Skip navigation
DSpace logo
  1. Електронний науковий архів Науково-технічної бібліотеки Національного університету "Львівська політехніка"
  2. Електронний архів Науково-технічної бібліотеки
  3. Матеріали конференцій
  4. Інноваційні комп'ютерні технології у вищій школі
  5. Інноваційні комп'ютерні технології у вищій школі. – 2017 р.

putin IS MURDERER

Please use this identifier to cite or link to this item: https://oldena.lpnu.ua/handle/ntb/39763
Title: Метод пошуку асоціативних залежностей у великих даних
Authors: Шаховська, Наталя
Камінський, Роман
Засоба, Є. О.
Affiliation: Національний університет «Львівська політехніка»
Bibliographic description (Ukraine): Шаховська 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.
Bibliographic description (International): Shakhovska 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.
Is part of: Інноваційні комп’ютерні технології у вищій школі : матеріали 9-ої Науково-практичної конференції, Львів, 2017
Conference/Event: 9-а науково-практична конференція "Інноваційні комп’ютерні технології у вищій школі"
Journal/Collection: Інноваційні комп’ютерні технології у вищій школі : матеріали 9-ої Науково-практичної конференції, Львів
Issue Date: 21-Nov-2017
Publisher: Видавництво Наукового товариства ім. Шевченка
Vydavnytstvo Naukovoho tovarystva im. Shevchenka
Place of the edition/event: Львів
Temporal Coverage: 21–23 листопада 2017 року
UDC: 004.9
530.1
Keywords: великі дані
асоціативне правило
залежність даних
складність алгоритму
паралельне опрацювання
large data
associative rule
dependence of data
complexity of algorithm
parallel processing
Number of pages: 6
Page range: 193-198
Start page: 193
End page: 198
Abstract: В 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.
The 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.
URI: https://ena.lpnu.ua/handle/ntb/39763
Copyright owner: © Національний університет «Львівська політехніка», 2017
URL for reference material: http://www.klarity-analytics.com/392-dimensions-of-big-data.html
References (Ukraine): 1. Zaki, M. J. (2000). Scalable algorithms for association mining. IEEE Transactions on Knowledge and Data Engineering12(3): 372–3900с.
2. 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..
3. 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..
4. 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.
5. Berzal, Fernando, et al., A new framework to assess association rules. In Advances in Intelligent Data Analysis, Springer Berlin: Heidelberg, pp. 95–104, 2001.
6. Hüllermeier, E., Association rules for expressing gradual dependencies. In Principles of Data Mining and Knowledge Discovery, Springer Berlin: Heidelberg, pp. 200–211,2002.
7. 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.
8. Шаховська Н.Б. Структура та задачі простору даних // Складні системи і процеси. — 2008. — № 1. — С. 73—86.
9. Big Data Dimensions, http://www.klarity-analytics.com/392-dimensions-of-big-data.html
10. Agrawal, Rakesh, Imielinski, Tomasz & Swami, Arun, Mining association rules between sets of items in large databases. ACM SIGMOD Record, 22, pp. 207–216,1993.
References (International): 1. Zaki, M. J. (2000). Scalable algorithms for association mining. IEEE Transactions on Knowledge and Data Engineering12(3): 372–3900p.
2. 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..
3. 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..
4. 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.
5. Berzal, Fernando, et al., A new framework to assess association rules. In Advances in Intelligent Data Analysis, Springer Berlin: Heidelberg, pp. 95–104, 2001.
6. Hüllermeier, E., Association rules for expressing gradual dependencies. In Principles of Data Mining and Knowledge Discovery, Springer Berlin: Heidelberg, pp. 200–211,2002.
7. 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.
8. Shakhovska N.B. Struktura ta zadachi prostoru danykh, Skladni systemy i protsesy, 2008, No 1, P. 73-86.
9. Big Data Dimensions, http://www.klarity-analytics.com/392-dimensions-of-big-data.html
10. Agrawal, Rakesh, Imielinski, Tomasz & Swami, Arun, Mining association rules between sets of items in large databases. ACM SIGMOD Record, 22, pp. 207–216,1993.
Content type: Conference Abstract
Appears in Collections:Інноваційні комп'ютерні технології у вищій школі. – 2017 р.

Files in This Item:
File Description SizeFormat 
2017_Shakhovska_N-Metod_poshuku_asotsiatyvnykh_193-198.pdf1.77 MBAdobe PDFView/Open
2017_Shakhovska_N-Metod_poshuku_asotsiatyvnykh_193-198__COVER.png936.03 kBimage/pngView/Open
Show full item record


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