Hallo an alle. Bereits in diesem Monat beginnt bei OTUS ein neuer Kurs - "Mathematik für Datenwissenschaften " . Im Vorgriff auf den Beginn dieses Kurses teilen wir Ihnen traditionell die Übersetzung von interessantem Material mit.

Anmerkung . Deep Learning ist die Spitze der Forschung zum maschinellen Lernen (ML). Es besteht aus mehreren verborgenen Schichten künstlicher neuronaler Netze. Die Deep-Learning-Methode verwendet nichtlineare Transformationen und Modellabstraktionen auf hoher Ebene in großen Datenbanken. Die jüngsten Fortschritte bei der Implementierung der Deep-Learning-Architektur in zahlreichen Bereichen haben bereits einen wesentlichen Beitrag zur Entwicklung der künstlichen Intelligenz geleistet. Dieser Artikel präsentiert eine moderne Studie über den Beitrag und die neuen Anwendungen des tiefen Lernens. Die folgende Übersicht zeigt in chronologischer Reihenfolge, wie und in welchen wichtigen Anwendungen Deep-Learning-Algorithmen verwendet wurden. Darüber hinaus werden die Vorteile und Vorzüge der Deep-Learning-Methodik in ihrer mehrschichtigen Hierarchie und ihren nichtlinearen Operationen dargestellt, die mit herkömmlichen Algorithmen in gewöhnlichen Anwendungen verglichen werden. Ein Rückblick auf die jüngsten Fortschritte auf diesem Gebiet zeigt ferner gemeinsame Konzepte, die ständig wachsenden Vorteile und die Popularität von Deep Learning.

1. Einleitung

Künstliche Intelligenz (KI) als die von Maschinen demonstrierte Intelligenz ist ein wirksamer Ansatz zum Verständnis des menschlichen Lernens und zur Bildung von Argumenten [1]. 1950 wurde der Turing-Test als zufriedenstellende Erklärung dafür vorgeschlagen, wie ein Computer das kognitive Denken einer Person reproduzieren kann [2]. Als Forschungsgebiet ist die KI in spezifischere Subdomänen unterteilt. Zum Beispiel: Natural Language Processing (NLP) [3] kann die Schreibqualität in verschiedenen Anwendungen verbessern [4.17]. Die klassischste Einheit in NLP ist die maschinelle Übersetzung, die als Übersetzung zwischen Sprachen verstanden wird. Algorithmen für maschinelle Übersetzung haben zur Entstehung verschiedener Anwendungen beigetragen, die die grammatikalische Struktur und Rechtschreibfehler berücksichtigen. Darüber hinaus werden die Wörter und das Vokabular zum Thema des Materials automatisch als Hauptquelle verwendet, wenn der Computer Änderungen für den Autor oder Herausgeber vorschlägt [5]. In Abb. Abbildung 1 zeigt detailliert, wie KI sieben Bereiche der Informatik abdeckt.

In jüngster Zeit sind maschinelles Lernen und Data Mining in den Mittelpunkt gerückt und zu den beliebtesten Themen in der Forschungsgemeinschaft geworden. Die Gesamtheit dieser Forschungsbereiche analysiert die vielfältigen Möglichkeiten zur Charakterisierung von Datenbanken [9]. Im Laufe der Jahre wurden Datenbanken zu statistischen Zwecken zusammengestellt. Statistische Kurven können Vergangenheit und Gegenwart beschreiben, um zukünftige Verhaltensmuster vorherzusagen. In den letzten Jahrzehnten wurden jedoch nur klassische Methoden und Algorithmen verwendet, um diese Daten zu verarbeiten, während die Optimierung dieser Algorithmen die Grundlage für effektives Selbstlernen bilden könnte [19]. Ein verbesserter Entscheidungsprozess kann basierend auf vorhandenen Werten, mehreren Kriterien und erweiterten Statistikmethoden implementiert werden. Eine der wichtigsten Anwendungen dieser Optimierung ist daher die Medizin, bei der Symptome, Ursachen und medizinische Entscheidungen große Datenbanken erstellen, anhand derer die beste Behandlung ermittelt werden kann [11].

Abb. 1. Forschung auf dem Gebiet der künstlichen Intelligenz (KI) Quelle: [1].

