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 15 publications

(2 citation statements)

References 7 publications

Supporting

Mentioning

Contrasting

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

“…The impeding transformations from artificial intelligence are likely to change existing business processes and practices (Sestino & De Mauro, 2022). Businesses are focusing on technology as a way to improve overall performance through their innovation capacities and are actively incorporating new and emerging technologies, which is a way for businesses to improve their efficiencies (Sandeep et al, 2022). This is due to artificial intelligence being a type of technology that has made significant advances in how businesses structure their operations and enables businesses to advance their ideas by responding to customer needs by using new technology (Wamba-Taguimdje et al, 2020).…”

Section: Introductionmentioning

confidence: 99%

Artificial Intelligence, Digital Trends and Globalization: Future Research Trends

Ratten

2024

FIIB Business Review

View full text Add to dashboard Cite

Artificial intelligence is rapidly changing businesses based on digital trends and globalization. The aim of this article is to focus on emerging research trends regarding artificial intelligence that will influence global business management. This is significant as there have been rapid changes recently regarding artificial intelligence, including the surge in interest in generative forms. This article summarizes the trends taking place in the adoption process of artificial intelligence and what business managers need to do in order to increase their competitiveness. A brief history of how artificial intelligence has developed is stated, along with the main international business uses for artificial intelligence. Implications at the managerial and policy levels are stated that highlight the relevance and interesting nature of artificial intelligence in international business.

show abstract

Artificial Intelligence Applied to Stakeholder Theory

da Costa,

Gonçalves,

Montez

2023

Digital Technologies and Transformation in Business, Industry and Organizations

View full text Add to dashboard Cite

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

Cited by 15 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

Artificial Intelligence, Digital Trends and Globalization: Future Research Trends

Artificial Intelligence Applied to Stakeholder Theory

Contact Info

Product

Resources

About