CCL

Összesen 5 találat.
#/oldal:
Részletezés:
Rendezés:

1.

001-es BibID:BIBFORM080261
Első szerző:Jreissat, Elias Radi
Cím:Cloud Computing Regulations and Readiness : Comparison Study (United Kingdom, Germany and Hungary) / Elias R. Jreissat
Dátum:2020
ISSN:2193-1127
Tárgyszavak:Műszaki tudományok Informatikai tudományok idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
Megjelenés:EPJ Data Science. - [Epub ahead of print] (2020), p. 1-14. -
Internet cím:Intézményi repozitóriumban (DEA) tárolt változat
Borító:

2.

001-es BibID:BIBFORM118867
Első szerző:Lakatos Róbert (informatikus)
Cím:A Machine Learning-Based Pipeline for the Extraction of Insights from Customer Reviews / Róbert Lakatos, Gergő Bogacsovics, Balázs Harangi, István Lakatos, Attila Tiba, János Tóth, Marianna Szabó, András Hajdu
Dátum:2024
ISSN:2504-2289
Megjegyzések:The efficiency of natural language processing has improved dramatically with the advent of machine learning models, particularly neural network-based solutions. However, some tasks are still challenging, especially when considering specific domains. This paper presents a model that can extract insights from customer reviews using machine learning methods integrated into a pipeline. For topic modeling, our composite model uses transformer-based neural networks designed for natural language processing, vector-embedding-based keyword extraction, and clustering. The elements of our model have been integrated and tailored to better meet the requirements of efficient information extraction and topic modeling of the extracted information for opinion mining. Our approach was validated and compared with other state-of-the-art methods using publicly available benchmark datasets. The results show that our system performs better than existing topic modeling and keyword extraction methods in this task.
Tárgyszavak:Műszaki tudományok Informatikai tudományok idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
machine learning
deep learning
topic modeling
keyphrase extraction
natural language processing
Megjelenés:Big Data and Cognitive Computing. - 8 : 3 (2024), p. 1-24. -
További szerzők:Bogacsovics Gergő (1996-) (informatikus) Harangi Balázs (1986-) (programtervező matematikus) Lakatos István (1995-) (programtervező informatikus) Tiba Attila (1990-) (informatikus, matematikus) Tóth János (1984-) (programtervező matematikus) Szabó Marianna (1995-) (programtervező informatikus) Hajdu András (1973-) (matematikus, informatikus)
Pályázati támogatás:GINOP-2.3.2-15-2016-00005
GINOP
TKP2021-NKTA-34
Egyéb
2020-1.1.2-PIACI-KFI-2021-00223
Egyéb
KDP-2021 C1774095
Egyéb
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

3.

001-es BibID:BIBFORM115801
035-os BibID:(cikkazonosító)149 (WoS)001092471800001 (Scopus)85175241874
Első szerző:Szutor Péter (mérnökinformatikus)
Cím:Fast Radius Outlier Filter Variant for Large Point Clouds / Péter Szutor, Marianna Zichar
Dátum:2023
ISSN:2306-5729
Megjegyzések:Currently, several devices (such as laser scanners, Kinect, time of flight cameras, medical imaging equipment (CT, MRI, intraoral scanners)), and technologies (e.g., photogrammetry) are capable of generating 3D point clouds. Each point cloud type has its unique structure or characteristics, but they have a common point: they may be loaded with errors. Before further data processing, these unwanted portions of the data must be removed with filtering and outlier detection. There are several algorithms for detecting outliers, but their performances decrease when the size of the point cloud increases. The industry has a high demand for efficient algorithms to deal with large point clouds. The most commonly used algorithm is the radius outlier filter (ROL or ROR), which has several improvements (e.g., statistical outlier removal, SOR). Unfortunately, this algorithm is also limited since it is slow on a large number of points. This paper introduces a novel algorithm, based on the idea of the ROL filter, that finds outliers in huge point clouds while its time complexity is not exponential. As a result of the linear complexity, the algorithm can handle extra large point clouds, and the effectiveness of this is demonstrated in several tests.
Tárgyszavak:Műszaki tudományok Informatikai tudományok idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
radius outlier filter
point cloud
LiDAR
noise filtering
Megjelenés:Data. - 8 : 10 (2023), p. 1-13. -
További szerzők:Bodroginé Zichar Marianna (1971-) (informatikus, matematikus)
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

4.

