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 "model Bayesa" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-8 z 8
    Tytuł:
    Evolutionary learning of rich neural networks in the Bayesian model selection framework
    Autorzy:
    Matteucci, M.
    Spadoni, D.
    Powiązania:
    https://bibliotekanauki.pl/articles/907642.pdf
    Data publikacji:
    2004
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    sieć neuronowa
    model Bayesa
    algorytm genetyczny
    Rich Neural Networks
    Bayesian model selection
    genetic algorithm
    Bayesian fitness
    Opis:
    In this paper we focus on the problem of using a genetic algorithm for model selection within a Bayesian framework. We propose to reduce the model selection problem to a search problem solved using evolutionary computation to explore a posterior distribution over the model space. As a case study, we introduce ELeaRNT (Evolutionary Learning of Rich Neural Network Topologies), a genetic algorithm which evolves a particular class of models, namely, Rich Neural Networks (RNN), in order to find an optimal domain-specific non-linear function approximator with a good generalization capability. In order to evolve this kind of neural networks, ELeaRNT uses a Bayesian fitness function. The experimental results prove that ELeaRNT using a Bayesian fitness function finds, in a completely automated way, networks well-matched to the analysed problem, with acceptable complexity.
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2004, 14, 3; 423-440
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    On Naive Bayes in Speech Recognition
    Autorzy:
    Toth, L.
    Kocsor, A.
    Csirik, J.
    Powiązania:
    https://bibliotekanauki.pl/articles/908542.pdf
    Data publikacji:
    2005
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    naiwny klasyfikator Bayesa
    rozpoznawanie mowy
    ukryty model Markowa
    naive Bayes
    segment-based speech recognition
    hidden Markov model
    Opis:
    The currently dominant speech recognition technology, hidden Markov modeling, has long been criticized for its simplistic assumptions about speech, and especially for the naive Bayes combination rule inherent in it. Many sophisticated alternative models have been suggested over the last decade. These, however, have demonstrated only modest improvements and brought no paradigm shift in technology. The goal of this paper is to examine why HMM performs so well in spite of its incorrect bias due to the naive Bayes assumption. To do this we create an algorithmic framework that allows us to experiment with alternative combination schemes and helps us understand the factors that influence recognition performance. From the findings we argue that the bias peculiar to the naive Bayes rule is not really detrimental to phoneme classification performance. Furthermore, it ensures consistent behavior in outlier modeling, allowing efficient management of insertion and deletion errors.
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2005, 15, 2; 287-294
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Platforma do budowania sieci stwierdzeń
    Environment for statement network design
    Autorzy:
    Cholewa, W.
    Chrzanowski, P.
    Rogala, T.
    Amarowicz, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/152694.pdf
    Data publikacji:
    2011
    Wydawca:
    Stowarzyszenie Inżynierów i Techników Mechaników Polskich
    Tematy:
    sieć stwierdzeń
    wielowarstwowa sieć stwierdzeń
    sieć Bayesa
    model diagnostyczny
    statement network
    multilayer statement network
    Bayes network
    diagnostics model
    Opis:
    W niniejszym artykule przedstawiono wyniki badań związanych z zastosowaniem metod i technik sztucznej inteligencji w obszarze diagnostyki technicznej. Szczególną uwagę zwrócono na możliwość budowania systemów doradczych opartych na wielowarstwowych sieciach stwierdzeń. Przedstawiono ogólną koncepcję platformy do budowania sieci stwierdzeń. Nakreślono plan prac związanych z rozwojem platformy, który umożliwi stosowanie różnego typu sieci w ramach jednego modelu oraz integrację z innymi systemami.
