Wynik wyszukiwania
Zapytanie: UCZENIE MASZYNOWE
Liczba odnalezionych rekordów: 68



Przejście do opcji zmiany formatu | Wyświetlenie wyników w wersji do druku | Pobranie pliku do edytora | Przesłanie wyników do modułu analizy | excel | Nowe wyszukiwanie
1/68
Nr opisu: 0000131325
On stability of feature selection based on MALDI mass spectrometry imaging data and simulated biopsy.
[Aut.]: Agata Wilk, M. Gawin, Katarzyna Frątczak, P. Widłak, Krzysztof Fujarewicz.
W: Current trends in biomedical engineering and bioimages analysis. Proceedings of the 21st Polish Conference on Biocybernetics and Biomedical Engineering, Zielona Góra, Poland, 25-27 September 2019. Eds.: Józef Korbicz, Roman Maniewski, Krzysztof Patan, Marek Kowal. Cham : Springer, 2020, s. 82-93, bibliogr. 23 poz. (Advances in Intelligent Systems and Computing ; vol. 1033 2194-5357)

spektrometria mas MALDI-ToF ; uczenie maszynowe ; selekcja cech ; biopsja cienkoigłowa

MALDI-ToF mass spectrometry ; machine learning ; feature selection ; fine needle biopsy

2/68
Nr opisu: 0000129021   
Autonomous robot control system for automation of manipulations.
[Aut.]: Julian Malaka.
W: Mechatronics 2017 - Ideas for industrial applications. Eds.: Jerzy Świder, Sławomir Kciuk, Maciej Trojnacki. Berlin : Springer International Publishing, 2019, s. 298-307, bibliogr. 10 poz. (Advances in Intelligent Systems and Computing ; vol. 934 2194-5357)

robotyka ; automatyzacja ; sztuczna inteligencja ; uczenie maszynowe ; widzenie maszynowe

robotics ; automation ; artificial intelligence ; machine learning ; machine vision

3/68
Nr opisu: 0000130997   
Idea of using blockchain technique for choosing the best configuration of weights in neural networks.
[Aut.]: Alicja Winnicka, Karolina Kęsik.
-Algorithms 2019 vol. 12 iss. 8, art. no. 163 s. 1-11, bibliogr. 23 poz.. Punktacja MNiSW 40.000

algorytm ; blockchain ; uczenie maszynowe

algorithm ; blockchain ; machine learning

4/68
Nr opisu: 0000129364   
Machine learning techniques combined with dose profiles indicate radiation response biomarkers.
[Aut.]: Anna Papież, C. Badie, Joanna Polańska.
-Int. J. Appl. Math. Comput. Sci. 2019 vol. 29 nr 1, s. 169-178, bibliogr. 38 poz.. Impact Factor 1.504. Punktacja MNiSW 100.000

profilowanie genowe ; uczenie maszynowe ; kroswalidacja Monte Carlo ; reakcja na promieniowanie ; transkrypcja

gene profiling ; machine learning ; multiple random validation ; radiation response ; transcription

5/68
Nr opisu: 0000131044   
Methods and means of web content personalization for commercial information products distribution.
[Aut.]: A. Demchuk, Vasyl Lytvyn, M. Dilai.
W: 15th International Scientific Conference on Intellectual Systems of Decision Making and Problems of Computational Intelligence. ISDMCI 2019, Kherson, Ukraine, 21-25 May 2019. Eds.: Volodymyr Lytvynenko, Sergii Babichev, Waldemar Wójcik, Olena Vynokurova, Svetlana Vyshemyrskaya, Svetlana Radetskaya. Cham : Springer, 2019, s. 332-347, bibliogr. 33 poz. (Advances in Intelligent Systems and Computing ; vol. 1020)

zasoby sieciowe ; zawartość sieci ; technologia SEO ; technologia sieciowa ; monitorowanie treści ; personalizacja treści ; dystrybucja treści ; sieć neuronowa ; uczenie maszynowe

web-resource ; web-content ; SEO-technology ; web-technology ; content monitoring ; content personalization ; content distribution ; neural network ; machine learning

6/68
Nr opisu: 0000129764
Ocena skuteczności wybranego algorytmu uczenia maszynowego w oparciu o bazę typowych obiektów mostowych sprzężoną z technologią BIM.
[Aut.]: Marcin Jasiński.
W: Ujęcie aktualnych problemów inżynierii lądowej. Prace naukowe doktorantów. Praca zbiorowa. Pod red. Karoliny Knapik-Jajkiewicz i Krzysztofa Gromysza. Gliwice : Wydaw. Politechniki Śląskiej, 2019, s. 354-362, bibliogr. 6 poz. (Monografia ; [Politechnika Śląska] nr 793)

most ; optymalizacja konstrukcji ; technologia BIM ; algorytm optymalizacyjny ; uczenie maszynowe

bridge ; optimization of construction ; BIM technology ; optimization algorithm ; machine learning

7/68
Nr opisu: 0000129318   
Predicting presence of amphibian species using features obtained from GIS and satellite images.
[Aut.]: Marcin Blachnik, M. Sołtysiak, D. Dąbrowska.
-ISPRS Int. J. Geo-Inf. 2019 vol. 8 is. 3, art. no. 123 s. 1-18, bibliogr. 60 poz.. Impact Factor 1.840. Punktacja MNiSW 70.000

płazy ; zbiornik wodny ; GIS ; uczenie maszynowe

amphibians ; water reservoir ; GIS ; machine learning

8/68
Nr opisu: 0000128532   
Recognition of American sign language gestures in a virtual reality using leap motion.
[Aut.]: A. Vaitkevicius, M. Taroza, T. Blazauskas, R. Damasevicius, R. Maskeliunas, Marcin Woźniak.
-Appl. Sci. 2019 vol. 9 iss. 3, art. no. 445 s. 1-16, bibliogr. 50 poz.. Impact Factor 2.217. Punktacja MNiSW 70.000

rozpoznawanie gestów ; uczenie maszynowe ; data mining ; rozpoznawanie wzorców ; rzeczywistość wirtualna ; Leap Motion

gesture recognition ; machine learning ; data mining ; pattern recognition ; virtual reality ; Leap Motion

