Advances in Machine Learning and Big Data Analytics II

Inhaltsverzeichnis

1. Automatic Identification of Medical Plant Species Using VGG-19 Model

   Kompella Bhargava Kiran, Sivala Srinu, B. C. H. S. N. L. S. Sai Baba, Venkata Durgarao Matta, Immidi Kali Pradeep

   Dieses Kapitel befasst sich mit der automatischen Bestimmung medizinischer Pflanzenarten anhand des Deep-Learning-Modells VGG-19. Die Studie vergleicht die Leistung verschiedener konvolutionaler neuronaler Netzwerke (CNNs) und hebt die überlegene Genauigkeit des VGG-19-Modells bei der Klassifizierung von Heilpflanzenarten hervor. Die Studie nutzt einen Datensatz von 4242 Bildern aus fünf Kategorien: Kamille, Tulpe, Rose, Sonnenblume und Löwenzahn. Das vorgeschlagene System demonstriert eine hohe Genauigkeit und Effizienz bei der Klassifizierung von Blumen und macht es zu einem wertvollen Werkzeug für Botaniker und Forscher. Die experimentellen Ergebnisse zeigen, dass das Modell VGG-19 selbst mit begrenzten Rechenressourcen beeindruckende Genauigkeit bei der Identifizierung von Blütenarten erreicht. Diese Forschung bietet einen soliden Rahmen für zukünftige Anwendungen in der Pflanzenidentifikation und Arzneipflanzenforschung.

   KI-Generiert

   Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

   Originaltext anzeigen

2. Identification of Fake Job Recruitment Using Several Machine Learning (ML) Models

   Immidi Kali Pradeep, Seerla Mohan Krishna, Kompella Bhargava Kiran, B. C. H. S. N. L. S. Sai Baba, Venkata Durgarao Matta

   Dieses Kapitel vertieft das kritische Thema des Online-Rekrutierungsbetrugs und die Rolle des maschinellen Lernens bei seiner Bekämpfung. Die Studie untersucht verschiedene Modelle des maschinellen Lernens, einschließlich logistischer Regression, SVM, Random Forest und Naive Bayes, um gefälschte Stellenanzeigen genau zu identifizieren und zu klassifizieren. Die Studie unterstreicht die Bedeutung automatisierter Systeme für die Erkennung betrügerischer Stellenanzeigen, die den Ruf legitimer Unternehmen beschädigen und Arbeitsuchenden erhebliche finanzielle Verluste verursachen können. Der in dieser Studie verwendete Datensatz enthält 18.000 Stellenbeschreibungen, eine Mischung aus echten und gefälschten Profilen, die von Kaggle stammen. Die experimentellen Ergebnisse zeigen, dass das Random Forest-Modell die höchste Genauigkeit von 98,27% erreichte und damit andere Klassifizierungswerkzeuge übertraf. In diesem Kapitel werden auch die Vorteile des Einsatzes von maschinellem Lernen bei der Betrugserkennung diskutiert und die Notwendigkeit verlässlicher Methoden zur Bekämpfung von Online-Rekrutierungsbetrügereien betont. Die Ergebnisse liefern wertvolle Erkenntnisse über die Effektivität verschiedener maschineller Lernalgorithmen bei der Identifizierung betrügerischer Stellenausschreibungen und bieten eine robuste Lösung, um Arbeitssuchende zu schützen und die Integrität von Online-Rekrutierungsplattformen aufrechtzuerhalten.

   KI-Generiert

   Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

   Originaltext anzeigen

3. Secure Image Transmission Using Advanced Encryption Standards with Salting, Steganography, and Data Shredding Techniques

   Keesara Sravanthi, P. Chandra Sekhar, E. Rishyendra, N. Shiva, P. Aravinda, V. Sai Varun