    This paper deals with the results of studies relevant to the methods and techniques of artificial intelligence in the field of technical diagnostics. At the beginning, the basic concepts, such as the statement and statement network, are described. Then, the concept of a multilayer statement network (Fig. 1) which is generalization of a single-layer statement network is presented. Special attention is paid to possibility of using the multilayer statement networks for development of multi-scale statement networks. Next, the general concept of a platform for development of the multilayer statement network and description of the main classes of objects resulting from using the platform are given. The choice of R environment for development of the platform is justified and its advantages are emphasized. The data exchange with other systems using XML format and the file structure is described. The process of construction of the multilayer statement network is discussed based on an example of the two-layer network shown in Fig. 2. The obtained results show the correctness of the platform operation. Finally, the main advantages of platforms, such as possibility of development of multilayer statement networks or commenting of the particular objects are discussed. The schedule of the development of platforms, including e.g. extension of the learning process of the network structure and tuning the network parameters basing on the available data sets or extension-training opportunities to construct multilayer network models with different types of networks on a different layers is also presented.
    Źródło:
    Pomiary Automatyka Kontrola; 2011, R. 57, nr 9, 9; 1079-1082
    0032-4140
    Pojawia się w:
    Pomiary Automatyka Kontrola
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Model klasyfikacji wiedzy w przedsiębiorstwie produkcyjnym przy zastosowaniu algorytmu Bayes’a
    Autorzy:
    Dudek, A.
    Patalas-Maliszewska, J.
    Powiązania:
    https://bibliotekanauki.pl/articles/118404.pdf
    Data publikacji:
    2016
    Wydawca:
    Politechnika Koszalińska. Wydawnictwo Uczelniane
    Tematy:
    model klasyfikacji wiedzy
    gromadzenie danych
    algorytm Bayes’a
    model knowledge classification
    collect data
    Bayesian algorithm
    Opis:
    W artykule podjęto próbę zbudowania modelu klasyfikacji wiedzy w przedsiębiorstwie produkcyjnym w oparciu o algorytm Bayes’a. Pozyskiwanie, gromadzenie i przechowywanie danych i informacji działu obsługi serwisowej, możliwe jest za pomocą autorskiej aplikacji, której struktura została również przedstawiona w niniejszym artykule. Na podstawie danych i informacji zawartych w zgłoszeniach serwisowych, rejestrowanych w aplikacji, możliwe jest generowanie zdefiniowanej wiedzy. W konsekwencji, proponowany model klasyfikacji wiedzy, przy zastosowaniu algorytmu Bayes’a, daje możliwość zbudowania zbiorów użytecznej wiedzy.
    This article elaborates a model of knowledge classification using a Bayesian algorithm in a manufacturing company. Further was illustrated an application, that enables you to collect, search and analyze data and information from a service department. Based on the data and information registered in the application, it is possible to generate a defined knowledge. Consequently, the proposed model for the classification of knowledge, using a Bayesian algorithm gives the opportunity to build the sets of useful knowledge.
    Źródło:
    Zeszyty Naukowe Wydziału Elektroniki i Informatyki Politechniki Koszalińskiej; 2016, 9; 85-98
    1897-7421
    Pojawia się w:
    Zeszyty Naukowe Wydziału Elektroniki i Informatyki Politechniki Koszalińskiej
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Modele regresji Bayesa w analizach bezpieczeństwa ruchu drogowego
    Bayesian regression models in the analyses of road traffic safety
    Autorzy:
    Nowakowska, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/144202.pdf
    Data publikacji:
    2016
    Wydawca:
    Stowarzyszenie Inżynierów i Techników Komunikacji Rzeczpospolitej Polskiej
    Tematy:
    Bayesian regression
    regresja Bayesa
    aprioryczne rozkłady parametrów modelu
    klasyfikator statystyczny
    ciężkość wypadku drogowego
    kierujący sprawca wypadku
    model parameters prior distributions
    statistical classifier
    road accident severity
    at fault driver
    Opis:
    W artykule przybliżono koncepcję modelu regresji Bayesa oraz przedstawiono wykorzystanie tego modelu w budowaniu statystycznego klasyfikatora ciężkości wypadku drogowego w zależności od cech kierującego – sprawcy. Modele Bayesa zostały wyznaczone na dużej i małej próbie treningowej z uwzględnieniem informatywnych i nieinformatywnych rozkładów a’priori parametrów strukturalnych oraz porównane z analogicznymi modelami klasycznymi MLE. Przedmiotowym klasyfikatorem statystycznym był model regresji logistycznej.
