محبوبترینها
نمایش جنگ دینامیت شو در تهران [از بیوگرافی میلاد صالح پور تا خرید بلیط]
9 روش جرم گیری ماشین لباسشویی سامسونگ برای از بین بردن بوی بد
ساندویچ پانل: بهترین گزینه برای ساخت و ساز سریع
خرید بیمه، استعلام و مقایسه انواع بیمه درمان ✅?
پروازهای مشهد به دبی چه زمانی ارزان می‌شوند؟
تجربه غذاهای فرانسوی در قلب پاریس بهترین رستوران‌ها و کافه‌ها
دلایل زنگ زدن فلزات و روش های جلوگیری از آن
خرید بلیط چارتر هواپیمایی ماهان _ ماهان گشت
سیگنال در ترید چیست؟ بررسی انواع سیگنال در ترید
بهترین هدیه تولد برای متولدین زمستان: هدیه‌های کاربردی برای روزهای سرد
در خرید پارچه برزنتی به چه نکاتی باید توجه کنیم؟
صفحه اول
آرشیو مطالب
ورود/عضویت
هواشناسی
قیمت طلا سکه و ارز
قیمت خودرو
مطالب در سایت شما
تبادل لینک
ارتباط با ما
مطالب سایت سرگرمی سبک زندگی سینما و تلویزیون فرهنگ و هنر پزشکی و سلامت اجتماع و خانواده تصویری دین و اندیشه ورزش اقتصادی سیاسی حوادث علم و فناوری سایتهای دانلود گوناگون
مطالب سایت سرگرمی سبک زندگی سینما و تلویزیون فرهنگ و هنر پزشکی و سلامت اجتماع و خانواده تصویری دین و اندیشه ورزش اقتصادی سیاسی حوادث علم و فناوری سایتهای دانلود گوناگون
آمار وبسایت
تعداد کل بازدیدها :
1827656368
پیش‌بینی مناطق فقیر با عکس‌های فضایی/الگوریتم جدید برای کمک به سازمان‌های امدادرسان
واضح آرشیو وب فارسی:خبر آنلاین: دانش > فناوری - ایسنا نوشت: جدیدترین روش برای پیش‌بینی دقیق فقر می‌تواند استفاده از تصاویر ماهواره‌ای و یادگیری ماشین باشد.
این تکنیک تصویربرداری می‌تواند کار سازمان‌های امدادرسانی را برای شناسایی مناطق نیازمند کمک تسهیل کرده و حتی به دولت‌ها برای توسعه سیاست‌های بهتر کمک کند. همه می‌دانند که هر چه مناطق بیشتری در شب از نور برخوردار باشند، توسعه‌یافته‌تر و غنی‌تر هستند. محققان از این شیوه برای تخمین فقر در مناطقی استفاده کردند که داده‌های دقیقی از آنها در دست نیست. البته برآوردها بر اساس نور شب بیشتر بر پایه حدس هستند و اطلاعات زیادی در مورد تفاوت ثروت در میان اقشار بسیار فقیر ارائه نمی‌کنند.
دانشمندان دانشگاه استنفورد به یک رایانه، سه منبع داده شامل تصاویر نور شب، تصاویر روز و اطلاعات پیمایشی واقعی را ارائه کردند تا الگوریتمی را برای پیش‌بینی میزان غنی یا فقیر بودن مناطق ایجاد کنند. این روش که در مجله ساینس منتشر شده، توانسته فقر را به جزئیات بیشتری نسبت به روش‌های پیشین برآورد کند.
ساخت این الگوریتم شامل یک فرآیند دومرحله‌ای موسوم به "یادگیری انتقال" بود. در مرحله اول، دانشمندان تصاویر روز و شب پنج کشور آفریقایی اوگاندا، تانزانیا، نیجریه، مالاوی و رواندا را به یک شبکه عصبی رایانه‌ای نشان دادند. آنها با استفاده از تکنیک‌های یادگیری عمیق، به رایانه آموزش دادند تا محل نورهای شبانه را با نگاه کردن به تصاویر روز و جستجو برای ارتباط آنها پیش‌بینی کنند. این مدل برای مثال یاد گرفت که اگر تعداد خانه بیشتری در یک منطقه باشد، احتمالا نور بیشتری در شب تولید می‌کند. محققان با آموزش دادن به رایانه‌ها در مورد اینکه کدام ویژگیهای روز با نور شبانه مرتبط است، می‌توانند پیش‌بینی بهتری در مورد مناطق فقیر داشته باشند. آنها در مرحله دوم از یک مدل متفاوت موسوم به مدل رگرسیون خط الراس استفاده کردند. این مدل از قبل ارتباط بین ویژگیهای منطقه و نور را می‌داند. دانشمندان سپس اطلاعات بیشتری به آن ارائه کردند که شامل داده‌های پیمایشی واقعی از خدمات بهداشت جمعیتی و مطالعه ارزیابی استانداردهای زندگی بانک جهانی بودند. البته این مدل به تنهایی برای سنجش فقر در یک شهر سودمند نبود. گام بعدی محققان، آموزش این الگوریتم برای بررسی کشورهای دیگر به منظور نقشه‌برداری بهتر از فقر در سراسر جهان است. 5454
جمعه 29 مرداد 1395 - 19:03:07
این صفحه را در گوگل محبوب کنید
[ارسال شده از: خبر آنلاین]
[مشاهده در: www.khabaronline.ir]
[تعداد بازديد از اين مطلب: 114]
-
گوناگون
پربازدیدترینها