Checking the Plausibility of Nutrient Data in Food Datasets Using KNIME and Big Data

Muenzberg, Alexander; Sauer, Janina; Hein, Andreas; Roesch, Norbert

doi:10.1109/wimob.2019.8923233

Cited by 2 publications

(1 citation statement)

References 3 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Figura 1 Ejemplo de simulación de cobertura de cinco puntos de acceso usando el aplicativo Wi-Fi Designer Para el desarrollo del presente trabajo, se utilizó la herramienta KNIME (Konstanz Information Miner), la cual cuenta con licencia Open Source GPLv3, que facilita su libre uso (KNIME, s. f.). Es preciso señalar que esta herramienta ha sido empleada para la elaboración de diversos artículos orientados a machine learning, tales como Muenzberg et al (2019), Çelik y Çinar (2021), Feltrin (2015), y Chauhan y Sehgal (2018). Sin embargo, en la revisión bibliográfica realizada, no se ha encontrado el uso de KNIME para determinar la ubicación de un smartphone conectado a la red wifi.…”

Section: Introductionunclassified

Algoritmos supervisados de machine learning para determinar la ubicación de dispositivos wifi

Sánchez

2022

Entornos Híbridos en La Pospandemia: Posibilidades Para Las Nuevas Tecnologías. Congreso Internacional De Ingeniería De Sistema

View full text Add to dashboard Cite

El presente artículo tiene como objetivo elegir, bajo un determinado escenario, el mejor algoritmo supervisado de machine learning para localizar un terminal que soporte wifi. Se usa un dataset que cuenta con 2000 registros de Received Signal Strength Indicator (RSSI), obtenidos de 7 puntos de acceso (AP), los cuales se cargan en 8 algoritmos supervisados de machine learning. Luego se elige el algoritmo que realiza la predicción más precisa, incluso cuando se cuenta con un menor número de AP. La mayor precisión se logra con el algoritmo naive Bayes, tanto para el caso de 7 AP (99 % de precisión) como para cuando se cuenta con un número menor de AP. Asimismo, se observa que los algoritmos basados en redes neuronales presentan el peor rendimiento. Finalmente, se proponen trabajos futuros para continuar con la investigación sobre el tema de localización de dispositivos wifi en interiores.

show abstract

Section: Introductionunclassified

Algoritmos supervisados de machine learning para determinar la ubicación de dispositivos wifi

Sánchez

2022

Entornos Híbridos en La Pospandemia: Posibilidades Para Las Nuevas Tecnologías. Congreso Internacional De Ingeniería De Sistema

View full text Add to dashboard Cite

show abstract

Automated analysis of employers’ requirements and formed competencies of transport faculty graduates

Kulev

Denisova

Pozdnyakov

et al. 2022

13TH INTERNATIONAL SCIENTIFIC CONFERENCE ON AERONAUTICS, AUTOMOTIVE AND RAILWAY ENGINEERING AND TECHNOLOGIES (BulTrans-2021)

View full text Add to dashboard Cite

Checking the Plausibility of Nutrient Data in Food Datasets Using KNIME and Big Data

Cited by 2 publications

References 3 publications

Algoritmos supervisados de machine learning para determinar la ubicación de dispositivos wifi

Algoritmos supervisados de machine learning para determinar la ubicación de dispositivos wifi

Automated analysis of employers’ requirements and formed competencies of transport faculty graduates

Contact Info

Product

Resources

About