MARC

 008240221s2021        ulk                      00        kor
■001000016932687
■00520240214100532
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798379837310
■035    ▼a(MiAaPQ)AAI30505370
■035    ▼a(MiAaPQ)Purdue17153546
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a301.424
■1001  ▼aLiu,  Xiang.
■24510▼aMultiple  Learning  for  Generalized  Linear  Models  in  Big  Data▼h[electronic  resource]
■260    ▼a[S.l.]▼bPurdue  University.  ▼c2021
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2021
■300    ▼a1  online  resource(84  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-01,  Section:  A.
■500    ▼aAdvisor:  Yang,  Baijian;Zhang,  Tonglin.
■5021  ▼aThesis  (Ph.D.)--Purdue  University,  2021.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aBig  data  is  an  enabling  technology  in  digital  transformation.  It  perfectly  complements  ordinary  linear  models  and  generalized  linear  models,  as  training  well-performed  ordinary  linear  models  and  generalized  linear  models  require  huge  amounts  of  data.  With  the  help  of  big  data,  ordinary  and  generalized  linear  models  can  be  well-trained  and  thus  offer  better  services  to  human  beings.  However,  there  are  still  many  challenges  to  address  for  training  ordinary  linear  models  and  generalized  linear  models  in  big  data.  One  of  the  most  prominent  challenges  is  the  computational  challenges.  Computational  challenges  refer  to  the  memory  inflation  and  training  inefficiency  issues  occurred  when  processing  data  and  training  models.  Hundreds  of  algorithms  were  proposed  by  the  experts  to  alleviate/overcome  the  memory  inflation  issues.  However,  the  solutions  obtained  are  locally  optimal  solutions.  Additionally,  most  of  the  proposed  algorithms  require  loading  the  dataset  to  RAM  many  times  when  updating  the  model  parameters.  If  multiple  model  hyper-parameters  needed  to  be  computed  and  compared,  e.g.  ridge  regression,  parallel  computing  techniques  are  applied  in  practice.  Thus,  multiple  learning  with  sufficient  statistics  arrays  are  proposed  to  tackle  the  memory  inflation  and  training  inefficiency  issues.
■590    ▼aSchool  code:  0183.
■650  4▼aIndependent  variables.
■650  4▼aMean  square  errors.
■650  4▼aStatistics.
■650  4▼aRandom  access  memory.
■650  4▼aDependent  variables.
■650  4▼aIterative  methods.
■650  4▼aOptimization  techniques.
■650  4▼aDisk  drives.
■650  4▼aNormal  distribution.
■650  4▼aData  processing.
■650  4▼aHard  disks.
■650  4▼aUniversity  students.
■650  4▼aCloud  computing.
■650  4▼aComputer  science.
■650  4▼aHigher  education.
■650  4▼aInformation  technology.
■650  4▼aMathematics.
■650  4▼aWeb  studies.
■690    ▼a0463
■690    ▼a0800
■690    ▼a0984
■690    ▼a0745
■690    ▼a0489
■690    ▼a0338
■690    ▼a0405
■690    ▼a0646
■71020▼aPurdue  University.
■7730  ▼tDissertations  Abstracts  International▼g85-01A.
■773    ▼tDissertation  Abstract  International
■790    ▼a0183
■791    ▼aPh.D.
■792    ▼a2021
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16932687▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서