Magistro darbo objektas – Lietuvos knygotyra nuo XIX amžiaus pradžios iki šių dienų. Darbo tikslas – atskleisti Lietuvos knygotyros brandą ir vaidmenį bendrame šalies mokslų sistemos kontekste. Darbo uždaviniai: išanalizuoti svarbiausių ir reikšmingiausių knygotyros organizaciją ir struktūrą formuojančių institucijų veiklą; išanalizuoti tęstinį mokslo darbų leidinį „Knygotyra“ ir knygotyros renginius; išryškinti žymiausius Lietuvos knygotyros kūrėjus ir per jų veikalus atskleisti pagrindines atitinkamu laikotarpiu jų darbuose vyravusias mokslo idėjas bei koncepcijas ir jų kaitą; taikant ekspertų anketinės apklausos metodą, įvertinti šiuolaikinės knygotyros būklę ir atskleisti ją sąlygojančius veiksnius bei aplinkybes, taip pat nustatyti ekspertų nuomonių atitikimo laipsnį tiriamuoju klausimu, siejant jį su objektyviai egzistuojančios tikrovės reiškiniais. Naudojantis publikuotų ir nepublikuotų šaltinių analizės, istoriografiniu, lyginamuoju, statistinės duomenų analizės, bibliografiniu ir ekspertų vertinimo metodais, prieita prie išvados, kad Lietuvos knygotyra yra brandus mokslas ir turi tarptautinės reikšmės statusą. Stipri mokslo tradicijų ir pagrindinių idėjų perimamumo tendencija leidžia kalbėti apie nacionalinės knygotyros mokyklos susiformavimą. Knygotyros brandą ir jos mokyklos egzistavimą liudija tokie požymiai kaip susiformavusi knygotyros institucinė sistema, tarptautinį pripažinimą pelnęs tęstinis mokslo darbų leidinys „Knygotyra“, užsienio mokslininkų aukštai... [toliau žr. visą tekstą] / Book science has old and deep traditions in Lithuania. At the beginning of the 19th century book science has become the object of scientific discussions not only in Europe but also in Lithuania. There are two main periods of book science – primary and theoretical. It is important also to take note of period of modern book science which has been developing from 1990. The science and its creators have significant achievements which should be summed up. The object of this work is Lithuanian book science from the beginning of the 19th century to these days. The purpose is to show the maturity of book science and its role in the general context of sciences system of Lithuania. The main tasks are: to analyse the activity of the most important and significant institutions which are forming the organization ant structure of book science; to analyse the continuous publication “Knygotyra” and international conferences of book science which are organized in Lithuania; to bring out the foremost creators of Lithuanian book science and to show the main ideas and conceptions which were dominating in their studies as well alternation of that ideas and conceptions in particular period by appealing to their studies; to sum up the state of modern book science and show the factors conditioning it. There were used the methods of analysis of published and not published sources, historiographical, comparative, statistical analysis of data, bibliographical and estimation of experts methods in this... [to full text]

Nowadays, when the environment is changing rapidly and dynamically, there is a particular need for adaptive data mining methods. `Spam' filters, personalized recommender and marketing systems, network intrusion detection systems, business prediction and decision support systems need to be regularly retrained to take into account changing nature of the data. In the stationary settings the more data is at hand, the more accurate model can be trained. In the changing environment an old data decreases the accuracy. In such a case only a subset of the historical data might be selected to form a training set. For instance, the training window strategy uses only the newest historical instances. In the thesis adaptive data mining methods are addressed, which are based on selective training set formation. The thesis improves the training strategies under sudden, gradual and recurring concept drifts. Four adaptive training set formation algorithms are developed and experimentally validated, which allow to increase the generalization performance of the base models under each of the three concept drift types. Experimental evaluation using generated and real data confirms improvement of the classification and prediction accuracies as compared to using all the historical data as well as the selected existing adaptive learning algorithms from the recent literature. A tailored method for an