https://libeldoc.bsuir.by/handle/123456789/4582| Название: | A neural network-like combinatorial data structure for symbolic machine learning algorithms |
| Другие названия: | Нейроподобная комбинаторная структура данных для алгоритмов символьного машинного обучения |
| Авторы: | Naidenova, Xenia Parkhomenko, Vladimir |
| Ключевые слова: | level-wise algorithm;inferring logical rules from a dataset;neural network-like data structure;knowledge representation |
| Дата публикации: | 2013 |
| Издательство: | БГУИР |
| Описание: | 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. |
| Аннотация: | 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. |
| Аннотация на другом языке: | 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: | https://libeldoc.bsuir.by/handle/123456789/4582 |
| Располагается в коллекциях: | OSTIS-2013 |
| Файл | Описание | Размер | Формат | |
|---|---|---|---|---|
| Naidenova_A.PDF | 672.53 kB | Adobe PDF | Открыть |
Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.