This HTML5 document contains 44 embedded RDF statements represented using HTML+Microdata notation.

The embedded RDF content will be recognized by any processor of HTML5 Microdata.

Namespace Prefixes

PrefixIRI
dctermshttp://purl.org/dc/terms/
n14http://localhost/temp/predkladatel/
n7http://linked.opendata.cz/resource/domain/vavai/riv/tvurce/
n17http://linked.opendata.cz/resource/domain/vavai/vysledek/RIV%2F62156489%3A43110%2F10%3A00166965%21RIV11-MSM-43110___/
n12http://linked.opendata.cz/ontology/domain/vavai/
n16http://linked.opendata.cz/resource/domain/vavai/zamer/
shttp://schema.org/
skoshttp://www.w3.org/2004/02/skos/core#
n3http://linked.opendata.cz/ontology/domain/vavai/riv/
n2http://linked.opendata.cz/resource/domain/vavai/vysledek/
rdfhttp://www.w3.org/1999/02/22-rdf-syntax-ns#
n4http://linked.opendata.cz/ontology/domain/vavai/riv/klicoveSlovo/
n8http://linked.opendata.cz/ontology/domain/vavai/riv/duvernostUdaju/
xsdhhttp://www.w3.org/2001/XMLSchema#
n13http://linked.opendata.cz/ontology/domain/vavai/riv/jazykVysledku/
n10http://linked.opendata.cz/ontology/domain/vavai/riv/aktivita/
n18http://linked.opendata.cz/ontology/domain/vavai/riv/druhVysledku/
n11http://linked.opendata.cz/ontology/domain/vavai/riv/obor/
n5http://reference.data.gov.uk/id/gregorian-year/

Statements

Subject Item
n2:RIV%2F62156489%3A43110%2F10%3A00166965%21RIV11-MSM-43110___
rdf:type
skos:Concept n12:Vysledek
dcterms: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 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 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
dcterms:title
Comparison of the applicability of neural networks and cluster classification methods on the example company's financial situation Srovnání použitelnosti neuronových sítí a clusterovacích metod na příkladu klasifikace finanční situace podniku Srovnání použitelnosti neuronových sítí a clusterovacích metod na příkladu klasifikace finanční situace podniku
skos:prefLabel
Srovnání použitelnosti neuronových sítí a clusterovacích metod na příkladu klasifikace finanční situace podniku 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
skos:notation
RIV/62156489:43110/10:00166965!RIV11-MSM-43110___
n3:aktivita
n10:Z
n3:aktivity
Z(MSM6215648904)
n3:cisloPeriodika
6
n3:dodaniDat
n5:2011
n3:domaciTvurceVysledku
n7:9234608 n7:5023432
n3:druhVysledku
n18:J
n3:duvernostUdaju
n8:S
n3:entitaPredkladatele
n17:predkladatel
n3:idSjednocenehoVysledku
289493
n3:idVysledku
RIV/62156489:43110/10:00166965
n3:jazykVysledku
n13:cze
n3:klicovaSlova
clustering; financial situation of companies; classification; neural network; self-learning
n3:klicoveSlovo
n4:neural%20network n4:clustering n4:self-learning n4:financial%20situation%20of%20companies n4:classification
n3:kodStatuVydavatele
CZ - Česká republika
n3:kontrolniKodProRIV
[43EEBD7EAE9A]
n3:nazevZdroje
Acta universitatis agriculturae et silviculturae Mendelianae Brunensis
n3:obor
n11:IN
n3:pocetDomacichTvurcuVysledku
2
n3:pocetTvurcuVysledku
2
n3:rokUplatneniVysledku
n5:2010
n3:svazekPeriodika
2010
n3:tvurceVysledku
Trenz, Oldřich Konečný, Vladimír
n3:zamer
n16:MSM6215648904
s:issn
1211-8516
s:numberOfPages
8
n14:organizacniJednotka
43110