses a working independence assumption, expressing the complete data likelihood of each node of the network as a function of fixed cluster labels of the remaining nodes. A model selection criterion is derived to aid the choice of the number of clusters. The model is validated using simulation studies, and showcased on network data from the Erasmus exchange program and a bike sharing network for the city of London.

چکیده به فارسی (ترجمه ماشینی)

داده های شبکه در برنامه های مختلف مشاهده می شود که در آن اشخاص جداگانه سیستم با یکدیگر ارتباط برقرار می کنند یا به یکدیگر متصل می شوند ، و اغلب این تعاملات با قدرت یا اهمیت مرتبط با آنها تعریف می شوند.خوشه بندی یک کار مشترک در تجزیه و تحلیل شبکه است که شامل یافتن گروه هایی از گره ها است که شباهت هایی را در نحوه تعامل آنها با بقیه شبکه نشان می دهند.با این حال ، بیشتر روشهای خوشه بندی از نقاط قوت اتصالات بین موجودات به شکل اصلی خود استفاده می کنند ، و تفاوت های احتمالی در ظرفیت های گره های فردی را برای ارسال یا دریافت لبه ها نادیده می گیرند.این اغلب منجر به راه حل های خوشه بندی می شود که به شدت تحت تأثیر ظرفیت های گره ها قرار می گیرند.یکی از راه های غلبه بر این ، تجزیه و تحلیل نقاط قوت اتصالات از نظر نسبی و نه مطلق ، بیان هر وزن لبه به عنوان بخشی از ظرفیت ارسال (یا دریافت) گره مربوطه است.با این حال ، این محدودیت های مدل سازی اضافی را القا می کند که بیشتر روشهای خوشه بندی موجود برای رسیدگی طراحی نشده اند.در این کار ما یک مدل بلوک تصادفی برای شبکه های دارای وزن ترکیب را بر اساس مدل سازی مستقیم بردارهای وزن ترکیبی با استفاده از مخلوط Dirichlet ارائه می دهیم ، با پارامترهای تعیین شده توسط برچسب های خوشه فرستنده و گره های گیرنده.استنتاج از طریق الگوریتم انتظار طبقه بندی طبقه بندی که از یک فرض استقلال کار استفاده می کند ، اجرا می شود و احتمال کامل داده های هر گره شبکه را به عنوان تابعی از برچسب های خوشه ای ثابت از گره های باقی مانده بیان می کند.معیار انتخاب مدل برای کمک به انتخاب تعداد خوشه ها بدست آمده است.این مدل با استفاده از مطالعات شبیه سازی تأیید شده و در مورد داده های شبکه از برنامه تبادل Erasmus و یک شبکه اشتراک دوچرخه برای شهر لندن به نمایش گذاشته شده است.

📚 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.