    The idea of a Bayes regression model was put forward and then the utilization of such a model while building a statistical classifier to identify a road accident severity in dependence on chosen at fault driver’s characteristics was presented in the paper. Bayes models were identified for small and big train samples assuming informative and non-informative prior distributions for structural parameters of the models. Obtained results were compared and referred to the results of classical MLE models. A logistic model was a statistical classifier under consideration.
    Źródło:
    Drogownictwo; 2016, 2; 39-45
    0012-6357
    Pojawia się w:
    Drogownictwo
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Koncepcja oceny poziomu wiedzy technicznej w dziale badawczo-rozwojowym: studium przypadku
    Autorzy:
    Śliwa, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/118422.pdf
    Data publikacji:
    2017
    Wydawca:
    Politechnika Koszalińska. Wydawnictwo Uczelniane
    Tematy:
    inżynieria wiedzy
    wiedza techniczna
    wiedza ukryta
    wiedza jawna
    model Bayesa
    knowledge engineering
    technical knowledge
    hidden knowledge
    open knowledge
    Bayes model
    Opis:
    W artykule zaprezentowano koncepcję oceny poziomu wiedzy technicznej w dziale badawczo-rozwojowym opracowaną na podstawie analizy literatury przedmiotu. Sporządzono charakterystykę wiedzy ukrytej i jawnej w dziale badawczo-rozwojowym w przedsiębiorstwie produkcyjnym, wyróżniono sposoby jej pozyskiwania i podziału w przedsiębiorstwie. Następnie zbudowano model Bayes’a, którego zastosowanie pozwoli na dokonanie oceny poziomu wiedzy technicznej w dziale badawczo-rozwojowym. Model został zbudowany w oparciu o wiedzę pozyskaną za pomocą wywiadów bezpośrednich z pracownikami z rzeczywistego przedsiębiorstwa produkcyjnego z branży automotive, z działu B+R. W podsumowaniu zawarto dalsze kierunki badań.
    The article presents the concept of the level of technical knowledge estimation in the research and development department based on the literature analysis of the subject. The characteristics of hidden and open knowledge in the research and development department in the production enterprise were prepared, and the methods of its acquisition and division in the enterprise were distinguished. Next, the Bayes model was built, the application of which will allow to assess the level of technical knowledge in the research and development department. The model was built based on the knowledge acquired through direct interviews with employees from a real manufacturing company from the automotive industry, from the R & D department. The summary contains further directions of research.
    Źródło:
    Zeszyty Naukowe Wydziału Elektroniki i Informatyki Politechniki Koszalińskiej; 2017, 11; 87-107
    1897-7421
    Pojawia się w:
    Zeszyty Naukowe Wydziału Elektroniki i Informatyki Politechniki Koszalińskiej
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Empirical Evaluation of Methods of Filling the Missing Data in Learning Probabilistic Models
    Porównanie metod uzupełniania danych brakujących w uczeniu modeli probabilistycznych
    Autorzy:
    Falkowski, A. A.
    Łupińska-Dubicka, A.
    Powiązania:
    https://bibliotekanauki.pl/articles/88374.pdf
    Data publikacji:
    2018
    Wydawca:
    Politechnika Białostocka. Oficyna Wydawnicza Politechniki Białostockiej
    Tematy:
    dane brakujące
    model probabilistyczny
    sieci Bayesa
    klasyfikacja
    missing data
    probabilistic models
    Bayesian networks
    classification
    Opis:
    Missing data is a common problem in statistical analysis and most practical databases contain missing values of some of their attributes. Missing data can appear for many reasons. However, regardless of the reason for the missing values, even a small percent of missing data can cause serious problems with analysis reducing the statistical power of a study and leading to draw wrong conclusions. In this paper the results of handling missing observations in learning probabilistic models were presented. Two data sets taken from UCI Machine Learning Repository were used to learn the quantitative part of the Bayesian networks. To provide the opportunity to compare selected data sets did not contain any missing values. For each model data sets with variety of levels of missing values were artificially generated. The main goal of this paper was to examine whether omitting observations has an influence on model’s reliability. The accuracy was defined as the percentage of correctly classified records and has been compared to the results obtained in the data set not containing missing values.