9/68
Nr opisu: 0000129946   
Recruitment in the times of machine learning.
[Aut.]: Karolina Rąb-Kettler, B. Lehnervp.
-Manage. Syst. Prod. Eng. 2019 vol. 27 iss. 2, s. 105-109, bibliogr. 28 poz.. Punktacja MNiSW 20.000

uczenie maszynowe ; zarządzanie humanistyczne ; rekrutacja humanistyczna ; zarządzanie zasobami ludzkimi ; społeczna odpowiedzialność biznesu ; pokolenie Y ; millenialsi ; klasa kreatywna ; zwinne zarządzanie ; brygada ; bezrobocie technologiczne ; kapitalizm ; post-kapitalizm ; postmodernizm

machine learning ; humanistic management ; humanistic recruitment ; human resources management ; corporate social responsibility ; generation Y ; millennials ; creative class ; agile management ; squad ; technological unemployment ; capitalism ; post-capitalism ; postmodernism

10/68
Nr opisu: 0000129473   
Sentiment analysis of Lithuanian texts using traditional and deep learning approaches.
[Aut.]: J. Kapociute-Dzikiene, R. Damasevicius, Marcin Woźniak.
-Computers 2019 vol. 8 no. 1, art. no. 4 s. 1-16, bibliogr. 61 poz.. Punktacja MNiSW 20.000

analiza nastrojów ; uczenie maszynowe ; deep learning ; komentarze internetowe ; język litewski

sentiment analysis ; machine learning ; deep learning ; Internet comments ; Lithuanian language ; neural word embeddings

11/68
Nr opisu: 0000119598
Application of context-based meta-learning schemes for an industrial device.
[Aut.]: Mateusz* Kalisch.
W: Advances in technical diagnostics. Proceedings of the 6th International Congress on Technical Diagnostic, ICDT2016, 12-16 September 2016, Gliwice, Poland. Eds. Anna Timofiejczuk, Bogusław Edward Łazarz, Fakher Chaari, Rafał Burdzik. Cham : Springer International Publishing, 2018, s. 487-497, bibliogr. 15 poz. (Applied Condition Monitoring ; vol. 10 2363-698X)

diagnostyka uszkodzeń ; wnioskowanie kontekstowe ; uczenie maszynowe ; sztuczna inteligencja ; przemysł wydobywczy ; system ekspertowy

fault diagnosis ; context-based reasoning ; machine learning ; artificial intelligence ; mining industry ; expert system

12/68
Nr opisu: 0000121563   
Comparing different data fusion strategies for cancer classification.
[Aut.]: Katarzyna* Pojda, Michał Jakubczak, Sebastian Student, Andrzej Świerniak, Krzysztof Fujarewicz.
W: Proceedings of the International Conference on Information Technology & Systems. ICITS 18, Libertad City, Ecuador, January 10 - 12, 2018. Eds.: Alvaro Rocha, Teresa Guarda. Cham : Springer, 2018, s. 417-426, bibliogr. 15 poz. (Advances in Intelligent Systems and Computing ; vol. 721 2194-5357)

klasyfikacja nowotworu ; selekcja cech ; fuzja danych ; uczenie maszynowe

cancer classification ; feature selection ; data fusion ; machine learning

13/68
Nr opisu: 0000127177   
Deep learning for natural language processing and language modelling.
[Aut.]: Piotr Kłosowski.
W: Signal processing: algorithms, architectures, arrangements, and applications (SPA), 19-21 September, 2018, Poznań, Poland. SPA 2018, Poznan, 19th-21st September 2018. Conference proceedings. The Institute of Electrical and Electronics Engineers Inc. Region 8 - Europe, Middle East and Africa. Poland Section. Circuits and Systems Chapters, Poznan University of Technology. Institute of Automation and Robotics. Division of Signal Processing and Electronic Systems. Piscataway : Institute of Electrical and Electronics Engineers, 2018, s. 223-228, bibliogr. 44 poz.

deep learning ; uczenie maszynowe ; analiza języka ; modelowanie języka ; przetwarzanie języka ; rozpoznawanie mowy

deep learning ; machine learning ; language analysis ; language modelling ; language processing ; speech recognition

14/68
Nr opisu: 0000122403   
Detection of linear features including bone and skin areas in ultrasound images of joints.
[Aut.]: A. Bąk, J. Segen, Kamil Wereszczyński, P. Mielnik, M. Fojcik, M. Kubacki.
-PeerJ 2018 vol. 6, art. no. e4411 s. 1-15, bibliogr. 22 poz.. Impact Factor 2.353. Punktacja MNiSW 35.000

zapalenie błony maziowej ; obrazowanie medyczne ; uczenie maszynowe ; wykrywacz liniowy

synovitis ; medical imaging ; machine learning ; linear detector

15/68
Nr opisu: 0000118900
Genetic optimization of meta-learning schemes for context-based fault detection.
[Aut.]: Piotr Przystałka, Mateusz* Kalisch, Anna Timofiejczuk.
W: Advances in technical diagnostics. Proceedings of the 6th International Congress on Technical Diagnostic, ICDT2016, 12-16 September 2016, Gliwice, Poland. Eds. Anna Timofiejczuk, Bogusław Edward Łazarz, Fakher Chaari, Rafał Burdzik. Cham : Springer International Publishing, 2018, s. 287-297, bibliogr. 18 poz. (Applied Condition Monitoring ; vol. 10 2363-698X)

wykrywanie uszkodzeń ; wnioskowanie kontekstowe ; meta-learning ; uczenie maszynowe ; optymalizacja obliczeń miękkich ; algorytm genetyczny

fault detection ; context-based reasoning ; meta-learning ; machine learning ; soft computing optimization ; genetic algorithm

16/68
Nr opisu: 0000121562   
New diagnostic tool for patients suffering from noncommunicable diseases (NCDs).
[Aut.]: Wojciech* Oleksy, Zbigniew Piotr* Budzianowski, Ewaryst Tkacz, Małgorzata Garbacik.
W: Proceedings of the International Conference on Information Technology & Systems. ICITS 18, Libertad City, Ecuador, January 10 - 12, 2018. Eds.: Alvaro Rocha, Teresa Guarda. Cham : Springer, 2018, s. 476-483, bibliogr. 16 poz. (Advances in Intelligent Systems and Computing ; vol. 721 2194-5357)

