Notice bibliographique
Résumé
Self-optimal clustering, in comparison with other clustering methods, includes features that, when optimizing in such environments, these characteristics should be considered.A variety of methods for clustering have already been proposed that each of these methods looks at the environment with specific approach and have optimized clustering methods by inspiration of different algorithms.In this research, we have used the Fuzzy Q learning algorithm for the first time.In a Fuzzy Q learning problem, we face with an autonomous agent that interacts with environment through trial and error, and learns to select the optimal action to reach the goal.In the Fuzzy Q learning model, the agent moves into the environment and remembers the related states and rewards.The agent tries to behave in such a way that maximizes the reward function.Since Fuzzy Q learning algorithm uses the combination of reinforcement learning and fuzzy logic, it is an appropriate option for solving this group of problems.We first define the Q learning algorithm in this thesis.And after proposing this algorithm, we will shortly investigate how to improve it by fuzzy logic, which leads to the suggestion of a fuzzy reward function to reduce the complexity of clustering, and express the efficiency of proposed algorithms by standard and appropriate tests.The results of tests indicate that the proposed method has acceptable efficiency.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,004 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,905 | 0,925 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».