Metody doboru zmiennych do modelu z wykorzystaniem bibliotek sztucznej inteligencji

• Authors: Wołoszyn Jacek

Title variants

EN

Subset selection variables of the model using AI libraries

• Languages of publication: PL

Abstracts

PL

Inwestycje w struktury informatyczne firm zaowocowały niespotykanym wzrostem posiadanych danych. Ten olbrzymi przyrost danych gromadzony praktycznie w każdym aspekcie dziedziny życia doprowadził do wzrostu zainteresowania metodami wydobywania informacji, wiedzy czy zależności. Przeprowadzając rozmyślania w kategorii analityki danych prawie zawsze należy dokonać wyboru zmiennych tak, aby każdy model w swojej końcowej postaci jak najprecyzyjniej odzwierciedlał rozważany proces. W artykule tym przedstawione zostaną najczęściej stosowane metody doboru zmiennych do modelu. Proces ten jest jednym z etapów budowy modelu i od jego przebiegu zależy w dużym stopniu końcowy efekt działania modelu.

EN

Investments in IT structures of companies resulted in an unprecedented increase in the collected data. This enormous increase in data collected in practically every aspect of the sphere of life has led to an increased interest in the methods of extracting information, knowledge and dependencies. When thinking about data analytics, you should almost always select the data so that each model in its final form reflects the process under study as accurately as possible. In this article, the most common methods of selecting variables for the model will be presented. This process is one of the stages of model building and the final effect of the model to a large extent depends on its course.

Keywords

PL

model; sztuczna inteligencja; dobór zmiennych

EN

model; artificial intelligence; subset selection

• Publisher: Uniwersytet Rzeszowski
• Journal: Dydaktyka informatyki
• Year: 2021
• Volume: 16
• Pages: 143-151

Dates

published

2021-10-15

Contributors

author

Wołoszyn Jacek

• Uniwersytet Technologiczno-Humanistyczny

References

• Boschetti A, Massaron L, Python. Podstawy nauki o danych, Helion, Gliwice 2017.
• Goodrich M., Tamassia R., Goldwasser M., Data Structures and Algorithms in Python, Wiley 2013.
• Hilpisch Y., Derivatives Analytics with Python, Wiley 2015.
• Pedregosa F., Varoquaux G., Gramfort A., Michel V., Thirion B., Grisel O., Blondel M., Prettenhofer P., Weiss R., Dubourg V., Vanderplas J., Passos A., Cournapeau D., Brucher M., Perrot M., Duchesnay É., 12 Scikit-learn: Machine Learning in Python, „Journal of Machine Learning Research“ 2011, 12: 2825-2830.
• Raschka S., Mirjalili V., Python Machine Learning, Packt 2017.

Identifiers

DOI

10.15584/di.2021.16.14