data representation
Dotaz
Zobrazit nápovědu
Model reprezentace znalostí obsažených v lékařských doporučeních GLIKREM (GuideLInes Knowledge REpresentation Model) vychází z GLIF modelu, který byl publikován ve specifikaci GLIF3.5. GLIKREM obsahuje některé změny a rozšíření definice a implementace původního GLIF modelu. Cílem tohoto příspěvku je popis znalostního modelu GLIKREM, jeho konstrukce, implementace v XML, realizace datového rozhraní a použití výsledného modelu.
The guideline knowledge representation system (GLIKREM) is based on a GLIF model which was published in a GLIF3.5 specification. GLIKREM contains some changes and extensions of the definition and implementation of the original GLIF model. The aim of this article is to give a description of GLIKREM, its construction, its implementation in XML, a realization of the data interface and use of the result model.
- Klíčová slova
- GLIF model,
- MeSH
- databáze faktografické MeSH
- financování organizované MeSH
- informační systémy normy MeSH
- navrhování softwaru MeSH
- rozhodování pomocí počítače MeSH
- směrnice pro lékařskou praxi jako téma normy MeSH
- systémová integrace MeSH
- systémy pro podporu klinického rozhodování MeSH
- teoretické modely MeSH
- ukládání a vyhledávání informací normy MeSH
- znalostní báze MeSH
- zpracování přirozeného jazyka 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 ...
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
- MeSH
- anorganické látky MeSH
- databáze faktografické MeSH
- organické látky MeSH
- software MeSH
- terminologie jako téma MeSH
- Publikační typ
- přehledy MeSH
- MeSH
- elektronické zdravotní záznamy MeSH
- informační systémy * organizace a řízení MeSH
- internet * MeSH
- lékařská počítačová informatika * MeSH
- lidé MeSH
- řízený slovník MeSH
- SNOMED MeSH
- terminologie jako téma * MeSH
- ukládání a vyhledávání informací MeSH
- Check Tag
- lidé MeSH
- Publikační typ
- práce podpořená grantem MeSH
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.
During the last decade we have been witnessing fast development in the area of sensor technologies and communications that have enabled applications within the Internet of Things (IoT). Subsequently implementations of systems for continuous monitoring of human ́s vital parameters and daily activities started to appear. Since the ageing population is constantly increasing, the development of such applications is necessary. The growing number of sensor types and their producers introduces a problem concerning data formats and data representation. Sensor data representation is an important issue since we do not want to lose any useful information. Additional issue is the design of detection and evaluation algorithms. In the article we present briefly the considered types of sensors, proposed systems architecture, and experimental setup installed in a real apartment.
The term precision of a value describes the total number of significant digits that are used to express that value. False precision is presented in data, where the sampling and chosen data file format coding return values with extra non-valid digits. The proper precision in value thus depends on so-called magnitude in digital data coding. The presence of the false precision is file format dependent. The amount of dataset points could be decreased by removing false precision (where it is present) to almost 10% of the raw measurement without loss of information.
