Mohod Dr M M (22 results)

Condition: New.

Condition: New.

Condition: New.

Condition: New.

Condition: New.

Condition: New.

Paperback. Condition: new. Paperback. The rapid proliferation of misinformation across digital platforms poses a critical threat to public discourse, democratic processes, and societal trust. Manual verification systems cannot keep pace with the volume and velocity of fake news being generated, necessitating the development of automated detection mechanisms. This work presents a lightweight machine learning approach for fake news detection using a PassiveAggressive Classifier combined with TF-IDF vectorization, trained and evaluated on the WELFake benchmark dataset comprising 72,119 news articles sourced from multiple platforms spanning 2016 to 2020. The proposed system achieves 96.19% classification accuracy on 14,424 test articles, with precision and recall scores of 0.96-0.97 for both classes and a balanced F1-score of 0.96, validated using a CalibratedClassifierCV wrapper providing calibrated probability outputs. Beyond classification, the system incorporates LIME-based explainability for word-level prediction reasoning, real-time URL verification with source credibility analysis, clickbait detection, and evidence-backed verdict generation using the Gemini API. This item is printed on demand. Shipping may be from multiple locations in the US or from the UK, depending on stock availability. …

Paperback. Condition: new. Paperback. La proliferation rapide de la desinformation sur les plateformes numeriques constitue une menace critique pour le debat public, les processus democratiques et la confiance au sein de la societe. Les systemes de verification manuelle ne peuvent suivre le rythme du volume et de la vitesse de propagation des fausses informations, ce qui rend necessaire le developpement de mecanismes de detection automatises. Ces travaux presentent une approche d'apprentissage automatique legere pour la detection de fausses informations, reposant sur un classifieur Passive-Aggressive combine a une vectorisation TF-IDF; le modele a ete entraine et evalue sur le jeu de donnees de reference WELFake, qui comprend 72 119 articles issus de diverses plateformes et couvrant la periode 2016-2020. Le systeme propose atteint une precision de classification de 96,19 % sur 14 424 articles de test, avec des scores de precision et de rappel compris entre 0,96 et 0,97 pour les deux classes et un score F1 equilibre de 0,96, le tout valide a l'aide d'un wrapper CalibratedClassifierCV fournissant des probabilites calibrees. Au-dela de la classification, le systeme integre des fonctionnalites d'explicabilite basees sur LIME pour justifier les predictions au niveau des mots, une verification des URL en temps reel avec analyse de la credibilite des sources, une detection des titres racoleurs ( clickbait ) ainsi que la generation de verdicts etayes par des preuves grace a l'API Gemini. This item is printed on demand. Shipping may be from multiple locations in the US or from the UK, depending on stock availability.…

Paperback. Condition: new. Paperback. The rapid proliferation of misinformation across digital platforms poses a critical threat to public discourse, democratic processes, and societal trust. Manual verification systems cannot keep pace with the volume and velocity of fake news being generated, necessitating the development of automated detection mechanisms. This work presents a lightweight machine learning approach for fake news detection using a PassiveAggressive Classifier combined with TF-IDF vectorization, trained and evaluated on the WELFake benchmark dataset comprising 72,119 news articles sourced from multiple platforms spanning 2016 to 2020. The proposed system achieves 96.19% classification accuracy on 14,424 test articles, with precision and recall scores of 0.96-0.97 for both classes and a balanced F1-score of 0.96, validated using a CalibratedClassifierCV wrapper providing calibrated probability outputs. Beyond classification, the system incorporates LIME-based explainability for word-level prediction reasoning, real-time URL verification with source credibility analysis, clickbait detection, and evidence-backed verdict generation using the Gemini API. This item is printed on demand. Shipping may be from our UK warehouse or from our Australian or US warehouses, depending on stock availability. …