001-es BibID:BIBFORM088696
035-os BibID:(cikkazonosító)38
Első szerző:Takács Viktor László (közgazdász, informatikus)
Cím:Data Warehouse Hybrid Modeling Methodology / Viktor László Takács, Katalin Bubnó, Gergely Gábor Ráthonyi, Éva Bácsné Bába, Róbert Szilágyi
Dátum:2020
ISSN:1683-1470
Megjegyzések:The classic conceptual modeling around business processes followed by the 'bus matrix' methodology of designing the data cubes of data warehouses (Kimball & Ross 2013). For a serious system, such a quantity of management questions and dimensions, the bus matrix results a difficult-to-understand conceptual data model. The subject of automation and conceptual design - to which many individual methods already have been developed - are relevant topics in today's literature also. In the 2010s data warehouse projects were realized in Hungarian higher education to inform the decision makers of the universities about their own institutions. As we participated in this project in 2009-2010, we faced that our bus matrix at the end contained about 80-120 indicators with nearly 200 dimensions (dimensional attributes), therefore we worked on the early stenography to formalize the management question. We provide a kind of 'business intelligence problem solving thinking' and a kind of descriptive language that can serve it and present a method which has two novelties compared to formers: 1. It is based on the management questions and its visualization. 2. As a kind of stenography, it is always based on the terminology corresponding to the current problem, so it forms an intermediate language for the data model. We introduce our method through an example in a popular research area which is activity tracking.
Tárgyszavak:Műszaki tudományok Informatikai tudományok idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
Formal methods
Data science
Megjelenés:Data Science Journal. - 19 : 1 (2020), p. 1-23. -
További szerzők:Takácsné Bubnó Katalin (1974-) (matematika tanár, informatika tanár) Ráthonyi Gergely Gábor (1985-) (informatikus agrármérnök) Bácsné Bába Éva (1968-) (bölcsésztanár, szakközgazda) Szilágyi Róbert (1978-) (gazdasági agrármérnök)
Pályázati támogatás:GINOP-2.3.2-15-2016-00005
GINOP
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

5.

001-es BibID:BIBFORM060406
035-os BibID:(WoS)000384428500005 (Scopus)84990212169
Első szerző:Vágner Anikó (informatikus)
Cím:The GridOPTICS clustering algorithm / Anikó Vágner
Dátum:2016
ISSN:1088-467X 1571-4128
Megjegyzések:The OPTICS algorithm is a hierarchical density-based clustering method. It creates reachability plots to identify all clusters in the point set. Nevertheless, it has limitation, namely it is very slow for large data sets. We introduce the GridOPTICS algorithm, which builds a grid structure to reduce the number of data points, then it applies the OPTICS clustering algorithm on the grid structure. In order to get the clusters, the algorithm uses the reachability plots of the grid structure, then it determines to which cluster the original input points belong. The experimental results show that our new algorithm is faster than the OPTICS, the speed-up can be one or two orders of magnitude or more, which depends mainly on the (tau) parameter of the GridOPTICS algorithm. At the end of the article, we give some advice to which point set you can apply the GridOPTICS algorithm.
Tárgyszavak:Műszaki tudományok Informatikai tudományok idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
clustering
large data set
optics
grid
Intelligens város közösségi alkotásból
Megjelenés:Intelligent Data Analysis. - 20 : 5 (2016), p. 1061-1084. -
Pályázati támogatás:TÁMOP-4.2.2.C-11/1/KONV-2012-0001
TÁMOP
Adat menedzsment és tudásfeltárás intelligens város alkalmazásokhoz
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Rekordok letöltése1 
Corvina könyvtári katalógus v8.2.27 © 2023 Monguz kft. Minden jog fenntartva.