MENŠÍK, Marek, Marie DUŽÍ, Adam ALBERT, Vojtěch PATSCKA a Miroslav PAJR. Machine Learning Using TIL. In Dhanayake, A.; Huiskonen, J.; Kiyoki, Y.; Thalheim, B.; Jaakkola, H.; Yoshida, N. Frontiers in Artificial Intelligence and Applications. 321. vyd. Lappeenranta, Finland: IOS Press. s. 344-362. ISBN 978-1-64368-044-6. doi:10.3233/FAIA200024. 2019.
Další formáty:   BibTeX LaTeX RIS
Základní údaje
Originální název Machine Learning Using TIL
Autoři MENŠÍK, Marek (203 Česká republika, garant), Marie DUŽÍ (203 Česká republika), Adam ALBERT (203 Česká republika), Vojtěch PATSCKA (203 Česká republika) a Miroslav PAJR (203 Česká republika, domácí).
Vydání 321. vyd. Lappeenranta, Finland, Frontiers in Artificial Intelligence and Applications, od s. 344-362, 19 s. 2019.
Nakladatel IOS Press
Další údaje
Originální jazyk angličtina
Typ výsledku Stať ve sborníku
Obor 10201 Computer sciences, information science, bioinformatics
Stát vydavatele Finsko
Utajení není předmětem státního či obchodního tajemství
Forma vydání elektronická verze "online"
WWW Informační stránka o příspěvku u vydavatele sborníku
Kód RIV RIV/47813059:19240/19:A0000684
Organizační jednotka Filozoficko-přírodovědecká fakulta v Opavě
ISBN 978-1-64368-044-6
ISSN 0922-6389
Doi http://dx.doi.org/10.3233/FAIA200024
Klíčová slova anglicky Generalization; Heuristics; Machine learning; Specialization; Transparent internsional logic; TIL; Hypothesis
Štítky ÚI
Příznaky Mezinárodní význam, Recenzováno
Změnil Změnil: Mgr. Kamil Matula, Ph.D., učo 7389. Změněno: 16. 12. 2020 13:41.
Anotace
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 near-miss example specialization is applied. Heuristic methods deal with the way generalization and specialization are applied.
VytisknoutZobrazeno: 29. 3. 2024 13:51