Da ML ein breites Spektrum von Studien abdeckt, wurden bereits viele Ansätze entwickelt. Clustering, das Bayes'sche Netzwerk, tiefes Lernen und die Analyse des Entscheidungsbaums sind nur einige davon. Die folgende Übersicht konzentriert sich hauptsächlich auf Deep Learning, seine Grundkonzepte, bewährten und modernen Anwendungen in verschiedenen Bereichen. Darüber hinaus werden mehrere Zahlen vorgestellt, die das schnelle Wachstum von Veröffentlichungen mit Forschungen auf dem Gebiet des Deep Learning in den letzten Jahren in wissenschaftlichen Datenbanken widerspiegeln.

2. Die theoretische Grundlage

Das Konzept des Deep Learning (Deep Learning - DL) erschien erstmals 2006 als neues Forschungsgebiet im Bereich des maschinellen Lernens. Ursprünglich war es in [2] als hierarchisches Lernen bekannt und umfasste in der Regel viele Forschungsbereiche im Zusammenhang mit der Mustererkennung. Deep Learning berücksichtigt hauptsächlich zwei Schlüsselfaktoren: nichtlineare Verarbeitung in mehreren Schichten oder Stufen und Training unter oder ohne Aufsicht [4]. Nichtlineare Verarbeitung in mehreren Schichten bezieht sich auf einen Algorithmus, bei dem die aktuelle Schicht die Ausgabe der vorherigen Schicht als Eingabe akzeptiert. Zwischen den Ebenen wird eine Hierarchie erstellt, um die Wichtigkeit der Daten zu bestimmen, deren Nutzen festgelegt werden soll. Auf der anderen Seite ist kontrolliertes und unkontrolliertes Lernen mit einer Bezeichnung von Zielklassen verbunden: Seine Anwesenheit impliziert ein kontrolliertes System, und Abwesenheit bedeutet unkontrolliert.

3. Anwendungen

Deep Learning umfasst Schichten abstrakter Analyse und hierarchischer Methoden. Es kann jedoch in zahlreichen realen Anwendungen verwendet werden. Zum Beispiel bei der digitalen Bildverarbeitung; Schwarzweißbilder wurden zuvor von Benutzern handgemalt, die jede Farbe nach eigenem Ermessen auswählen mussten. Mit dem Deep-Learning-Algorithmus kann das Färben automatisch mit einem Computer durchgeführt werden [10]. Auf die gleiche Weise kann einem Video zum Spielen von Schlagzeug ohne Ton mithilfe von RNNs (Recurrent Neural Networks), die Teil von Deep-Learning-Methoden sind, Ton hinzugefügt werden [18].

Deep Learning kann als Methode zur Verbesserung der Ergebnisse und zur Optimierung der Verarbeitungszeit in mehreren Rechenprozessen vorgestellt werden. Auf dem Gebiet der Verarbeitung natürlicher Sprache wurden Deep-Learning-Methoden angewendet, um Bildunterschriften [20] und die Erstellung von handschriftlichem Text [6] zu erstellen. Die folgenden Anwendungen werden in Bereichen wie digitale Bildgebung, Medizin und Biometrie detaillierter klassifiziert.

3.1 Bildverarbeitung

Bevor Deep Learning offiziell als neuer Forschungsansatz etabliert wurde, wurden einige Anwendungen als Teil des Konzepts der Mustererkennung durch Schichtverarbeitung implementiert. Im Jahr 2003 wurde ein interessantes Beispiel unter Verwendung der Partikelfilterung und des Bayesian-Belief-Propagation-Algorithmus entwickelt. Das Grundkonzept dieser Anwendung geht davon aus, dass eine Person das Gesicht einer anderen Person erkennen kann, indem sie nur die Hälfte des Gesichtsbilds betrachtet [14], sodass der Computer das Gesichtsbild aus dem zugeschnittenen Bild wiederherstellen kann.

