DSpace Repository

Parallel association rule mining on semantic and big IoT data

Show simple item record

dc.contributor.author Alsaeh, Amal Bashir Aboubaker
dc.date.accessioned 2019-11-06T12:20:28Z
dc.date.available 2019-11-06T12:20:28Z
dc.date.issued 2018-08-13
dc.identifier.citation Amal Bashir Aboubaker Alsaeh (2018).Parallel association rule mining on semantic and big IoT data / Semantik ve büyük IoT verisi üzerinde paralel birliktelik kuralı madenciliği. Yayımlanmış yüksek lisans tezi. Ankara: Çankaya Üniversitesi Fen Bilimleri Enstitüsü. tr_TR
dc.identifier.uri http://hdl.handle.net/20.500.12416/2059
dc.description.abstract Birliktelik Kuralı Madenciliği (ARM) önemli bir makine öğrenme tekniğidir çünkü büyük veri kümelerindeki veri ögeleri arasında ilişkileri bulabilir. Farklı birliktelik kuralı algoritmaları, tüm ögelerin "satın alma" gibi benzersiz bir ilişkiye sahip olduğu geleneksel işlem veri kümelerinde birçok araştırmacı tarafından incelenmiştir. Son yıllarda araştırmacılar, geleneksel veriler yerine, anlamsal çizgelerden (RDF veri kümeleri gibi) birliktelik kurallarının çıkarılmasına artan bir ilgi göstermektedirler. Öte yandan, Nesnelerin İnterneti (IoT) alanında ve birçok farklı alanda, semantik veriler günlük olarak büyük miktarlarda artmaktadır. Bu nedenle, akıllı çözümler için IoT verilerini kullanmak üzere ölçeklenebilir çözümlere ihtiyacımız var. Bu tez çalışmasında, hava durumu, trafik ve tıp gibi farklı alanlardan birçok farklı sematik IoT veri kümesinde paralelleştirilmiş FP-büyüme algoritmasının kullanımını inceledik. Sonuçlar, semantik ARM algoritmalarının ölçeklenebilir uygulamasının semantik birliktelik kurallarını çok daha hızlı bulduğunu göstermektedir. tr_TR
dc.description.abstract Association Rule Mining (ARM) is an important machine learning technique because it can find associations or relationships between data items in large datasets. Different association rule algorithms have been studied by many researchers in traditional transactional data sets in which, all items have a unique relationship such as, 'buy'. In recent years, researchers have shown an increased interest in extracting association rules from semantic graphs (such as RDF datasets) instead of traditional data. On the other hand, in the field of the Internet of Things (IoT) and in many different domains, semantic data is daily increasing in large volumes. Therefore, we need scalable solutions to utilize IoT data for intelligent solutions. In this thesis, we studied the utilization of parallelized FP-growth algorithm on several different sematic IoT datasets from different domains, such as weather, traffic, and medicine. The results show that the scalable execution of semantic ARM algorithms produces the semantic association rules much faster. tr_TR
dc.language.iso eng tr_TR
dc.rights info:eu-repo/semantics/openAccess tr_TR
dc.subject Birliktelik Kuralı Madenciliği tr_TR
dc.subject Ölçeklenebilir Birliktelik Kuralı Madenciliği tr_TR
dc.subject Semantik Veri tr_TR
dc.subject RDF tr_TR
dc.subject IoT tr_TR
dc.subject Makina Öğrenmesi tr_TR
dc.subject MapReduce tr_TR
dc.subject Association Rule Mining tr_TR
dc.subject Scalable Association Rule Mining tr_TR
dc.subject Semantic Data tr_TR
dc.subject RDF tr_TR
dc.subject Iot tr_TR
dc.subject Machine Learning tr_TR
dc.subject Mapreduce tr_TR
dc.title Parallel association rule mining on semantic and big IoT data tr_TR
dc.title.alternative Semantik ve büyük IoT verisi üzerinde paralel birliktelik kuralı madenciliği tr_TR
dc.type masterThesis tr_TR
dc.identifier.issue 1 tr_TR
dc.identifier.endpage 134 tr_TR
dc.contributor.department Çankaya Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Bölümü tr_TR


Files in this item

This item appears in the following Collection(s)

Show simple item record