H RDC Informatics, με χαρά ανακοινώνει την επιτυχημένη παρουσία της στο 13ο Διεθνές Συνέδριο Πληροφοριών, Συστημάτων και Εφαρμογών (International Conference on Information, Intelligence, Systems and Applications- IISA 2022) που πραγματοποιήθηκε μεταξύ 18-20 Ιουλίου 2022, υπό την αιγίδα του Ιονίου Πανεπιστημίου, στη Κέρκυρα.
Το Συνέδριο IISA, αποτελεί ένα διεθνές φόρουμ για ερευνητές και επαγγελματίες από όλους τους τομείς της πληροφορίας, των συστημάτων και εφαρμογών. Κάθε χρόνο προσφέρει το βήμα για μια εποικοδομητική αλληλεπίδραση και παραγωγική ανταλλαγή ιδεών μεταξύ επιστημόνων και επαγγελματιών από διαφορετικά ερευνητικά πεδία – όπως υπολογιστές, μαθηματικά, φυσική, βιολογία, ιατρική, χημεία, πειραματική ψυχολογία, κοινωνικές επιστήμες, γλωσσολογία και μηχανική. Στόχος είναι η ανάπτυξη μεθοδολογιών και εργαλείων για την επίλυση σύνθετων προβλημάτων σε τεχνητή νοημοσύνη, βιολογία, νευροεπιστήμη, ασφάλεια, παρακολούθηση, επιτήρηση, υγειονομική περίθαλψη, βιωσιμότητα σε πηγές ενέργειας, διακυβέρνηση, εκπαίδευση, εμπόριο, αυτοματισμός, ρομποτική, βελτιστοποίηση, εικόνα, ομιλία και τις φυσικές γλώσσες και την ενσωμάτωσή τους.
Στο πλαίσιο του συνεδρίου, η ομάδα RnD της RDC Informatics είχε τη τιμή να παρουσιάσει την ερευνητική εργασία με τίτλο: «Inverse Transformation Sampling for Bibliometric Literature Analysis». Η εργασία αποτελεί πόνημα ερευνητών του τμήματος RnD της εταιρείας σε συνεργασία με διακεκριμένους ερευνητές ανά τον κόσμο. Ακολουθεί η περίληψη της εργασίας που συμπεριλήφθηκε στα πρακτικά του συνεδρίου καθώς και η αναφορά στη συγγραφική ομάδα.
“Inverse Transform Sampling for Bibliometric Literature Analysis”
Nikos Bakas, Dionisis Koutsantonis, Vagelis Plevris, Andreas Langousis, and Savvas Chatzichristofis
In: The Thirteenth International Conference on Information, Intelligence, Systems and Applications. Ionian University, Corfu, Greece, 18-20 July 2022. IISA2022, 2022
url: http://easyconferences.eu/iisa2022/.
Abstract: Scientific literature is prosperously evolving, exhibiting exponential growth in the last decades. For a wide range of scientific thematic areas, it is hard or even impossible for individual researchers to analyze in detail the available published works. For this purpose, we utilize a robust multidimensional scaling procedure, to construct the bibliometric maps of the literature, for keywords, authors and references. Particularly, we propose a generic machine learning algorithm for multidimensional scaling and describe the algorithmic procedure for the generation of the bibliometric maps.