Später im Jahr 2006 wurden der gierige Algorithmus und die Hierarchie zu einer Anwendung kombiniert, die handschriftliche Ziffern verarbeiten kann [7]. Jüngste Studien haben Deep Learning als primäres Werkzeug für die digitale Bildverarbeitung verwendet. Beispielsweise kann die Verwendung von Convolutional Neural Networks (CNN) zur Erkennung der Iris effektiver sein als die Verwendung herkömmlicher Sensoren. Die CNN-Effizienz kann eine Genauigkeit von 99,35% erreichen [16].

Die mobile Standorterkennung ermöglicht es dem Benutzer derzeit, anhand des Bildes eine bestimmte Adresse zu ermitteln. Der SSPDH-Algorithmus (Supervised Semantics - Preserving Deep Hashing) erwies sich als signifikante Verbesserung gegenüber VHB (Visual Hash Bit) und SSFS (Space - Saliency Fingerprint Selection). Die SSPDH-Genauigkeit ist um bis zu 70% effizienter [15].

Eine weitere bemerkenswerte Anwendung in der digitalen Bildverarbeitung unter Verwendung der Deep-Learning-Methode ist die Gesichtserkennung. Google, Facebook und Microsoft verfügen über einzigartige Gesichtserkennungsmodelle mit Deep Learning [8]. In letzter Zeit hat sich die Identifizierung anhand eines Gesichtsbildes in eine automatische Erkennung geändert, indem Alter und Geschlecht als Anfangsparameter bestimmt wurden. Sighthound Inc. hat beispielsweise einen Algorithmus für ein tiefes Faltungs-Neuronales Netzwerk getestet, der nicht nur Alter und Geschlecht, sondern auch Emotionen erkennen kann [3]. Darüber hinaus wurde ein zuverlässiges System entwickelt, mit dem Alter und Geschlecht einer Person anhand eines einzigen Bildes genau bestimmt werden können, indem die Architektur des tiefen Multitasking-Lernens angewendet wird [21].

3.2 Medizin

Die digitale Bildverarbeitung ist zweifellos ein wichtiger Teil der Forschungsbereiche, in denen Deep Learning angewendet werden kann. In gleicher Weise wurden kürzlich klinische Anwendungen getestet. Beispielsweise hat ein Vergleich zwischen Lernen auf niedrigem Niveau und tiefem Lernen in neuronalen Netzen zu einer besseren Wirksamkeit bei der Vorhersage von Krankheiten geführt. Das mit Magnetresonanztomographie (MRT) [22] vom menschlichen Gehirn erhaltene Bild wurde verarbeitet, um eine mögliche Alzheimer-Krankheit vorherzusagen [3]. Trotz des schnellen Erfolgs dieses Verfahrens sollten einige Probleme für zukünftige Anwendungen ernsthaft in Betracht gezogen werden. Eine der Einschränkungen ist das Training und die Abhängigkeit von hoher Qualität. Das Volumen, die Qualität und die Komplexität der Daten sind komplexe Aspekte. Die Integration heterogener Datentypen ist jedoch ein potenzieller Aspekt der Deep-Learning-Architektur [17, 23].

Die optische Kohärenztomographie (OCT) ist ein weiteres Beispiel, bei dem Deep-Learning-Techniken signifikante Ergebnisse zeigen. Traditionell werden Bilder durch manuelle Entwicklung von Faltungsmatrizen verarbeitet [12]. Leider schränkt der Mangel an Trainingssätzen die Methode des tiefen Lernens ein. Trotzdem wird die Einführung verbesserter Trainingssätze im Laufe mehrerer Jahre Netzhautpathologien effektiv vorhersagen und die Kosten der OCT-Technologie senken [24].

3.3 Biometrie

Im Jahr 2009 wurde eine Anwendung zur automatischen Spracherkennung angewendet, um die Häufigkeit von Telefonfehlern (Phone Error Rate - PER) mithilfe von zwei verschiedenen Deep-Trust-Netzwerkarchitekturen zu reduzieren [18]. 2012 wurde die CNN-Methode [25] als Teil eines hybriden neuronalen Netzwerks angewendet - des Hidden Markov Model - NN - HMM. Als Ergebnis wurde ein PER von 20,07% erreicht. Die resultierende PER ist besser als die zuvor verwendete 3-Schicht-Basismethode für neuronale Netze [26]. Smartphones und die Auflösung ihrer Kameras wurden getestet, um die Iris zu erkennen. Bei Verwendung von Mobiltelefonen, die von verschiedenen Unternehmen entwickelt wurden, kann die Erkennungsgenauigkeit der Iris einen Wirkungsgrad von bis zu 87% erreichen [22,28].

