Workflows

Sort by:
Showing 30 results. Use the filters on the left and the search box below to refine the results.
User: Mikolaj Morzy
Original Uploader

Workflow Algorytm EM (1)

Created: 11/05/11 @ 08:42:15 | Last updated: 11/05/11 @ 08:45:37

License: Creative Commons Attribution-No Derivative Works 3.0 Unported License

Thumb
Proces pokazuje przypadek wykorzystania algorytmu analizy skupień działającego według zasady expectation maximization (EM), czyli dopasowywania rozkładów do obserwowanego zbioru danych.

Rating: 0.0 / 5 (0 ratings) | Versions: 1 | Reviews: 0 | Comments: 0 | Citations: 0

Viewed: 24 times | Downloaded: 43 times

This Workflow has no tags!

Original Uploader

Workflow Odkrywanie reguł asocjacyjnych za pomocą a... (1)

Created: 31/03/11 @ 01:05:15 | Last updated: 31/03/11 @ 01:06:36

License: Creative Commons Attribution-No Derivative Works 3.0 Unported License

Thumb
Workflow pokazuje sposób wykorzystania operatorów Apriori i PredictiveApriori (z narzędzia Weka) do odkrywania reguł asocjacyjnych. Operator Set Role został wykorzystany do tego, żeby atrybut Play (który w oryginale jest zmienną celu) był potraktowany jak zwyczajny atrybut.

Rating: 0.0 / 5 (0 ratings) | Versions: 1 | Reviews: 0 | Comments: 0 | Citations: 0

Viewed: 48 times | Downloaded: 55 times

This Workflow has no tags!

Original Uploader

Workflow Przykład metody Stacking (1)

Created: 25/05/11 @ 08:12:51 | Last updated: 25/05/11 @ 08:15:17

License: Creative Commons Attribution-No Derivative Works 3.0 Unported License

Thumb
Poniższy przepływ pokazuje wykorzystanie operatora Stacking do tworzenia meta-klasyfikatorów. Operator Stacking pozwala na zagnieżdżenie dowolnej liczby modeli bazowych, które będą równolegle uczone na zbiorze uczącym. Drugim operatorem zagnieżdżonym jest model klasyfikatora, który uczy się na odpowiedziach modeli bazowych (czyli buduje model modeli odpowiedzi). W przykładzie jako modele bazowe wykorzystano: drzewo decyzyjne, algorytm k-NN, sieć neuronową i SVN, a ...

Rating: 0.0 / 5 (0 ratings) | Versions: 1 | Reviews: 0 | Comments: 1 | Citations: 0

Viewed: 37 times | Downloaded: 105 times

This Workflow has no tags!

Original Uploader

Workflow Wybór atrybutów na podstawie wagi (1)

Created: 23/03/11 @ 07:27:48 | Last updated: 23/03/11 @ 07:30:52

License: Creative Commons Attribution-No Derivative Works 3.0 Unported License

Thumb
Workflow pokazuje wykorzystanie operatora Weight by Relief w celu porównania wartości każdego atrybutu z wartościami danego atrybutu w sąsiednich instancjach należących do tej samej klasy. Każdy atrybut otrzymuje wagę (znormalizowaną bądź nie) określającą zbieżność wartości w poszczególnych klasach. Następnie, operator Select by Weight dokonuje filtrowania atrybutów.

Rating: 0.0 / 5 (0 ratings) | Versions: 1 | Reviews: 0 | Comments: 0 | Citations: 0

Viewed: 21 times | Downloaded: 95 times

This Workflow has no tags!

Original Uploader

Workflow Wybór parametru k dla algorytmu k-Means (1)

Created: 11/05/11 @ 08:13:18 | Last updated: 11/05/11 @ 08:14:46

License: Creative Commons Attribution-No Derivative Works 3.0 Unported License

Thumb
Proces pokazuje, w jaki sposób można eksperymentalnie dobrać właściwą wartość paramteru k dla algorytmów k-Means i k-Medoids. Jako miary jakości podziału wykorzystano średnią odległość od centroidu oraz indeks Daviesa-Bouldina

Rating: 0.0 / 5 (0 ratings) | Versions: 1 | Reviews: 0 | Comments: 0 | Citations: 0

Viewed: 30 times | Downloaded: 63 times

This Workflow has no tags!

