2017
Data Mining and Machine Learning
BERKA, PetrZákladní 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
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
Změněno: 9. 4. 2018 08:47, Bc. Jan Peterec
V originále
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.
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.