Halo semuanya. Sudah bulan ini, kursus baru dimulai di OTUS - "Matematika untuk Ilmu Data . " Untuk mengantisipasi dimulainya kursus ini, kami secara tradisional berbagi dengan Anda terjemahan materi yang menarik.

Anotasi Pembelajaran mendalam adalah penelitian terdepan dalam pembelajaran mesin (ML). Ini terdiri dari beberapa lapisan tersembunyi dari jaringan saraf tiruan. Metodologi pembelajaran mendalam menggunakan transformasi non-linear dan abstraksi model tingkat tinggi pada database besar. Kemajuan terbaru dalam menerapkan arsitektur pembelajaran yang mendalam di berbagai bidang telah memberikan kontribusi yang signifikan bagi pengembangan kecerdasan buatan. Artikel ini menyajikan studi modern tentang kontribusi dan aplikasi baru pembelajaran mendalam. Gambaran berikut, dalam urutan kronologis, menyajikan bagaimana dan di mana sebagian besar aplikasi algoritma pembelajaran yang signifikan digunakan. Selain itu, manfaat dan kelebihan metodologi pembelajaran yang mendalam disajikan dalam hierarki multilayer dan operasi non-linear, yang dibandingkan dengan algoritma yang lebih tradisional dalam aplikasi biasa. Tinjauan kemajuan terbaru di lapangan lebih lanjut mengungkapkan konsep umum, manfaat yang terus tumbuh dan popularitas pembelajaran yang mendalam.

1. Pendahuluan

Kecerdasan buatan (AI) sebagai kecerdasan yang ditunjukkan oleh mesin adalah pendekatan yang efektif untuk memahami pembelajaran manusia dan pembentukan penalaran [1]. Pada tahun 1950, Tes Turing diusulkan sebagai penjelasan yang memuaskan tentang bagaimana komputer dapat mereproduksi penalaran kognitif seseorang [2]. Sebagai bidang penelitian, AI dibagi menjadi subdomain yang lebih spesifik. Sebagai contoh: Natural Language Processing (NLP) [3] dapat meningkatkan kualitas penulisan dalam berbagai aplikasi [4.17]. Unit paling klasik di NLP adalah terjemahan mesin, yang dipahami sebagai terjemahan antar bahasa. Algoritma terjemahan mesin telah berkontribusi pada munculnya berbagai aplikasi yang memperhitungkan struktur gramatikal dan kesalahan ejaan. Selain itu, rangkaian kata dan kosakata yang terkait dengan topik materi secara otomatis digunakan sebagai sumber utama ketika komputer menyarankan perubahan untuk penulis atau editor [5]. Dalam gbr. Gambar 1 menunjukkan secara rinci bagaimana AI mencakup tujuh bidang ilmu komputer.

Baru-baru ini, pembelajaran mesin dan penambangan data telah menjadi sorotan dan menjadi topik paling populer di kalangan komunitas penelitian. Totalitas area penelitian ini menganalisis banyak kemungkinan karakterisasi basis data [9]. Selama bertahun-tahun, basis data telah dikompilasi untuk keperluan statistik. Kurva statistik dapat menggambarkan masa lalu dan sekarang untuk memprediksi pola perilaku di masa depan. Namun, selama beberapa dekade terakhir, hanya metode dan algoritma klasik yang telah digunakan untuk memproses data ini, sementara optimalisasi algoritma ini dapat membentuk dasar belajar mandiri yang efektif [19]. Proses pengambilan keputusan yang lebih baik dapat diimplementasikan berdasarkan nilai-nilai yang ada, beberapa kriteria, dan metode statistik lanjutan. Dengan demikian, salah satu aplikasi paling penting dari optimasi ini adalah obat-obatan, di mana gejala, penyebab, dan keputusan medis membuat database besar yang dapat digunakan untuk menentukan perawatan terbaik [11].

Fig. 1. Penelitian di bidang kecerdasan buatan (AI) Sumber: [1].

