메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
Byung-Won Min (Mokwon University) Yong-Sun Oh (Mokwon University)
저널정보
한국콘텐츠학회(IJOC) International JOURNAL OF CONTENTS International JOURNAL OF CONTENTS Vol.15 No.3
발행연도
2019.9
수록면
32 - 38 (7page)

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
We usually suffer from difficulties in treating or managing Big Data generated from various digital media and/or sensors using traditional mining techniques. Additionally, there are many problems relative to the lack of memory and the burden of the learning curve, etc. in an increasing capacity of large volumes of text when new data are continuously accumulated because we ineffectively analyze total data including data previously analyzed and collected. In this paper, we propose a general-purpose classifier and its structure to solve these problems. We depart from the current feature-reduction methods and introduce a new scheme that only adopts changed elements when new features are partially accumulated in this free-style learning environment. The incremental learning module built from a gradually progressive formation learns only changed parts of data without any re-processing of current accumulations while traditional methods re-learn total data for every adding or changing of data. Additionally, users can freely merge new data with previous data throughout the resource management procedure whenever re-learning is needed. At the end of this paper, we confirm a good performance of this method in data processing based on the Big Data environment throughout an analysis because of its learning efficiency. Also, comparing this algorithm with those of NB and SVM, we can achieve an accuracy of approximately 95% in all three models. We expect that our method will be a viable substitute for high performance and accuracy relative to large computing systems for Big Data analysis using a PC cluster environment.
#Incremental Learning #Classifier #Classification Scheme #Big Data Mining #Re-learn #Feature(s)

목차

ABSTRACT
1. INTRODUCTION
2. CONCEPT OF INCREMENTAL LEARNING MODEL
3. DESIGN AND IMPLEMENTATION
4. PERFORMANCE EVALUATION
5. EXCELLENCE OF THE ACHIEVEMENT
6. CONCLUSION
REFERENCES

참고문헌 (14)

참고문헌 신청
김장원 / 2014 / 지시적 분석을 위한 연구자 활동 기반의 연구자 히스토리 추적 서비스 / 정보과학회 컴퓨팅의 실제 논문지 20(6):359~363 google schola 정도헌 / 2010 / 최대 개념강도 인지기법을 이용한 데이터베이스 자동선택 방법에 관한 연구 / 정보관리학회지 27(3):265~281 google schola Do-Heon Jeong / 2007 / The relationship between the specificity of S&T terms and auto-classification accuracy / Proceedings of the 14th Conference of Korean Society for Information Management :31~36 google schola 이재윤 / 2005 / 문서측 자질선정을 이용한 고속 문서분류기의 성능향상에 관한 연구 / Journal of Information Science Theory and Practice 36(4):51~69 google schola 이재윤 / 2006 / 지적 구조 분석을 위한 새로운 클러스터링 기법에 관한 연구 / 정보관리학회지 23(4):215~231 google schola

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-151-24-02-090392782