論文の概要: Boarding House Renting Price Prediction Using Deep Neural Network
Regression on Mobile Apps
- arxiv url: http://arxiv.org/abs/2101.02033v1
- Date: Thu, 31 Dec 2020 15:12:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-17 22:50:22.713001
- Title: Boarding House Renting Price Prediction Using Deep Neural Network
Regression on Mobile Apps
- Title(参考訳): モバイルアプリにおけるディープニューラルネットワーク回帰を用いた寄宿価格予測
- Authors: Malik Abdul Aziz, Fahmi Nurrahim, Prastyo Eko Susanto, Yurio
Windiatmoko
- Abstract要約: 寄宿家賃を求める学生は、希望する様々な側面を比較するのにより多くの努力を必要とする。
都市,地域,寄宿舎の種類,施設など,複数の変数を比較して学生のニーズに応じて価格を予測できるモバイルアプリケーションを開発した。
本研究の結果から, 入居住宅の賃貸価格の予測には, 決定した変数と, ディープニューラルネットワーク回帰を用いた変数のモデル化が有効であることが示唆された。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Boarding house is the most important requirement, especially for college
students who live far away from the city, place of his origin or house.
However, the problem we see now is the uneven distribution of study places in
Indonesia which 75% of the best top educational institutions come from the
island of Java. So, students who are looking for boarding houses rent requires
more effort in comparing the various aspects desired. They need to survey one
by one to the boarding house they want, even though they can survey online, it
still requires more effort to pay attention to the desired facilities one by
one. Therefore, we then created an Mobile Application that can predict prices
based on student needs by comparing several variables, namely city, area, type
of boarding house, and facilities. So, students can easily estimate the ideal
price. The results of this study prove that we have succeeded in predicting
prices for boarding houses rent well based on the variables we have determined,
and modeling that variables using Deep Neural Network Regression.
- Abstract(参考訳): ボードハウスは最も重要な要件であり、特に市内から遠く離れた、出身地や自宅の場所に住む大学生にとって重要である。
しかし、現在私たちが目にしている問題は、ジャワ島から最高の教育機関の75%が来ていたインドネシアにおける研究場所の不均一な分布です。
そのため、寄宿家賃を求める学生は、希望するさまざまな側面を比較するのにより多くの努力が必要である。
オンライン調査はできるものの、希望する施設に1人ずつ注意を払うのに、より多くの労力が要る。
そこで我々は,学生のニーズに応じて,都市,地域,寄宿舎の種類,施設など,いくつかの変数を比較して価格を予測するモバイルアプリケーションを開発した。
そのため、学生は理想的な価格を簡単に見積もることができる。
本研究の結果から, 入居住宅の賃貸価格の予測には, 決定した変数と, ディープニューラルネットワーク回帰を用いた変数のモデル化が有効であることが示唆された。
関連論文リスト
- Meta-Learning over Time for Destination Prediction Tasks [53.12827614887103]
交通分野における公共目的と民間目標の両方を、車両の行動を理解し、予測する必要がある。
近年の研究では、時間情報の導入による予測性能の限界改善しか見出されていない。
本稿では、ニューラルネットワークが入力に応じて自身の重みを変えることを学習するハイパーネットワークに基づくアプローチを提案する。
論文 参考訳(メタデータ) (2022-06-29T17:58:12Z) - Using Machine Learning to Evaluate Real Estate Prices Using Location Big
Data [0.5033155053523041]
一般的な回帰モデルとツリーベースモデルの予測能力を向上させるために,モバイル位置情報が有効かどうかを検討する。
本研究では,1週間あたり500m以内の利用者を収集した不動産データから,個別の資産にアタッチすることで,移動データを処理した。
これらの動的国勢調査の特徴に加えて, 住民数, 通勤者数, 通勤者数, 住民数など, 静的な国勢調査特徴も含んでいた。
