نمونه‌کار های انجام شده

روانشناسی

انگلیسی به فارسی

متن اصلی:

All statistical analyses were conducted using IBM Statistical Package for the Social Sciences (SPSS) Version 21.0 software. Demographic variables, including sex, age group, marital status, educational level, job, and family history of substance abuse, were summarized using frequencies and percentages as qualitative variables. Chi-squared and exact tests were employed to compare substance abuse patterns among the three disorder groups. Additionally, bivariate correlation analysis was performed to examine the associations between SUD and demographic characteristics within each disorder group. The significance level was set at p < 0.05 for all analyses.

متن ترجمه شده:

تمامی تجزیه و تحلیل‌های آماری با استفاده از نسخه 21.0 نرم‌افزار بستة آماری برای علوم اجتماعی (SPSS) شرکت IBM انجام شد. برای خلاصه‌سازیِ متغیرهای جمعیت‌شناختی شامل جنسیت، گروه سنی، وضعیت تأهل، سطح تحصیلات، شغل و سابقه خانوادگی سوء مصرف مواد، از فراوانی و درصد به عنوان متغیرهای کیفی استفاده شده است. برای مقایسة الگوهای سوء مصرف مواد در بین سه گروه اختلال، از آزمون‌های مربع کای و دقیق استفاده شده است. علاوه بر این، تجزیه و تحلیل همبستگیِ دو متغیره برای بررسی ارتباط بین SUD و ویژگی‌های جمعیت‌شناختی در هر گروه اختلال انجام شده است. سطح معنی‌داری نیز، برای تمامی تحلیل ها ۰/۰۵ تعیین شد.

مجموعه ریاضیات و آمار

انگلیسی به فارسی

متن اصلی:

Scientists and engineers working with large volumes of high-dimensional data often face the problem of dimensionality reduction: finding meaningful low-dimensional structures hidden in their high-dimensional observations. Manifold learning, as an important mathematical tool for high dimensionality analysis, has derived an emerging interdisciplinary research area in machine learning, computer vision, neural networks, pattern recognition, image processing, graphics, and scientific visualization, with various real-world applications. Much research has been published since the most well-known, “A global geometric framework for nonlinear dimensionality reduction,” by Joshua B. Tenenbaum, Vin de Silva and John C. Langford and “Nonlinear dimensionality reduction locally linear embedding” by Sam T. Roweis and Lawrence K. Saul, both in Science, Vol. 290, 2000. However, what is lacking in this field is a book grounded with the fundamental principles of existing manifold learning methodologies, and that provides solid theoretical and practical treatments for algorithmic and implementations from case studies. Our purpose for this book is to systematically and uniquely bring together the stateof-the-art manifold learning theories and applications, and deliver a rich set of specialized topics authored by active experts and researchers in this field. These topics are well balanced between the basic theoretical background, implementation, and practical applications. The targeted readers are from broad groups, such as professional researchers, graduate students, and university faculties, especially with backgrounds in computer science, engineering, statistics, and mathematics. For readers who are new to the manifold learning field, the proposed book provides an excellent entry point with a high-level introductory view of the topic as well as in-depth discussion of the key technical details. For researchers in the area, the book is a handy tool summarizing the up-to-date advances in manifold learning. Readers from other fields of science and engineering may also find this book interesting because it is interdisciplinary and the topics covered synergize cross-domain knowledge. Moreover, this book can be used as a reference or textbook for graduate level courses at academic institutions. There are some universities already offering related courses or those with particular focus on manifold learning, such as the CSE 704 Seminar in Manifold and Subspace Learning, SUNY at Buffalo, 2010. This book’s content is divided by two criteria. Chapters 1 through 8 describe the manifold learning theory, with Chapters 9 through 11 presenting the application of manifold learning. Chapter 1, as an introduction to this book, provides an overview of various methods in manifold learning. It reviews the notion of a smooth manifold using basic concepts from topology and differential geometry, and describes both linear and nonlinear manifold methods. Chapter 2 discusses how to use global information in manifold learning, particularly regarding Laplacian eigenmaps with global information. Chapter 3 describes manifold learning from the density-preserving point of view, and defines a density-preserving map on a Riemannian submanifold of a Euclidean space. Chapter 4 describes the sample complexity of classification on a manifold. It examines the informational aspect of manifold learning

متن ترجمه شده:

