Rozšíření systémů strojového učení WEKA a RapidMiner o algoritmus ART – Mgr. Martin Řehánek
Mgr. Martin Řehánek
Bachelor's thesis
Rozšíření systémů strojového učení WEKA a RapidMiner o algoritmus ART
Extending the machine-learning systems WEKA and RapidMiner by the algorithm ART
Abstract:
Cílem teto práce bylo implementovat moderní shlukovací algoritmus Adaptive resonance theory a zabudovat jej do systému strojového učení WEKA a RapidMiner.Abstract:
Goal of this thesis was to implement modern clustering (machine learning) algorithm Adaptive Resonance theory (version 1) and incorporate it into the WEKA and RapidMiner machine learning suits.
Language used: Czech
Date on which the thesis was submitted / produced: 7. 1. 2008
Identifier:
https://is.muni.cz/th/aoq79/
Thesis defence
- Date of defence: 5. 2. 2008
- Supervisor: doc. Ing. Jan Žižka, CSc.
- Reader: Mgr. Tomáš Hudík
Citation record
Full text of thesis
Contents of on-line thesis archive
Published in Theses:- světu
Other ways of accessing the text
Institution archiving the thesis and making it accessible: Masarykova univerzita, Fakulta informatikyMasaryk University
Faculty of InformaticsBachelor programme / field:
Applied Informatics / Applied Informatics
Theses on a related topic
-
Vlastnosti a použití umělých neuronových sítí založených na teorii adaptivní rezonance
Ondřej Janů -
Strojové učení s využitím metody transfer learning
Jan Štol -
Localization of mobile devices using machine learning
Aleš Calábek -
Asset allocation with reinforcement learning
Lukáš Galeta -
Převod vybraných algoritmů data-mining z jazyka Java do binární (.exe) formy
Jakub Šrom -
Aplikace data miningu pro podporu rozhodování v bankovnictví
Tatyana Tyrnova -
Agilní data mining firemních dat
Jakub Jirkovský -
Predikce výsledků hokejových utkání pomocí data mining modelu
Martin Matuš