EASI ; EKG ; regresja ; uczenie maszynowe

EASI ; ECG ; regression ; machine learning

17/68
Nr opisu: 0000118672   
Pixel classification for skin detection in color images.
[Aut.]: Bartosz Binias, Mariusz Frąckiewicz, Krzysztof Jaskot, Henryk Palus.
W: Advanced technologies in practical applications for national security. Eds.: Aleksander Nawrat, Damian Bereska, Karol Jędrasiak. Cham : Springer, 2018, s. 87-99, bibliogr. 27 poz. (Studies in Systems, Decision and Control ; vol. 106 2198-4182)

detekcja skóry ; obraz kolorowy ; klasyfikacja ; uczenie maszynowe ; sieć neuronowa ; regresja logistyczna

skin detection ; color image ; classification ; machine learning ; neural network ; logistic regression

18/68
Nr opisu: 0000128192   
Predictive business process monitoring with tree-based classification algorithms.
[Aut.]: Tomasz Owczarek, Piotr Janke.
-Logist. Transp. 2018 vol. 40 no. 4, s. 73-81, bibliogr. 24 poz.. Punktacja MNiSW 13.000

proces biznesowy ; predykcja ; klasyfikacja ; uczenie maszynowe

business process ; prediction ; classification ; random forest ; gradient boosting

19/68
Nr opisu: 0000130673   
Zastosowanie klasyfikacji kaskadowej do rozpoznawania ruchu w sieci Internet. Rozprawa doktorska.
[Aut.]: Paweł Foremski.
Gliwice, 2018, 97 k., bibliogr. 159 poz.
Politechnika Śląska. Wydział Automatyki, Elektroniki i Informatyki. Promotor: prof. dr hab. inż. Tadeusz* Czachórski

rozpoznawanie ruchu ; klasyfikacja ruchu ; klasyfikacja kaskadowa ; sieć IP ; sieć komputerowa ; system TC ; głęboka inspekcja pakietów ; DPI ; uczenie maszynowe ; system inteligentny ; rozpoznawanie wzorców ; klasyfikator kaskadowy ; zespół klasyfikatorów

traffic identification ; traffic classification ; cascade classification ; IP network ; computer network ; TC system ; deep packet inspection ; DPI ; machine learning ; intelligent system ; pattern recognition ; cascade classifier ; classifier ensemble

20/68
Nr opisu: 0000120170
Analiza wrażliwości i estymacja wag intuicjonistycznych sieci stwierdzeń.
[Aut.]: Tomasz Rogala.
W: Zastosowania metod sztucznej inteligencji. AI-METH 2017. Politechnika Śląska. Wydział Mechaniczny Technologiczny. Instytut Podstaw Konstrukcji Maszyn. Gliwice : Instytut Podstaw Konstrukcji Maszyn. Wydział Mechaniczny Technologiczny. Politechnika Śląska, 2017, s. 175-184, bibliogr. 9 poz. (Zeszyt Naukowy Instytutu Podstaw Konstrukcji Maszyn ; Politechnika Śląska nr 149)

uczenie maszynowe ; sieć stwierdzeń ; estymacja

machine learning ; statement network ; estimation

21/68
Nr opisu: 0000118393
Autonomous robot control system for automation of manipulations.
[Aut.]: Julian Malaka.
W: 4th International Conference Mechatronics: Ideas for Industrial Applications, September 13th - 15th, 2017, Gliwice, Wisła-Jawornik, Poland,. Programme of the conference. The Silesian University of Technology, The Faculty of Mechanical Engineering of the Silesian University of Technology, The Committee of Machine Building of the Polish Academy of Sciences, The Polish Society for Theoretical and Applied Mechanics. Gliwice : Politechnika Śląska. Wydział Mechaniczny Technologiczny. Katedra Mechaniki Stosowanej, 2017, s. 73

robotyka ; automatyzacja ; sztuczna inteligencja ; uczenie maszynowe ; widzenie maszynowe

robotics ; automation ; artificial intelligence ; machine learning ; machine vision

22/68
Nr opisu: 0000118925
Cloud-based machine learning for bus arrival time prediction.
[Aut.]: Adrian* Olczyk, Adam Gałuszka.
W: Carpathian Logistics Congress. CLC'2016, November 28th - 30th 2016, Zakopane, Poland. Conference proceedings. TANGER Ltd., VSB - Technical University Ostrava. Czech Republic, Technical University in Kosice. Slovakia, AGH University of Science & Technology. Cracow. Poland. Ostrava : Tanger, 2017, s. 173-177, bibliogr. 6 poz.

sieć transportu publicznego ; przewidywanie czasu przybycia autobusu ; uczenie maszynowe ; sztuczna sieć neuronowa ; maszyna wektorów podpierających ; regresja liniowa

public transport network ; bus arrival time prediction ; machine learning ; artificial neural network ; Support Vector Machine ; linear regression

23/68
Nr opisu: 0000120466   
Instance selection for classifier performance estimation in meta learning.
[Aut.]: Marcin Blachnik.
-Entropy 2017 vol. 19 iss. 11, s. 1-25, bibliogr. 72 poz.. Impact Factor 2.305. Punktacja MNiSW 30.000

uczenie maszynowe ; klasyfikacja ; wybór instancji ; meta-learning ; szacowanie dokładności

machine learning ; classification ; instance selection ; meta-learning ; accuracy estimation

24/68
Nr opisu: 0000115873
Large-scale data classification system based on Galaxy Server and protected from information leak.
[Aut.]: Krzysztof Fujarewicz, Sebastian Student, Tomasz* Zielański, Michał Jakubczak, Justyna* Pieter, Katarzyna* Pojda, Andrzej Świerniak.
W: Intelligent information and database systems. 9th Asian Conference, ACIIDS 2017, Kanazawa, Japan, April 3-5, 2017. Proceedings. Pt. 2. Eds. Ngoc Thanh Nguyen, Satoshi Tojo, Le Minh Nguyen, Bogdan Trawiński. Cham : Springer International Publishing, 2017, s. 765-773, bibliogr. 17 poz. (Lecture Notes in Computer Science ; vol. 10192 Lecture Notes in Artificial Intelligence ; 0302-9743)

uczenie maszynowe ; Galaxy Server ; klasyfikacja ; wybór cech ; walidacja modelu ; wybór modelu ; duży zbiór danych ; dane genomowe ; dane proteomiczne

machine learning ; Galaxy Server ; classification ; feature selection ; model validation ; model selection ; large-scale data ; genomic data ; proteomic data ; small-sample data

