BERKA, Petr. Data Mining and Machine Learning. International Journal on Biomedicine and Healthcare, Czech Republic: EuroMISE, 2017, roč. 5, č. 1, s. 53-54. ISSN 1805-8698.
Další formáty:   BibTeX LaTeX RIS
Základní údaje
Originální název Data Mining and Machine Learning
Název česky Dobývání znalostí a strojové učení
Autoři BERKA, Petr (203 Česká republika, garant, domácí).
Vydání International Journal on Biomedicine and Healthcare, Czech Republic, EuroMISE, 2017, 1805-8698.
Další údaje
Originální jazyk angličtina
Typ výsledku Článek v odborném periodiku
Obor 10201 Computer sciences, information science, bioinformatics
Stát vydavatele Česká republika
Utajení není předmětem státního či obchodního tajemství
Kód RIV RIV/04274644:_____/17:#0000225
Organizační jednotka Vysoká škola finanční a správní
Klíčová slova česky dobývání znalostí, strojové učení
Klíčová slova anglicky data mining; machine learning
Štítky AR 2016-2017, RIV_2018, xJ6
Změnil Změnil: Bc. Jan Peterec, učo 24999. Změněno: 9. 4. 2018 08:47.
Anotace
The rapid growth of data collected and stored in various application areas brings new problems and challenges in their processing and interpretation. While database technology provides tools for data storage and “simple” querying, and statistics offers methods for analyzing small sample data, new approaches are necessary to face these challenges. These approaches are usually called knowledge discovery in databases (KDD) or data mining. KDD can be applied in various domains: banking and finance, insurance, life sciences, retail, technical diagnostics, computer networks, social networks e.t.c. Let us consider an example from medical domain, the analysis of atherosclerosis risk factors data with the aim to build a model that will differentiate between normal and risky patients.
Anotace česky
Rychlý nárůst objemů dat shromažďovaných a uchovávaných v různých aplikacích přináší nové problémy a výzvy pro jejich zpracování. Zatímco databázové technologie nabízejí metody pro uchovávání dat a „jednoduché“ dotazování a statistika nabízí metody pro analýzy malých vzorků dat, pro nové výzvy jsou třeba nové přístupy. Tyto přístupy bývají označovány jako dobývání znalostí z databází (KDD) nebo data mining. Přístupy KDD lze použít v nejrůznějších oblastech: bankovnictví a finance, pojišťovnictví, přírodní vědy, maloobchod, technická diagnostika, počítačové sítě, sociální sítě apod. Podívejme se na příklad z medicínské oblasti, na úlohu analýzy dat o rizikových faktorech aterosklerózy s cílem vytvořit model, který bude rozlišovat mezi normálními a rizikovými pacienty.
VytisknoutZobrazeno: 27. 10. 2020 21:53