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 "sieci Bayesa" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-7 z 7
    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:
    Empirical Comparison of Methods of Data Discretization in Learning Probabilistic Models
    Porównanie metod dyskretyzacji danych w uczeniu modeli probabilistycznych
    Autorzy:
    Wójciak, M.
    Łupińska-Dubicka, A.
    Powiązania:
    https://bibliotekanauki.pl/articles/88392.pdf
    Data publikacji:
    2018
    Wydawca:
    Politechnika Białostocka. Oficyna Wydawnicza Politechniki Białostockiej
    Tematy:
    dyskretyzacja
    zmienne typu ciągłego
    modele probabilistyczne
    sieci Bayesa
    klasyfikacja
    discretization
    continuous feature
    probabilistic models
    Bayesian networks
    classification
    Opis:
    Very often statistical method or machine learning algorithms can handle discrete attributes only. And that is why discretization of numerical data is an important part of the pre–processing. This paper presents the results of the problem of data discretization in learning quantitative part of probabilistic models. Four data sets taken from UCI Machine Learning Repository were used to learn the quantitative part of the Bayesian networks. The continuous variables were discretized using two supervised and two unsupervised discretization methods. The main goal of this paper was to study whether method of data discretization in given data set has an influence on model’s reliability. The accuracy was defined as the percentage of correctly classified records.
    Bardzo często algorytmy uczenia maszynowego nie są przystosowane do korzystania ze zmiennych ciągłych. Z tego powodu dyskretyzacja danych jest istotną częścią wstępnego przetwarzania. W artykule przedstawiono wyniki prac nad problemem dyskretyzacji danych w uczeniu modeli probabilistycznych. Cztery zestawy danych pobrane z repozytorium uczenia maszynowego UCI zostały wykorzystane do nauczenia parametrów ilościowej części sieci bayesowskich. Występujące w wybranych zbiorach zmienne ciągłe były dyskretyzowane przy użyciu dwóch metod nadzorowanych i dwóch nienadzorowanych. Głównym celem tego artykułu było zbadanie, czy metoda dyskretyzacji danych w danym zbiorze ma wpływ na niezawodność modelu. Dokładność metod była definiowana jako odsetek poprawnie sklasyfikowanych rekordów.
    Źródło:
    Advances in Computer Science Research; 2018, 14; 177-192
    2300-715X
    Pojawia się w:
    Advances in Computer Science Research
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Sieć Bayesowska jako narzędzie wspierające proces zarządzania ryzykiem powodziowym na przykładzie ochrony dziedzictwa kulturowego
    The Bayesian network as a tool supported the flood risk management on the example of cultural heritage
    Autorzy:
    Kuźmiński, Ł.
    Powiązania:
    https://bibliotekanauki.pl/articles/96528.pdf
    Data publikacji:
    2016
    Wydawca:
    Fundacja Ekonomistów Środowiska i Zasobów Naturalnych
    Tematy:
    ryzyko powodziowe
    zarządzanie ryzykiem powodziowym
    sieci Bayesa
    dziedzictwo kulturowe
    flood risk
    risk flood management
    Bayesian network
    cultural heritage
    Opis:
    Celem niniejszej publikacji jest modyfikacja i dostosowanie Bayesowskiej sieci przyczynowej na potrzeby opisu struktury i szacowania ryzyka zagrożenia powodziowego dla struktur dziedzictwa kulturowego. Zmodyfikowana Bayesowska sieć ma stanowić uzupełnienie i wsparcie planów zarządzaniem ryzykiem powodziowym, o których stanowi Dyrektywa Powodziowa.
    The article is dedicated to the subject of the support of the process of flood danger management. The main aim of this study is a presentation of the Bayesian network as a tool for supporting the process of flood risk management. To present how the Bayesian network works the example of the risk assessment for cultural heritage was analysed. In the initial part of this research paper, the following issues are presented: flood, flood risk, risk flood management and financing the fight with the effects of a natural disasters. The second part is dedicated to the presentation of Bayesian network for the assessment of the flood risk for the cultural heritage with the detailed description of its nodes.
    Źródło:
    Ekonomia i Środowisko; 2016, 2; 83-94
    0867-8898
    Pojawia się w:
    Ekonomia i Środowisko
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Sieci Bayesa w rozpoznawaniu mowy
    Bayes networks used in application to speech signal recognition
    Autorzy:
    Mermon, A.
