Suchergebnisse - "нормализация данных"

СТАНДАРТИЗАЦИЯ МЕТРИК В ЦИФРОВОЙ СРЕДЕ

Autoren: FAYEZ WAZANI ABDUL WALID

Schlagwörter: KPI, стандартизация метрик, формулы расчёта, цифровая трансформация, единицы измерения, автоматизация KPI, BI-системы, ERP-платформы, управление эффективностью, нормализация данных, бизнес-аналитика, цифровая архитектура, унификация показателей

ASSESSMENT OF THE INNOVATION POTENTIAL OF THE REGION ; ОЦЕНКА ИННОВАЦИОННОГО ПОТЕНЦИАЛА РЕГИОНА ; MINTAQANING INNOVATSION SALOHIYATINI BAHOLASH

Autoren: Qodirov , Abdurashid Axmediyeva , Aliya Кадыров , Абдурашид et al.

Quelle: Economic development and analysis; Vol. 3 No. 1 (2025): Economic Development and Analysis; 325-331 ; Экономическое развитие и анализ; Том 3 № 1 (2025): Экономическое развитие и анализ; 325-331 ; Iqtisodiy taraqqiyot va tahlil; Jild 3 № 1 (2025): Iqtisodiy taraqqiyot va tahlil; 325-331 ; 2992-877X ; 10.60078/2992-877X-2025-vol3-iss1

Schlagwörter: инновационный потенциал, региональное развитие, Узбекистан, интегральный индекс, нормализация данных, innovative potential, regional development, Uzbekistan, integral index, data normalization, innovatsion salohiyat, mintaqaviy rivojlanish, O‘zbekiston, integral indeks, ma’lumotlarni normallashtirish

Dateibeschreibung: application/pdf

Relation: https://sci-p.uz/index.php/eitt/article/view/2091/1932

Verfügbarkeit: https://sci-p.uz/index.php/eitt/article/view/2091
https://doi.org/10.60078/2992-877X-2025-vol3-iss1-pp325-331

СТАНДАРТИЗАЦИЯ МЕТРИК В ЦИФРОВОЙ СРЕДЕ

Autoren: ГЕЛЬМАНОВА ЗОЯ САЛИХОВНА САУЛЬСКИЙ ЮРИЙ НИКОЛАЕВИЧ ПЕТРОВСКАЯ АСИЯ СТАНИСЛАВОВНА et al.

Schlagwörter: KPI, стандартизация метрик, формулы расчёта, цифровая трансформация, единицы измерения, автоматизация KPI, BI-системы, ERP-платформы, управление эффективностью, нормализация данных, бизнес-аналитика, цифровая архитектура, унификация показателей

Relation: https://zenodo.org/records/17009449; oai:zenodo.org:17009449; https://doi.org/10.5281/zenodo.17009449

Verfügbarkeit: https://doi.org/10.5281/zenodo.17009449
https://zenodo.org/records/17009449

ASSESSMENT OF THE INNOVATION POTENTIAL OF THE REGION ; ОЦЕНКА ИННОВАЦИОННОГО ПОТЕНЦИАЛА РЕГИОНА ; MINTAQANING INNOVATSION SALOHIYATINI BAHOLASH

Autoren: Kadyrov, Abdurashid Akhmedieva, Aliya

Quelle: Economic development and analysis; Vol. 3 No. 1 (2025): Economic Development and Analysis; 325-331 ; Экономическое развитие и анализ; Том 3 № 1 (2025): Экономическое развитие и анализ; 325-331 ; Iqtisodiy taraqqiyot va tahlil; Jild 3 № 1 (2025): Iqtisodiy taraqqiyot va tahlil; 325-331 ; 2992-877X ; 10.60078/2992-877X-2025-vol3-iss1

Schlagwörter: инновационный потенциал, региональное развитие, Узбекистан, интегральный индекс, нормализация данных, innovative potential, regional development, Uzbekistan, integral index, data normalization, innovatsion salohiyat, mintaqaviy rivojlanish, O‘zbekiston, integral indeks, ma’lumotlarni normallashtirish

Dateibeschreibung: application/pdf

Relation: https://e-itt.uz/index.php/eitt/article/view/2091/1932

Verfügbarkeit: https://e-itt.uz/index.php/eitt/article/view/2091

Loan classification using a feed-forward neural network ; Классификация займа с использованием нейронной сети прямого распространения

Autoren: U. I. Behunkou В. И. Бегунков

Quelle: Informatics; Том 21, № 1 (2024); 83-104 ; Информатика; Том 21, № 1 (2024); 83-104 ; 2617-6963 ; 1816-0301

Schlagwörter: нормализация данных, scoring, feed-forward neural network, machine learning, data normalization, скоринг, нейронная сеть прямого распространения, машинное обучение

