To understand the relationship between Machine learning and Artificial intelligence in large and diversified business organisations

Sandeep, S.; Ahamad, Shahanawaj; Saxena, Divya; Srivastava, Kingshuk; Jaiswal, Sushma; Bora, Ashim

doi:10.1016/j.matpr.2021.11.409

Cited by 25 publications

(8 citation statements)

References 7 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Makine öğrenimi, bilgisayar sistemlerinin veri analizi, desen tanıma ve örüntü çıkarma gibi temel teknikler kullanarak, verilerden öğrenme ve deneyim kazanma kabiliyetine sahip olduğu önemli bir yapay zekâ alt alanıdır. 3 Bu teknikler, algoritmaların eğitim veri setleri üzerinde çalışarak, verilerdeki yapıları, ilişkileri ve özellikleri belirlemesine ve bu bilgileri modellemeye yardımcı olur. Veri analizi, makine öğrenimi sürecinde veri setlerinin incelenmesini ve anlamlı özelliklerin belirlenmesini sağlar.…”

Section: Gereç Ve Yöntemler Maki̇ne öğReni̇mi̇ Tanimlariunclassified

RNA Sequencing Data with Machine Learning and Deep Learning Usage: A Methodological Study

ÖZTORNACI

2024

Turkiye Klinikleri J Biostat

View full text Add to dashboard Cite

Bu çalışmanın amacı, klasik istatistiksel yaklaşımlar yerine RNA sekanslama verilerini analiz etmek için popüler makine öğrenimi ve derin öğrenme yöntemlerini kullanarak farklı bir perspektif sunmaktır. Ayrıca makine öğrenimi ve derin öğrenme konularında bilgi sağlamaktır. Gereç ve Yöntemler: Makine öğrenimi ve derin öğrenme yöntemlerini kullanarak, astım ve böbrek transplantasyonuna ait iki farklı ham veri seti (GSE85567 ve GSE129166) "National Center for Biotechnology Information" veri tabanından indirilmiş ve gerekli kalite kontrol ve hizalama prosedürlerinden geçirilmiştir. Hasta-kontrol ayrımını elde etmek için rastgele orman [random forest (RF)], destek vektör makineleri [support vector machines (SVM)] ve derin sinir ağları [deep neural networks (DNN)] modelleri uygulanmıştır. Tüm veri setleri aşırı uyumu önlemek amacıyla %67,5 eğitim, %10 test ve %22,5 doğrulama verisi olarak bölünmüş ve modellerin eğitim aşamalarında 10-katlı çapraz geçerlilik kullanılmıştır. Makine öğrenimi ve derin öğrenme için Python programlama dili ve veri işleme için Unix işletim (AT&T Bell Laboratuvarları, ABD) sistemi kullanılmıştır. Bulgular: GSE129166 veri setinde RF modelinin validasyon setinde elde ettiği doğruluk oranı 0,89 olarak hesaplanmıştır. Bu modelin hassasiyeti 0,88 ve duyarlılığı 0,92 olarak belirlenmiştir. SVM modeli validasyon setinde elde ettiği doğruluk oranı 0,88 olarak ölçülmüş, test setinde ise 0,87 olarak belirlenmiştir. GSE85567 veri seti için RF modelinin validasyon setinde doğruluk oranı 0,73 olarak ölçülmüştür. SVM için validasyon setinde doğruluk oranı 0,70 olarak ölçülmüş, DNN için ise 0,75 olarak ölçülmüştür. Sonuç: GSE85567 veri seti üzerinde yapılan çalışma, RF ve SVM modellerinin yüksek doğruluk ve performans sergilediğini göstermektedir. DNN modeli ise daha dengeli bir hassasiyet ve duyarlılık oranına sahip olup, önemli bir alternatif olarak gözlemlenmiştir. Üç modelin RNA-sekanslama verileri için hasta-kontrol sınıflaması için uygun olduğu sonucuna varılmıştır.

show abstract

Section: Gereç Ve Yöntemler Maki̇ne öğReni̇mi̇ Tanimlariunclassified

RNA Sequencing Data with Machine Learning and Deep Learning Usage: A Methodological Study