Karena ML mencakup berbagai studi, banyak pendekatan telah dikembangkan. Clustering, jaringan Bayesian, pembelajaran mendalam dan analisis pohon keputusan hanyalah beberapa di antaranya. Ulasan berikut ini terutama berfokus pada pembelajaran yang mendalam, konsep dasarnya, aplikasi modern dan terbukti di berbagai bidang. Selain itu, menyajikan beberapa angka yang mencerminkan pertumbuhan publikasi yang cepat dengan penelitian di bidang pembelajaran mendalam dalam beberapa tahun terakhir dalam database ilmiah.

2. Dasar teoretis

Konsep pembelajaran dalam (Deep Learning - DL) pertama kali muncul pada tahun 2006 sebagai bidang penelitian baru dalam pembelajaran mesin. Awalnya, itu dikenal sebagai pembelajaran hierarkis di [2], dan sebagai aturan, itu mencakup banyak bidang penelitian yang berkaitan dengan pengenalan pola. Pembelajaran mendalam terutama memperhitungkan dua faktor utama: pemrosesan nonlinear dalam beberapa lapisan atau tahapan dan pelatihan di bawah atau tanpa pengawasan [4]. Pemrosesan non-linear dalam beberapa lapisan mengacu pada suatu algoritma di mana lapisan saat ini menerima output dari lapisan sebelumnya sebagai input. Hierarki dibuat di antara lapisan untuk memesan pentingnya data yang utilitasnya harus ditetapkan. Di sisi lain, pembelajaran terkontrol dan tidak terkendali dikaitkan dengan label gol kelas: kehadirannya menyiratkan sistem yang terkontrol, dan ketidakhadiran berarti tidak terkendali.

3. Aplikasi

Pembelajaran mendalam melibatkan lapisan analisis abstrak dan metode hierarkis. Namun, ini dapat digunakan dalam berbagai aplikasi di dunia nyata. Sebagai contoh, dalam pemrosesan gambar digital; gambar hitam-putih sebelumnya dilukis dengan tangan oleh pengguna yang harus memilih setiap warna berdasarkan penilaian mereka sendiri. Menerapkan algoritma pembelajaran yang mendalam, pewarnaan dapat dilakukan secara otomatis menggunakan komputer [10]. Dengan cara yang sama, suara dapat ditambahkan ke video bermain drum tanpa suara menggunakan Recurrent Neural Networks (RNNs), yang merupakan bagian dari metode pembelajaran yang mendalam [18].

Pembelajaran mendalam dapat disajikan sebagai metode untuk meningkatkan hasil dan mengoptimalkan waktu pemrosesan dalam beberapa proses komputasi. Di bidang pemrosesan bahasa alami, metode pembelajaran yang dalam telah diterapkan untuk membuat teks gambar [20] dan pembuatan teks tulisan tangan [6]. Aplikasi berikut ini diklasifikasikan secara lebih rinci di berbagai bidang seperti pencitraan digital, kedokteran, dan biometrik.

3.1 Pemrosesan Gambar

Sebelum pembelajaran mendalam secara resmi ditetapkan sebagai pendekatan penelitian baru, beberapa aplikasi diimplementasikan sebagai bagian dari konsep pengenalan pola melalui pemrosesan lapisan. Pada tahun 2003, sebuah contoh menarik dikembangkan menggunakan penyaringan partikel dan algoritma propagasi kepercayaan Bayesian. Konsep dasar dari aplikasi ini percaya bahwa seseorang dapat mengenali wajah orang lain dengan mengamati hanya setengah dari gambar wajah [14], sehingga komputer dapat mengembalikan gambar wajah dari gambar yang dipangkas.

Kemudian pada tahun 2006, algoritma serakah dan hierarki digabungkan menjadi sebuah aplikasi yang mampu memproses angka tulisan tangan [7]. Studi terbaru telah menggunakan pembelajaran mendalam sebagai alat utama untuk pemrosesan gambar digital. Sebagai contoh, menggunakan Convolutional Neural Networks (CNN) untuk mengenali iris bisa lebih efektif daripada menggunakan sensor konvensional. Efisiensi CNN dapat mencapai akurasi 99,35% [16].

