Informacja

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

Wyszukujesz frazę "ewolucja funkcji" wg kryterium: Wszystkie pola


Wyświetlanie 1-2 z 2
Tytuł:
The strategic marketing function in dynamic markets
Strategiczna funkcja marketingu w dynamicznie rozwijających się rynkach
Autorzy:
Koplyay, T.
Lloyd, D.
Jazouli, A.
Mitchell, B.
Powiązania:
https://bibliotekanauki.pl/articles/405307.pdf
Data publikacji:
2015
Wydawca:
Politechnika Częstochowska
Tematy:
marketing function evolution
marketing tipping points
lifecycle model
big bang model
market dynamics
ewolucja funkcji marketingu
punkty krytyczne marketingu
model cyklu życia
model Big Bang
dynamika rynku
Opis:
Marketing has a glamorous role in the business world. It is at the forefront of the firm-market interaction, it represents the best compensated activity in an organization. Marketing assumes a leadership role in the firm and sets the tone of the strategic plans. The approach and strategies seen in marketing throughout the market lifecycle are influenced by factors and players, which significantly curtail its role and circumscribe its influence. This article examines the evolution, along the market lifecycle, of marketing’s role and spheres of influence, and proposes two predictive mechanisms that allow for the estimation of “tipping points” for the different characteristics that define the marketing profile along the lifecycle. We introduce the big bang model of market dynamics and examine the behavior of the marketing function depending where the firm is relative to sink holes, transient and steady states and how the market is pulsing defines the marketing priorities. The article further identifies the factors circumscribing the functions and freedoms of marketing along the lifecycle in hi-tech, to develop a clear picture of the various roles that marketing plays as the firm proceeds along the lifecycle from incubation to market maturity.
Marketing odgrywa ogromną rolę w świecie biznesu. Znajduje się na czele interakcji firma-rynek, reprezentuje najlepiej skompensowaną działalność w organizacji. Marketing zakłada rolę lidera w firmie i nadaje ton planów strategicznych. Podejście i strategie widziane w marketingu poprzez cały cykl życia rynku są pod wpływem czynników i graczy, co znacznie zmniejsza jego rolę i ogranicza wpływ. Niniejszy artykuł analizuje rozwój, wraz z cyklem życia rynku, roli marketingu i sfer wpływów i proponuje dwa prognostyczne mechanizmy, które pozwalają na oszacowanie "punktów krytycznych" dla różnych cech, które określają profil marketingowy wzdłuż cyklu życia. Prezentujemy model dynamiki rynku big bang i badamy zachowanie funkcji marketingowej w zależności od tego, w którym miejscu firma się znajduje w odniesieniu do stanów przejściowych i stałych oraz w jaki sposób rynek pulsuje określając priorytety marketingowe. Artykuł ponadto identyfikuje czynniki ograniczające funkcje i swobody wzdłuż cyklu życia w zaawansowanej technologii, aby rozwinąć jasny obraz różnych ról, jakie odgrywa marketing jako wpływów firmy wzdłuż cyklu życia od inkubacji do dojrzałości rynku.
Źródło:
Polish Journal of Management Studies; 2015, 12, 1; 59-76
2081-7452
Pojawia się w:
Polish Journal of Management Studies
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
An enhanced differential evolution algorithmwith adaptive weight bounds for efficient training ofneural networks
Ulepszony algorytm ewolucji różnicowej z adaptacyjnymi granicami wag dla efektywnego szkolenia sieci neuronowych
Autorzy:
Limtrakul, Saithip
Wetweerapong, Jeerayut
Powiązania:
https://bibliotekanauki.pl/articles/27315365.pdf
Data publikacji:
2023
Wydawca:
Politechnika Lubelska. Wydawnictwo Politechniki Lubelskiej
Tematy:
neural network
differential evolution
training neural network
function approximation
sieć neuronowa
ewolucja różnicowa
trening sieci neuronowej
aproksymacja funkcji
Opis:
Artificial neural networks are essential intelligent tools for various learning tasks. Training them is challenging due to the nature of the data set, many training weights, and their dependency, which gives rise to a complicated high-dimensional error function for minimization. Thus, global optimization methods have become an alternative approach. Many variants of differential evolution (DE) have been applied as training methods to approximate the weights of a neural network. However, empirical studies show that they suffer from generally fixed weight bounds. In this research, we propose an enhanced differential evolution algorithm with adaptive weight bound adjustment (DEAW) for the efficient training of neural networks. The DEAW algorithm uses small initial weight bounds and adaptive adjustment in the mutation process. It gradually extends the bounds when a component of a mutant vector reaches its limits. We also experiment with using several scales of an activation function with the DEAW algorithm. Then, we apply the proposed method with its suitable setting to solve function approximation problems. DEAW can achieve satisfactory results compared to exact solutions.
Sztuczne sieci neuronowe są niezbędnymi inteligentnymi narzędziami do realizacji różnych zadań uczenia się. Ich szkolenie stanowi wyzwanie ze względu na charakter zbioru danych, wiele wag treningowych i ich zależności, co powoduje powstanie skomplikowanej, wielowymiarowej funkcji błędu do minimalizacji. Dlatego alternatywnym podejściem stały się metody optymalizacji globalnej. Wiele wariantów ewolucji różnicowej (DE) zostało zastosowanych jako metody treningowe do aproksymacji wag sieci neuronowej. Jednak badania empiryczne pokazują, że cierpią one z powodu ogólnie ustalonych granic wag. W tym badaniu proponujemy ulepszony algorytm ewolucji różnicowej z adaptacyjnym dopasowaniem granic wag (DEAW) dla efektywnego szkolenia sieci neuronowych. Algorytm DEAW wykorzystuje małe początkowe granice wag i adaptacyjne dostosowanie w procesie mutacji. Stopniowo rozszerza on granice, gdy składowa wektora mutacji osiąga swoje granice. Eksperymentujemy również z wykorzystaniem kilku skal funkcji aktywacji z algorytmem DEAW. Następnie, stosujemy proponowaną metodę z jej odpowiednim ustawieniem do rozwiązywania problemów aproksymacji funkcji. DEAW może osiągnąć zadowalające rezultaty w porównaniu z rozwiązaniami dokładnymi.
Źródło:
Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska; 2023, 13, 1; 4--13
2083-0157
2391-6761
Pojawia się w:
Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
Dostawca treści:
Biblioteka Nauki
Artykuł
    Wyświetlanie 1-2 z 2

    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