Dateibeschreibung: application/pdf

Relation: https://inf.grid.by/jour/article/view/1271/1077; Бегунков, В. И. Классификация займов c использованием логистической регрессии / В. И. Бегунков, М. Я. Ковалев // Информатика. – 2023. − Т. 20, № 1. – С. 55–74. https://doi.org/10.37661/1816-0301-2023-20-1-55-74; Murati, A. Disruption in European consumer finance: Lessons from Sweden [Electronic resource] / A. Murati, O. Skau, Z. Taraporevala // McKinsey Quarterly. – 2018. – Mode of access: https://www.mckinsey.com/industries/financial-services/our-insights/disruption-in-european-consumer-finance-lessons-from-sweden. – Date of access: 01.06.2021.; Hand, D. J. Statistical classification methods in consumer credit scoring: a review / D. J. Hand, W. E. Henley // J. of the Royal Statistical Society: Series A (Statistics in Society). – 1997. – Vol. 160, no. 3. – P. 523–541.; Kombe, S. K. Effects of internet banking on the financial performance of commercial banks in Kenya a case of Kenya Commercial Bank / S. K. Kombe, M. K. Wafula // Intern. J. of Scientific and Research Publications. – 2015. – Vol. 5, no. 5. – P. 1–10.; Benchmarking state-of-the-art classification algorithms for credit scoring: An update of research / S. Lessmann [et al.] // European J. of Operational Research. – 2015. – Vol. 247, iss. 1. – Р. 124–136.; Geron, A. Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow / A. Geron. – 2nd ed. – O’Reilly Media, 2019. – P. 205–207, 370–371.; Oldham, K. An Atlas of Functions: with Equator, the Atlas Function Calculator / K. Oldham, J. Myland, J. Spanier. – 2nd ed. – Springer Science + Business Media, 2009. – P. 289–290.; Shalev-Shwartz, S. Understanding Machine Learning: From Theory to Algorithms / S. Shalev-Shwartz, S. Ben-David. – Cambridge University Press, 2014. – P. 125–127.; Raschka, S. Python Machine Learning / S. Raschka, V. Mirjalili. – 3d ed. – Packt Publishing Ltd., 2019. – P. 65, 415–421.; Rumelhart, D. Learning representations by back-propagating errors / D. Rumelhart, G. Hinton, R. Williams // Nature. – 1986. – Vol. 323. – P. 533–536.; Goodfellow, I. Deep Learning / I. Goodfellow, Y. Bengio, A. Courville. – MIT Press, 2016. – P. 82–86, 205.; Bishop, C. Neural Networks for Pattern Recognition / C. Bishop. – Clarendon Press Oxford, 1995. – P. 231.; Metropolis, N. The Monte Carlo method / N. Metropolis, S. Ulam // J. of the American Statistical Association. – 1949. – Vol. 44, no. 247. – P. 335–341.; Harrington, P. Machine Learning in Action / P. Harrington. – 1st ed. – Manning Publication Co., 2012. – Р. 148, 269–279.; Glorot, X. Deep sparse rectifier neural networks / X. Glorot, A. Bordes, Y. Bengio // Proc. of the 14th Intern. Conf. on Artificial Intelligence and Statistics, Fort Lauderdale, FL, USA, 11–13 Apr. 2011. – Fort Lauderdale, 2011. – Vol. 15. – P. 315–323.; Murphy, K. P. Machine Learning: A Probabilistic Perspective (Adaptive Computation and Machine Learning series) / K. P. Murphy. – The MIT Press, 2012. – P. 387–407.; https://inf.grid.by/jour/article/view/1271

Verfügbarkeit: https://inf.grid.by/jour/article/view/1271
https://doi.org/10.37661/1816-0301-2024-21-1-83-104

Loan classification using logistic regression ; Классификация займов c использованием логистической регрессии

Autoren: U. I. Behunkou M. Y. Kovalyov В. И. Бегунков et al.

Quelle: Informatics; Том 20, № 1 (2023); 55-74 ; Информатика; Том 20, № 1 (2023); 55-74 ; 2617-6963 ; 1816-0301

Schlagwörter: нормализация данных, scoring, logistic regression, machine learning, data normalization, скоринг, логистическая регрессия, машинное обучение

Dateibeschreibung: application/pdf

Relation: https://inf.grid.by/jour/article/view/1228/1045; Gerhard F., Harlalka A., Suvanam R. The coming opportunity in consumer lending. McKinsey Quarterly, 2021. Available at: https://www.mckinsey.com/business-functions/risk-and-resilience/our-insights/the-comingopportunity-in-consumer-lending (accessed 01.05.2021).; Hand D. J., Henley W. E. Statistical classification methods in consumer credit scoring: a review. Journal of the Royal Statistical Society: Series A (Statistics in Society), 1997, vol. 160, no. 3, pp. 523–541.; Baesens B., Van Gestel T., Viaene S., Stepanova S., Suykens J., Vanthienen J. Benchmarking state-of-theart classification algorithms for credit scoring. Journal of the Operational Research Society, 2003, vol. 54, no. 6, pp. 627–635.; Lessmann S., Baesens B., Seow H.-V., Thomas L. C. Benchmarking state-of-the-art classification algorithms for credit scoring: an update of research. European Journal of Operational Research, 2015, vol. 247, no. 1, pp. 124–136.; Shalev-Shwartz S., Ben-David S. Understanding Machine Learning: From Theory to Algorithms. Cambridge University Press, 2014, pp. 125, 126–127.; Geron A. Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd edition. O’Reilly Media, 2019, pp. 144–149.; Murphy K. P. Machine Learning: A Probabilistic Perspective (Adaptive Computation and Machine Learning Series). The MIT Press, 2012, pp. 225–227, 387–407.; Harrington P. Machine Learning in Action, 1st edition. Manning Publication Co, 2012, pp. 86–91, 148, 269–279.; Fawcett T. An introduction to ROC analysis. Pattern Recognition Letters, 2006, vol. 27, no. 8, pp. 861–874.; Metz C. E. Basic principles of ROC analysis. Seminars in Nuclear Medicine, 1978, vol. 8, no. 4, pp. 283–298.; Kelleher J. D., Namee B. M., D’Arcy A. Fundamentals of Machine Learning for Predictive Data Analytics, 1st edition. The MIT Press, 2015, pp. 142–143, 539.; https://inf.grid.by/jour/article/view/1228

