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 "Wawer, Marek" wg kryterium: Autor

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-3 z 3
    Tytuł:
    Porównanie wydajności pracy w programach AutoCAD i MegaCAD
    Comparison of productivity of the programs AutoCAD and MegaCAD
    Autorzy:
    Wawer, Marek
    Powiązania:
    https://bibliotekanauki.pl/articles/884020.pdf
    Data publikacji:
    2007
    Wydawca:
    Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
    Tematy:
    modele dwuwymiarowe
    program MegaCAD
    program AutoCAD
    pracochlonnosc
    analiza porownawcza
    wydajnosc pracy
    modele trojwymiarowe
    rysunki
    projektowanie
    Opis:
    Przedstawiono analizę pracochłonności tworzenia modeli 2D i 3D. Na podstawie kilku prostych rysunków nie można jednoznacznie ustalić, który z porównywanych programów MegaCAD oraz AutoCAD jest bardziej wydajny.
    In the article the analysis of labour consumption when creating of models 2D and 3D is presented. But still on the basis of only several simple drawings one can not unambiguously determine which of the compared programs, that are MegaCAD and AutoCAD, is more productive.
    Źródło:
    Technika Rolnicza Ogrodnicza Leśna; 2007, 01; 19-22
    1732-1719
    2719-4221
    Pojawia się w:
    Technika Rolnicza Ogrodnicza Leśna
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Czy komputer rozpozna hejtera? Wykorzystanie uczenia maszynowego (ML) w jakościowej analizie danych
    Autorzy:
    Troszyński, Marek
    Wawer, Aleksander
    Powiązania:
    https://bibliotekanauki.pl/articles/2033756.pdf
    Data publikacji:
    2017
    Wydawca:
    Uniwersytet Łódzki. Wydawnictwo Uniwersytetu Łódzkiego
    Tematy:
    jakościowa analiza treści
    uczenie maszynowe
    mowa nienawiści
    zgodność kodujących
    machine learning
    qualitative data analysis
    hate speech
    intercoder agreement
    Opis:
    Celem artykułu jest przedstawienie procesu automatyzacji kodowania tekstów pochodzących z mediów społecznościowych. Wdrożenie tego procesu pozwala na ilościowe potraktowanie jakościowych metod analizy treści. W efekcie otrzymujemy możliwość przeprowadzenia analizy na korpusach liczących setki tysięcy tekstów, które są kodowane w oparciu o ich znaczenia. Jest to możliwe dzięki wykorzystaniu algorytmów uczenia maszynowego (ML). Omawianą metodę kodowania prezentujemy na przykładzie projektu oznaczania „mowy nienawiści” w tekstach pochodzących z polskich forów internetowych. Kluczowym problemem jest precyzyjna konceptualizacja i operacjonalizacja tej kategorii. Pozwala to na przygotowanie dokładnej instrukcji kodowej oraz przeprowadzenie treningu zespołu kodującego. Efektem jest podwyższenie współczynnika zgodności kodujących. Oznaczone teksty zostaną wykorzystane jako dane treningowe dla metod automatycznej kategoryzacji opartych o algorytmy uczenia maszynowego. W dalszej części artykułu opisujemy zastosowane metody kodowania automatycznego. Tekst kończy podsumowanie wskazujące na czynniki, które są kluczowe dla procesu badawczego wykorzystującego uczenie maszynowe.
    The purpose of this article is to present the process of automatic tagging of hate speech in social media. The implementation of this process allows for quantitative treatment of qualitative methods: analysis on the corpora of hundreds thousands of texts based on their meaning. The process is possible through algorithms of machine learning (ML). The example of the hate speech designation project in texts from Polish online forums is presented. The key issue is the precise of conceptualization and operationalization of category “hate speech.” This allows for preparing specific instructions and conducting the training code unit. As a result we get higher rates of inter-coder agreement. Marked texts will be used as training data for automated categorization methods based on ML algorithms. Then we describe the course of machine coding. This article also seeks to establish problems associated with automatic coding of hate speech and propose solutions. In summary, we point the factors that are crucial to the research process that uses machine learning.
    Źródło:
    Przegląd Socjologii Jakościowej; 2017, 13, 2; 62-80
    1733-8069
    Pojawia się w:
    Przegląd Socjologii Jakościowej
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-3 z 3

      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