सभी को नमस्कार। पहले से ही इस महीने, OTUS में एक नया पाठ्यक्रम शुरू हुआ - "डेटा साइंस के लिए गणित । " इस कोर्स की शुरुआत की प्रत्याशा में, हम पारंपरिक रूप से आपके साथ दिलचस्प सामग्री का अनुवाद साझा करते हैं।

नोटबंदी । डीप लर्निंग मशीन लर्निंग (एमएल) रिसर्च में सबसे आगे है। इसमें कृत्रिम तंत्रिका नेटवर्क की कई छिपी हुई परतें होती हैं। गहरी सीखने की पद्धति बड़े डेटाबेस पर गैर-रेखीय परिवर्तनों और उच्च-स्तरीय मॉडल सार का उपयोग करती है। कई क्षेत्रों में गहन शिक्षण वास्तुकला को लागू करने में हालिया प्रगति ने पहले ही कृत्रिम बुद्धि के विकास में महत्वपूर्ण योगदान दिया है। यह लेख योगदान के एक आधुनिक अध्ययन और गहरी शिक्षा के नए अनुप्रयोगों को प्रस्तुत करता है। कालानुक्रमिक क्रम में निम्नलिखित अवलोकन, प्रस्तुत करता है कि कैसे और किन महत्वपूर्ण अनुप्रयोगों में गहन शिक्षण एल्गोरिदम का उपयोग किया गया था। इसके अलावा, गहन शिक्षण पद्धति के लाभ और फायदे इसके बहुपरत पदानुक्रम और गैर-रैखिक संचालन में प्रस्तुत किए जाते हैं, जिनकी तुलना सामान्य अनुप्रयोगों में अधिक पारंपरिक एल्गोरिदम के साथ की जाती है। क्षेत्र में हाल के अग्रिमों की समीक्षा से आम अवधारणाओं, निरंतर बढ़ते लाभ और गहन सीखने की लोकप्रियता का पता चलता है।

1. परिचय

आर्टिफिशियल इंटेलिजेंस (एआई) के रूप में मशीनों द्वारा प्रदर्शित खुफिया मानव सीखने और तर्क के गठन को समझने के लिए एक प्रभावी दृष्टिकोण है [1]। 1950 में, ट्यूरिंग टेस्ट को एक संतोषजनक विवरण के रूप में प्रस्तावित किया गया था कि कंप्यूटर किसी व्यक्ति के संज्ञानात्मक तर्क को कैसे पुन: उत्पन्न कर सकता है [2]। अनुसंधान के क्षेत्र के रूप में, AI को और अधिक विशिष्ट उप-डोमेन में विभाजित किया गया है। उदाहरण के लिए: प्राकृतिक भाषा प्रसंस्करण (एनएलपी) [3] विभिन्न अनुप्रयोगों में लेखन की गुणवत्ता में सुधार कर सकता है [4.17]। एनएलपी में सबसे क्लासिक इकाई मशीन अनुवाद है, जिसे भाषाओं के बीच अनुवाद के रूप में समझा जाता है। मशीन अनुवाद एल्गोरिदम ने विभिन्न अनुप्रयोगों के उद्भव में योगदान दिया है जो व्याकरणिक संरचना और वर्तनी त्रुटियों को ध्यान में रखते हैं। इसके अलावा, सामग्री के विषय से संबंधित शब्दों और शब्दावली का सेट स्वचालित रूप से मुख्य स्रोत के रूप में उपयोग किया जाता है जब कंप्यूटर लेखक या संपादक के लिए परिवर्तन का सुझाव देता है [5]। अंजीर में। चित्र 1 में विस्तार से दिखाया गया है कि AI कंप्यूटर विज्ञान के सात क्षेत्रों को कैसे शामिल करता है।

हाल ही में, मशीन लर्निंग और डेटा माइनिंग सुर्खियों में आए हैं और अनुसंधान समुदाय के बीच सबसे लोकप्रिय विषय बन गए हैं। इन शोध क्षेत्रों की समग्रता डेटाबेस [9] को चिह्नित करने की कई संभावनाओं का विश्लेषण करती है। वर्षों से, डेटाबेस सांख्यिकीय उद्देश्यों के लिए संकलित किया गया है। सांख्यिकीय वक्र व्यवहार के भविष्य के पैटर्न की भविष्यवाणी करने के लिए अतीत और वर्तमान का वर्णन कर सकते हैं। हालांकि, पिछले दशकों में, इस डेटा को संसाधित करने के लिए केवल शास्त्रीय तरीकों और एल्गोरिदम का उपयोग किया गया है, जबकि इन एल्गोरिदम का अनुकूलन प्रभावी आत्म-शिक्षा [19] का आधार बन सकता है। मौजूदा मूल्यों, कई मानदंडों और उन्नत आँकड़ों के तरीकों के आधार पर एक बेहतर निर्णय लेने की प्रक्रिया को लागू किया जा सकता है। इस प्रकार, इस अनुकूलन के सबसे महत्वपूर्ण अनुप्रयोगों में से एक दवा है, जहां लक्षण, कारण और चिकित्सा निर्णय बड़े डेटाबेस बनाते हैं जिनका उपयोग सबसे अच्छा उपचार निर्धारित करने के लिए किया जा सकता है [11]।