ÖZTORNACI

2024

Turkiye Klinikleri J Biostat

View full text Add to dashboard Cite

show abstract

“…Por otro lado, se destaca la importancia del "Happiness Management" referente al bienestar laboral y el análisis del clima organizacional (Papadopoulou et al, 2023;Al-shami et al, 2023); "Machine Learning" con la automatización de procesos basados en datos e "Inteligencia Artificial" relacionada con la conectividad avanzada y los sistemas inteligentes (Pap et al, 2022;Sandeep et al, 2022;Alizadehsalehi et al, 2023); y la "Ciberseguridad" implantación de medidas preventivas para proteger los activos digitales (Roldn- Molina et al, 2017;Gebremeskel et al, 2023). Estos elementos son fundamentales en la evolución hacia un entorno empresarial más eficiente y seguro, adaptado a las cambiantes demandas de la Industria 4.0 (Molina et al, 2024).…”

Section: Figuraunclassified

Planeación Estratégica Y Perdurabilidad en Las Organizaciones De La Industria 4.0

Cossio,

Paime,

Tuesta

2024

J. Professional Business Review

View full text Add to dashboard Cite

Los modelos de control de gestión involucran elementos fundamentales para las organizaciones que pertenecen a la Industria 4.0 lo cual impacta en la perdurabilidad de las organizaciones, la longevidad y el éxito de estas, por tanto, la investigación tiene como finalidad el análisis de la planeación estratégica, y perdurabilidad enfocada en el control de gestión financiero de las organizaciones pertenecientes a esta nueva industria. Se sigue una metodología descriptiva y analítica, a partir de la construcción de elementos y características teórica fundamentales, identificando la incidencia de la planeación estratégica en la perdurabilidad de las empresas a partir del desglose del diseño estratégico para así, detallar estrategias presentes en la literatura y aplicable a modelos de control de gestión. Lo anterior, permite concluir la necesidad de las organizaciones de la Industria 4.0 para establecer e implementar modelos de control de gestión financieros en sus procesos asegurando así una perdurabilidad y mejor rendimiento tanto financiero como administrativo y de gestión en la organización maximizando su valor agregado y competitividad en el mercado.

show abstract

“…AIOps thrives in this area by automating notifying relevant teams when incidents or critical events happen. By intelligently collating essential information and using AI to filter noise from notifications, AIOps promptly inform the correct teams [27]. This accelerates incident response and minimizes alert fatigue, thus allowing responders to focus on actionable reports and prioritize their efforts efficiently.…”

Section: Automated Notificationmentioning

confidence: 99%

AIOps in Cloud-native DevOps: IT Operations Management with Artificial Intelligence

Tatineni

2023

J Arti Inte & Cloud Comp

View full text Add to dashboard Cite

Businesses often deal with the growing challenge of maintaining IT operations, especially with the increase in technological dependence. Organizations adopting AIOps and organizations elevate IT operations management to address these challenges. This shift comes as a response to the increasing complexities of the huge data, applications, and infrastructure in today's digital scope. Traditionally, managing these systems incorporated manual observation and performance metric analysis, processes which are highly prone to errors and inefficiency. AIOps introduces automation through AI/ML algorithms, which analyze patterns to predict and address issues quickly and rectify discrepancies. Therefore, recognizing the diverse needs of companies, each facing unique goals and challenges, depicts the role of tailoring AIOps solutions to specific needs. For example, a global e-commerce company managing a huge online platform will ensure a seamless user experience and quick response to customer interactions. In such a situation, the IT team's focus with AIOps could be on real-time analytics to anticipate and mitigate potential disruptions, automated incident response to minimize downtime, and predictive maintenance to address performance issues. This article explores comprehensive insights into how AIOps functions are important in dealing with IT operations challenges within cloud-native DevOps. It aims to explore the benefits of AIOps in improving incident response efficiency, refining system monitoring capabilities, and optimizing IT operations.

show abstract

To understand the relationship between Machine learning and Artificial intelligence in large and diversified business organisations

Cited by 25 publications

References 7 publications

RNA Sequencing Data with Machine Learning and Deep Learning Usage: A Methodological Study

RNA Sequencing Data with Machine Learning and Deep Learning Usage: A Methodological Study

Planeación Estratégica Y Perdurabilidad en Las Organizaciones De La Industria 4.0

AIOps in Cloud-native DevOps: IT Operations Management with Artificial Intelligence

Contact Info

Product

Resources

About