It is worth mentioning that we are

It is worth mentioning that we are aware there are, additionally, other types of sensors, such as those that indicate the health status of the user or alarm pendants; these will be included in future versions of the system.

2.3 Representation of patterns
Learned patterns can be used for many different purposes. In that sense, different Machine Learning techniques provide different types of outputs, of which some, such as artificial neural networks, produce output that is almost impossible to translate into humanly understandable language. If learned patterns are used in order to understand behaviors of the user (to detect bad or unhealthy habits, for instance) or if it is necessary for the system to explain its decisions to the user, it will be essential that the output is comprehensible.
Comprehensible representations can be achieved in different ways. So far, the most common approach relates the actions of the user (gathered by O-type sensors) with the status of the environment (gathered by C-type sensors) (Gal et al, 2001) (Hagras et al, 2004). We consider, as have other authors (Duman et al, 2008) (Jakkula et al, 2007), that detecting relationships between the user's actions facilitates understanding of the user's behavior, using information about the environment to contextualize such a relationship. Besides facilitating the understanding of the user's behavior, finding these relationships also allows us to use relative time references instead of absolute times. Thus, in Michael's case, we relate the action of "fnishing to take a shower" with the action of "turning on the fan", and we de_ne a time relation of "10 seconds" if and when "the bathroom relative humidity level is >75%".

Kết quả (Việt) 1:

Đó là giá trị đề cập rằng chúng tôi là nhận thức không có, ngoài ra, các loại khác của cảm biến, chẳng hạn như những người cho biết tình trạng sức khỏe của người sử dụng hoặc báo động mặt dây; chúng sẽ được bao gồm trong các phiên bản tương lai của hệ thống.2.3 các đại diện của mẫuHọc mô hình có thể được sử dụng cho nhiều mục đích khác nhau. Trong ý nghĩa đó, kỹ thuật máy học khác nhau cung cấp loại khác nhau của đầu ra, trong đó một số người, chẳng hạn như mạng nơ-ron nhân tạo, sản xuất sản lượng hầu như không thể dịch sang ngôn ngữ humanly dễ hiểu. Nếu học được các mẫu được sử dụng để hiểu hành vi của người sử dụng (để phát hiện các thói quen xấu hoặc không lành mạnh, ví dụ) hoặc nếu nó là cần thiết cho hệ thống để giải thích các quyết định của mình cho người dùng, nó sẽ được cần thiết rằng sản lượng là comprehensible.Đại diện dễ hiểu có thể đạt được bằng cách khác nhau. Cho đến nay, các phương pháp phổ biến nhất liên quan đến các hành động của người dùng (thu thập bởi cảm biến kiểu O) với trạng thái môi trường (thu thập bởi cảm biến kiểu C) (Gal et al, 2001) (Hagras et al, 2004). Chúng tôi xem xét, như có các tác giả khác (Duman et al, 2008) (Jakkula et al, 2007), rằng việc phát hiện mối quan hệ giữa hành động của người dùng tạo điều kiện cho sự hiểu biết về hành vi của người dùng, bằng cách sử dụng các thông tin về môi trường để contextualize một mối quan hệ. Bên cạnh việc tạo điều kiện cho sự hiểu biết về hành vi của người dùng, việc tìm kiếm các mối quan hệ cũng cho phép chúng tôi sử dụng tài liệu tham khảo tương đối thời gian thay vì thời gian tuyệt đối. Vì vậy, trong trường hợp của Michael, chúng tôi liên quan hành động "fnishing để có một vòi sen" với hành động "chuyển trên các fan hâm mộ", và chúng tôi de_ne một mối quan hệ thời gian là "10 giây" nếu và khi "mức độ ẩm của phòng tắm > 75%".

Kết quả (Việt) 2:

Điều đáng nói là chúng ta ý thức có, ngoài ra, các loại cảm biến, chẳng hạn như những người cho biết tình trạng sức khỏe của người sử dụng hoặc báo động mặt dây chuyền; này sẽ được bao gồm trong các phiên bản tương lai của hệ thống.

2.3 Đại diện của mẫu
học kinh nghiệm các mô hình có thể được sử dụng cho nhiều mục đích khác nhau. Trong ý nghĩa đó, các kỹ thuật Máy học khác nhau cung cấp các loại khác nhau của các kết quả đầu ra, trong đó một số, chẳng hạn như các mạng thần kinh nhân tạo, sản xuất ra đó là gần như không thể dịch sang ngôn ngữ mà con người có thể hiểu được. Nếu mô hình học được sử dụng để hiểu hành vi của người sử dụng (để phát hiện những thói quen xấu hoặc không lành mạnh, chẳng hạn) hoặc nếu nó là cần thiết cho hệ thống để giải thích quyết định của mình cho người sử dụng, nó sẽ là điều cần thiết mà đầu ra là dễ hiểu.
đại diện dễ hiểu có thể đạt được theo những cách khác nhau. Cho đến nay, phương pháp phổ biến nhất liên quan các hành động của người sử dụng (được thu thập bởi các cảm biến O-type) với tình trạng của môi trường (được thu thập bởi các cảm biến C-type) (Gal et al, 2001) (Hagras et al, 2004). Chúng tôi xem xét, như có tác giả khác (Duman et al, 2008) (Jakkula et al, 2007), mà phát hiện mối quan hệ giữa các hoạt động của người sử dụng tạo điều kiện cho sự hiểu biết về hành vi của người sử dụng, sử dụng thông tin về môi trường ngữ cảnh hóa mối quan hệ này. Bên cạnh đó tạo điều kiện cho sự hiểu biết về hành vi của người sử dụng, việc tìm kiếm các mối quan hệ cũng cho phép chúng ta sử dụng tài liệu tham khảo thời gian tương đối thay vì thời gian tuyệt đối. Như vậy, trong trường hợp của Michael, chúng tôi liên quan các hoạt động của "fnishing đi tắm" với các hành động của "bật quạt", và chúng tôi de_ne một mối quan hệ thời điểm "10 giây" nếu và khi "tắm độ ẩm tương đối là > 75% ".