Бидний тухай
Багш ажилтан
Deep learning and camera-based monitoring play a pivotal role in effective farm management. However, reliable data availability remains essential for successful deep-learning applications. Cameras are the primary data sources for computer vision deep learning models. For effective farm management, a multi-camera setup is often used. In a multi-camera farm setup, the input dataset for deep learning is prepared by combining the records of the cameras installed on many sides of the farm. However, an irregular frame rate of various cameras in a multi-camera setup can cause issues such as drift. Therefore, the data from different cameras must be in sync before feeding it to a deep learning model. In this work, we present a method for frame rate synchronization that leverages the timestamp information on the video and achieves high accuracy. Our method addresses a critical use case where the frame rate synchronization is performed post-video recording. Its effectiveness is demonstrated in real-world animal behavior detection scenarios, where precise synchronization is vital. Via this work, we contribute to robust deep-learning models for farm management and livestock analysis by addressing frame rate irregularities.
Large-scale automatic detection of individual animal phenotypes is a long-standing desire in animal breeding. Furthermore, the recent advances in AI, coupled with the availability of technologies such as RFIDs, Wireless Sensor Networks, and Camera Systems, have made it possible to automate the process of animal phenotype detection. An automated phenotype detection process has several phases, comprising data collection, data fusion, data storage, data analysis/AI model development, and data serving. To facilitate the automated phenotype detection process, we developed a data analytics platform architecture. The designed architecture proposes various approaches vis-a-vis several phases of the automated phenotype detection process, along with implementing these approaches on Dutch national HPC infrastructure. Also, how data analysis results are served to the various end users is very important for the success of a data analytics platform. To this end, we propose a scalable data visualization pipeline that enables animal behavior scientists to deduce quick summaries of animal behavior on a farm.
Data-driven farming uses digital data and analytics to improve animal welfare and breeding efficiency. A data analytics platform that facilitates the process of automated phenotype detection on Dutch HPC infrastructure using open-source technologies.
This study develops a churn prediction model for a telecom company in Mongolia to retain customers and maximize profitability. Various machine learning techniques, including SVM, Decision Tree, kNN, Logistic Regression, Gaussian, and Linear Discriminant models, are used. Cluster sampling and correlation-based feature selection are employed. The study reviews related works and evaluates model performance using metrics like accuracy, precision, recall, and F1-score. It contributes to churn prediction knowledge in Mongolian telecom and provides recommendations.
Аж үйлдвэрийн дөрөвдүгээр хувьсгалын технологийн хөдөлгүүр болоод байгаа хиймэл оюун ухаан, их өгөгдөл, юмсын интернэт буюу төхөөрөмж дээрх програмчлал зэрэгтэй холбогдуулан тэдгээрийн тооцоололд зориулан өндөр гүйцэтгэлийн тооцооллын кластер, супер компьютерын дэд бүтэц бий болгох болон тухайн нөөцийг бүрэн дүүрэн, ухаалаг ашиглах параллель програмчлалын технологийг судлан хөгжүүлэх шаардлага тулгарч байна. Энэхүү өгүүлэлд уг шаардлагатай холбогдуулан HPC, супер компьютерын талаарх ойлголтууд болон сүүлийн үед параллель програмчлалд өргөнөөр ашиглаж эхлэх болсон GPU програмчлалын зарим сангуудын талаар бичив.
Барилга, байгууламжийн хана, тааз, шал, хаалга зэргийн гадаргуу дээрх сэв, хагарал зэргийг автоматаар олж илрүүлэх нь компьютер харааны шинэлэг судалгааны нэг юм. Бид гадаргуугийн сэв, согогийг илрүүлэх зорилгоор гүн сургалтын Deep CNN загварыг боловсруулан туршилт хийхэд үр дүн зарим төрлийн гадаргуугийн сэвийг 85-аас 95 хувь хүртэл оновчтой илрүүлсэн.
Барилга, байгууламжийн хана, тааз, шал, хаалга зэргийн гадаргуу дээрх сэв, хагарал зэргийг автоматаар олж илрүүлэх судалгаа нь Олон Улсын хэмжээнд бо- лон Монгол Улсад шинэлэг судалгааны талбар юм. ОУ-ын хэмжээнд дүрс боловс- руулалтын чиглэлд судалгаа хийдэг судлаач, эрдэмтэд нь орчны нөлөөлөл болон су- далгааны объектын хувьд тодорхой нөхцөл дор судалгааг хийсэн байна. Бид барил- га, байгууламжийн гадаргуугийн сэв, согогийг илрүүлэх зорилгоор зураг боловсруу- лалт болон машин сургалтын аргуудыг хослуулан туршилтууд хийсэн бөгөөд энэхүү ажилд танилцуулж буй загвар нь зарим төрлийн гадаргуугийн сэвийг 80 хувиас 90 хувь хүртэл оновчтой илрүүлсэн.
