43,90 €
inkl. MwSt.
Versandkostenfrei*
Versandfertig in 6-10 Tagen
payback
0 °P sammeln
  • Broschiertes Buch

L'extraction de règles d'association (ARM) dans l'exploration de données fournit des règles d'association de qualité basées sur des mesures telles que le soutien et la confiance. Ces règles sont interprétées par des experts du domaine pour prendre des décisions bien informées. Cependant, l'ARM pose un problème lorsque l'ensemble de données est soumis à des changements de temps en temps. La découverte de règles en réinventant la roue, en analysant l'ensemble des données à chaque fois, autrement dit, consomme plus de mémoire, de puissance de traitement et de temps. Ce problème reste ouvert en…mehr

Produktbeschreibung
L'extraction de règles d'association (ARM) dans l'exploration de données fournit des règles d'association de qualité basées sur des mesures telles que le soutien et la confiance. Ces règles sont interprétées par des experts du domaine pour prendre des décisions bien informées. Cependant, l'ARM pose un problème lorsque l'ensemble de données est soumis à des changements de temps en temps. La découverte de règles en réinventant la roue, en analysant l'ensemble des données à chaque fois, autrement dit, consomme plus de mémoire, de puissance de traitement et de temps. Ce problème reste ouvert en raison de la prolifération de différentes structures de données utilisées pour extraire des ensembles d'éléments fréquents. Un algorithme est proposé pour la mise à jour des règles d'association extraites lorsque des modifications sont apportées au jeu de données. L'algorithme proposé surpasse l'approche traditionnelle car il extrait les règles d'association de manière incrémentielle et met à jour dynamiquement les règles d'association extraites.
Autorenporträt
Dr. N. Satyavathi arbeitet als Leiterin der Abteilung CSE in einer renommierten Einrichtung. Sie hat 17 Jahre Erfahrung in der Lehre. Veröffentlichte verschiedene Forschungsarbeiten in verschiedenen Scopus-Zeitschriften und auf internationalen Konferenzen. Fortlaufende Forschung auf dem Gebiet des Datamining.