Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал: http://ena.lp.edu.ua:8080/handle/ntb/39763
Назва: Метод пошуку асоціативних залежностей у великих даних
Автори: Шаховська, Наталя
Камінський, Роман
Засоба, Є. О.
Приналежність: Національний університет «Львівська політехніка»
Бібліографічний опис: Шаховська Н. Метод пошуку асоціативних залежностей у великих даних / Наталя Шаховська, Роман Камінський, Є. О. Засоба // Інноваційні комп’ютерні технології у вищій школі : матеріали 9-ої Науково-практичної конференції, Львів, 21–23 листопада 2017 року. — Львів : Видавництво Наукового товариства ім. Шевченка, 2017. — С. 193–198.
Bibliographic description: Shakhovska N. Metod poshuku asotsiatyvnykh zalezhnostei u velykykh danykh, Natalia Shakhovska, Roman Kaminskyi, Ye. O. Zasoba, Innovatsiini kompiuterni tekhnolohii u vyshchii shkoli : materialy 9-oi Naukovo-praktychnoi konferentsii, Lviv, 21–23 listopada 2017 roku. — Lviv : Vydavnytstvo Naukovoho tovarystva im. Shevchenka, 2017. — pp. 193–198.
Є частиною видання: Інноваційні комп’ютерні технології у вищій школі : матеріали 9-ої Науково-практичної конференції, Львів, 2017
Конференція/захід: 9-а науково-практична конференція "Інноваційні комп’ютерні технології у вищій школі"
Журнал/збірник: Інноваційні комп’ютерні технології у вищій школі : матеріали 9-ої Науково-практичної конференції, Львів
Дата публікації: 21-лис-2017
Видавництво: Видавництво Наукового товариства ім. Шевченка
Vydavnytstvo Naukovoho tovarystva im. Shevchenka
Місце видання, проведення: Львів
Часове охоплення: 21–23 листопада 2017 року
УДК: 004.9
530.1
Теми: великі дані
асоціативне правило
залежність даних
складність алгоритму
паралельне опрацювання
large data
associative rule
dependence of data
complexity of algorithm
parallel processing
Кількість сторінок: 6
Діапазон сторінок: 193-198
Початкова сторінка: 193
Кінцева сторінка: 198
Короткий огляд (реферат): В роботі запропоновано метод аналізу Великих даних в умовах наявності різних джерел даних та різних методів опрацювання цих даних. Уведено поняття асоціативної залежності, розроблено метод пошуку залежностей, визначено ефективність та можливості його розпаралелення.
The paper proposes a method for analyzing large data in the presence of various data sources and various methods for processing these data. The concept of associative dependence was introduced, the method of finding dependencies was developed, efficiency and possibilities of its parallelism were determined.
URI (Уніфікований ідентифікатор ресурсу): http://ena.lp.edu.ua:8080/handle/ntb/39763
Власник авторського права: © Національний університет «Львівська політехніка», 2017
URL-посилання пов’язаного матеріалу: http://www.klarity-analytics.com/392-dimensions-of-big-data.html
Перелік літератури: 1. Zaki, M. J. (2000). Scalable algorithms for association mining. IEEE Transactions on Knowledge and Data Engineering12(3): 372–3900с.
2. J. Han, H. Pei, and Y. Yin. Mining Frequent Patterns without Candidate Generation. In: Proc. Conf. on the Management of Data (SIGMOD’00, Dallas, TX). ACM Press, New York, NY, USA 2000..
3. Пшеничний О. Ю. Математичне та програмне забезпечення виявлення кон’юнктивних асоціативних залежностей у великих масивах даних : автореферат дисертації на здобуття наукового ступеня кандидата технічних наук : 01.05.03 – математичне та програмне забезпечення обчислювальних машин і систем / Олександр Юрійович Пшеничний ; Національний університет «Львівська політехніка» . - Львів, 2012. - 24 с..
4. Delgado, M., Ruiz, M.D. & Sánchez, D., New approaches for discovering exception and anomalous rules. International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, 19(02), pp. 361–399, 2011.
5. Berzal, Fernando, et al., A new framework to assess association rules. In Advances in Intelligent Data Analysis, Springer Berlin: Heidelberg, pp. 95–104, 2001.
6. Hüllermeier, E., Association rules for expressing gradual dependencies. In Principles of Data Mining and Knowledge Discovery, Springer Berlin: Heidelberg, pp. 200–211,2002.
7. Шаховська Н.Б. Програмне та алгоритмічне забезпечення сховищ та просторів даних:мМонографія / Міністерство освіти і науки України, Національний університет «Львівська політехніка». – Львів, 2010. – 194 с.
8. Шаховська Н.Б. Структура та задачі простору даних // Складні системи і процеси. — 2008. — № 1. — С. 73—86.
9. Big Data Dimensions, http://www.klarity-analytics.com/392-dimensions-of-big-data.html
10. Agrawal, Rakesh, Imielinski, Tomasz & Swami, Arun, Mining association rules between sets of items in large databases. ACM SIGMOD Record, 22, pp. 207–216,1993.
References: 1. Zaki, M. J. (2000). Scalable algorithms for association mining. IEEE Transactions on Knowledge and Data Engineering12(3): 372–3900p.
2. J. Han, H. Pei, and Y. Yin. Mining Frequent Patterns without Candidate Generation. In: Proc. Conf. on the Management of Data (SIGMOD’00, Dallas, TX). ACM Press, New York, NY, USA 2000..
3. Pshenychnyi O. Yu. Matematychne ta prohramne zabezpechennia vyiavlennia koniunktyvnykh asotsiatyvnykh zalezhnostei u velykykh masyvakh danykh : avtoreferat dysertatsii na zdobuttia naukovoho stupenia kandydata tekhnichnykh nauk : 01.05.03 – matematychne ta prohramne zabezpechennia obchysliuvalnykh mashyn i system, Oleksandr Yuriiovych Pshenychnyi ; Natsionalnyi universytet "Lvivska politekhnika" , Lviv, 2012, 24 p..
4. Delgado, M., Ruiz, M.D. & Sánchez, D., New approaches for discovering exception and anomalous rules. International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, 19(02), pp. 361–399, 2011.
5. Berzal, Fernando, et al., A new framework to assess association rules. In Advances in Intelligent Data Analysis, Springer Berlin: Heidelberg, pp. 95–104, 2001.
6. Hüllermeier, E., Association rules for expressing gradual dependencies. In Principles of Data Mining and Knowledge Discovery, Springer Berlin: Heidelberg, pp. 200–211,2002.
7. Shakhovska N.B. Prohramne ta alhorytmichne zabezpechennia skhovyshch ta prostoriv danykh:mMonohrafiia, Ministerstvo osvity i nauky Ukrainy, Natsionalnyi universytet "Lvivska politekhnika", Lviv, 2010, 194 p.
8. Shakhovska N.B. Struktura ta zadachi prostoru danykh, Skladni systemy i protsesy, 2008, No 1, P. 73-86.
9. Big Data Dimensions, http://www.klarity-analytics.com/392-dimensions-of-big-data.html
10. Agrawal, Rakesh, Imielinski, Tomasz & Swami, Arun, Mining association rules between sets of items in large databases. ACM SIGMOD Record, 22, pp. 207–216,1993.
Тип вмісту : Conference Abstract
Розташовується у зібраннях:Інноваційні комп'ютерні технології у вищій школі. – 2017 р.



Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.