Digitalizacja, Big Data i Machine Learning w praktyce branży szklarskiej, okiennej i fasadowej

• Autorzy: Kostrzewa K. , Słoniewski K.
• Języki publikacji: PL

Słowa kluczowe

PL

Internet rzeczy; IoT; cyfryzacja; big data; uczenie maszynowe; budynek inteligentny; przemysł 4.0

• Wydawca: Grupa Wydawnicza Euro-Media
• Czasopismo: Świat Szkła
• Rocznik: 2018
• Tom: R. 23, nr 6
• Strony: 38--41
• Opis fizyczny: Bibliogr. 21 poz., il.

Twórcy

autor

Kostrzewa K.

• VETURAI

autor

Słoniewski K.

• VETURAI

Bibliografia

• [1] Data, data everywhere, Economist 2010 (https://www.economist.com/node/15557443)
• [2] Bailly M., Manyika J.: Is manufacturing „cool” again?. McKinsey Global Inst. 2013.
• [3] http://www.ibmbigdatahub.com/sites/default/files/infographic_file/4-Vs-of-big-data.jpg
• [4] https://www.analyticsvidhya.com/blog/2014/05/hadoop-simplified/
• [5] http://bigdata-madesimple.com/5-advantages-and-disadvantagesof-cloud-storage/
• [6] How Yahoo Spawned Hadoop, The Future of Big Data. Wired 2011 (https://www.wired.com/2011/10/how-yahoo-spawned-hadoop/)
• [7] Big Data Analytics Adoption in Small and Medium Enterprises (SMEs).„Analytics India Magazine” 2017 (https://analyticsindiamag.com/bigdata-analytics-bda-adoption-small-medium-enterprises-smes/)
• [8] Krizhevsky A., Sutskever I., Hinton G. E.: Imagenet classification with deep convolutional neural networks. In Advances in neural information processing systems (2012) (pp. 1097-1105).
• [9] Wang, J., Ma, Y., Zhang, L., Gao, R.X. and Wu, D.: Deep learning for smart manufacturing: Methods and applications. „Journal of Manufacturing Systems” 2018.
• [10] Smart home, seamless life Unlocking a culture of convenience. Consumer Intelligence Series January 2017, PwC 2017.
• [11] Levi Gil, Tal Hassner: Age and gender classification using convolutional neural networks. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops, 2015.
• [12] https://www.tetracom.eu/project/optiglass-application-artificialintelligence-based-techniques-optimizing-continuous-glass
• [13] Wu Y., Yuan M., Dong S., Lin L., Liu Y.: Remaining useful life estimation of engineered systems using vanilla LSTM neural networks. „Neurocomputing” 2017; 226(5): 853–60.
• [14] http://veturai.com/distracted_driver.html
• [15] Echezarreta-Lopez M. M., Landin M.: Using machine learning for improving knowledge on antibacterial effect of bioactive glass. „International journal of pharmaceutics” 453.2 (2013): 641-647
• [16] Ren F., Ward L., Williams T., Laws K. J., Wolverton C., Hattrick-Simpers J., Mehta, A.: Accelerated discovery of metallic glasses through iteration of machine learning and high-throughput experiments. Science advances, 4(4), eaaq1566 (2018).
• [17] Fischer M.: Przemysł szklarski 4.0 czyli czwarta rewolucja przemysłowa. „Świat Szkła” 2/2018
• [18] Griffith J., Marinov V., Antonutto G.: Applied Machine Learning in Structural Glass Design. „Świat Szkła” 2/2018
• [19] Krauß D., Küppers B.: Przemysł szklarski 4.0: automatyzacja i inteligentna technika sterowania. „Świat Szkła” 10/2016
• [20] Krauß D., Küppers B.: Automatyka i cyfryzacja zmniejszają koszty produkcji i serwisu. „Świat Szkła” 12/2016
• [21] Saftig B.: The Advantages of Digitalization, in the Glass Industry, „Świat Szkła” 3/2018

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2018).