استخراج دانش با روش های بهینه داده کاوی
Publish place: کنفرانس بین المللی مهندسی کامپیوتر و فناوری اطلاعات
Publish Year: 1395
Type: Conference paper
Language: Persian
View: 1,612
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
CITCOMP01_083
Index date: 6 September 2016
استخراج دانش با روش های بهینه داده کاوی abstract
پیدایش جدید برخی از تکنیک های داده کاوی نیز قوانین استنتاج جالب زیادی فراهم می کند. بنابراین، در حال حاضر عاقلانه است که این قوانین استنتاج به منظور استخراج الگوهای قوی و جدیدی به نام فراقانون پردازش شوند. کار پیش رو این مفهوم را با پشتیبانی جدیدی از خوشه بندی و دسته بندی قوانین استنتاج بررسی می کند. این راهکار از الگوریتم های k-means و k-nn برای استخراج قوانین استنتاج با استفاده از معیارهای شباهت جدید طراحی شده و محاسبه مرکز ثقل بهره می گیرد. هم چنین روش بهینهای برای پیدا کردن مجموعه های شبیه به هم وسیع به کار میگیریم.بر اساس پیش بینی داده های مورد نیاز در الگوریتم (n,p) این روش وابستگی داده ها را در تراکنش های جاری به منظور پیشبینی امید بخش بودن داده ها انجام میدهد. برای پیش ماژول توسعه یافته در هسته عامل شناختی پیاده سازی شده است تا استدلال آن را سرعت ببخشد. این معماری جدید که عامل هوشمند کاوشگر (MIA) نامیده می شود، در چهار معیار عمومی، مشتمل بر 25000 قانون، تست و ارزیابی و در نهایت با نوع کلاسیک آن مقایسه شد. همانطور که انتظار می رفت، MIA به مراتب عملکرد بهتری نسبت به عامل شناختی کلاسیک دارد.
استخراج دانش با روش های بهینه داده کاوی Keywords:
استخراج دانش , قوانین استنتاج , دسته بندی , خوشه بندی , عامل شناختی , مجموعه موردهای پیش بینی شده , وابستگی داده ای
استخراج دانش با روش های بهینه داده کاوی authors
امیرحسین شیراوند
دانشجوی کارشناسی ارشد دانشگاه جامع امام حسین (ع)
حسین صابری
عضو هیئت علمی دانشگاه جامع امام حسین (ع)
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :