Knihovna AV ČR, v. v. i.
Odhlásit
Přihlášení
Jazyk
English
Čeština
Instituce
Knihovna AV ČR
Souborný katalog AV ČR
Archeologický ústav Brno
Archeologický ústav Praha
Astronomický ústav
Biofyzikální ústav
Botanický ústav
Etnologický ústav
Filosofický ústav
Fyzikální ústav
Fyziologický ústav
Geofyzikální ústav
Geologický ústav
Historický ústav
Masarykův ústav
Matematický ústav
Orientální ústav
Psychologický ústav
Slovanský ústav
Sociologický ústav
Ústav analytické chemie
Ústav anorganické chemie
Ústav pro českou literaturu
Ústav dějin umění
Ústav fyziky atmosféry
Ústav fotoniky a elektroniky
Ústav fyzikální chemie J. H.
Ústav fyziky materiálů
Ústav geoniky
Ústav pro hydrodynamiku
Ústav chemických procesů
Ústav informatiky
Ústav pro jazyk český
Ústav jaderné fyziky
Ústav makromolekulární chemie
Ústav pro soudobé dějiny
Ústav přístrojové techniky
Ústav státu a práva
Ústav struktury a mechaniky hornin
Ústav teoretické a aplikované mechaniky
Ústav teorie informace a automatizace
Ústav výzkumu globální změny
×
Všechna pole
Název
Autor
Hledat
Pokročilé vyhledávání
Zahrnout EIZ
Domovská stránka
Integration of machine learnin...
Jednotky
Navrhnout nákup titulu
Integration of machine learning techniques in chemometrics practices
Autor:
Triggiani, Maurizio
Jazyk:
angličtina
Rok vydání:
2022
Předmět:
rivoluzione verde e industria 4.0 sono aree di studio che necessitano di pratiche e approcci innovativi impossibili senza un monitoraggio dei processi preciso e costante. La necessità di una valutazione della qualità del prodotto durante l'intera supply chain è fondamentale così come la riduzione dei costi. L'analisi di risonanza magnetica nucleare (NMR) ‘’non-targeted’’ è ancora un approccio poco utilizzato per l'analisi e il monitoraggio degli alimenti. Uno dei problemi di questo approccio è la grande quantità di informazioni restituite. Questo tipo di dati necessita pertanto di un metodo di gestione e analisi nuovo e migliorato. Le pratiche di chemometriche classiche non sono adatte a questo nuovo strumento di indagine. In questa tesi
non dovremo solo creare dataset di qualità
abbiamo affrontato il problema del fingerprinting e della discriminazione degli alimenti mediante spettroscopia NMR ‘’non-targeted’’ combinata con moderni algoritmi di machine learning pensati per il corretto e facile accesso ai dati. L'introduzione di tecniche di apprendimento automatico permette un nuovo livello di complessità delle analisi ma allo stesso tempo introducono una nuova problematica per quanto riguarda invece la necessità di fonti di dati affidabili per l'addestramento e l'integrità degli algoritmi di machine learning
ma dovremo essere preparati a difenderci anche da attacchi studiati per mettere in difficoltà algoritmi di apprendimento automatico. Confrontando i risultati dei sistemi di apprendimento automatico con il classico approccio chemometrico evidenzieremo i punti di forza e di debolezza di entrambi gli approcci e li utilizzeremo per preparare un framework necessario per affrontare le sfide future
Settore ING-INF/05 - Sistemi di Elaborazione delle Informazioni
agricoltura di precisione
La sicurezza alimentare è un obiettivo chiave in tutti i piani di sviluppo dell'Unione Europea. Per garantire la qualità e la sostenibilità della produzione agricola è necessaria una strategia ben progettata. Cambiamenti climatici
agricoltura di precisione
rivoluzione verde e industria 4.0 sono aree di studio che necessitano di pratiche e approcci innovativi impossibili senza un monitoraggio dei processi preciso e costante. La necessità di una valutazione della qualità del prodotto durante l'intera supply chain è fondamentale così come la riduzione dei costi. L'analisi di risonanza magnetica nucleare (NMR) ‘’non-targeted’’ è ancora un approccio poco utilizzato per l'analisi e il monitoraggio degli alimenti. Uno dei problemi di questo approccio è la grande quantità di informazioni restituite. Questo tipo di dati necessita pertanto di un metodo di gestione e analisi nuovo e migliorato. Le pratiche di chemometriche classiche non sono adatte a questo nuovo strumento di indagine. In questa tesi
abbiamo affrontato il problema del fingerprinting e della discriminazione degli alimenti mediante spettroscopia NMR ‘’non-targeted’’ combinata con moderni algoritmi di machine learning pensati per il corretto e facile accesso ai dati. L'introduzione di tecniche di apprendimento automatico permette un nuovo livello di complessità delle analisi ma allo stesso tempo introducono una nuova problematica per quanto riguarda invece la necessità di fonti di dati affidabili per l'addestramento e l'integrità degli algoritmi di machine learning
se questo tipo di approccio si dimostrerà valido nel mercato globale
non dovremo solo creare dataset di qualità
ma dovremo essere preparati a difenderci anche da attacchi studiati per mettere in difficoltà algoritmi di apprendimento automatico. Confrontando i risultati dei sistemi di apprendimento automatico con il classico approccio chemometrico evidenzieremo i punti di forza e di debolezza di entrambi gli approcci e li utilizzeremo per preparare un framework necessario per affrontare le sfide future
La sicurezza alimentare è un obiettivo chiave in tutti i piani di sviluppo dell'Unione Europea. Per garantire la qualità e la sostenibilità della produzione agricola è necessaria una strategia ben progettata. Cambiamenti climatici
se questo tipo di approccio si dimostrerà valido nel mercato globale
Databáze:
OpenAIRE
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=od______3979::eecdf4fe9b31a6c6ed9a1182f95348b0
http://hdl.handle.net/11589/237998
Zobrazit plný text záznamu
Jednotky
Popis
Exportovat záznam
Export to RIS
×
načítá se......