Pengenalan lokasi seluler saat ini memungkinkan pengguna untuk mengetahui alamat tertentu berdasarkan gambar. Algoritma SSPDH (Supervised Semantics - Preserving Deep Hashing) ternyata merupakan peningkatan yang signifikan dibandingkan VHB (Visual Hash Bit) dan SSFS (Space - Saliency Fingerprint Selection). Akurasi SSPDH adalah sebanyak 70% lebih efisien [15].

Akhirnya, aplikasi luar biasa lainnya dalam pemrosesan gambar digital menggunakan metode pembelajaran mendalam adalah pengenalan wajah. Google, Facebook dan Microsoft memiliki model pengenalan wajah yang unik dengan pembelajaran mendalam [8]. Baru-baru ini, identifikasi berdasarkan gambar wajah telah berubah menjadi pengenalan otomatis dengan menentukan usia dan jenis kelamin sebagai parameter awal. Sighthound Inc., misalnya, menguji algoritma jaringan saraf convolutional yang mendalam yang tidak hanya dapat mengenali usia dan jenis kelamin, tetapi juga emosi [3]. Selain itu, sistem yang andal dikembangkan untuk secara akurat menentukan usia dan jenis kelamin seseorang dari satu gambar dengan menerapkan arsitektur pendidikan multi-tugas yang mendalam [21].

3.2 Obat-obatan

Pemrosesan gambar digital tidak diragukan lagi merupakan bagian penting dari area penelitian di mana pembelajaran yang mendalam dapat diterapkan. Dengan cara yang sama, aplikasi klinis baru-baru ini telah diuji. Sebagai contoh, perbandingan antara pembelajaran tingkat rendah dan pembelajaran mendalam dalam jaringan saraf telah menyebabkan kemanjuran yang lebih baik dalam memprediksi penyakit. Gambar yang diperoleh menggunakan magnetic resonance imaging (MRI) [22] dari otak manusia diproses untuk memprediksi kemungkinan penyakit Alzheimer [3]. Terlepas dari keberhasilan cepat dari prosedur ini, beberapa masalah harus dipertimbangkan secara serius untuk aplikasi masa depan. Salah satu batasannya adalah pelatihan dan ketergantungan pada kualitas tinggi. Volume, kualitas dan kompleksitas data adalah aspek yang kompleks, namun, integrasi tipe data yang heterogen merupakan aspek potensial dari arsitektur pembelajaran yang mendalam [17, 23].

Optical coherence tomography (OCT) adalah contoh lain di mana teknik pembelajaran mendalam menunjukkan hasil yang signifikan. Secara tradisional, gambar diproses oleh pengembangan manual dari matriks konvolusional [12]. Sayangnya, kurangnya pelatihan membatasi metode pembelajaran yang mendalam. Namun demikian, selama beberapa tahun, pengenalan set pelatihan yang ditingkatkan akan secara efektif memprediksi patologi retina dan mengurangi biaya teknologi OCT [24].

3.3 Biometrik

Pada tahun 2009, aplikasi untuk pengenalan suara otomatis diterapkan untuk mengurangi frekuensi kesalahan telepon (Phone Error Rate - PER) menggunakan dua arsitektur jaringan deep-trust yang berbeda [18]. Pada 2012, metode CNN [25] diterapkan sebagai bagian dari jaringan saraf hibrid - Hidden Markov Model - NN - HMM. Akibatnya, PER 20,07% tercapai. PER yang dihasilkan lebih baik dibandingkan dengan metode garis dasar jaringan saraf 3-lapisan yang sebelumnya digunakan [26]. Smartphone dan resolusi kameranya telah diuji untuk mengenali iris. Saat menggunakan ponsel yang dikembangkan oleh berbagai perusahaan, akurasi pengenalan iris dapat mencapai efisiensi hingga 87% [22,28].

