Skip navigation
Please use this identifier to cite or link to this item: https://libeldoc.bsuir.by/handle/123456789/4582
Title: A neural network-like combinatorial data structure for symbolic machine learning algorithms
Other Titles: Нейроподобная комбинаторная структура данных для алгоритмов символьного машинного обучения
Authors: Naidenova, Xenia
Parkhomenko, Vladimir
Keywords: level-wise algorithm
inferring logical rules from a dataset
neural network-like data structure
knowledge representation
Issue Date: 2013
Publisher: БГУИР
Citation: Naidenova, Xenia. A neural network-like combinatorial data structure for symbolic machine learning algorithms / Xenia Naidenova, Vladimir Parkhomenko // Открытые семантические технологии проектирования интеллектуальных систем = Open Semantic Technologies for Intelligent Systems (OSTIS-2013) : материалы III Междунар. научн.-техн. конф. (Минск, 21-23 февраля 2013г.) / редкол. : В. В. Голенков (отв. ред.) [и др.]. – Минск : БГУИР, 2013. – С. 289 – 294.
Abstract: A new neural network-like combinatorial data-knowledge structure supporting symbolic machine learning algorithms is advanced. This structure can drastically increase the efficiency of inferring functional and implicative dependencies as like as association rules from a given dataset. Предложена новая нейроподобная комбинаторная структура данных и знаний, увеличивающая эффективность алгоритмов символьного машинного обучения для вывода различного рода логических правил из данных, таких как импликативные и функциональные зависимости, ассоциативные правила, паттерны, описывающие классы объектов. Все перечисленные зависимости генерируются с помощью одного и того же алгоритма и одной и той же предложенной структуры данных. Данная структура также интегрирует задачи вывода правил и их использования при распознавании образов.
URI: http://libeldoc.bsuir.by/handle/123456789/4582
https://libeldoc.bsuir.by/handle/123456789/4582
Appears in Collections:OSTIS-2013

Files in This Item:
File Description SizeFormat 
Naidenova_A.PDF672,53 kBAdobe PDFView/Open
Show full item record


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.