論文の概要: The application of Evolutionary and Nature Inspired Algorithms in Data Science and Data Analytics

• arxiv url: http://arxiv.org/abs/2202.03859v1
• Date: Sun, 6 Feb 2022 21:22:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-09 16:28:31.605243
• Title: The application of Evolutionary and Nature Inspired Algorithms in Data Science and Data Analytics
• Title（参考訳）: データサイエンスとデータ分析における進化型・自然型アルゴリズムの応用
• Authors: Farid Ghareh Mohammadi, Farzan Shenavarmasouleh, Khaled Rasheed, Thiab Taha, M. Hadi Amini, and Hamid R. Arabnia
• Abstract要約: データサイエンスとデータ分析における進化的および自然に着想を得たアルゴリズムの発見について紹介する。 本研究では,データサイエンスと分析における進化的および自然に着想を得たアルゴリズムを用いて,4つの最適化アルゴリズムについて検討する。
• 参考スコア（独自算出の注目度）: 2.1704774442395465
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the past 30 years, scientists have searched nature, including animals and insects, and biology in order to discover, understand, and model solutions for solving large-scale science challenges. The study of bionics reveals that how the biological structures, functions found in nature have improved our modern technologies. In this study, we present our discovery of evolutionary and nature-inspired algorithms applications in Data Science and Data Analytics in three main topics of pre-processing, supervised algorithms, and unsupervised algorithms. Among all applications, in this study, we aim to investigate four optimization algorithms that have been performed using the evolutionary and nature-inspired algorithms within data science and analytics. Feature selection optimization in pre-processing section, Hyper-parameter tuning optimization, and knowledge discovery optimization in supervised algorithms, and clustering optimization in the unsupervised algorithms.
• Abstract（参考訳）: 過去30年間、科学者は大規模な科学課題を解決するための解決策を発見し、理解し、モデル化するために、動物、昆虫、生物学を含む自然を探索してきた。 バイオニクスの研究により、自然界で見られる生物学的構造や機能がどのように現代の技術を改善したかが明らかになった。 本研究では,前処理,教師付きアルゴリズム,教師なしアルゴリズムの3つの主要なトピックにおいて,データサイエンスとデータ分析における進化的および自然に着想を得たアルゴリズムの発見について述べる。 本研究では,データサイエンスとアナリティクスにおいて,進化的および自然に触発されたアルゴリズムを用いて行った4つの最適化アルゴリズムについて検討する。 事前処理部の特徴選択最適化,ハイパーパラメータチューニング最適化,教師付きアルゴリズムにおける知識発見最適化,教師なしアルゴリズムにおけるクラスタリング最適化。

