Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "similarity k" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-5 z 5
    Tytuł:
    Similarity of Ferrosilicon Submerged Arc Furnaces With Different Geometrical Parameters
    Autorzy:
    Machulec, B.
    Gil, A.
    Bialik, W.
    Powiązania:
    https://bibliotekanauki.pl/articles/356113.pdf
    Data publikacji:
    2017
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    submerged-arc furnace
    ferrosilicon
    similarity k
    c3
    J1
    Opis:
    In order to determine reasons of unsatisfactory production output regarding one of the 12 MVA furnaces, a comparative analysis with a furnace of higher power that showed a markedly better production output was performed. For comparison of ferrosilicon furnaces with different geometrical parameters and transformer powers, the theory of physical similarity was applied. Geometrical, electrical and thermal parameters of the reaction zones are included in the comparative analysis. For furnaces with different geometrical parameters, it is important to ensure the same temperature conditions of the reaction zones. Due to diverse mechanisms of heat generation, different criteria for determination of thermal and electrical similarity for the upper and lower reaction zones were assumed contrary to other publications. The parameter c3 (Westly) was assumed the similarity criterion for the upper furnace zones where heat is generated as a result of resistive heating while the parameter J1 (Jaccard) was assumed the similarity criterion for the lower furnace zones where heat is generated due to arc radiation.
    Źródło:
    Archives of Metallurgy and Materials; 2017, 62, 4; 2343-2347
    1733-3490
    Pojawia się w:
    Archives of Metallurgy and Materials
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Clustering of data represented by pairwise comparisons
    Autorzy:
    Dvoenko, Sergey
    Powiązania:
    https://bibliotekanauki.pl/articles/2183479.pdf
    Data publikacji:
    2022
    Wydawca:
    Polska Akademia Nauk. Instytut Badań Systemowych PAN
    Tematy:
    clustering
    k-means
    distance
    similarity
    Opis:
    In this paper, experimental data, given in the form of pairwise comparisons, such as distances or similarities, are considered. Clustering algorithms for processing such data are developed based on the well-known k-means procedure. Relations to factor analysis are shown. The problems of improving clustering quality and of finding the proper number of clusters in the case of pairwise comparisons are considered. Illustrative examples are provided.
    Źródło:
    Control and Cybernetics; 2022, 51, 3; 343--387
    0324-8569
    Pojawia się w:
    Control and Cybernetics
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Identyfikacja grup obiektów podobnych pod względem struktury zjawisk społeczno – ekonomicznych na przykładzie struktury wieku bezrobotnych
    Identification of groups of similar objects in terms of the structure of socio-economic phenomena on-the example of age structure of the unemployed
    Autorzy:
    Kądziołka, Kinga
    Powiązania:
    https://bibliotekanauki.pl/articles/2055718.pdf
    Data publikacji:
    2022-05-11
    Wydawca:
    Zachodniopomorska Szkoła Biznesu w Szczecinie
    Tematy:
    podobieństwo struktur
    wskaźnik podobieństwa struktur
    grupowanie hierarchiczne
    metoda k- średnich
    bezrobocie
    struktura wieku bezrobotnych
    structure similarity
    structure similarity index
    hierarchical clustering
    k-means method
    age structure of the unemployed
    unemployment
    Opis:
    Celem pracy jest prezentacja możliwości aplikacyjnych metod grupowania danych do identyfikacji grup obszarów podobnych pod względem struktury analizowanego zjawiska. Zaprezentowana zostanie metoda grupowania hierarchicznego, w której do wyzna-czania odległości między skupieniami wykorzystano wskaźnik niepodobieństwa struktur oraz przedstawiona zostanie propozycja metody grupowania niehierarchicznego, stanowiąca pewną analogię do metody k- średnich. Rozważania będą prowadzone na przykładzie oceny podobieństwa struktury wieku zarejestrowanych bezrobotnych w powiatach.