    Powiązania:
    https://bibliotekanauki.pl/articles/274624.pdf
    Data publikacji:
    2011
    Wydawca:
    Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Automatyki i Pomiarów
    Tematy:
    sieci Bayesa
    sygnał mowy
    cyfrowe przetwarzanie sygnałów
    rozpoznawanie sygnału mowy
    DBN
    Bayes networks
    speech signal
    digital signal processing
    speech signal recognition
    Opis:
    Problematyka rozpoznawania mowy nie doczekała się, jak dotąd, kompleksowego rozwiązania. Współczesne efektywne systemy rozpoznawania mowy korzystają najczęściej z metod stochastycznych opartych na ukrytych modelach Markowa. Alternatywą dla nich mogą być sieci Bayesa, będące odpowiednią strukturą do formułowania modeli probabilistycznych, które cechują się jednocześnie precyzją oraz zwartością. Sieci Bayesa mogą reprezentować rozkład prawdopodobieństwa dowolnego zbioru zmiennych losowych. Mnogość dostępnych obecnie algorytmów i narzędzi obliczeniowych sprawia, że testowanie i wdrażanie nowych rozwiązań staje się mniej pracochłonne. Zalety te determinują duże możliwości wykorzystania sieci Bayesa do rozwiązywania praktycznych problemów również w zakresie rozpoznawania mowy.
    Speech recognition problem hasn't been fully-scaled solved till nowadays. Contemporary effective speech recognition systems mostly use stochastic methods based on Hidden Markov Models. Bayes networks can be alternative to them. BN are appropriate structures to formulate probabilistic models, which are simultaneously precise and compact. They can represent a probability distribution of arbitrary set of random variables. Variety of algorithms and computational tools which are available to use makes testing and implementing new solutions less demanding. Those advantages determine that Bayes networks have potential to be used in solving practical problems also in the area of speech recognition.
    Źródło:
    Pomiary Automatyka Robotyka; 2011, 15, 12; 109-111
    1427-9126
    Pojawia się w:
    Pomiary Automatyka Robotyka
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Surmounting Information Gaps Using Average Probability Density Function
    Pokonywanie luk informacyjnych za pomocą przeciętnej funkcji gęstości prawdopodobieństwa
    Autorzy:
    Piegat, A.
    Landowski, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/156044.pdf
    Data publikacji:
    2009
    Wydawca:
    Stowarzyszenie Inżynierów i Techników Mechaników Polskich
    Tematy:
    sieci Bayesa
    luki informacyjne
    zasada nierozróżnialności
    teoria niepewności
    sztuczna inteligencja
    teoria prawdopodobieństwa
    Bayes networks
    information gaps
    principle of indifference
    uncertainty theory
    artificial intelligence
    probability theory
    Opis:
    In many problems we come across the lack of complete data. The information gap causes that the task seems to be unsolvable. In many cases where the Bayes' networks or Bayes' rule are used, we come across the information gap which is the lack of a priori distribution. The article presents the methods of identifying the average probability density distribution when we know the range of variable and we have some quality knowledge on the distribution. The obtained average probability density distribution minimizes medium squared error. According to the authors' knowledge the average probability density distribution is the novelty in the word literature.
    W wielu rzeczywistych problemach często spotykamy się z brakiem danych koniecznych do ich rozwiązania. Dotyczy to zwłaszcza zadań projektowania nowych systemów technicznych, ale i też ekonomicznych, medycznych, agrarnych i innych. Istnienie luk w problemie powoduje, że zadanie wydaje się nierozwiązywalne. W takiej sytuacji, aby w ogóle rozwiązać postawiony problem konieczne jest zaangażowanie ekspertów, którzy są często w stanie podać przybliżone oszacowanie danej brakującej do rozwiązania problemu. Niestety, oszacowania eksperckie zwykle nie są precyzyjnymi liczbami, lecz przedziałami możliwych wartości zmiennej lub też probabilistycznymi rozkładami możliwej wartości brakującej zmiennej. Zatem, aby rozwiązać dany problem konieczne jest wykonywanie operacji na rozkładach gęstości prawdopodobieństwa. Jednym z narzędzi służących do tego celu jest reguła Bayesa. Jest ona np. podstawą do przetwarzania informacji w sieciach wnioskowania probabilistycznego zwanych skrótowo sieciami Bayesa. Zwykle luką informacyjną w tych sieciach jest brak rozkładu a priori zmiennej koniecznego do obliczenia rozkładu a posteriori. W takiej sytuacji, jako rozkład a priori stosowany jest zwykle rozkład równomierny reprezentujący kompletną niewiedzę dotyczącą jakościowych cech rozkładu. Jednak taką wiedzę często posiada ekspert problemu. Artykuł prezentuje metodę identyfikacji przeciętnego rozkładu gęstości prawdopodobieństwa zmiennej dla przypadku, gdy ekspert zna nie tylko zakres możliwych wartości zmiennej, ale także posiada pewną wiedzę o jakościowych cechach rozkładu. Otrzymany z użyciem wiedzy eksperta przeciętny rozkład gęstości prawdopodobieństwa zmniejsza znacznie ryzyko popełnienia katastrofalnie dużych błędów w rozwiązywaniu problemów z lukami informacyjnymi. Według wiedzy autorów koncepcja przeciętnego rozkładu gęstości prawdopodobieństwa jest nowością w literaturze światowej.