25/68
Nr opisu: 0000105738
A concept of meta-learning schemes for context-based fault diagnosis.
[Aut.]: Mateusz* Kalisch, Piotr Przystałka, Anna Timofiejczuk.
W: XV International Technical Systems Degradation Conference. TSD International Conference, Liptovsky Mikulas, 30 March - 2 April 2016. Ed. J. Mączak. Faculty of Automotive and Construction Machinery Engineering. Warsaw University of Technology [et al.]. Warszawa : Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne, 2016, s. 113-114, bibliogr. 3 poz.

detekcja uszkodzeń ; izolacja uszkodzeń ; wnioskowanie kontekstowe ; meta-learning ; uczenie maszynowe

fault detection ; fault isolation ; context-based reasoning ; meta-learning ; machine learning

26/68
Nr opisu: 0000111222   
A new decision support tool for fault diagnosis, hazard prediction and analysis in mining industry.
[Aut.]: Marek Sikora, Wojciech Moczulski, Piotr Przystałka, D. Ślęzak, Anna Timofiejczuk.
W: Mining in a world of innovation. Innovation in mining. 24th World Mining Congress, October 18-21, 2016, Rio de Janeiro, Brazil. Proceedings [online]. Rio de Janeiro : IBRAM, 2016, (plik pdf) s. 28-37, bibliogr. 10 poz.
Dostępny w Internecie: http://www.wmc2016.org.br/BOOK_PAPERS/02_INNOVATION_MINING_003.pdf [dostęp 14 grudnia 2016]

system wspomagania decyzji ; pozyskiwanie wiedzy ; uczenie maszynowe

decision support system ; knowledge acquisition ; machine learning ; abyssal mining pomp stations ; methane forecasting

27/68
Nr opisu: 0000106602
A survey of selected machine learning methods for the segmentation of raw motion capture data into functional body mesh.
[Aut.]: M. Pawlyta, Przemysław Skurowski.
W: Information technologies in medicine. 5th International conference, ITIB 2016, Kamień Śląski, Poland, June 20-22, 2016. Proceedings. Vol. 2. Eds. Ewa Piętka, Pawel Badura, Jacek Kawa, Wojciech Wieclawek. Cham : Springer, 2016, s. 321-336, bibliogr. 12 poz. (Advances in Intelligent Systems and Computing ; vol. 472 2194-5357)

uczenie maszynowe ; analiza ruchu

machine learning ; motion analysis ; body segmentation

28/68
Nr opisu: 0000108203
Application of context based meta-learning schemes for an industrial device.
[Aut.]: Mateusz* Kalisch.
W: 6th ICTD, 5th CMMNO Gliwice 2016. 6th International Congress on Technical Diagnostic 2016, 5th International Conference on Condition Monitoring of Machinery in Non-Stationary Operations 2016, Gliwice, 12-16 September 2016. Abstracts. Gliwice : Publishing Institute of Fundamentals of Machinery Design Silesian University of Technology, 2016, s. 71

diagnostyka uszkodzeń ; wnioskowanie kontekstowe ; uczenie maszynowe ; sztuczna inteligencja ; przemysł górniczy ; system ekspertowy

fault diagnosis ; context-based reasoning ; machine learning ; artificial intelligence ; mining industry ; expert system

29/68
Nr opisu: 0000102436
AspectAnalyzer - distributed system for Bi-clustering analysis.
[Aut.]: Paweł Foszner, Andrzej Polański.
W: Man-machine interactions 4. 4th International Conference on Man-Machine Interactions, ICMMI 2015, Kocierz Pass, Poland, October 6-9, 2015. Eds. Aleksandra Gruca, Agnieszka Brachman, Stanisław Kozielski, Tadeusz Czachórski. Berlin : Springer, 2016, s. 411-420, bibliogr. 11 poz. (Advances in Intelligent Systems and Computing ; vol. 391 2194-5357)

bi-klasteryzacja ; klasteryzacja ; eksploracja danych ; uczenie maszynowe

bi-clustering ; clustering ; data mining ; machine learning

30/68
Nr opisu: 0000100883
Development of expert system shell for coal mining industry.
[Aut.]: Piotr Przystałka, Wojciech Moczulski, Anna Timofiejczuk, Mateusz* Kalisch, Marek Sikora.
W: Advances in condition monitoring of machinery in non-stationary operations. Proceedings of the Fourth International Conference on Condition Monitoring of Machinery in Non-Stationary Operations, CMMNO'2014, Lyon, France, December 15-17. Pt. 2. Eds. F. Chaari, R. Zimroz, W. Bartelmus, M. Haddar. Cham : Springer International Publishing, 2016, s. 335-348, bibliogr. 28 poz. (Applied Condition Monitoring ; vol. 4 2363-698X)

reprezentacja wiedzy ; uczenie maszynowe ; eksploracja danych ; wykrywanie błędów ; izolacja uszkodzeń ; diagnostyczny system ekspertowy

knowledge representation ; machine learning ; data mining ; fault detection ; fault isolation ; diagnostic expert system

31/68
Nr opisu: 0000109022
Genetic and memetic algorithms for selection of training sets for support vector machines. Rozprawa doktorska.
[Aut.]: Jakub Nalepa.
Gliwice, 2016, 209 s., bibliogr. 227 poz.
Politechnika Śląska. Wydział Automatyki, Elektroniki i Informatyki. Promotor: dr hab. inż. Michał Kawulok

uczenie maszynowe ; maszyna wektorów podpierających ; algorytm ewolucyjny ; algorytm genetyczny ; algorytm memetyczny ; zbiór treningowy

machine learning ; Support Vector Machine ; evolutionary algorithm ; genetic algorithm ; memetic algorithm ; trining collection

32/68
Nr opisu: 0000108201
Genetic optimization of meta-learning schemes for context-based fault detection.
[Aut.]: Piotr Przystałka, Mateusz* Kalisch, Anna Timofiejczuk.
W: 6th ICTD, 5th CMMNO Gliwice 2016. 6th International Congress on Technical Diagnostic 2016, 5th International Conference on Condition Monitoring of Machinery in Non-Stationary Operations 2016, Gliwice, 12-16 September 2016. Abstracts. Gliwice : Publishing Institute of Fundamentals of Machinery Design Silesian University of Technology, 2016, s. 70

detekcja uszkodzeń ; wnioskowanie kontekstowe ; meta-learning ; uczenie maszynowe ; obliczenia miękkie ; algorytm genetyczny

fault detection ; context-based reasoning ; meta-learning ; machine learning ; soft computing ; genetic algorithm

