Name: System zur Erkennung von Cyber-Trolling (en Alemán)
SKU: 59519202
Price: 1052.33 MXN
Availability: InStock
Author: Bhagat, Dhananjay ; Dhawas, Pranali
ISBN: 9786207137725

portada System zur Erkennung von Cyber-Trolling (en Alemán)

System zur Erkennung von Cyber-Trolling (en Alemán)

Formato

Libro Físico

Autor

Dhananjay Bhagat

Pranali Dhawas

Editorial

Verlag Unser Wissen

Idioma

Alemán

N° páginas

Encuadernación

Tapa Blanda

Dimensiones

22.9x15.2x0.3 cm

Peso

0.10 kg.

ISBN13

9786207137725

Categorías

Tecnología: cuestiones generales

System zur Erkennung von Cyber-Trolling (en Alemán)

Dhananjay Bhagat (Autor) · Pranali Dhawas (Autor) · Verlag Unser Wissen · Tapa Blanda

Libro Nuevo Importado

Envío: 22 a 27 días háb.

$ 1,753.88$ 1,052.33

-40%

Costos de importación incluídos en el precio ✅

Libro Nuevo

Quedan 10 unidades

$ 1,052.33

¡Envío Gratis! Llega entre el 08 Oct y el 16 Oct a CUAUHTÉMOC, Ciudad de México. Seleccionar ubicación

Agregar a lista de deseos

Reseña del libro "System zur Erkennung von Cyber-Trolling (en Alemán)"

Hate Speech und Belästigung sind in der Online-Kommunikation weit verbreitet, was auf die Freiheit und Anonymität der Nutzer und die fehlende Regulierung durch soziale Medien zurückzuführen ist. Aus diesem Grund sind Cyber-Trolling und Mobbing ein gro es Problem in einer Gesellschaft. Um dieses Problem zu überwinden, können wir die Fähigkeit des maschinellen Lernens zur Erkennung von Hassreden nutzen, um gemeinsame Eigenschaften von themenübergreifenden Datensätzen zu erfassen und dieses Wissen zu übertragen, um spezifische Manifestationen von Hassreden mithilfe von NLP, ML und Analyse zu erkennen. Unser Hauptziel ist es, dieses hochentwickelte und effiziente Modell auf Textdaten anzuwenden, um optimale und genaue Ergebnisse zu erzielen. Wir verwenden verschiedene Techniken des maschinellen Lernens und des tiefen Lernens, einschlie lich multimodaler Ansätze. Wir verwenden einen Datensatz, der in themenspezifische Kategorien wie Misogynie, Sexismus, Rassismus, Fremdenfeindlichkeit und Homophobie unterteilt ist. Das Trainieren eines Modells auf einer Kombination von mehreren (Trainingssätzen aus mehreren) themenspezifischen Datensätzen ist effektiver als das Trainieren eines Modells auf einem atopisch-generischen Datensatz. Die Datensätze können aus verschiedenen Quellen wie YouTubeAPI, Twitter API, Web-Scraping oder aus verschiedenen Regierungsquellen stammen. Unser Ziel ist es, eine Vorverarbeitung und explorative Datenanalyse der gesammelten Daten durchzuführen und daraus Schlussfolgerungen zu ziehen,