    The aim of the work is to present the application possibilities of clustering methods to identify groups of objects similar in terms of the structure of the analyzed phenomenon. The hierarchical clustering method was proposed, in which the structure dissimilarity indicator was used to determine the distance between the clusters. Then a proposal of the non-hierarchical clu-stering method was presented. Considerations were conducted on the example of the similarity of the age structure of the registered unemployed in poviats.
    Źródło:
    Zeszyty Naukowe ZPSB Firma i Rynek; 2022, 1(61); 63-72
    2657-3245
    Pojawia się w:
    Zeszyty Naukowe ZPSB Firma i Rynek
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    An adaptive k nearest neighbour method for imputation of missing traffic data based on two similarity metrics
    Autorzy:
    Wang, Yang
    Xiao, Yu
    Lai, Jianhui
    Chen, Yanyan
    Powiązania:
    https://bibliotekanauki.pl/articles/949848.pdf
    Data publikacji:
    2020
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    missing traffic data
    similarity metrics
    K-nearest neighbour method
    stochastic characteristics
    metoda porównywania danych
    metryki podobieństwa
    metoda najbliższego sąsiada
    cechy stochastyczne
    Opis:
    Traffic flow is one of the fundamental parameters for traffic analysis and planning. With the rapid development of intelligent transportation systems, a large number of various detectors have been deployed in urban roads and, consequently, huge amount of data relating to the traffic flow are accumulatively available now. However, the traffic flow data detected through various detectors are often degraded due to the presence of a number of missing data, which can even lead to erroneous analysis and decision if no appropriate process is carried out. To remedy this issue, great research efforts have been made and subsequently various imputation techniques have been successively proposed in recent years, among which the k nearest neighbour algorithm (kNN) has received a great popularity as it is easy to implement and impute the missing data effectively. In the work presented in this paper, we firstly analyse the stochastic effect of traffic flow, to which the suffering of the kNN algorithm can be attributed. This motivates us to make an improvement, while eliminating the requirement to predefine parameters. Such a parameter-free algorithm has been realized by introducing a new similarity metric which is combined with the conventional metric so as to avoid the parameter setting, which is often determined with the requirement of adequate domain knowledge. Unlike the conventional version of the kNN algorithm, the proposed algorithm employs the multivariate linear regression model to estimate the weights for the final output, based on a set of data, which is smoothed by a Wavelet technique. A series of experiments have been performed, based on a set of traffic flow data reported from serval different countries, to examine the adaptive determination of parameters and the smoothing effect. Additional experiments have been conducted to evaluate the competent performance for the proposed algorithm by comparing to a number of widely-used imputing algorithms.
    Źródło:
    Archives of Transport; 2020, 54, 2; 59-73
    0866-9546
    2300-8830
    Pojawia się w:
    Archives of Transport
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    On a book Algorithms for data science by Brian Steele, John Chandler and Swarn Reddy
    Autorzy:
    Szajowski, Krzysztof J.