   Dieses Kapitel geht auf die entscheidende Notwendigkeit einer sicheren Bildübertragung im heutigen digitalen Zeitalter ein und beleuchtet die Anfälligkeit von Bildern für Datenverletzungen und Diebstahl. Er untersucht verschiedene Verschlüsselungstechniken, darunter DES, DDES, Triple DES, RSA und AES, und gibt einen detaillierten Überblick über ihre Mechanismen und Grenzen. Der Schwerpunkt liegt auf dem AES-Algorithmus, der durch Salzen, Steganographie und Datenvernichtung verbessert wird, um eine robuste Sicherheit für Bilder zu bieten. Das Kapitel erklärt die AES-Verschlüsselungs- und Entschlüsselungsprozesse, einschließlich Byte-Ersetzung, Zeilenverschiebung, Spaltenmischung und Hinzufügen von runden Schlüsseln. Außerdem werden die experimentellen Ergebnisse der Anwendung dieser Techniken diskutiert und ihre Wirksamkeit bei der Sicherung von Bildern demonstriert. Die Schlussfolgerung betont die Eignung des vorgeschlagenen Systems für Anwendungen, die ein hohes Maß an Bildsicherheit erfordern, wie medizinische Bildgebung, militärische Bildgebung und Überwachungsbildgebung.

   KI-Generiert

   Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

   Originaltext anzeigen

4. Multi Crop—Multi Disease Detection

   Srinu Banothu, M. Bhavani, G. Bhadri, M. UdayKiran

   Dieses Kapitel vertieft die entscheidende Rolle der Früherkennung von Krankheiten in der Landwirtschaft und konzentriert sich auf die Anwendung von Techniken des tiefen Lernens und der Bildverarbeitung. Sie unterstreicht die Herausforderungen, vor denen die Landwirte aufgrund von Krankheiten bei Nutzpflanzen wie Reis, Baumwolle und Tomaten stehen, und die erheblichen Auswirkungen dieser Krankheiten auf die Nahrungsmittelproduktion. Der Text untersucht verschiedene Modelle des maschinellen Lernens und des tiefen Lernens, einschließlich konvolutionaler neuronaler Netzwerke (CNNs), die entwickelt wurden, um Pflanzenkrankheiten mit hoher Genauigkeit zu identifizieren und zu klassifizieren. Schlüsselthemen sind die Architektur von CNNs, die Verwendung von Aktivierungsfunktionen und die Bedeutung der Bündelung von Schichten bei der Feature-Extraktion. Im Kapitel wird auch die Implementierung einer webbasierten Anwendung zur Erkennung von Krankheiten diskutiert, die eine benutzerfreundliche Benutzeroberfläche für Landwirte und landwirtschaftliche Fachkräfte bietet. Das vorgeschlagene Modell erreicht eine beeindruckende Genauigkeit von 96,875% und übertrifft damit bestehende Modelle, die sich auf die Klassifizierung von Monokulturen konzentrieren. Durch die Nutzung fortschrittlicher Bildverarbeitung und tiefgreifender Lerntechniken verbessert dieser Ansatz nicht nur die Genauigkeit der Krankheitsdiagnose, sondern gibt auch zeitnahe Empfehlungen für eine effektive Schädlingsbekämpfung. Das Kapitel schließt mit einer Diskussion über die umfassenderen Auswirkungen dieser Technologien auf die Agrarindustrie, wobei die Notwendigkeit fortgesetzter Innovationen betont wird, um den wachsenden Herausforderungen in der Nahrungsmittelproduktion zu begegnen.

   KI-Generiert

   Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

   Originaltext anzeigen

5. Avian Soundscape Analysis Using Machine Learning

   V. S. S. P. L. N. Balaji Lanka, A. Phani Krishnaja, A. Vaishnavi, M. Yoshitha

   Dieses Kapitel untersucht den Einsatz von maschinellem Lernen und visueller Analytik für die Analyse von Vogelgeräuschen, wobei der Schwerpunkt auf der Identifizierung von Vogelarten durch Audiosignale liegt. Der Text geht auf die Herausforderungen traditioneller Vogelklassifizierungsmethoden ein und schlägt einen neuartigen Ansatz vor, der tiefe Lerntechniken, insbesondere ResNet und Transferlernen, einsetzt. Schlüsselthemen sind die Beschränkungen des bestehenden Systems, die vorgeschlagene Methodik und die praktische Umsetzung des Modells. Das Kapitel behandelt auch den verwendeten Datensatz, die Extraktionsprozesse und die erzielten Ergebnisse, wobei eine Genauigkeit von bis zu 95% bei Echtzeittests hervorgehoben wird. Darüber hinaus wird die zukünftige Reichweite dieser Technologie untersucht, einschließlich der Entwicklung mobiler Anwendungen und kompakter Computergeräte für Vogelliebhaber. Das Kapitel schließt mit Einblicken in das Potenzial zur Vorhersage von Vogelzugmustern und zur Identifizierung gefährdeter Lebensräume für Arten.

