@misc{Chomiak-Orsa_Iwona_Wspomaganie_2017,
 author={Chomiak-Orsa, Iwona and Wójcik, Filip},
 identifier={DOI: 10.15611/ie.2017.4.05},
 year={2017},
 rights={Pewne prawa zastrzeżone na rzecz Autorów i Wydawcy},
 publisher={Wydawnictwo Uniwersytetu Ekonomicznego we Wrocławiu},
 description={nformatyka Ekonomiczna = Business Informatics, 2017, Nr 4 (46), s. 55-65},
 language={pol},
 abstract={Nowoczesne systemy wspomagania decyzji biznesowych korzystają niejednokrotnie z uczenia maszynowego i sztucznej inteligencji do rozwiązywania skomplikowanych problemów. Jednym z nich jest klasyfikacja postrzegana w tym kontekście jako przyporządkowywanie obserwacji (obiektów) określonym kategoriom. Wśród wielu metod umożliwiających osiągnięcie tego celu znajdują się algorytmy regułowe, które poza wspomaganiem decyzji pozwalają zaobserwować korelacje wewnątrz wolumenów danych. Ma to szczególne znaczenie w przypadku decyzji uwzględniających duże wolumeny danych. Procedury te napotykają jednak problemy w przypadku silnego zaburzenia proporcji kategorii lub poszczególnych atrybutów. Odpowiedzią na to wyzwanie może być skuteczna metoda wyboru cech istotnych. W artykule wykorzystano jedną z odmian testu permutacyjnego. Jako przykład zastosowania biznesowego omówione zostało wykorzystanie algorytmu RIPPER użytego do analizy wiarygodności kredytowej klientów instytucji finansowej},
 type={artykuł},
 title={Wspomaganie procesów decyzyjnych przez wykorzystanie algorytmów regułowych wyznaczających istotność atrybutów},
 keywords={uczenie maszynowe, sztuczna inteligencja, wspomaganie decyzji, klasyfikacja, systemy regułowe, analiza danych, machine learning, artificial intelligence, decision support, classification, rule based systems, data science},
}