Dari sudut pandang keamanan, terutama kontrol akses; pembelajaran mendalam digunakan bersama dengan karakteristik biometrik. DL digunakan untuk mempercepat pengembangan dan optimalisasi perangkat pengenalan wajah FaceSentinel. Menurut produsen ini, perangkat mereka dapat memperluas proses identifikasi dari satu ke satu ke satu ke banyak dalam sembilan bulan [27]. Upgrade mesin ini bisa memakan waktu 10 tahun manusia tanpa diperkenalkannya DL. Apa yang mempercepat produksi dan peluncuran peralatan. Perangkat ini digunakan di Bandara Heathrow London, dan juga dapat digunakan untuk mencatat jam kerja dan kehadiran, dan di sektor perbankan [3, 29].

4. Ikhtisar

Tabel 1 merangkum beberapa aplikasi yang telah diimplementasikan pada tahun-tahun sebelumnya sehubungan dengan pembelajaran yang mendalam. Sebagian besar pengenalan ucapan dan pemrosesan gambar disebutkan. Ulasan ini hanya mencakup beberapa daftar panjang penggunaan.

Tabel 1. Aplikasi Pembelajaran Jauh, 2003–2017

( Aplikasi: 2003 - Kesimpulan Hirarki Bayesian di korteks visual; 2006 - Klasifikasi angka; 2006 - Jaringan kepercayaan mendalam untuk pengenalan telepon; 2012 - Pengenalan ucapan dari berbagai sumber; 2015 - Pengakuan iris menggunakan telepon pintar; 2016 - Menguasai Lebih Jauh jaringan saraf pencari pohon; 2017 - model pengenalan sensor Iris).

4.1 Analisis publikasi untuk tahun ini

Dalam gbr. Gambar 1 menunjukkan jumlah publikasi pembelajaran dalam dari database ScienceDirect per tahun dari 2006 hingga Juni 2017. Jelas, peningkatan bertahap dalam jumlah publikasi dapat menggambarkan pertumbuhan eksponensial.

Dalam gbr. Gambar 2 menunjukkan jumlah total publikasi pembelajaran mendalam Springer per tahun dari Januari 2006 hingga Juni 2017. Pada 2016, ada peningkatan publikasi yang tiba-tiba, mencapai 706 publikasi, yang membuktikan bahwa pembelajaran mendalam memang menjadi fokus penelitian modern.

Dalam gbr. Gambar 3 menunjukkan jumlah publikasi di konferensi, majalah, dan publikasi IEEE dari Januari 2006 hingga Juni 2017. Patut dicatat bahwa sejak 2015 jumlah publikasi telah meningkat secara signifikan. Perbedaan antara 2016 dan 2015 adalah lebih dari 200% kenaikan.

Fig. 1. Peningkatan jumlah publikasi tentang pembelajaran mendalam dalam database Sciencedirect (Januari 2006 - Juni 2017)

Fig. 2. Meningkatnya jumlah publikasi tentang pembelajaran mendalam dari database Springer. (Januari 2006 - Juni 2017)

Fig. 3. Peningkatan publikasi pembelajaran yang mendalam dari database IEEE. (Januari 2006 - Juni 2017)

5. Kesimpulan

Pembelajaran mendalam adalah aplikasi pembelajaran mesin yang berkembang sangat cepat. Berbagai aplikasi yang dijelaskan di atas membuktikan perkembangannya yang cepat hanya dalam beberapa tahun. Penggunaan algoritma ini di bidang yang berbeda menunjukkan fleksibilitasnya. Analisis publikasi yang dilakukan dalam penelitian ini jelas menunjukkan relevansi teknologi ini dan memberikan ilustrasi yang jelas tentang pertumbuhan pembelajaran yang mendalam dan tren mengenai penelitian masa depan di bidang ini.

Selain itu, penting untuk dicatat bahwa hierarki level dan kontrol dalam pembelajaran adalah faktor kunci dalam mengembangkan aplikasi pembelajaran yang sukses. Hierarki penting untuk klasifikasi data yang tepat, sementara kontrol memperhitungkan pentingnya database itu sendiri sebagai bagian dari proses. Nilai inti dari pembelajaran mendalam adalah untuk mengoptimalkan aplikasi pembelajaran mesin yang ada melalui pemrosesan hierarkis yang inovatif. Pembelajaran mendalam dapat memberikan hasil yang efektif dalam pemrosesan gambar digital dan pengenalan suara. Pengurangan dalam persentase kesalahan (dari 10 hingga 20%) dengan jelas mengkonfirmasi peningkatan dibandingkan dengan metode yang ada dan terbukti.

