Аналіз великих даних за допомогою методів редукції моделей

Stanislav I. Zabielin

Анотація


Стрімке збільшення обсягу даних свідчить на користь великих даних, які потребують нового високопродуктивного оброблення. Розглянуто використання методів попереднього оброблення великих даних, уведено визначення, атрибути і категоризацію підпрограм попереднього оброблення даних у великих даних. Проаналізовано взаємозв'язок між великими даними і попереднім обробленням даних у всіх наявних методах і високих технологіях даних. Розкрито проблеми досліджень, основну увагу в яких приділено удосконаленню в деяких групах методів і додатків попереднього оброблення даних, заснованих на нових парадигмах навчання великих даних.

Ключові слова


нелінійне відображення; зменшення розмірності; великі дані; моделювання; нелінійні динамічні об'єкти; дифузійні карти; ядерний метод основних компонент

Повний текст:

PDF (English)

Посилання


Big Data prediction for 2013. Blog by Mike Gualtieri. (n.d.) — Available at: http://blogs.forrester.com/mike_gualtieri

Big Data prediction for 2013. Blog by Mike Gualtieri. (n.d.) — Available at: http://blogs.forrester.com/mike_gualtieri

Horvath D. Generative Topographic Mapping of Conformational Space / D. Horvath, I. Baskin, G. Marcou, A. Varnek // Molecular Informatics. — 2017. — 36 (10). — P. 22.

Kohonen T. Essentials of the self-organizing map / T. Kohonen // Neural Networks. — 2013. — N 37. — P. 52–65.

Wang L. The Isomap Algorithm and Topological Stability / L. Wang // Science. — 2002. — 295 (5552). — P. 81.

Lerner B. On pattern classification with Sammons nonlinear mapping an experimental study / B. Lerner // Pattern Recognition. — 1998. — 31(4). — P. 371–381.

Young F. Multidimensional Scaling: History, Theory, and Applications / B. Lerner // Psychology Press. — 2017. — N 11. — P. 13.

Lee J. Nonlinear dimensionality reduction / J. Lee, M. Verleysen // NY: Springer. — 2010. — 29. — P. 110.

Marinescu D. Cloud Computing: Theory and Practice / D. Marinescu // Elsevier Science & Technology Books. — 2017. — 2. — P. 66.

Beyond the hype: Big data concepts, methods, and analytics. Egyptian Journal of Medical Human Genetics. Available at: https://www.sciencedirect.com/science/article/pii/S0268401214001066

Ewing R. Visualization of expression clusters using Sammons non-linear mapping / R. Ewing R., J. Cherry // Bioinformatics. — 2001. — 17(7). — P. 658–659.

Dinh H. A survey of mobile cloud computing: architecture, applications, and approaches / H. Dinh // Wireless Communications and Mobile Computing. — 2011. — 13(18). — P. 1587–1611.

Wang Q. Combining local and global information for nonlinear dimensionality reduction / Q. Wang, J. Li // Neurocomputing. — 2009. — 72(10–12). — P. 2235–2241.

You S. Think locally, fit globally: Robust and fast 3D shape matching via adaptive algebraic fitting / S. You, D. Zhang // Neurocomputing. — 2017. — N 89. — P. 119–129.

Lee J. Nonlinear projection with curvilinear distances: Isomap versus curvilinear distance analysis / J. Lee J., A. Lendasse, M. Verleysen // Neurocomputing. — 2004. — N 57. — P. 49–76.

Cox T. Multidimensional scaling / T. Cox, M. Cox // Boca Raton. — 2001. — 11. — P. 22.

Law M. Incremental nonlinear dimensionality reduction by manifold learning / M. Law, A. Jain // IEEE Transactions on Pattern Analysis and Machine Intelligence. — 2006. — 28(3). — P. 377–391.

Lee T. Improved criteria for sampled-data synchronization of chaotic Lur’e systems using two new approaches / T. Lee, J. Park // Nonlinear Analysis: Hybrid Systems. — 2017. — 24. — P. 132–145.

Du K. Clustering: A neural network approach / K. Du // Neural Networks. — 2010. — 23(1). — P. 89–107.

Wang L. Local Dynamic Modeling with SelfOrganizing Maps and Applications to Nonlinear System Identification and Control / L. Wang // Intelligent Signal Processing. — 2009. — 15. — P. 21.

