Abstract. Recent times have seen an

Abstract. Recent times have seen an explosive growth in the availabil-
ity of various kinds of data. It has resulted in an unprecedented oppor-
tunity to develop automated data-driven techniques of extracting useful
knowledge. Data mining, an important step in this process of knowledge
discovery, consists of methods that discover interesting, non-trivial, and
useful patterns hidden in the data [SAD+93, CHY96]. The field of data
mining builds upon the ideas from diverse fields such as machine learning,
pattern recognition, statistics, database systems, and data visualization.
But, techniques developed in these traditional disciplines are often un-
suitable due to some unique characteristics of today’s data-sets, such as
their enormous sizes, high-dimensionality, and heterogeneity. There is a
necessity to develop effective parallel algorithms for various data mining
techniques. However, designing such algorithms is challenging, and the
main focus of the paper is a description of the parallel formulations of
two important data mining algorithms: discovery of association rules,
and induction of decision trees for classification. We also briefly discuss
an application of data mining to the analysis of large data sets collected
by Earth observing satellites that need to be processed to better under-
stand global scale changes in biosphere processes and patterns.
1 Introduction
Recent times have seen an explosive growth in the availability of various kinds
of data. It has resulted in an unprecedented opportunity to develop automated
data-driven techniques of extracting useful knowledge. Data mining, an impor-
tant step in this process of knowledge discovery, consists of methods that discover
interesting, non-trivial, and useful patterns hidden in the data [SAD+93,CHY96].
? This work was supported by NSF CCR-9972519, by NASA grant # NCC 2 1231,
by Army Research Office contract DA/DAAG55-98-1-0441, by the DOE grant
LLNL/DOE B347714, and by Army High Performance Computing Research Center
cooperative agreement number DAAD19-01-2-0014. Access to computing facilities
was provided by AHPCRC and the Minnesota Supercomputer Institute. Related
papers are available via WWW at URL: http://www.cs.umn.edu/˜kumar

Kết quả (Việt) 1:

Tóm tắt. Thời gian gần đây đã thấy một sự tăng trưởng nổ trong availabil-Anh loại khác nhau của dữ liệu. Nó đã dẫn đến một nghieän chưa từng có-tunity để phát triển tự động theo định hướng dữ liệu kỹ thuật của chiết xuất hữu íchkiến thức. Dữ liệu khai thác mỏ, một bước quan trọng trong quá trình này của kiến thứckhám phá, bao gồm phương pháp khám phá thú vị, không nhỏ, vàMô hình hữu ích ẩn trong dữ liệu [buồn + 93, CHY96]. Lĩnh vực dữ liệukhai thác mỏ xây dựng dựa trên ý tưởng từ các lĩnh vực đa dạng chẳng hạn như máy học tập,công nhận mẫu, số liệu thống kê, Hệ thống cơ sở dữ liệu và dữ liệu kiểu trực quan.Tuy nhiên, kỹ thuật phát triển trong các lĩnh vực truyền thống thường liên hiệp quốc-phù hợp do một số đặc tính độc đáo của ngày hôm nay của dữ liệu bộ, chẳng hạn nhưcủa họ rất lớn kích cỡ, chiều cao, và heterogeneity. Có mộtđiều cần thiết để phát triển hiệu quả song song thuật toán cho khai thác dữ liệu khác nhaukỹ thuật. Tuy nhiên, thiết kế thuật toán như vậy là đầy thách thức, và cáctrọng tâm chính của giấy là một mô tả về các công thức song song củathuật toán khai thác dữ liệu quan trọng hai: khám phá ra quy tắc Hiệp hội,và cảm ứng của cây quyết định xếp hạng. Chúng tôi cũng một thời gian ngắn thảo luậnứng dụng của khai thác dữ liệu để phân tích các bộ dữ liệu lớn thu thậpbởi trái đất quan sát vệ tinh mà cần phải được xử lý tốt hơn dưới-đứng quy mô toàn cầu thay đổi trong quá trình sinh quyển và các mẫu.1 giới thiệuThời gian gần đây đã thấy một sự tăng trưởng nổ trong sự sẵn có của các loạidữ liệu. Nó đã dẫn đến một cơ hội chưa từng có để phát triển tự độngđiều khiển dữ liệu kỹ thuật của chiết xuất hữu ích kiến thức. Khai thác dữ liệu, một impor-ý bước trong quá trình khám phá kiến thức, bao gồm phương pháp khám pháMô hình thú vị, không nhỏ và hữu ích ẩn trong dữ liệu [buồn + 93, CHY96].? Công việc này được ủng hộ bởi NSF CCR-9972519, bởi NASA grant # NCC 2 1231,bởi quân đội nghiên cứu văn phòng hợp đồng DA/DAAG55-98-1-0441, bởi DOE grantLLNL/DOE B347714, và quân đội cao hiệu suất máy tính trung tâm nghiên cứuthỏa thuận hợp tác xã số DAAD19-01-2-0014. Truy cập vào máy tính tiện nghiđược cung cấp bởi AHPCRC và viện Minnesota siêu máy tính. Liên quangiấy tờ có sẵn thông qua WWW tại URL: http://www.cs.umn.edu/ ˜kumar

