#فراخوان_مقاله

Natural Language Processing in Multimedia Internet of Things for Low resources languages

مجله:
ACM Transactions on Asian and Low-Resource Language Information Processing

موضوعات:
• NLP with multimedia and multimodality in generation;
• Applications of Multimedia IoT systems in NLP and low resource languages
• Low complexity audio/video encoding in MIoT with low resource languages
• Hardware and software algorithms and tools for multimedia IoT, e.g., multilingual speech recognition in
automation systems for NLP applications.
• Information Understanding, including text and speech understanding, character recognition, discourse
processing, dialogue systems, and so on;
• Information Retrieval, including natural language processing (NLP) for concept-based indexing, natural
language query interfaces, semantic relevance judgments, and so on;
• Multimedia Information Processing, including speech, image, video, image/text translation, Cross-lingual
information processing, and so on;
• Artificial intelligence and Natural Language Processing in Industrial systems:
• Machine learning algorithm with NLP for MIoT systems
• Edge computing in IoT-based multimedia applications for low resource languages
• Information fusion in multimedia applications and services

لینک فراخوان

لینک مجله

(https://dl.acm.org/journal/tallip)@cominsys_channel

#فراخوان_مقاله

Conversational AI for Sentiment, Sarcasm & Humor Detection in Low-Resource Languages

مجله:
ACM Transactions on Asian and Low-Resource Language Information Processing

موضوعات:
• Conversational AI for low-resource languages
• Machine learning and deep learning methods for fine-grain sentiment analysis
• Neuro-symbolic models for low-resource conversational sarcasm, irony and humor
• NLP, NLU and NLG for low-resource conversational sentiment detection
• NLP, NLU and NLG for low-resource conversational sarcasm detection
• NLP, NLU and NLG for low-resource conversational humor detection
• NLP, NLU and NLG for low-resource conversational emotion recognition
• Irony detection in low-resource languages
• Ontologies for conversational AI & NLP
• Semantic and context understanding for low-resource conversational sarcasm, irony and humor
• Code-mix and code-switch conversational AI
• Multimodal conversational AI
• Open and benchmark low-resource conversational knowledge bases and datasets
• Explainable and interpretable models for low-resource conversational AI and NLP

لینک فراخوان

لینک مجله

(https://dl.acm.org/journal/tallip)@cominsys_channel

#معرفی_مجله

مهندسی کامپیوتر و فناوری اطلاعات


ناشر: دانشگاه تبریز

رتبه: علمی

@cominsys_channel

#مقاله

عنوان:
Text-Based Automatic Personality Prediction Using KGrAt-Net; A Knowledge Graph Attention Network Classifier


مجله:
ArXiv

ArXiv: 2205.13780
DOI: 10.48550/arXiv.2205.13780

@cominsys_channel

#معرفی_مجله

Nature Machine Intelligence

ناشر: Nature

IF: 15.508

رتبه (ISI): Q1
رتبه (Scopus): Q1

جوابدهی اولیه: حدود 60 روز

لینک مجله

@cominsys_channel

#مقاله (بروز رسانی)

عنوان:
Knowledge Graph-Enabled Text-Based Automatic Personality Prediction

مجله:
ArXiv

ArXiv: 2203.09103
DOI: 10.48550/arXiv.2203.09103

@cominsys_channel

#مقاله

عنوان:
Knowledge Graph-Enabled Text-Based Automatic Personality Prediction

مجله:
Computational Intelligence and Neuroscience

DOI: 10.1155/2022/3732351

@cominsys_channel

#مقاله

عنوان:
Active constrained deep embedded clustering with dual source

مجله:
Applied Intelligence

DOI: 10.1007/s10489-022-03752-5

@cominsys_channel

مقادیر و رتبه‌بندی CiteScore مجلات برای سال 2021 اکنون در Scopus در دسترس است.
@cominsys_channel

#مقاله

عنوان:
A Model to Measure the Spread Power of Rumors

مجله:
Journal of Ambient Intelligence and Humanized Computing

DOI: 10.1007/s12652-022-04034-1

لینک دسترسی رایگان به مقاله (به مدت محدود)