Verfügbarkeit: https://inf.grid.by/jour/article/view/1228
https://doi.org/10.37661/1816-0301-2023-20-1-55-74

Development of Artificial Neural Network for Predicting Drill Pipe Sticking

Autoren: Qodirov, Sh.Sh. Shestakov, A.L.

Quelle: Bulletin of the South Ural State University. Ser. Computer Technologies, Automatic Control & Radioelectronics. 19:20-32

Schlagwörter: нормализация данных, УДК 004.032.26, data normalization, multilayer percep- tron, 9. Industry and infrastructure, drill string stuck, neural networks, прихват колонн бурильных труб, многослойный персептрон, 13. Climate action, кросс-валидация по k-блокам, УДК 622.248.54, нейронные сети, recognition and prediction, распознавание и прогнозирование, k-fold cross-validation

Dateibeschreibung: application/pdf

Zugangs-URL: https://vestnik.susu.ru/ctcr/article/download/8894/7173
https://vestnik.susu.ru/ctcr/article/download/8894/7173
https://cyberleninka.ru/article/n/razrabotka-iskusstvennoy-neyronnoy-seti-dlya-prognozirovaniya-prihvatov-kolonn-burilnyh-trub
https://vestnik.susu.ru/ctcr/article/view/8894
http://dspace.susu.ru/xmlui/handle/0001.74/40244

Image quality assessment ; Оценка качества цифровых изображений

Autoren: Y. I. Golub Ю. И. Голуб Работа частично выполнена в рамках гранта для докторантов, проектов БРФФИ Ф20РА-014 и Ф21ПАКГ-001

Weitere Verfasser: Y. I. Golub Ю. И. Голуб Работа частично выполнена в рамках гранта для докторантов, проектов БРФФИ Ф20РА-014 и Ф21ПАКГ-001

Quelle: «System analysis and applied information science»; № 4 (2021); 4-15 ; Системный анализ и прикладная информатика; № 4 (2021); 4-15 ; 2414-0481 ; 2309-4923 ; 10.21122/2309-4923-2021-4

Schlagwörter: нормализация данных, image quality assessment, distortions, image classes, digital image databases, visual quality assessment, data normalization, оценка качества, искажения, классы изображений, базы цифровых изображений, визуальная оценка качества

