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 "Piegat, A." wg kryterium: Wszystkie pola

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-4 z 4
    Tytuł:
    Specialized, MSE-optimal m-estimators of the rule probability especially suitable for machine learning
    Autorzy:
    Piegat, A.
    Landowski, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/205508.pdf
    Data publikacji:
    2014
    Wydawca:
    Polska Akademia Nauk. Instytut Badań Systemowych PAN
    Tematy:
    machine learning
    rule probability
    probability estimation
    m-estimators
    decision trees
    rough set theory
    Opis:
    The paper presents an improved sample based rule- probability estimation that is an important indicator of the rule quality and credibility in systems of machine learning. It concerns rules obtained, e.g., with the use of decision trees and rough set theory. Particular rules are frequently supported only by a small or very small number of data pieces. The rule probability is mostly investigated with the use of global estimators such as the frequency-, the Laplace-, or the m-estimator constructed for the full probability interval [0,1]. The paper shows that precision of the rule probability estimation can be considerably increased by the use of m-estimators which are specialized for the interval [phmin, phmax] given by the problem expert. The paper also presents a new interpretation of the m-estimator parameters that can be optimized in the estimators.
    Źródło:
    Control and Cybernetics; 2014, 43, 1; 133-160
    0324-8569
    Pojawia się w:
    Control and Cybernetics
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Is an interval the right result of arithmetic operations on intervals?
    Autorzy:
    Piegat, A.
    Landowski, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/330098.pdf
    Data publikacji:
    2017
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    interval arithmetic
    one dimensional interval arithmetic
    multidimensional interval arithmetic
    RDM interval arithmetic
    arytmetyka interwałowa
    arytmetyka interwałowa jednowymiarowa
    arytmetyka interwałowa wielowymiarowa
    Opis:
    For many scientists interval arithmetic (IA, I arithmetic) seems to be easy and simple. However, this is not true. Interval arithmetic is complicated. This is confirmed by the fact that, for years, new, alternative versions of this arithmetic have been created and published. These new versions tried to remove shortcomings and weaknesses of previously proposed options of the arithmetic, which decreased the prestige not only of interval arithmetic itself, but also of fuzzy arithmetic, which, to a great extent, is based on it. In our opinion, the main reason for the observed shortcomings of the present IA is the assumption that the direct result of arithmetic operations on intervals is also an interval. However, the interval is not a direct result but only a simplified representative (indicator) of the result. This hypothesis seems surprising, but investigations prove that it is true. The paper shows what conditions should be satisfied by the result of interval arithmetic operations to call it a “result”, how great its dimensionality is, how to perform arithmetic operations and solve equations. Examples illustrate the proposed method of interval computations.
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2017, 27, 3; 575-590
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Optimal estimator of hypothesis probability for data mining problems with small samples
    Autorzy:
    Piegat, A
    Landowski, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/330967.pdf
    Data publikacji:
    2012
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    estymacja prawdopodobieństwa
    interpretacja częstotliwości prawdopodobieństwa
    interpretacja kompletności prawdopodobieństwa
    teoria niepewności
    single case problem
    probability estimation
    frequency interpretation of probability
    completeness interpretation of probability
    uncertainty theory
    Opis:
    The paper presents a new (to the best of the authors' knowledge) estimator of probability called the "[...] completeness estimator" along with a theoretical derivation of its optimality. The estimator is especially suitable for a small number of sample items, which is the feature of many real problems characterized by data insufficiency. The control parameter of the estimator is not assumed in an a priori, subjective way, but was determined on the basis of an optimization criterion (the least absolute errors).The estimator was compared with the universally used frequency estimator of probability and with Cestnik's m-estimator with respect to accuracy. The comparison was realized both theoretically and experimentally. The results show the superiority of the [...] completeness estimator over the frequency estimator for the probability interval ph (0.1, 0.9). The frequency estimator is better for ph [0, 0.1] and ph [0.9, 1].
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2012, 22, 3; 629-645
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Surmounting Information Gaps Using Average Probability Density Function
    Pokonywanie luk informacyjnych za pomocą przeciętnej funkcji gęstości prawdopodobieństwa
    Autorzy:
    Piegat, A.
    Landowski, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/156044.pdf
    Data publikacji:
    2009
    Wydawca:
    Stowarzyszenie Inżynierów i Techników Mechaników Polskich
    Tematy:
    sieci Bayesa
    luki informacyjne
    zasada nierozróżnialności
    teoria niepewności
    sztuczna inteligencja
    teoria prawdopodobieństwa
    Bayes networks
    information gaps
    principle of indifference
    uncertainty theory
    artificial intelligence
    probability theory
    Opis:
    In many problems we come across the lack of complete data. The information gap causes that the task seems to be unsolvable. In many cases where the Bayes' networks or Bayes' rule are used, we come across the information gap which is the lack of a priori distribution. The article presents the methods of identifying the average probability density distribution when we know the range of variable and we have some quality knowledge on the distribution. The obtained average probability density distribution minimizes medium squared error. According to the authors' knowledge the average probability density distribution is the novelty in the word literature.
    W wielu rzeczywistych problemach często spotykamy się z brakiem danych koniecznych do ich rozwiązania. Dotyczy to zwłaszcza zadań projektowania nowych systemów technicznych, ale i też ekonomicznych, medycznych, agrarnych i innych. Istnienie luk w problemie powoduje, że zadanie wydaje się nierozwiązywalne. W takiej sytuacji, aby w ogóle rozwiązać postawiony problem konieczne jest zaangażowanie ekspertów, którzy są często w stanie podać przybliżone oszacowanie danej brakującej do rozwiązania problemu. Niestety, oszacowania eksperckie zwykle nie są precyzyjnymi liczbami, lecz przedziałami możliwych wartości zmiennej lub też probabilistycznymi rozkładami możliwej wartości brakującej zmiennej. Zatem, aby rozwiązać dany problem konieczne jest wykonywanie operacji na rozkładach gęstości prawdopodobieństwa. Jednym z narzędzi służących do tego celu jest reguła Bayesa. Jest ona np. podstawą do przetwarzania informacji w sieciach wnioskowania probabilistycznego zwanych skrótowo sieciami Bayesa. Zwykle luką informacyjną w tych sieciach jest brak rozkładu a priori zmiennej koniecznego do obliczenia rozkładu a posteriori. W takiej sytuacji, jako rozkład a priori stosowany jest zwykle rozkład równomierny reprezentujący kompletną niewiedzę dotyczącą jakościowych cech rozkładu. Jednak taką wiedzę często posiada ekspert problemu. Artykuł prezentuje metodę identyfikacji przeciętnego rozkładu gęstości prawdopodobieństwa zmiennej dla przypadku, gdy ekspert zna nie tylko zakres możliwych wartości zmiennej, ale także posiada pewną wiedzę o jakościowych cechach rozkładu. Otrzymany z użyciem wiedzy eksperta przeciętny rozkład gęstości prawdopodobieństwa zmniejsza znacznie ryzyko popełnienia katastrofalnie dużych błędów w rozwiązywaniu problemów z lukami informacyjnymi. Według wiedzy autorów koncepcja przeciętnego rozkładu gęstości prawdopodobieństwa jest nowością w literaturze światowej.
    Źródło:
    Pomiary Automatyka Kontrola; 2009, R. 55, nr 10, 10; 793-795
    0032-4140
    Pojawia się w:
    Pomiary Automatyka Kontrola
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-4 z 4

      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