| Attributes | Values |
|---|
| rdf:type
| |
| Description
| - Příspěvek je zaměřen na porovnání klasifikační schopností modelu samoučící se neuronové sítě a metod z oblasti shlukové analýzy. Důraz je kladen zejména na srovnání těchto rozdílných přístupů na konkrétním aplikačním příkladu nasazení, klasifikaci finanční situace podniku. Snahou je kriticky zhodnotit jednotlivé přístupy a to na úrovni jejich použitelnost a možnosti nasazení. Pro ověření klasifikačních schopností jednotlivých přístupů byla použita finanční data z databáze %22Credit info%22, konkrétně data popisující finanční situaci dvě stě jedenácti zemědělských podniků z homogenní a stejnorodé oblasti prvovýroby. Vstupní data byla v dalším, dle použité metody, upravena a vyhodnocena příslušnou metodikou. Nalezené výsledné řešení ukázalo, že použité přístupy nevykazují výrazné rozdíly, a lze tak říci, že jsou ekvivalentní. Na základě tohoto zjištění lze formulovat závěr, že přístup z oblasti umělé inteligence (samoučící se neuronová síť) je stejně efektivní jako dílčí metody z oblasti shlukové ana
- Příspěvek je zaměřen na porovnání klasifikační schopností modelu samoučící se neuronové sítě a metod z oblasti shlukové analýzy. Důraz je kladen zejména na srovnání těchto rozdílných přístupů na konkrétním aplikačním příkladu nasazení, klasifikaci finanční situace podniku. Snahou je kriticky zhodnotit jednotlivé přístupy a to na úrovni jejich použitelnost a možnosti nasazení. Pro ověření klasifikačních schopností jednotlivých přístupů byla použita finanční data z databáze %22Credit info%22, konkrétně data popisující finanční situaci dvě stě jedenácti zemědělských podniků z homogenní a stejnorodé oblasti prvovýroby. Vstupní data byla v dalším, dle použité metody, upravena a vyhodnocena příslušnou metodikou. Nalezené výsledné řešení ukázalo, že použité přístupy nevykazují výrazné rozdíly, a lze tak říci, že jsou ekvivalentní. Na základě tohoto zjištění lze formulovat závěr, že přístup z oblasti umělé inteligence (samoučící se neuronová síť) je stejně efektivní jako dílčí metody z oblasti shlukové ana (cs)
- The paper is focused on comparing the classification ability of the model with self-learning neutral network and methods from cluster analysis. The emphasis is particularly on the comparison of different approaches to a specific application example of the commitment, the classification of then financial situation. The aim is to critically evaluate different approaches at the level of application and deployment options. The verify the classification capability of the different approaches were used financial data from the database %22Credit Info%22, in particular data describing the financial situation of the two hundred eleven farms of homogeneous and uniform primary field. Input data were from the methods used, modified and evaluated by appropriate methodology. Found the final solution showed that the used approaches do not show significant differences, and they can say that they are equivalent. Based on this finding can formulate the conclusion that the approach of artificial intelligence (self-learn (en)
|
| Title
| - Srovnání použitelnosti neuronových sítí a clusterovacích metod na příkladu klasifikace finanční situace podniku
- Comparison of the applicability of neural networks and cluster classification methods on the example company's financial situation (en)
- Srovnání použitelnosti neuronových sítí a clusterovacích metod na příkladu klasifikace finanční situace podniku (cs)
|
| skos:prefLabel
| - Srovnání použitelnosti neuronových sítí a clusterovacích metod na příkladu klasifikace finanční situace podniku
- Comparison of the applicability of neural networks and cluster classification methods on the example company's financial situation (en)
- Srovnání použitelnosti neuronových sítí a clusterovacích metod na příkladu klasifikace finanční situace podniku (cs)
|
| skos:notation
| - RIV/62156489:43110/10:00166965!RIV11-MSM-43110___
|
| http://linked.open...avai/riv/aktivita
| |
| http://linked.open...avai/riv/aktivity
| |
| http://linked.open...iv/cisloPeriodika
| |
| 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
| |
| http://linked.open...ai/riv/idVysledku
| - RIV/62156489:43110/10:00166965
|
| http://linked.open...riv/jazykVysledku
| |
| http://linked.open.../riv/klicovaSlova
| - clustering; financial situation of companies; classification; neural network; self-learning (en)
|
| http://linked.open.../riv/klicoveSlovo
| |
| http://linked.open...odStatuVydavatele
| |
| http://linked.open...ontrolniKodProRIV
| |
| http://linked.open...i/riv/nazevZdroje
| - Acta universitatis agriculturae et silviculturae Mendelianae Brunensis
|
| http://linked.open...in/vavai/riv/obor
| |
| http://linked.open...ichTvurcuVysledku
| |
| http://linked.open...cetTvurcuVysledku
| |
| http://linked.open...UplatneniVysledku
| |
| http://linked.open...v/svazekPeriodika
| |
| http://linked.open...iv/tvurceVysledku
| - Konečný, Vladimír
- Trenz, Oldřich
|
| http://linked.open...n/vavai/riv/zamer
| |
| issn
| |
| number of pages
| |
| http://localhost/t...ganizacniJednotka
| |
| is http://linked.open...avai/riv/vysledek
of | |
![[RDF Data]](/fct/images/sw-rdf-blue.png)
![[cxml]](/fct/images/cxml_doc.png)
![[csv]](/fct/images/csv_doc.png)
![[text]](/fct/images/ntriples_doc.png)
![[turtle]](/fct/images/n3turtle_doc.png)
![[ld+json]](/fct/images/jsonld_doc.png)
![[rdf+json]](/fct/images/json_doc.png)
![[rdf+xml]](/fct/images/xml_doc.png)
![[atom+xml]](/fct/images/atom_doc.png)
![[html]](/fct/images/html_doc.png)