論文の概要: Classification of Pedagogical content using conventional machine
learning and deep learning model
- arxiv url: http://arxiv.org/abs/2101.07321v1
- Date: Mon, 18 Jan 2021 20:29:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-27 07:24:25.637555
- Title: Classification of Pedagogical content using conventional machine
learning and deep learning model
- Title(参考訳): 従来の機械学習とディープラーニングモデルを用いた教育内容の分類
- Authors: Vedat Apuk, Krenare Pireva Nu\c{c}i
- Abstract要約: 本論文では,従来のモデルからK-Nearest Neighbor (KNN) と深層学習モデルからLong Short-term Memory (LSTM)リカレントニューラルネットワークの2つの異なるモデルを用いて教育的コンテンツを分類する。
教育内容の分類精度は、KNNモデルで92.52 %、LSTMモデルで87.71 %に達する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The advent of the Internet and a large number of digital technologies has
brought with it many different challenges. A large amount of data is found on
the web, which in most cases is unstructured and unorganized, and this
contributes to the fact that the use and manipulation of this data is quite a
difficult process. Due to this fact, the usage of different machine and deep
learning techniques for Text Classification has gained its importance, which
improved this discipline and made it more interesting for scientists and
researchers for further study. This paper aims to classify the pedagogical
content using two different models, the K-Nearest Neighbor (KNN) from the
conventional models and the Long short-term memory (LSTM) recurrent neural
network from the deep learning models. The result indicates that the accuracy
of classifying the pedagogical content reaches 92.52 % using KNN model and
87.71 % using LSTM model.
- Abstract(参考訳): インターネットの出現と多くのデジタル技術によって、様々な課題がもたらされた。
大量のデータがWeb上で発見され、多くの場合、構造化されておらず、組織化されていないため、このデータの使用と操作は極めて難しいプロセスであるという事実に寄与する。
この事実により、テキスト分類における異なる機械学習技術とディープラーニング技術の使用が重要となり、この分野を改善し、科学者や研究者にとってさらなる研究がより興味深いものとなった。
本稿では,従来のモデルからk-nearest neighbor(knn),ディープラーニングモデルからlong short-term memory(lstm)リカレントニューラルネットワークの2つの異なるモデルを用いて,教育内容の分類を行う。
その結果,教育内容の分類精度はKNNモデルで92.52 %,LSTMモデルで87.71 %に達することがわかった。
関連論文リスト
- Optimizing Dense Feed-Forward Neural Networks [0.0]
本稿では,プルーニングと移動学習に基づくフィードフォワードニューラルネットワークの構築手法を提案する。
提案手法では,パラメータ数を70%以上圧縮できる。
また、ニューラルネットワークをスクラッチからトレーニングしたモデルと元のモデルを比較し、トランスファー学習レベルを評価した。
論文 参考訳(メタデータ) (2023-12-16T23:23:16Z) - Hybrid Quantum Neural Network in High-dimensional Data Classification [1.4801853435122907]
本稿では,古典的畳み込み層と量子ニューラルネットワークを組み合わせた新しいモデルアーキテクチャを提案する。
この実験は、Bird-CLEF 2021データセットから高次元オーディオデータを分類することを目的としている。
論文 参考訳(メタデータ) (2023-12-02T04:19:23Z) - LowDINO -- A Low Parameter Self Supervised Learning Model [0.0]
本研究は,小規模ネットワークが巨大ネットワークの特性を活用可能なニューラルネットワークアーキテクチャの設計の可能性を検討することを目的とする。
これまでの研究では、畳み込みニューラルネットワーク(ConvNet)を使用することで、固有の帰納バイアスが得られることが示されている。
パラメータの数を減らすために、MobileViTブロックを使用してアテンションメカニズムを利用する。
論文 参考訳(メタデータ) (2023-05-28T18:34:59Z) - A Comprehensive Overview and Comparative Analysis on Deep Learning
Models: CNN, RNN, LSTM, GRU [0.8258451067861933]
機械学習(ML)と人工知能(AI)の強力なサブセットとして、ディープラーニング(DL)が登場した
その影響は、音声認識、ヘルスケア、自動運転車、サイバーセキュリティ、予測分析など、さまざまな分野に及んでいる。
我々は、CNN、リカレントニューラルネットワーク(RNN)、生成モデル、深層強化学習(DRL)、深層移動学習など、さまざまなディープラーニングモデルの総合的な調査を行う。
論文 参考訳(メタデータ) (2023-05-27T13:23:21Z) - Data-Free Adversarial Knowledge Distillation for Graph Neural Networks [62.71646916191515]
グラフ構造化データ(DFAD-GNN)を用いたデータフリー逆知識蒸留のための第1のエンドツーエンドフレームワークを提案する。
具体的には、DFAD-GNNは、教師モデルと学生モデルとを2つの識別器とみなし、教師モデルから学生モデルに知識を抽出するために学習グラフを導出するジェネレータという、主に3つの成分からなる生成的対向ネットワークを採用している。
我々のDFAD-GNNは、グラフ分類タスクにおける最先端のデータフリーベースラインを大幅に上回っている。
論文 参考訳(メタデータ) (2022-05-08T08:19:40Z) - Comparison Analysis of Traditional Machine Learning and Deep Learning
Techniques for Data and Image Classification [62.997667081978825]
本研究の目的は、コンピュータビジョン2次元オブジェクト分類タスクに使用される最も一般的な機械学習およびディープラーニング技術を分析し比較することである。
まず、視覚語モデルと深部畳み込みニューラルネットワーク(DCNN)の理論的背景を示す。
次に、Bag of Visual Wordsモデル、VGG16 CNN Architectureを実装します。
論文 参考訳(メタデータ) (2022-04-11T11:34:43Z) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳(メタデータ) (2021-09-10T13:07:11Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳(メタデータ) (2021-06-17T17:26:31Z) - An Empirical Analysis of Image-Based Learning Techniques for Malware
Classification [4.111899441919165]
本稿では,ディープラーニング技術と画像に基づく特徴を用いたマルウェア分類について検討する。
私たちは、多層パーセプトロン(MLP)、畳み込みニューラルネットワーク(CNN)、長期短期メモリ(LSTM)、ゲートリカレントユニット(GRU)など、幅広いディープラーニング技術を採用しています。
論文 参考訳(メタデータ) (2021-03-24T16:10:05Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳(メタデータ) (2020-12-15T16:29:49Z) - A Systematic Approach to Featurization for Cancer Drug Sensitivity
Predictions with Deep Learning [49.86828302591469]
35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。
RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
論文 参考訳(メタデータ) (2020-04-30T20:42:17Z)
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。