33/68
Nr opisu: 0000106594
Structured bi-clusters algorithm for classification of DNA microarray data.
[Aut.]: Paweł Foszner, Andrzej Polański.
W: Information technologies in medicine. 5th International conference, ITIB 2016, Kamień Śląski, Poland, June 20-22, 2016. Proceedings. Vol. 2. Eds. Ewa Piętka, Pawel Badura, Jacek Kawa, Wojciech Wieclawek. Cham : Springer, 2016, s. 161-171, bibliogr. 24 poz. (Advances in Intelligent Systems and Computing ; vol. 472 2194-5357)

bi-klasteryzacja ; selekcja cech ; uczenie maszynowe ; eksploracja danych

bi-clustering ; feature selection ; machine learning ; data mining

34/68
Nr opisu: 0000109516   
Zastosowanie reguł logicznych do analizy przeżycia. Rozprawa doktorska.
[Aut.]: Łukasz Wróbel.
Gliwice, 2016, 145 k., bibliogr. 110 poz.
Politechnika Śląska. Wydział Automatyki, Elektroniki i Informatyki. Promotor: dr hab. Marek Sikora

eksploracja danych ; uczenie maszynowe ; indukcja reguł ; analiza przeżycia

data mining ; machine learning ; rules induction ; survival analysis

35/68
Nr opisu: 0000098556
Model-free fault detection and isolation method for wind turbine systems.
[Aut.]: Mateusz* Kalisch, Piotr Przystałka, Andriy Katunin, Anna Timofiejczuk.
W: XIV International Technical Systems Degradation Conference, Liptovsky Mikulas, 8-11 April 2015. Ed. Jędrzej Mączak. Faculty of Automotive and Construction Machinery Engineering. Warsaw University of Technology [et al.]. Warszawa : Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne, 2015, s. 101-104, bibliogr. 8 poz.

analiza falkowa ; uczenie maszynowe ; drzewo decyzyjne ; sieć neuronowa ; algorytm ewolucyjny ; turbina wiatrowa ; diagnostyka uszkodzeń

wavelet analysis ; machine learning ; decision tree ; neural network ; evolutionary algorithm ; wind turbine ; fault diagnosis

36/68
Nr opisu: 0000097722
Optimization of joint detector for ultrasound images using mixtures of image feature descriptors.
[Aut.]: Kamil Wereszczyński, J. Segen, M. Kulbacki, Konrad** Wojciechowski, P. Mielnik, M. Fojcik.
W: Intelligent information and database systems. 7th Asian Conference, ACIIDS 2015, Bali, Indonesia, March 23-25, 2015. Proceedings. Pt. 2. Eds. Ngoc Thanh Nguyen, Bogdan Trawiński, Raymond Kosala. Cham : Springer, 2015, s. 277-286, bibliogr. 13 poz. (Lecture Notes in Computer Science ; vol. 9012 Lecture Notes in Artificial Intelligence ; 0302-9743)

medyczne zdjęcie ultrasonograficzne ; uczenie maszynowe ; klasyfikator ; zapalenie błony maziowej ; programowanie generyczne ; programowanie idiomatyczne

medical ultrasound image ; machine learning ; classifier ; synovitis ; generic programming ; idiomatic programming

37/68
Nr opisu: 0000100006   
Przegląd metod uczenia inkrementacyjnego.
[Aut.]: Marcin Blachnik, Tadeusz Wieczorek.
-Stud. Informat. 2015 vol. 36 nr 1, s. 47-60, bibliogr. 22 poz.. Punktacja MNiSW 9.000

uczenie inkrementacyjne ; uczenie maszynowe ; inteligencja obliczeniowa ; e-learning

incremental learning ; machine learning ; computational intelligence ; e-learning

38/68
Nr opisu: 0000096637
Advanced Oblique Rule Generating Based on PCA.
[Aut.]: Marcin Michalak, Karolina Nurzyńska.
W: Artificial intelligence and soft computing. ICAISC 2014. 13th International conference, Zakopane, Poland, June 1-5, 2014. Proceedings. Pt. 1. Eds. L. Rutkowski [et al.]. Berlin : Springer, 2014, s. 561-573, bibliogr. 32 poz. (Lecture Notes in Computer Science ; vol. 8467 0302-9743)

uczenie maszynowe ; indukcja reguł ; system podejmowania decyzji ; analiza głównych składowych ; reguła pośrednia

machine learning ; rules induction ; decision system ; principal component analysis ; oblique rule ; rules pruning

39/68
Nr opisu: 0000088348
Comparison of connectionist and rough set based knowledge discovery methods in search for selection in genes implicated in human familial cancer.
[Aut.]: Krzysztof Cyran, Marek Kimmel.
W: Man-machine interactions 3. Eds: Aleksandra Gruca, Tadeusz Czachórski, Stanislaw Kozielski. Berlin : Springer, 2014, s. 163-171, bibliogr. 19 poz. (Advances in Intelligent Systems and Computing ; vol. 242 2194-5357)

uczenie maszynowe ; metoda koneksjonistyczna ; metoda oparta na regułach ; zbiory przybliżone ; sieć neuronowa ; dobór naturalny ; geny raka

machine learning ; connectionist method ; rule-based method ; rough sets ; neural network ; natural selection ; cancer genes

40/68
Nr opisu: 0000110235   
Ensembles of instance selection methods based on feature subset.
[Aut.]: Marcin Blachnik.
W: Knowledge-based and intelligent information & engineering systems. 18th Annual conferences. KES-2014, Gdynia, Poland, September 2014. Proceedings. Ed. by Piotr Jędrzejowicz, Ireneusz Czarnowski, Robert J. Howlett and Lakhmi C. Jain. Amsterdam : Elsevier, 2014, s. 388-396, bibliogr. 14 poz. (Procedia Computer Science ; vol. 35 1877-0509)

wybór instancji ; zespół modelowy ; uczenie maszynowe

instance selection ; model ensemble ; machine learning

41/68
Nr opisu: 0000100601   
Improved EASI ECG method as a future tool in diagnostics of patients suffering from noncommunicable diseases (NCDs).
[Aut.]: Wojciech* Oleksy, Ewaryst Tkacz, Zbigniew Piotr* Budzianowski.
-Exp. Clin. Cardiol. 2014 vol. 20 iss. 8, s. 3663-3667, bibliogr. 16 poz.. Punktacja MNiSW 15.000