دانشمندان و مهندسانی که با حجم زیادی از داده‌های ابعاد بالا کار می‌کنند، اغلب با مشکل کاهش ابعاد مواجه می‌شوند: یافتن ساختارهای ابعاد پایینِ معنی‌دارِ پنهان در مشاهدات ابعاد بالا. یادگیری مانیفُلد، به عنوان یک ابزار ریاضی مهم برای تجزیه و تحلیل ابعاد بالا، یک حوزه تحقیقاتی میان رشته‌ایِ در حال ظهور در یادگیری ماشین، بینایی رایانه‌ای، شبکه‌های عصبی، شناسایی الگو، پردازش تصویر، گرافیک و مصورسازی علمی با کاربردهای مختلف دنیای واقعی است. از زمان انتشار معروف‌ترین مقالات این حوزه، یعنی «یک چارچوب هندسیِ جهانی برای کاهش غیرخطی ابعاد» نوشتة Joshua B. Tenenbaum، Vin de Silva و John C. Langford و «تعبیة خطیِ محلیِ کاهش غیرخطی ابعاد» نوشتة Sam T. Roweis و Lawrence K. Saul، که هردو در سال ۲۰۰۰ و در شمارة ۲۹۰ نشریة Science منتشر شده‌اند، تحقیقات بسیاری در این حوزه انجام و منتشر شده است. با این حال، آنچه فقدان آن در این حوزه حس می‌شود، وجود کتابی است بر اساس اصول بنیادین روش‌‌شناسی‌‌های یادگیری مانیفُلدِ فعلی، که راه‌حل‌های نظری و عملی محکمی را برای الگوریتم‌ها و پیاده‌سازی‌ها از مطالعات موردی ارائه می‌‌دهد. هدف ما از این کتاب، این است که به طور سیستماتیک و منحصر به فرد، تئوری‌ها و کاربردهای یادگیری مانیفُلد را گرد هم بیاوریم و مجموعه‌ای غنی از موضوعات تخصصی را ارائه کنیم که توسط کارشناسان و محققان فعال در این زمینه تألیف شده است. این موضوعات، به خوبی بین پیشینة نظری بنیادین، پیاده‌سازی و کاربردهای عملی، تعادل یافته و تقسیم شده‌اند. مخاطبان هدف، متشکل از گروه‌های گسترده‌ای مانند محققان حرفه‌ای، دانشجویان تحصیلات تکمیلی و اعضای هیئت علمی دانشگاه‌ها هستند، به ویژه با پیشینة علوم کامپیوتر، مهندسی، آمار و ریاضیات. برای مخاطبانی که در زمینة یادگیری مانیفُلد تازه‌کار هستند، کتابِ ارائه شده می‌تواند نقطة ورودی عالی با دید مقدماتیِ سطح بالا از موضوع و همچنین، بحث عمیق در مورد جزئیات فنیِ کلیدی ارائه دهد. برای محققان این حوزه، این کتاب ابزار مفیدی است که پیشرفت‌های روز در یادگیری مانیفُلد را خلاصه می‌کند. این کتاب، برای خوانندگان متخصص در سایر رشته‌های علوم و مهندسی نیز می‌تواند جذاب باشد، زیرا موضوعی بین رشته‌ای دارد و موضوعات تحت پوششِ آن، دانش بین حوزه‌ای را هم‌افزایی می‌کنند. علاوه بر این، این کتاب می‌تواند به عنوان مرجع یا کتاب درسی برای دوره‌های تحصیلات تکمیلی در دانشگاه‌ها مورد استفاده قرار گیرد. برخی از دانشگاه‌ها در حال حاضر دوره‌های مرتبط یا تمرکز بر یادگیری مانیفُلد ارائه می‌دهند؛ مانند سمینار CSE 704 در موضوع یادگیری منیفلد و زیرفضا، در SUNY (دانشگاه ایالتیِ نیویوک) در بوفالو، 2010. محتوای این کتاب با دو معیار تقسیم شده است. فصل‌های 1 تا 8، نظریة یادگیری مانیفُلد را توضیح می‌دهند و فصل‌های 9 تا 11، کاربرد یادگیری مانیفُلد را ارائه می‌کنند. فصل 1، به عنوان مقدمة این کتاب، مروری دارد بر روش‌های مختلف در یادگیری مانیفُلد. این مفهوم، یک منیفلد هموار را با استفاده از مفاهیم پایه‌ایِ توپولوژی و هندسة دیفرانسیل مورد بررسی قرار داده و روش‌های منیفلد خطی و غیرخطی را توصیف می‌کند. فصل 2، نحوه استفاده از اطلاعات سرتاسری در یادگیری منیفلد را مورد بحث قرار می‌دهد، به ویژه در مورد نقشه‌های آیگنیِ لاپلاسی با اطلاعات جهانی. فصل 3، یادگیری منیفلد را از دیدگاه حفظ تراکم توصیف می‌کند و یک نگاشتِ حفظ تراکم را بر روی یک زیرمنیفلد ریمانی (Riemannian) از فضای اقلیدسی تعریف می‌کند. فصل 4، پیچیدگی نمونه در طبقه بندی روی یک منیفلد را توضیح داده و جنبه اطلاعاتی یادگیری منیفلد را بررسی می‌کند.

نمونه‌کار‌های بیشتر