thesis work
Renata Akhmetshakirova (Avtor), Damjan Strnad (Mentor)

Povzetek

One of the most popular methods of knowledge discovery in databases is the extraction of association rules. There are many different algorithms for association rule learning , which differ in space and time complexity. To perform a comparative analysis, we have implemented Apriori, Eclat and FP-growth algorithms and compared their time and memory consumption using synthetic and real databases. The analysis has shown that the FP-growth algorithm is the most efficient in the majority of cases.

Ključne besede

association rules;data mining;Apriori;Eclat;

Podatki

Jezik: Angleški jezik
Leto izida:
Tipologija: 2.11 - Diplomsko delo
Organizacija: UM FERI - Fakulteta za elektrotehniko, računalništvo in informatiko
Založnik: [R. Akhmetshakirova]
UDK: 004.85.021(043.2)
COBISS: 20432150 Povezava se bo odprla v novem oknu
Št. ogledov: 1721
Št. prenosov: 93
Ocena: 0 (0 glasov)
Metapodatki: JSON JSON-RDF JSON-LD TURTLE N-TRIPLES XML RDFA MICRODATA DC-XML DC-RDF RDF

Ostali podatki

Sekundarni jezik: Slovenski jezik
Sekundarni naslov: Algoritmi učenja asociacijskih pravil
Sekundarni povzetek: Zanimanje za metode odkrivanja znanja v podatkovnih bazah nenehno raste. Sodobne podatkovne baze so zelo velike, dosegajo terabajte in težijo k nadaljnemu povečanju, kar zahteva učinkovite, razširljive algoritme, ki lahko rešujejo težavo obdelave podatkov v razumnem roku. Ena od najbolj učinkovitih in priljubljenih metod za odkrivanje znanja je učenje asociacijskih pravil za ugotovitev različnih vrst pravilnosti v podatkih.
Sekundarne ključne besede: asociacijska pravila;podatkovno rudarjenje;Apriori;Eclat;FP-growth;diplomske naloge;
URN: URN:SI:UM:
Vrsta dela (COBISS): Diplomsko delo/naloga
Komentar na gradivo: Univ. v Mariboru, Fak. za elektrotehniko, računalništvo in informatiko, Računalništvo in informacijske tehnologije
Strani: VIII, 32 f.
ID: 9577802