    Źródło:
    Pomiary Automatyka Kontrola; 2009, R. 55, nr 10, 10; 793-795
    0032-4140
    Pojawia się w:
    Pomiary Automatyka Kontrola
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    The impact of regional diversification in the size of the general government sector on the economies of EU countries
    Wpływ regionalnego zróżnicowania rozmiaru sektora finansów publicznych na gospodarki państw Unii Europejskiej
    Autorzy:
    Mroczek, Teresa
    Skica, Tomasz
    Rodzinka, Jacek
    Powiązania:
    https://bibliotekanauki.pl/articles/582052.pdf
    Data publikacji:
    2019
    Wydawca:
    Wydawnictwo Uniwersytetu Ekonomicznego we Wrocławiu
    Tematy:
    general government sector size
    economy
    public finance
    impact of size of the general government sector on the economy
    Bayesian networks
    probabilistic inference
    wielkość sektora instytucji rządowych i samorządowych
    gospodarka
    finanse publiczne
    wpływ sektora instytucji rządowych i samorządowych na gospodarkę
    sieci Bayesa
    wnioskowanie probabilistyczne
    Opis:
    The main objective of this article is proving how the regional diversification in the size of general government sector influences the economies of EU countries. To achieve this, presenting both the size of the general government sector and of the economy, using variables which enable comparison in time and space, is essential. Bearing this in mind, the general government sector has been depicted by nine variables and the economy has been described by thirteen explanatory variables. The complexity of the phenomenon imposes the implementation of an unconventional approach in this field of exploration. Our approach is based on Intelligent Data Analysis (IDA) - a methodology that includes a set of techniques that can be applied for extracting useful knowledge from large amounts of data. In order to indicate the impact of regional diversification in the size of the general government sector on the EU countries’ economies, probabilistic techniques were applied – Bayesian Networks. Analysis made in the study showed that the largest impact of the GGS size on the economy was identified in Portugal and Slovakia. The results of the studies show that the most "responsive" to the size of the GGS variable describing the economy was gross domestic product per inhabitant. The research proved that the economies of some countries showed similarities in the effect of the size of the general government sector on the parameters of the economy. We have identified five groups of such countries.
    Głównym celem artykułu jest ukazanie wpływu regionalnego zróżnicowania rozmiaru sektora finansów publicznych na gospodarki państw Unii Europejskiej. Do osiągnięcia tego celu konieczne jest zobrazowanie rozmiaru zarówno sektora finansów publicznych, jak i gospodarki – za pośrednictwem zmiennych umożliwiających ich porównanie w czasie i w przestrzeni. Mając to na uwadze, sektor finansów publicznych zobrazowano za pośrednictwem dziewięciu zmiennych, a gospodarka została opisana za pomocą trzynastu zmiennych wyjaśniających. Złożoność tego zjawiska wymaga realizacji niekonwencjonalnego podejścia w tej dziedzinie badań. Podejście autorów opiera się na inteligentnej analizie danych (IDA) – metodologii obejmującej zestaw technik, które można zastosować do wydobywania użytecznej wiedzy z dużej ilości danych. W celu wskazania opisanych związków w artykule zastosowało techniki probabilistyczne – sieci Bayesa.
    Źródło:
    Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu; 2019, 63, 2; 65-80
    1899-3192
    Pojawia się w:
    Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Learning the naive Bayes classifier with optimization models
    Autorzy:
    Taheri, S.
    Mammadov, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/908351.pdf
    Data publikacji:
    2013
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    Bayesian networks
    naive Bayes classifier
    optimization
    discretization
    sieci bayesowskie
    naiwny klasyfikator Bayesa
    optymalizacja
    dyskretyzacja
    Opis:
    Naive Bayes is among the simplest probabilistic classifiers. It often performs surprisingly well in many real world applications, despite the strong assumption that all features are conditionally independent given the class. In the learning process of this classifier with the known structure, class probabilities and conditional probabilities are calculated using training data, and then values of these probabilities are used to classify new observations. In this paper, we introduce three novel optimization models for the naive Bayes classifier where both class probabilities and conditional probabilities are considered as variables. The values of these variables are found by solving the corresponding optimization problems. Numerical experiments are conducted on several real world binary classification data sets, where continuous features are discretized by applying three different methods. The performances of these models are compared with the naive Bayes classifier, tree augmented naive Bayes, the SVM, C4.5 and the nearest neighbor classifier. The obtained results demonstrate that the proposed models can significantly improve the performance of the naive Bayes classifier, yet at the same time maintain its simple structure.
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2013, 23, 4; 787-795
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-7 z 7

      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