Paperback. Condition: new. Paperback. A rapida proliferacao de desinformacao em plataformas digitais representa uma ameaca critica ao discurso publico, aos processos democraticos e a confianca da sociedade. Os sistemas de verificacao manual nao conseguem acompanhar o volume e a velocidade de geracao de noticias falsas, tornando necessario o desenvolvimento de mecanismos automatizados de deteccao. Este trabalho apresenta uma abordagem de aprendizado de maquina leve para a deteccao de noticias falsas, utilizando um classificador *Passive-Aggressive* combinado com a vetorizacao TF-IDF; o modelo foi treinado e avaliado com o conjunto de dados de referencia WELFake, composto por 72.119 artigos de noticias provenientes de diversas plataformas e abrangendo o periodo de 2016 a 2020. O sistema proposto alcanca uma acuracia de classificacao de 96,19% em 14.424 artigos de teste, com indices de precisao e *recall* entre 0,96 e 0,97 para ambas as classes e um *F1-score* balanceado de 0,96, validado por meio de um *wrapper* `CalibratedClassifierCV` que fornece saidas de probabilidade calibradas. Alem da classificacao, o sistema incorpora explicabilidade baseada em LIME para justificar previsoes em nivel de palavra, verificacao de URLs em tempo real com analise de credibilidade da fonte, deteccao de *clickbait* e geracao de vereditos fundamentados em evidencias utilizando a API Gemini. This item is printed on demand. Shipping may be from multiple locations in the US or from the UK, depending on stock availability.…

Paperback. Condition: new. Paperback. La rapida proliferazione di disinformazione sulle piattaforme digitali rappresenta una minaccia critica per il dibattito pubblico, i processi democratici e la fiducia nella societa. I sistemi di verifica manuale non riescono a tenere il passo con il volume e la velocita di generazione delle fake news, rendendo necessario lo sviluppo di meccanismi di rilevamento automatizzati. Questo lavoro presenta un approccio di machine learning "leggero" per il rilevamento di fake news, basato su un classificatore *Passive-Aggressive* combinato con la vettorizzazione TF-IDF; il modello e stato addestrato e valutato sul dataset di riferimento WELFake, composto da 72.119 articoli provenienti da diverse piattaforme e pubblicati tra il 2016 e il 2020. Il sistema proposto raggiunge un'accuratezza di classificazione del 96,19% su 14.424 articoli di test, con punteggi di precisione e *recall* compresi tra 0,96 e 0,97 per entrambe le classi e un punteggio F1 bilanciato di 0,96, validato mediante un *wrapper* CalibratedClassifierCV che fornisce output di probabilita calibrati. Oltre alla classificazione, il sistema integra funzionalita di spiegabilita basate su LIME per comprendere le motivazioni delle previsioni a livello di singola parola, la verifica degli URL in tempo reale con analisi della credibilita della fonte, il rilevamento di *clickbait* e la generazione di verdetti supportati da evidenze tramite le API di Gemini. This item is printed on demand. Shipping may be from multiple locations in the US or from the UK, depending on stock availability.…

Paperback. Condition: new. Paperback. Gwaltowne rozprzestrzenianie sie dezinformacji na platformach cyfrowych stanowi powazne zagrozenie dla debaty publicznej, procesow demokratycznych oraz zaufania spolecznego. Systemy recznej weryfikacji nie sa w stanie nadazyc za skala i tempem generowania falszywych wiadomosci, co wymusza opracowanie zautomatyzowanych mechanizmow ich wykrywania. W niniejszej pracy przedstawiono lekkie rozwiazanie oparte na uczeniu maszynowym, wykorzystujace klasyfikator Passive-Aggressive oraz wektoryzacje TF-IDF; model ten zostal wytrenowany i oceniony na zbiorze testowym WELFake, obejmujacym 72 119 artykulow pochodzacych z roznych platform i opublikowanych w latach 2016-2020. Proponowany system osiaga skutecznosc klasyfikacji na poziomie 96,19% dla 14 424 artykulow testowych, uzyskujac wskazniki precyzji i pelnosci (recall) w przedziale 0,96-0,97 dla obu klas oraz zrownowazona miare F1 rowna 0,96, przy czym walidacje przeprowadzono z uzyciem mechanizmu CalibratedClassifierCV, zapewniajacego skalibrowane wartosci prawdopodobienstwa. Oprocz samej klasyfikacji, system oferuje funkcje wyjasnialnosci oparte na metodzie LIME (umozliwiajace zrozumienie przeslanek decyzji na poziomie poszczegolnych slow), weryfikacje adresow URL w czasie rzeczywistym wraz z analiza wiarygodnosci zrodla, wykrywanie clickbaitow oraz generowanie werdyktow popartych dowodami przy uzyciu interfejsu API modelu Gemini. This item is printed on demand. Shipping may be from multiple locations in the US or from the UK, depending on stock availability.…