Дэлхийн эрүүл мэндийн байгууллага (ДЭМБ)-аас 2019 оны 12 сард БНХАУ-ын Ухань мужид Ковид-19 вирусийн анхны тохиолдол бүртгэгдсэн талаар мэдээлснээс хойш одоогоор дэлхийн 220 гаруй оронд тархаад байна. Тус халдварын тархалтаас сэргийлэхийн тулд хэсэгчилсэн болон нийтийг хамарсан хөл хориог тогтоох, халдвар хамгааллын дэглэм сахиулах, вакцинжуулах зэрэг арга хэмжээг авч байна. Халдварын хор хөнөөлийг таамаглаж урьдчилан сэргийлэх, тэмцэх стратеги, менежментээ зөв авч явуулсан улс орнууд буцаад хэвийн горимдоо орж эхлэж байна. Монгол улсын хувьд 2020 оны 11 сараас цар тахлыг дотооддоо алдаж эхэлсэн. Энэхүү судалгааны ажлаар цар тахал хүн амын дунд тархаж буй тоо хэмжээг 2020 оны 11 дүгээр сарын 9-өөс 2021 оны 4 дүгээр сарын 12-ныг хүртэлх мэдээлэлд дүн шинжилгээ хийж, “Монголын Мэдээллийн Технологи 2020” эрдэм шинжилгээний хуралд оролцсон дэлхий нийтийн тархалт дээр хийсэн загвар болох Holt Winter’s Exponential ашиглан 2021 оны 8 дугаар сар хүртэлх тархалтыг МУ-ын увьд урьдчилан таамаглалаа. Иймд судалгааны ажлын үр дүн нь дэлхий нийтэд вакцинжуулалт эрчимжихээс өмнөх тархалтаар МУ-д тархвал гэсэн машин сургалтын загвар дээр үндэслэсэн гэж үзэхэд 2021 оны 7 сар гэхэд нийт халдвар авсан хүний тоо нэг сая хүрэх магадлалтайг үзүүлсэн бөгөөд мөн вакцинжуулалт болон халдвар хамгааллын дэглэм, хэсэгчилсэн хорио цээрийн дэглэм үр дүнгээ өгч 60%, 80% тус тус тархалтаас сэргийлнэ гэж үзвэл харгалзан 400 мянга, 200 мянга орчимд хүрч болзошгүй. Судалгаанаас вакцинжуулалтыг эрчимжүүлэх, халдвар хамгааллын дэглэмийг чанд сахих, шаардлагатай үед хол хориог авахаас өөр аргагүйг илэрхийлж байна.
We introduce a novel approach for generating 2D RGB color images with a plot from the micro text (tweet) to be used for the overall polarity classification process of sentiment analysis. Researchers generally use word embedding and external resource‐based embedding techniques for text preprocessing of sentiment analysis through machine learning, neural networks, and natural language processing approaches. We sought to identify alternative ways to represent tweets for text classification. According to the experimental results, using the new ‘Text2Plot’ representation method could increase F1 scores by 27.2% for Convolutional neural networks, 10.3% for support vector machine, and 4.4% for random forest models compared to using simple vectors as features for sentiment analysis. Hence, we propose this new method as a useful text representation approach for sentiment analysis, natural language processing tasks, and image processing problems. © 2021 Institute of Electrical Engineers of Japan. Published by Wiley Periodicals LLC.