   KI-Generiert

   Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

   Originaltext anzeigen

6. Smart Security and Surveillance System

   G. Harish Reddy, M. Chetan Reddy, L. Uday Kumar Reddy, R. Ramana Reddy

   Dieses Kapitel geht auf die Beschränkungen traditioneller Überwachungssysteme ein und führt eine intelligente Sicherheitslösung ein, die darauf ausgelegt ist, die Überwachungskapazitäten zu verbessern. Der Text untersucht vier Schlüsselmerkmale des vorgeschlagenen Systems: gestohlene Erkennung, Bewegungserkennung, Personenerkennung und Bewegungserkennung in einem bestimmten Bereich. Die Diebstahlerkennung alarmiert den Benutzer sofort, wenn ein Gegenstand aus dem Rahmen genommen wird, was ihn ideal für Hochsicherheitsbereiche wie Juweliergeschäfte und Museen macht. Bewegungserkennung analysiert Bilder auf Geräusche und erkennt Bewegungen innerhalb des Bildes. Die Personenerkennung verwendet Gesichtserkennung, um im System ausgebildete Personen zu identifizieren, was bei der Identifizierung bekannter Verdächtiger hilft. Die Bewegungserkennung in einem bestimmten Bereich ermöglicht es den Benutzern, Sperrzonen festzulegen, wodurch erhöhte Sicherheit in kritischen Bereichen gewährleistet ist. Das Kapitel schließt mit der Hervorhebung der Vorteile des intelligenten Überwachungssystems, einschließlich erhöhter Sicherheit, verringertem Personalbedarf und benutzerfreundlicher Schnittstellen. Das vorgeschlagene System bietet eine umfassende Lösung für die Herausforderungen, vor denen traditionelle Überwachungsmethoden stehen, und ist daher eine wertvolle Lektüre für Fachleute, die ihre Sicherheitsinfrastruktur verbessern wollen.

   KI-Generiert

   Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

   Originaltext anzeigen

7. Cyber Money Laundering Detection Using Machine Learning Methods

   Deepthi Kamidi, Ravipati Vishnu Priya, Jayanth Alla, Adivi Srikar

   Dieses Kapitel vertieft sich in die entscheidende Aufgabe, Cyber-Geldwäsche durch fortgeschrittene maschinelle Lerntechniken aufzudecken. Es beginnt mit einer gründlichen Literaturstudie, die neuere Ansätze untersucht, wie den Einsatz von Naive Bayes Klassifikatoren, eine Gefahrenbewertungsanalyse und robuste Rahmenwerke, die maschinelles Lernen mit sicherer Datenweitergabe kombinieren. Die vorgeschlagene Systemarchitektur umfasst eine Datenverarbeitungs-Pipeline, die die Erstellung von Datensätzen, die Datenvorverarbeitung, die Feature-Extraktion und die Modellbewertung umfasst. Im Abschnitt Methodik wird der systematische Ansatz zur Datenerhebung, Vorverarbeitung, Feature Engineering und Modellauswertung skizziert und die Bedeutung verifizierter Daten und ordnungsgemäßer Datenaufbereitung hervorgehoben. Das Kapitel untersucht verschiedene Klassifikatoren, darunter Random Forest, Linear Regression, Logistic Regression und Support Vector Machines (SVM), wobei ihre Rolle bei der Erkennung betrügerischer Transaktionen hervorgehoben wird. Die Ergebnisanalyse unterstreicht die Herausforderungen und Auswirkungen der Cyber-Geldwäsche, insbesondere im Zuge des Aufstiegs von Kryptowährungen. Die Schlussfolgerung präsentiert ein vorgeschlagenes Erkennungsschema für maschinelles Lernen, das die Zusammenarbeit zwischen Banken fördert und das Potenzial des verteilten maschinellen Lernens für zukünftige Forschung diskutiert.