अंजीर। 1. कृत्रिम बुद्धिमत्ता (एआई) स्रोत के क्षेत्र में अनुसंधान: [१]।

चूंकि एमएल अध्ययन की एक विस्तृत श्रृंखला को कवर करता है, कई दृष्टिकोण पहले से ही विकसित किए गए हैं। क्लस्टरिंग, बायेसियन नेटवर्क, निर्णय वृक्ष के गहन सीखने और विश्लेषण उनमें से कुछ हैं। निम्नलिखित समीक्षा मुख्य रूप से गहरी शिक्षा, इसकी मूल अवधारणाओं, विभिन्न क्षेत्रों में सिद्ध और आधुनिक अनुप्रयोगों पर केंद्रित है। इसके अलावा, यह वैज्ञानिक डेटाबेसों में हाल के वर्षों में गहन शिक्षण के क्षेत्र में अनुसंधान के साथ प्रकाशनों के तेजी से विकास को दर्शाते हुए कई आंकड़े प्रस्तुत करता है।

2. सैद्धांतिक आधार

डीप लर्निंग (डीप लर्निंग - डीएल) की अवधारणा पहली बार 2006 में मशीन लर्निंग में अनुसंधान के एक नए क्षेत्र के रूप में दिखाई दी। प्रारंभ में, इसे [2] में श्रेणीबद्ध शिक्षा के रूप में जाना जाता था, और एक नियम के रूप में, इसमें पैटर्न मान्यता से संबंधित अनुसंधान के कई क्षेत्र शामिल थे। डीप लर्निंग मुख्य रूप से दो प्रमुख कारकों को ध्यान में रखता है: कई परतों या चरणों में अरेखीय प्रसंस्करण और पर्यवेक्षण के तहत या बिना प्रशिक्षण [4]। कई परतों में गैर-रेखीय प्रसंस्करण एक एल्गोरिथ्म को संदर्भित करता है जिसमें वर्तमान परत इनपुट के रूप में पिछली परत के आउटपुट को स्वीकार करती है। एक पदानुक्रम को परतों के बीच स्थापित किया जाता है ताकि उस डेटा के महत्व को व्यवस्थित किया जा सके जिसकी उपयोगिता स्थापित की जानी चाहिए। दूसरी ओर, नियंत्रित और अनियंत्रित शिक्षण लक्ष्यों के वर्गों के एक लेबल के साथ जुड़ा हुआ है: इसकी उपस्थिति एक नियंत्रित प्रणाली का अर्थ है, और अनुपस्थिति का मतलब अनियंत्रित है।

3. आवेदन

डीप लर्निंग में सार विश्लेषण और पदानुक्रमित तरीकों की परतें शामिल हैं। हालाँकि, इसका उपयोग कई वास्तविक दुनिया के अनुप्रयोगों में किया जा सकता है। एक उदाहरण के रूप में, डिजिटल इमेज प्रोसेसिंग में; श्वेत-श्याम चित्र पहले उपयोगकर्ताओं द्वारा हाथों से चित्रित किए गए थे, जिन्हें प्रत्येक रंग को अपने निर्णय के आधार पर चुनना था। गहन शिक्षण एल्गोरिथ्म को लागू करना, रंग को कंप्यूटर [10] का उपयोग करके स्वचालित रूप से किया जा सकता है। इसी तरह, रिकरंट न्यूरल नेटवर्क्स (आरएनएन) का उपयोग करते हुए ध्वनि के बिना ड्रम बजाने के वीडियो में ध्वनि को जोड़ा जा सकता है, जो कि गहरी सीखने के तरीकों का हिस्सा है [18]।

गहन सीखने को परिणामों में सुधार करने और कई कम्प्यूटेशनल प्रक्रियाओं में प्रसंस्करण समय का अनुकूलन करने की एक विधि के रूप में प्रस्तुत किया जा सकता है। प्राकृतिक भाषा प्रसंस्करण के क्षेत्र में, छवि कैप्शन [20] और हस्तलिखित पाठ पीढ़ी [6] बनाने के लिए गहन शिक्षण विधियों को लागू किया गया है। निम्नलिखित अनुप्रयोगों को डिजिटल इमेजिंग, चिकित्सा और बॉयोमीट्रिक्स जैसे क्षेत्रों में और अधिक विस्तार से वर्गीकृत किया गया है।