Дэлхийн эрүүл мэндийн байгууллага (ДЭМБ)-аас 2019 оны 12 сард БНХАУ-ын Ухань мужид COVID-19 вирусийн анхны тохиолдол бүртгэгдсэн талаар мэдээлснээс хойш богино хугацаанд дэлхийн ихэнх улс оронд халдвар тархав. Тус халдварын тархалтаас сэргийлэхийн тулд олон нийтийг хамарсан хөл хорио зэргийг тогтоосон байсан ч бага багаар хязгаарлалтуудыг цуцалж байна. Гэсэн хэдий ч тус халдварын хор хөнөөлийг таамаглаж урьдчилан сэргийлэх, цаашид авч хэрэгжүүлэх үйл ажиллагаатай холбогдуулан шийдвэр гаргах шаардлагатай байна. Энэхүү судалгааны ажлаар COVID-19 цар тахал хүн амын дунд тархаж буй тоо хэмжээг 2020 оны 2 сарын 20-оос 2020 оны 9 сарын 30-ыг хүртэлх мэдээлэлд дүн шинжилгээ хийж, Holt Winter’s Exponential болон Damped Trend аргыг ашиглан нэг жилийн хугацаан дахь тархалтыг Дэлхий дахинд болон Монгол Улсын хувьд урьдчилан таамаглалаа. Судалгааны ажлын үр дүнг өнөөгийн нөхцөл байдал өөрчлөгдөхгүйгээр үргэлжлэнэ гэж үзэхэд дэлхий даяар 2021 оны 10 сарын 31 гэхэд нийт халдвар авсан хүний тоо дэлхий дахинд 1,3 тэрбум, Монгол Улсад 608 хүрч, дэлхий дахинд 9,2 сая хүн нас барах хандлага судалгаа харуулж байгаа боловч, гадны болон гэнэтийн хүчин зүйлс нөлөөлвөл таамаглал өөрчлөгдөх магадлалтай юм.
The most important problems (facing higher education institutions) are enhancing quality assurance. Quality assurance is at the heart of academic activities in higher education institutions (HEI) in today’s world. One of the methods to determine the quality of HEI is analyzing and summarize the satisfaction of stakeholders. The most important problems (facing higher education institutions) are enhancing quality assurance. One of the best ways to overcome this problem is by using a decision support framework for quality assurance. That framework is analyzing HEI’s historical data and supporting decision-making activities.
On 31 December 2019, the World Health Organization (WHO) was informed of a cluster of cases of pneumonia of unknown cause detected in Wuhan City, Hubei Province of China. From this time, the disease had spread well outside China, reaching countries in all parts of the globe. In this research, we conducted experiments to predict COVID-19 epidemic trends using Holt's linear trend of exponential smoothing method. In experiments, we used epidemiological data contains confirmed cases, deaths, and recovered cases from 22 January 2020 to 20 April 2020. According to the experimental results, where the current situation would not change, in the first quarter of 2021, the number of confirmed cases is forecasted to reach 30 million, and deaths reach 2.4 million.
Дэлхийн эрүүл мэндийн байгууллага (ДЭМБ)-аас 2019 оны 12 сард БНХАУ-ийн Ухань мужид COVID-19 вирусийн анхны тохиолдол бүртгэгдсэн талаар мэдээлснээс хойш богино хугацаанд дэлхийн ихэнх улс оронд халдвар тархав. Тус халдварын тархалтаас сэргийлэхийн тулд олныг нийтийг хамарсан хөл хорионы дэглэм тогтоод байна. Тиймээс тус халдварын хор хөнөөлийг таамаглаж урьдчилан сэргийлэх, цаашид авч хэрэгжүүлэх үйл ажиллагаатай холбогдуулан шийдвэр гаргах шаардлагатай тулгарч байна. Энэхүү судалгааны ажлаар COVID-19 цар тахал хүн амын дунд тархаж буй тоо хэмжээг 2020 оны 2 сарын 20-оос 4 сарын 23-ийг хүртэлх тархалтын мэдээлэлд дүн шинжилгээ хийж, вирусийн тархалтыг Damped Trend аргыг ашиглан нэг жилийн хугацаанд тархалтыг Дэлхий дахинд болон Монгол Улсын хувьд урьдчилан таамаглалаа. Судалгааны ажлын үр дүнг өнөөгийн нөхцөл байдал өөрчлөгдөхгүйгээр үргэлжлэнэ гэж үзэхэд дэлхий даяар 2021 оны 4 сарын 2 гэхэд нийт халдвар авсан хүний тоо 30 саяд хүрч, 2.50 сая хүн нас барах хандлагатай байна. Харин Монгол Улсын хувьд хяналт сайтай гэж авч үзвэл 2020 оны 6 сарын 17-ны өдөр хүртэл 46 тохиодол илэрч, цаашид тогтворжих хандлага судалгаа харуулж байгаа боловч, гадны болон гэнэтийн хүчин зүйлс нөлөөлвөл таамаглал өөрчлөгдөх магадлалтай юм.