Unter Sicherheitsgesichtspunkten, insbesondere bei der Zugangskontrolle; Deep Learning wird in Verbindung mit biometrischen Eigenschaften verwendet. DL wurde verwendet, um die Entwicklung und Optimierung von FaceSentinel-Gesichtserkennungsgeräten zu beschleunigen. Laut diesem Hersteller können ihre Geräte den Identifizierungsprozess in neun Monaten von eins zu eins auf eins zu viele erweitern [27]. Dieses Motor-Upgrade könnte ohne die Einführung von DL 10 Mannjahre dauern. Was die Produktion und den Start von Geräten beschleunigte. Diese Geräte werden am Flughafen London Heathrow eingesetzt und können auch zur Erfassung von Arbeitszeiten und Anwesenheit sowie im Bankensektor verwendet werden [3, 29].

4. Übersicht

Tabelle 1 fasst einige der Anwendungen zusammen, die in den vergangenen Jahren in Bezug auf Deep Learning implementiert wurden. Meist werden Spracherkennung und Bildverarbeitung erwähnt. Diese Überprüfung deckt nur einige der langen Verwendungslisten ab.

Tabelle 1. Deep Learning-Anwendungen, 2003–2017

( Anwendung: 2003 - Hierarchische Bayes'sche Inferenz im visuellen Kortex; 2006 - Klassifizierung von Zahlen; 2006 - Tiefes Vertrauensnetzwerk für die Telefonerkennung; 2012 - Spracherkennung aus mehreren Quellen; 2015 - Erkennung der Iris mit Smartphone-Kameras; 2016 - Mastering Gehen Sie tief Baumsuche neuronale Netze; 2017 - sensorisches Erkennungsmodell für Iris).

4.1 Analyse der Veröffentlichungen für das Jahr

In Abb. Abbildung 1 zeigt die Anzahl der Deep-Learning-Veröffentlichungen aus der ScienceDirect-Datenbank pro Jahr von 2006 bis Juni 2017. Offensichtlich könnte ein allmählicher Anstieg der Anzahl der Veröffentlichungen ein exponentielles Wachstum beschreiben.

In Abb. Abbildung 2 zeigt die Gesamtzahl der Springer Deep Learning-Veröffentlichungen pro Jahr von Januar 2006 bis Juni 2017. Im Jahr 2016 gab es einen plötzlichen Anstieg der Veröffentlichungen auf 706 Veröffentlichungen, was beweist, dass Deep Learning tatsächlich im Mittelpunkt der modernen Forschung steht.

In Abb. Abbildung 3 zeigt die Anzahl der Veröffentlichungen auf Konferenzen, Magazinen und IEEE-Veröffentlichungen von Januar 2006 bis Juni 2017. Es ist bemerkenswert, dass die Anzahl der Veröffentlichungen seit 2015 erheblich zugenommen hat. Die Differenz zwischen 2016 und 2015 beträgt mehr als 200% des Anstiegs.

Abb. 1. Die Zunahme der Veröffentlichungen zu Deep Learning in der Sciencedirect-Datenbank (Januar 2006 - Juni 2017)

Abb. 2. Die Zunahme der Veröffentlichungen zu Deep Learning aus der Springer-Datenbank. (Januar 2006 - Juni 2017)

Abb. 3. Die Zunahme von Deep-Learning-Veröffentlichungen aus der IEEE-Datenbank. (Januar 2006 - Juni 2017)

5. Schlussfolgerungen

Deep Learning ist eine sehr schnell wachsende Anwendung des maschinellen Lernens. Die zahlreichen oben beschriebenen Anwendungen beweisen ihre rasante Entwicklung in nur wenigen Jahren. Die Verwendung dieser Algorithmen in verschiedenen Bereichen zeigt ihre Vielseitigkeit. Eine Analyse der in dieser Studie durchgeführten Veröffentlichungen zeigt deutlich die Relevanz dieser Technologie und zeigt deutlich das Wachstum von Deep Learning und Trends in Bezug auf die zukünftige Forschung in diesem Bereich.

