глибинне навчання

A data-driven fusion of deep learning and transfer learning for orange disease classification

In agriculture, early detection of crop diseases is imperative for sustainability and maximizing yields.  Rooted in Agriculture 4.0, our innovative approach  combines pre-trained Convolutional Neural Networks (CNNs) models with data-driven solutions to address global challenges related to water scarcity.  By integrating the combined $L_{1}/L_{2}$ regularization technique to our model layers, we enhance their flexibility, reducing the risk of the overfitting effect of the model.  In the orange dataset used in our experiments, we have 1790 orange images, including a class

Enhancing the vision graph model by elevating the precision diagnostics with attention and convolutions in medical imaging

The COVID-19 showed us that rapid and accurate diagnostics is a necessity.  Therefore, researchers began to implement deep learning models that can help the doctors to reach faster and reliable results, but there are more development to be done.  In our research paper, we introduced an innovative approach to enhance the Vision Graph model's accuracy for better results.  Our method exploits the strength of the ConvMixer architecture and Attention mechanism.  We start by utilizing Depthwise convolution and Pointwise convolution to capture spatial information in detail whi

A Comparison of LSTM, GRU, and XGBoost for forecasting Morocco's yield curve

The field of time series forecasting has grown significantly over the past several years and is now highly active.  In numerous application domains, deep neural networks are exact and powerful.  They are among the most popular machine learning techniques for resolving big data issues because of these factors.  Historically, there have been numerous methods for accurately predicting the subsequent change in time series data.  The time series forecasting problem and its mathematical underpinnings are first articulated in this study.  Following that, a description of the m

Розшифровка Цезію-137: підхід глибинного навчання до екологічного прогнозування

Дослідження зосереджено на значній екологічній загрозі, яку становить цезій-137, побічний продукт ядерних аварій, промислової діяльності та минулих випробувань зброї. Стійкість цезію- 137 порушує екосистеми, забруднюючи ґрунт та воду, що у результаті впливає на здоров’я людей через харчовий ланцюг. Традиційні методи моніторингу, такі як гамма-спектроскопія та відбір проб ґрунту, стикаються з проблемами, серед яких варіативність та інтенсивне використання ресурсів.

Огляд методів ідентифікації захворювань за допомогою знімків комп’ютерної томографії

Розглянуто методи та підходи до комп’ютерної діагностики різних захворювань легень на підставі автоматизованого аналізу знімків комп’ютерної томографії. Виконано пошук в базі даних Google Scholar за кількома запитами на тему аналізу знімків комп’ютерної томографії за допомогою глибокого навчання та машинного навчання серед статей, опублікованих протягом або після 2017 р. Після відсіювання результатів пошуку сформовано набір із 39 статей. Набір даних розділено за датою публікації на дві категорії: до та після початку пандемії COVID-19.

Numerical simulation by Deep Learning of a time periodic p(x)-Laplace equation

The objective of this paper is to focus on the study of a periodic temporal parabolic equation involving a variable exponent $p(x)$.  After proving the existence and uniqueness of the solution, we provide a method for its numerical simulation using emerging deep learning technologies.

Embedding physical laws into Deep Neural Networks for solving generalized Burgers–Huxley equation

Among the difficult problems in mathematics is the problem of solving partial differential equations (PDEs).  To date, there is no technique or method capable of solving all PDEs despite the large number of effective methods proposed.  One finds in the literature, numerical methods such as the methods of finite differences, finite elements, finite volumes and their variants, semi-analytical methods such as the Variational Iterative Method, New Iterative Method and others.  In recent years, we have witnessed the introduction of neural networks in solving PDEs.  In this w

Physics-informed neural networks for the reaction-diffusion Brusselator model

In this work, we are interesting in solving the 1D and 2D nonlinear stiff reaction-diffusion Brusselator system using a machine learning technique called Physics-Informed Neural Networks (PINNs).  PINN has been successful in a variety of science and engineering disciplines due to its ability of encoding physical laws, given by the PDE, into the neural network loss function in a way where the network must not only conform to the measurements, initial and boundary conditions, but also satisfy the governing equations.  The utilization of PINN for Brusselator system is stil

Використання ембедінгів голосу в інтегрованих системах для діаризації мовців та виявлення зловмисників

У цій роботі досліджується використання систем діаризації, які застосовують передові алгоритми машинного навчання для точного виявлення та розділення різних спікерів в аудіозаписах для реалізації системи виявлення зловмисників. Порівнюються декілька передових моделей діаризації, зокрема NeMo від Nvidia, Pyannote та SpeechBrain. Ефективність цих моделей оцінюється за допомогою типових метрик, що використову- ються для систем діаризації, таких як коефіцієнт помилки діаризації (DER) та коефіцієнт помилки Жакара (JER). Система діаризації була протестована в різних аудіоумовах.

ДОСЛІДЖЕННЯ МЕТОДІВ ДІАГНОСТИКИ ЗАХВОРЮВАНЬ РОСЛИН ЗА ДОПОМОГОЮ ГЛИБОКОГО НАВЧАННЯ

У статті досліджується використання згорткових нейронних мереж (CNN) у процесі діагностики та ідентифікації хвороб та шкідників рослин. Розглянуто різні методи діагностики хвороб рослин, особливості наборів даних, а також проблеми, що існують у даному напрямку досліджень. У статті обговорюється п'ятикрокова методологія для визначення хвороб рослин, включаючи збір даних, попередню обробку, сегментацію, виділення ознак та класифікацію.