3.1 इमेज प्रोसेसिंग

इससे पहले कि गहरी सीखने को आधिकारिक तौर पर एक नए शोध दृष्टिकोण के रूप में स्थापित किया गया था, कुछ अनुप्रयोगों को परत प्रसंस्करण के माध्यम से पैटर्न मान्यता की अवधारणा के भाग के रूप में लागू किया गया था। 2003 में, कण फ़िल्टरिंग और बायेसियन - विश्वास प्रसार एल्गोरिथ्म का उपयोग करके एक दिलचस्प उदाहरण विकसित किया गया था। इस एप्लिकेशन की मूल अवधारणा का मानना ​​है कि एक व्यक्ति किसी अन्य व्यक्ति के चेहरे को केवल आधी छवि [14] को देखकर पहचान सकता है, इसलिए कंप्यूटर फसली छवि से चेहरे की छवि को पुनर्स्थापित कर सकता है।

बाद में 2006 में, लालची एल्गोरिथ्म और पदानुक्रम को हस्तलिखित अंकों को संसाधित करने में सक्षम एक अनुप्रयोग में जोड़ा गया [7]। हाल के अध्ययनों ने डिजिटल इमेज प्रोसेसिंग के प्राथमिक उपकरण के रूप में गहन शिक्षण का उपयोग किया है। उदाहरण के लिए, आईरिस को पहचानने के लिए कन्वर्सेशनल न्यूरल नेटवर्क्स (CNN) का उपयोग करना पारंपरिक सेंसर का उपयोग करने से अधिक प्रभावी हो सकता है। सीएनएन दक्षता 99.35% सटीकता [16] तक पहुंच सकती है।

मोबाइल स्थान मान्यता वर्तमान में उपयोगकर्ता को छवि के आधार पर एक विशिष्ट पते का पता लगाने की अनुमति देती है। SSPDH (पर्यवेक्षित शब्दार्थ - संरक्षित डीप हैशिंग) एल्गोरिथ्म VHB (विज़ुअल हैश बिट) और SSFS (स्पेस - सैलिएशन फ़िंगरप्रिंट चयन) पर एक महत्वपूर्ण सुधार हुआ। SSPDH सटीकता 70% अधिक कुशल [15] है।

अंत में, गहरी सीखने की विधि का उपयोग करके डिजिटल इमेज प्रोसेसिंग में एक और उल्लेखनीय अनुप्रयोग चेहरा पहचान है। Google, फेसबुक और माइक्रोसॉफ्ट के पास गहरे सीखने के साथ अद्वितीय चेहरा पहचान मॉडल हैं [8]। हाल ही में, एक चेहरे की छवि के आधार पर पहचान उम्र और लिंग को प्रारंभिक मापदंडों के रूप में निर्धारित करके स्वचालित मान्यता में बदल गई है। उदाहरण के लिए, SIIIound Inc. ने एक गहन संवेदी तंत्रिका नेटवर्क एल्गोरिथ्म का परीक्षण किया, जो न केवल उम्र और लिंग, बल्कि भावनाओं को भी पहचान सकता है [3]। इसके अलावा, गहरी मल्टी-टास्किंग लर्निंग [21] की वास्तुकला को लागू करके एक ही छवि से किसी व्यक्ति की उम्र और लिंग का सटीक निर्धारण करने के लिए एक विश्वसनीय प्रणाली विकसित की गई है।

३.२ चिकित्सा

डिजिटल इमेज प्रोसेसिंग निस्संदेह अनुसंधान क्षेत्रों का एक महत्वपूर्ण हिस्सा है जहां गहरी शिक्षा को लागू किया जा सकता है। उसी तरह, हाल ही में नैदानिक ​​अनुप्रयोगों का परीक्षण किया गया है। उदाहरण के लिए, निम्न-स्तरीय सीखने और तंत्रिका नेटवर्क में गहरी सीखने के बीच तुलना ने रोगों की भविष्यवाणी करने में बेहतर प्रभाव डाला है। मानव मस्तिष्क से चुंबकीय अनुनाद इमेजिंग (एमआरआई) [22] का उपयोग करके प्राप्त छवि को संभावित अल्जाइमर रोग [3] की भविष्यवाणी करने के लिए संसाधित किया गया था। इस प्रक्रिया की त्वरित सफलता के बावजूद, भविष्य के अनुप्रयोगों के लिए कुछ समस्याओं पर गंभीरता से विचार किया जाना चाहिए। सीमाओं में से एक उच्च गुणवत्ता पर प्रशिक्षण और निर्भरता है। डेटा की मात्रा, गुणवत्ता और जटिलता जटिल पहलू हैं, हालांकि, विषम डेटा प्रकारों का एकीकरण गहन शिक्षण वास्तुकला [17, 23] का एक संभावित पहलू है।