Darüber hinaus ist zu beachten, dass die Ebenenhierarchie und die Kontrolle beim Lernen Schlüsselfaktoren für die Entwicklung einer erfolgreichen Deep-Learning-Anwendung sind. Die Hierarchie ist wichtig für die ordnungsgemäße Klassifizierung von Daten, während die Steuerung die Bedeutung der Datenbank selbst als Teil des Prozesses berücksichtigt. Der Kernwert von Deep Learning besteht darin, vorhandene Anwendungen für maschinelles Lernen durch innovative hierarchische Verarbeitung zu optimieren. Deep Learning kann effektive Ergebnisse bei der digitalen Bildverarbeitung und Spracherkennung liefern. Eine Reduzierung des Fehleranteils (von 10 auf 20%) bestätigt deutlich die Verbesserung gegenüber bestehenden und bewährten Methoden.

In dieser Ära und in der Zukunft kann Deep Learning durch eine Kombination aus Gesichts- und Spracherkennung ein nützliches Sicherheitsinstrument sein. Darüber hinaus ist die digitale Bildverarbeitung ein Forschungsgebiet, das in vielen anderen Bereichen angewendet werden kann. Aus diesem Grund ist Deep Learning ein modernes und interessantes Thema für die Entwicklung künstlicher Intelligenz, da es sich als echte Optimierung erwiesen hat.

