Learning from distributed data is b

Learning from distributed data is becoming in
our times a necessity, but it is also a complex and
challenging task. Approaches developed so far
have not dealt with the uncertainty, imprecision
and vagueness involved in distributed learning.
Meta-Learning, a successful approach for distributed
data mining, is in this paper extended to
handle the imprecision and uncertainty of the local
models and the vagueness that characterizes
the meta-learning process. The proposed approach,
Fuzzy Meta-Learning uses a fuzzy inductive
algorithm to meta-learn a global model from
the degrees of certainty of the output of local
classifiers. This way more accurate models of
collective knowledge can be acquired from data
with application both to inherently distributed databases
and parts of a very large database. Preliminary
results are promising and encourage further
research towards this direction.

ผลลัพธ์ (ไทย) 1:

เป็นการเรียนรู้จากข้อมูลที่กระจายในเวลาเป็นสิ่งจำเป็น แต่ยังมีความซับซ้อน และงานท้าทาย แนวทางพัฒนาเพื่อให้ห่างไกลไม่มีจัดการที่ความไม่แน่นอน imprecisionและเกี่ยวข้องกับการเรียนรู้กระจาย vaguenessเรียน meta- วิธีประสบความสำเร็จในการกระจายการทำเหมืองข้อมูล เป็นที่กระดาษนี้ขยายจัดการที่ imprecision และความไม่แน่นอนของท้องถิ่นรูปแบบและ vagueness ที่ระบุลักษณะกระบวนการเรียน meta- วิธีการนำเสนอเอิบ Meta-เรียนใช้ได้ชัดเจนเชิงอุปนัยอัลกอริทึมการ meta-แบบสากลจากการเรียนรู้องศาของความแน่นอนของผลผลิตของท้องถิ่นคำนามภาษา รุ่นนี้ถูกทางมากขึ้นรวมความรู้มาจากข้อมูลด้วยการประยุกต์ทั้งสองกับฐานข้อมูลแบบกระจายความและชิ้นส่วนของฐานข้อมูลมีขนาดใหญ่มาก เบื้องต้นผลคือสัญญา และสนับสนุนเพิ่มเติมวิจัยสู่ทิศทางนี้

ผลลัพธ์ (ไทย) 2:

การเรียนรู้จากข้อมูลการกระจายกำลังเป็นอยู่ในเวลาของเราจำเป็นแต่ก็ยังเป็นที่ซับซ้อนและงานที่ท้าทาย แนวทางการพัฒนาเพื่อให้ห่างไกลไม่ได้จัดการกับความไม่แน่นอนไม่แน่ชัด, และความไม่ชัดเจนที่เกี่ยวข้องกับการกระจายการเรียนรู้. Meta-การเรียนรู้วิธีการที่ประสบความสำเร็จสำหรับการกระจายการทำเหมืองข้อมูลที่อยู่ในเอกสารนี้ขยายไปยังจัดการไม่แน่ชัดและความไม่แน่นอนของท้องถิ่นรูปแบบและความไม่ชัดเจนว่าลักษณะกระบวนการเมตาเลิร์นนิง วิธีการที่นำเสนอเลือน Meta-Learning ใช้อุปนัยเลือนขั้นตอนวิธีการเมตาการเรียนรู้รูปแบบจากทั่วโลกองศาของความเชื่อมั่นของการส่งออกของท้องถิ่นลักษณนาม วิธีนี้รูปแบบที่ถูกต้องมากขึ้นของความรู้โดยรวมสามารถซื้อได้จากข้อมูลที่มีการประยุกต์ใช้ทั้งสองไปยังฐานข้อมูลกระจายโดยเนื้อแท้และบางส่วนของฐานข้อมูลขนาดใหญ่มาก เบื้องต้นผลลัพธ์ที่ได้จะมีแนวโน้มและส่งเสริมต่อการวิจัยไปในทิศทางนี้

ผลลัพธ์ (ไทย) 3:

การเรียนรู้จากข้อมูลแบบกระจายเป็นใน
ครั้งของเรา เป็นสิ่งที่จำเป็น แต่ก็เป็นงานที่ท้าทายและซับซ้อน
. แนวทางการพัฒนาเพื่อให้ห่างไกล
ยังไม่ได้จัดการกับความไม่แน่นอน ความไม่แน่ชัดและชัดเจนมีส่วนร่วมในการเรียนรู้

Meta กระจาย เรียนรู้วิธีการที่ประสบความสำเร็จสำหรับการทำเหมืองข้อมูลกระจายอยู่ในกระดาษ

จัดการขยายคลุมเครือและไม่แน่นอนของท้องถิ่น
แบบ และความคลุมเครือที่ characterizes
Meta กระบวนการเรียนรู้ เสนอวิธีการแบบเมตาการเรียนรู้ใช้ฟัซซี่

วิธีอุปนัยเมตาเรียนรู้รูปแบบทั่วโลกจาก
องศาที่แน่นอนของการแสดงผลของคำท้องถิ่น

วิธีนี้ถูกต้องกว่ารุ่น
ความรู้ร่วมกันสามารถที่จะได้มาจากข้อมูล
ใบสมัครทั้ง
เนื้อแท้ฐานข้อมูลแบบกระจายและส่วนของฐานข้อมูลขนาดใหญ่มาก ผลเบื้องต้น
มีแววและให้กำลังใจต่อไป
วิจัยไปในทิศทางนี้