EASI ; EKG ; regresja ; uczenie maszynowe

EASI ; ECG ; regression ; machine learning

42/68
Nr opisu: 0000095779   
Induction of LDA oblique decision rules.
[Aut.]: Marcin Michalak.
W: Proceedings of International Conference on Advances in Information Processing and Communication Technology. IPCT 2014, Rome, Italy, 07-08 June, 2014. [B.m.] : [b.w.], 2014, s. 21-25, bibliogr. 27 poz.

klasyfikacja ; uczenie maszynowe ; liniowa analiza dyskryminacyjna ; reguły decyzyjne ; pośrednie reguły decyzyjne

classification ; machine learning ; linear discriminant analysis ; decision rules ; oblique decision rules

43/68
Nr opisu: 0000100004   
Modelowanie testów diagnostycznych za pomocą metod uczenia maszynowego.
[Aut.]: Mateusz* Kalisch.
-Model. Inż. 2014 t. 22 nr 53, s. 70-77, bibliogr. 21 poz.. Punktacja MNiSW 8.000

uczenie maszynowe ; diagnostyka techniczna ; detekcja uszkodzeń ; izolacja uszkodzeń

machine learning ; technical diagnostics ; fault detection ; fault isolation

44/68
Nr opisu: 0000088691   
Analiza i klasyfikacja sygnału EKG w oparciu o odprowadzenia EASI. Rozprawa doktorska.
[Aut.]: Wojciech* Oleksy.
Gliwice, 2013, 98 k., bibliogr. 50 poz.
Politechnika Śląska. Wydział Automatyki, Elektroniki i Informatyki. Promotor: prof. dr hab. inż. Ewaryst Tkacz

EASI ; EKG ; regresja ; leczenie ; choroby układu krążenia ; uczenie maszynowe

EASI ; ECG ; regression ; therapy ; cardiovascular diseases ; machine learning

45/68
Nr opisu: 0000081675   
Ocena podobieństwa drzew strategii generowanych za pomocą programowania genetycznego.
[Aut.]: Ewa Lach, M. Hetman.
-Stud. Informat. 2013 vol. 34 nr 1, s. 75-89, bibliogr. 11 poz.. Punktacja MNiSW 9.000

programowanie genetyczne ; uczenie maszynowe ; animacja behawioralna ; drzewo strategii

genetic programming ; machine learning ; behavioural animation ; strategy tree

46/68
Nr opisu: 0000090264
PCA based oblique decision rules generating.
[Aut.]: Marcin Michalak, Karolina Nurzyńska.
W: Adaptive and natural computing algorithms. 11th International Conference. ICANNGA 2013, Lausanne, Switzerland, April 4-6, 2013. Proceedings. Eds: M. Tomassini, A. Antonioni, F. Daolio, P. Buesser. Berlin : Springer, 2013, s. 198-207, bibliogr. 18 poz. (Lecture Notes in Computer Science ; vol. 7824 0302-9743)

uczenie maszynowe ; indukcja reguł ; system decyzji ; analiza głównych składowych ; reguła pośrednia

machine learning ; rules induction ; decision system ; principal component analysis ; oblique rule

47/68
Nr opisu: 0000081115
Do we need complex models for gestures?. A comparison of data representation and preprocessing methods for hand gesture recognition.
[Aut.]: Marcin Blachnik, P. Głomb.
W: Artificial intelligence and soft computing. ICAISC 2012. 11th International conference, Zakopane, Poland, April 29 - May 3, 2012. Pt 1. Eds: Leszek Rutkowski [et al.]. Berlin : Springer, 2012, s. 477-485, bibliogr. 17 poz. (Lecture Notes in Computer Science ; vol. 7267 0302-9743)

uczenie maszynowe ; rozpoznawanie gestów ; przetwarzanie sygnałów

machine learning ; gesture recognition ; signal processing

48/68
Nr opisu: 0000083266
ORG - oblique rules generator.
[Aut.]: Marcin Michalak, Marek Sikora, Patryk* Ziarnik.
W: Artificial intelligence and soft computing. ICAISC 2012. 11th International conference, Zakopane, Poland, April 29 - May 3, 2012. Proceedings. Pt 2. Eds: Leszek Rutkowski [et al.]. Berlin : Springer, 2012, s. 152-159, bibliogr. 17 poz. (Lecture Notes in Computer Science ; vol. 7268 0302-9743)

uczenie maszynowe ; reguły decyzyjne ; indukcja reguł

machine learning ; decision rules ; rules induction

49/68
Nr opisu: 0000076089   
Supervised and unsupervised segmentation of multispectral retina images.
[Aut.]: Adam Świtoński, Tomasz Błachowicz, M. Misiuk-Hojło, Konrad** Wojciechowski.
-Prz. Elektrot. 2012 R. 88 nr 12b, s. 111-114, bibliogr. 20 poz.. Punktacja MNiSW 15.000

obrazowanie wielospektralne ; uczenie maszynowe ; siatkówka ; choroba ; diagnostyka okulistyczna ; segmentacja obrazu wielokanałowego

multispectral imaging ; machine learning ; retina ; disease ; ophthalmic diagnosis ; segmentation of multichannel image

50/68
Nr opisu: 0000076192   
The effectiveness of applied treatment in Parkinson disease based on feature selection of motion activities.
[Aut.]: Adam Świtoński, Magdalena* Stawarz, M. Boczarska-Jedynak, A. Sieroń, Andrzej Polański, Konrad** Wojciechowski.
-Prz. Elektrot. 2012 R. 88 nr 12b, s.103-106, bibliogr. 17 poz.. Punktacja MNiSW 15.000

choroba Parkinsona ; pomiar ruchu ; selekcja cech ; ekstrakcja cech ; uczenie maszynowe ; nadzorowane uczenie maszynowe

Parkinson's disease ; motion capture ; feature selection ; feature extraction ; machine learning ; supervised machine learning