@cominsys_channel

ارزیابی (Impact Factor) و رتبه‌بندی JCR مجلات برای سال 2021 در WoS در دسترس قرار گرفته است.
@cominsys_channel

#python
یک کتابخانه جالب در #پایتون که کار با توابع ریاضی را ساده می‌کند.
لینک گیت هاب
در تصویر بالا یک مثال برای انتگرال تابع گوسین آورده شده است.
@cominsys_channel

#مقاله

عنوان:
A Comprehensive Review of Visual-Textual Sentiment Analysis from Social Media Networks

مجله:
ArXiv

ArXiv: 2207.02160
DOI: 10.48550/arXiv.2207.02160


@cominsys_channel

کتابخانه pytube، یک کتابخانه سبک، بدون وابستگی و رایگان در پایتون (و همچنین خط فرمان) برای دانلود ویدیوهای YouTube.
لینک گیت هاب
نصب: pip install pytube
پانوشت: از ()get_highest_resolution برای دانلود بالاترین کیفیت ویدیو استفاده می‌شود. برای دسترسی به تمامی کیفیت‌ها می‌توان از ()all استفاده کرد.
@cominsys_channel

کورس کلاس دانشگاه هاروارد به طور رایگان منتشر شد
Introduction to Data Science CS109A course materials by Harvard University are free and open for everyone!

1. Lecture notes
2. R code, Python notebooks
3. Lab material
4. Advanced sections

Learn here: https://harvard-iacs.github.io/2019-CS109A/pages/syllabus.html

#منابع #فیلم #آموزش_کلاسی #علم_داده

❇️ @AI_Python

یک کتابخانه بسیار کاربردی در حوزه پردازش زبان
کتابخانه langdetect برای تشخیص زبان متن
نصب از طریق:
pip install langdetect
لینک گیت هاب
@cominsys_channel

#دیتاست (مجموعه داده)
N-Gram تا مرتبه 5 رکوردهای شبکه اجتماعی تلگرتم و روزنامه همشهری
Sep_Ngram_Tel-Ham01

آزمایشگاه سامانه‌های پردازش هوشمند رایانه‌ای (سپهر) دانشگاه تبریز، دیتاست محاسبات N-Gram پیام‌های جمع‌آوری شده از شبکه اجتماعی تلگرام و همچنین متون خبری روزنامه همشهری را به صورت عمومی منتشر کرد. این مجموعه داده مشتمل بر حدود از 2 میلیون رکورد است.
این مجموعه داده از لینک زیر قابل دسترس میباشد.

https://data.mendeley.com/datasets/g4tnnf683m

لطفا ارجاع‌دهی این مجموعه داده بدین ترتیب صورت پذیرد:
Gholami Dastgerdi, Pejman; Feizi Derakhshi, Mohammad Reza; Ranjbar-Khadivi, Mehrdad; Zafarani Moattar, Elnaz; Feizi Derakhshi, Ali Reza; Forouzandeh, Aynaz (2022), “Sep_Ngram_Tel-Ham01”, Mendeley Data, doi: 10.17632/g4tnnf683m

@cominsys_channel

#دیتاست (مجموعه داده)
مجموعه پردازش شده مقالات صفحه‌های WikiPedia زبان فارسی
Sep_Anchor-Title_Fawiki01

آزمایشگاه سامانه‌های پردازش هوشمند رایانه‌ای (سپهر) دانشگاه تبریز، دیتاست مقالات پردازش شده صفحه‌های WikiPedia زبان فارسی را به صورت عمومی منتشر کرد. این مجموعه داده مشتمل بر بیش از 3 میلیون مقاله است.
این مجموعه داده از لینک زیر قابل دسترس میباشد.

https://data.mendeley.com/datasets/tn22s9kvrt

لطفا ارجاع‌دهی این مجموعه داده بدین ترتیب صورت پذیرد:
Gholami Dastgerdi, Pejman; Feizi Derakhshi, Mohammad Reza; Ranjbar-Khadivi, Mehrdad (2022), “Sep_Anchor-Title_Fawiki01”, Mendeley Data, doi: 10.17632/tn22s9kvrt

@cominsys_channel