Dateibeschreibung: application/pdf

Relation: https://sapi.bntu.by/jour/article/view/533/408; Сердобинцев, Е. В. Артефакты и искажения при конусно-лучевой компьютерной томографии [Электронный ресурс]. – Режим доступа: https://dentalxray.university/a2. – Дата доступа: 07.06.2021.; Гонта, А. Резкость изображения и оборудование CCTV / A. Гонта, E. Седов // Алгоритм безопасности. – 2007. – № 1. – С. 30–32.; Гонсалес, Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс. – М.: Техносфера, 2006. – 1072 с.; Сборник «Цифровое телевизионное вещание. Везде и всегда. Для всех и для каждого» под редакцией В. В. Бутенко, 2014 [Электронный ресурс]. – Режим доступа: https://niir.ru/news/publikacii/2436–2/razdel-11-ocenka-kachestvaizobrazhenij-kontrol-i-izmereniya-parametrov-tv-traktov/. – Дата доступа: 07.06.2021.; DeepMind Technologies Limited [Электронный ресурс]. – Режим доступа: https://deepmind.com. – Дата доступа: 01.04.2021.; Chandler, D. M. Seven challenges in image quality assessment: past, present, and future research // International Scholarly Research Notices. – 2013. – Т. 2013. – P. 1–53.; Pertuz, S. Analysis of focus measure operators for shape-from-focus / S. Pertuz, D. Puig, M.A. Garcia // Pattern Recognition. – 2013. – Vol. 46. – № 5. – P. 1415–1432.; Zhai, G. Perceptual image quality assessment: a survey / G. Zhai, X. Min // Science China Information Sciences. – 2020. – V. 63. – № 11. – P. 83–135.; Забелин, С. А. Обзор основных видов шумов на спутниковых снимках и методов фильтрации / С. А. Забелин, А. Д. Тулегулов // Надежность и качество сложных систем. – 2013. – № 2. – С. 100–1005.; Старовойтов, В. В. Методика выбора фильтра для сглаживания спекл-шума радарных изображений с синтезированной апертурой / В. В. Старовойтов // Информатика. – 2016. – № 2. – С. 5–11.; Кокорев П. А. Анализ артефактов изображений в компьютерной томографии //Научно-технический вестник информационных технологий, механики и оптики. – 2008. – № . 47.; Gu, K. Subjective and objective quality assessment for images with contrast change / K. Gu [et al.] // Proc. IEEE Int. Conf. on Image Processing, Melbourne, VIC, Australia. – 2013. – P. 383–387.; Kodak Lossless True Color Image Suite [Электронный ресурс]. – Режим доступа: http://r0k.us/graphics/kodak/. – Дата доступа: 05.04.2021.; Larson, E. C. Most Apparent Distortion: Full-Reference Image Quality Assessment and the Role of Strategy / E. C. Larson, D. M. Chandler // Journal of Electronic Imaging. – March 2010. – Vol. 19, № 1. – P. 011006:1–011006:21.; Ninassi, A. Pseudo No Reference image quality metric using perceptual data hiding / A. Ninassi, P. L. Callet, F. Autrusseau // in Human Vision and Electronic Imaging. – Vol. 6057 of Proceedings of SPIE. – January 2006. – P. 146–157.; Wang Z. [et al.] Image quality assessment: from error visibility to structural similarity //IEEE transactions on image processing. – 2004. – V. 13,№ 4. – P. 600–612.; Sheikh, H. R. A statistical evaluation of recent full reference image quality assessment algorithms / H. R. Sheikh, M. F. Sabir, A. C. Bovik // IEEE Transactions on Image Processing. – November, 2006. – Vol. 15, № 11. – P. 3440–3451.; LIVE Image Quality Assessment Database Release 2 [Электронный ресурс]. – Режим доступа: http://live.ece.utexas.edu/research/quality. – Дата доступа: 05.04.2021.; Tourancheau, S., Autrusseau, F., Sazzad, Z.M.P., Horitaa, Y. MICT image quality evaluation database. – 2008.; Ponomarenko, N., Lukin, V., Zelensky, A., Egiazarian, K., Carli, M., Battisti, F. Tampere image database. – 2008.; Ponomarenko, N. [et al.] Image database TID2013: Peculiarities, results and perspectives // Signal Processing: Image Communication. – 2015. – Т. 30. – P. 57–77.; Zaric, A. et al. VCL@FER Image Quality Assessment Database // AUTOMATIKA. – 2012. – Vol. 53, № 4. – P. 344–354.; Голуб, Ю. И. Исследование безэталонных локальных оценок качества изображений / Ю. И. Голуб, Ф. В. Старовойтов, В. В. Старовойтов // Вестник Брестского государственного технического университета. Серия: Физика, математика, информатика. – 2019. – № 5. – С. 15–18.; Beghdadi, A. Contrast enhancement technique based on local detection of edges / A. Beghdadi, A. Le Negrate // Computer Vision, Graphics, and Image Processing. – 1989. – 46(2). – P. 162–174. DOI:10.1016/0734–189X(89)90166–7; Santos, A. [et al.] Evaluation of autofocus functions in molecular cytogenetic analysis // Journal of Microscopy. – 1997. – V.188. – № 3. – P. 264–272.; Guan, J. [et al.] No-reference Blur Assessment Based on Edge Modeling // Journal of Visual Communication and Image Representation. – 2015. – V. 29. – P. 1–7.; Tian, J. Multi-focus image fusion using a bilateral gradient-base sharpness criterion / J. Tian, L. Chen, L. Ma, W. Yu // Optics communications. – 2011. – 284 (1). – P. 80–87. DOI: doi.org/10.1016/j.optcom.2010.08.085; Старовойтов, В. В. Сравнительный анализ безэталонных мер оценки качества цифровых изображений / В. В. Старовойтов, Ф. В. Старовойтов // Системный анализ и прикладная информатика. – 2017. – Т. 13, № 1. – С. 24–31.; Larson, E. C. Most Apparent Distortion: Full-Reference Image Quality Assessment and the Role of Strategy / E. C. Larson, D. M. Chandler // Journal of Electronic Imaging. – March 2010. – V. 19. – № 1. – P. 011006:1–011006:21.; Von Luxburg U. Statistical learning with similarity and dissimilarity functions: дис. – Technische Universität Berlin Berlin, Germany, 2004.; Kocić, J. Image quality parameters: A short review and applicability analysis / J. Kocić, I. Popadić, B. Livada // 7th Int. Sci. Conf. Defensive Technol. – 2016.; Xu, S. No-reference/blind image quality assessment: a survey / S. Xu, S. Jiang, W. Min // IETE Technical Review. – 2017. – Vol. 34, № 3. – P. 223–245.; Dumic, E. IQM2 – New image quality measure based on steerable pyramid wavelet transform and structural similarity index / E. Dumic, S. Grgic, M. Grgic // Signal, Image and Video Processing. – 2014. – V. 8, № 6. – P. 1159–1168.; Перегудов, Ф. И. Введение в системный анализ / Ф. И. Перегудов, Ф. П. Тарасевич. – М.: Высшая школа, 1989. – 367 с.; Анфилатов, В. С. Системный анализ в управлении / В. С. Анфилатов, А. А. Емельянов, А. А. Кукушкин – М. Финансы и статистика, 2002. – 368 с.; Шкала [Электронный ресурс]. – Режим доступа: https://ru.wikipedia.org/wiki/%D0%A8%D0%BA%D0%B0%D0%BB%D0%B0. – Дата доступа: 01.06.2021.; Старовойтов, В. В. Нормализация данных в машинном обучении / В. В. Старовойтов, Ю. И. Голуб // Информатика. 2021. – в печати.; Киселев Э. В. Прикладная квалиметрия: Конспект лекций / Э. В. Киселев, М. Е. Ильина. – Рыбинск, 2015. – 52 с.: ил.; Zhu, W. [et al.] A multiple attributes image quality database for smartphone camera photo quality assessment // 2020 IEEE International Conference on Image Processing (ICIP). – IEEE, 2020. – P. 2990–2994.; https://sapi.bntu.by/jour/article/view/533