    Powiązania:
    https://bibliotekanauki.pl/articles/747695.pdf
    Data publikacji:
    2017
    Wydawca:
    Polskie Towarzystwo Matematyczne
    Tematy:
    histogram
    algorytm centroidów
    Algorithms
    Associative Statistics
    Computation
    Computing Similarity
    Cluster Analysis
    Correlation
    Data Reduction
    Data Mapping
    Data Dictionary
    Data Visualization
    Forecasting
    Hadoop
    Histogram
    k-Means Algorithm
    k-Nearest Neighbor Prediction
    Algorytmy
    miary zależności
    obliczenia
    analiza skupień
    korelacja
    redukcja danych
    transformacja danych
    wizualizacja danych
    prognozowanie
    algorytm k-średnich
    algorytm k najbliższych sąsiadów
    Opis:
    Przedstawiona tutaj pozycja wydawnicza jest obszernym wprowadzeniem do najważniejszych podstawowych zasad, algorytmów i danych wraz zestrukturami, do których te zasady i algorytmy się odnoszą. Przedstawione zaganienia są wstępem do rozważań w dziedzinie informatyki. Jednakże, to algorytmy są podstawą analityki danych i punktem skupienia tego podręcznika. Pozyskiwanie wiedzy z danych wymaga wykorzystania metod i rezultatów z co najmniej trzech dziedzin: matematyki, statystyki i informatyki. Książka zawiera jasne i intuicyjne objaśnienia matematyczne i statystyczne poszczególnych zagadnień, przez co algorytmy są naturalne i przejrzyste. Praktyka analizy danych wymaga jednak więcej niż tylko dobrych podstaw naukowych, ścisłości matematycznej i spojrzenia od strony metodologii statystycznej. Zagadnienia generujące dane są ogromnie zmienne, a dopasowanie metod pozyskiwania wiedzy może być przeprowadzone tylko w najbardziej podstawowych algorytmach. Niezbędna jest płynność programowania i doświadczenie z rzeczywistymi problemami. Czytelnik jest prowadzony przez zagadnienia algorytmiczne z wykorzystaniem Pythona i R na bazie rzeczywistych problemów i  analiz danych generowanych przez te zagadnienia. Znaczną część materiału zawartego w książce mogą przyswoić również osoby bez znajomości zaawansowanej metodologii. To powoduje, że książka może być przewodnikiem w jedno lub dwusemestralnym kursie analityki danych dla studentów wyższych lat studiów matematyki, statystyki i informatyki. Ponieważ wymagana wiedza wstępna nie jest zbyt obszerna,  studenci po kursie z probabilistyki lub statystyki, ze znajomością podstaw algebry i analizy matematycznej oraz po kurs programowania nie będą mieć problemów, tekst doskonale nadaje się także do samodzielnego studiowania przez absolwentów kierunków ścisłych. Podstawowy materiał jest dobrze ilustrowany obszernymi zagadnieniami zaczerpniętymi z rzeczywistych problemów. Skojarzona z książką strona internetowa wspiera czytelnika danymi wykorzystanymi w książce, a także prezentacją wybranych fragmentów wykładu. Jestem przekonany, że tematem książki jest nowa dziedzina nauki. 
    The book under review gives a comprehensive presentation of data science algorithms, which means on practical data analytics unites fundamental principles, algorithms, and data. Algorithms are the keystone of data analytics and the focal point of this textbook. The data science, as the authors claim, is the discipline since 2001. However, informally it worked before that date (cf. Cleveland(2001)). The crucial role had the graphic presentation of the data as the visualization of the knowledge hidden in the data.  It is the discipline which covers the data mining as the tool or important topic. The escalating demand for insights into big data requires a fundamentally new approach to architecture, tools, and practices. It is why the term data science is useful. It underscores the centrality of data in the investigation because they store of potential value in the field of action. The label science invokes certain very real concepts within it, like the notion of public knowledge and peer review. This point of view makes that the data science is not a new idea. It is part of a continuum of serious thinking dates back hundreds of years. The good example of results of data science is the Benford law (see Arno Berger and Theodore P. Hill(2015, 2017). In an effort to identifying some of the best-known algorithms that have been widely used in the data mining community, the IEEE International Conference on Data Mining (ICDM) has identified the top 10 algorithms in data mining for presentation at ICDM '06 in Hong Kong. This panel will announce the top 10 algorithms and discuss the impact and further research of each of these 10 algorithms in 2006. In the present book, there are clear and intuitive explanations of the mathematical and statistical foundations make the algorithms transparent. Most of the algorithms announced by IEEE in 2006 are included. But practical data analytics requires more than just the foundations. Problems and data are enormously variable and only the most elementary of algorithms can be used without modification. Programming fluency and experience with real and challenging data are indispensable and so the reader is immersed in Python and R and real data analysis. By the end of the book, the reader will have gained the ability to adapt algorithms to new problems and carry out innovative analysis.
    Źródło:
    Mathematica Applicanda; 2017, 45, 2
    1730-2668
    2299-4009
    Pojawia się w:
    Mathematica Applicanda
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-5 z 5

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies