http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
- 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
- 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
RISS 인기검색어
- 검색키워드
- 저자 : 타메르 (검색결과 2 건)
- 무료
- 기관 내 무료
- 유료
-
임지수,타메르 한국정보처리학회 2019 정보처리학회논문지. 소프트웨어 및 데이터 공학 Vol.8 No.9
Since many programming sources are open online, problems with reckless plagiarism and copyrights are occurring. Among them, source codes produced by repeated authors may have unique fingerprints due to their programming characteristics. This paper identifies each author by learning from a Google Code Jam program source using deep neural network. In this case, the original creator's source is to be vectored using a pre-processing instrument such as predictive-based vector or frequency-based approach, TF-IDF, etc. and to identify the original program source by learning by using a deep neural network. In addition a language-independent learning system was constructed using a pre-processing machine and compared with other existing learning methods. Among them, models using TF-IDF and in-depth neural networks were found to perform better than those using other pre-processing or other learning methods. 현재 프로그래밍 소스들이 온라인에서 공개되어 있기 때문에 무분별한 표절이나 저작권에 대한 문제가 일어나고 있다. 그 중 반복된 저자가 작성한 소스코드는 프로그래밍 특성상 고유의 지문이 있을 수 있다. 본 논문은 구글 코드 잼 프로그램 소스를 심층신경망을 이용한 학습을 통해 각각의 저자를 분별하는 것이다. 이 때 원작자의 소스를 예측 기반 벡터나, 주파수 기반 접근법인 TF-IDF등의 전처리기를 사용하여 입력 값들을 벡터화해주고, 심층신경망을 이용한 학습을 통해 각 프로그램 소스 원작자를 식별하고자 한다. 전처리기를 이용하여 언어에 독립적인 학습시스템을 구성하고, 기존의 다른 학습 방법들과 비교하였다. 그 중 TF-IDF와 심층신경망을 사용한 모델은 다른 전처리기나 다른 학습방식을 사용한 것보다 좋은 성능을 보임을 확인하였다.
-
아미르호세인 더네시,피루즈 주라예프,샤케르 엘사파그,타메르 아부흐메드 한국지능정보시스템학회 2024 지능정보연구 Vol.30 No.2
Sepsis remains a complex, life-threatening condition characterized by an overwhelming immune response to infection, leading to high mortality rates in hospital settings. Rapid and precise diagnosis is crucial to improving survival rates, but current practices lack personalized, predictive tools. The emergence of electronic health records has spurred the development of automated clinical decision systems, yet the efficacy of such tools can be significantly enhanced through the use of Machine Learning (ML) and Digital Twin (DT) technologies. This study bridges a vital gap in sepsis management by introducing a novel, layered ML model that incorporates DT technology to analyze time-series patient data within Intensive Care Units (ICUs). Leveraging a robust cohort from the MIMIC-IV dataset, we implemented and optimized an array of ML models, including classical, static ensemble, and dynamic ensemble, to predict sepsis outcomes. Our findings indicate the KNOP model, paired with classical ML classifiers, outperforms existing methodologies, offering a medically intuitive and trustworthy approach to sepsis prediction. This pioneering study is the first to apply DT technology and dynamic ensembles to ICU sepsis prediction, providing a foundation for future advancements in patient-specific healthcare.
ScienceON
KISS연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
