Szczegóły publikacji
Opis bibliograficzny
Metody uczenia maszynowego wspierane semantycznie — Machine learning methods supported by semantic technologies / Krzysztof REGULSKI // W: Trendy i rozwiązania technologiczne – odpowiedź na potrzeby współczesnego społeczeństwa, T. 2 / red. Monika Maciąg, Kamil Maciąg. — Lublin : Wydawnictwo Naukowe TYGIEL, 2017. — ISBN: 978-83-65598-89-9. — S. 24–32. — Bibliogr. s. 30–31. — Toż. na https://goo.gl/M1BWhg
Autor
Słowa kluczowe
Dane bibliometryczne
ID BaDAP | 109421 |
---|---|
Data dodania do BaDAP | 2017-10-23 |
Rok publikacji | 2017 |
Typ publikacji | fragment książki |
Otwarty dostęp |
Abstract
This paper presents the latest research in artificial intelligence methods used in data mining exploration using domain knowledge formalization and related semantic methods in solving problems requiring prediction and classification models. Industry development, the pursuit of the Industry 4.0 concept, the widespread computerization and digitization of processes, the implementation of cybernetic systems – all of which require a base in the form of advanced multidimensional data analysis, multicurrency optimization and machine learning. Searching for knowledge on the Internet, by humans, but also by the computers themselves, entails the need to decide on ways of representing and formalizing knowledge. These issues are described in the work in the perspective of current research carried out in response to technological problems encountered in the metal processing industry. Classification using association rules learning, rough sets, or induction of decision trees is used in solving problems in production processes, but is also successfully used in processing not only technological documents and text mining. Ontologies – increasingly popular semantic technology – are used in the creation of knowledge bases and document repositories as well as in the design of application systems and decision support systems. Data mining, supported by ontologies for more precise modeling, but also for the development of increasingly autonomous and flexible data collection systems – agile data integration. The paper presents concepts of the use of semantic techniques in data mining as well as examples of application of machine learning in industry.
Streszczenie
Praca przedstawia najnowsze badania w zakresie metod sztucznej inteligencji stosowanych w analizie eksploracyjnej danych wykorzystujących formalizację wiedzy dziedzinowej i związane z nią metody semantyczne w rozwiązywaniu zagadnień wymagających tworzenia modeli predykcji i klasyfikacji. Rozwój przemysłu, dążenie do realizacji idei Industry 4.0, powszechna informatyzacja i cyfryzacja procesów, wdrażanie systemów cyberfizycznych – wszystko to wymaga bazy w postaci zaawansowanych metod analizy danych wielowymiarowych, optymalizacji wielokryterialnej i uczenia maszynowego. Poszukiwanie wiedzy w Internecie, przez człowieka, ale również przez same komputery pociąga za sobą konieczność rozstrzygnięć w zakresie sposobów reprezentacji i formalizacji wiedzy. Zagadnienia te opisane są w pracy w perspektywie obecnych badań naukowych realizowanych w odpowiedzi na problemy technologiczne napotykane w przemyśle przetwarzania metali. Klasyfikacja z wykorzystaniem algorytmów analizy asocjacji, zbiorów przybliżonych czy indukcji drzew decyzyjnych znajduje zastosowanie w rozwiązywaniu problemów z zakresu procesów produkcyjnych, ale również z powodzeniem wykorzystywana jest w przetwarzaniu dokumentów nie tylko technologicznych, jak i w eksploracji tekstu. Ontologie – coraz bardziej popularna technologia semantyczna – wykorzystywane są przy tworzeniu baz wiedzy i repozytoriów dokumentów, jak również w projektowaniu systemów wnioskujących i wspomagających podejmowanie decyzji. Eksploracja danych, data mining, wspomagana modelami ontologicznymi pozwala na osiąganie lepszej precyzji modeli, ale także na tworzenie coraz bardziej autonomicznych i elastycznych systemów gromadzenia danych, tzw. agile data integration. W pracy zostały przedstawione koncepcje zastosowania technik semantycznych w eksploracji danych, jak również przykłady zastosowania uczenia maszynowego w przemyśle.