THESE ALGORITHMS - 日本語 への翻訳

• これらのアルゴリズムは

英語 での These algorithms の使用例とその 日本語 への翻訳

Many of these algorithms are present in technology that we use every day, like Siri, Alexa, and Google's search engine.
これらのアルゴリズムの多くは、私たちが毎日使っているSiri(シリ)やAlexa(アレクサ)、Googleの検索エンジンで使われています。

Anyway, I believe that publishing these algorithms now is an ideal choice for Russia.
とにかく、私は、これらのアルゴリズムを発表することが、ロシアにとって理想的な選択であると信じています。

Remember to also clear the browser caches if you are too skeptical on how these algorithms work.
これらのアルゴリズムがどのように機能するかについて懐疑的すぎる場合は、ブラウザのキャッシュもクリアしてください。

It's based on these algorithms, but also uses cryptocurrencies.
これらのアルゴリズムに基づいていますが、仮想通貨も使用しています。

Optimizing the accuracy and speed of these algorithms enables the solutions to identify individuals in large-scale databases.
これらアルゴリズムの正確さと速度は絶えず最適化されており、大規模なデータベースで個人を特定することが出来ます。

These algorithms bring a lot of things into our lives that humans cannot do.
こうしたアルゴリズムは、人間にはできない多くのことを私たちの生活にもたらす。

MATLAB® and Simulink® can be used as platforms to implement these algorithms.
MATLAB®およびSimulink®を、これらのアルゴリズムを実装するプラットフォームとして使用できます。

These algorithms contain parameters and coefficients that are based on empirical fits to observational data.
これらのアルゴリズムには観測データに基づいたパラメータと係数が含まれています。

Some of these algorithms have come into widespread use due to their high accuracy and robustness with respect to border noise.
これらのアルゴリズムの一部は、境界ノイズに関して彼らの高い精度と頑健性のために広範囲にわたり用いられるようになった。

These algorithms are available from the well-known network library netlib as the package"Freely Distributable Math Library," fdlibm.
こうしたアルゴリズムは、有名なネットワークライブラリであるnetlibから「FreelyDistributableMathLibrary」(fdlibm)パッケージとして入手可能です。

The most common application of these algorithms is numerically calculating multi-dimensional integrals.
このアルゴリズムの最も一般的な応用は多重積分を数値的に計算することである。

To create these algorithms, they had to trawl for the data from those decades of experiments.
こうしたアルゴリズムをつくるには、何十年分もの実験データを探し出す必要があった。

Note: In the next parts, we will see these algorithms and data structures.
注：次のパートでは、これらのアルゴリズムやデータ構造を見ていきます。

These algorithms typically rely on a technique similar to Kahan's summation formula.
このようなアルゴリズムは、通常Kahanの加法公式に類似した手法に頼っています。

These algorithms decide how fast a given device should be sending data into the network to avoid overloading it.
こうしたアルゴリズムは過負荷にならないためにはデバイスがどれだけ速くネットワークにデータを送ればよいかを決定する。

These algorithms can derive optimal maintenance schedules, based on real-time information and historical data.
これらのアルゴリズムにより、リアルタイムの情報と履歴データに基づき、最適なメンテナンススケジュールを導出することができます。

It is not trivial to obtain a canonical distribution of conformations and velocities using these algorithms.
これらのアルゴリズムを用いてコンホメーションや速度のカノニカル分布を得るのは簡単ではない。

Nevertheless, these algorithms will allow computers to process information differently.
しかしこのアルゴリズムにより、コンピューターは情報を異なる方法で処理することができます。

These algorithms allow us to set our market orders, levels, stop loss and all other marks as precisely as 0.00001 can be.
これらのアルゴリズムにより、市場の注文、レベル、ストップロス、その他のマークを0.00001のように正確に設定できます。

Using these algorithms, we're able to piece together pictures from this sparse, noisy data.
このアルゴリズムを使うとこのまばらでノイズだらけのデータを写真へとまとめあげられるのです。