    Brakujące dane są częstym problemem w analizie statystycznej, a większość baz danych zawiera brakujące wartości niektórych z ich atrybutów. Brakujące dane mogą pojawiać się z wielu powodów. Jednak bez względu na przyczynę brakujących wartości nawet ich niewielki procent może spowodować poważne problemy z analizą, zmniejszając siłę statystyczną badania i prowadząc do wyciągnięcia błędnych wniosków. W artykule przedstawiono wyniki uzupełniania danych brakujących w uczeniu modeli probabilistycznych. Dwa zestawy danych pobrane z repozytorium uczenia maszynowego UCI posłużyły do wytrenowania ilościowej części sieci bayesowskich. Aby zapewnić możliwość porównania wybrane zbiory danych nie zawierały żadnych brakujących wartości. Dla każdego modelu zbiory danych z różnymi poziomami brakujących wartości zostały sztucznie wygenerowane. Głównym celem tego artykułu było zbadanie, czy braki w obserwacjach mają wpływ na niezawodność modelu. Dokładność została zdefiniowana jako procent poprawnie zaklasyfikowanych rekordów i została porównana z wynikami uzyskanymi w zbiorze danych niezawierającym brakujących wartości.
    Źródło:
    Advances in Computer Science Research; 2018, 14; 55-67
    2300-715X
    Pojawia się w:
    Advances in Computer Science Research
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Approach to predict product quality considering current customers’ expectations
    Autorzy:
    Siwiec, Dominika
    Pacana, Andrzej
    Bednárová, Lucia
    Powiązania:
    https://bibliotekanauki.pl/articles/27313593.pdf
    Data publikacji:
    2022
    Wydawca:
    Politechnika Śląska. Wydawnictwo Politechniki Śląskiej
    Tematy:
    predict
    product quality
    decision support
    naïve Bayesian classifier
    weighted sum model
    customer expectations
    przewidywanie
    jakość produktu
    wspomaganie decyzji
    naiwny klasyfikator Bayesa
    metoda sumy ważonej
    oczekiwania klientów
    Opis:
    Purpose: The purpose was to develop an approach to predict product quality considering current customers' expectations. Design/methodology/approach: The approach includes integrated techniques, i.e.: SMART(-ER) method, a questionnaire with the Likert scale, brainstorming (B&M), WSM method, and Naïve Bayes Classifier. This approach refers to obtaining customers' expectations for satisfaction from the current quality of products and the importance of these criteria. Based on the satisfaction of customers, the quality of the product was estimated and classified. Then, the quality of the product was predicted for current customers. Findings: It was shown that it is possible to predict product quality based on current customer expectations, and so based on the current existing product. Research limitations/implications: The proposed approach does not include the possibilities of determining the expected quality of the product. The approach focuses on predicting customers' satisfaction with the current quality of the product. Therefore, if there is a need for improvement actions, further analyzes should be carried out to determine which criteria should be modified and how. Practical implications: The presented approach can be used for any product. Therefore, it is a useful tool for any kind of organization, which strives to meet customer satisfaction. Despite the possibility to predict the quality of the product, the proposed approach can indicate at an early stage to the organization that it is necessary to make improvement actions. Social implications: It is possible to reduce the waste of resources by predicting that improvement actions are necessary. Moreover, the approach supports an entity (e.g., expert, enterprise, interested parties) in predicting current customers' satisfaction. Originality/value: Originality is predicting product quality based on current customers' expectations. A new combination of quality management techniques, decision support, and machine learning was implemented.
    Źródło:
    Zeszyty Naukowe. Organizacja i Zarządzanie / Politechnika Śląska; 2022, 155; 461--472
    1641-3466
    Pojawia się w:
    Zeszyty Naukowe. Organizacja i Zarządzanie / Politechnika Śląska
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-8 z 8

      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