Що таке KNOWLEDGE DISCOVERY Українською - Українська переклад

• виявлення знань
• відкриття знань

Приклади вживання Knowledge discovery Англійська мовою та їх переклад на Українською

Knowledge Discovery.
Виявлення знань.

This is the analysis step of knowledge discovery in databases.
Воно є кроком аналізу з виявлення знань у базах даних.

Knowledge Discovery.
Відкриття знань.

Discuss concepts of an automated knowledge discovery workflow;
Обговоренні питань автоматизації процесу виявлення знань;

Knowledge discovery developed out of the data mining domain, and is closely related to it both in terms of methodology and terminology.[39].
Виявлення знань розвинулася з області інтелектуального аналізу даних, а також тісно пов'язана з нею як з точки зору методології та термінології.[39].

Search results“Advances in knowledge discovery and data mining”.
Результати дослідження були опубліковані в журналі«Knowledge Discovery and Data Mining».

The knowledge discovery initiatives at UNIMAS are premised partly upon the wealth of natural resources and diverse socio-cultural make up of the State of Sarawak.
Ініціативи відкриття знань у Unimas базуються частково на багатство природних ресурсів і різноманітною соціокультурної макіяжем штату Саравак.

The research was recently published in the conference's report, Advances in Knowledge Discovery and Data Mining.
Результати дослідження були опубліковані в журналі«Knowledge Discovery and Data Mining».

Just as many other forms of knowledge discovery it creates abstractions of the input data.
Так само, як і багато інших форм виявлення знань створює абстракції вхідних даних.

Today, automated citation indexing has changed the nature of citation analysis research, allowing millions of citations to be analyzed for large-scale patterns and knowledge discovery.
Сьогодні автоматизована індексація цитування змінила характер дослідження аналізу цитування, дозволяючи проаналізувати мільйони цитат для широкомасштабних моделей та відкриття знань.

The most well-known branch of data mining is knowledge discovery, also known as knowledge discovery in databases(KDD).
Найбільш відома гілка інтелектуального аналізу даних є виявлення знань, також відомий як виявлення знань в базах даних(KDD).

Results are presented aiming to show different applications in the number theory scope of a method, which is constructed with the usage of knowledge discovery and data mining technology.
Представленi результати застосування методу, сконструйованого з використанням технологiї knowledge discovery and data mining або(що те ж саме) вiдкриваючих систем для вирiшення проблем iз теорiї чисел.

Data mining, also known as Knowledge Discovery in Data(KDD) is about searching large stores of data to uncover patterns and trends that go beyond simple.
Видобуток даних, також відомий як Відкриття знань у даних(KDD)- це пошук великих запасів даних, щоб розкрити моделі та тенденції, які виходять за рамки простого аналізу.

Cluster analysis as such is not an automatic task, but an iterative process of knowledge discovery that involves try and failure.
Кластерний аналіз як такий є не автоматизованим завданням, а ітераційним процесом виявлення знань або інтерактивної багатокритеріальної оптимізації, який містить спроби та невдачі.

Another promising application of knowledge discovery is in the area of software modernization, weakness discovery and compliance which involves understanding existing software artifacts.
Іншим перспективним застосування виявлення знань в області модернізації програмного забезпечення, виявлення слабкості і дотримання яких передбачає розуміння існуючих програмних артефактів.

Rather than pushing the memorization of many facts, we attempt to teach material in a way that promotes critical thinking, knowledge discovery, and long-lasting information retention.
Замість того, щоб намагатися запам'ятовувати багато фактів, ми намагаємось викладати матеріал таким чином, щоб стимулювати критичне мислення, пошук знань, які, таким чином, залишаються надовго.

Often the outcomes from knowledge discovery are not actionable, actionable knowledge discovery, also known as domain driven data mining,[40] aims to discover and deliver actionable knowledge and insights.
Часто результати від виявлення знань не дієві, відкриття знання дієві, також відомий як домен приводом інтелектуального аналізу даних, має на меті виявити та доставити дієві знання та ідеї.

Cluster analysis as such is not an automatic task, but an iterative process of knowledge discovery or interactive multi-objective optimization that involves trial and failure.
Кластерний аналіз як такий є не автоматизованим завданням, а ітераційним процесом виявлення знань або інтерактивної багатокритеріальної оптимізації, який містить спроби та невдачі.

Knowledge discovery describes the process of automatically searching large volumes of data for patterns that can be considered knowledge about the data.[38] It is often described as deriving knowledge from the input data.
Виявлення знань описує процес автоматичного пошуку великих обсягів даних для моделей, які можна вважати знання про дані. Він часто описується як вилучення знань з вхідних даних.

Group Method of Data Handling was applied in a great variety of areas for data mining and knowledge discovery, forecasting and systems modeling, optimization and pattern recognition.
Наші партнери Метод Групового Урахування Аргументів застосовується у самих різноманітних областях для аналізу даних та знаходження знань, прогнозування і моделювання систем, оптимізації і розпізнавання образів.