関連論文リスト

• Frog-Snake prey-predation Relationship Optimization (FSRO) : A novel nature-inspired metaheuristic algorithm for feature selection [0.0]
  本研究では,Frog-Snake prey-predation Relationship Optimization (FSRO)アルゴリズムを提案する。 カエルとヘビの捕食関係から着想を得て、離散最適化問題に適用した。 提案アルゴリズムは26種類の機械学習データセットを用いて特徴選択に関する計算実験を行う。
  論文  参考訳（メタデータ） (2024-02-13T06:39:15Z)
• Nature Inspired Evolutionary Swarm Optimizers for Biomedical Image and Signal Processing -- A Systematic Review [0.0]
  論文は28のピアレビュー関連記事と26のネイチャーインスパイアされたアルゴリズムをレビューする。 これらのアルゴリズムは、読者がそれぞれのアルゴリズムの信頼性と探索段階を理解するのを助けるために、徹底的に探索され、より少ない探索と未調査のカテゴリに分離する。
  論文  参考訳（メタデータ） (2023-10-02T04:52:46Z)
• An automatic selection of optimal recurrent neural network architecture for processes dynamics modelling purposes [0.0]
  この研究には、ニューラルネットワークアーキテクチャ検索専用のアルゴリズムの提案が4つ含まれている。 アルゴリズムは進化的アルゴリズムや勾配降下法のようなよく知られた最適化手法に基づいている。 この研究は、加圧水型原子炉で発生した高速過程の数学的モデルから生成されたデータに基づく、拡張された検証研究を含む。
  論文  参考訳（メタデータ） (2023-09-25T11:06:35Z)
• Discovering Attention-Based Genetic Algorithms via Meta-Black-Box Optimization [13.131971623143622]
  全く新しい遺伝的アルゴリズムをデータ駆動方式で発見する。 我々は、選択と突然変異率の適応をクロスアテンションモジュールおよびセルフアテンションモジュールとしてパラメトリズする。 学習アルゴリズムは、未確認の最適化問題、探索次元、評価予算に適用できる。
  論文  参考訳（メタデータ） (2023-04-08T12:14:15Z)
• Introductory Studies of Swarm Intelligence Techniques [1.2930503923129208]
  群れ知能は、個体の集団的研究と、群れの知的行動につながる相互相互作用を含む。 この章では、様々な人口ベースのSIアルゴリズム、基本構造、数学的モデルについて紹介している。
  論文  参考訳（メタデータ） (2022-09-26T16:29:55Z)
• Research Trends and Applications of Data Augmentation Algorithms [77.34726150561087]
  我々は,データ拡張アルゴリズムの適用分野,使用するアルゴリズムの種類,重要な研究動向,時間経過に伴う研究の進展,およびデータ拡張文学における研究ギャップを同定する。 我々は、読者がデータ拡張の可能性を理解し、将来の研究方向を特定し、データ拡張研究の中で質問を開くことを期待する。
  論文  参考訳（メタデータ） (2022-07-18T11:38:32Z)
• Neural Combinatorial Optimization: a New Player in the Field [69.23334811890919]
  本稿では,ニューラルネットワークに基づくアルゴリズムの古典的最適化フレームワークへの導入に関する批判的分析を行う。 性能, 転送可能性, 計算コスト, 大規模インスタンスなど, これらのアルゴリズムの基本的側面を分析するために, 総合的研究を行った。
  論文  参考訳（メタデータ） (2022-05-03T07:54:56Z)
• Improving RNA Secondary Structure Design using Deep Reinforcement Learning [69.63971634605797]
  本稿では,RNA配列設計に強化学習を適用した新しいベンチマークを提案する。このベンチマークでは,目的関数を配列の二次構造における自由エネルギーとして定義する。 本稿では,これらのアルゴリズムに対して行うアブレーション解析の結果と,バッチ間でのアルゴリズムの性能を示すグラフを示す。
  論文  参考訳（メタデータ） (2021-11-05T02:54:06Z)
• Fractal Structure and Generalization Properties of Stochastic Optimization Algorithms [71.62575565990502]
  最適化アルゴリズムの一般化誤差は、その一般化尺度の根底にあるフラクタル構造の複雑性'にバウンドできることを示す。 さらに、特定の問題(リニア/ロジスティックレグレッション、隠れ/層ニューラルネットワークなど)とアルゴリズムに対して、結果をさらに専門化します。
  論文  参考訳（メタデータ） (2021-06-09T08:05:36Z)
• On the Exploitation of Neuroevolutionary Information: Analyzing the Past for a More Efficient Future [60.99717891994599]
  本稿では,神経進化過程から情報を抽出し,メタモデルを構築するアプローチを提案する。 本稿では, 異なる特徴を有する生成的対向ネットワークの神経進化的探索における最良の構造について検討する。
  論文  参考訳（メタデータ） (2021-05-26T20:55:29Z)
• AdaLead: A simple and robust adaptive greedy search algorithm for sequence design [55.41644538483948]
  我々は、容易で、拡張性があり、堅牢な進化的欲求アルゴリズム(AdaLead)を開発した。 AdaLeadは、様々な生物学的に動機づけられたシーケンスデザインの課題において、アートアプローチのより複雑な状態を克服する、驚くほど強力なベンチマークである。
  論文  参考訳（メタデータ） (2020-10-05T16:40:38Z)

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。