Počet záznamů: 1
Probabilistic Bounds for Binary Classification of Large Data Sets
- 1.
SYSNO ASEP 0503127 Druh ASEP C - Konferenční příspěvek (mezinárodní konf.) Zařazení RIV D - Článek ve sborníku Název Probabilistic Bounds for Binary Classification of Large Data Sets Tvůrce(i) Kůrková, Věra (UIVT-O) RID, SAI, ORCID
Sanguineti, M. (IT)Zdroj.dok. Recent Advances in Big Data and Deep Learning. - Cham : Springer, 2020 / Oneto L. ; Navarin N. ; Sperduti A. ; Anguita D. - ISSN 2661-8141 - ISBN 978-3-030-16840-7 Rozsah stran s. 309-319 Poč.str. 11 s. Forma vydání Tištěná - P Akce INNSBDDL 2019: INNS Big Data and Deep Learning /4./ Datum konání 16.04.2019 - 18.04.2019 Místo konání Sestri Levante Země IT - Itálie Typ akce WRD Jazyk dok. eng - angličtina Země vyd. CH - Švýcarsko Klíč. slova Binary classification ; Approximation by feedforward networks ; Concentration of measure ; Azuma-Hoeffding inequality Vědní obor RIV IN - Informatika Obor OECD Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8) CEP GA18-23827S GA ČR - Grantová agentura ČR Institucionální podpora UIVT-O - RVO:67985807 DOI 10.1007/978-3-030-16841-4_32 Anotace A probabilistic model for classification of task relevance is investigated. Correlations between randomly-chosen functions and network input-output functions are estimated. Impact of large data sets is analyzed from the point of view of the concentration of measure phenomenon. The Azuma-Hoeffding Inequality is exploited, which can be applied also when the naive Bayes assumption is not satisfied (i.e., when assignments of class labels to feature vectors are not independent). Pracoviště Ústav informatiky Kontakt Tereza Šírová, sirova@cs.cas.cz, Tel.: 266 053 800 Rok sběru 2021
Počet záznamů: 1