بررسی و مقایسه رویکردهای کاهش ابعاد داده کاوی توزیع شده در شبکه های نظیر به نظیر.

Publish Year: 1394
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 915

This Paper With 9 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

NCCOS03_181

تاریخ نمایه سازی: 9 مرداد 1395

Abstract:

بسترهای داده ای متمرکز که دارای ابعادزیادی هستند علیرغم فرصتهایی که به وجود می آورند چالشهای محاسباتی و ذخیره سازی بیشتری را ایجادمی کنند شبکه های نظیر به نظیر روشی متداول برای محاسبات داده ای متمرکز بصورت توزیع شده است که درکاربردهایی که تبادل داده و اطلاعات میان نظیرها زیاد است مورداستفاده قرار میگیرد یکی ازمشکلات داده های باابعادزیاد اینست که دربیشتر مواقع تمام ویژگیهای داده ها برای یافتن دانشی که درداده ها نهفته است مهم و حیاتی نیستند بنابراین یکی ازپیش زمینه های تحلیل داده با ابعادبالا کاهش بعد داده هاست که معمولا برپایه داده های متمرکز هستند دراین مقاله رویکردهای کاهش ابعادداده کاوی توزیع شده درشبکه های نظیر به نظیر مبتنی براستخراج ویژگی را بررسی و مقایسه می کنیم داده کاوی توزیع شده مقیاس پذیر بوده و درشرایط پویا مدل داده کاوی را بصورت تدریجی به روز می کند

Keywords:

کاهش ابعاد , داده کاوی توزیع شده , شبکه های نظیر به نظیر , تبدیل خطی

Authors

رحیم رشیدی

گروه کامپیوتر، واحد بوکان، دانشگاه آزاد اسلامی، بوکان، ایران

عبدالباقی قادر زاده

گروه کامپیوتر، واحد سنندج، دانشگاه آزاد اسلامی واحد سنندج، ایران

امیر شیخ احمدی

گروه کامپیوتر، واحد سنندج، دانشگاه آزاد اسلامی واحد سنندج، ایران

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • Mahmut Kandemir, Alok Choudhary, J. Ramanujam and Prith Banerjee, "A ...
  • Hyvarinen A., J. Karhunen, and E. Oja. Independent Component Analysis.Series ...
  • C.M. Bishop, M. Svensen, and C.K.I. Williams. EM optimization of ...
  • L. Breiman. Random forest, Techmical report, Department of Statistics, University ...
  • T.F. Cox and M.A.A. Cox. Multidimens ional Scaling. Chapman and ...
  • K.I. Diamantaras and S.--. Kung. Principal Component Neural Networks. Theory ...
  • Girolanii. editor. Adaci7ice.s r Indcperirlent Component An(i1:y.si.s. Perspt'ctivw ii Srural ...
  • A. Hyviirinrn. Siirwy on iridcpc-ritltwt conipolicvit analysis. Neurnl Computing Si/rve:ys, ...
  • .A. Hyviirilicn arid E. 0.ja. -A fast fixod-point algorithrn for ...
  • I. _ Fodor, "A survey of dimension reduction techniques, " ...
  • Yunyue Zhu, High Performance Data Mining in Time Series: Techniques ...
  • Lindsay I Smith, A tutorial on Principal Components Analysis, 2002. ...
  • M. Dash, H. Liu, Feature Selection for Classification. Intelligent Data ...
  • Schlimmer, J.C., Efficiently inducing determination, A complete and systematic search ...
  • Kira, K. and Rendell, L.A., The feature selection problem: Traditiomal ...
  • Kononenko, I., Estimating attributes: Analysis and extension of RELIEF. In: ...
  • Segen, J., Feature selectio and constructive inference. In: Proceedings of ...
  • Xu, L., Yan, . and Chang, T., Best first strategy ...
  • Bobrowski, L., Feature selection based on some homogeneity coefficiemt. In: ...
  • Cardie, C., Using decision trees to improve case-based learing. In: ...
  • Koller, D. and Sahami, M., Toward optimal feature selection. In: ...
  • Quinlan, J.R., C4.5: Programs for Machine Learning. Morgan Kaufmann, San ...
  • نمایش کامل مراجع