Autor: Dubicka, M. - Katalog OPAC zbiorów

Skocz do pozycji: 1.

Tytuł:: Wybrane zagadnienia klimatu Wrocławia w XX wieku
Selected problems of climate in Wroclaw during the 20th century
Autorzy:: Dubicka, M.
Pyka, J.L.
Powiązania:: https://bibliotekanauki.pl/articles/2085141.pdf
Data publikacji:: 2001
Wydawca:: Uniwersytet Warszawski. Wydział Geografii i Studiów Regionalnych
Źródło:: Prace i Studia Geograficzne; 2001, 29; 101-112
0208-4589
Pojawia się w:: Prace i Studia Geograficzne
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 2.

Tytuł:: Aktywność gamma-glutamylo-transpeptydazy w przewlekłych chorobach wątroby
Aktivnost' gamma-gljutamil'-transpeptidazy v khronicheskikh boleznjakh pecheni
Gamma glutamyltranspeptidase activity in chronic liver diseases
Autorzy:: Chrostowska, H.
Dubicka, M.
Kozakiewicz, H.
Zielińska, W.
Jasiel, M.
Własiuk, M.
Powiązania:: https://bibliotekanauki.pl/articles/2188166.pdf
Data publikacji:: 1982
Wydawca:: Polskie Towarzystwo Diagnostyki Laboratoryjnej
Źródło:: Diagnostyka Laboratoryjna; 1982, 18, 1-3; 93-101
0867-4043
Pojawia się w:: Diagnostyka Laboratoryjna
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 3.

Tytuł:: Empirical Comparison of Methods of Data Discretization in Learning Probabilistic Models
Porównanie metod dyskretyzacji danych w uczeniu modeli probabilistycznych
Autorzy:: Wójciak, M.
Łupińska-Dubicka, A.
Powiązania:: https://bibliotekanauki.pl/articles/88392.pdf
Data publikacji:: 2018
Wydawca:: Politechnika Białostocka. Oficyna Wydawnicza Politechniki Białostockiej
Tematy:: dyskretyzacja
zmienne typu ciągłego
modele probabilistyczne
sieci Bayesa
klasyfikacja
discretization
continuous feature
probabilistic models
Bayesian networks
classification
Opis:: Very often statistical method or machine learning algorithms can handle discrete attributes only. And that is why discretization of numerical data is an important part of the pre–processing. This paper presents the results of the problem of data discretization in learning quantitative part of probabilistic models. Four data sets taken from UCI Machine Learning Repository were used to learn the quantitative part of the Bayesian networks. The continuous variables were discretized using two supervised and two unsupervised discretization methods. The main goal of this paper was to study whether method of data discretization in given data set has an influence on model’s reliability. The accuracy was defined as the percentage of correctly classified records.
Bardzo często algorytmy uczenia maszynowego nie są przystosowane do korzystania ze zmiennych ciągłych. Z tego powodu dyskretyzacja danych jest istotną częścią wstępnego przetwarzania. W artykule przedstawiono wyniki prac nad problemem dyskretyzacji danych w uczeniu modeli probabilistycznych. Cztery zestawy danych pobrane z repozytorium uczenia maszynowego UCI zostały wykorzystane do nauczenia parametrów ilościowej części sieci bayesowskich. Występujące w wybranych zbiorach zmienne ciągłe były dyskretyzowane przy użyciu dwóch metod nadzorowanych i dwóch nienadzorowanych. Głównym celem tego artykułu było zbadanie, czy metoda dyskretyzacji danych w danym zbiorze ma wpływ na niezawodność modelu. Dokładność metod była definiowana jako odsetek poprawnie sklasyfikowanych rekordów.
Źródło:: Advances in Computer Science Research; 2018, 14; 177-192
2300-715X
Pojawia się w:: Advances in Computer Science Research
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 4.

Tytuł:: Analyzing certain temporal dependences in Netflix data
Analiza wybranych zależności czasowych w danych Netflix
Autorzy:: Łupińsla-Dubicka, A.
Drużdżel, M.
Powiązania:: https://bibliotekanauki.pl/articles/341143.pdf
Data publikacji:: 2008
Wydawca:: Politechnika Białostocka. Oficyna Wydawnicza Politechniki Białostockiej
Tematy:: zależności czasowe
Netflix
data analysis
temporal dependences
Opis:: Netflix (see http://www.netflix.com/), an American Internet-based movie rental company, uses data mining in their recommendation system. In October 2006 Netflix made a huge data base of their users and movie evaluations available to the community and announced a million dollars prize to the team that beats the accuracy of their recommendations by at least 10%. The data have since become an object of interest of the machine learning community. In this paper, we focus on one aspect of the data that, to our knowledge, has been overlooked — their temporal dependences. We have looked at the impact of the day of the week, month of the year, length of membership, month from the start of Netflix, etc., on the average evaluation.
Działający w Stanach Zjednoczonych Ameryki Netflix (http://www.netflix. com/) jest jedną z największych na świecie internetowych wypożyczalni filmów. W celu uzyskania wyższej jakości proponowanych przez system ocen filmów, w październiku 2006 roku Netflix udostępnił bazę danych użytkowników oraz ich ocen i ogłosił nagrodę dla tego, kto uzyska co najmniej 10-cio procentową poprawęw stosunku do wyników Cinematch (RMSE=0.9525). W tym artykule postawiliśmy sobie za cel zbadanie, czy zalezności czasowe, takie jak dzień tygodnia lub długość członkostwa, są w stanie zwiększyć jakość prognozowania.
Źródło:: Zeszyty Naukowe Politechniki Białostockiej. Informatyka; 2008, 3; 67-82
1644-0331
Pojawia się w:: Zeszyty Naukowe Politechniki Białostockiej. Informatyka
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Informacja

Wyszukujesz frazę "Dubicka, M." wg kryterium: Autor

Źródło danych

Dostawca treści

Kolekcja

Rok wydania

Wydawca

Temat

Autor

Typ dokumentu

Język