Di era ini dan di masa depan, pembelajaran yang mendalam dapat menjadi alat keamanan yang berguna melalui kombinasi pengenalan wajah dan ucapan. Selain itu, pemrosesan gambar digital adalah bidang penelitian yang dapat diterapkan di banyak bidang lainnya. Karena alasan ini, dan telah membuktikan optimasi yang benar, pembelajaran yang mendalam adalah subjek yang modern dan menarik untuk pengembangan kecerdasan buatan.

Literatur bekas

1. Abdel, O: Menerapkan konsep jaringan saraf convolutional ke model hybrid NN-HMM untuk pengenalan suara. Akustik, Pidato, dan Pemrosesan Sinyal 7, 4277-4280 (2012).
2. Mosavi A., Varkonyi-Koczy AR: Integrasi Pembelajaran Mesin dan Optimasi untuk Pembelajaran Robot. Kemajuan dalam Sistem Cerdas dan Komputasi 519, 349-355 (2017).
3. Bannister, A.: Biometrik dan AI: bagaimana FaceSentinel berkembang 13 kali lebih cepat berkat pembelajaran yang mendalam (2016).
4. Bengio, Y: Belajar arsitektur mendalam untuk AI. Yayasan dan tren dalam Pembelajaran Mesin 2, 1-127 (2009).
5. Mosavi, A., Varkonyi-Koczy, AR, Fullsack, M.: Kombinasi Pembelajaran Mesin dan Optimalisasi untuk Pengambilan Keputusan Otomatis. MCDM (2015).
6. Deng L, Yu D Deep learning: metode dan aplikasi. Yayasan dan Tren dalam Pemrosesan Sinyal 7, 197-387 (2014)
7. Goel, B.: Perkembangan di Bidang Pemrosesan Bahasa Alami. International Journal of Advanced Research in Computer Science 8, (2017).
8. Vaezipour, A.: Mosavi, A. Seigerroth, U.: Pembelajaran mesin optimisasi terintegrasi untuk pengambilan keputusan, Konferensi Eropa ke-26 tentang Riset Operasional, Roma (2013).
9. Algoritma pembelajaran cepat Hinton GE, Simon O, Yee-Whye TA untuk jaring kepercayaan yang mendalam. Komputasi saraf 18, 1527-1554 (2006)
10. Hisham, A., Harin, S.: Pembelajaran Jauh - anak baru dalam Kecerdasan Buatan. (2017)
11. Kim IW, Oh, M.: Pembelajaran mendalam: dari chemoinformatika hingga pengobatan presisi. Jurnal Investigasi Farmasi: 1-7 (2017)
12. Mosavi, A., Vaezipour, A.: Mengembangkan Alat yang Efektif untuk Analisis Prediktif dan Keputusan yang Diinformasikan. Laporan Teknis. Universitas Tallinn (2013)
13. Mosavi A., Y., Bathla, Varkonyi-Koczy AR: Memprediksi Masa Depan Menggunakan Web
    Pengetahuan: Kemajuan Survei Tingkat Canggih dalam Sistem dan Komputasi Cerdas (2017).
14. Mosavi, A., Vaezipour, A.: Optimasi Pencarian Reaktif; Aplikasi untuk multi tujuan
    Masalah Optimasi. Matematika Terapan 3, 1572-1582 (2012)
15. Lee JG (2017) Pembelajaran Mendalam dalam Pencitraan Medis: Gambaran Umum. Jurnal Korea dari
    Radiologi 18 (4): 570-584
16. Lee T.: David M Hierarchical Bayesian menarik kesimpulan dalam korteks visual. JOSA 20, 1434-1448
    (2003).
17. Liu W Deep belajar hashing untuk pencarian visual seluler. Jurnal EURASIP tentang Gambar dan
    Pemrosesan Video 17, (2017).
18. Marra F.: Pendekatan Pembelajaran Mendalam untuk Identifikasi Model Sensor Iris. Pattern Recognition Letters (2017).