ऑप्टिकल सुसंगतता टोमोग्राफी (OCT) एक और उदाहरण है जहां गहरी सीखने की तकनीक महत्वपूर्ण परिणाम दिखाती है। परंपरागत रूप से, चित्रों को मैनुअल मैट्रिसेस [12] के मैनुअल विकास द्वारा संसाधित किया जाता है। दुर्भाग्य से, प्रशिक्षण सेट की कमी गहरी सीखने की विधि को सीमित करती है। फिर भी, कई वर्षों में, बेहतर प्रशिक्षण सेटों की शुरूआत प्रभावी रूप से रेटिना विकृति विज्ञान की भविष्यवाणी करेगी और ओसीटी प्रौद्योगिकी की लागत को कम करेगी [24]।

३.३ बायोमेट्रिक्स

2009 में, दो अलग-अलग डीप-ट्रस्ट नेटवर्क आर्किटेक्चर [18] का उपयोग करके टेलीफोन एरर (फोन एरर रेट - पर्ट) की आवृत्ति को कम करने के लिए ऑटोमैटिक स्पीच रिकग्निशन के लिए एक एप्लीकेशन लागू किया गया था। 2012 में, CNN पद्धति [25] को हाइब्रिड न्यूरल नेटवर्क - द हिडन मार्कोव मॉडल - NN - HMM के भाग के रूप में लागू किया गया था। परिणामस्वरूप, प्रति 20.07% की दर हासिल हुई। पहले से इस्तेमाल किए गए 3-लेयर न्यूरल नेटवर्क बेसलाइन विधि की तुलना में परिणामी पेर बेहतर है [26]। आईरिस को पहचानने के लिए स्मार्टफ़ोन और उनके कैमरों के रिज़ॉल्यूशन का परीक्षण किया गया है। विभिन्न कंपनियों द्वारा विकसित मोबाइल फोन का उपयोग करते समय, आईरिस की मान्यता सटीकता 87% दक्षता [22,28] तक पहुंच सकती है।

सुरक्षा के दृष्टिकोण से, विशेष रूप से अभिगम नियंत्रण; बायोमेट्रिक विशेषताओं के साथ गहन शिक्षण का उपयोग किया जाता है। डीएल का उपयोग फेससेंटिनल फेस रिकग्निशन डिवाइसेस के विकास और अनुकूलन में तेजी लाने के लिए किया गया था। इस निर्माता के अनुसार, उनके उपकरण नौ महीने में एक-से-एक से कई-कई तक पहचान प्रक्रिया का विस्तार कर सकते हैं [27]। डीएल की शुरुआत के बिना इस इंजन अपग्रेड में 10 मानव-वर्ष लग सकते हैं। क्या उपकरणों के उत्पादन और प्रक्षेपण में तेजी आई। इन उपकरणों का उपयोग लंदन हीथ्रो हवाई अड्डे पर किया जाता है, और काम के घंटे और उपस्थिति को रिकॉर्ड करने के लिए भी इस्तेमाल किया जा सकता है, और बैंकिंग क्षेत्र में [3, 29]।

4. अवलोकन

तालिका 1 उन कई अनुप्रयोगों को संक्षेप में प्रस्तुत करती है जिन्हें पिछले वर्षों में गहन शिक्षा के संबंध में लागू किया गया है। ज्यादातर भाषण मान्यता और छवि प्रसंस्करण का उल्लेख किया जाता है। यह समीक्षा उपयोग की लंबी सूची में से कुछ को ही शामिल करती है।

टेबल 1. डीप लर्निंग एप्लीकेशन, 2003-2017

( अनुप्रयोग: 2003 - दृश्य कॉर्टेक्स में पदानुक्रमित बायेसियन निष्कर्ष; 2006 - संख्याओं का वर्गीकरण; 2006 - टेलीफोन मान्यता के लिए गहरा नेटवर्क; 2012 - कई स्रोतों से भाषण मान्यता; 2015 - स्मार्टफोन कैमरों का उपयोग करके आईरिस की मान्यता; 2016 - मास्टरींग डीप गो; पेड़ खोज तंत्रिका नेटवर्क; 2017 - आइरिस संवेदी मान्यता मॉडल)।

4.1 वर्ष के लिए प्रकाशनों का विश्लेषण

अंजीर में। चित्र 1 2006 से जून 2017 तक प्रति वर्ष साइंसडायरेक्ट डेटाबेस से गहन शिक्षण प्रकाशनों की संख्या दर्शाता है। जाहिर है, प्रकाशनों की संख्या में क्रमिक वृद्धि घातीय वृद्धि का वर्णन कर सकती है।