Svensen J. GTM: the Generative Topographic Mapping / J. Svensen // University of Aston in Birmingham. — 1998. — 12. — P. 981.

Ghahramani Z. Unsupervised Learning / Z. Ghahramani // Advanced Lectures on Machine Learning Lecture Notes in Computer Science. — 2004. — 15. — P. 72–112.


Пристатейна бібліографія ГОСТ


1. Big Data prediction for 2013. Blog by Mike Gualtieri. (n.d.) — Available at: http://blogs.forrester.com/mike_gualtieri

2. Big Data prediction for 2013. Blog by Mike Gualtieri. (n.d.) — Available at: http://blogs.forrester.com/mike_gualtieri

3. Horvath D. Generative Topographic Mapping of Conformational Space / D. Horvath, I. Baskin, G. Marcou, A. Varnek // Molecular Informatics. — 2017. — 36 (10). — P. 22.

4. Kohonen T. Essentials of the self-organizing map / T. Kohonen // Neural Networks. — 2013. — N 37. — P. 52–65.

5. Wang L. The Isomap Algorithm and Topological Stability / L. Wang // Science. — 2002. — 295 (5552). — P. 81.

6. Lerner B. On pattern classification with Sammons nonlinear mapping an experimental study / B. Lerner // Pattern Recognition. — 1998. — 31(4). — P. 371–381.

7. Young F. Multidimensional Scaling: History, Theory, and Applications / B. Lerner // Psychology Press. — 2017. — N 11. — P. 13.

8. Lee J. Nonlinear dimensionality reduction / J. Lee, M. Verleysen // NY: Springer. — 2010. — 29. — P. 110.

9. Marinescu D. Cloud Computing: Theory and Practice / D. Marinescu // Elsevier Science & Technology Books. — 2017. — 2. — P. 66.

10. Beyond the hype: Big data concepts, methods, and analytics. Egyptian Journal of Medical Human Genetics. Available at: https://www.sciencedirect.com/science/article/pii/S0268401214001066

11. Ewing R. Visualization of expression clusters using Sammons non-linear mapping / R. Ewing R., J. Cherry // Bioinformatics. — 2001. — 17(7). — P. 658–659.

12. Dinh H. A survey of mobile cloud computing: architecture, applications, and approaches / H. Dinh // Wireless Communications and Mobile Computing. — 2011. — 13(18). — P. 1587–1611.

13. Wang Q. Combining local and global information for nonlinear dimensionality reduction / Q. Wang, J. Li // Neurocomputing. — 2009. — 72(10–12). — P. 2235–2241.

14. You S. Think locally, fit globally: Robust and fast 3D shape matching via adaptive algebraic fitting / S. You, D. Zhang // Neurocomputing. — 2017. — N 89. — P. 119–129.

15. Lee J. Nonlinear projection with curvilinear distances: Isomap versus curvilinear distance analysis / J. Lee J., A. Lendasse, M. Verleysen // Neurocomputing. — 2004. — N 57. — P. 49–76.

16. Cox T. Multidimensional scaling / T. Cox, M. Cox // Boca Raton. — 2001. — 11. — P. 22.

17. Law M. Incremental nonlinear dimensionality reduction by manifold learning / M. Law, A. Jain // IEEE Transactions on Pattern Analysis and Machine Intelligence. — 2006. — 28(3). — P. 377–391.

18. Lee T. Improved criteria for sampled-data synchronization of chaotic Lur’e systems using two new approaches / T. Lee, J. Park // Nonlinear Analysis: Hybrid Systems. — 2017. — 24. — P. 132–145.

19. Du K. Clustering: A neural network approach / K. Du // Neural Networks. — 2010. — 23(1). — P. 89–107.

20. Wang L. Local Dynamic Modeling with SelfOrganizing Maps and Applications to Nonlinear System Identification and Control / L. Wang // Intelligent Signal Processing. — 2009. — 15. — P. 21.

21. Svensen J. GTM: the Generative Topographic Mapping / J. Svensen // University of Aston in Birmingham. — 1998. — 12. — P. 981.

22. Ghahramani Z. Unsupervised Learning / Z. Ghahramani // Advanced Lectures on Machine Learning Lecture Notes in Computer Science. — 2004. — 15. — P. 72–112.





DOI: https://doi.org/10.20535/SRIT.2308-8893.2018.2.04

Посилання

  • Поки немає зовнішніх посилань.