– Layer 1: the sample selection pro

– Layer 1: the sample selection procedure, which partitions the data sample
S into subsamples (one for each of the processors available)
– Layer 2: For each processor there is a corresponding learning algorithm
Li which runs on the corresponding subsample Si and generates a concept
description Ci.
– Layer 3: the concept descriptions are then merged by a combining procedure
to form a final concept description Cfinal (such as a set of classification
rules).
The model allows for the learning algorithms Li to communicate with each
other but does not specify how.

ผลลัพธ์ (ไทย) 1:

-ชั้น 1: ตัวอย่างการเลือกกระบวนการ ที่กั้นตัวอย่างข้อมูลS เป็น subsamples (หนึ่งสำหรับแต่ละตัวประมวลผลว่าง)-ชั้น 2: สำหรับแต่ละตัวประมวลผล มีขั้นตอนวิธีการเรียนรู้ที่สอดคล้องกันลี่ซึ่งทำงานบน subsample สอดศรี และสร้างแนวคิดอธิบาย Ci-ชั้น 3: อธิบายแนวคิดถูกแล้วผสาน โดยรวมขั้นตอนแบบฟอร์มคำอธิบายแนวคิดสุดท้าย Cfinal (เช่นชุดของการจัดประเภทกติกา)แบบช่วยให้การเรียนรู้อัลกอริทึมหลี่สื่อสารกับแต่ละอื่น ๆ แต่ไม่ได้ระบุวิธีการ

ผลลัพธ์ (ไทย) 2:

- ชั้นที่ 1: ขั้นตอนการเลือกตัวอย่างที่พาร์ทิชันตัวอย่างข้อมูล
S เป็น subsamples (สำหรับแต่ละของตัวประมวลผลที่สามารถใช้ได้)
- ชั้นที่ 2: สำหรับการประมวลผลแต่ละมีขั้นตอนวิธีการเรียนรู้ที่สอดคล้อง
ลี่ที่ทำงานบน subsample สอดคล้องศรีและสร้าง แนวคิด
คำอธิบาย Ci.
- ชั้นที่ 3: รายละเอียดแนวคิดจะรวมแล้วโดยขั้นตอนรวม
ถึงรูปแบบแนวคิดสุดท้ายคำอธิบาย Cfinal (เช่นชุดของการจัดหมวดหมู่
. กฎ)
รูปแบบช่วยให้การเรียนรู้ขั้นตอนวิธี Li การสื่อสารกับแต่ละ
อื่น ๆ แต่ไม่ ได้ระบุว่า

ผลลัพธ์ (ไทย) 3:

- ชั้น 1 : การเลือกตัวอย่างขั้นตอน ซึ่งพาร์ทิชันข้อมูลตัวอย่าง
เป็น subsamples ( หนึ่งสำหรับแต่ละของโปรเซสเซอร์ของ )
- ชั้น 2 : สำหรับโปรเซสเซอร์แต่ละตัวมีวิธีการเรียนรู้ที่สอดคล้องกันซึ่งทำงานบน
ลีศรี subsample สอดคล้องและสร้างแนวคิด

) รายละเอียด ซี ชั้น 3 : แนวคิดที่อธิบายแล้วผสานโดยรวมขั้นตอน
แบบฟอร์มรายละเอียดแนวคิดสุดท้าย cfinal ( เช่นชุดของกฎการจำแนก
.
รูปแบบช่วยให้การเรียนรู้ขั้นตอนวิธีหลี่เพื่อสื่อสารกับแต่ละอื่น ๆ แต่ไม่ได้ระบุว่า
.