After the standardization of knowledge representation languages such as RDF and OWL, much research has been conducted in the area, especially regarding transforming relational databases into RDF, identity resolution, knowledge discovery and ontology learning.
Після стандартизації мов представлення знань, таких як RDF і OWL, багато досліджень було проведено в області, особливо щодо перетворення реляційних баз даних в RDF, дозвіл до особистих даних, виявлення знань і навчання онтологій.

Object Management Group(OMG) developed specification Knowledge Discovery Metamodel(KDM) which defines an ontology for the software assets and their relationships for the purpose of performing knowledge discovery of existing code.
Об'єкт Management Group(OMG) розробила специфікації знання Discovery Metamodel(KDM), який визначає онтологію для засобів програмного забезпечення та їх відносин з метою виконання виявлення знань всі наявні коди.

Machine learning and data mining often employ the same methods and overlap significantly, but while machine learning focuses on prediction, based on known properties learned from the training data, data mining focuses on the discovery of(previously) unknown properties in the data(this is the analysis step of knowledge discovery in databases).
Машинне навчання та добування даних часто використовують одні й ті ж методи, і значно перекриваються, але в той час як машинне навчання фокусується на передбаченні на основі відомих властивостей, вивчених з тренувальних даних, добування даних фокусується на відкритті невідомих(раніше) властивостей даних(це є кроком аналізу з відкривання знань у базах даних).

Data model Metadata Metamodels Ontology Knowledge representation Knowledge tags Business rule Knowledge Discovery Metamodel(KDM) Business Process Modeling Notation(BPMN) Intermediate representation Resource Description Framework(RDF) Software metrics.
Модель даних Метадані метамоделей онтологія уявлення знань теги знань бізнес-правила Знання Discovery Metamodel(КДМ) Моделюваннябізнес-процесів нотація(BPMN) проміжне представлення Resource Description Framework(RDF) метрик програмного забезпечення.

Knowledge discovery from existing software systems, also known as software mining is closely related to data mining, since existing software artifacts contain enormous value for risk management and business value, key for the evaluation and evolution of software systems.
Виявлення знань з існуючих програмних систем, також відомий як програмне забезпечення видобутку корисних копалин тісно пов'язана з видобутком корисних копалин даних, оскільки існуючі програмні артефакти містять величезне значення для управління ризиками та вартості бізнесу, ключ для оцінки та розвитку програмних систем.

Machine learning and data mining often employ the same methods and overlap significantly, but while machine learning focuses on prediction, based on known properties learned from the training data, data mining focuses on the discovery of(previously) unknown properties in the data this is the analysis step of knowledge discovery in databases.
Машинне навчання та обробка даних часто використовують одні й ті ж методи і перекриваються значною мірою, але в той час як машинне навчання фокусується на прогнозуванні, заснованому на відомих властивостях, отриманих на основі навчальних даних, обробка даних фокусується на виявленні(раніше) невідомих властивостей у даних(це крок аналізу відкриття знань у базах даних).

Much of the confusion between these two research communities(which do often have separate conferences and separate journals, ECML PKDD being a major exception) comes from the basic assumptions they work with: in machine learning, performance is usually evaluated with respect to the ability to reproduce known knowledge, while in knowledge discovery and data mining(KDD) the key task is the discovery of previously unknown knowledge..
Значна частина плутанини між цими двома дослідницькими спільнотами(які часто мають окремі конференції та окремі журнали; основним винятком є ECML PKDD) випливає з основних припущень, з якими вони працюють: при машинному навчанні ефективність зазвичай оцінюється щодо здатності відтворювати відомі знання, тоді як у пошуку та знаннях(KDD) ключовим завданням є виявлення раніше невідомих знань..

Much of the confusion between these two research communities(which do often have separate conferences and separate journals, ECML PKDD being a major exception) comes from the basic assumptions they work with: in machine learning, performance is usually evaluated with respect to the ability to reproduce known knowledge, while in knowledge discovery and data mining(KDD) the key task is the discovery of previously unknown knowledge..
Велика частина плутанини між цими двома дослідницькими спільнотами(які часто мають окремі конференції та окремі журнали, з ECML PKDD як основним винятком) виходить з основних припущень, з якими вони працюють: у машинному навчанні продуктивність зазвичай оцінюється по відношенню до здатності відтворювати відоме знання, тоді як у відкриванні знань та добуванні даних(англ. knowledge discovery and data mining, KDD) ключовою задачею є відкривання не відомого раніше знання.

Being a philosopher, Ivan Franko developed his own version of positivist conception of social progress and classification of sciences; he was a pioneer in the popularization of modern natural science knowledge, discoveries in astronomy, physics, chemistry, biology, in particular the theory of evolution.
Іван Франко- філософ, розробив власний варіант позитивістської концепції соціального прогресу та класифікації наук, був піонером у популяризації новочасних природничо-наукових знань, відкриттів у галузі астрономії, фізики, хімії, біології, зокрема еволюційної теорії.