Search Results

You are looking at 1 - 10 of 87 items for :

  • "machine learning" x
Clear All

prediction of resource utilization is not only based upon current usage patterns but also past system behavior may be considered. In this review, it was found that machine learning (ML) models are suitable to predict resource utilization using historical data

Open access

problem gambling with high accuracy. A machine learning-based analysis method is well suited for building this model. The method includes a feature engineering technique, unlike the conventional statistical methods with limited feature engineering, such as

Open access

Abstract  

The most popular method for judging the impact of biomedical articles is citation count which is the number of citations received. The most significant limitation of citation count is that it cannot evaluate articles at the time of publication since citations accumulate over time. This work presents computer models that accurately predict citation counts of biomedical publications within a deep horizon of 10 years using only predictive information available at publication time. Our experiments show that it is indeed feasible to accurately predict future citation counts with a mixture of content-based and bibliometric features using machine learning methods. The models pave the way for practical prediction of the long-term impact of publication, and their statistical analysis provides greater insight into citation behavior.

Restricted access

Abstract  

Patents represent the technological or inventive activity and output across different fields, regions, and time. The analysis of information from patents could be used to help focus efforts in research and the economy; however, the roles of the factors that can be extracted from patent records are still not entirely understood. To better understand the impact of these factors on patent value, machine learning techniques such as feature selection and classification are used to analyze patents in a sample industry, nanotechnology. Each nanotechnology patent was represented by a comprehensive set of numerical features that describe inventors, assignees, patent classification, and outgoing references. After careful design that included selection of the most relevant features, selection and optimization of the accuracy of classification models that aimed at finding most valuable (top-performing) patents, we used the generated models to analyze which factors allow to differentiate between the top-performing and the remaining nanotechnology patents. A few interesting findings surface as important such as the past performance of inventors and assignees, and the count of referenced patents.

Restricted access
Acta Linguistica Academica
Authors: Judit Ács, Katalin Pajkossy and András Kornai

We investigate the digital vitality of Uralic languages and dialects, and discuss how existing approaches to language revitalization relate to this model.

Full access

 Then, the KNN classifier is used to cross-validate the classification accuracy of the feature subsets. Classification by KNN classifier The KNN algorithm is amongst the simplest of all machine learning algorithms for

Restricted access

compare the obtained indicators in terms of occurrence and contingencies. Overall, our observations reveal non-trivial differences for both indicators. Methodology for characterizing NPRs A supervised machine learning approach

Restricted access

multiplexed reaction mixtures [ 28 ]. Library Design and Machine Learning One of the critical factors in drug discovery and optimization is the time required to close the loop of the design–synthesize–screen cycle between biological

Open access
Orvosi Hetilap
Authors: Dezső Ribli, Richárd Zsuppán, Péter Pollner, Anna Horváth, Zoltán Bánsághi, István Csabai, Viktor Bérczi and Zsuzsa Unger

Absztrakt:

Bevezetés és célkitűzés: A számítógépes ’mélytanulás’ (deep learning) az elmúlt két évtized számítástechnikai fejlődésének legjelentősebb ajándéka. A számítógépes mélytanulásban rejlő – egyelőre még beláthatatlan – lehetőségek megértése, befogadása és alkalmazása a medicina megkerülhetetlen feladata. Módszer: Ajándék és feladat, hiszen az exponenciálisan növekvő adatok (képalkotó vizsgálati, laboratóriumi, terápiaválasztási lehetőségek, terápia-kölcsönhatások stb.) „bitjeinek” tengerében minden vágyunk és deklarációnk ellenére mind kevésbé tudjuk a személyre és állapotra, a tumorra és környezetére szabott individuális ellátást megvalósítani. Eredmények: A jelen pillanatban felelős ellátóként – és nem kevésbé felelős finanszírozóként – azt élhetjük meg, hogy egyéni és közösségi szinten is szuboptimális folyamatokat tartunk fenn, aminek oka egyszerre az adatok bősége, ugyanakkor az ellátáshoz individuálisan fontos adatok hiánya. A számítógépes mélytanulás, a medicina lényegét adó ember–ember közti találkozás gyógyító erejét nem csorbítva – hanem inkább kiterjesztve –, ebben kínál fényt az alagútban. Következtetés: Belátva tehát saját adatintegrációs és ismereti korlátainkat, nekünk, orvosoknak és ellátásfinanszírozóknak – sajátos előítéleteinket és félelmeinket feladva – kell megtanulni a számítógépes mélytanulásban rejlő különleges lehetőségeket, melyek nemcsak a képalkotó diagnosztikában, hanem már napi realitásként a terápia területén is használhatók (immunterápia). A közlemény ehhez igyekszik kedvet csinálni. Orv Hetil. 2019; 160(4): 138–143.

Open access

that can be identified using machine learning using neurobiological data. Second, although MVPA can differentiate IGD from RGU subjects at a more stringent diagnostic threshold, the accuracy rates were approximately 60%, which are higher than those

Open access