Since early 90s of 20th century has seen a steady and dynamic growth databases and collected information. There has also been a steady increase in demand for information, on the other hand growth in collection and storage information. One of the properties of some databases is their dynamic, changing during the group structure. The article presents an overview of the basic concepts of dynamic grouping and its proposed new definition. It was also a practical method to implement dynamic grouping based on self-learning neural network type of GNG. The results of simulation studies are presented in a dynamic grouping.
PL
Od początku lat 90-tych XX wieku obserwuje się stały, dynamiczny wzrost liczby baz danych i zbieranych w nich informacji. Obserwuje się też stały wzrost zapotrzebowania na informacje, a z drugiej strony stały wzrost możliwości ich zbierania i przechowywania. Jedną z własności niektórych baz danych jest ich dynamiczna, zmieniająca się w czasie struktura grupowa. W artykule przedstawiono przegląd podstawowych koncepcji grupowania dynamicznego i zaproponowano jego nową definicję. Wskazano także praktyczną metodę realizacji grupowania dynamicznego opartą na samouczącej się sieci neuronowej typu GNG. Przedstawiono wyniki badań symulacyjnych nad własnościami takiej sieci w grupowaniu dynamicznym.
Celem prezentowanych badań jest analiza porównawcza wybranych klasycznych metod grupowania danych z autorskimi, hybrydowymi metodami opartymi na samouczących się sieciach neuronowych typu Self Organizing Map (SOM) i Growing Neural Gas (GNG). Wykazano eksperymentalnie, że w wyróżnianiu złożonych struktur przestrzennych badanych jednostek najczęściej stosowane metody klasyczne mogą być nieskuteczne. Znacząco lepsze wyniki spośród uwzględnionych metod uzyskano dla hybrydowej sieci neuronowej typu SOM+GNG. Wykazano także, że w testowanych przypadkach samodzielnie stosowana sieć GNG charakteryzuje się najlepszymi własnościami wyróżniania skupień spośród wszystkich badanych metod.
Rozwój techniki teleinformacyjnej, Internetu i informatyki przy jednoczesnym spadku jednostkowych kosztów gromadzenia i przechowywania danych powoduje istotne ilościowe i jakościowe zmiany w podejściu zarówno do samych danych, jak i możliwości ich analizy. Ten coraz bardziej gęsty, ciągły i niestrukturyzowany strumień danych, nazywany Big Data, wywołuje współcześnie wiele emocji. Z jednej strony brak odpowiedniej ilości danych był zawsze wyzwaniem dla metod wnioskowania statystycznego i jednym z bodźców ich rozwoju. Jednak z drugiej strony, w dużych liczebnościach prób zawarte są liczne zagrożenia dla wiarygodności wnioskowania. W zbiorach takich, poza danymi o odpowiedniej jakości (Clear Data), znaczny udział mają dane nieprawdziwe, nieaktualne, zaszumione, często wielokrotnie zduplikowane, niekompletne lub błędne (Dirty Data), a także dane, o których jakości czy użyteczności nic nie wiadomo (Dark Data). Celem prezentowanych badań jest krytyczne przedstawienie struktury jakościowej zbioru Big Data.
Jednym z elementów nauczania wczesnoszkolnego w Polsce jest nauka podstaw muzyki, wiedzy o instrumentach i elementów słuchu muzycznego. Na przełomie 2015 i 2016 roku Instytut Muzyki i Tańca w Warszawie przeprowadził ogólnopolskie badanie poziomu kształcenia muzycznego dzieci w klasach I-III szkół podstawowych. W badaniu tym przeprowadzono wywiady z dziećmi i ich nauczycielami. Dzieci odpowiadały na pytania dotyczące ich zainteresowań muzyką, a także na pytania związane z ich wiedzą i umiejętnościami osiągniętymi w szkole. Nauczycieli pytano o warunki i możliwości prowadzenia zajęć muzycznych w szkole. W badaniu uwzględniono zróżnicowanie przestrzenne placówek szkolnych w Polsce, liczbę oddziałów szkolnych w placówkach i typ miejscowości. Celem prezentowanych badań jest ocena poziomu wczesnoszkolnego kształcenia muzycznego dzieci w Polsce.
The authors of the study put forward a hypothesis that it is possible to extend the forecast period for the models of discriminant analysis used to assess the risk of enterprise bankruptcy, focusing on the components of these functions in the form of one-dimensional predictors, i.e. the indicators most frequently included in the discriminant functions developed in Poland. Early warning about the growing risk of bankruptcy would be very valuable for any company. The dataset was constructed from all enterprises in Poland that went bankrupt in the years 2007-2013, which was the end of the research project period. Out of the 4,750 business entities that went bankrupt at that time, 2,739 filed financial statements with commercial courts. The main objective was realized using dynamic assessment of the variability of selected one-dimensional predictors of bankruptcy for all of these enterprises. Assessment of the time variability of the indicators under analysis allows conclusions on the predictive possibilities associated with early warning against insolvency of business entities. The results constitute input to the discussion on determination of the longest prognostic horizon that can be adopted in the models of discriminant analysis used to assess the risk of enterprise bankruptcy. Most of them cover an annual forecasting horizon. Only a few authors have attempted to construct models based on data from the two, three, or even four years preceding bankruptcy. The study showed that the main symptoms of the growing risk of bankruptcy in most of the surveyed enterprises are visible much earlier than one year before bankruptcy. This provides an opportunity to correct the predictive models and more time to restructure the company, to prevent bankruptcy. Therefore, the authors of the study have assessed the possibility of extending this forecast period.
JavaScript is turned off in your web browser. Turn it on to take full advantage of this site, then refresh the page.