Andere Kunden interessierten sich auch für
![ERKENNUNG VON BRUSTKREBS - EIN MASCHINELLES LERNEN ANSATZ]( "ERKENNUNG VON BRUSTKREBS - EIN MASCHINELLES LERNEN ANSATZ")
ERKENNUNG VON BRUSTKREBS - EIN MASCHINELLES LERNEN ANSATZ43,90 €![Erkennung von Gesichtsemotionen mit Hilfe eines neuronalen Faltungsnetzwerks]( "Erkennung von Gesichtsemotionen mit Hilfe eines neuronalen Faltungsnetzwerks")
Erkennung von Gesichtsemotionen mit Hilfe eines neuronalen Faltungsnetzwerks43,90 €![Vorhersage von COVID-19 mit Hilfe eines neuronalen Faltungsnetzwerks]( "Vorhersage von COVID-19 mit Hilfe eines neuronalen Faltungsnetzwerks")
Vorhersage von COVID-19 mit Hilfe eines neuronalen Faltungsnetzwerks43,90 €![Hybrides Deep-Learning-Modell für die Erkennung der Weizen-Gelbrost-Krankheit]( "Hybrides Deep-Learning-Modell für die Erkennung der Weizen-Gelbrost-Krankheit")
Hybrides Deep-Learning-Modell für die Erkennung der Weizen-Gelbrost-Krankheit39,90 €![ERKENNUNG VON TEILWEISE VERDECKTEN GESICHTERN MIT HILFE EINES MERKMALSAUSWAHL- VERFAHRENS]( "ERKENNUNG VON TEILWEISE VERDECKTEN GESICHTERN MIT HILFE EINES MERKMALSAUSWAHL- VERFAHRENS")
ERKENNUNG VON TEILWEISE VERDECKTEN GESICHTERN MIT HILFE EINES MERKMALSAUSWAHL- VERFAHRENS60,90 €![Deep Learning und maschinelles Lernen für medizinische Diagnosen]( "Deep Learning und maschinelles Lernen für medizinische Diagnosen")
Deep Learning und maschinelles Lernen für medizinische Diagnosen43,90 €![Klinisches Vorhersagemodell durch maschinelles Lernen]( "Klinisches Vorhersagemodell durch maschinelles Lernen")
Klinisches Vorhersagemodell durch maschinelles Lernen60,90 €
Die Forschung widmet sich der automatischen Erkennung von Sigmatismus in der Sprache von erwachsenen deutschen Sprechern. Sie hat zwei Hauptziele: (1) einen optimalen Satz von Audiomerkmalen zu finden, die eine Unterscheidung zwischen normaler und gestörter Sprache ermöglichen; (2) einen Machine Learning (ML) Klassifikationsalgorithmus zu entwickeln, der in der Lage ist, die extrahierten Merkmale zu analysieren und Sigmatismus auf Telefonebene zu erkennen.Die Merkmale werden entsprechend dem phonetischen Hintergrund der betrachteten Laute ausgewählt.Dazu gehören die ersten drei Formanten, die RMS-Amplitude (root-mean-square), die spektralen Spitzen, der spektrale Schwerpunkt, die spektrale Schiefe und die ersten 12 Mel-Frequenz-Cepstral-Koeffizienten (MFCCs).Drei ML-Methoden werden für die Erkennung von Sigmatismus in Betracht gezogen: Support Vector Machine, Gaußscher Prozess und Neuronale Netze. Der Prozess der Merkmalsextraktion sowie die automatische Klassifizierung werden über Python-Skripte durchgeführt. Im Ergebnis zeigte das auf SVM mit RBF-Kernel basierende Modell die höchste Trefferquote von 90,6 %.