Librería Samer Atenea
Librería Aciertas (Toledo)
Kálamo Books
Librería Perelló (Valencia)
Librería Elías (Asturias)
Donde los libros
Librería Kolima (Madrid)
Librería Proteo (Málaga)
William Senfuma, magister nauk ścisłych: studiował informatykę na Uniwersytecie Makerere. Analityk danych w firmie Tiaxa w Niemczech. Wybór najlepszego algorytmu odkrywania związków przyczynowych dla nowego zbioru danych jest trudnym i czasochłonnym procesem, ponieważ wymaga od badacza posiadania wcześniejszej wiedzy na temat istniejących standardowych algorytmów uczenia się struktur. W ramach niniejszych badań zaproponowano nowatorskie podejście do tego problemu oparte na meta-uczeniu. Meta-uczenie odnosi się do uczenia się o algorytmach uczenia, w którym wykorzystuje się różne rodzaje metadanych, takie jak właściwości problemu uczenia, miary wydajności różnych algorytmów oraz poprzednie wzorce wyprowadzone z danych, w celu wybrania najlepszego lub kombinacji algorytmów uczenia, które pozwolą skutecznie rozwiązać dany problem uczenia. Wykorzystano kilka sieci bayesowskich opisanych w literaturze, z których pobrano próbki w celu wygenerowania tysięcy zbiorów danych, a następnie wyodrębniono z nich konkretne cechy do celów meta-uczenia. Na każdym z wygenerowanych zbiorów danych uruchomiono trzy standardowe algorytmy uczenia struktury w celu odkrycia podstawowych sieci przyczynowych, a następnie oceniono ich wydajność. Dzięki naszym nowym technikom udało nam się wdrożyć narzędzie do generowania wielu modeli przyczynowych, pobierania wielu zbiorów danych z każdego modelu, a następnie określenia najlepszego lub kombinacji algorytmów dla nowych zbiorów danych poprzez meta-uczenie.
