Bücher von Pallavi Pandey

La IO ecológica, o Internet de los objetos ecológica, es un concepto que pretende integrar los principios de sostenibilidad medioambiental en el diseño, despliegue y funcionamiento de los sistemas de IO (Internet de los objetos). La IO se refiere a la red interconectada de dispositivos, sensores y sistemas que recogen, intercambian y actúan sobre los datos, a menudo en tiempo real. El paradigma de la IO ecológica trata de minimizar el impacto medioambiental de estas tecnologías interconectadas, fomentando la eficiencia energética, la conservación de recursos y la sostenibilidad general. Los dispositivos IoT tradicionales suelen consumir grandes cantidades de energía, lo que aumenta la huella de carbono y la presión sobre el medio ambiente. La IO ecológica aborda este problema promoviendo el uso de hardware de bajo consumo, protocolos de comunicación de bajo consumo y estrategias inteligentes de gestión de la energía. Esto no solo reduce el impacto ecológico, sino que también contribuye a ahorrar costes y a prolongar la vida útil de los dispositivos.

Green IoT oder Green Internet of Things ist ein Konzept, das darauf abzielt, die Grundsätze der ökologischen Nachhaltigkeit in die Entwicklung, den Einsatz und den Betrieb von IoT-Systemen (Internet der Dinge) zu integrieren. Das IoT bezieht sich auf ein zusammenhängendes Netz von Geräten, Sensoren und Systemen, die Daten sammeln, austauschen und darauf reagieren, oft in Echtzeit. Das Paradigma des Green IoT zielt darauf ab, die Auswirkungen dieser vernetzten Technologien auf die Umwelt zu minimieren und Energieeffizienz, Ressourcenschonung und allgemeine Nachhaltigkeit zu fördern.Ein wichtiger Schwerpunkt des Green IoT ist die Energieeffizienz. Herkömmliche IoT-Geräte verbrauchen oft erhebliche Mengen an Strom, was zu einer erhöhten CO2-Bilanz und Umweltbelastung führt. Green IoT geht dieses Problem an, indem es die Verwendung von energieeffizienter Hardware, stromsparenden Kommunikationsprotokollen und intelligenten Energieverwaltungsstrategien fördert. Dies reduziert nicht nur die ökologischen Auswirkungen, sondern trägt auch zu Kosteneinsparungen und einer längeren Lebensdauer der Geräte bei.

A IoT Verde, ou Internet Verde das Coisas, é um conceito que visa integrar princípios de sustentabilidade ambiental na conceção, implantação e funcionamento dos sistemas IoT (Internet das Coisas). A IoT refere-se à rede interligada de dispositivos, sensores e sistemas que recolhem, trocam e actuam sobre os dados, frequentemente em tempo real. O paradigma da IoT ecológica procura minimizar o impacto ambiental destas tecnologias interligadas, promovendo a eficiência energética, a conservação de recursos e a sustentabilidade global. Os dispositivos IoT tradicionais consomem frequentemente quantidades significativas de energia, o que leva a um aumento da pegada de carbono e da pressão ambiental. A IoT verde aborda esta questão promovendo a utilização de hardware eficiente em termos energéticos, protocolos de comunicação de baixo consumo e estratégias inteligentes de gestão da energia. Isto não só reduz o impacto ecológico, como também contribui para a poupança de custos e para o prolongamento do tempo de vida dos dispositivos.

L'IdO vert, ou Internet des objets vert, est un concept qui vise à intégrer des principes de durabilité environnementale dans la conception, le déploiement et le fonctionnement des systèmes IdO (Internet des objets). L'IdO fait référence au réseau interconnecté d'appareils, de capteurs et de systèmes qui collectent, échangent et agissent sur les données, souvent en temps réel. Le paradigme de l'IdO vert cherche à minimiser l'impact environnemental de ces technologies interconnectées, en favorisant l'efficacité énergétique, la conservation des ressources et la durabilité globale. Les appareils IoT traditionnels consomment souvent des quantités importantes d'énergie, ce qui entraîne une augmentation de l'empreinte carbone et de la pression sur l'environnement. L'IdO vert s'attaque à ce problème en encourageant l'utilisation de matériel économe en énergie, de protocoles de communication à faible consommation et de stratégies intelligentes de gestion de l'énergie. Cela permet non seulement de réduire l'impact écologique, mais aussi de réaliser des économies et de prolonger la durée de vie des appareils.