Verfügbarkeit: https://sapi.bntu.by/jour/article/view/533
https://doi.org/10.21122/2309-4923-2021-4-4-15

Data normalization in machine learning ; Нормализация данных в машинном обучении

Autoren: V. V. Starovoitov Yu. I. Golub В. В. Старовойтов et al.

Weitere Verfasser: V. V. Starovoitov Yu. I. Golub В. В. Старовойтов et al.

Quelle: Informatics; Том 18, № 3 (2021); 83-96 ; Информатика; Том 18, № 3 (2021); 83-96 ; 2617-6963 ; 1816-0301

Schlagwörter: случайный лес, clustering, data normalization, function normalization, sigmoid, hyperbolic tangent, random forest, кластеризация, нормализация данных, нормализация функций, сигмоида, гиперболический тангенс

Dateibeschreibung: application/pdf

Relation: https://inf.grid.by/jour/article/view/1156/1000; https://inf.grid.by/jour/article/downloadSuppFile/1156/191; Aksoy, S. Feature normalization and likelihood-based similarity measures for image retrieval / S. Aksoy, R. M. Haralick // Pattern Recognition Letters. - 2001. - Vol. 22, no. 5. - P. 563-582.; Singh, В. Investigating the impact of data normalization on classification performance / B. Singh // Applied Soft Computing J. - 2020. - Vol. 97. - P. 105524.; Nayak, S. C. Impact of data normalization on stock index forecasting / S. C. Nayak, B. B. Misra, H. S. Behera // Intern. J. of Computer Information Systems and Industrial Management Applications. - 2014. -Vol. 6. - P. 257-269.; Naeini, A. A. Assessment of normalization techniques on the accuracy of hyperspectral data clustering / A. A. Naeini, M. Babadi, S. Homayouni // Intern. Archives of the Photogrammetry, Remote Sensing & Spatial Information Sciences. - 2017. - Vol. 42. - P. 27-30.; Stevens, S. S. On the theory of scales of measurement / S. S. Stevens // Science. New Series. - 1946. -Vol. 103, no. 2684. - P. 677-680.; Орлов, А. И. Теория измерений как часть методов анализа данных / А. И. Орлов // Социология: методология, методы, математическое моделирование. - 2012. - № 35. - C. 155-174.; Velleman, P. F. Nominal, ordinal, interval, and ratio typologies are misleading / P. F. Velleman, L. Wilkinson // The American Statistician. - 1993. - Vol. 47, no. 1. - P. 65-72.; Tukey, J. W. Exploratory Data Analysis / J. W. Tukey. - Massachusetts : Addison-Wesley, 1977. -P. 39-49.; Bruffaerts, C. A generalized boxplot for skewed and heavy-tailed distributions / C. Bruffaerts, V. Verardi, C. Vermandele // Statistics & Probability Letters. - 2014. - Vol. 95. - P. 110-117.; Kimber, A. C. Exploratory data analysis for possibly censored data from skewed distributions / A. C. Kimber // Applied Statistics. - 1990. - Vol. 39. - P. 21-30.; Carling, K. Resistant outlier rules and the non-Gaussian case / K. Carling // Computational Statistics & Data Analysis. - 2000. - Vol. 33, no. 3. - P. 249-258.; Hubert, M. An adjusted boxplot for skewed distributions / M. Hubert, E. Vandervieren // Computational Statistics & Data Analysis. - 2008. - Vol. 52, no. 12. - P. 5186-5201.; Brys, G. A robust measure of skewness / G. Brys, M. Hubert, A. Struyf // J. of Computational and Graphical Statistics. - 2004. - Vol. 13. - P. 996-1017.; Kyurkchiev, N. Sigmoid Functions: Some Approximation and Modelling Aspects / N. Kyurkchiev, S. Markov. - Saarbrucken : LAP Lambert Academic Publishing, 2015. - 120 p.; Флах, П. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных / П. Флах. - М. : ДМК Пресс, 2015. - 402 с.; Bicego, M. Properties of the Box-Cox transformation for pattern classification / M. Bicego, S. Baldo // Neurocomputing. - 2016. - Vol. 218. - P. 390-400.; Zhang, Q. Weighted data normalization based on eigenvalues for artificial neural network classification / Q. Zhang, S. Sun // Proc. of Intern. Conf. Neural Information Processing. - 2009. - Vol. 5863. - P. 349-356. https://doi.org/10.1007/978-3-642-10677-4_39; Zadeh, L. A. Fuzzy sets / L. A. Zadeh // Information and Control. - 1965. - Vol. 8, no. 3. - P. 338-353.; Więckowski, J. How the normalization of the decision matrix influences the results in the VIKOR method? / J. Więckowski, W. Salabun // Procedia Computer Science. - 2020. - Vol. 176. - P. 2222-2231.; Ioffe, S. Batch normalization: accelerating deep network training by reducing internal covariate shift / S. Ioffe, C. Szegedy // 32nd Intern. Conf. on Machine Learning, Lille, France, 7-9 July 2015. - Lille, 2015. -Vol. 37. - P. 448-456.; Do we need hundreds of classifiers to solve real world classification problems? / M. Fernandez-Delgado [et. al.] // The J. of Machine Learning Research. - 2014. - Vol. 15, no. 1. - P. 3133-3181.; Lemons, K. Comparison between Naive Bayes and random forest to predict breast cancer / K. A. Lemons // Intern. J. of Undergraduate Research & Creative Activities. - 2020. - Vol. 12, art. 12. - Р. 1-5. http://doi.org/10.7710/2168-0620.0287; Chicco, D. The benefits of the Matthews correlation coefficient (MCC) over the diagnostic odds ratio (DOR) in binary classification assessment / D. Chicco, V. Starovoitov, G. Jurman // IEEE Access. - 2021. -Vol. 9. - P. 47112-47124. https://doi.org/10.1109/ACCESS.2021.3068614; Новиков, Д. А. Статистические методы в педагогических исследованиях (типовые случаи) / Д. А. Новиков. - М. : МЗ-Пресс, 2004. - 67 с.; Cheddad, A. On box-cox transformation for image normality and pattern classification // IEEE Access. -2020. - Vol. 8. - P. 154975-154983. https://doi.org/10.1109/ACCESS.2020.3018874; Han, J. The influence of the sigmoid function parameters on the speed of backpropagation learning / J. Han, C. Moraga // Intern. Workshop on Artificial Neural Networks, Malaga-Torremolinos, Spain, 7-9 June 1995. - Malaga-Torremolinos, 1995. - P. 195-201.; Jain, A. Score normalization in multimodal biometric systems / A. Jain, K. Nandakumar, A. Ross // Pattern Recognition. - 2005. - Vol. 38, no. 12. - P. 2270-2285.; https://inf.grid.by/jour/article/view/1156