Original Uploader

Workflow Uczenie z macierzą kosztów (1)

Created: 25/05/11 @ 08:37:46 | Last updated: 25/05/11 @ 08:38:43

License: Creative Commons Attribution-No Derivative Works 3.0 Unported License

Thumb
Przepływ pokazuje wykorzystanie operatora MetaCost, umożliwiającego wprowadzenie macierzy kosztów do procesu uczenia klasyfikatora na przykładzie naiwnego klasyfikatora Bayesa.

Rating: 0.0 / 5 (0 ratings) | Versions: 1 | Reviews: 0 | Comments: 0 | Citations: 0

Viewed: 32 times | Downloaded: 99 times

This Workflow has no tags!

Original Uploader

Workflow Wybór atrybutów na podsatwie algorytmu zac... (1)

Created: 23/03/11 @ 08:42:06 | Last updated: 23/03/11 @ 08:45:24

License: Creative Commons Attribution-No Derivative Works 3.0 Unported License

Thumb
Workflow pokazuje użycie algorytmu zachłannego do wyboru cech. Algorytm może wykonywać zarówno wyboru progresywnego (forward selection) jak i selekcji wstecznej (backward selection). Do oceny jakości rozwiązania algorytm wykorzystuje klasyfikator k-najbliższych sąsiadów i 10-krotną walidację krzyżową.

Rating: 0.0 / 5 (0 ratings) | Versions: 1 | Reviews: 0 | Comments: 0 | Citations: 0

Viewed: 27 times | Downloaded: 59 times

This Workflow has no tags!

Original Uploader

Workflow Przyklad metody Bagging (1)

Created: 25/05/11 @ 07:46:47 | Last updated: 25/05/11 @ 07:54:18

License: Creative Commons Attribution-No Derivative Works 3.0 Unported License

Thumb
Proces pokazuje przykład wykorzystania metody Bagging do tworzenia zlożonych klasyfikatorów. Metoda generuje 10 niezależnych modeli drzewa decyzyjnego (każdy na podstawie 90% próbki zbioru uczącego). Ostateczna odpowiedź jest wynikiem głosowania.

Rating: 0.0 / 5 (0 ratings) | Versions: 1 | Reviews: 0 | Comments: 0 | Citations: 0

Viewed: 19 times | Downloaded: 125 times

This Workflow has no tags!

Original Uploader

Workflow Usunięcie skorelowanych atrybutów (1)

Created: 23/03/11 @ 00:26:30 | Last updated: 23/03/11 @ 00:35:17

License: Creative Commons Attribution-No Derivative Works 3.0 Unported License

Thumb
To jest najprostszy workflow obrazujący proces wyboru atrybutów. Operator Remove Correlated Attributes usuwa wszystkie atrybuty, których wzajemna korelacja przekracza zadany próg. Operator wykorzystuje prosty współczynnik korelacji Pearsona.

Rating: 0.0 / 5 (0 ratings) | Versions: 1 | Reviews: 0 | Comments: 0 | Citations: 0

Viewed: 38 times | Downloaded: 136 times

This Workflow has no tags!

Original Uploader

Workflow Algorytmy k-Means i k-Medoids (1)

Created: 11/05/11 @ 07:26:11 | Last updated: 11/05/11 @ 07:29:11

License: Creative Commons Attribution-No Derivative Works 3.0 Unported License

Thumb
Przepływ pokazuje zastosowanie algorytmów k-Means i k-Medoids do przeprowadzenia analizy skupień. Analizie podlega zbiór danych Iris, przy czym oryginalne dane zostały przetransformowane z przestrzeni 4-wymiarowej do przestrzeni 2-wymiarowej za pomocą operatora Singular Value Decomposition. Redukcja liczby wymiarów ma na celu uproszczenie wizualizacji wynikowych modeli.

Rating: 0.0 / 5 (0 ratings) | Versions: 1 | Reviews: 0 | Comments: 0 | Citations: 0

Viewed: 36 times | Downloaded: 68 times

This Workflow has no tags!

Sort by:

Results per page:

New/Upload

Log in / Register

Username or Email:

Password:

Remember me:

OR

Use OpenID:


(eg: name.myopenid.com)

Need an account?
Click here to register

Forgot Password?

Front Page

Home

Invite people to myExperiment Alpha

Help pages

About Us

News and Events

Mailing List

Contact Us

Developers

Publications


Taverna Workflow Workbench

myGrid

BioCatalogue

Trident

Google Coop Search

EPSRC

JISC

Microsoft

Powered by:

Rails

Icons:
Silk icon set 1.3