About: Přínos učících se metod statistického rozpoznávání obrazů při hledání faktorů konkurenceschopnosti českých podniků     Goto   Sponge   NotDistinct   Permalink

An Entity of Type : http://linked.opendata.cz/ontology/domain/vavai/Vysledek, within Data Space : linked.opendata.cz associated with source document(s)

AttributesValues
rdf:type
Description
  • Příspěvek je věnován metodické stránce měření souvislosti mezi potenciálními faktory konkurenceschopnosti a samotnou konkurenceschopností. Představuje metodu sekvenčního dopředného plovoucího výběru (SFFS) z kategorie metod statistického rozpoznávání obrazů a její aplikaci na data 432 podniků, u nichž byla známa hospodářská výkonnost a pro něž bylo za každý podnik k dispozici až 683 potenciálních faktorů této výkonnosti. Text proto shrnuje známé přístupy k této problematice, popisuje metodu SFFS a na dosažených výsledcích dokazuje její přínos k dané problematice. Nespornou výhodou této metody je její nenáročnost na charakter dat: nevyžaduje apriorní model nebo normalitu. Dále je schopna vyhodnotit souvislosti mezi mnoha proměnnými najednou, a to v přijatelném časovém horizontu. Článek ale uvádí i nevýhody této metody.
  • Příspěvek je věnován metodické stránce měření souvislosti mezi potenciálními faktory konkurenceschopnosti a samotnou konkurenceschopností. Představuje metodu sekvenčního dopředného plovoucího výběru (SFFS) z kategorie metod statistického rozpoznávání obrazů a její aplikaci na data 432 podniků, u nichž byla známa hospodářská výkonnost a pro něž bylo za každý podnik k dispozici až 683 potenciálních faktorů této výkonnosti. Text proto shrnuje známé přístupy k této problematice, popisuje metodu SFFS a na dosažených výsledcích dokazuje její přínos k dané problematice. Nespornou výhodou této metody je její nenáročnost na charakter dat: nevyžaduje apriorní model nebo normalitu. Dále je schopna vyhodnotit souvislosti mezi mnoha proměnnými najednou, a to v přijatelném časovém horizontu. Článek ale uvádí i nevýhody této metody. (cs)
  • The submitted paper concentrates on the methodical aspects of measuring the relationship between potential competitiveness factors and the corporate competitiveness. We employ methods of statistical pattern recognition, particularly the sequential forward flow search algorithm (SFFS). The algorithm is applied on data from 432 companies. For these companies there was known their financial performance and there was up to 683 (each company) potential factors of this performance in our database. The text therefore summarizes the known approaches, describes the SFFS algorithm and proves its contribution to this field of research. An undeniable advantage of this method is its low demands on data: it does not require the normality or an a priori model. Also, it is able to evaluate relationships among many variables at once in acceptable time frame. The article presents the drawbacks of this method as well. (en)
Title
  • Přínos učících se metod statistického rozpoznávání obrazů při hledání faktorů konkurenceschopnosti českých podniků
  • Přínos učících se metod statistického rozpoznávání obrazů při hledání faktorů konkurenceschopnosti českých podniků (cs)
  • Contribution of statistical pattern recognition methods for identification of competitiveness factors of Czech companies (en)
skos:prefLabel
  • Přínos učících se metod statistického rozpoznávání obrazů při hledání faktorů konkurenceschopnosti českých podniků
  • Přínos učících se metod statistického rozpoznávání obrazů při hledání faktorů konkurenceschopnosti českých podniků (cs)
  • Contribution of statistical pattern recognition methods for identification of competitiveness factors of Czech companies (en)
skos:notation
  • RIV/00216224:14560/10:00045342!RIV11-MSM-14560___
http://linked.open...avai/riv/aktivita
http://linked.open...avai/riv/aktivity
  • P(1M0524), S
http://linked.open...iv/cisloPeriodika
  • 9
http://linked.open...vai/riv/dodaniDat
http://linked.open...aciTvurceVysledku
http://linked.open.../riv/druhVysledku
http://linked.open...iv/duvernostUdaju
http://linked.open...titaPredkladatele
http://linked.open...dnocenehoVysledku
  • 281773
http://linked.open...ai/riv/idVysledku
  • RIV/00216224:14560/10:00045342
http://linked.open...riv/jazykVysledku
http://linked.open.../riv/klicovaSlova
  • Corporate competitiveness; statistical pattern recognition; factors of competitiveness; sequential forward flow search (en)
http://linked.open.../riv/klicoveSlovo
http://linked.open...odStatuVydavatele
  • SK - Slovenská republika
http://linked.open...ontrolniKodProRIV
  • [22FF14348371]
http://linked.open...i/riv/nazevZdroje
  • Ekonomický časopis/Journal of Economics
http://linked.open...in/vavai/riv/obor
http://linked.open...ichTvurcuVysledku
http://linked.open...cetTvurcuVysledku
http://linked.open...vavai/riv/projekt
http://linked.open...UplatneniVysledku
http://linked.open...v/svazekPeriodika
  • 58
http://linked.open...iv/tvurceVysledku
  • Špalek, Jiří
  • Částek, Ondřej
issn
  • 0013-3035
number of pages
http://localhost/t...ganizacniJednotka
  • 14560
is http://linked.open...avai/riv/vysledek of
Faceted Search & Find service v1.16.118 as of Jun 21 2024


Alternative Linked Data Documents: ODE     Content Formats:   [cxml] [csv]     RDF   [text] [turtle] [ld+json] [rdf+json] [rdf+xml]     ODATA   [atom+xml] [odata+json]     Microdata   [microdata+json] [html]    About   
This material is Open Knowledge   W3C Semantic Web Technology [RDF Data] Valid XHTML + RDFa
OpenLink Virtuoso version 07.20.3240 as of Jun 21 2024, on Linux (x86_64-pc-linux-gnu), Single-Server Edition (126 GB total memory, 58 GB memory in use)
Data on this page belongs to its respective rights holders.
Virtuoso Faceted Browser Copyright © 2009-2024 OpenLink Software