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 "R (programming language)" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-3 z 3
    Tytuł:
    Data mining tasks and methods – implementations in R
    Autorzy:
    Figielska, Ewa
    Powiązania:
    https://bibliotekanauki.pl/articles/1397482.pdf
    Data publikacji:
    2020
    Wydawca:
    Warszawska Wyższa Szkoła Informatyki
    Tematy:
    data mining
    R programming language
    classification
    prediction
    clustering
    association
    Opis:
    The aim of the paper is to present how some of the data mining tasks can be solved using the R programming language. The full R scripts are provided for preparing data sets, solving the tasks and analyzing the results.
    Źródło:
    Zeszyty Naukowe Warszawskiej Wyższej Szkoły Informatyki; 2020, 14, 23; 27-49
    1896-396X
    2082-8349
    Pojawia się w:
    Zeszyty Naukowe Warszawskiej Wyższej Szkoły Informatyki
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    O programowaniu w środowisku R na przykładzie algorytmu obliczeniowego dla formuły do wykrywania kryzysów demograficznych
    On Programming in Software Environment R Exemplified with a Computational Algorithm for the Formula to Detect Demographic Crises
    Autorzy:
    Chojecki, Dariusz K.
    Powiązania:
    https://bibliotekanauki.pl/articles/1367646.pdf
    Data publikacji:
    2015
    Wydawca:
    Uniwersytet Szczeciński. Wydawnictwo Naukowe Uniwersytetu Szczecińskiego
    Tematy:
    demographic crises
    formula
    Jacques Dupâquier
    R (programming language)
    the rudiments of programming
    for-loop
    Opis:
    The article presents Jacques Dupâquier’s method to detect demographic crises on the basis of the temporal distribution of deaths in its classical and modified form, popular in historical demography. The presentation of the method based on the standardised data is a pretext for studying the programming in R (language), which is a continuation of the previous article. The element that has been highlighted is the for-loop, presented step by step. An extensive introduction is supposed to familiarise the reader with the three programming codes of the functions that compute indicators of crisis for particular years: kryzysyDem1 (the classical form of the formula), kryzysyDem2 and kryzysyDem3, a modified form that takes into consideration three temporal perspectives of the development of the phenomenon, i.e. the past, present and future ones; the final results, which satisfy the determined limit criteria, are the average value of the results obtained for the three perspectives. The presented codes of the variants of Jacques Dupâquier’s formula should – to a significant extent – facilitate the computation of indicators of demographic crises including various limit criteria.
    Źródło:
    Przeszłość Demograficzna Polski; 2015, 37, 4; 141-178
    0079-7189
    2719-4345
    Pojawia się w:
    Przeszłość Demograficzna Polski
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Application of deep learning techniques in identification of the structure of selected road materials
    Zastosowanie techniki głębokiego uczenia do identyfikacji struktury wybranych materiałów drogowych
    Autorzy:
    Mazurek, Grzegorz
    Durlej, Małgorzata
    Šrámek, Juraj
    Powiązania:
    https://bibliotekanauki.pl/articles/27314909.pdf
    Data publikacji:
    2023
    Wydawca:
    Politechnika Świętokrzyska w Kielcach. Wydawnictwo PŚw
    Tematy:
    deep learning
    tomograph
    R programming language
    classification
    road surfaces
    correlation
    digital image
    głębokie uczenie
    tomograf
    język programowania R
    klasyfikacja
    nawierzchnie drogowe
    korelacja
    obraz cyfrowy
    Opis:
    In research, there is a growing interest in using artificial intelligence to find solutions to difficult scientific problems. In this paper, a deep learning algorithm has been applied using images of samples of materials used for road surfaces. The photographs showed cross-sections of random samples taken with a CT scanner. Historical samples were used for the analysis, located in a database collecting information over many years. The deep learning analysis was performed using some elements of the VGG16 network architecture and implemented using the R language. The learning and training data were augmented and cross-validated. This resulted in the high level of 96.4% quality identification of the sample type and its selected structural features. The photographs in the identification set were correctly identified in terms of structure, mix type and grain size. The trained model identified samples in the domain of the dataset used for training in a very good way. As a result, in the future such a methodology may facilitate the identification of the type of mixture, its basic properties and defects.
    W badaniach naukowych obserwuje się coraz większe zainteresowanie wykorzystaniem sztucznej inteligencji do poszukiwania rozwiązań trudnych problemów naukowych. W niniejszym artykule został zastosowany algorytm głębokiego uczenia z użyciem obrazów próbek materiałów wykorzystywanych do budowy nawierzchni drogowych. Fotografie przedstawiały przekroje losowych próbek wykonane za pomocą tomografu komputerowego. Do analizy wykorzystano próbki historyczne, znajdujące się w bazie danych zbierającej informacje z wielu lat. Analizę głębokiego uczenia wykonano przy użyciu niektórych elementów architektury sieci VGG16 i zaimplementowano, stosując język R. Dane uczące oraz treningowe poddano augmentacji oraz walidacji krzyżowej. W rezultacie uzyskano wysoki poziom 96,4% jakości identyfikacji rodzaju próbki oraz jej wybranych cech strukturalnych. Fotografie w zbiorze identyfikacyjnym zostały poprawnie zidentyfikowane pod względem struktury, typu mieszanki oraz uziarnienia. Wytrenowany model w bardzo dobry sposób zidentyfikował próbki w obszarze dziedziny trenowanego zbioru danych. W rezultacie taka metodyka może w przyszłości ułatwić identyfikację rodzaju mieszanki, jej podstawowych właściwości oraz defektów.
    Źródło:
    Structure and Environment; 2023, 15, 3; 159--167
    2081-1500
    Pojawia się w:
    Structure and Environment
    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