Layer 1

Kết quả từ khoá "machine-learning"

Optimizing machine learning models for enhanced forest fire susceptibility mapping in Gia Lai province

This study advances forest fire susceptibility mapping in Gia Lai province by leveraging optimized machine learning models. We evaluated five models -Deep Neural Networks (DNN), Random Forest (RF), Gradient Boosting (GB), Logistic Regression (LR), and Support Vector Machines (SVM) - using a dataset of 2,827 fire incidents (2007÷2021), an equal number of non-fire points, and 12 influencing factors: slope, aspect, elevation, curvature, land use, NDVI (Normalized Difference Vegetation Index), NDWI (Normalized Difference Water Index), NDMI (Normalized Difference Moisture Index), temperature, wind speed, relative humidity, and rainfall.

Matching ontology using machine learning

Ontology matching, a field within data management and information retrieval, utilizes machine learning to integrate and link different data sources by identifying equivalences and relationships between concepts across various ontologies. This report provides an overview of key techniques and methods in ontology matching, including vectorization and embeddings such as Word2Vec, similarity measure like Levenshtein Distance and Jaccard Index, and machine learning models that improve accuracy in classifying and matching concepts.

Machine learning approaches for predicting student dropout

This study focuses on developing a machine learning model through the process of analyzing. comparing, and evaluating the performance of five models: AdaBoost, Decision Tree, RandomForest, ExtraTree, and BernoulliNB. All models are implemented using the "Predict Student Dropout Dataset." Based on the results obtained after processing the data, the study will conduct an analysis based on two main criteria: evaluation by average percentage, standard deviation, and final outcomes, as well as evaluation using a time-series model of age (Balanced Accuracy Progression).

Enhancing security and scalability in electronic medical records (emr) management: Integrating blockchain and machine learning

This research proposes a blockchain-based knowledge system for EMR management, utilizing the Hyperledger Fabric framework and machine learning (ML) algorithms. By combining the immutable and decentralized nature of blockchain with the predictive capabilities of ML, this system aims to support medical diagnostics and decision-making, with a specific focus on stroke prediction.

Báo cáo tổng kết đề tài khoa học và công nghệ cấp trường: Ứng dụng Machine Learning trong phân tích vài trò của các nhân tố truyền thông trong công tác tuyển sinh của trường Đại học Kỹ thuật Công nghiệp Thái Nguyên.

Đề tài tiếp cận bài toán tuyển sinh của trường Đại học Kỹ thuật Công Nghiệp Thái Nguyên dựa trên việc phân tích dữ liệu sinh viên tuyển được trong năm học 2021 nhằm đưa ra những yếu tố thời sự và yếu tố có tính chất truyền thống tác động đến việc lựa chọn cơ sở đào tạo. Phân tích dữ liệu sinh viên đầu vào dựa trên các trường thông tin khác nhau, bao gồm: quê quán, thành tích học tập, định hướng của bản thân; xây dựng cơ sở lý thuyết về bài toán phân tích dữ liệu tuyển sinh của trường Đại học Kỹ thuật Công nghiệp Thái Nguyên.... Mời các bạn cùng tham khảo nội dung chi tiết.

Lectures Machine learning: An introduction to data classification - Trịnh Tấn Đạt (2024)

Lecture "Machine learning: An introduction to data classification" includes content: Introduction, common techniques in data classification, handing different data types, variations on data classification.

Comparative analysis of blockchain-based voting systems using machine learning techniques

The study provides empirical insights into the capabilities and limitations of current Blockchain-based voting systems, emphasizing the critical role of machine learning in enhancing system analysis.

Optimizing botanical farm crop variety selection: Integration of machine learning mechanisms for green technology and sustainable solutions

Currently, the field of science and technology, particularly Artificial Intelligence (AI), is undergoing significant progress. AI involves the computer-based simulation of human cognitive functions. Within the realm of AI, machine learning, a specialized branch, utilizes mathematical algorithms to enhance computational capabilities.

Machine learning applications for chloride ingress prediction in concrete: Insights from recent literature

This review explores recent ML advancements in assessing corrosion in RC structures. Various algorithms, such as Artificial Neural Networks (ANNs), Gene Expression Programming (GEP), Extreme Gradient Boosting (XGBoost), Support Vector Machine (SVM) and Ensemble Learning, have shown potential in estimating corrosion processes, predicting material properties, and evaluating structural durability.

Machine learning based review analysis of electronic appliances

Sentiment Analysis and Opinion Mining have emerged as highly popular fields for analyzing and extracting valuable information from textual data sourced from diverse platforms like Facebook, Twitter, and Amazon. These techniques hold a crucial role in empowering businesses to actively enhance their strategies by gaining comprehensive insights into customers' feedback regarding their products.

Predicting load-deflection of composite concrete bridges using machine learning models

The main objective of this study is to predict accurately the loaddeflection of composite concrete bridges using two popular machine learning (ML) models namely Random Tree (RT) and Artificial Neural Network (ANN). Data from 83 track loading tests conducted on various bridges in Vietnam were collected and analyzed.