Verfügbarkeit: https://inf.grid.by/jour/article/view/1156
https://doi.org/10.37661/1816-0301-2021-18-3-83-96

SELECTION OF STRUCTURE AND HYPER-PARAMETERS OF SVM FOR EFFICIENT SOLUTION OF THE TASKS OF CLASSIFICATION OF ELECTROMYOGRAPHY SIGNALS ; ВЫБОР СТРУКТУРЫ И ГИПЕРПАРАМЕТРОВ SVM ДЛЯ ЭФФЕКТИВНОГО РЕШЕНИЯ ЗАДАЧ КЛАССИФИКАЦИИ СИГНАЛОВ ЭЛЕКТРОМИОГРАФИИ ; ВИБІР СТРУКТУР І ГІПЕРПАРАМЕТРОВ

Autoren: Semendarov, Andrej Vitalevich

Quelle: Scientific look into the future; No. 14-01 (2019); 23-33 ; Научный взгляд в будущее; № 14-01 (2019); 23-33 ; Науковий погляд у майбутнє; № 14-01 (2019); 23-33 ; 2415-7538 ; 2415-766X

Schlagwörter: сигнал электромиографии (ЭМГ), алгоритмы классификации, метод опорных векторов (SVM), предобработка и нормализация данных, гиперпараметры SVM, ядра SVM, electromyography signal (EMG), classification algorithms, support-vector machine (SVM), preprocessing and normalization data, SVM hyper-parameters, SVM kernel

Dateibeschreibung: application/pdf

Relation: https://www.scilook.eu/index.php/slif/article/view/slif14-01-010/pdf14-01-010; https://www.scilook.eu/index.php/slif/article/view/slif14-01-010/rinc14-01-010; https://www.scilook.eu/index.php/slif/article/view/slif14-01-010/copernicus14-01-010

Verfügbarkeit: https://www.scilook.eu/index.php/slif/article/view/slif14-01-010
https://doi.org/10.30888/2415-7538.2019-14-01-010

JSC 'Gomselmash': on a Way to Digitalization of the Manufacture ; ОАО «Гомсельмаш»: на пути к цифровизации производства

Autoren: A. S. Shantyko V. I. Kozlov S. V. Karabankova et al.