Il Green IoT, o Green Internet of Things, è un concetto che mira a integrare i principi di sostenibilità ambientale nella progettazione, nell'implementazione e nel funzionamento dei sistemi IoT (Internet of Things). L'IoT si riferisce alla rete interconnessa di dispositivi, sensori e sistemi che raccolgono, scambiano e agiscono sui dati, spesso in tempo reale. Il paradigma della Green IoT cerca di ridurre al minimo l'impatto ambientale di queste tecnologie interconnesse, promuovendo l'efficienza energetica, la conservazione delle risorse e la sostenibilità complessiva. I dispositivi IoT tradizionali spesso consumano quantità significative di energia, con conseguente aumento dell'impronta di carbonio e dello stress ambientale. La Green IoT affronta questo problema promuovendo l'uso di hardware ad alta efficienza energetica, protocolli di comunicazione a basso consumo e strategie di gestione intelligente dell'energia. Questo non solo riduce l'impatto ecologico, ma contribuisce anche a risparmiare sui costi e a prolungare la durata di vita dei dispositivi.

El aprendizaje automático (AM) es un campo de la inteligencia artificial (IA) que se centra en el desarrollo de algoritmos y modelos estadísticos que permiten a los sistemas informáticos aprender y mejorar su rendimiento en tareas sin programación explícita. En esencia, el aprendizaje automático implica la utilización de datos para reconocer patrones, hacer predicciones y fundamentar la toma de decisiones. Abarca diversas técnicas, desde el aprendizaje supervisado, en el que los modelos se entrenan con datos etiquetados, hasta el aprendizaje no supervisado, en el que los algoritmos identifican patrones ocultos en datos no etiquetados. Las aplicaciones del ML abarcan diversos ámbitos, como el reconocimiento de imágenes y del habla, el procesamiento del lenguaje natural, el diagnóstico sanitario y el análisis predictivo, y están cambiando radicalmente la forma en que los ordenadores pueden adquirir conocimientos de forma autónoma y adaptarse a entornos cambiantes.

L'apprendimento automatico (ML) è un campo dell'intelligenza artificiale (AI) che si concentra sullo sviluppo di algoritmi e modelli statistici che consentono ai sistemi informatici di apprendere e migliorare le loro prestazioni in compiti che non richiedono una programmazione esplicita. L'apprendimento automatico comporta l'utilizzo di dati per riconoscere modelli, fare previsioni e informare il processo decisionale. Comprende una varietà di tecniche, dall'apprendimento supervisionato, in cui i modelli sono addestrati su dati etichettati, all'apprendimento non supervisionato, in cui gli algoritmi identificano modelli nascosti all'interno di dati non etichettati. Le applicazioni di ML abbracciano diversi ambiti, tra cui il riconoscimento delle immagini e del parlato, l'elaborazione del linguaggio naturale, la diagnostica sanitaria e l'analisi predittiva, rimodellando fondamentalmente il modo in cui i computer possono acquisire autonomamente la conoscenza e adattarsi agli ambienti in evoluzione.

L'apprentissage automatique est un domaine de l'intelligence artificielle (IA) qui se concentre sur le développement d'algorithmes et de modèles statistiques permettant aux systèmes informatiques d'apprendre et d'améliorer leurs performances dans des tâches sans programmation explicite. À la base, l'apprentissage automatique implique l'utilisation de données pour reconnaître des modèles, faire des prédictions et éclairer la prise de décision. Elle englobe une variété de techniques, de l'apprentissage supervisé, où les modèles sont formés sur des données étiquetées, à l'apprentissage non supervisé, où les algorithmes identifient des modèles cachés dans des données non étiquetées. Les applications de ML couvrent divers domaines, notamment la reconnaissance d'images et de la parole, le traitement du langage naturel, les diagnostics de santé et l'analyse prédictive, remodelant fondamentalement la manière dont les ordinateurs peuvent acquérir des connaissances de manière autonome et s'adapter à des environnements changeants.

A aprendizagem automática (AM) é um domínio da inteligência artificial (IA) que se centra no desenvolvimento de algoritmos e modelos estatísticos que permitem aos sistemas informáticos aprender e melhorar o seu desempenho em tarefas sem programação explícita. Na sua essência, a aprendizagem automática envolve a utilização de dados para reconhecer padrões, fazer previsões e informar a tomada de decisões. Engloba uma variedade de técnicas, desde a aprendizagem supervisionada, em que os modelos são treinados com base em dados rotulados, até à aprendizagem não supervisionada, em que os algoritmos identificam padrões ocultos em dados não rotulados. As aplicações de ML abrangem diversos domínios, incluindo o reconhecimento de imagem e de voz, o processamento de linguagem natural, o diagnóstico de cuidados de saúde e a análise preditiva, remodelando fundamentalmente a forma como os computadores podem adquirir conhecimentos de forma autónoma e adaptar-se a ambientes em mudança