   KI-Generiert

   Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

   Originaltext anzeigen

8. Accessible Chatbot Interface for Price Negotiation System

   P. Muralidhar, K. Nagakeerthana, B. Sai Manvith Reddy, P. Shivani

   Dieses Kapitel befasst sich mit der Entwicklung und Implementierung einer zugänglichen Chatbot-Schnittstelle für Preisverhandlungen in E-Commerce-Plattformen. Der Artikel behandelt mehrere Schlüsselbereiche, darunter die Methodik hinter dem Chatbot-System, die Integration von Stimmungsanalyse und Verarbeitung natürlicher Sprache sowie die praktische Anwendung des Verhandlungssystems in einem E-Commerce-Umfeld. Die Umfrageergebnisse von Kunden und Händlern unterstreichen die Benutzerfreundlichkeit und Effektivität des Systems, wobei ein besonderer Schwerpunkt auf den schnellen Reaktionszeiten und der hohen Erfolgsquote der Verhandlungen liegt. Die Schlussfolgerung betont die allgemeine Zufriedenheit von Kunden und Händlern trotz einiger Herausforderungen und schlägt zukünftige Verbesserungen zur weiteren Verbesserung des Systems vor. Das Kapitel bietet einen detaillierten Überblick über die Architektur des Verhandlungssystems, einschließlich Dialogrollout, Stimmungsanalyse und Verarbeitung natürlicher Sprache, was es zu einer wertvollen Ressource für Fachleute macht, die ihre E-Commerce-Plattformen mit fortgeschrittenen Verhandlungskapazitäten erweitern möchten.

   KI-Generiert

   Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

   Originaltext anzeigen

9. Recognizing and Logging Vehicles by Scanning License Plates and Driver’s Face

   P. Uma Sankar, G. Sri Devi, Praveen Kumar Karri, P. LaxmiKanth, Sana Saraswathi, K. Ganga Parvathi

   Dieses Kapitel untersucht die Integration automatischer Nummernschilderkennung (ANPR) und Technologien zur Gesichtserkennung für eine effiziente Fahrzeugüberwachung und Fahreridentifikation. Es beginnt mit einem Überblick über den ANPR-Prozess, der Schritte wie Bilderfassung, Vorverarbeitung, Nummernschilderlokalisierung, Zeichensegmentierung und optische Zeichenerkennung (OCR) detailliert beschreibt. Das Kapitel beleuchtet die Verwendung verschiedener OCR-Algorithmen, darunter Template Matching, Feature Extraction, Convolutional Neural Networks (CNNs), Hidden Markov Modelle (HMMs), Support Vector Machines (SVMs) und Tesseract OCR. Darüber hinaus vertieft er sich in Gesichtserkennungsalgorithmen, wobei er sich auf die Algorithmen Local Binary Pattern Histogram (LBPH) und Speed-Up Robust Features (SURF) konzentriert. Das vorgeschlagene System integriert diese Technologien zur Erfassung und Verarbeitung von Fahrzeugbildern und segmentiert Nummernschild und Fahrergesicht zur Erkennung mittels Tesseract OCR bzw. SURF-Algorithmen. In diesem Kapitel werden auch die Beschränkungen des bestehenden Systems und die Vorteile des vorgeschlagenen Systems diskutiert, zu denen eine erhöhte Sicherheit und weniger manuelle Arbeit gehören. Experimentelle Ergebnisse zeigen die Genauigkeit des Systems bei der Identifizierung von Fahrern und Kennzeichen, selbst unter unterschiedlichen Lichtverhältnissen. Das Kapitel schließt mit einer Vision für zukünftige Verbesserungen, wie die Verbesserung der Robustheit des Systems durch bessere Kameras und die Ausweitung seiner Erkennungskapazitäten auf Nachtsicht und Infrarotstrahlen.

   KI-Generiert

   Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

   Originaltext anzeigen

10. Machine Learning-Based Classification of X-Ray Images Using Convolutional Neural Networks

    Manisha Uttam Waghmare, Vipul V. Bag, Mithun B. Patil

    Dieses Kapitel befasst sich mit der Anwendung von Convolutional Neural Networks (CNNs) zur Klassifizierung und Erkennung von Frakturen in Röntgenbildern und konzentriert sich dabei auf eine einzigartige CNN-Architektur, die für die Segmentierung und Featureextraktion konzipiert wurde. Die Studie beginnt mit der Untersuchung verschiedener Methoden zur Extraktion von Merkmalen wie Farbe, Textur, HoG und BoVW und ihrer Kombination mit Klassifikatoren wie SVM, KNN, LR und DBN. Anschließend wird ein zweistufiger Klassifizierungsprozess skizziert, der zunächst zwischen langen und kurzen Knochen unterscheidet, gefolgt von einer detaillierteren Einteilung in fünf Kategorien. Die vorgeschlagene Methode wird anhand eines Datensatzes von 525 Röntgenbildern ausgewertet und erzielt beeindruckende Ergebnisse mit einer Gesamtgenauigkeit von 92%, einem F1-Score von 0,92 und einem AUC von 0,98. Die Studie vergleicht ihren Ansatz auch mit traditionellen Bildverarbeitungstechniken und der beliebten SegNet-Architektur und hebt die überlegene Genauigkeit und Verallgemeinerbarkeit der vorgeschlagenen CNN-Architektur hervor. Darüber hinaus wird der Einsatz von tiefen konvolutionalen neuronalen Netzwerken (DCNNs) zur Lokalisierung von Frakturen und zur Identifizierung von Funktionsstörungen in der Radiographie diskutiert. Das Kapitel schließt mit einer Diskussion über das Potenzial dieses Ansatzes, Ärzten bei klinischen Entscheidungen zu helfen, und den Plänen für zukünftige Arbeiten zur weiteren Verfeinerung der Methode.

