Przeglądanie według Temat "machine learning"

Aktualnie wyświetlane 1 - 3 z 3

Entropodynamiczny filtr percentylowy
(Wydawnictwo Uniwersytetu Rzeszowskiego, 2018) Ksieniewicz, Paweł
W pracy opisano implementację oraz analizę eksperymentalną algorytmu Entropodynamicznego Filtra Percentylowego, pozwalającego na detekcję szumu w obrazach o wielu składowych spektralnych. Kostka danych wizualnych jest przetwarzana tak, aby wygenerować, niezależnie dla każdej składowej spektralnej, mapę krawędzi, która pozwala na oszacowanie informacji o rozkładzie entropii w spektrum. Filtr percentylowy oddziela nośniki szumu od warstw wysoce informacyjnych. Jakość metody jest weryfikowana dzięki serii testów wykonanych dla zadania klasyfikacji.
Sztuczna inteligencja (AI) vs. ochrona danych osobowych (RODO) – jak zapewnić zgodność rozwiązań AI z podstawowymi mechanizmami systemu ochrony danych osobowych w ramach Unii Europejskiej?
(Wydawnictwo Uniwersytetu Rzeszowskiego, 2024-03) Kolasa, Gabriel Z.
Celem tego artykułu jest zbadanie problemów i wyzwań związanych z zapewnieniem zgodności rozwiązań opartych na sztucznej inteligencji (AI) z podstawowymi mechanizmami systemu ochrony danych osobowych w ramach Unii Europejskiej. W artykule omawiane są różne aspekty przetwarzania danych osobowych przez systemy AI, takie jak podstawy prawne, obowiązki informacyjne, prawa podmiotów danych, czy też ryzyko naruszenia praw podstawowych. W artykule wskazywana jest potrzeba wprowadzenia odpowiednich regulacji prawnych oraz mechanizmów technicznych i organizacyjnych, które pozwolą na skuteczną realizację zasad i celów RODO w kontekście stosowania AI.
Utilizing machine learning to create a blood-based scoring system for sepsis detection
(Publishing Office of the University of Rzeszow, 2023-12) Aref, Sadik
Introduction and aim. Sepsis, a disease caused by inflammation as a response to infection, often goes undiagnosed due to its heterogeneity and lack of a single diagnostic test. Current sepsis detection scoring systems have low sensitivity and utilize biomarkers that are difficult to obtain from a single test. The goal of this research is to create a scoring system that outperforms current industry standards by utilizing blood-based biomarkers readily available in hospital settings. Material and methods. Machine learning algorithms were run through Google Colab using Extreme Gradient Boost classifier. The dataset was obtained from NCBI website containing electronic hospital records of intensive care patients. A multivariate linear regression was applied to the dataset to determine statistically significant biomarkers in the detection of sepsis, and their β coefficients. Then, validation testing was performed, and the performance was compared to other scoring systems. Results. This experiment reveals that a sepsis detection system that utilizes procalcitonin, white blood cells, C-reactive protein, neutrophil to lymphocyte ratio, and albumin can outperform other biomarkers and scoring systems with high sensitivity at a recall score of 0.7922. Conclusion. These results demonstrate the potential of utilizing a blood-based scoring system for sepsis detection within hospital settings.