PropertyValue
?:abstract
  • Das Innovationsprojekt “Machine Learning for Sample Data Geographic information systems” (LEARN4SDGis) zielte darauf ab, sozialstatistische Stichprobendaten kleinräumig darzustellen. Insbesondere wurde die kartographische Aufbereitung von Indikatoren erarbeitet, die im Kontext der Sustainable Development Goals (SDGs) der Agenda 2030 verwendet werden können. Diese Zielsetzung wurde durch Anwendung von Maschinenlernmethoden und Integration unterschiedlicher Datenquellen verfolgt. Kartographische Darstellungen zu Armut, Gesundheit und Bildung konnten als erste Ergebnisse gewonnen werden. Da diese Daten hinsichtlich Methodik oder europäischer Harmonisierung noch nicht vollständig ausgereift sind, werden sie als „Experimentelle Statistiken“ gekennzeichnet. (xsd:string)
?:author
?:comment
  • (SILC) (xsd:string)
?:dataSource
  • EU-SILC-Bibliography (xsd:string)
?:dateModified
  • 2020 (xsd:gyear)
?:datePublished
  • 2020 (xsd:gyear)
?:duplicate
?:fromPage
  • 700 (xsd:string)
is ?:hasPart of
?:inLanguage
  • german (xsd:string)
?:isPartOf
?:issueNumber
  • 9 (xsd:string)
is ?:mainEntity of
?:name
  • LEARN4SDGis – Machine Learning for SampleData and Geographic information systems. Kleinräumige Darstellung durch experimentelle Methoden (xsd:string)
?:publicationType
  • article (xsd:string)
?:reference
?:sourceInfo
  • Bibsonomy (xsd:string)
  • In Statistische Nachrichten(9), 700-711, 2020 (xsd:string)
?:studyGroup
  • European Union Statistics on Income and Living Conditions (EU-SILC) (xsd:string)
?:tags
  • 2020 (xsd:string)
  • FDZ_GML (xsd:string)
  • SILC (xsd:string)
  • SILC_input2021 (xsd:string)
  • SILC_pro (xsd:string)
  • article (xsd:string)
  • datfeld (xsd:string)
  • german (xsd:string)
  • indexproved (xsd:string)
  • jak (xsd:string)
  • noindex (xsd:string)
  • transfer21 (xsd:string)
?:toPage
  • 711 (xsd:string)
rdf:type
?:url