Maschinelles Lernen (ML) ist ein Bereich der künstlichen Intelligenz (AI), der sich auf die Entwicklung von Algorithmen und statistischen Modellen konzentriert, die es Computersystemen ermöglichen, zu lernen und ihre Leistung bei Aufgaben ohne explizite Programmierung zu verbessern. Im Kern geht es beim maschinellen Lernen um die Nutzung von Daten, um Muster zu erkennen, Vorhersagen zu treffen und Entscheidungen zu treffen. Sie umfasst eine Vielzahl von Techniken, vom überwachten Lernen, bei dem Modelle auf gekennzeichneten Daten trainiert werden, bis zum unüberwachten Lernen, bei dem Algorithmen versteckte Muster in nicht gekennzeichneten Daten erkennen. ML-Anwendungen erstrecken sich über verschiedene Bereiche, darunter Bild- und Spracherkennung, Verarbeitung natürlicher Sprache, Gesundheitsdiagnostik und prädiktive Analytik, und verändern grundlegend die Art und Weise, wie Computer autonom Wissen erwerben und sich an veränderte Umgebungen anpassen können.

Machine learning (ML) is a field of artificial intelligence (AI) that focuses on the development of algorithms and statistical models that enable computer systems to learn and improve their performance on tasks without explicit programming. At its core, ML involves the utilization of data to recognize patterns, make predictions, and inform decision-making. It encompasses a variety of techniques, from supervised learning, where models are trained on labeled data, to unsupervised learning, where algorithms identify hidden patterns within unlabeled data. ML applications span diverse domains, including image and speech recognition, natural language processing, healthcare diagnostics, and predictive analytics, fundamentally reshaping how computers can autonomously acquire knowledge and adapt to changing environments.

Die Handschrift ist eine der verhaltensbiometrischen Techniken zur Identifizierung von Personen. Die Identifizierung von Schriftstellern ist ein Forschungsgebiet, das sich auf die Bestimmung der Urheberschaft eines bestimmten Textes konzentriert. Dies kann durch verschiedene Techniken und Methoden geschehen, die oft linguistische Analysen, maschinelles Lernen und computergestützte Ansätze beinhalten. Im Folgenden werden einige wichtige Aspekte und Methoden im Zusammenhang mit der Identifizierung von Autoren genannt. Diese Algorithmen können auf einem Datensatz bekannter Autoren trainiert werden, um Muster und Merkmale zu erlernen, die für jeden Autor spezifisch sind. Die vorliegende Arbeit basiert auf handschriftlichen strukturellen Primitiven, die als Grapheme bezeichnet werden. Der verwendete Datensatz ist die IAM Offline English Database. Zunächst werden Bilder von Handschriften in Grapheme segmentiert und dann werden die Grapheme als Projektionsprofil dargestellt, d.h. die Positionen jedes schwarzen Pixels der erhaltenen Segmentkurve werden aufgezeichnet. Dann wird ein Wörterbuch aus den trainierten Bildern der Handschrift mit Hilfe von k-means clustering erstellt. Anhand des Wörterbuchs werden nun die Merkmalsvektoren der Handschrift generiert und mit der Bezeichnung der Handschrift gespeichert.

L'écriture manuscrite est l'une des techniques biométriques comportementales d'identification des personnes. L'identification de l'écrivain est un domaine d'étude qui se concentre sur la détermination de la paternité d'un texte donné. Cela peut être réalisé grâce à diverses techniques et méthodes, impliquant souvent l'analyse linguistique, l'apprentissage automatique et des approches informatiques. Voici quelques aspects et méthodes clés liés à l¿identification des écrivains. Les algorithmes avancés d¿apprentissage automatique sont couramment utilisés pour l¿identification des écrivains. Ces algorithmes peuvent être entraînés sur un ensemble de données d'auteurs connus pour apprendre des modèles et des caractéristiques spécifiques à chaque écrivain. Des machines à vecteurs de support, des arbres de décision et des réseaux de neurones sont souvent utilisés. Le présent travail est basé sur des primitives structurelles manuscrites appelées graphèmes. L'ensemble de données utilisé est la base de données anglaise hors ligne IAM. Tout d'abord, les images d'écritures manuscrites sont segmentées en graphèmes, puis les graphèmes sont représentés sous forme de profil de projection, c'est-à-dire que chaque position de pixel noir de la courbe segmentée obtenue est enregistrée. Ensuite, le dictionnaire est appris à partir d'images d'écriture manuscrite en utilisant le regroupement de k-moyennes.

La escritura manuscrita es una de las técnicas biométricas del comportamiento para la identificación de personas. La identificación del autor es un campo de estudio que se centra en determinar la autoría de un texto determinado. Esto puede hacerse mediante diversas técnicas y métodos, que a menudo implican análisis lingüístico, aprendizaje automático y enfoques computacionales. A continuación se exponen algunos aspectos y métodos clave relacionados con la identificación de autores. Estos algoritmos pueden entrenarse en un conjunto de datos de autores conocidos para aprender patrones y características específicas de cada escritor. A menudo se emplean máquinas de vectores soporte, árboles de decisión y redes neuronales. El presente trabajo se basa en la primitiva estructural manuscrita denominada grafema. En primer lugar, las imágenes de escritura a mano se segmentan en grafemas y, a continuación, los grafemas se representan como perfil de proyección, es decir, se registran las posiciones de cada píxel negro de la curva segmentada obtenida. A continuación, se aprende el diccionario a partir de las imágenes de escritura manual del conjunto de entrenamiento mediante la agrupación k-means. A partir del diccionario, se generan vectores de características del escritor y se almacenan con la etiqueta del escritor.