    KI-Generiert

    Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

    Originaltext anzeigen

11. A Comparative Study of Inception Models for Bone X-Ray Classification and Pathology Detection

    K. Anusha, Karanam Sai Surya, Jadhav Prashanth, Chaluvadi Kartheekeya

    Dieses Kapitel untersucht einen zweistufigen Ansatz zur Klassifizierung von Knochenröntgenstrahlen und zur Erkennung von Pathologien, wobei der Schwerpunkt auf sieben Regionen der oberen Extremität liegt: Ellenbogen, Handgelenk, Schulter, Hand, Finger, Unterarm und Oberarmknochen. Die Studie nutzt acht Modelle, die von der InceptionV3-Architektur inspiriert sind, wobei ein Modell der Knochenklassifizierung gewidmet ist und sieben spezialisierte Modelle zur Erkennung von Anomalien. Die Forschung nutzt den MURA-Datensatz, die größte öffentlich zugängliche Sammlung von Knochenröntgenbildern, um die Modelle zu trainieren und zu validieren. Die Ergebnisse zeigen eine hohe Genauigkeit sowohl bei der Knochenklassifizierung als auch bei der pathologischen Erkennung, wobei die InceptionV3-Modelle andere Architekturen wie VGG16 und VGG19 übertreffen. Die Studie unterstreicht auch die Recheneffizienz der InceptionV3-Modelle, die für Echtzeitanwendungen entscheidend ist. Die hierarchische Struktur des Ansatzes ermöglicht eine umfassende Lösung, die sowohl die Klassifizierung der Knochen als auch die Erkennung von Auffälligkeiten gleichzeitig berücksichtigt. Die Ergebnisse deuten darauf hin, dass diese Methode die Diagnosegenauigkeit und Effizienz im klinischen Umfeld deutlich verbessern, die Belastung für die Gesundheitssysteme verringern und die Ergebnisse für die Patienten verbessern könnte.

    KI-Generiert

    Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

    Originaltext anzeigen

12. Dietary Assessment Report Generation Using RCNN

    V. Sesha Bhargavi, M. Aishwarya, Mounika Jadi, Sara Fathima, P. Soumya, K. Ramya

    Dieses Kapitel befasst sich mit dem innovativen Einsatz von Schnelleres RCNN für die Ernährungsbewertung, wobei der Schwerpunkt auf der Erkennung des Lebensmittelgehalts und der Nährstoffanalyse liegt. Der Text untersucht die Methodik hinter dem Algorithmus, einschließlich der Featureextraktion mittels ResNet152, regionalen Vorschlagsnetzwerken und regionsbasierten konvolutionalen neuronalen Netzwerken. Außerdem wird der Umsetzungsprozess diskutiert, von der Schulung des Modells bis hin zur Erstellung von Ernährungsberichten. Der Artikel vergleicht Faster RCNN mit anderen Algorithmen wie VGG, K Nearest Neighbour und Random Forest und hebt seine überlegene Genauigkeit und Effizienz hervor. Darüber hinaus werden die Ergebnisse der Studie präsentiert, die die Fähigkeit des Algorithmus demonstrieren, mehrere Nahrungsmittel zu erkennen und detaillierte Ernährungserkenntnisse zu liefern. Das Kapitel schließt mit einer Diskussion über den zukünftigen Umfang des Projekts, einschließlich möglicher Anwendungen in den Bereichen Gesundheitsverfolgung und Ernährungsmanagement.

