| DC Field | Value | Language |
|---|
| dc.contributor.author | Naidenova, Xenia | - |
| dc.contributor.author | Parkhomenko, Vladimir | - |
| dc.date.accessioned | 2015-07-08T08:44:58Z | |
| dc.date.accessioned | 2017-07-18T09:06:47Z | - |
| dc.date.available | 2015-07-08T08:44:58Z | |
| dc.date.available | 2017-07-18T09:06:47Z | - |
| dc.date.issued | 2013 | - |
| dc.identifier.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. | ru_RU |
| dc.identifier.uri | https://libeldoc.bsuir.by/handle/123456789/4582 | - |
| dc.description.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. | ru_RU |
| dc.language.iso | en | ru_RU |
| dc.publisher | БГУИР | ru_RU |
| dc.subject | level-wise algorithm | ru_RU |
| dc.subject | inferring logical rules from a dataset | ru_RU |
| dc.subject | neural network-like data structure | ru_RU |
| dc.subject | knowledge representation | ru_RU |
| dc.title | A neural network-like combinatorial data structure for symbolic machine learning algorithms | ru_RU |
| dc.title.alternative | Нейроподобная комбинаторная структура данных для алгоритмов символьного машинного обучения | ru_RU |
| dc.type | Article | ru_RU |
| local.description.annotation | 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. | - |
| Appears in Collections: | OSTIS-2013
|