अंजीर में। चित्र 2 जनवरी 2006 से जून 2017 तक प्रति वर्ष स्प्रिंगर गहन शिक्षण प्रकाशनों की कुल संख्या दर्शाता है। 2016 में, प्रकाशनों में अचानक वृद्धि हुई, 706 प्रकाशनों तक पहुंच गई, जो यह साबित करती है कि गहन शिक्षा वास्तव में आधुनिक अनुसंधान का ध्यान केंद्रित है।

अंजीर में। चित्रा 3 जनवरी 2006 से जून 2017 तक सम्मेलनों, पत्रिकाओं और IEEE प्रकाशनों में प्रकाशनों की संख्या को दर्शाता है। उल्लेखनीय है कि 2015 के बाद से प्रकाशनों की संख्या में काफी वृद्धि हुई है। 2016 और 2015 के बीच का अंतर 200% से अधिक की वृद्धि है।

अंजीर। 1. साइकेनडायरेक्ट डेटाबेस (जनवरी 2006 - जून 2017) में गहन शिक्षण पर प्रकाशनों की संख्या में वृद्धि

अंजीर। 2. स्प्रिंगर डेटाबेस से गहन सीखने पर प्रकाशनों की संख्या में वृद्धि। (जनवरी 2006 - जून 2017)

अंजीर। 3. IEEE डेटाबेस से गहन शिक्षण प्रकाशनों में वृद्धि। (जनवरी 2006 - जून 2017)

5. निष्कर्ष

डीप लर्निंग मशीन लर्निंग का बहुत तेजी से बढ़ता हुआ अनुप्रयोग है। ऊपर वर्णित कई एप्लिकेशन कुछ ही वर्षों में इसके तेजी से विकास को साबित करते हैं। विभिन्न क्षेत्रों में इन एल्गोरिदम का उपयोग इसकी बहुमुखी प्रतिभा को दर्शाता है। इस अध्ययन में किए गए प्रकाशनों का विश्लेषण इस तकनीक की प्रासंगिकता को स्पष्ट रूप से प्रदर्शित करता है और इस क्षेत्र में भविष्य के अनुसंधान के बारे में गहन सीखने और रुझानों के विकास का स्पष्ट चित्रण प्रदान करता है।

इसके अलावा, यह ध्यान रखना महत्वपूर्ण है कि सीखने में स्तर पदानुक्रम और नियंत्रण एक सफल गहन शिक्षण अनुप्रयोग विकसित करने में महत्वपूर्ण कारक हैं। डेटा के उचित वर्गीकरण के लिए पदानुक्रम महत्वपूर्ण है, जबकि नियंत्रण प्रक्रिया के भाग के रूप में डेटाबेस के महत्व को ध्यान में रखता है। गहरी सीखने का मुख्य मूल्य मौजूदा मशीन शिक्षण अनुप्रयोगों को नवीन श्रेणीबद्ध प्रसंस्करण के माध्यम से अनुकूलित करना है। डीप लर्निंग डिजिटल इमेज प्रोसेसिंग और भाषण मान्यता में प्रभावी परिणाम प्रदान कर सकता है। त्रुटियों के प्रतिशत में कमी (10 से 20% से) स्पष्ट रूप से मौजूदा और सिद्ध तरीकों की तुलना में सुधार की पुष्टि करती है।

इस युग में और भविष्य में, गहरी शिक्षा चेहरे और भाषण मान्यता के संयोजन के माध्यम से एक उपयोगी सुरक्षा उपकरण हो सकती है। इसके अलावा, डिजिटल इमेज प्रोसेसिंग अनुसंधान का एक क्षेत्र है जिसे कई अन्य क्षेत्रों में लागू किया जा सकता है। इस कारण से, और सही अनुकूलन साबित होने के बाद, कृत्रिम बुद्धि के विकास के लिए गहन शिक्षण एक आधुनिक और दिलचस्प विषय है।