Gebrauchte Literatur

1. Abdel, O .: Anwendung von Faltungskonzepten für neuronale Netze auf ein hybrides NN-HMM-Modell zur Spracherkennung. Acoustics, Speech and Signal Processing 7, 4277-4280 (2012).
2. Mosavi A., Varkonyi-Koczy AR: Integration von maschinellem Lernen und Optimierung für das Roboterlernen. Fortschritte in intelligenten Systemen und Computern 519, 349-355 (2017).
3. Bannister, A .: Biometrie und KI: Wie sich FaceSentinel dank Deep Learning (2016) 13-mal schneller entwickelt.
4. Bengio, Y.: Tiefe Architekturen für KI lernen. Grundlagen und Trends des maschinellen Lernens 2, 1-127 (2009).
5. Mosavi, A., Varkonyi-Koczy, AR, Fullsack, M .: Kombination aus maschinellem Lernen und Optimierung für die automatisierte Entscheidungsfindung. MCDM (2015).
6. Deng L, Yu D Deep Learning: Methoden und Anwendungen. Grundlagen und Trends der Signalverarbeitung 7, 197-387 (2014)
7. Goel, B .: Entwicklungen auf dem Gebiet der Verarbeitung natürlicher Sprache. Internationale Zeitschrift für fortgeschrittene Forschung in der Informatik 8, (2017).
8. Vaezipour, A .: Mosavi, A. Seigerroth, U .: Integrierte Optimierung des maschinellen Lernens für die Entscheidungsfindung, 26. Europäische Konferenz für operative Forschung, Rom (2013).
9. Hinton GE, Simon O., Yee-Whye TA-Algorithmus für schnelles Lernen für Netze mit tiefem Glauben. Neural Computation 18, 1527 & ndash; 1554 (2006)
10. Hisham, A., Harin, S .: Deep Learning - das neue Kind in der künstlichen Intelligenz. (2017)
11. Kim IW, Oh, M.: Tiefes Lernen: von der Chemoinformatik zur Präzisionsmedizin. Journal of Pharmaceutical Investigation: 1-7 (2017)
12. Mosavi, A., Vaezipour, A .: Entwicklung effektiver Tools für Predictive Analytics und informierte Entscheidungen. Technischer Bericht. Universität Tallinn (2013)
13. Mosavi A., Y., Bathla, Varkonyi-Koczy AR: Vorhersage der Zukunft mithilfe des Webs
    Wissen: Fortschritte auf dem neuesten Stand der Technik in intelligenten Systemen und Computern (2017).
14. Mosavi, A., Vaezipour, A .: Reaktive Suchoptimierung; Anwendung auf Multiobjektive
    Optimierungsprobleme. Applied Mathematics 3, 1572–1582 (2012)
15. Lee JG (2017) Deep Learning in der medizinischen Bildgebung: Allgemeiner Überblick. Koreanische Zeitschrift von
    Radiology 18 (4): 570 & ndash; 584
16. Lee T.: David M Hierarchische Bayes'sche Folgerung im visuellen Kortex. JOSA 20, 1434 & ndash; 1448
    (2003).
17. Liu W Deep Learning Hashing für die mobile visuelle Suche. EURASIP Journal on Image und
    Videoverarbeitung 17, (2017).
18. Marra F .: Ein Deep-Learning-Ansatz zur Identifizierung von Irissensormodellen. Mustererkennungsbriefe (2017).
19. Miotto R et al. (2017) Deep Learning für das Gesundheitswesen: Rückblick, Chancen und Herausforderungen.
    Briefings in Bioinformatik
20. Mohamed A.: Deep-Believe-Netzwerke für die Telefonerkennung. Nips Workshop zum Thema Deep Learning
    für Spracherkennung und verwandte Anwendungen: 1, 635-645 (2009).
21. Moor. J.: Der Turing-Test: der schwer fassbare Standard der künstlichen Intelligenz. Springer Science &
    Wirtschaftsmedien (2003).
22. Vaezipour, A. Mosavi, U. Seigerroth, A .: Visuelle Analyse und fundierte Entscheidungen in Bezug auf die Gesundheit
    und Biowissenschaften, Internationale CAE-Konferenz, Verona, Italien (2013)
23. Raja KB, Raghavendra R, Vemuri VK, Busch C (2015) Smartphone-basierte sichtbare Iris
    Erkennung durch tiefe, spärliche Filterung. Pattern Recognition Letters 57: 33-42.
24. Safdar S., Zafar S., Zafar N., Khan NF (2017) Auf maschinellem Lernen basierende Entscheidungsunterstützungssysteme (DSS) für die Diagnose von Herzerkrankungen: eine Übersicht. Überprüfung der künstlichen Intelligenz: 1-17
25. Mosavi, A. Varkonyi. A.: Lernen in der Robotik. Lernen 157, (2017)
26. Xing J., Li K., Hu W., Yuan C., Ling H. et al. (2017) Diagnose von Deep-Learning-Modellen für High
    Genauigkeit Altersschätzung aus einem einzelnen Bild. Mustererkennung
27. Mosavi, A. Rabczuk, T.: Lernen und intelligente Optimierung für Computermaterialien
    Designinnovation, Lernen und intelligente Optimierung, Springer-Verlag, (2017)
28. Vaezipour, A., et al., Visuelle Analyse für informierte Entscheidungen, Internationale CAE-Konferenz, Verona, Italien, (2013).
29. Dehghan, A .: DAGER: Deep Age, Gender und Emotionserkennung mit Convolutional
    Neural Network3, 735-748 (2017)
