Метод пошуку асоціативних залежностей у великих даних

Simple item page
dc.citation.conference9-а науково-практична конференція "Інноваційні комп’ютерні технології у вищій школі"
dc.citation.epage198
dc.citation.journalTitleІнноваційні комп’ютерні технології у вищій школі : матеріали 9-ої Науково-практичної конференції, Львів
dc.citation.spage193
dc.contributor.affiliationНаціональний університет «Львівська політехніка»
dc.contributor.authorШаховська, Наталя
dc.contributor.authorКамінський, Роман
dc.contributor.authorЗасоба, Є. О.
dc.coverage.placenameЛьвів
dc.coverage.temporal21–23 листопада 2017 року
dc.date.accessioned2018-03-13T14:56:49Z
dc.date.available2018-03-13T14:56:49Z
dc.date.created2017-11-21
dc.date.issued2017-11-21
dc.description.abstractВ 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.
dc.description.abstractThe 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.
dc.format.extent193-198
dc.format.pages6
dc.identifier.citationШаховська 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.
dc.identifier.citationenShakhovska 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.
dc.identifier.urihttps://ena.lpnu.ua/handle/ntb/39763
dc.language.isouk
dc.publisherВидавництво Наукового товариства ім. Шевченка
dc.publisherVydavnytstvo Naukovoho tovarystva im. Shevchenka
dc.relation.ispartofІнноваційні комп’ютерні технології у вищій школі : матеріали 9-ої Науково-практичної конференції, Львів, 2017
dc.relation.references1. Zaki, M. J. (2000). Scalable algorithms for association mining. IEEE Transactions on Knowledge and Data Engineering12(3): 372–3900с.
dc.relation.references2. 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..
dc.relation.references3. 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..
dc.relation.references4. 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.
dc.relation.references5. Berzal, Fernando, et al., A new framework to assess association rules. In Advances in Intelligent Data Analysis, Springer Berlin: Heidelberg, pp. 95–104, 2001.
dc.relation.references6. Hüllermeier, E., Association rules for expressing gradual dependencies. In Principles of Data Mining and Knowledge Discovery, Springer Berlin: Heidelberg, pp. 200–211,2002.
dc.relation.references7. 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.
dc.relation.references8. Шаховська Н.Б. Структура та задачі простору даних // Складні системи і процеси. — 2008. — № 1. — С. 73—86.
dc.relation.references9. Big Data Dimensions, http://www.klarity-analytics.com/392-dimensions-of-big-data.html
dc.relation.references10. Agrawal, Rakesh, Imielinski, Tomasz & Swami, Arun, Mining association rules between sets of items in large databases. ACM SIGMOD Record, 22, pp. 207–216,1993.
dc.relation.referencesen1. Zaki, M. J. (2000). Scalable algorithms for association mining. IEEE Transactions on Knowledge and Data Engineering12(3): 372–3900p.
dc.relation.referencesen2. 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..
dc.relation.referencesen3. 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..
dc.relation.referencesen4. 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.
dc.relation.referencesen5. Berzal, Fernando, et al., A new framework to assess association rules. In Advances in Intelligent Data Analysis, Springer Berlin: Heidelberg, pp. 95–104, 2001.
dc.relation.referencesen6. Hüllermeier, E., Association rules for expressing gradual dependencies. In Principles of Data Mining and Knowledge Discovery, Springer Berlin: Heidelberg, pp. 200–211,2002.
dc.relation.referencesen7. 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.
dc.relation.referencesen8. Shakhovska N.B. Struktura ta zadachi prostoru danykh, Skladni systemy i protsesy, 2008, No 1, P. 73-86.
dc.relation.referencesen9. Big Data Dimensions, http://www.klarity-analytics.com/392-dimensions-of-big-data.html
dc.relation.referencesen10. Agrawal, Rakesh, Imielinski, Tomasz & Swami, Arun, Mining association rules between sets of items in large databases. ACM SIGMOD Record, 22, pp. 207–216,1993.
dc.relation.urihttp://www.klarity-analytics.com/392-dimensions-of-big-data.html
dc.rights.holder© Національний університет «Львівська політехніка», 2017
dc.subjectвеликі дані
dc.subjectасоціативне правило
dc.subjectзалежність даних
dc.subjectскладність алгоритму
dc.subjectпаралельне опрацювання
dc.subjectlarge data
dc.subjectassociative rule
dc.subjectdependence of data
dc.subjectcomplexity of algorithm
dc.subjectparallel processing
dc.subject.udc004.9
dc.subject.udc530.1
dc.titleМетод пошуку асоціативних залежностей у великих даних
dc.typeConference Abstract

Files

Original bundle

Now showing 1 - 2 of 2
Thumbnail Image
Name:
2017_Shakhovska_N-Metod_poshuku_asotsiatyvnykh_193-198.pdf
Size:
1.73 MB
Format:
Adobe Portable Document Format
Download
Thumbnail Image
Name:
2017_Shakhovska_N-Metod_poshuku_asotsiatyvnykh_193-198__COVER.png
Size:
936.03 KB
Format:
Portable Network Graphics
Download

License bundle

Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
3.01 KB
Format:
Plain Text
Description:
Download

Collections

Інноваційні комп'ютерні технології у вищій школі. – 2017 р.