Bøker av Melsew Belachew Fentahun

Sel'skohozqjstwennaq otrasl' zhiznenno wazhna dlq äkonomicheskogo blagosostoqniq strany, no bolezni sel'skohozqjstwennyh kul'tur predstawlqüt soboj ser'eznuü problemu. Percowye kul'tury trebuüt osobogo wnimaniq iz-za problem s boleznqmi. Dlq wyqwleniq boleznej sel'skohozqjstwennyh kul'tur ispol'zowalis' metody intellektual'nogo analiza dannyh, odnako oni ne pozwolqüt ispol'zowat' znaniq. V dannom issledowanii dlq diagnostiki i lecheniq boleznej percowyh kul'tur ispol'zuetsq intellektual'nyj analiz dannyh i sistemy, osnowannye na znaniqh. Jexperimenty prowodilis' s ispol'zowaniem chetyreh algoritmow JRip, PART, J48 i REPTree na nabore dannyh po percu. Vse äxperimenty dlq kazhdogo algoritma prowodilis' s 9927 äkzemplqrami i chetyr'mq klassami, a imenno gribkami, nasekomymi, wirusami i bakteriqmi, wyzywaüschimi bolezni urozhaq. Algoritmy klassifikacii byli ispol'zowany dlq razrabotki prognosticheskoj modeli, a predstawlenie znanij na osnowe prawil - dlq diagnostiki i lecheniq urozhaq. Proizwoditel'nost' sistemy byla protestirowana äxpertami domena i pol'zowatelqmi i pokazala mnogoobeschaüschie rezul'taty 90,5 i 86,8 % sootwetstwenno so srednimi pokazatelqmi Precision i Recall 96 % i 97,2 %.

Die Landwirtschaft ist für das wirtschaftliche Wohlergehen eines Landes von entscheidender Bedeutung, doch Pflanzenkrankheiten stellen eine große Herausforderung dar. Der Anbau von Pfefferkörnern erfordert aufgrund von Krankheiten besondere Aufmerksamkeit. Data Mining wurde bereits zur Erkennung von Pflanzenkrankheiten eingesetzt, doch fehlt es an der Nutzung von Wissen. In dieser Studie wird Data Mining mit wissensbasierten Systemen zur Diagnose und Behandlung von Pfefferkrankheiten kombiniert. Die Experimente wurden mit den vier Algorithmen JRip, PART, J48 und REPTree für den Paprika-Datensatz durchgeführt. Alle Experimente für jeden Algorithmus wurden mit 9927 Instanzen und vier Klassen durchgeführt, nämlich Pilz-, Insekten-, Virus- und Bakterien-Krankheitstypen der Ernte. Mit Hilfe von Klassifizierungsalgorithmen wurde ein prädiktives Modell entwickelt und eine regelbasierte Wissensrepräsentation zur Diagnose und Behandlung der Pflanzen eingesetzt. Die Leistung des Systems wurde mit Domänenexperten und Benutzerakzeptanz getestet und ergab vielversprechende Ergebnisse von 90,5 bzw. 86,8 % mit einer durchschnittlichen Präzision und Wiedererkennung von 96 % bzw. 97,2 % für die Gesamtleistung.

A indústria agrícola é vital para o bem-estar económico de um país, mas as doenças das culturas constituem um grande desafio. As culturas de pimento exigem uma atenção especial devido a preocupações com doenças. A extração de dados tem sido utilizada para a identificação de doenças das culturas, mas carece de utilização de conhecimentos. Um estudo integra a extração de dados com sistemas baseados no conhecimento para o diagnóstico e tratamento de doenças das culturas de pimento. Foram efectuadas experiências utilizando quatro algoritmos denominados JRip, PART, J48 e REPTree no conjunto de dados de pimentos. Todas as experiências para cada algoritmo foram realizadas com 9927 instâncias e quatro classes, nomeadamente tipos de doenças da cultura: fungos, insectos, vírus e bactérias. Os algoritmos de classificação foram utilizados para desenvolver um modelo de previsão e a representação do conhecimento baseada em regras foi empregue para diagnosticar e tratar a cultura. O desempenho do sistema foi testado com peritos do domínio e com a aceitação do utilizador, com resultados promissores de 90,5 e 86,8%, respetivamente, com uma precisão e uma recuperação médias de 96% e 97,2% do resultado global do desempenho.

L'industrie agricole est vitale pour le bien-être économique d'un pays, mais les maladies des cultures constituent un défi majeur. Les cultures de poivrons requièrent une attention particulière en raison des problèmes de maladies. L'exploration de données a été utilisée pour l'identification des maladies des cultures, mais l'utilisation des connaissances est insuffisante. Une étude intègre l'exploration de données avec des systèmes basés sur la connaissance pour le diagnostic et le traitement des maladies des cultures de poivre. Des expériences ont été menées en utilisant quatre algorithmes nommés JRip, PART, J48 et REPTree sur l'ensemble de données des poivrons. Toutes les expériences pour chaque algorithme ont été menées avec 9927 instances et quatre classes, à savoir les types de maladies des champignons, des insectes, des virus et des bactéries de la culture. Les algorithmes de classification ont été utilisés pour développer un modèle prédictif et la représentation des connaissances basée sur des règles a été employée pour diagnostiquer et traiter la culture. Les performances du système ont été testées avec des experts du domaine et l'acceptation des utilisateurs avec des résultats prometteurs de 90,5 et 86,8% respectivement avec une précision moyenne et un rappel de 96% et 97,2% de résultats globaux.

L'industria agricola è vitale per il benessere economico di un Paese, ma le malattie dei raccolti rappresentano una sfida importante. Le colture di pepe richiedono un'attenzione particolare a causa delle malattie. Il data mining è stato utilizzato per l'identificazione delle malattie delle colture, ma manca l'utilizzo della conoscenza. Uno studio integra il data mining con sistemi basati sulla conoscenza per la diagnosi e il trattamento delle malattie delle colture di pepe. Gli esperimenti sono stati condotti utilizzando quattro algoritmi denominati JRip, PART, J48 e REPTree sul set di dati dei peperoni. Tutti gli esperimenti per ciascun algoritmo sono stati condotti con 9927 istanze e quattro classi, ovvero funghi, insetti, virus e batteri. Gli algoritmi di classificazione sono stati utilizzati per sviluppare un modello predittivo e la rappresentazione della conoscenza basata su regole è stata impiegata per diagnosticare e trattare la coltura. Le prestazioni del sistema sono state testate con esperti del dominio e con l'accettazione da parte degli utenti, con risultati promettenti rispettivamente del 90,5 e dell'86,8%, con una precisione e un richiamo medi del 96% e del 97,2%.