Estimation of California Bearing Ratio of soils using Random Forest based machine learning

In this study, the Machine Learning (ML) approach has been adopted using Random Forest (RF) model to estimate the CBR of the soil based on 10 input parameters such as Plasticity Index (PI), Liquid Limit (LL), Silt Clay content (SC), Fine Sand content (FS), Coarse sand content (CS), Optimum Water Content (OWC), Organic content (O), Plastic Limit (PL), Gravel content (G), and Maximum Dry Density (MDD), which can be easily determined in the laboratory.

Using GA-ANFIS machine learning model for forecasting the load bearing capacity of driven piles

This paper is aimed to apply hybrid machine learning model namely GA-ANFIS, which is a combination of Adaptive Neuro-Fuzzy Inference System (ANFIS) and Genetic Algorithm (GA), for the prediction of total bearing capability of driven piles.

Efficient structural analysis: Predicting punching shear strength in two-way concrete slabs using gradient boosting machine learning

This study delves into the application of machine learning (ML), specifically a Gradient Boosting (GB) model, for predicting the punching shear strength (PSS) of two-way reinforced concrete flat slabs.

RIME-RF-RIME: A novel machine learning approach with SHAP analysis for predicting macroscopic permeability of porous media

Predicting the macroscopic permeability of porous media is critical in various scientific and engineering applications. This study proposes a novel model that combines Random Forest (RF) and rime-ice (RIME) optimization algorithm, denoted RIME-RF-RIME, to predict permeability based on six key features covering fluid phase dimensions, geometric characteristics, surrounding phase permeability, and media porosity.

Predicting the maximum load capacity of circular RC columns confined with Fibre-Reinforced Polymer (frp) using machine learning model

This article conducts an exhaustive investigation into the utilization of machine learning (ML) methods for forecasting the maximum load capacity (MLC) of circular reinforced concrete columns (CRCC) using Fiber-Reinforced Polymer (FRP). Extreme Gradient Boosting (XGB) algorithm is combined with novel metaheuristic algorithms, namely Sailfish Optimizer and Aquila Optimizer, to fine-tune its hyperparameters.

Non-intrusive load monitoring for led light classification: A data-driven machine learning approach

In this study, we propose a novel approach using the oscillation characteristics of the RMS current as the input to machine learning models, combined with the confident learning technique. Using the oscillation characteristics obtained by taking a discrete Fourier transform (DFT) of the RMS current as model input, we aim to reduce the computational requirements of the machine learning models.

Đánh giá một số phương pháp Machine Learning và Deep learning trong phát hiện tin giả

Mục đích đề tài nhằm đánh giá phân loại tin thật và tin giả đã được thực hiện từ nhiều năm nay với nhiều phương pháp khác nhau. Trong nghiên cứu này, nhóm tác giả đánh giá mười một thuật toán Machine Learning và Deep Learning trong việc phân loại tin tức giả mạo trên ba bộ dữ liệu công khai: Liar, ISOT và Getting Real about Fake News.

Luận văn Thạc sĩ Kỹ thuật: Phân loại lưu lượng internet dùng Machine Learning

Mục tiêu nghiên cứu của luận văn "Phân loại lưu lượng internet dùng Machine Learning" nhằm phân tích và phân loại lưu lượng mạng Internet đã đạt được những kết quả đáng chú ý. Các phương pháp này sử dụng các công cụ phân loại thống kê để xây dựng các mô hình phân loại dựa trên các tập dữ liệu huấn luyện đã được gắn nhãn.

Ứng dụng Machine Learning trong hệ thống CRM

Hệ thống quản lý quan hệ khách hàng - CRM (Customer relationship management) là một phương pháp giúp các doanh nghiệp tiếp cận và giao tiếp với khách hàng một cách có hệ thống và hiệu quả, quản lý các thông tin của khách hàng như thông tin về tài khoản, nhu cầu, liên lạc và các vấn đề khác nhằm phục vụ khách hàng tốt hơn. Bài viết trình bày việc ứng dụng Machine Learning trong hệ thống CRM.

Giới thiệu

Về chúng tôi

Việc làm

Quảng cáo

Liên hệ

Chính sách

Thoả thuận sử dụng

Chính sách bảo mật

Chính sách hoàn tiền

DMCA

Hỗ trợ

Hướng dẫn sử dụng

Đăng ký tài khoản VIP

Zalo/Tel:

093 303 0098

Email:

support@tailieu.vn

Phương thức thanh toán

Theo dõi chúng tôi

Facebook

Youtube

TikTok

Chịu trách nhiệm nội dung: Nguyễn Công Hà. ©2025 Công ty TNHH Tài Liệu trực tuyến Vi Na.

Địa chỉ: 54A Nơ Trang Long, P. Bình Thạnh, TP.HCM - Điện thoại: 0283 5102 888 - Email: info@tailieu.vn

Giấy phép Mạng Xã Hội số: 670/GP-BTTTT cấp ngày 30/11/2015