Hybrydowy system rekomendacji planów treningowych

• Autorzy: Kaczanowski Maciej

Identyfikatory

DOI

10.26348/znwwsi.20.29

Warianty tytułu

EN

Training plans hybrid recommender system

• Języki publikacji: PL

Abstrakty

PL

Hybrydowe systemy rekomendacji łączą zalety metod stosowanych powszechnie w rekomendacji. Głównym celem tego artykułu jest przedstawienie zastosowania uczenia maszynowego do budowy hybrydowego silnika rekomendacji. Uczenie maszynowe jest poddziedziną sztucznej inteligencji, która wykazuję obiecujące rezultaty w klasyfikacji, predykcji, wykrywaniu anomalii i rekomendacji. W tym artykule zaproponowano koncepcję spersonalizowanego modelu systemu rekomendacji opartego na parametrach i planach treningowych sportowców. Badania przeprowadzono w środowisku chmurowym Microsoft Azure Machine Learning Studio na zbiorze danych wygenerowanym na podstawie danych referencyjnych.

EN

Hybrid recommendation systems combine the advantages of commonly used methods in recommendations. This main objective of this article is to present application of machine learning to build a hybrid recommendation engine. Machine learning is subdomain of artificial intelligence that show promising results in classification, prediction, anomaly detection and recommendations. This paper proposed a personalized recommendation system model based on athletes parameters and training plans. The researches were carried out in the cloud environment Microsoft Azure Machine Learning Studio on football data set.

Słowa kluczowe

PL

uczenie maszynowe; sztuczna inteligencja; nauka o danych; hybrydowe systemy rekomendacji; Microsoft Azure Machine Learning; język programowania Python

EN

machine learning; artificial intelligence; data science; hybrid recommender; Microsoft Azure Machine Learning; Python programming language

• Wydawca: Warszawska Wyższa Szkoła Informatyki
• Czasopismo: Zeszyty Naukowe Warszawskiej Wyższej Szkoły Informatyki
• Rocznik: 2019
• Tom: nr 20
• Strony: 29--40
• Opis fizyczny: Bibliogr. 9 poz., rys., tab.

Twórcy

autor

Kaczanowski Maciej

• Instytut Systemów Informatycznych, Wydział Cybernetyki, Wojskowa Akademia Techniczna, Warszawa, Polska

Bibliografia

• [1] D. Stern, R. Herbrich, Th. Graepel, Matchbox: Large Scale Online Bayesian Recommendations, International World Wide Web Conference, 2009
• [2] Github [Online], https://github.com/MicrosoftDocs/azure-reference-other [02.03.2019]
• [3] A. Ameljańczyk, Metryki Minkowskiego w tworzeniu uniwersalnych algorytmów rankingowych, „Biuletyn WAT”, Vol. LXIII, Nr 2, 2014
• [4] A. Ameljańczyk, Modele podobieństwa w komputerowych systemach diagnostyki medycznej i ich wpływ na wiarygodność rozpoznania, Seminarium GM, 2014
• [5] D.H. Wolpert, W.G. Macready, No Free Lunch Theorems for Optimization, “IEEE Transactions on Evolutionary Computation” Vol. 1, No. 1, 1997
• [6] Prediction Accuracy Metrics, Coursera [Online], https://www.coursera.org/ lecture/recommender-metrics/prediction-accuracy-metrics-LGLb3 [02.03.2019]
• [7] Rank-Aware Top-N Metrics, Coursera [Online], https://www.coursera.org/lecture/recommender-metrics/rank-aware-top-n-metrics-Wk98r [02.03.2019]
• [8] Evaluate Recommender, Microsoft documents [Online], https://docs.microsoft. com/en-us/azure/machine-learning/studio-module-reference/evaluate-recommender [02.03.2019]
• [9] D.A. Santos, J.A. Dawson, C.N. Matias, P.M. Rocha, C.S. Minderico, D.B. Allison, L.B. Sardinha, A.M. Silva, Reference Values for Body Composition and Anthropometric Measurements in Athletes, “PLOS ONE”, 2014

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2020).