محدثه ترکمان - دانشجوی کارشناسی مهندسی نرم افزار ،موسسه آموزش عالی امید نهاوند،همدان ، نهاوند
مجتبی جهانیان - گروه مهندسی نرم افزار، موسسه آموزش عالی امید نهاوند،همدان ، نهاوند

اغلب الگوریتم های یادگیری ماشین در داده کاوی با داده های عددی کار می کنند و در پیاده سازی و نحوه کار آنها گرایش به ریاضیات محض وجود دارد. اما، «کاوش قواعد وابستگی (association rule mining) «که از آن با عنوان» کاوش قواعد وابستگی» نیز یاد می شود، برای داده های دسته ای مناسب و محاسبات آن نسبت به بسیاری از دیگر الگوریتم ها ساده تر است. این روش، یکی از راهکارهای مبتنی بر قواعد (rules)، برای کشف روابط جالب بین متغیرها در پایگاه داده های بزرگ محسوب می شود در کاوش قواعد وابستگی، قواعد قوی با استفاده از سنجه جذابیت (interestingness) شناسایی می شوند .کاربرد روزافزون بانک های اطلاعاتی حجیم و انباره های بزرگ تراکنش، اخیرا توجه بسیاری از محققان به سمت تولید روش های کارآمد جهت استخراج قوانین انجمنی معطوف گشته است اغلب روش های موجود در مرحله اول کار خود کلیه اقلام پر تکرار(ساده و ترکیبی) را از بین تمام اقلام موجود در داده ها جستجو می کند که این امر نیازمند به خواندن مکرر کل داده ها از دیسک است اکثر روش هایی که جدیدا پیشنهاد شده اند سعی بر این دارند تا لااقل میزان رخداد و درجه پشتیبانی بعضی از اقلام را بتوان مستقیما و بدون پیمایش داده ها محاسبه کرد اما به این مسئله کمتر توجه شده که چگونه به روش بهینه ای برای شمارش دفعات رخداد اقلام در مواقعی که راهی جزء شمارش وجود ندارد دست یابیم.

مدولاسیون، کاوش، داده های حجیم، association rules