Paperback. Condition: new. Paperback. Die rasante Verbreitung von Desinformationen auf digitalen Plattformen stellt eine ernsthafte Bedrohung fuer den oeffentlichen Diskurs, demokratische Prozesse und das gesellschaftliche Vertrauen dar. Manuelle UEberpruefungssysteme koennen mit der Menge und der Geschwindigkeit, mit der Fake News generiert werden, nicht Schritt halten, weshalb die Entwicklung automatisierter Erkennungsmechanismen erforderlich ist. Diese Arbeit stellt einen effizienten Ansatz des maschinellen Lernens zur Erkennung von Fake News vor, der einen "Passive-Aggressive Classifier" in Kombination mit TF-IDF-Vektorisierung nutzt; das Modell wurde auf dem Benchmark-Datensatz WELFake trainiert und evaluiert, welcher 72.119 Nachrichtenartikel aus verschiedenen Quellen (Zeitraum 2016-2020) umfasst. Das vorgeschlagene System erreicht eine Klassifikationsgenauigkeit von 96,19 % bei 14.424 Testartikeln, wobei Precision- und Recall-Werte von 0,96-0,97 fuer beide Klassen sowie ein ausgewogener F1-Score von 0,96 erzielt werden; die Validierung erfolgte mittels eines "CalibratedClassifierCV"-Wrappers, der kalibrierte Wahrscheinlichkeitswerte liefert. UEber die reine Klassifikation hinaus integriert das System LIME-basierte Erklaerbarkeit zur Nachvollziehbarkeit der Vorhersagen auf Wortebene, eine Echtzeit-URL-UEberpruefung mit Analyse der Glaubwuerdigkeit der Quelle, eine Clickbait-Erkennung sowie die Generierung evidenzbasierter Bewertungen unter Verwendung der Gemini-API. This item is printed on demand. Shipping may be from multiple locations in the US or from the UK, depending on stock availability.…

Paperback. Condition: new. Paperback. La proliferation rapide de la desinformation sur les plateformes numeriques constitue une menace critique pour le debat public, les processus democratiques et la confiance au sein de la societe. Les systemes de verification manuelle ne peuvent suivre le rythme du volume et de la vitesse de propagation des fausses informations, ce qui rend necessaire le developpement de mecanismes de detection automatises. Ces travaux presentent une approche d'apprentissage automatique legere pour la detection de fausses informations, reposant sur un classifieur Passive-Aggressive combine a une vectorisation TF-IDF; le modele a ete entraine et evalue sur le jeu de donnees de reference WELFake, qui comprend 72 119 articles issus de diverses plateformes et couvrant la periode 2016-2020. Le systeme propose atteint une precision de classification de 96,19 % sur 14 424 articles de test, avec des scores de precision et de rappel compris entre 0,96 et 0,97 pour les deux classes et un score F1 equilibre de 0,96, le tout valide a l'aide d'un wrapper CalibratedClassifierCV fournissant des probabilites calibrees. Au-dela de la classification, le systeme integre des fonctionnalites d'explicabilite basees sur LIME pour justifier les predictions au niveau des mots, une verification des URL en temps reel avec analyse de la credibilite des sources, une detection des titres racoleurs ( clickbait ) ainsi que la generation de verdicts etayes par des preuves grace a l'API Gemini. This item is printed on demand. Shipping may be from our UK warehouse or from our Australian or US warehouses, depending on stock availability.…

Taschenbuch. Condition: Neu. This item is printed on demand - it takes 3-4 days longer - Neuware 60 pp. Deutsch.

