Big data
Dotaz
Zobrazit nápovědu
... Předmluva n -- 1 Základy 13 -- C 1.1 Big data 13 -- 1.2 Věda o datech 19 -- 1.3 Umělá inteligence 24 ... ... -- 1.4 Data mining 25 -- 1.5 Strojové učení 26 -- 1.6 Business Intelligence 27 -- 1.7 Datové inženýrství ... ... 28 -- 1.8 Průnik disciplín 28 -- 1.9 Metodologie CRISP DM 30 -- P 1.10 Strategie používání dat 32 -- ... ... 1.11 Výuka vědy o datech 34 -- 1.12 Problematika COVID-19 36 -- 1.13 Souhrn 38 -- 2 Stručně o umělé ... ... -- 2.2 Expertní systémy 46 -- 2.3 Pravidla v expertním systému 48 -- 2.4 Souhrn 54 -- 3 Uspořádání dat ...
1. elektronické vydání 1 online zdroj (224 stran)
Big data a věda o datech jsou oblasti, které se v dnešní době plné dat rychle rozvíjejí v teorii i v aplikacích. Vliv Big dat, otevřených dat a příslušných datových infrastruktur je patrný v celé vědě, v obchodě, ve státních i občanských institucích. Z dat se tak postupně stává zboží.; V knize se popisují nejdůležitější procedury pro analyzování velkých množství dat s cílem získat poznatky, které pomáhají uživatelům provádět rozhodnutí v mnoha oblastech lidské činnosti.Prostor je věnován výkladu analýzy textů, určitým aspektům analýzy sociálních sítí a organizace dat na softwarové úrovni. Text obsahuje v přehledu popisy strategií, mnoha postupů a schémat algoritmů. Obsahuje kromě toho několik příkladů aplikace popisovaných metod v úlohách spojených s pandemií COVID-19.
- Klíčová slova
- Počítače a komunikace, Programování,
- MeSH
- analýza dat MeSH
- big data MeSH
- sociální sítě MeSH
- software MeSH
- umělá inteligence MeSH
- zpracování textu MeSH
... Předmluva n -- 1 Základy 13 -- C 1.1 Big data 13 -- 1.2 Věda o datech 19 -- 1.3 Umělá inteligence 24 ... ... -- 1.4 Data mining 25 -- 1.5 Strojové učení 26 -- 1.6 Business Intelligence 27 -- 1.7 Datové inženýrství ... ... 28 -- 1.8 Průnik disciplín 28 -- 1.9 Metodologie CRISP DM 30 -- P 1.10 Strategie používání dat 32 -- ... ... 1.11 Výuka vědy o datech 34 -- 1.12 Problematika COVID-19 36 -- 1.13 Souhrn 38 -- 2 Stručně o umělé ... ... -- 2.2 Expertní systémy 46 -- 2.3 Pravidla v expertním systému 48 -- 2.4 Souhrn 54 -- 3 Uspořádání dat ...
Průvodce
První vydání 224 stran : ilustrace ; 24 cm
Publikace se zaměřuje na analýzu velkých množství dat, analýzu textu a sociálních sítí, na umělou inteligenci či programování. Určeno odborné veřejnosti.; V knize se popisují nejdůležitější procedury pro analyzování velkých množství dat s cílem získat poznatky, které pomáhají uživatelům provádět rozhodnutí v mnoha oblastech lidské činnosti.Prostor je věnován výkladu analýzy textů, určitým aspektům analýzy sociálních sítí a organizace dat na softwarové úrovni. Text obsahuje v přehledu popisy strategií, mnoha postupů a schémat algoritmů. Obsahuje kromě toho několik příkladů aplikace popisovaných metod v úlohách spojených s pandemií COVID-19.
- MeSH
- analýza dat MeSH
- big data MeSH
- sociální sítě MeSH
- software MeSH
- umělá inteligence MeSH
- zpracování textu MeSH
- Publikační typ
- monografie MeSH
- Konspekt
- Programování. Software
- NLK Obory
- knihovnictví, informační věda a muzeologie
Práce s big daty vyžaduje použití prostředků umělé inteligence. Přináší to možnost transformace laboratorních výsledků do formy strojového učení-machine learning (ML). Od něho se očekává aktivace dat, přinášející zlepšení diagnostických možností laboratorních vyšetření. Jde o posuv od použití počítačů, sloužících z části jako skladiště mrtvých dat, k aktivnějšímu využití jejich potenciálu pro diagnostiku, management, edukaci, výzkum a další. Zejména pak k predikci stavu chorob a k precizní medicíně v onkologii i jinde. Důsledkem by měl být integrovaný mezioborový přístup k diagnostice a reálné dosažení efektivní personalizace při diagnostice a terapii pacientů. Sdělení je pokusem o pomoc při zavádění práce s big daty a umělou inteligencí v klinických laboratořích. Vychází z faktu obrovské akcelerace tohoto přístupu, zdaleka nejen pouze v laboratorní medicíně.
