معرفی دو تکنیک One-Hot Encoding و انواع نرمال سازی در الگوریتم های هوش مصنوعی

در عصری که پیشرفت سریع فناوری، هوش مصنوعی را به ابزارهایی اجتناب ناپذیر در صنایع مختلف بدل کرده، مهندسی عمران نیز با بهره گیری از این تحولات، شاهد انقلابی در دقت، سرعت و کارایی فرآیندهای خود است. هوش مصنوعی، به عنوان یک علم میان رشته ای قدرتمند، با تکیه بر الگوریتم های هوشمندی نظیرGAN، GNN، SVM وDT، قابلیت یادگیری از داده های عظیم و تصمیم گیری مستقل را فراهم آورده و در حوزه هایی چون تحلیل و طراحی بهینه سازه، مدیریت پروژه، پایش سلامت سازه ها و مدیریت زیرساخت ها، نقشی کلیدی ایفا می کند. در این بین و اطلاعات مربوط به زلزله یا هر اطلاعات دیگه ای که از نوع عدد نباشد مانند مکانیزم گسل اگر بخواهیم جز ورودی برای هر الگوریتم هوش مصنوعی باشد نیاز است که از تکنیک One-Hot Encoding استفاده کرده تا داده متنی را الگوریتم متوجه شود. و یکی از روش هایی که منجر به جلوگیری از خطای شبکه می شود نرمال سازی پایگاه داده ورودی به الگوریتم است. پژوهش حاضر نیز به این دو موضوع می پردازد تا بتوان به نتایجی قابل اعتمادتر و کارآمدتر در پروژه های عمرانی دست یافت.

کلیدواژه ها:

نرمال سازی ، هوش مصنوعی ، One-Hot Encoding