51/68
Nr opisu: 0000078747
Wybrane metody oceny i przycinania reguł decyzyjnych.
[Aut.]: Marek Sikora.
Gliwice : Wydaw. Politechniki Śląskiej, 2012, 335 s., bibliogr. 347 poz.
(Studia Informatica ; vol. 33, nr 3B 1642-0489)

indukcja reguł ; reguły decyzyjne ; ocena reguły decyzyjnej ; przycinanie reguły decyzyjnej ; zbiór reguł ; uczenie maszynowe ; teoria zbiorów rozmytych

rules induction ; decision rules ; evaluation of decision rule ; pruning of decision rule ; rule set ; machine learning ; fuzzy set theory

52/68
Nr opisu: 0000065704
Artificial intelligence, branching processes and coalescent methods in evolution of humans and early life.
[Aut.]: Krzysztof Cyran.
Gliwice : Wydaw. Politechniki Śląskiej, 2011, 340 s., bibliogr. 359 poz.
(Studia Informatica ; Vol. 32, nr 1B 1642-0489)
Rozprawa habilitacyjna

sztuczna inteligencja ; uczenie maszynowe ; symulacja komputerowa ; genetyka populacyjna ; genetyka ewolucyjna

artificial intelligence ; machine learning ; computer simulation ; population genetics ; evolutionary genetics

53/68
Nr opisu: 0000071579   
Generating and postprocessing of biclusters from discrete value matrices.
[Aut.]: Marcin Michalak, Magdalena* Stawarz.
W: Computational collective intelligence. Technologies and applications. ICCCI 2011. Third international conference, Gdynia, Poland, September 21-23, 2011. Proceedings. Pt 1. Eds: P. Jędrzejewicz, N.T. Nguyen, K. Hoang. Berlin : Springer, 2011, s. 103-112, bibliogr. 18 poz. (Lecture Notes in Computer Science ; vol. 6922 Lecture Notes in Artificial Intelligence ; 0302-9743)

uczenie maszynowe ; data mining ; biklastering ; postprocessing

machine learning ; data mining ; biclustering ; postprocessing

54/68
Nr opisu: 0000071781   
Motivated learning in autonomous systems.
[Aut.]: Paweł Raif, J. Starzyk.
W: International Joint Conference on Neural Networks. IJCNN 2011, San Jose, USA, 31 July-05 August 2011. Conference proceedings. Piscataway : Institute of Electrical and Electronics Engineers, 2011, s. 603-610, bibliogr. 22 poz.

system autonomiczny ; sztuczna inteligencja ; uczenie maszynowe

autonomous system ; artificial intelligence ; machine learning

55/68
Nr opisu: 0000084819
Robust prediction of classical HLA alleles from SNP data using ensemble classifiers.
[Aut.]: Jacek* Biesiada, S. Thompson, D. Glass, J. Meller.
W: 114th ICB Seminar. 8th International Seminar on Statistics and Clinical Practice, Warsaw, June 8-11, 2011. [B.m.] : [b.w.], 2011, s. 1-4, bibliogr. 11 poz.

autoimmunizacja ; genotypowanie ; antygen leukocytów człowieka ; HLA ; uczenie maszynowe ; główny układ zgodności tkankowej ; MHC ; prognozowanie ; polimorfizm pojedynczego nukleotydu

autoimmunity ; genotyping ; human leukocyte antigen ; HLA ; machine learning ; major histocompatibility complex ; MHC ; prediction ; single nucleotide polymorphism

56/68
Nr opisu: 0000071600   
Rough numbers and rough regression.
[Aut.]: Marcin Michalak.
W: Rough sets, fuzzy sets, data mining and granular computing. RSFDGrC 2011. 13th International conference, Moscow, Russia, June 25-27, 2011. Proceedings. Eds: S. O. Kuznetsov [et al.]. Berlin : Springer, 2011, s. 68-71, bibliogr. 7 poz. (Lecture Notes in Computer Science ; vol. 6743 Lecture Notes in Artificial Intelligence ; 0302-9743)

zbiory przybliżone ; liczba przybliżona ; uczenie maszynowe ; regresja nieparametryczna ; regresja przybliżona

rough sets ; rough number ; machine learning ; non-parametric regression ; rough regression

57/68
Nr opisu: 0000081136
Feature selection for supervised classification: a Kolmogorov-Smirnov class correlation-based filter.
[Aut.]: Marcin Blachnik, W. Duch, Adam Kachel, Jacek* Biesiada.
W: Recent developments in artificial intelligence methods. AI-METH 2009. Eds: T. Burczyński, W. Cholewa, W. Moczulski. Silesian University of Technology. Faculty of Mechanical Engineering. Department of Fundamentals of Machinery Design. Department of Strength of Materials and Computational Mechanics. Gliwice : Centre of Excellence AI-METH. Silesian University of Technology, 2009, s. 33-40, bibliogr. 16 poz.

selekcja cech ; klasyfikacja ; uczenie maszynowe ; statystyka Kołmogorowa-Smirnowa

feature selection ; classification ; machine learning ; Kolmogorov-Smirnov statistics

58/68
Nr opisu: 0000054986
Recent developments in artificial intelligence methods. AI-METH 2009, [Gliwice, Poland, 18-19 November 2009]. Eds. T. Burczyński, W. Cholewa, W. Moczulski.
Gliwice : Centre of Excellence AI-METH. Silesian University of Technology, 2009

sztuczna inteligencja ; sieć neuronowa ; analiza funkcjonalna ; algorytm genetyczny ; algorytm ewolucyjny ; uczenie maszynowe ; logika rozmyta

artificial intelligence ; neural network ; functional analysis ; genetic algorithm ; evolutionary algorithm ; machine learning ; fuzzy logic

59/68
Nr opisu: 0000031487
Adaptacyjne stosowanie miar oceniających w algorytmach indukcji reguł.
[Aut.]: Marek Sikora.
W: Bazy danych. Nowe technologie. Praca zbiorowa. [T. 1]: Architektura, metody formalne i zaawansowana analiza danych. Pod red. Stanisława Kozielskiego [i in.]. Warszawa : Wydaw. Komunikacji i Łączności, 2007, s. 295-304, bibliogr. 19 poz.

algorytm indukcji reguł ; indukcja reguł ; miara oceniająca ; reguły decyzyjne ; uczenie maszynowe

rule induction algorithm ; rules induction ; evaluation measure ; decision rules ; machine learning

60/68
Nr opisu: 0000051464   
Automatic strategies for autonomous virtual characters.
[Aut.]: Ewa Lach.
-Stud. Informat., Syst. Technol. Inf. 2007 nr 2, s. 57-68, bibliogr. 17 poz.

