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 "Jastrzębski, Stanisław" wg kryterium: Autor

  Lista filtrów
Wyrównaj
Wyświetlanie 1-15 z 18
Tytuł:
Historyczne aspekty ludobójstwa dokonanego na ludności polskiej Kresów Południowo-Wschodnich i Wołynia w świetle wydarzeń politycznych XX wieku
Autorzy:
Jastrzębski, Stanisław (1929- ).
Data publikacji:
2013
Wydawca:
Katowice : Agencja Artystyczna Para
Tematy:
Zbrodnia wołyńska (1943-1944)
II wojna światowa (1939-1945)
Martyrologia
Ludobójstwo
Opis:
Ded. aut. dla Centralnej Biblioteki Wojskowej im. Marszałka Józefa Piłsudskiego w Warszawie.
Bibliogr. s. [203]-208.
Dostawca treści:
Bibliografia CBW
Książka
Tytuł:
Analysis of Compounds Activity Concept Learned by SVM Using Robust Jaccard Based Low-dimensional Embedding
Autorzy:
Jastrzębski, Stanisław
Czarnecki, Wojciech Marian
Powiązania:
https://bibliotekanauki.pl/articles/1373687.pdf
Data publikacji:
2015
Wydawca:
Uniwersytet Jagielloński. Wydawnictwo Uniwersytetu Jagiellońskiego
Tematy:
Support Vector Machines
Locally Sensitive Hashing
Jaccard similarity
Opis:
Support Vector Machines (SVM) with RBF kernel is one of the most successful models in machine learning based compounds biological activity prediction. Unfortunately, existing datasets are highly skewed and hard to analyze. During our research we try to answer the question how deep is activity concept modeled by SVM. We perform analysis using a model which embeds compounds’ representations in a low-dimensional real space using near neighbour search with Jaccard similarity. As a result we show that concepts learned by SVM is not much more complex than slightly richer nearest neighbours search. As an additional result, we propose a classification technique, based on Locally Sensitive ashing approximating the Jaccard similarity through minhashing technique, which performs well on 80 tested datasets (consisting of 10 proteins with 8 different representations) while in the same time allows fast classification and efficient online training.
Źródło:
Schedae Informaticae; 2015, 24; 9-19
0860-0295
2083-8476
Pojawia się w:
Schedae Informaticae
Dostawca treści:
Biblioteka Nauki
Artykuł
Wyświetlanie 1-15 z 18

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