| Attributes | Values |
|---|
| rdf:type
| |
| Description
| - This article deals with usage of self-organizing neural network in evaluation of consumer behaviour. In a method part there are evaluated different methods for learning the self-organizing neural network. On base of comparison of supervised learning, unsupervised learning and semi-supervised learning and their binding conditions there is pointed out an advantage of semi-supervised learning. After exploration of learning algorithms for semi-supervised learning: label propagation, self-training and co-training, the co-training algorithm for Kohonen map learning for future research is evinced. In concrete application in evaluation of household expenses in EU countries for years 1999 and 2002 have been chosen the principle of unsupervised learning. The results of the analysis that have been made are the Kohonen maps. They show a distribution of expenses of each country. This graphic representation makes possible to watch not only the country ranking into several groups of similarity but also (en)
- Tato práce popisuje využití samoorganizující se neuronové sítě pro hodnocení chování spotřebitele. V metodické části hodnotí různé metody učení samoorganizující se neuronové sítě. Na základě porovnání principu učení s učitelem, učení bez učitele a učení s částečným dohledem a jejich omezu jících podmínek jsou vysvětleny výhody přístupu učení s částečným dohledem -- semi-supervised learning. Při zkoumání učicích algoritmů učení s částečným dohledem učitele: label propagation, self- training a co-training se ukazuje jako vhodné pro budoucí výzkum zejména využití principu co-training pro učení Kohonenovy mapy. Pro konkrétní aplikace na hodnocení výdajů domácností států Evropské unie pro roky 1999 a 2002 byl vybrán princip učení bez učitele. Výsledkem provedené analýzy jsou Kohonenovy mapy, které znázorňují rozložení výdajů jednotlivých států. Tato grafi cká reprezentace dat umožňuje sledovat kromě zařazení států do několika skupin podobnosti také topologické vztahy mezi těmito daty, grafi ckou
- Tato práce popisuje využití samoorganizující se neuronové sítě pro hodnocení chování spotřebitele. V metodické části hodnotí různé metody učení samoorganizující se neuronové sítě. Na základě porovnání principu učení s učitelem, učení bez učitele a učení s částečným dohledem a jejich omezu jících podmínek jsou vysvětleny výhody přístupu učení s částečným dohledem -- semi-supervised learning. Při zkoumání učicích algoritmů učení s částečným dohledem učitele: label propagation, self- training a co-training se ukazuje jako vhodné pro budoucí výzkum zejména využití principu co-training pro učení Kohonenovy mapy. Pro konkrétní aplikace na hodnocení výdajů domácností států Evropské unie pro roky 1999 a 2002 byl vybrán princip učení bez učitele. Výsledkem provedené analýzy jsou Kohonenovy mapy, které znázorňují rozložení výdajů jednotlivých států. Tato grafi cká reprezentace dat umožňuje sledovat kromě zařazení států do několika skupin podobnosti také topologické vztahy mezi těmito daty, grafi ckou (cs)
|
| Title
| - Využití samoorganizující se neuronové sítě pro hodnocení chování spotřebitele
- Usage of self-organizing neural networks in evaluation of consumer behaviour (en)
- Využití samoorganizující se neuronové sítě pro hodnocení chování spotřebitele (cs)
|
| skos:prefLabel
| - Využití samoorganizující se neuronové sítě pro hodnocení chování spotřebitele
- Usage of self-organizing neural networks in evaluation of consumer behaviour (en)
- Využití samoorganizující se neuronové sítě pro hodnocení chování spotřebitele (cs)
|
| skos:notation
| - RIV/62156489:43110/10:00168860!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/62156489:43110/10:00168860
|
| http://linked.open...riv/jazykVysledku
| |
| http://linked.open.../riv/klicovaSlova
| - label propagation; neural networks; co-training; behaviour of consumers; semi-supervised learning; self-training; Kohonen map (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
| - Fejfar, Jiří
- Weinlichová, Jana
|
| 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)