Working the big data needs using of artificial intelligence tools. This approach introduced currently into practice by large velocity leads to machine learning. Machine learning should be a strong way namely for the prediction of patient's state, for precision medicine in oncology and many more cases. For example for aiming the real personalisation of patients in dese of their diagnosis and therapy. This work can be a helpful tool for the introduction of artificial intelligence in routine clinical laboratories.
V dnešní době je patrný trend digitalizace zdravotnických ar-chivů a související dokumentace, nastává tedy čas na zapojení technologií označovaných Big Data v oblasti biomedicínské informatiky. Tyto technologie nabízí rychlejší a efektivnější zpra-cování a sdílení obrovského množství dat. Vzhledem k tomu, že zdravotní péče pracuje s velmi citlivými daty, je jedním z hlav-ních zájmů ochrana dat pacientů. V mnoha zemích probíhá programové zavádění elektronizace zdravotní péče. Například v USA probíhá „Health Information Technology for Economic and Clinical Health Act“, (HITECH). Cílem výzkumu je návrh a de-finice pravidel, která zamezí zneužití a únikům citlivých biome-dicínských dat. Současně však v minimální míře omezí efektivitu jejich zpracování a kvalitu výstupních dat. Hromadnost zpra-cování osobních a citlivých dat se postupně stává obrovským rizikem a současně příležitostí pro nastavení pravidel a procesů vedoucí k minimalizaci, či dokonce eliminaci těchto rizik. Big Data skrývají obrovský potenciál pro výzkum v oblasti biomedicíny v mnoha oblastech ať již při analýze segmentace pacientů, cen a výsledků léčby, kde umožní zjistit zdravotně a cenově nejefektivnější postup léčení pro konkrétního pacien-ta a také například v proaktivní identifikaci pacientů, u nichž by se vyplatila zdravotnická prevence. Principiálně jsou Big Data použitelná k tomu, aby z analýzy výskytu chorob bylo možné dělat epidemiologické závěry a navrhovat preventivní opatření, mohou pomáhat při detekci a minimalizaci pokusů o podvody ve zdravotnictví a veřejném zdravotním pojištění a také přiná-šejí příležitost spolupráce s farmaceutickými společnostmi tak, aby pro ně bylo snazší identifikovat skupinu relevantních paci-entů pro klinické testy (za předpokladu předchozího souhlasu pacientů a dodržení etických norem).Článek si bere za cíl vysvětlit rozdílné přístupy a oblasti bezpečnosti v souvislosti s hromadným zpracováním dat ať již z pohledu bezpečnosti databázových dat jako celku, zamezení možnosti nepřímého získávání konkrétních údajů z neanonymizovaného nebo i anonymizovaného souboru dat a z oblasti netriviálního dotazování.
The aim of this paper is to overview challenges and principles of Big Data analysis in biomedicine. Recent multivariate statistical approaches to complexity reduction represent a useful (and often irreplaceable) methodology allowing performing a reliable Big Data analysis. Attention is paid to principal component analysis, partial least squares, and variable selection based on maximizing conditional entropy. Some important problems as well as ideas of complexity reduction are illustrated on examples from biomedical research tasks. These include high-dimensional data in the form of facial images or gene expression measurements from a cardiovascular genetic study.
- MeSH
- analýza dat MeSH
- analýza hlavních komponent metody MeSH
- big data * MeSH
- biostatistika * metody MeSH
- kardiovaskulární nemoci genetika prevence a kontrola MeSH
- lidé MeSH
- metoda nejmenších čtverců MeSH
- riziko MeSH
- rozpoznání obličeje MeSH
- systémy pro podporu klinického rozhodování MeSH
- Check Tag
- lidé MeSH
- Publikační typ
- práce podpořená grantem MeSH