Олон нийтийн сүлжээн дэх пост, жиргээ, блог зэрэг цахим агуулга улам бүр нэмэгдэж байна. Уг судалгаанд англи хэл дээр бичигдсэн жиргээний сэтгэгдлийн туйлшрал буюу эерэг, сөрөг, энгийн гэсэн хандлагыг гүн сургалтын Convolutional Neural Network аргыг хэрэглэн автоматаар ангилах ажлыг тусгасан. Уг систем байснаар улсын болон бизнесийн байгууллагууд цаг үед нь нийгмийн сэтгэгдлийг мэдэрч үйл ажиллагаандаа тусгах боломжтой болох юм. Өгөгдлийг хэл боловсруулалтын багаж, нөөцүүдийг хэрэглэн есөн үе шаттайгаар боловсруулсан нь үгсийн сангийн хэмжээг багасгаж, үр дүнг нэмэгдүүлсэн. Загварт үгнээс векторт шилжүүлэхэд “Word2Vec”-ийг өргөтгөж хэрэглэсэн. Цаашид загварыг илүү сайжруулах, монгол хэл дээр турших боломжтой гэж үзэж байна.
Олон нийтийн сүлжээн дэх пост, жиргээ, блог зэрэг цахим агуулга улам бүр нэмэгдэж байна. Уг судалгаанд англи хэл дээр бичигдсэн жиргээний сэтгэгдлийн туйлшрал буюу эерэг, сөрөг, энгийн гэсэн хандлагыг гүн сургалтын Convolutional Neural Network аргыг хэрэглэн автоматаар ангилах ажлыг тусгасан. Уг систем байснаар улсын болон бизнесийн байгууллагууд цаг үед нь нийгмийн сэтгэгдлийг мэдэрч үйл ажиллагаандаа тусгах боломжтой болох юм. Өгөгдлийг хэл боловсруулалтын багаж, нөөцүүдийг хэрэглэн есөн үе шаттайгаар боловсруулсан нь үгсийн сангийн хэмжээг багасгаж, үр дүнг нэмэгдүүлсэн. Загварт үгнээс векторт шилжүүлэхэд “Word2Vec”-ийг өргөтгөж хэрэглэсэн. Цаашид загварыг илүү сайжруулах, монгол хэл дээр турших боломжтой гэж үзэж байна.
Abstract. This paper presents a target-oriented message polarity classification approach for positive, negative, and neutral classes in Twitter. We evaluated some experiments using Convolutional Neural Networks (CNN) with different features, TensorFlow library, and a SenticNet5 in sentiment lexicon for tweet datasets. The best experiment has achieved 0.673 for the average recall rate, 0.743 for the average precision rate, 0.703 for the average F1 score, and 0.823 for accuracy. Keywords: target-oriented sentiment analysis, opinion mining, sentiment analysis, text classification
Abstract. This paper presents a target-oriented message polarity classification approach for positive, negative, and neutral classes in Twitter. We evaluated some experiments using Convolutional Neural Networks (CNN) with different features, TensorFlow library, and a SenticNet5 in sentiment lexicon for tweet datasets. The best experiment has achieved 0.673 for the average recall rate, 0.743 for the average precision rate, 0.703 for the average F1 score, and 0.823 for accuracy. Keywords: target-oriented sentiment analysis, opinion mining, sentiment analysis, text classification
Abstract. This paper presents a target-oriented message polarity classification approach for positive, negative, and neutral classes in Twitter. We evaluated some experiments using Convolutional Neural Networks (CNN) with different features, TensorFlow library, and a SenticNet5 in sentiment lexicon for tweet datasets. The best experiment has achieved 0.673 for the average recall rate, 0.743 for the average precision rate, 0.703 for the average F1 score, and 0.823 for accuracy. Keywords: target-oriented sentiment analysis, opinion mining, sentiment analysis, text classification
Abstract. The paper describes a target-oriented message polarity classification system for three classes (positive, negative, and neutral) in Twitter. We evaluated some experiments using Convolutional Neural Networks (CNN) with different hyperparameters, TensorFlow library, Natural Language Processing toolkits, and a sentiment lexicon for tweet datasets. The best experiment has achieved 0.656 for the average recall rate, 0.678 for the average precision rate, 0.66 for the average F1 score, and 0.795 for accuracy. Keywords: target-oriented sentiment analysis, opinion mining, sentiment analysis, text classification