30. Mosavi, A: Predictive Decision Model, 2015, https://doi.org/10.13140/RG.2.2.21094.630472
31. Vaezipour, A., et al.: Visuelle Analyse und fundierte Entscheidungen in den Gesundheits- und Biowissenschaften. "
    Vortrag in Proceedings of International CAE Conference, Verona, Italien. (2013).
32. Vaezipour, A.: Visuelle Analyse für fundierte Entscheidungen, CAE-Konferenz, Italien, (2013).
33. A.Vaezipour, A.:Maschinenlernen integrierte Optimierung für die Entscheidungsfindung. 26. Europäische Konferenz für operationelle Forschung, Rom (2013).
34. Vaezipour, A .: Visuelle Analytik für die Entscheidungsanalyse mit mehreren Kriterien, in Proceedings of International CAE Conference, Verona, Italien (2013).
35. Mosavi, A., Vaezipour, A .: Entwicklung effektiver Tools für Predictive Analytics und informierte Entscheidungen. Technischer Bericht. (2013). https://doi.org/10.13140/RG.2.2.23902.84800
36. Mosavi A., Varkonyi-Koczy AR: Integration von maschinellem Lernen und Optimierung für
    Roboter lernen Fortschritte in intelligenten Systemen und Computern 519, 349-355 (2017).
37. Mosavi, A., Varkonyi, A .: Lernen in der Robotik. Learning, 157 (2017).
38. Mosavi, A.: Software-Architektur für die Entscheidungsfindung; der durch Visualisierung und Data Mining unterstützte Ansatz. Internationale Zeitschrift für Informations- und Informatik 3, 12-26 (2014).
39. Mosavi, A.: Das groß angelegte System der Entscheidungsfindung nach mehreren Kriterien; Vorverarbeitung
    Theorie und Anwendungen komplexer Systeme im großen Maßstab 9, 354-359 (2010).
40. Esmaeili, M., Mosavi, A.: Variable Reduktion zur multiobjektiven Optimierung unter Verwendung von Daten
    Bergbautechniken. Computer Engineering and Technology 5, 325 & ndash; 333 (2010)
41. Mosavi, A.: Data Mining für die Entscheidungsfindung bei der Entwicklung eines optimalen Designs. Zeitschrift für KI
    und Data Mining 2, 7-14 (2014).
42. Mosavi, A., Vaezipour, A .: Visual Analytics, Obuda University, Budapest, (2015).
43. Mosavi, A., Vaezipour, A .: Reaktive Suchoptimierung; Anwendung auf Multiobjektive
    Optimierungsprobleme. Applied Mathematics 3, 1572 & ndash; 1582 (2012).
44. Mosavi, A., Varkonyi-Koczy, AR, Fullsack, M .: Kombination von maschinellem Lernen und
    Optimierung für die automatisierte Entscheidungsfindung. MCDM (2015).
45. Mosavi, A., Delavar, A .: Geschäftsmodellierung, Obuda University, Budapest, (2016).
46. Mosavi, A.: Anwendung von Data Mining bei Problemen der multiobjektiven Optimierung. Internationale Zeitschrift für Simulation und multidisziplinäre Designoptimierung, 5, (2014)
47. Mosavi, A. Rabczuk, T .: Lernen und intelligente Optimierung für Materialdesigninnovation, Theoretische Informatik und allgemeine Fragen, LION11 (2017).
48. Mosavi, A., Visual Analytics, Obuda University, 2016.
49. Mosavi, A .: Vorausschauende Entscheidungsfindung, Tech Rep 2015. doi: 10.13140 / RG.2.2.16061.46561
50. Mosavi. A.: Predictive Decision Making, Predictive Decision Model, Tech. Bericht. (2015).
    https://doi.org/10.13140/RG.2.2.21094.63047
51. Mosavi, A., Lopez, A .: Varkonyi-Koczy, A .: Industrielle Anwendungen von Big Data: State of
    die Kunstumfrage, Fortschritte in intelligenten Systemen und Computer, (2017).
52. Mosavi, A., Rabczuk, T., Varkonyi-Koczy, A .: Überprüfung des neuartigen maschinellen Lernens
    Werkzeuge für das Materialdesign, Fortschritte in intelligenten Systemen und Computer, (2017).
53. Mousavi, S., Mosavi, A., Varkonyi-Koczy, AR: Ein Lastausgleichsalgorithmus für Ressourcen
    Allokation im Cloud Computing, Fortschritte in intelligenten Systemen und Computing, (2017).
54. M. Baranyai, A. Mosavi, I. Vajda, AR Varkonyi-Koczy: Optimales Design der Elektrik
    Maschinen: Umfrage zum Stand der Technik, Fortschritte bei intelligenten Systemen und Computern, (2017).
55. Mosavi, A., Benkreif, R., Varkonyi-Koczy, A .: Vergleich von Euler-Bernoulli- und Timoshenko-Strahlgleichungen für die Dynamik von Eisenbahnsystemen, Fortschritte in intelligenten Systemen
    und Computing, (2017).
56. Mosavi, A., Rituraj, R., Varkonyi-Koczy, AR: Überprüfung der multiobjektiven Optimierung
    Paket von Mode Frontier im Energiesektor, Fortschritte in intelligenten Systemen und Computer,
    (2017).
57. Mosavi, A., Bathla, Y., Varkonyi-Koczy AR: Vorhersage der Zukunft mithilfe des Webs
    Kenntnisse: Umfrage zum Stand der Technik, Fortschritte bei intelligenten Systemen und Computern,
    (2017).