साहित्य का इस्तेमाल किया

1. अब्देल, ओ।: वाक् पहचान के लिए हाइब्रिड एनएन-एचएमएम मॉडल के लिए दृढ़ तंत्रिका नेटवर्क अवधारणाओं को लागू करना। ध्वनिकी, भाषण और सिग्नल प्रोसेसिंग 7, 4277-4280 (2012)।
2. मोसावी ए, वर्कोनी-कोसी एआर: मशीन लर्निंग का एकीकरण और रोबोट लर्निंग के लिए अनुकूलन। इंटेलिजेंट सिस्टम और कम्प्यूटिंग 519, 349-355 (2017) में अग्रिम।
3. बैनिस्टर, ए।: बायोमेट्रिक्स और एआई: फेससेंटिनल कैसे गहरी सीखने (2016) के लिए धन्यवाद 13 गुना तेजी से विकसित होता है।
4. बेंगियो, वाई .: एआई के लिए गहरे आर्किटेक्चर सीखना। मशीन लर्निंग 2, 1-127 (2009) में नींव और रुझान।
5. मोसवी, ए।, वर्कोनी-कोज़ी, एआर, फुलसैक, एम।: मशीन लर्निंग का संयोजन और स्वचालित निर्णय के लिए अनुकूलन। एमसीडीएम (2015)।
6. डेंग एल, यू डी डीप लर्निंग: विधियाँ और अनुप्रयोग। सिग्नल प्रोसेसिंग 7, 197-387 (2014) में नींव और रुझान
7. गोयल, बी।: नैचुरल लैंग्वेज प्रोसेसिंग के क्षेत्र में विकास। कंप्यूटर साइंस 8, (2017) में इंटरनेशनल जर्नल ऑफ एडवांस्ड रिसर्च।
8. वाजीपोर, ए।: मोसावी, ए। सिगरोर्थ, यू।: मशीन लर्निंग ने निर्णय लेने के लिए एकीकृत अनुकूलन, ऑपरेशनल रिसर्च, रोम (26) पर 26 वें यूरोपीय सम्मेलन का आयोजन किया।
9. हिंटन जीई, साइमन ओ, यी-व्हे टीए तेजी से सीखने के एल्गोरिथ्म में गहरी विश्वास के लिए जाल। तंत्रिका संगणना 18, 1527-1554 (2006)
10. हिशम, ए।, हरिन, एस।: डीप लर्निंग - आर्टिफिशियल इंटेलिजेंस में नया बच्चा। (2017)
11. किम IW, ओह, एम ।: डीप लर्निंग: कीमोइंफॉर्मेटिक्स से लेकर सटीक दवा तक। फार्मास्युटिकल जांच की पत्रिका: 1-7 (2017)
12. मोसवी, ए।, वायज़िपोर, ए।: प्रिडिक्टिव एनालिटिक्स और सूचित निर्णय के लिए प्रभावी उपकरण विकसित करना। तकनीकी रिपोर्ट। तेलिन विश्वविद्यालय (2013)
13. मोसावी ए।, वाई।, बाथला, वर्कोनी-कोकोज़ी एआर: वेब का उपयोग करते हुए भविष्य की भविष्यवाणी करना
    ज्ञान: इंटेलिजेंट सिस्टम और कम्प्यूटिंग (2017) में स्टेट ऑफ द आर्ट सर्वे एडवांस।
14. मोसावी, ए।, वायज़िपोर, ए।: रिएक्टिव सर्च ऑप्टिमाइज़ेशन; मल्टीबिजिव के लिए आवेदन
    अनुकूलन समस्याएं। अनुप्रयुक्त गणित 3, 1572-1582 (2012)
15. ली जेजी (2017) मेडिकल लर्निंग में डीप लर्निंग: सामान्य अवलोकन। की कोरियाई पत्रिका
    रेडियोलॉजी 18 (4): 570-584
16. ली टी।: डेविड एम। पदानुक्रमित बायेसियन दृश्य कॉर्टेक्स में। जोसा 20, 1434-1448
    (2003)।
17. मोबाइल विज़ुअल खोज के लिए लियू डब्ल्यू डीप लर्निंग हैशिंग। छवि पर EURASIP जर्नल और
    वीडियो प्रोसेसिंग 17, (2017)।
18. मार्रा एफ।: आइरिस सेंसर मॉडल आइडेंटिफिकेशन के लिए एक डीप लर्निंग अप्रोच। पैटर्न मान्यता पत्र (2017)।
19. Miotto आर एट अल (2017) स्वास्थ्य सेवा के लिए गहन शिक्षा: समीक्षा, अवसर और चुनौतियां।
    जैव सूचना विज्ञान में ब्रीफिंग
20. मोहम्मद ए।: फोन पहचान के लिए गहन विश्वास नेटवर्क। गहरी सीखने पर कार्यशाला कार्यशाला
