از داده کاوی تا استخراج دانش: برنامه های کاربردی تا عامل های هوشمند

در دهه گذشته کامپیوترها به موج عظیمی از داده ها تبدیل شدند. وظایف داده کاوی برای مقابله با این مشکل فراخوانی شدند تا دانش مورد نظر را استخراج کنند. 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. 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 4 عمومی، مشتمل بر 25000 قانون، تست و ارزیابی و در نهایت با نوع کلاسیک آن مقایسه شد. همانطور که انتظار میرفت، MIA به مراتب عملکرد بهتری نسبت به عامل شناختی کلاسیک دارد.

Keywords:

استخراج دانش , قوانین استنتاج , دسته بندی , خوشه بندی , عامل شناختی