Wyniki wyszukiwania - BazTech

Ograniczanie wyników

2 Zdrojewski Kacper

2 2024

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Impact of Artificial Intelligence on computer networks

Zdrojewski Kacper

Zeszyty Naukowe Politechniki Rzeszowskiej. Elektrotechnika

2024

z. 41

49--59

The integration of artificial intelligence (AI) into computer networks has rapidly evolved, influencing network architecture, security measures, and traffic management. This paper explores AI's transformative impact on these areas, focusing on advancements in machine learning (ML), deep learning (DL), and reinforcement learning. These innovations are reshaping network security by improving threat detection and anomaly identification, as well as enhancing traffic management through predictive and adaptive routing. AI-driven systems are also making strides in automating network management tasks, allowing for more efficient resource allocation and self-healing networks. Despite these advancements, challenges remain, particularly concerning the integration of AI with legacy infrastructures and the ethical implications of AI decision-making processes.

Analiza i porównanie wybranych algorytmów klasyfikacji w kontekście przewidywania chorób serca

Zdrojewski Kacper

Przegląd Teleinformatyczny

2024

T. 12, Nr 1-4

3--17

W artykule przedstawiono opis i porównanie efektywności wybranych algorytmów klasyfikacji w kontekście przewidywania chorób serca z wykorzystaniem języka R. Opisano kluczowe metody uczenia maszynowego, takie jak: k-najbliższych sąsiadów (KNN), maszyny wektorów nośnych (SVM), drzewa decyzyjne oraz lasy losowe, uwzględniając ich charakterystykę, zalety i ograniczenia. Dane użyte w badaniu pochodzą ze zbioru Cleveland Heart Disease Dataset, a proces obejmował przygotowanie danych, budowę modeli i ocenę ich skuteczności. Uzyskane wyniki ukazują potencjał nadzorowanego uczenia maszynowego w diagnostyce medycznej, szczególnie w przewidywaniu obecności chorób serca.

The article presents a description and comparison of the effectiveness of selected classification algorithms in the context of heart disease prediction using the R programming language. Key machine learning methods, such as k-Nearest Neighbors (KNN), Support Vector Machines (SVM), Decision Trees, and Random Forests, are described, highlighting their characteristics, advantages, and limitations. The data used in the study comes from the Cleveland Heart Disease Dataset, and the process included data preparation, model development, and performance evaluation. The obtained results demonstrate the potential of supervised machine learning in medical diagnostics, particularly in predicting the presence of heart disease.