ترکیب شبکه های عصبی و هوش مصنوعی برای محاسبه درآمد ریز به ریز در اقتصادی های توسعه یافته

یادگیری ماشینی امروزه جهان را مانند طوفان در برگرفته است درکنار آن غولی بنام هوش مصنوعی (AI) در سال های اخیر بسیار شناخته شده است. یادگیری ماشینی از الگوریتم های محاسباتی ایمن برای ساختن تخصیص رایانه ها به روشی سازنده و بدون برنامه ریزی صریح استفاده می کند. الگوریتم ها، آزادی یک مقدار مشارکتی را به دست می آورند و با استفاده از روش های حسابی معین، خروجی را برای آن تخمین می زنند. عملکرد کلیدی یادگیری ماشینی ایجاد ماشین هایی با هوش مصنوعی است که می توانند انسان ها را تجسم کنند و کار کنند. هوش مصنوعی شاهد پیشرفت گسترده ای در پر کردن شکاف بین توانایی های انسان و فناوری بوده است. به همین ترتیب، از ویژگی های این میدان تلاش شد تا اثرات برجسته را با هم ترکیب کند. و بروندادی مثبتی در حوزه دیجیتال بازنمایی کند بالطبع شبکه عصبی کانولوشن (CNN) که نوعی الگوریتم یادگیری عمیق است می تواند یک تصویر ورودی را دریافت کند و پیامدهایی را به جنبه های مختلف تصویر اختصاص دهد و بتواند یکی از دیگری را متمایز کند. نیاز به پیش پردازش در یک CNN در مقایسه با سایر الگوریتم های طبقه بندی کمتر است. CNN این قابلیت را دارد که ویژگی های این فیلترها را بیابد. بیوانفورماتیک اصطلاحی است که ترکیبی از دو اصطلاح بیو و انفورماتیک است. زیست به معنای مرتبط با زیست شناسی و انفورماتیک به معنای در یک توالی اطلاعات است. بنابراین بیوانفورماتیک حوزه ای است که با توزیع و پذیرش آمارهای بیولوژیکی با استفاده از رویکردهای محاسباتی و حسابی سروکار دارد. یادگیری ماشین به برنامه های کاربردی در زمینه بیوانفورماتیک اضافه شده است. یادگیری ماشینی در زیرشاخه های بعدی بیوانفورماتیک ارائه می شود. هدف این مقاله انجام عادی سازی مقیاس خاکستری یک تصویر انتخاب شده و پس از آن کاهش تاثیر تفاوت های روشنایی است.

کلیدواژه ها:

شبکه های عصبی کانولوشنال ، نشانگرهای اقتصادی ، پردازش داده های مالی ، فرآیندهای گاوسی ، تجزیه و تحلیل رگرسیون ، هوش مصنوعی