دانلود و نمایش مقالات مرتبط با Exploration and exploitation::صفحه 1

دانلود بهترین مقالات isi همراه با ترجمه فارسی

کارابرن عزیز، مقالات سایت ( همگی جزو مقالات isi می باشند) بالاترین کیفیت ترجمه را دارند، ترجمه آنها کامل و دقیق می باشد (حتی محتوای جداول و شکل های نیز ترجمه شده اند) و از بهترین مجلات isi مانند IEEE، Sciencedirect، Springer، Emerald و ... انتخاب گردیده اند.

پشتیبانی
اپلیکشن اندروید
آرشیو مقالات
ورود اعضا
توجه توجه توجه !!!!
تمامی مقالات ترجمه شده ، انگلیسی و کتاب های این سایت با دقت تمام انتخاب شده اند. در انتخاب مقالات و کتاب ها پارامترهای جدید بودن، پر جستجو بودن، درخواست کاربران ، تعداد صفحات و ... لحاظ گردیده است. سعی بر این بوده بهترین مقالات در هر زمینه انتخاب و در اختیار شما کاربران عزیز قرار گیرد. ضمانت ما، کیفیت ماست.
نرم افزار winrar

از نرم افزار winrar برای باز کردن فایل های فشرده استفاده می شود. برای دانلود آن بر روی لینک زیر کلیک کنید
دانلود

پیوندهای کاربردی
پیوندهای مرتبط
نتیجه جستجو - Exploration and exploitation

تعداد مقالات یافته شده: 2
ردیف عنوان نوع
1 هوش تجاری و یادگیری سازمانی: یک بررسی از فرایندهای ایجاد ارزش
سال انتشار: 2017 - تعداد صفحات فایل pdf انگلیسی: 19 - تعداد صفحات فایل doc فارسی: 71
این تحقیق با هدف ایجاد پل و پر کردن شکاف موجود میان تحقیقات تثبیت‌شده در حوزه‌ی ایجاد ارزش فناوری اطلاعات (IT) و مطالعات اورژانسی هوش مصنوعی (BI)، یک مدل از ایجاد ارزش BI را توسعه داده و تست می‌کند، که این مدل دستی در هر دو جریان از تحقیقات فوق دارد. به منظور فرضیه‌سازی در مورد مسیرهایی که دارایی‌ها و قابلیت‌های BI، ارزش کسب‌وکاری ایجاد می‌کنند، تحلیلی بر روی دید مبتنی بر منبع و مفهومی‌سازی یادگیری سازمانی، طراحی می‌شود. ابتدا مدل تحقیقی در یک تحلیل اکتشافی بر روی داده‌های جمع‌آوری شده از طریق مصاحبه در سه شرکت، مورد بررسی قرار گرفته و سپس این مدل در یک تحلیل تاییدی بر روی داده‌های جمع‌آوری شده از طریق یک مطالعه‌ی مروری، تست می‌شود.
کلمات کلیدی: هوش تجاری (BI) | ارزش کسب‌وکار | دید مبتنی بر منبع (RBV) | یادگیری سازمانی | اکتشاف و بهره‌برداری
مقاله ترجمه شده
2 Efficient crowdsourcing of unknown experts using bounded multi-armed bandits
جمعیت کارآمد کارشناسان ناشناخته با استفاده از راهزنان محدود شده مسلح-2014
Increasingly, organisations flexibly outsource work on a temporary basis to a global audience of workers. This so-called crowdsourcing has been applied successfully to a range of tasks, from translating text and annotating images, to collecting information during crisis situations and hiring skilled workers to build complex software. While traditionally these tasks have been small and could be completed by non-professionals, organisations are now starting to crowdsource larger, more complex tasks to experts in their respective fields. These tasks include, for example, software development and testing, web design and product marketing. While this emerging expert crowdsourcing offers flexibility and potentially lower costs, it also raises new challenges, as workers can be highly heterogeneous, both in their costs and in the quality of the work they produce. Specifically, the utility of each outsourced task is uncertain and can vary significantly between distinct workers and even between subsequent tasks assigned to the same worker. Furthermore, in realistic settings, workers have limits on the amount of work they can perform and the employer will have a fixed budget for paying workers. Given this uncertainty and the relevant constraints, the objective of the employer is to assign tasks to workers in order to maximise the overall utility achieved. To formalise this expert crowdsourcing problem, we introduce a novel multi-armed bandit (MAB) model, the bounded MAB. Furthermore, we develop an algorithm to solve it efficiently, called bounded ε-first, which proceeds in two stages: exploration and exploitation. During exploration, it first uses ε B of its total budget B to learn estimates of the workers’ quality characteristics. Then, during exploitation, it uses the remaining (1 − ε) B to maximise the total utility based on those estimates. Using this technique allows us to derive an O(B 23 ) upper bound on its performance regret (i.e., the expected difference in utility between our algorithm and the optimum), which means that as the budget B increases, the regret tends to 0. In addition to this theoretical advance, we apply our algorithm to real-world data from oDesk, a prominent expert crowdsourcing site. Using data from real projects, including historic project budgets, expert costs and quality ratings, we show that our algorithm outperforms existing crowdsourcing methods by up to 300%, while achieving up to 95% of a hypothetical optimum with full information. Keywords: Crowdsourcing Machine learning Multi-armed bandits Budget limitation
مقاله انگلیسی
موضوعات
footer