Распознавание движений при прыжках с помощью видео является значительным вкладом, поскольку оно значительно влияет на интеллектуальные приложения и будет широко применяться в жизни. Этот метод может быть использован для обучения будущих танцоров с использованием инновационных технологий. Сложные позы будут повторяться и совершенствоваться с течением времени, что снизит нагрузку на инструктора при многократном выполнении. Танцоров также можно воссоздать, удалив элементы из их изображений. Распознавать движения танцоров, проверять и корректировать их позы, и еще одним важным аспектом является то, что наша модель может извлекать когнитивные функции для эффективной оценки и классификации, а глубокое обучение в настоящее время является одним из лучших способов сделать это для возможностей коротких видеороликов. Кроме того, при оценке качества видеозаписи выступления точность выполнения каждого танцевального шага является сложной проблемой, когда глаза судей не могут на 100% сфокусироваться на танце на сцене. Более того, танцы на видео сегодня представляют большой интерес для ученых, поскольку технологии все больше развиваются и становятся полезными для замены людей. Основываясь на реальных условиях и потребностях Вьетнама. В этой статье мы предлагаем метод, заменяющий ручную оценку, и наш подход используется для оценки танца с помощью коротких видеороликов. Кроме того, мы проводим танцевальный анализ с помощью коротких видеороликов, применяя таким образом такие методы, как глубокое обучение, для оценки и сбора данных, на основе которых можно делать точные выводы. Эксперименты показывают, что наша оценка является относительно точной, когда рассчитываются значения точности и F1-балла. Точность составляет более 92,38% и 91,18% F1-балла соответственно. Это демонстрирует, что наш метод хорошо и точно работает при анализе оценки танца.
В работе рассмотрено применение модели машинного обучения для определения оптимальной стратегии пользователя для победы в аукционе на покупку товара/услуги с использованием задачи наилучшего выбора. Применение модели наилучшего выбора позволяет участникам аукциона определить стратегию, которая минимизирует ожидаемую стоимость товара/услуги на основе функции распределения его цен. На практике наиболее часто цены на товар, услугу или ресурс имеют распределение, близкое к нормальному или к смеси нормальных распределений. Возникают задачи определения числа компонент смеси нормальных распределений и определения ее параметров. Одним из распространенных методов для определения числа компонент смеси распределений является BIC критерий. Оценить неизвестные параметры смеси нормальных распределений при фиксированном числе компонент можно с помощью EM-алгоритма, однако временные затраты на оценку параметров данным методом возрастают как при увеличении объёма выборки, так и при увеличении числа рассматриваемых компонент смеси. Разработана классификационная модель машинного обучения на основе сверточной нейронной сети для автоматизации и ускорения процесса определения числа компонент смеси нормальных распределений и оценки ее параметров. Приведены результаты тренировки и тестирования модели машинного обучения. Проведено сравнение применения разработанной модели с другими алгоритмами, не использующими нейронные сети. Результаты показывают, что предложенная модель позволяет эффективно определить наиболее подходящее число компонент для смеси нормальных распределений и уменьшает скорость вычисления параметров распределения при применении EM-алгоритма. Модель машинного обучения может быть применена в различных областях, например, в финансовом анализе или для определения оптимальной стратегии в аукционе на аренду вычислительного ресурса.
Исследования чат-ботов значительно продвинулись за эти годы. Предприятия изучают, как улучшить производительность, принятие и внедрение этих инструментов, чтобы общаться с клиентами или внутренними командами через социальные сети. Кроме того, предприятия также хотят обращать внимание на качественные отзывы клиентов в социальных сетях о продуктах, доступных на рынке. Оттуда, пожалуйста, выберите новый метод для улучшения качества обслуживания своих продуктов, а затем отправьте его в издательские агентства для публикации на основе потребностей и оценки общества. Несмотря на то, что в последнее время было проведено множество исследований, не все из них затрагивают вопрос оценки мнений о системе чат-ботов. Основная цель исследования в этой статье — оценить человеческие комментарии на английском языке с помощью системы чат-ботов. Документы системы предварительно обрабатываются и сопоставляются мнения, чтобы предоставить заключения на основе комментариев на английском языке. Основанная на практических потребностях и социальных условиях, эта методология направлена на развитие контента чат-бота на основе взаимодействия с пользователем, что позволяет осуществлять циклический и контролируемый человеком процесс со следующими этапами оценки комментариев на английском языке. Сначала мы предварительно обрабатываем входные данные, собирая комментарии в социальных сетях, а затем наша система анализирует эти комментарии в соответствии с рейтингом просмотров по каждой затронутой теме. Наконец, данная система будет давать рейтинг и результат комментариев для каждого комментария, введенного в систему. Эксперименты показывают, что данный метод может повысить точность на 78,53% лучше, чем упомянутые методы.
1 - 3 из 3 результатов