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 "nadzorowane uczenie maszynowe" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-4 z 4
    Tytuł:
    Order estimation of japanese paragraphs by supervised machine learning and various textual features
    Autorzy:
    Murata, M.
    Ito, S.
    Tokuhisa, M.
    Ma, Q.
    Powiązania:
    https://bibliotekanauki.pl/articles/91894.pdf
    Data publikacji:
    2015
    Wydawca:
    Społeczna Akademia Nauk w Łodzi. Polskie Towarzystwo Sieci Neuronowych
    Tematy:
    supervised machine learning
    estimate
    paragraph
    vector machine
    SVM
    feature analysis
    nadzorowane uczenie maszynowe
    oszacowanie
    paragraf
    maszyna wektorów nośnych
    analiza funkcji
    Opis:
    In this paper, we propose a method to estimate the order of paragraphs by supervised machine learning. We use a support vector machine (SVM) for supervised machine learning. The estimation of paragraph order is useful for sentence generation and sentence correction. The proposed method obtained a high accuracy (0.84) in the order estimation experiments of the first two paragraphs of an article. In addition, it obtained a higher accuracy than the baseline method in the experiments using two paragraphs of an article. We performed feature analysis and we found that adnominals, conjunctions, and dates were effective for the order estimation of the first two paragraphs, and the ratio of new words and the similarity between the preceding paragraphs and an estimated paragraph were effective for the order estimation of all pairs of paragraphs.
    Źródło:
    Journal of Artificial Intelligence and Soft Computing Research; 2015, 5, 4; 247-255
    2083-2567
    2449-6499
    Pojawia się w:
    Journal of Artificial Intelligence and Soft Computing Research
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Kontradyktoryjne uczenie maszynowe
    Autorzy:
    Kuznetsov, Phillip
    Edmunds, Riley
    Xiao, Ted
    Iqbal, Humza
    Puri, Raul
    Golmant, Noah
    Shih, Shannon
    Powiązania:
    https://bibliotekanauki.pl/articles/1857179.pdf
    Data publikacji:
    2021
    Wydawca:
    Wydawnictwo Druk-Art
    Tematy:
    nadzorowane uczenie maszynowe
    sztuczna inteligencja
    system bezpieczeństwa
    supervised machine learning
    artificial intelligence
    security system
    Opis:
    Dzięki ogromnej ilości zasobów oraz znacznego zainteresowania skupionego ostatnio na SI można zaobserwować liczne formy inteligentnych agentów wyposażonych w różnorodne unikatowe i nowatorskie możliwości. Potencjał oddziaływania jest nieograniczony, aczkolwiek odnotowywano już przykłady, w których decyzje podejmowane przez sztuczną inteligencję były niezrozumiałe.
    Źródło:
    Napędy i Sterowanie; 2021, 23, 7/8; 80-89
    1507-7764
    Pojawia się w:
    Napędy i Sterowanie
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Keystroke dynamics analysis using machine learning methods
    Autorzy:
    Shabliy, Nataliya
    Lupenko, Serhii
    Lutsyk, Nadiia
    Yasniy, Oleh
    Malyshevska, Olha
    Powiązania:
    https://bibliotekanauki.pl/articles/1956034.pdf
    Data publikacji:
    2021
    Wydawca:
    Polskie Towarzystwo Promocji Wiedzy
    Tematy:
    keystroke dynamics analysis
    Machine Learning
    Neural Network
    Supervised Learning
    classification problem
    analiza dynamiki uderzeń klawiszy
    uczenie maszynowe
    sieć neuronowa
    uczenie nadzorowane
    problem klasyfikacji
    Opis:
    The primary objective of the paper was to determine the user based on its keystroke dynamics using the methods of machine learning. Such kind of a problem can be formulated as a classification task. To solve this task, four methods of supervised machine learning were employed, namely, logistic regression, support vector machines, random forest, and neural network. Each of three users typed the same word that had 7 symbols 600 times. The row of the dataset consists of 7 values that are the time period during which the particular key was pressed. The ground truth values are the user id. Before the application of machine learning classification methods, the features were transformed to z-score. The classification metrics were obtained for each applied method. The following parameters were determined: precision, recall, f1-score, support, prediction, and area under the receiver operating characteristic curve (AUC). The obtained AUC score was quite high. The lowest AUC score equal to 0.928 was achieved in the case of linear regression classifier. The highest AUC score was in the case of neural network classifier. The method of support vector machines and random forest showed slightly lower results as compared with neural network method. The same pattern is true for precision, recall and F1-score. Nevertheless, the obtained classification metrics are quite high in every case. Therefore, the methods of machine learning can be efficiently used to classify the user based on keystroke patterns. The most recommended method to solve such kind of a problem is neural network.
    Źródło:
    Applied Computer Science; 2021, 17, 4; 75-83
    1895-3735
    Pojawia się w:
    Applied Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Attack vectors on supervised machine learning systems in business applications
    Wektory ataków na nadzorowane systemy uczące się w zastosowaniach biznesowych
    Autorzy:
    Surma, Jerzy
    Powiązania:
    https://bibliotekanauki.pl/articles/1182306.pdf
    Data publikacji:
    2020
    Wydawca:
    Wydawnictwo Uniwersytetu Ekonomicznego we Wrocławiu
    Tematy:
    adversarial machine learning
    supervised machine learning
    security of machine
    learning systems
    antagonistyczne maszynowe uczenie się
    nadzorowane maszynowe uczenie się
    bezpieczeństwo systemów uczących się
    Opis:
    Systemy uczące się stają się coraz bardziej popularne i mają wiele praktycznych zastosowań. Szczególnie istotny i szybko rozwijający się jest obszar zastosowań biznesowych. W tym kontekście bezpieczeństwo informacyjne takich systemów jest niezwykle ważne, zwłaszcza przy dużej aktywności zorganizowanych grup cyberprzestępców. W artykule przedstawiono taksonomię intencjonalnych ataków na systemy uczące się pod nadzorem, które to są obecnie najpopularniejsze w zastosowaniach biznesowych. Omówiono także potencjalne wektory ataków. Wskazano ataki typu „czarna skrzynka” jako najbardziej prawdopodobne scenariusze ataków i omówiono je bardziej szczegółowo.
    Źródło:
    Informatyka Ekonomiczna; 2020, 3 (57); 65-72
    1507-3858
    Pojawia się w:
    Informatyka Ekonomiczna
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-4 z 4

      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