Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: elbow method

Sortuj według:

Ogranicz wyniki do:

Text mining analysis of over 392 million compromised healthcare records

Koczkodaj Waldemar W., Nowacki Marek, Pedrycz Witold, Strzałka Dominik

Advances in Science and Technology. Research Journal

2025

Vol. 19, no. 2

73--81

The U.S. Department of Health and Human Services (HHS) and the Office for Civil Rights (OCR) enforce federal civil rights laws. This study analyzed the collected data on healthcare data breaches, which affected over 392 million records in the USA from 21 October 2009 until 19 April 2024, using text mining. Using Latent Dirichlet Allocation (LDA) and the Elbow methods, five major topics for text mining analysis were established. The analysis allowed to identify key breach reasons for targeting effective remedial actions and increasing data security awareness.

Analiza porównawcza wydajności architektury głębokiego uczenia się w klasyfikacji obrazów podwodnych

Mehrunnisa, Juszka Dawid, Zhang Yi, Leszczuk Mikołaj

Przegląd Telekomunikacyjny + Wiadomości Telekomunikacyjne

2024

nr 4

187--190

W tym badaniu oceniamy wydajność modeli VGG-16, EfficientNetB0 i SimCLR w klasyfikacji 5000 podwodnych zdjęć. Zbiór danych podzielono na 75 procent do celów szkoleniowych i 25 procent do testów, przy czym ręczne etykietowanie zapewniało dokładne odwzorowanie podstaw. Zastosowaliśmy grupowanie K-średnich do segmentacji zbioru danych na podstawie podobieństwa oraz PCA w celu zmniejszenia wymiarowości przy jednoczesnym zachowaniu struktury semantycznej. Zróżnicowany zbiór danych zwiększa zdolność modeli do uogólniania w różnych warunkach. Oceniliśmy grupowanie i klasyfikacje za pomocą wyniku sylwetki, wskaźnika Daviesa-Bouldina i wskaźnika Calinskiego-Harabasza. Wyniki ujawniają mocne i słabe strony każdego modelu, dostarczając informacji na temat przyszłych ulepszeń w analizie obrazów podwodnych.

In this study, we assess the performance of the VGG-16, EfficientNetB0, and SimCLR models in classifying 5,000 underwater images. The dataset was split into 75 perceent for training and 25 percent for testing, with manual labeling ensuring accurate ground truth. We used K-means clustering to segment the dataset based on similarity, and PCA to reduce dimensionality while maintaining the semantic structure. The diverse dataset boosts the models’ ability to generalize across various conditions. We evaluated clustering and classification using the silhouette score, Davies-Bouldin index, and Calinski-Harabasz index. The results reveal each model’s strengths and weaknesses, providing insights for future improvments in underwater image analysis.