La scrittura a mano è una delle tecniche biometriche comportamentali per l'identificazione delle persone. L'identificazione dello scrittore è un campo di studio che si concentra sulla determinazione della paternità di un determinato testo. Ciò può essere fatto attraverso varie tecniche e metodi, che spesso coinvolgono analisi linguistiche, apprendimento automatico e approcci computazionali. Ecco alcuni aspetti e metodi chiave relativi all'identificazione dello scrittore. Gli algoritmi avanzati di apprendimento automatico sono comunemente utilizzati nell'identificazione dello scrittore. Questi algoritmi possono essere addestrati su un set di dati di autori noti per apprendere modelli e caratteristiche specifici di ogni scrittore. Spesso vengono utilizzate macchine vettoriali di supporto, alberi decisionali e reti neurali. Il presente lavoro si basa su primitive strutturali scritte a mano chiamate grafemi. Il set di dati utilizzato è il database inglese offline IAM. Prima di tutto le immagini delle scritte a mano vengono segmentate in grafemi e poi i grafemi vengono rappresentati come profilo di proiezione, cioè viene registrata la posizione di ciascun pixel nero della curva segmentata ottenuta. Quindi il dizionario viene appreso dalle immagini della scrittura a mano del convoglio utilizzando il clustering k-means. Ora utilizzando il dizionario, i vettori delle caratteristiche dello scrittore vengono generati e archiviati con l'etichetta dello scrittore.

A escrita manual é uma das técnicas biométricas comportamentais para a identificação de pessoas. A identificação do escritor é um domínio de estudo que se centra na determinação da autoria de um determinado texto. Isto pode ser feito através de várias técnicas e métodos, muitas vezes envolvendo análise linguística, aprendizagem automática e abordagens computacionais. Eis alguns dos principais aspectos e métodos relacionados com a identificação do autor. Os algoritmos avançados de aprendizagem automática são normalmente utilizados na identificação do autor. Estes algoritmos podem ser treinados num conjunto de dados de autores conhecidos para aprender padrões e características específicas de cada escritor. O presente trabalho baseia-se em primitivas estruturais manuscritas chamadas grafemas. O conjunto de dados utilizado é a base de dados de inglês offline do IAM. Em primeiro lugar, as imagens de escrita manual são segmentadas em grafemas e, em seguida, os grafemas são representados como perfil de projeção, ou seja, são registadas as posições de cada pixel preto da curva segmentada obtida. Em seguida, o dicionário é aprendido a partir de imagens de escrita treinadas utilizando o agrupamento k-means. Agora, utilizando o dicionário, os vectores de características do escritor são gerados e armazenados com a etiqueta do escritor.

Green IoT, or Green Internet of Things, is a concept that aims to integrate environmental sustainability principles into the design, deployment, and operation of IoT (Internet of Things) systems. The IoT refers to the interconnected network of devices, sensors, and systems that collect, exchange, and act upon data, often in real-time. The Green IoT paradigm seeks to minimize the environmental impact of these interconnected technologies, fostering energy efficiency, resource conservation, and overall sustainability. One key focus of Green IoT is energy efficiency. Traditional IoT devices often consume significant amounts of power, leading to increased carbon footprints and environmental strain. Green IoT addresses this issue by promoting the use of energy-efficient hardware, low-power communication protocols, and intelligent power management strategies. This not only reduces the ecological impact but also contributes to cost savings and prolonged device lifetimes.

Handwriting is one of the behavioural biometric techniques for person identification. Writer identification is a field of study that focuses on determining the authorship of a given text. This can be done through various techniques and methods, often involving linguistic analysis, machine learning, and computational approaches. Here are some key aspects and methods related to writer identification. Advanced machine learning algorithms are commonly used in writer identification. These algorithms can be trained on a dataset of known authors to learn patterns and characteristics specific to each writer. Support vector machines, decision trees, and neural networks are often employed. The present work is based on handwritten structural primitive called graphemes. The dataset used is IAM offline English database. First of all images of handwritings are segmented into graphemes and then graphemes are represented as projection profile, i.e. each black pixel positions of the obtained segmentedcurve is recorded. Then dictionary is learnt from train-set images of handwriting using k-means clustering. Now using dictionary, writer feature vectors are generated and stored with writer label.