Condition: New. Dieser Artikel ist ein Print on Demand Artikel und wird nach Ihrer Bestellung fuer Sie gedruckt.

Paperback. Condition: new. Paperback. A rapida proliferacao de desinformacao em plataformas digitais representa uma ameaca critica ao discurso publico, aos processos democraticos e a confianca da sociedade. Os sistemas de verificacao manual nao conseguem acompanhar o volume e a velocidade de geracao de noticias falsas, tornando necessario o desenvolvimento de mecanismos automatizados de deteccao. Este trabalho apresenta uma abordagem de aprendizado de maquina leve para a deteccao de noticias falsas, utilizando um classificador *Passive-Aggressive* combinado com a vetorizacao TF-IDF; o modelo foi treinado e avaliado com o conjunto de dados de referencia WELFake, composto por 72.119 artigos de noticias provenientes de diversas plataformas e abrangendo o periodo de 2016 a 2020. O sistema proposto alcanca uma acuracia de classificacao de 96,19% em 14.424 artigos de teste, com indices de precisao e *recall* entre 0,96 e 0,97 para ambas as classes e um *F1-score* balanceado de 0,96, validado por meio de um *wrapper* `CalibratedClassifierCV` que fornece saidas de probabilidade calibradas. Alem da classificacao, o sistema incorpora explicabilidade baseada em LIME para justificar previsoes em nivel de palavra, verificacao de URLs em tempo real com analise de credibilidade da fonte, deteccao de *clickbait* e geracao de vereditos fundamentados em evidencias utilizando a API Gemini. This item is printed on demand. Shipping may be from our UK warehouse or from our Australian or US warehouses, depending on stock availability.…

Paperback. Condition: new. Paperback. Gwaltowne rozprzestrzenianie sie dezinformacji na platformach cyfrowych stanowi powazne zagrozenie dla debaty publicznej, procesow demokratycznych oraz zaufania spolecznego. Systemy recznej weryfikacji nie sa w stanie nadazyc za skala i tempem generowania falszywych wiadomosci, co wymusza opracowanie zautomatyzowanych mechanizmow ich wykrywania. W niniejszej pracy przedstawiono lekkie rozwiazanie oparte na uczeniu maszynowym, wykorzystujace klasyfikator Passive-Aggressive oraz wektoryzacje TF-IDF; model ten zostal wytrenowany i oceniony na zbiorze testowym WELFake, obejmujacym 72 119 artykulow pochodzacych z roznych platform i opublikowanych w latach 2016-2020. Proponowany system osiaga skutecznosc klasyfikacji na poziomie 96,19% dla 14 424 artykulow testowych, uzyskujac wskazniki precyzji i pelnosci (recall) w przedziale 0,96-0,97 dla obu klas oraz zrownowazona miare F1 rowna 0,96, przy czym walidacje przeprowadzono z uzyciem mechanizmu CalibratedClassifierCV, zapewniajacego skalibrowane wartosci prawdopodobienstwa. Oprocz samej klasyfikacji, system oferuje funkcje wyjasnialnosci oparte na metodzie LIME (umozliwiajace zrozumienie przeslanek decyzji na poziomie poszczegolnych slow), weryfikacje adresow URL w czasie rzeczywistym wraz z analiza wiarygodnosci zrodla, wykrywanie clickbaitow oraz generowanie werdyktow popartych dowodami przy uzyciu interfejsu API modelu Gemini. This item is printed on demand. Shipping may be from our UK warehouse or from our Australian or US warehouses, depending on stock availability.…

