การสร้างแผนที่ความยากจนที่ว่านี้มีท

การสร้างแผนที่ความยากจนที่ว่านี้มีทั้งการใช้ข้อมูลที่ได้จากการสำรวจโดยการลงพื้นที่สอบถามข้อมูลจากผู้คนในแต่ละท้องถิ่นซึ่งต้องทั้งเวลาและค่าใช้จ่ายในการดำเนินการสูงมาก ส่วนพื้นที่ซึ่งยังไม่มีข้อมูลจากการสำรวจก็ใช้การพยากรณ์เข้ามาช่วยซึ่งก็ไม่ได้แม่นยำมากนัก เนื่องจากการพยากรณ์ทางคณิตศาสตร์ที่มีฐานข้อมูลจริงจากการสำรวจให้อ้างอิงได้น้อยย่อมให้ผลการพยากรณ์ที่คลาดเคลื่อนได้มาก ลองนึกภาพว่าการสำรวจข้อมูลในทวีปแอฟริกาเพียง 5 ประเทศจะทำให้สามารถสร้างแผนที่ความยากจนสำหรับทั้งทวีปได้แม่นยำสักเพียงใดโดยไม่มีข้อมูลอื่นเข้ามาช่วยในการวิเคราะห์และพยากรณ์
ทีมวิจัยของ Stanford จึงตีโจทย์การทำแผนที่ความยากจนนี้เสียใหม่โดยการเอาข้อมูลที่มีทั่วถึงทุกพื้นที่ภูมิประเทศของโลกมาใช้ นั่นก็คือภาพถ่ายความละเอียดสูงจากดาวเทียม พร้อมกันนี้ทีมวิจัยได้พัฒนาอัลกอริทึมแบบ machine learning เข้ามาช่วยในการวิเคราะห์ภาพถ่ายจำนวนมากเหล่านั้น

ผลลัพธ์ (อังกฤษ) 2:

Mapping poverty that is both user data from a survey by the inquiries from local people in each district, which requires both time and cost to process very high. The area in which there is no survey data was used to help forecast which was not very precise. Due to the mathematical predictions with actual database from the survey will provide a reference to the many false prophets. Imagine that the survey data in Africa, only five countries will be able to create a map of poverty for the entire continent has precisely one minute without information to assist in the analysis and forecasting
research team of Stanford has hit our mapping. poverty is remade by removing information that is used across all areas of the terrain. That is, high-resolution photos from satellites. In addition, the research team has developed a machine learning algorithm to help in the analysis of those photos.

ผลลัพธ์ (อังกฤษ) 3:

Creating poverty map that are either using data from the survey by the inquiries from people in each region, which have both time and the operation cost is very high. The area in which no data from the survey was used to help forecast which is not accurate much. Since the mathematical forecasting with real database from the reference to less surely yield forecasting error of a lot. Imagine that survey data in Africa only 5 country could create poverty maps for the entire continent how accurately without other information to assist in the analysis and prediction.The research team of the Stanford math mapping this new poverty by removing data across all areas of the world, using terrain There is a high-resolution photos from the satellite. The research team has developed a machine learning algorithms to help in the analysis of จำนวนมากเหล่านั้น photos.