    भाषण मान्यता और संबंधित अनुप्रयोगों के लिए: 1, 635-645 (2009)।
21. मूर। जे।: ट्यूरिंग टेस्ट: कृत्रिम बुद्धि का मायावी मानक। स्प्रिंगर विज्ञान और
    बिजनेस मीडिया (2003)।
22. वायज़िपोर, ए। मोसावी, यू। सिगरोर्थ, ए।: दृश्य विश्लेषण और स्वास्थ्य में सूचित निर्णय
    और जीवन विज्ञान, अंतर्राष्ट्रीय सीएई सम्मेलन, वेरोना, इटली (2013)
23. राजा केबी, राघवेंद्र आर, वेमुरी वीके, बस सी (2015) स्मार्टफोन आधारित दृश्यमान परितारिका
    गहरी विरल छानने का उपयोग कर मान्यता। पैटर्न मान्यता पत्र 57: 33-42।
24. सफदर एस, जफर एस, जफर एन, खान एनएफ (2017) हृदय रोग निदान के लिए मशीन लर्निंग आधारित निर्णय समर्थन प्रणाली (डीएसएस): एक समीक्षा। कृत्रिम बुद्धिमत्ता की समीक्षा: 1-17
25. मोसवी, ए। वरकोनी A: रोबोटिक्स में सीखना। 157 सीखना, (2017)
26. जिंग जे, ली के, हू डब्ल्यू, युआन सी, लिंग एच एट अल (2017) उच्च के लिए गहन शिक्षण मॉडल का निदान
    एक एकल छवि से सटीकता की आयु का अनुमान। पैटर्न मान्यता
27. मोसावी, ए। रबसुक, टी।: कम्प्यूटेशनल सामग्री के लिए सीखना और बुद्धिमान अनुकूलन
    डिजाइन इनोवेशन, लर्निंग एंड इंटेलिजेंट ऑप्टिमाइज़ेशन, स्प्रिंगर-वर्लग, (2017)
28. वायज़िपोर, ए।, एट अल।, विजुअल एनालिटिक्स फॉर इंफॉर्मेटेड-डिसीजन, इंटरनेशनल सीएई कॉन्फ्रेंस, वेरोना, इटली, (2013)।
29. डेहगन, ए।: डगर: डीप एज, जेंडर एंड इमोशन रिकॉग्निशन का उपयोग करना
    तंत्रिका नेटवर्क 3, 735-748 (2017)
30. मोसवी, ए: भविष्य कहनेवाला निर्णय मॉडल, 2015, https://doi.org/10.13140/RG.2.2.21094.630472
31. वायज़िपोर, ए।, एट अल।: दृश्य विश्लेषण और स्वास्थ्य और जीवन विज्ञान में सूचित निर्णय। "
    अंतर्राष्ट्रीय सीएई सम्मेलन, वेरोना, इटली की कार्यवाही में पेपर। (2013)।
32. वायज़िपोर, ए।: सूचित-निर्णयों के लिए दृश्य विश्लेषण, सीएई सम्मेलन, इटली, (2013)।
33. A.Vaipipour, A.: मैचिनी सीखने का निर्णय लेने के लिए एकीकृत अनुकूलन। ऑपरेशनल रिसर्च, रोम (2013) पर 26 वां यूरोपीय सम्मेलन।
34. वायज़िपोर, ए।: इंटरनेशनल सीएई कॉन्फ्रेंस, वेरोना, इटली (2013) की कार्यवाही में मल्टी-क्राइटेरिया डिसीजन एनालिसिस के लिए विजुअल एनालिटिक्स।
35. मोसवी, ए।, वायज़िपोर, ए।: प्रिडिक्टिव एनालिटिक्स और सूचित निर्णय के लिए प्रभावी उपकरण विकसित करना। तकनीकी रिपोर्ट। (2013)। https://doi.org/10.13140/RG.2.2.23902.84800
36. मोसावी ए, वर्कोनी-कोकोज़ी एआर: मशीन लर्निंग का एकीकरण और इसके लिए अनुकूलन
    रोबोट लर्निंग इंटेलिजेंट सिस्टम और कम्प्यूटिंग 519, 349-355 (2017) में अग्रिम।
37. मोसावी, ए।, वर्कोनी, ए .: रोबोटिक्स में सीखना। लर्निंग, 157, (2017)।
38. मोसावी, ए।: निर्णय लेने वाली सॉफ्टवेयर वास्तुकला; दृश्य और डेटा खनन सहायक दृष्टिकोण। इंटरनेशनल जर्नल ऑफ इंफॉर्मेशन एंड कंप्यूटर साइंस 3, 12-26 (2014)।
39. मोसावी, ए।: कई मानदंडों के बड़े पैमाने पर प्रणाली निर्णय लेने; पूर्व प्रसंस्करण,
    बड़े पैमाने पर जटिल प्रणाली सिद्धांत और अनुप्रयोग 9, 354-359 (2010)।