Paperback. Condition: new. Paperback. Die rasante Verbreitung von Desinformationen auf digitalen Plattformen stellt eine ernsthafte Bedrohung fuer den oeffentlichen Diskurs, demokratische Prozesse und das gesellschaftliche Vertrauen dar. Manuelle UEberpruefungssysteme koennen mit der Menge und der Geschwindigkeit, mit der Fake News generiert werden, nicht Schritt halten, weshalb die Entwicklung automatisierter Erkennungsmechanismen erforderlich ist. Diese Arbeit stellt einen effizienten Ansatz des maschinellen Lernens zur Erkennung von Fake News vor, der einen "Passive-Aggressive Classifier" in Kombination mit TF-IDF-Vektorisierung nutzt; das Modell wurde auf dem Benchmark-Datensatz WELFake trainiert und evaluiert, welcher 72.119 Nachrichtenartikel aus verschiedenen Quellen (Zeitraum 2016-2020) umfasst. Das vorgeschlagene System erreicht eine Klassifikationsgenauigkeit von 96,19 % bei 14.424 Testartikeln, wobei Precision- und Recall-Werte von 0,96-0,97 fuer beide Klassen sowie ein ausgewogener F1-Score von 0,96 erzielt werden; die Validierung erfolgte mittels eines "CalibratedClassifierCV"-Wrappers, der kalibrierte Wahrscheinlichkeitswerte liefert. UEber die reine Klassifikation hinaus integriert das System LIME-basierte Erklaerbarkeit zur Nachvollziehbarkeit der Vorhersagen auf Wortebene, eine Echtzeit-URL-UEberpruefung mit Analyse der Glaubwuerdigkeit der Quelle, eine Clickbait-Erkennung sowie die Generierung evidenzbasierter Bewertungen unter Verwendung der Gemini-API. This item is printed on demand. Shipping may be from our UK warehouse or from our Australian or US warehouses, depending on stock availability.…

Paperback. Condition: new. Paperback. La rapida proliferazione di disinformazione sulle piattaforme digitali rappresenta una minaccia critica per il dibattito pubblico, i processi democratici e la fiducia nella societa. I sistemi di verifica manuale non riescono a tenere il passo con il volume e la velocita di generazione delle fake news, rendendo necessario lo sviluppo di meccanismi di rilevamento automatizzati. Questo lavoro presenta un approccio di machine learning "leggero" per il rilevamento di fake news, basato su un classificatore *Passive-Aggressive* combinato con la vettorizzazione TF-IDF; il modello e stato addestrato e valutato sul dataset di riferimento WELFake, composto da 72.119 articoli provenienti da diverse piattaforme e pubblicati tra il 2016 e il 2020. Il sistema proposto raggiunge un'accuratezza di classificazione del 96,19% su 14.424 articoli di test, con punteggi di precisione e *recall* compresi tra 0,96 e 0,97 per entrambe le classi e un punteggio F1 bilanciato di 0,96, validato mediante un *wrapper* CalibratedClassifierCV che fornisce output di probabilita calibrati. Oltre alla classificazione, il sistema integra funzionalita di spiegabilita basate su LIME per comprendere le motivazioni delle previsioni a livello di singola parola, la verifica degli URL in tempo reale con analisi della credibilita della fonte, il rilevamento di *clickbait* e la generazione di verdetti supportati da evidenze tramite le API di Gemini. This item is printed on demand. Shipping may be from our UK warehouse or from our Australian or US warehouses, depending on stock availability.…

Taschenbuch. Condition: Neu. This item is printed on demand - Print on Demand Titel. Neuware OmniScriptum SRL, Str. Armeneasca 28/1, office 1, 2012 Chisinau 60 pp. Deutsch.

Taschenbuch. Condition: Neu. nach der Bestellung gedruckt Neuware - Printed after ordering.