Sztuczna inteligencja w MSP

• Autorzy: Tomasz Jasiński

Warianty tytułu

Artificial Intelligence in SME

• Języki publikacji: PL

Abstrakty

Praca opisuje możliwości zastosowania sztucznej inteligencji w przedsiębiorstwach sektora MSP. Szczególny nacisk położony został na sztuczne sieci neuronowe, algorytmy genetyczne oraz struktury ewolucyjne. Opisane zostały m.in. takie mechanizmy wspomagające omówione narzędzia, jak np. dyskretna transformata falkowa, czy też analiza danych przy użyciu okna czasowego. (abstrakt oryginalny)

EN

The paper describes an ability to employ artificial intelligence in enterprises of SME sector. The paper focuses on artificial neural networks, genetics algorithms and evolutionary strategies. There are described the mechanisms supporting the aforementioned techniques, such as a discreet wavelet transform or a data analysis by the employment of a sliding window. (original abstract)

Słowa kluczowe

PL

Sztuczna inteligencja; Sieci neuronowe; Algorytmy genetyczne

EN

Artificial intelligence; Neural networks; Genetic algorithms

• Czasopismo: Nierówności Społeczne a Wzrost Gospodarczy
• Rocznik: 2010
• Numer: z. nr 17
• Strony: 164--171

Twórcy

autor

Tomasz Jasiński

• Politechnika Łódzka

Bibliografia

• Dunis C.L., 2001, Prognozowanie rynków finansowych, Oficyna Ekonomiczna, Dom Wydawniczy ABC.
• Jasiński T., 2008, Improving the company competitiveness through artificial neural networks tools [w:] A.T. Szablewski, T. Jasiński, Different dimensions of microeconomic competitiveness, Wydawnictwo Politechniki Łódzkiej, Łódź, s. 82-92.
• Jasiński T., 2003, Przegląd architektur sztucznych sieci neuronowych wykorzystywanych w ekonomii do przewidywania szeregów czasowych, Studia i Prace Kolegium Zarządzania i Finansów, SGH, zeszyt naukowy 35, s. 166-177.
• Jasiński T., 2009, Wykorzystanie sztucznej inteligencji w prognozowaniu zjawisk ekonomicznych, Prace Naukowe Katedry Nauk Ekonomicznych, t. VIII, Politechnika Gdańska, Gdańsk, s. 63-72.
• Jasiński T., 2004, Zastosowanie dyskretnej transformaty falkowej do poprawy wyników uzyskiwanych przez sztuczne sieci neuronowe, Studia i Prace Kolegium Zarządzania i Finansów, SGH, z. nauk. 48.
• Kumar A., Sinha A., Tomar N., Adhikari A., 1999, Forecasting House Rental Levels: Analytical Rent Model versus Neural Network, Journal of Urban Planning & Development, Vol. 125 Issue 1, s. 55-57.
• Kwaśnicka H., 2002, Obliczenia ewolucyjne, Prace Naukowe Wydziałowego Zakładu Informatyki Politechniki Wrocławskiej, Zeszyt Sztuczna Inteligencja nr 1.
• Li H., Li V., 1996, Forecasting house rental levels: Analytical rent model versus neural network, Journal of Urban Planning & Development, Vol. 122 Issue 4, s. 118-127.
• Lula P., 1999, Jednokierunkowe sieci neuronowe w modelowaniu zjawisk ekonomicznych, Wydawnictwo Akademii Ekonomicznej w Krakowie.
• Rutkowska D., Piliński M., Rutkowski L., 1999, Sieci neuronowe, algorytmy genetyczne i systemy rozmyte, Wydawnictwo Naukowe PWN, Warszawa.
• Tadeusiewicz R., 1998, Elementarne wprowadzenie do techniki sieci neuronowych z przykładowymi programami, Akademicka Oficyna Wydawnicza PLJ.
• Tan C.N.W., 1999, A Hybrid Financial Trading System Incorporating Chaos Theory, [w:] Statistical and Artificial Intelligence/Soft Computing Methods, Invited Paper -Queensland Finance Conference.
• Witkowska D., 2002, Sztuczne sieci neuronowe i metody statystyczne. Wybrane zagadnienia finansowe, C.H. BECK.
• Worzala E., Lenk M., Silva A., 1995, An exploration of neural networks and its application to real estate valuation. The Journal of Real Estate Research 10, s. 185-201.
• Yao J., Li Y., Tan C.L., 2000, Option price forecasting using neural networks [w:] Omega 28, s. 455-466.