Quelle: Digital Transformation; № 4 (2018); 16-26 ; Цифровая трансформация; № 4 (2018); 16-26 ; 2524-2822 ; 2522-9613

Schlagwörter: цифровая трансформация, computer modeling, data normalization, electronic drawing, electronic model product, digital transformation, компьютерное моделирование, нормализация данных, электронный чертеж, электронная КД, электронная модель изделия

Dateibeschreibung: application/pdf

Relation: https://dt.bsuir.by/jour/article/view/114/77; Губич, Л. В. Информационные технологии — стратегическое направление инновационного развития промышленных предприятий / Л. В. Губич, А. Г. Гривачевский // Техника, экономика, организация (ТЭО). – 2008. – № 3. – С. 10–14.; Масютин, С. А. Стратегия предприятия при переходе к «Индустрии 4.0» / С. А. Масютин // Конструктор. Машиностроитель. – 2018. – №2. – С. 20–24.; Коновалова, В. Преодолевая сопротивление персонала / В. Коновалова // Кадровик. Кадровый менеджмент [Электронный ресурс]. – 2009. – № 3. – Режим доступа: http://hr-portal.ru/article/preodolevaya-soprotivlenie-personala. – Дата доступа: 23.10.2018.; Губич, Л. В. Электронная модель изделия – основа современного производства / Л. В. Губич, А. Г. Гривачевский // Механика машин, механизмов и материалов. – 2008. – № 2. – С. 80–84.; Давыдов, А. Н. Основные направления развития информационных технологий сопровождения и поддержки наукоемкой продукции на всех этапах жизненного цикла / А. Н. Давыдов, В. В. Барабанов, Е. В. Судов // Компьютерные технологии сопровождения и поддержки наукоемкой продукции на всех этапах жизненного цикла: материалы 3-й Междунар. конф., Москва, 2001 г. – М.: Прикладная логистика, 2001. – С. 8–15.; Цифровая экономика: глобальные тренды и практика российского бизнеса / НИУ «Высшая школа экономики»; отв. ред. Д. С. Медовников. – М.: Высшая школа экономики, 2017. – С. 49–50.; https://dt.bsuir.by/jour/article/view/114

Verfügbarkeit: https://dt.bsuir.by/jour/article/view/114

Прогнозирование свойств полимерных композиций на базе методов искусственного интеллекта ; Prediction of polymer compositions properties on the basis of artificial intelligence methods

Autoren: Норкин Владимир Сергеевич Vladimir S. Norkin Тихомиров Сергей Германович et al.

Quelle: Science, education, society: tendencies and future development; 226-230 ; Наука, образование, общество: тенденции и перспективы развития; 226-230

Schlagwörter: прогнозирование, искусственные нейронные сети, регрессионный анализ, полимерные композиции, нормализация данных, описательная статистика

Dateibeschreibung: text/html

Relation: info:eu-repo/semantics/altIdentifier/isbn/978-5-9500297-6-9; https://interactive-plus.ru/e-articles/458/Action458-461591.pdf; 1. Матвеев М.Г. Модели и методы искусственного интеллекта. Применение в экономике: Учебное пособие / М.Г. Матвеев, А.С. Свиридов, Н.А. Алейников, 2008. – С. 221–223.; 2. Кацуба Ю.Н. Применение искусственных нейронных сетей для диагностирования изделий / Ю.Н. Кацуба, И.В. Власова // Международный научно-исследовательский журнал. – 2005. – №3 (34). – Ч. 1. – С. 68–70.; 3. Строителев В.Н. Статистические методы – основной инструмент специалиста в области качества // Качество, инновации, образование. – 2002. – №1. – С. 11–17.

Verfügbarkeit: https://interactive-plus.ru/files/Books/Cover-458.jpg?req=461591
https://interactive-plus.ru/article/461591/discussion_platform
https://doi.org/10.21661/r-461591

ЭКСПРЕССИЯ ГЕНОВ ACTB, GAPDH, HPRT1, RNU12, SCARNA5, RN7SL1 И RNA5-8S5 В ОПУХОЛЕВОЙ И МОРФОЛОГИЧЕСКИ НЕИЗМЕНЁННОЙ ТКАНИ ЖЕЛУДКА

Autoren: Люндышева Валерия Анатольевна Гутковская Екатерина Александровна Смирнов Сергей Юрьевич et al.

Schlagwörter: ПЦР в режиме реального времени, стабильность экспрессии, нормализация данных

Dateibeschreibung: text/html

Verfügbarkeit: http://cyberleninka.ru/article/n/ekspressiya-genov-actb-gapdh-hprt1-rnu12-scarna5-rn7sl1-i-rna5-8s5-v-opuholevoy-i-morfologicheski-neizmenyonnoy-tkani-zheludka
http://cyberleninka.ru/article_covers/16257907.png

КОМПЛЕКСНАЯ ИНТЕРПРЕТАЦИЯ ЭЛЕКТРОРАЗВЕДОЧНЫХ ДАННЫХ М-ЗСБ И МТЗ В ПРОГРАММНОМ КОМПЛЕКСЕ EM-DATAPROCESSOR

Autoren: Тригубович, Георгий Белая, Анастасия Чернышев, Антон et al.