19. Miotto R et al (2017) Pembelajaran mendalam untuk kesehatan: ulasan, peluang dan tantangan.
    Briefing dalam bioinformatika
20. Mohamed A.: Jaringan kepercayaan mendalam untuk pengenalan telepon. Lokakarya gigitan tentang pembelajaran yang mendalam
    untuk pengenalan suara dan aplikasi terkait: 1, 635-645 (2009).
21. Moor. J: Tes Turing: standar yang sulit dipahami dari kecerdasan buatan. Sains Springer &
    Media Bisnis (2003).
22. Vaezipour, A. Mosavi, U. Seigerroth, A.: Analisis visual dan keputusan berdasarkan informasi di bidang kesehatan
    dan ilmu kehidupan, Konferensi CAE Internasional, Verona, Italia (2013)
23. Raja KB, Raghavendra R, Vemuri VK, Busch C (2015) Smartphone terlihat berbasis iris
    Pengenalan menggunakan penyaringan jarang. Pengenalan Pola Surat 57: 33-42.
24. Safdar S, Zafar S, Zafar N, Khan NF (2017) Pembelajaran berbasis sistem pendukung keputusan (DSS) untuk diagnosis penyakit jantung: ulasan. Ulasan Kecerdasan Buatan: 1-17
25. Mosavi, A. Varkonyi. A.: Belajar dalam Robotika. Belajar 157, (2017)
26. Xing J, Li K, Hu W, Yuan C, Ling H et al (2017) Mendiagnosis model pembelajaran dalam untuk tinggi
    estimasi usia akurasi dari satu gambar. Pengenalan pola
27. Mosavi, A. Rabczuk, T.: Pembelajaran dan Optimalisasi Cerdas untuk Materi Komputasi
    Inovasi Desain, Pembelajaran dan Optimalisasi Cerdas, Springer-Verlag, (2017)
28. Vaezipour, A., et al., Analisis visual untuk keputusan berdasarkan informasi, Konferensi CAE Internasional, Verona, Italia, (2013).
29. Dehghan, A.: DAGER: Zaman Mendalam, Pengakuan Gender dan Emosi Menggunakan Konvolusional
    Neural Network3, 735-748 (2017)
30. Mosavi, A: model keputusan prediktif, 2015, https://doi.org/10.13140/RG.2.2.21094.630472
31. Vaezipour, A., et al.: Analisis visual dan keputusan berdasarkan informasi dalam ilmu kesehatan dan kehidupan. "
    Makalah dalam Prosiding Konferensi CAE Internasional, Verona, Italia. (2013).
32. Vaezipour, A.: Analitik visual untuk keputusan berdasarkan informasi, CAE Conference, Italia, (2013).
33. A.Vaezipour, A.:Machine belajar optimasi terintegrasi untuk pengambilan keputusan. Konferensi Eropa ke-26 tentang Riset Operasional, Roma (2013).
34. Vaezipour, A.: Analisis Visual untuk Analisis Keputusan Multi-Kriteria, dalam Prosiding Konferensi CAE Internasional, Verona, Italia (2013).
35. Mosavi, A., Vaezipour, A.: Mengembangkan Alat yang Efektif untuk Analisis Prediktif dan Keputusan yang Diinformasikan. Laporan Teknis. (2013). https://doi.org/10.13140/RG.2.2.23902.84800
36. Mosavi A., Varkonyi-Koczy AR: Integrasi Pembelajaran dan Optimasi Mesin untuk
    Belajar Robot Kemajuan dalam Sistem Cerdas dan Komputasi 519, 349-355 (2017).
37. Mosavi, A., Varkonyi, A.: Belajar dalam Robotika. Learning, 157, (2017).
