Model klasyfikacji wiedzy w przedsiębiorstwie produkcyjnym przy zastosowaniu algorytmu Bayes’a

• Autorzy: Dudek A. , Patalas-Maliszewska J.
• Języki publikacji: PL

Abstrakty

PL

W artykule podjęto próbę zbudowania modelu klasyfikacji wiedzy w przedsiębiorstwie produkcyjnym w oparciu o algorytm Bayes’a. Pozyskiwanie, gromadzenie i przechowywanie danych i informacji działu obsługi serwisowej, możliwe jest za pomocą autorskiej aplikacji, której struktura została również przedstawiona w niniejszym artykule. Na podstawie danych i informacji zawartych w zgłoszeniach serwisowych, rejestrowanych w aplikacji, możliwe jest generowanie zdefiniowanej wiedzy. W konsekwencji, proponowany model klasyfikacji wiedzy, przy zastosowaniu algorytmu Bayes’a, daje możliwość zbudowania zbiorów użytecznej wiedzy.

EN

This article elaborates a model of knowledge classification using a Bayesian algorithm in a manufacturing company. Further was illustrated an application, that enables you to collect, search and analyze data and information from a service department. Based on the data and information registered in the application, it is possible to generate a defined knowledge. Consequently, the proposed model for the classification of knowledge, using a Bayesian algorithm gives the opportunity to build the sets of useful knowledge.

Słowa kluczowe

PL

model klasyfikacji wiedzy; gromadzenie danych; algorytm Bayes'a

EN

model knowledge classification; collect data; Bayesian algorithm

• Wydawca: Wydawnictwo Uczelniane Politechniki Koszalińskiej
• Czasopismo: Zeszyty Naukowe Wydziału Elektroniki i Informatyki Politechniki Koszalińskiej
• Rocznik: 2016
• Tom: Nr 9
• Strony: 85--98
• Opis fizyczny: Bibliogr. 6 poz., rys., tab.

Twórcy

autor

Dudek A.

• Instytut Informatyki PWSZ w Nysie

autor

Patalas-Maliszewska J.

• Instytut Informatyki i Zarządzania Produkcją, Uniwersytet Zielonogórski

Bibliografia

• 1. Bartos K.: Wykorzystanie sztucznych sieci neuronowych w badaniach zachowań konsumentów, Wydawnictwo Naukowe Uniwersytetu Szczecińskiego, Szczecin 2012.
• 2. Dobiegała-Korona B., Doligalski T.: Zarządzanie wartością klienta. Pomiar i strategie. Wyd. Poltext. Warszawa 2010.
• 3. D’Aveni R.A.: Beating the commodity trap: How to Maximie your competitive position and increase your pricing power, Harvard Business Press 2010.
• 4. Larose D.T.: Metody i modele eksploracji danych, Wydawnictwo Naukowe PWN, Warszawa 2008.
• 5. Marciniak A., Korbicz J.: Metody rozpoznawania obrazów w diagnostyce, [w:] Korbicz J., Kościalny J.M., Kowalczuk Z., Cholewa W.(red.), Diagnostyka procesów, Wydawnictwo Naukowo Techniczne, Warszawa 2002.
• 6. Patan J., Korbicz J., Mrugalski J.: Sztuczne sieci neuronowe w układach diagnostyki, [w:] Korbicz J., Kościalny J.M., Kowalczuk Z., Cholewa W.(red.), Diagnostyka procesów, Wydawnictwo Naukowo Techniczne, Warszawa 2002.