{"product_id":"josephine-theresa-ulepszanie-algorytmow-uczenia-maszynowego-dla-niezrownowa-onych-zestawow-danych-9786208901547","title":"Ulepszanie algorytmów uczenia maszynowego dla niezrównowa¿onych zestawów danych","description":"Du¿a ilo¿¿ danych generowanych online umo¿liwi¿a naukowcom zajmuj¿cym si¿ danymi analizowanie tych informacji i wyci¿ganie wniosków z ró¿nych dziedzin. Jednak dane w czasie rzeczywistym s¿ cz¿sto podatne na brak równowagi, co mo¿e obni¿y¿ jako¿¿ danych i stanowi powäne wyzwanie w dziedzinie uczenia maszynowego. Techniki oparte na próbkowaniu i modele oparte na algorytmach to dwie podstawowe metody stosowane do rozwi¿zywania i równowäenia nierównowagi danych. W niniejszej rozprawie przedstawiono trzy ró¿ne techniki zarz¿dzania ró¿nymi poziomami nierównowagi w danych w czasie rzeczywistym.Pocz¿tkowe podej¿cie proponuje technik¿ opart¿ na próbkowaniu zintegrowan¿ z mechanizmem bagging w celu radzenia sobie z nierównowag¿ danych. Model identyfikuje nierównowag¿ danych opart¿ na klasach i wykonuje nadpróbkowanie dla kädej dost¿pnej klasy. Mechanizm bagging polega na tworzeniu podzbiorów danych szkoleniowych, maj¿c na celu zró¿nicowanie poziomów nierównowagi w danych szkoleniowych, aby zapewni¿ skuteczne przewidywanie. Mimo to efekt braku równowagi utrzymuje si¿ w mechanizmie predykcji, prowadz¿c do nieprawid¿owej klasyfikacji kilku klas mniejszo¿ciowych.","brand":"Wydawnictwo Nasza Wiedza","offers":[{"title":"Default Title","offer_id":53691822244182,"sku":null,"price":0.0,"currency_code":"EUR","in_stock":false}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/0925\/5829\/5382\/files\/product_image_9786208901547_1_6f81fa03-027c-4333-96e1-da0645a74ea6.jpg?v=1781750589","url":"https:\/\/www.momoxbooks.com\/products\/josephine-theresa-ulepszanie-algorytmow-uczenia-maszynowego-dla-niezrownowa-onych-zestawow-danych-9786208901547","provider":"momoxbooks","version":"1.0","type":"link"}