38. Mosavi, A.: Arsitektur perangkat lunak pengambilan keputusan; pendekatan bantuan visualisasi dan penambangan data. Jurnal Internasional Informasi dan Ilmu Komputer 3, 12-26 (2014).
39. Mosavi, A.: Sistem skala besar pengambilan keputusan multi kriteria; pra-pemrosesan
    Teori dan Aplikasi Sistem Kompleks Skala Besar 9, 354-359 (2010).
40. Esmaeili, M., Mosavi, A.: Pengurangan variabel untuk optimisasi multi-tujuan menggunakan data
    teknik penambangan. Teknik Komputer dan Teknologi 5, 325-333 (2010)
41. Mosavi, A.: Penambangan data untuk pengambilan keputusan dalam rekayasa desain yang optimal. Jurnal AI
    dan Data Mining 2, 7-14 (2014).
42. Mosavi, A., Vaezipour, A.: Analisis Visual, Universitas Obuda, Budapest, (2015).
43. Mosavi, A., Vaezipour, A.: Optimasi Pencarian Reaktif; Aplikasi untuk multi tujuan
    Masalah Optimasi. Matematika Terapan 3, 1572-1582 (2012).
44. Mosavi, A., Varkonyi-Koczy, AR, Fullsack, M.: Kombinasi Pembelajaran Mesin dan
    Optimalisasi untuk Pengambilan Keputusan Otomatis. MCDM (2015).
45. Mosavi, A., Delavar, A.: Pemodelan Bisnis, Universitas Obuda, Budapest, (2016).
46. Mosavi, A.: Aplikasi penambangan data dalam masalah optimisasi multiobjek. Jurnal Internasional untuk Simulasi dan Optimalisasi Desain Multidisiplin, 5, (2014)
47. Mosavi, A. Rabczuk, T.: Pembelajaran dan Optimalisasi Cerdas untuk Inovasi Desain Material, Ilmu Komputer Teoritis dan Masalah Umum, LION11 (2017).
48. Mosavi, A., Analisis Visual, Universitas Obuda, 2016.
49. Mosavi, A.: Pengambilan keputusan prediktif, Tech Rep 2015. doi: 10.13140 / RG.2.2.16061.46561
50. Mosavi. A.: Pengambilan Keputusan Prediktif, Model Keputusan Prediktif, Tek. Laporkan. (2015).
    https://doi.org/10.13140/RG.2.2.21094.63047
51. Mosavi, A., Lopez, A.: Varkonyi-Koczy, A.: Aplikasi Industri Big Data: Keadaan
    Survei Seni, Kemajuan Sistem Cerdas dan Komputasi, (2017).
52. Mosavi, A., Rabczuk, T., Varkonyi-Koczy, A.: Meninjau Pembelajaran Mesin Novel
    Alat untuk Desain Bahan, Kemajuan dalam Sistem Cerdas dan Komputasi, (2017).
53. Mousavi, S., Mosavi, A., Varkonyi-Koczy, AR: Algoritma load balancing untuk sumber daya
    alokasi dalam komputasi awan, Kemajuan dalam Sistem Cerdas dan Komputasi, (2017).
54. Baranyai, M., Mosavi, A., Vajda, I., Varkonyi-Koczy, AR: Desain Listrik yang Optimal
    Mesin: Survei Tingkat Tinggi, Kemajuan dalam Sistem dan Komputasi yang Cerdas, (2017).
55. Mosavi, A., Benkreif, R., Varkonyi-Koczy, A.: Perbandingan Persamaan Berkas Euler-Bernoulli dan Timoshenko untuk Dinamika Sistem Kereta Api, Kemajuan dalam Sistem Cerdas
    dan Komputasi, (2017).
56. Mosavi, A., Rituraj, R., Varkonyi-Koczy, AR: Meninjau Multiobjective Optimization
    Paket mode Frontier di Sektor Energi, Kemajuan dalam Sistem Cerdas dan Komputasi,
    (2017).
57. Mosavi, A., Bathla, Y., Varkonyi-Koczy AR: Memprediksi Masa Depan Menggunakan Web
    Pengetahuan: Survei Tingkat Tinggi, Kemajuan Sistem Cerdas dan Komputasi,
    (2017).