Discovering interesting patterns fr

Discovering interesting patterns from data residing in systems
with the aforementioned properties is a challenging
task. One has to deal effectively with the size, distribution,
complexity and evolution of data. In recent years, several
approaches that deal with the distributed nature of the
learning problem have been developed from the relatively
new field of Distributed Data Mining (Kargupta & Chan,
2000). These include both new algorithms that allow for
distributed learning, as well as new system architectures
that support the actual learning process. One of the most
promising lines of research in this field is Meta-Learning
(Chan & Stolfo, 1993), which is a methodology for deriving
a single global classification model by learning from
multiple local classifiers. A problem with Meta-Learning
and other approaches of this field is that they do not take
into account the uncertainty and ambiguity involved in the
distributed learning environment.

ผลลัพธ์ (ไทย) 1:

ค้นพบรูปแบบที่น่าสนใจจากข้อมูลในระบบคุณสมบัติดังกล่าวเป็นการท้าทายงาน มีการจัดการอย่างมีประสิทธิภาพกับขนาด แจกจ่ายความซับซ้อนและการวิวัฒนาการของข้อมูล ในปีที่ผ่านมา หลายวิธีที่จัดการกับลักษณะการกระจายของการเรียนรู้ปัญหาได้รับการพัฒนาจากค่อนข้างเขตข้อมูลใหม่ของกระจายข้อมูลทำเหมืองแร่ (Kargupta & จันทร์2000) รวมถึงอัลกอริทึมทั้งใหม่ที่ทำให้กระจายการเรียนรู้ และสถาปัตยกรรมระบบใหม่ที่สนับสนุนกระบวนการเรียนรู้จริง มากสุดอย่างใดอย่างหนึ่งวิจัยในฟิลด์นี้บรรทัดการสัญญาว่าจะออกเป็น Meta-เรียน(จันทร์ & Stolfo, 1993), ซึ่งเป็นวิธีสำหรับบริษัทฯแบบสากลประเภทหนึ่ง โดยเรียนรู้จากคำนามภาษาท้องถิ่นหลาย ปัญหาเกี่ยวกับการเรียน Meta-และวิธีอื่น ๆ ของฟิลด์นี้เป็นการที่ไม่ใช้เป็นบัญชีที่ความไม่แน่นอน และความคลุมเครือที่เกี่ยวข้องในการกระจายการเรียนรู้สิ่งแวดล้อม

ผลลัพธ์ (ไทย) 2:

การค้นพบรูปแบบที่น่าสนใจจากข้อมูลที่อยู่ในระบบที่มีคุณสมบัติดังกล่าวข้างต้นเป็นความท้าทายงาน หนึ่งมีการจัดการอย่างมีประสิทธิภาพที่มีขนาดการกระจายความซับซ้อนและวิวัฒนาการของข้อมูล ในปีที่ผ่านมาหลายวิธีที่จัดการกับลักษณะการกระจายของปัญหาการเรียนรู้ที่ได้รับการพัฒนาจากค่อนข้างสาขาใหม่ของการทำเหมืองข้อมูลแบบกระจาย(Kargupta & Chan, 2000) เหล่านี้รวมทั้งขั้นตอนวิธีการใหม่ที่ช่วยให้การเรียนรู้กระจายเช่นเดียวกับสถาปัตยกรรมระบบใหม่ที่สนับสนุนการเรียนรู้ที่เกิดขึ้นจริงกระบวนการ หนึ่งในที่สุดสายที่มีแนวโน้มของการวิจัยในด้านนี้เป็น Meta-Learning (จันและ Stolfo, 1993) ซึ่งเป็นวิธีการสำหรับ deriving รูปแบบการจัดหมวดหมู่เดียวทั่วโลกโดยการเรียนรู้จากหลายลักษณนามท้องถิ่น ปัญหาเกี่ยวกับ Meta-Learning และวิธีการอื่น ๆ ของสนามนี้คือการที่พวกเขาไม่ได้ใช้เวลาเข้าบัญชีความไม่แน่นอนและความคลุมเครือส่วนร่วมในการเรียนรู้สิ่งแวดล้อมกระจาย

ผลลัพธ์ (ไทย) 3:

ค้นพบรูปแบบที่น่าสนใจจากข้อมูลที่มีอยู่ในระบบที่มีคุณสมบัติดังกล่าวคือ

งานที่ท้าทาย . ไม่มีใครที่จะจัดการอย่างมีประสิทธิภาพด้วยขนาดการกระจาย
ความซับซ้อนและวิวัฒนาการของข้อมูล ในปีล่าสุด หลายวิธีที่จะจัดการกับการกระจาย

ธรรมชาติของปัญหาการเรียนรู้ได้รับการพัฒนาจากค่อนข้าง
สนามใหม่ของการกระจายข้อมูลเหมืองแร่ ( kargupta &ชาน
2000 ) เหล่านี้รวมถึงขั้นตอนวิธีการใหม่ที่ให้ทั้ง
กระจายการเรียนรู้เช่นเดียวกับใหม่สถาปัตยกรรมระบบ
สนับสนุนกระบวนการเรียนรู้ที่แท้จริง หนึ่งในแนวโน้มมากที่สุด
เส้นของการวิจัยในด้านนี้ คือ เมตาการเรียนรู้
( ชาน& stolfo , 1993 ) ซึ่งเป็นวิธีการที่ได้รับ
การจำแนกแบบเดียวทั่วโลก โดยเรียนรู้จาก
คำท้องถิ่นหลาย ปัญหากับการเรียนรู้และวิธีการอื่น ๆของเมตา
สนามนี้คือ ว่า พวกเขาไม่ได้ใช้
พิจารณาความไม่แน่นอนและความกำกวมที่เกี่ยวข้องใน
กระจายการเรียนรู้สิ่งแวดล้อม