40. एस्माईली, एम।, मोसावी, ए।: डेटा का उपयोग करके मल्टीबोजिव अनुकूलन के लिए परिवर्तनीय कमी
    खनन तकनीक। कंप्यूटर इंजीनियरिंग और प्रौद्योगिकी 5, 325-333 (2010)
41. मोसवी, ए .: इंजीनियरिंग इष्टतम डिजाइन में निर्णय लेने के लिए डेटा खनन। पत्रिका का ए.आई.
    और डाटा माइनिंग 2, 7-14 (2014)।
42. मोसावी, ए।, वायज़िपोर, ए।: विज़ुअल एनालिटिक्स, ओबुडा विश्वविद्यालय, बुडापेस्ट, (2015)।
43. मोसावी, ए।, वायज़िपोर, ए।: रिएक्टिव सर्च ऑप्टिमाइज़ेशन; मल्टीबिजिव के लिए आवेदन
    अनुकूलन समस्याएं। अनुप्रयुक्त गणित 3, 1572-1582 (2012)।
44. मोसवी, ए।, वर्कोनी-कोज़ी, एआर, फुलसैक, एम।: मशीन लर्निंग का संयोजन और
    स्वचालित निर्णय लेने के लिए अनुकूलन। एमसीडीएम (2015)।
45. मोसावी, ए।, डेलवर, ए।: बिजनेस मॉडलिंग, ओबुडा विश्वविद्यालय, बुडापेस्ट, (2016)।
46. मोसवी, ए .: मल्टीबोजिव ऑप्टिमाइज़ेशन समस्याओं में डेटा माइनिंग का अनुप्रयोग। सिमुलेशन और बहु-विषयक डिजाइन अनुकूलन के लिए अंतर्राष्ट्रीय जर्नल, 5, (2014)
47. मोसवी, ए। रबिसुक, टी।: लर्निंग एंड इंटेलिजेंट ऑप्टिमाइज़ेशन फॉर मटेरियल डिज़ाइन इनोवेशन, सैद्धांतिक कंप्यूटर विज्ञान और सामान्य मुद्दे, LION11 (2017)।
48. मोसवी, ए।, विज़ुअल एनालिटिक्स, ओबुडा विश्वविद्यालय, 2016।
49. मोसवी, ए।: भविष्य कहनेवाला निर्णय, टेक प्रतिनिधि 2015। Doi: 10.13140 / RG.2.2.16061.46561
50. Mosavi। ए: प्रीडिक्टिव डिसीजन मेकिंग, प्रेडिक्टिव डिसीजन मॉडल, टेक। रिपोर्ट। (2015)।
    https://doi.org/10.13140/RG.2.2.21094.63047
51. मोसावी, ए।, लोपेज़, ए।: वर्कोनी-कोज़ी, ए।: बिग डेटा के औद्योगिक अनुप्रयोग:
    कला सर्वेक्षण, बुद्धिमान प्रणालियों और कम्प्यूटिंग में अग्रिम, (2017)।
52. मोसावी, ए।, रबिसुक, टी।, वर्कोनी-कोज़ी, ए।: नोवेल मशीन लर्निंग की समीक्षा
    सामग्री डिजाइन के लिए उपकरण, इंटेलिजेंट सिस्टम और कम्प्यूटिंग में अग्रिम, (2017)।
53. मौसवी, एस।, मोसवी, ए।, वर्कोनी-कोज़ी, एआर: संसाधन के लिए लोड संतुलन एल्गोरिदम
    क्लाउड कंप्यूटिंग में आवंटन, इंटेलिजेंस सिस्टम और कम्प्यूटिंग में अग्रिम, (2017)।
54. बरनै, एम।, मोसावी, ए।, वाजदा, आई।, वर्कोनी-कोज़ी, एआर: इलेक्ट्रिकल का इष्टतम डिजाइन
    मशीनें: अत्याधुनिक सर्वेक्षण, बुद्धिमान प्रणालियों और कम्प्यूटिंग में प्रगति, (2017)।
55. मोसावी, ए।, बेनक्रीफ, आर।, वर्कोनी-कोज़ी, ए।: रेलवे सिस्टम डायनेमिक्स, इंटेलिजेंट सिस्टम में एडवांस के लिए यूलर-बर्नौली और टिमोकोनोम बीम समीकरण की तुलना।
    और कम्प्यूटिंग, (2017)।
56. मोसावी, ए।, रितुराज, आर।, वर्कोनी-कोज़ी, एआर: मल्टीबायोटिक ऑप्टिमाइज़ेशन की समीक्षा
    ऊर्जा क्षेत्र में मोड फ्रंटियर का पैकेज, बुद्धिमान प्रणालियों और कम्प्यूटिंग में अग्रिम,
    (2017)।
57. मोसावी, ए।, बाथला, वाई।, वर्कोनी-कोकोज़ी एआर: भविष्य का उपयोग करने वाला वेब
    ज्ञान: अत्याधुनिक सर्वेक्षण, बुद्धिमान प्रणालियों और कम्प्यूटिंग में प्रगति,
    (2017)।