1. Αποθετήριο Παραδοτέων Υποτρόφων Δράσεων ΕΣΠΑ Τριτοβάθμιας Εκπαίδευσης 2017-2023
2. Όλο το Αποθετήριο
3. Ερευνητικές ομάδες

Τύπος:	Ανακοίνωση σε συνέδριο; Πρακτικά συνεδρίου
Τίτλος:	Combining statistical data for machine learning analysis
Συγγραφέας:	[EL] Καλαμπόκης, Ευάγγελος[EN] Kalampokis, Evangelos [EL] Καραμάνου, Αρετή[EN] Karamanou, Areti [EL] Ταραμπάνης, Κωνσταντίνος[EN] Tarabanis, Konstantinos
Ημερομηνία:	08/10/2018
Περίληψη:	Machine learning represents a pragmatic breakthrough in making predictions by finding complex structures and patterns in large volumes of data. Open Statistical Data (OSD), which are highly struc- tured and generally of high quality, can be used in advanced decision making scenarios that involve machine learning analysis. Linked data technologies facilitate the discovery, retrieval, and combination of data on the Web. They enable this way the wide exploitation of OSD in ma- chine learning. A challenge in such analyses is to specify the criteria for selecting the proper datasets to combine and construct a predictive model. This paper presents a case study that aims at creating a model to predict house sales prices in fine grained geographical areas in Scot- land using a large variety of Linked Open Statistical Data (LOSD) from the Scottish official statistics portal. To this end, we present the machine learning analysis steps that can be enhanced using LOSD and we define a set of compatibility criteria. A software tool is also presented as a proof of concept for facilitating the exploitation of LOSD in machine learn- ing. The case study proves the importance of discovering and combining compatible datasets when implementing machine learning scenarios for decision-making.
Γλώσσα:	Αγγλικά
Τόπος δημοσίευσης:	Monterey, CA, USA
Σελίδες:	12
ISSN:	1613-0073
Θεματική κατηγορία:	[EL] Πληροφοριακά συστήματα[EN] Information Systems
Λέξεις-κλειδιά:	machine learning; compatibility; linked data; statistical data
Κάτοχος πνευματικών δικαιωμάτων:	© 2018 by the author(s)
Όροι και προϋποθέσεις δικαιωμάτων:	© 2018 for the individual papers by the papers' authors. Copying permitted for private and academic purposes. This volume is published and copyrighted by its editors
Διατίθεται ανοιχτά στην τοποθεσία:	http://ceur-ws.org/Vol-2317/article-12.pdf
Ηλεκτρονική διεύθυνση του τεκμηρίου στον εκδότη:	http://ceur-ws.org/Vol-2317/article-12.pdf
Ηλεκτρονική διεύθυνση περιοδικού:	http://ceur-ws.org/Vol-2317/
Τίτλος πηγής δημοσίευσης:	CEUR Workshop Proceedings
Τόμος:	2317
Σελίδες τεκμηρίου (στην πηγή):	Article no 12
Όνομα εκδήλωσης:	6th International Workshop on Semantic Statistics (SemStats2018)
Τοποθεσία εκδήλωσης:	Monterey, CA, USA
Ημ/νία έναρξης εκδήλωσης:	08/10/2018
Ημ/νία λήξης εκδήλωσης:	08/10/2018
Σημειώσεις:	This research is co-financed by Greece and the European Union (European Social Fund- ESF) through the Operational Program “Human Resources Development, Education and Lifelong Learning 2014-2020” in the context of the project “Integrating open statistical data using semantic technologies” (MIS 5007306).
Εμφανίζεται στις συλλογές:	Ερευνητικές ομάδες