Schlagwörter: НОРМАЛИЗАЦИЯ ДАННЫХ МТЗ, КОМПЛЕКСНАЯ 3D-ИНТЕРПРЕТАЦИЯ

Dateibeschreibung: text/html

Verfügbarkeit: http://cyberleninka.ru/article/n/kompleksnaya-interpretatsiya-elektrorazvedochnyh-dannyh-m-zsb-i-mtz-v-programmnom-komplekse-em-dataprocessor
http://cyberleninka.ru/article_covers/15751925.png

Комплексная интерпретация электроразведочных данных М-ЗСБ и МТЗ в программном комплексе EM-DataProcessor

Quelle: Интерэкспо Гео-Сибирь.

Schlagwörter: НОРМАЛИЗАЦИЯ ДАННЫХ МТЗ, КОМПЛЕКСНАЯ 3D-ИНТЕРПРЕТАЦИЯ

Dateibeschreibung: text/html

Zugangs-URL: http://cyberleninka.ru/article_covers/15751925.png
http://cyberleninka.ru/article/n/kompleksnaya-interpretatsiya-elektrorazvedochnyh-dannyh-m-zsb-i-mtz-v-programmnom-komplekse-em-dataprocessor

Проблема обнаружения нового знания в хранилищах данных методами Knowledge Discovery in Databases

Autoren: Асеев, Г. Г.

Schlagwörter: источники данных, хранение данных, механизм Data Mining, формализация, сбор данных, трансформация данных, нормализация данных, KDD, DM

Dateibeschreibung: application/pdf

Relation: Асеев Г. Г. Проблема обнаружения нового знания в хранилищах данных методами Knowledge Discovery in Databases / Г. Г. Асеев // Вестник Нац. техн. ун-та "ХПИ" : сб. науч. тр. Темат. вып. : Системный анализ, управление и информационные технологии. – Харьков : НТУ "ХПИ", 2006. – № 19. – С. 62-70.; http://repository.kpi.kharkov.ua/handle/KhPI-Press/30174

Verfügbarkeit: http://repository.kpi.kharkov.ua/handle/KhPI-Press/30174

Природна нормалізація податкових надходжень держави та їх апроксимація аналітичною функцією ; Естественная нормализация налоговых поступлений государства и их аппроксимация аналитической функцией

Autoren: Савчук, Наталія Володимирівна Savchuk, Nataliia Савчук, Наталия Владимировна

Schlagwörter: податкові надходження, природна нормалізація даних, апроксимація аналітичною функцією, tax revenues, bаlаnсе of trade, natural normalization of data, approximation of analytic functions, налоговые поступления, естественная нормализация данных, аппроксимация аналитической функцией, 336.14

Dateibeschreibung: application/pdf

Relation: Савчук Н. В. Природна нормалізація податкових надходжень держави та їх апроксимація аналітичною функцією / Н. В. Савчук // Формування ринкових відносин в Україні : зб. наук. пр. / Наук.-дослід. екон. ін-т М-ва екон. розвитку і торгівлі України; [редкол.: І. Г. Манцуров (наук. ред.) та ін.]. – Київ, 2014. – № 9. – С. 174–177.; https://ir.kneu.edu.ua:443/handle/2010/24837

Verfügbarkeit: https://ir.kneu.edu.ua:443/handle/2010/24837

Прогнозирование свойств полимерных композиций на базе методов искусственного интеллекта

Additional Titles: Prediction of polymer compositions properties on the basis of artificial intelligence methods

Autoren: Норкин Владимир Сергеевич ФГБОУ ВО «Воронежский государственный университет инженерных технологий» Norkin Vladimir Sergeevich et al.

Quelle: Science, education, society: tendencies and future development; 226-230; Наука, образование, общество: тенденции и перспективы развития; 226-230

Index Begriffe: прогнозирование, искусственные нейронные сети, регрессионный анализ, полимерные композиции, нормализация данных, описательная статистика, text, info:eu-repo/semantics/article, info:eu-repo/semantics/publishedVersion, Article

URL: https://interactive-plus.ru/e-articles/458/Action458-461591.pdf
info:eu-repo/semantics/altIdentifier/doi/10.21661/r-461591
info:eu-repo/semantics/altIdentifier/isbn/978-5-9500297-6-9
https://interactive-plus.ru/e-articles/458/Action458-461591.pdf
1. Матвеев М.Г. Модели и методы искусственного интеллекта. Применение в экономике: Учебное пособие / М.Г. Матвеев, А.С. Свиридов, Н.А. Алейников, 2008. – С. 221–223.
2. Кацуба Ю.Н. Применение искусственных нейронных сетей для диагностирования изделий / Ю.Н. Кацуба, И.В. Власова // Международный научно-исследовательский журнал. – 2005. – №3 (34). – Ч. 1. – С. 68–70.
3. Строителев В.Н. Статистические методы – основной инструмент специалиста в области качества // Качество, инновации, образование. – 2002. – №1. – С. 11–17.