論文 参考訳(メタデータ) (2022-05-02T19:58:18Z) - House Price Prediction Based On Deep Learning [12.716429755564821]
本稿では,既存の住宅価格予測手法を要約し,混合深度ビジョンとテキスト特徴に基づく住宅価格予測手法を提案する。
不動産価格をよりよく把握するため、消費者は合理的に住宅を購入し、政府が政策を策定するための基準を提供する。
論文 参考訳(メタデータ) (2022-04-19T20:12:16Z) - Sim-to-Real 6D Object Pose Estimation via Iterative Self-training for
Robotic Bin-picking [98.5984733963713]
コスト効率の良いロボットグルーピングを容易にするために,シミュレート・トゥ・リアルな6次元オブジェクトのポーズ推定のための反復的自己学習フレームワークを提案する。
我々は、豊富な仮想データを合成するためのフォトリアリスティックシミュレータを構築し、これを初期ポーズ推定ネットワークのトレーニングに利用する。
このネットワークは教師モデルの役割を担い、未ラベルの実データに対するポーズ予測を生成する。
論文 参考訳(メタデータ) (2022-04-14T15:54:01Z) - AutoDistil: Few-shot Task-agnostic Neural Architecture Search for
Distilling Large Language Models [121.22644352431199]
ニューラルアーキテクチャサーチ (NAS) を用いて、大容量モデルから可変コストで複数の圧縮された学生を自動的に抽出する。
現在の作業では、ウェイトシェアリングを備えた数百万の作業からなる1つのSuperLMをトレーニングしています。
最先端のKDおよびNAS手法に対するGLUEベンチマーク実験は、AutoDistilが先行圧縮技術より優れていることを示す。
論文 参考訳(メタデータ) (2022-01-29T06:13:04Z) - Predicting Airbnb Rental Prices Using Multiple Feature Modalities [0.6445605125467573]
位置情報,時間的,視覚的,自然言語的特徴を用いて,信頼性と正確な価格予測アルゴリズムを提案する。
この価格予測回帰タスクは、価格に基づいて類似のレンタルを推奨するなど、複数のダウンストリームの使用も可能である。
論文 参考訳(メタデータ) (2021-12-13T05:57:05Z) - Sparse Distillation: Speeding Up Text Classification by Using Bigger
Models [49.8019791766848]
最先端の変圧器モデルを軽量の学生モデルに拡張することは、推論時の計算コストを削減する効果的な方法である。
本稿では,学生モデルの設計空間における新しい領域を探索することにより,推論速度の限界をさらに推し進めることを目的とする。
実験の結果,RoBERTa-Large教師の授業成績の97%を6つのテキスト分類タスクのコレクションに保持していることがわかった。
論文 参考訳(メタデータ) (2021-10-16T10:04:14Z) - Prediction of Students performance with Artificial Neural Network using
Demographic Traits [2.7636476571082373]
本研究は, ニュートラルネットワークを用いた学生の成績予測システムを開発することを目的とする。
モデルは入力として選択された変数に基づいて開発された。
精度は92.3%を超え、ニューラルネットワークの有効性を示した。
論文 参考訳(メタデータ) (2021-08-08T11:46:41Z) - Exploring Bayesian Deep Learning for Urgent Instructor Intervention Need
in MOOC Forums [58.221459787471254]
大規模なオープンオンラインコース(MOOC)は、その柔軟性のおかげで、eラーニングの一般的な選択肢となっている。
多くの学習者とその多様な背景から、リアルタイムサポートの提供は課税されている。
MOOCインストラクターの大量の投稿と高い作業負荷により、インストラクターが介入を必要とするすべての学習者を識別できる可能性は低いです。
本稿では,モンテカルロドロップアウトと変分推論という2つの手法を用いて,学習者によるテキスト投稿のベイジアン深層学習を初めて検討する。
論文 参考訳(メタデータ) (2021-04-26T15:12:13Z) - Playing Lottery Tickets with Vision and Language [62.6420670250559]
大規模トランスフォーマーによる事前学習は視覚言語(V+L)研究に革命をもたらした。
並行して、宝くじチケット仮説の研究は、ディープニューラルネットワークには、分離訓練時に高密度ネットワークよりも同等またはさらに優れたパフォーマンスを達成できる小さなマッチングワークが含まれていることを示しています。
テストベッドとして最高の性能を持つV+Lモデルの1つであるUNITERを使用し、実験のために7つの代表的なV+Lタスクを統合する。
論文 参考訳(メタデータ) (2021-04-23T22:24:33Z) - Integrating Floor Plans into Hedonic Models for Rent Price Appraisal [0.0]
本研究では,オンライン不動産プラットフォームにおけるマンションフロア計画の視覚的自動分析が,ヘドニック賃貸価格評価をいかに高めるかを検討する。
歴史的価格データからフロアプランの価格関連設計を学ぶために,2段階の深層学習手法を提案する。
9174の不動産リストのユニークなデータセットに基づく経験的分析は、現在のヘドニックモデルが利用可能なデータを過小に活用していることを示唆している。
論文 参考訳(メタデータ) (2021-02-16T14:05:33Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。