programowanie genetyczne ; sterowanie zadaniami ; uczenie maszynowe ; postać wirualna ; animacja

genetic programming ; task control ; machine learning ; virtual character ; animation

61/68
Nr opisu: 0000077288   
Machine learning approach to authorship attribution of literary texts.
[Aut.]: Urszula Stańczyk, Krzysztof Cyran.
-Int. J. Appl. Math. Informat. 2007 vol. 1 iss. 4, s. 151-158, bibliogr. 15 poz.

uczenie maszynowe ; stylometria ; sztuczna sieć neuronowa ; identyfikacja autora

machine learning ; stylometry ; artificial neural network ; author identification

62/68
Nr opisu: 0000039128
The selection of features in the induction of classifiers applied in the detection and localisation of cracks in turbine set shafts.
[Aut.]: Dominik Wachla.
W: Methods of artificial intelligence. AI-METH 2007, Gliwice, Poland, 7-9 November 2007. [Dokument elektroniczny]. Eds: T. Burczyński, W. Cholewa, W. Moczulski. Silesian University of Technology. Department for Strength of Materials and Computational Mechanics. Department of Fundamentals of Machinery Design, Polish Association for Computational Mechanics. [Gliwice] : Silesian University of Technology. Department for Strength of Materials and Computational Mechanics. Department of Fundamentals of Machinery Design, 2007, dysk optyczny (CD-ROM) s. 75-76, bibliogr. 4 poz.

turbozespół ; pękanie wału ; wykrywanie uszkodzeń ; lokalizacja uszkodzeń ; uczenie maszynowe ; wybór cech

turbine set ; shaft cracking ; fault detection ; fault localization ; machine learning ; feature selection

63/68
Nr opisu: 0000020062   
A comparative study on methods of reduction and selection of information in technical diagnostics.
[Aut.]: Krzysztof Ciupke.
-Mech. Syst. Signal Process. 2005 vol. 19 iss. 5, s. 919-938, bibliogr. 33 poz.. Impact Factor 0.826

diagnostyka maszyn ; pozyskiwanie wiedzy ; uczenie maszynowe ; wybór cech ; konwersja wartości atrybutów

machinery diagnostics ; knowledge acquisition ; machine learning ; attribute selection ; attribute values conversion

64/68
Nr opisu: 0000012651
Rozwój metodologii pozyskiwania wiedzy w projektowaniu i eksploatacji maszyn.
[Aut.]: Wojciech Cholewa, Wojciech Moczulski, Krzysztof Ciupke.
W: Materials, mechanical and manufacturing engineering. MMME'2005. Proceedings of the third scientific conference on the occasion of the 60th Anniversary of the Faculty of Mechanical Engineering of the Silesian University of Technology, Gliwice - Wisła, Poland, [16-19 maja 2005]. Ed. by L. A. Dobrzański. Gliwice : Organising Committee of the International Scientific Conferences Institute of Engineering Materials and Biomaterials of the Silesian University of Technology, 2005, s. 995-1000, bibliogr. 68 poz.

pozyskiwanie wiedzy ; uczenie maszynowe ; odkrywanie wiedzy ; system doradczy

knowledge acquisition ; machine learning ; knowledge discovery ; expert system

65/68
Nr opisu: 0000066635
Rozwój metodologii pozyskiwania wiedzy w projektowaniu i eksploatacji maszyn.
[Aut.]: Wojciech Cholewa, Wojciech Moczulski, Krzysztof Ciupke.
-Inż. Masz. 2005 R. 10 z. 1/2, s. 97-106

pozyskiwanie wiedzy ; uczenie maszynowe ; odkrywanie wiedzy ; system doradczy

knowledge acquisition ; machine learning ; knowledge discovery ; expert system

66/68
Nr opisu: 0000012026
Rozwój metodologii pozyskiwania wiedzy w projektowaniu i eksploatacji maszyn.
[Aut.]: Wojciech Cholewa, Wojciech Moczulski, Krzysztof Ciupke.
W: Komputerowe wspomaganie w inżynierii maszyn i materiałów. Pod red. Leszka A. Dobrzańskiego. Wrocław : Agencja Wydaw. Wrocławskiej Rady FSNT NOT, 2005, s. 97-106, bibliogr. 68 poz. (Inżynieria Maszyn ; R. 10, z. 1/2 1426-708X)

pozyskiwanie wiedzy ; uczenie maszynowe ; odkrywanie wiedzy ; system doradczy

knowledge acquisition ; machine learning ; knowledge discovery ; expert system

67/68
Nr opisu: 0000011149
Future challenges of knowledge engineering in technical diagnostics.
[Aut.]: Wojciech Moczulski.
W: Methods of artificial intelligence. AI-METH 2004. [Proceedings of the Symposium on Methods of Artificial Intelligence and the Workshop on Knowledge Acquisition in Mechanical Engineering, Gliwice, Poland, 17-19 November 2004]. Eds: T. Burczyński, W. Cholewa, W. Moczulski. Gliwice : Silesian University of Technology. Department for Strength of Materials and Computational Mechanics. Department of Fundamentals of Machinery Design, 2004, s. 95-96, bibliogr. 8 poz.

wiedza ekspercka ; inżynieria wiedzy ; uczenie maszynowe ; odkrywanie wiedzy ; interfejs użytkownika

expert knowledge ; knowledge engineering ; machine learning ; knowledge discovery ; user interface

68/68
Nr opisu: 0000002358
Methodology of knowledge acquisition for machinery diagnostics needs.
[Aut.]: Wojciech Moczulski.
W: Materials and mechanical engineering. Proceedings of the scientific conference on the ocassion of the 55th anniversary of the Faculty of Mechanical Engineering of the Silesian University of Technology, Gliwice, Poland, May 2000. Ed. by L. A. Dobrzański. Gliwice : Organising Committee of the International Scientific Conferences Institute of Engineering Materials and Biomaterials of the Silesian University of Technology, 2000, s. 325-332, bibliogr. 21 poz.

diagnostyka maszyn ; pozyskiwanie wiedzy ; uczenie maszynowe ; ocena wiedzy ; ekspert dziedzinowy

machinery diagnostics ; knowledge acquisition ; machine learning ; knowledge assessment ; domain expert

stosując format:
Nowe wyszukiwanie