علی اکبر فخارزاده نایینی - دانشجوی ارشد موسسه آموزشی علامه نایینی
سیدمصطفی بنی طبا - عضو هیات علمی دانشگاه آزاد اسلامی واحد نایین

امروزه با پیشرفت های تکنولوژی سخت افزار، و امکان تولید خودکار محتوا و انجام تراکنش های پی در پی با حجم زیادی از اطلاعات رو به رو هستیم، که کاوش این اطلاعات برای مدیران اجرایی جهت تجزیه و تحلیل برای تصمیم گیری در امور مربوطه کاری بسی طاقت فرسا است. سرعت رشد این داده ها به حدی زیاد است که ذخیری سازی و پردازش کردن آنها برای افراد و ماشین ها سخت شده است. استخراج دانش در این حجم زیاد از اطلاعات از چالش های بالقوه در حوزه کاوش داده و داده کاوی است. کاوش داده ها با حجم بالا مستلزم الگوریتم های کارآمدی هستند تا بتوانند با توجه به حجم محدود و سرعت بالای تولید داده علاوه بر ذخیره سازی خلاصه داده، اطلاعات لازم را نیز از این داده ها استخراج کنند. طبقه بندی یکی از شاخه های کاوش داده برای استخراج اطلاعات از داده ها ورودی است. موضوعی که طبقه بندی را از دیگر شاخه های کاوش داده متمایز می کند عدم نیاز به داشتن اطلاعات قبلی از اطلاعات است و نوعی یادگیری بدون نظارت می باشد. طبقه کردن داده ها بر اساس معیار شباهت است که این شباهت می تواند بر اساس فاصله یا چگالی و ... باشد. الگوریتم های زیادی برای طبقه بندی کردن داده ها ارایه شده است. در این نوشتار از الگوریتم سلسله مراتبی BIRCH و طبقه بندی های احتمالی و فازی برای طبقه کردن داده ها استفاده شده که علاوه قدرت ذخیره سازی خوب خلاصه داده ها توانایی تولید طبقه هایی با کیفیت را دارا می باشند.

طبقه بندی، داده های جریانی، BIRCH، طبقه بندی فازی