ساره صابری - دانشجوی دکتری تخصصی مهندسی نرم افزار، گروه مهندسی کامپیوتر، واحد اراک، دانشگاه آزاد اسلامی، اراک، ایران
سارا نظری - گروه مهندسی کامپیوتر، واحد اراک، دانشگاه آزاد اسلامی، اراک، ایران
مریم محمدزاده دوگاهه - دانشجوی دکتری تخصصی مهندسی نرم افزار، گروه مهندسی کامپیوتر، واحد اراک، دانشگاه آزاد اسلامی، اراک، ایران
محمدرضا افشاری - دانشجوی دکتری تخصصی مهندسی نرم افزار، گروه مهندسی کامپیوتر، واحد اراک، دانشگاه آزاد اسلامی، اراک، ایران

امروزه با گسترش تولید داده در طول زندگی با حجم عظیمی از داده ها روبه رو هستیم، حال نیاز استخراج الگوها ازمیان داده های موجود، علم داده کاوی را بیش از پیش پر رنگ تر کرده است که یکی از اهداف آن تسهیل در دسته بندی واستفاده بهینه از این حجم داده در جهت رفع مشکلات و بهبود روز افزون شرایط زندگی بشر می باشد. در روش های با مربیدر داده کاوی، ماشین ها نیازمند آموزش از طرف فردی متخصص جهت یادگیری نحوه برچسب گذاری داده ها هستند، امابرای انجام این امر با توجه به حجم عظیم داده ها و محدودیت های نیروی متخصص انسانی، زمانی، و منابع مالی امکانبرچسب گذاری تمامی داده های موجود امکان پذیر نیست، به همین جهت نحوه استخراج الگوها و دسته بندی داده ها نیز بهنوبه خود امروزه تبدیل به چالشی شده است که می توان این چالش را با تکنیک یادگیری فعال پوشش داد. هدف این مقالهبررسی کاربرد یادگیری فعال در داده کاوی است. به همین جهت به بررسی کاربردهای یادگیری فعال در داده کاویمی پردازیم و با معرفی مدلی بر روی الگوریتم خوشه بندی بر مبنای یادگیری فعال، میتوان دقت این الگوریتم ها را تا حدزیادی افزایش داد و به میزان قابل توجهی کاهش خطای الگوریتم های سنتی خوشه بندی و رتبه بندی را در پیش داشت.

داده کاوی، خوشه بندی، یادگیری فعال، داده، اطلاعات