Kết quả (Việt) 2:

Trừu tượng. Thời gian gần đây đã thấy sự tăng trưởng bùng nổ trong availabil-
ity của các loại dữ liệu khác nhau. Nó đã dẫn đến một hội chưa từng có
tunity để phát triển các kỹ thuật hướng dữ liệu tự động của chiết xuất hữu ích
kiến thức. Khai thác dữ liệu, một bước quan trọng trong quá trình này của tri thức
phát hiện, bao gồm các phương pháp khám phá thú vị, không tầm thường, và
mô hình ẩn hữu ích trong các dữ liệu [SAD + 93, CHY96]. Các lĩnh vực dữ liệu
khai thác xây dựng dựa trên ý tưởng từ các lĩnh vực khác nhau như học máy,
nhận dạng mẫu, thống kê, hệ thống cơ sở dữ liệu, và dữ liệu trực quan.
Tuy nhiên, các kỹ thuật được phát triển trong các lĩnh vực truyền thống thường UN
phù hợp do một số đặc điểm độc đáo của dữ liệu ngày nay -sets, chẳng hạn như
kích thước của chúng rất lớn, cao-chiều, và không đồng nhất. Có một
điều cần thiết để phát triển các thuật toán song song hiệu quả khai thác dữ liệu khác nhau
kỹ thuật. Tuy nhiên, thiết kế thuật toán như vậy là thách thức, và các
trọng tâm chính của bài báo là một mô tả về công thức song song của
hai thuật toán khai thác dữ liệu quan trọng: phát hiện luật kết hợp,
và cảm ứng của cây quyết định để phân loại. Chúng tôi cũng thảo luận vắn tắt
một ứng dụng khai thác dữ liệu để phân tích các bộ dữ liệu lớn thu thập
bằng cách quan sát trái đất vệ tinh mà cần phải được xử lý tốt hơn để hiểu
nổi những thay đổi quy mô toàn cầu trong quá trình sinh quyển và các mẫu.
1 Giới thiệu
lần gần đây đã thấy sự tăng trưởng bùng nổ trong sự sẵn có của các loại khác nhau
của dữ liệu. Nó đã dẫn đến một cơ hội chưa từng có để phát triển tự động
kỹ thuật hướng dữ liệu chiết xuất kiến thức bổ ích. Khai thác dữ liệu, một trọng
bước quan trong tiến trình khám phá tri thức, bao gồm các phương pháp khám phá
mô hình thú vị, không tầm thường, và ẩn hữu ích trong các dữ liệu [SAD + 93,
CHY96].? Công trình này được hỗ trợ bởi NSF CCR-9972519, do NASA tài trợ # NCC 2 năm 1231,
theo hợp đồng Văn phòng Nghiên cứu Quân đội DA / DAAG55-98-1-0441, được DOE cấp
LLNL / DOE B347714, và bởi Performance Computing Trung tâm Nghiên cứu cao Quân đội
hợp tác xã số thỏa thuận DAAD19-01-2-0014. Truy cập vào cơ sở tính toán
được cung cấp bởi AHPCRC và Viện Supercomputer Minnesota. Liên quan đến
giấy tờ có sẵn thông qua WWW tại URL: http://www.cs.umn.edu/~kumar