Machine Learning Using TIL
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27240%2F20%3A10244039" target="_blank" >RIV/61989100:27240/20:10244039 - isvavai.cz</a>
Nalezeny alternativní kódy
RIV/47813059:19240/19:A0000684
Výsledek na webu
<a href="https://ebooks.iospress.nl/publication/53709" target="_blank" >https://ebooks.iospress.nl/publication/53709</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.3233/FAIA200024" target="_blank" >10.3233/FAIA200024</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Machine Learning Using TIL
Popis výsledku v původním jazyce
In this paper we deal with machine learning methods and algorithms applied to the area of geographic data. First, we briefly introduce learning with a supervisor that is applied in our case. Then we describe the algorithm 'Framework' together with heuristic methods used in it. Definitions of particular geographic objects, i.e. their concepts, are formulated in our background theory Transparent Intensional Logic (TIL) as TIL constructions. These concepts serve as general hypotheses. Basic principles of supervised machine learning are generalization and specialization. Given a positive example, the learner generalizes, while after a nearmiss example specialization is applied. Heuristic methods deal with the way generalization and specialization are applied.
Název v anglickém jazyce
Machine Learning Using TIL
Popis výsledku anglicky
In this paper we deal with machine learning methods and algorithms applied to the area of geographic data. First, we briefly introduce learning with a supervisor that is applied in our case. Then we describe the algorithm 'Framework' together with heuristic methods used in it. Definitions of particular geographic objects, i.e. their concepts, are formulated in our background theory Transparent Intensional Logic (TIL) as TIL constructions. These concepts serve as general hypotheses. Basic principles of supervised machine learning are generalization and specialization. Given a positive example, the learner generalizes, while after a nearmiss example specialization is applied. Heuristic methods deal with the way generalization and specialization are applied.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Návaznosti výsledku
Projekt
<a href="/cs/project/GA18-23891S" target="_blank" >GA18-23891S: Hyperintensionální usuzování nad texty přirozeného jazyka</a><br>
Návaznosti
S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2020
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Frontiers in Artificial Intelligence and Applications. Volume 321
ISBN
978-1-64368-044-6
ISSN
0922-6389
e-ISSN
—
Počet stran výsledku
19
Strana od-do
344-362
Název nakladatele
IOS Press
Místo vydání
Amsterdam
Místo konání akce
Lappeenranta
Datum konání akce
3. 6. 2019
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—