industrial boiler application, which unifies several drift types, is developed. / Šiandieninėje, dinamiškai besikeičiančioje aplinkoje reikalingi adaptyvūs duomenų gavybos metodai. Nepageidaujamų laiškų klasifikatoriai, asmeninio rekomendavimo ir rinkodaros, įsilaužimų į kompiuterinius tinklus aptikimo, verslo rodiklių prognozavimo bei sprendimų priėmimo sistemos turi nuolat “persimokyti”, reaguoti į besikeičiančius duomenis. Stacionarioje aplinkoje kuo daugiau mokymo duomenų - tuo tikslesnis modelis. Besikeičiančioje aplinkoje seni duomenys blogina tikslumą. Tokiu atveju, vietoje visų turimų istorinių duomenų panaudojimo, gali būti tikslingai išrenkama tik tam tikra jų dalis, pvz. naudojamas mokymo langas (tik naujausi duomenys). Tiriamojo darbo objektas yra adaptyvūs mokymo metodai, kurie remiasi kryptingu mokymo imties formavimu. Darbe patobulintos mokymo strategijos esant staigiems, palaipsniams ir pasikartojantiems pokyčiams. Sukurti ir eksperimentiškai aprobuoti keturi adaptyvaus mokymo imties formavimo algoritmai, kurie leidžia pagerinti klasifikavimo bei prognozavimo tikslumą besikeičiančiose aplinkose, esant atitinkamai kiekvienam iš trijų pokyčių tipų. Naudojant generuotus bei realius duomenis eksperimentiškai parodytas klasifikavimo bei prognozavimo tikslumo pagerėjimas, lyginant su visų istorinių duomenų naudojimu mokymui, bei žinomais šioje srityje naudojamais adaptyviais mokymo algoritmais. Sukurta metodika pritaikyta pramoninio katilo atvejui, jungiančiam kelis aplinkos pokyčių tipus.

Šiandieninėje, dinamiškai besikeičiančioje aplinkoje reikalingi adaptyvūs duomenų gavybos metodai. Nepageidaujamų laiškų klasifikatoriai, asmeninio rekomendavimo ir rinkodaros, įsilaužimų į kompiuterinius tinklus aptikimo, verslo rodiklių prognozavimo bei sprendimų priėmimo sistemos turi nuolat “persimokyti”, reaguoti į besikeičiančius duomenis. Stacionarioje aplinkoje kuo daugiau mokymo duomenų - tuo tikslesnis modelis. Besikeičiančioje aplinkoje seni duomenys blogina tikslumą. Tokiu atveju, vietoje visų turimų istorinių duomenų panaudojimo, gali būti tikslingai išrenkama tik tam tikra jų dalis, pvz. naudojamas mokymo langas (tik naujausi duomenys). Tiriamojo darbo objektas yra adaptyvūs mokymo metodai, kurie remiasi kryptingu mokymo imties formavimu. Darbe patobulintos mokymo strategijos esant staigiems, palaipsniams ir pasikartojantiems pokyčiams. Sukurti ir eksperimentiškai aprobuoti keturi adaptyvaus mokymo imties formavimo algoritmai, kurie leidžia pagerinti klasifikavimo bei prognozavimo tikslumą besikeičiančiose aplinkose, esant atitinkamai kiekvienam iš trijų pokyčių tipų. Naudojant generuotus bei realius duomenis eksperimentiškai parodytas klasifikavimo bei prognozavimo tikslumo pagerėjimas, lyginant su visų istorinių duomenų naudojimu mokymui, bei žinomais šioje srityje naudojamais adaptyviais mokymo algoritmais. Sukurta metodika pritaikyta pramoninio katilo atvejui, jungiančiam kelis aplinkos pokyčių tipus. / Nowadays, when the environment is changing rapidly and dynamically, there is a particular need for adaptive data mining methods. `Spam' filters, personalized recommender and marketing systems, network intrusion detection systems, business prediction and decision support systems need to be regularly retrained to take into account changing nature of the data. In the stationary settings the more data is at hand, the more accurate model can be trained. In the changing environment an old data decreases the accuracy. In such a case only a subset of the historical data might be selected to form a training set. For instance, the training window strategy uses only the newest historical instances. In the thesis adaptive data mining methods are addressed, which are based on selective training set formation. The thesis improves the training strategies under sudden, gradual and recurring concept drifts. Four adaptive training set formation algorithms are developed and experimentally validated, which allow to increase the generalization performance of the base models under each of the three concept drift types. Experimental evaluation using generated and real data confirms improvement of the classification and prediction accuracies as compared to using all the historical data as well as the selected existing adaptive learning algorithms from the recent literature. A tailored method for an industrial boiler application, which unifies several drift types, is developed.