    KI-Generiert

    Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

    Originaltext anzeigen

13. A Blockchain-Based Networking Approach for Advanced HealthCare Services

    Bithi Mukhopadhyay, Subham Misra, Satyam Vatsa, Sovan Bhattacharya, Dola Sinha, Udit Narayana Kar, Chandan Bandyopadhyay

    Dieses Kapitel untersucht das transformative Potenzial der Blockchain-Technologie im Gesundheitswesen und konzentriert sich auf sicheres Datenmanagement und effiziente Patientenversorgung. Es untersucht den Einsatz von Blockchain, um ein dezentrales Netzwerk zur Speicherung von Gesundheitsdaten und Krankenhausdaten zu schaffen, um Datenintegrität und -zugänglichkeit zu gewährleisten. Der Text führt einen innovativen Bettenzuweisungsalgorithmus ein, der Datenredundanz minimiert und die Ressourcenallokation in Krankenhäusern optimiert, insbesondere für den Bedarf an HNO und plastischer Chirurgie. Darüber hinaus wird die Anwendung eines verbesserten Kruskal-Algorithmus diskutiert, um den kürzesten Weg vom Standort eines Patienten zum nächsten Krankenhaus zu finden, wobei verschiedene Parameter wie die Verfügbarkeit von Ärzten, Spezialisierung, Bettenverfügbarkeit, Kostenfaktor und Entfernung berücksichtigt werden. Das Kapitel bietet auch einen umfassenden Überblick über die verschiedenen Arten von Blockchain-Systemen, einschließlich öffentlicher, privater, konsortialer und hybrider Blockchains, und ihre Relevanz für das Gesundheitswesen. Darüber hinaus unterstreicht sie das Potenzial der Blockchain-Technologie zur Verbesserung globaler Gesundheitsnetzwerke, die es internationalen Patienten ermöglicht, effizienter auf medizinische Daten und Dienstleistungen zuzugreifen. Die Schlussfolgerung betont die Notwendigkeit weiterer Forschung, um Beschränkungen in den Bereichen Erweiterbarkeit, Sicherheit und Privatsphäre zu überwinden und letztlich das Vertrauen der Beteiligten in die Einführung der Blockchain-Technologie im Gesundheitswesen zu stärken.

    KI-Generiert

    Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

    Originaltext anzeigen

14. Fine-Grained Sentiment Analysis on COVID-19 Tweets Using Deep Learning Techniques

    P. Appalanaidu, K. Deepthi Krishna Yadav, P. M. Manohar

    Dieses Kapitel taucht in den Bereich der feinkörnigen Stimmungsanalyse ein und konzentriert sich auf die enorme Menge an Daten, die während der COVID-19-Pandemie generiert wurden. Die Studie verwendet Techniken des tiefen Lernens, um Tweets in fünf verschiedene Sentiment-Kategorien zu unterteilen: Stark-negativ, schwach-negativ, neutral, schwach-positiv und stark-positiv. Durch die Nutzung von Algorithmen wie Support Vector Machine (SVM), Random Forest und Long Short-Term Memory (LSTM) zielt die Forschung darauf ab, die Genauigkeit der Stimmungsanalyse zu verbessern. Der Datensatz, der 179.108 Tweets umfasst, wird sorgfältig vorbearbeitet, um irrelevante Informationen zu entfernen und mit dem Textblob-Tool beschriftet. Die Feature-Extraktion erfolgt mittels Word-Embedings und Vektorisierungstechniken, einschließlich TF-IDF und Glove. Die Studie bewertet die Leistung verschiedener Klassifikatoren für maschinelles Lernen, wobei Random Forest und Logistic Regression die höchsten Genauigkeiten von 91% erreichen. Im Bereich des Deep Learning übertrifft das LSTM-Modell das Bi-LSTM-Modell und erreicht eine beeindruckende Genauigkeit von 96%. Die Forschungsergebnisse kommen zu dem Schluss, dass maschinelles Lernen aufgrund der weniger komplexen Natur der Daten zwar gut funktioniert, aber Deep-Learning-Modelle wie LSTM überlegene Genauigkeit bieten. Die Ergebnisse unterstreichen die Bedeutung der Stimmungsanalyse für das Verständnis der öffentlichen Meinung während einer globalen Gesundheitskrise und bieten wertvolle Einblicke in die praktische Anwendung fortgeschrittener tiefer Lerntechniken.

    KI-Generiert

    Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

    Originaltext anzeigen

15. Backmatter