شبیه سازی آموزشی مقاله داده‌کاوی و استخراج دانش با متلب

توضیحات

شبیه سازی مقاله داده‌کاوی و استخراج دانش با متلب

چکیده:

در دهه گذشته کامپیوترها به موج عظیمی از داده‌ها تبدیل شدند. وظایف داده‌کاوی برای مقابله با این مشکل فراخوانی شدند تا دانش مورد نظر را استخراج کنند. پیدایش جدید برخی از تکنیک‌های داده‌کاوی نیز قوانین استنتاج جالب زیادی فراهم می‌کند. بنابراین، در حال حاضر عاقلانه است که این قوانین استنتاج به منظور استخراج الگوهای قوی و جدیدی به نام فراقانون[1] پردازش شوند. کار پیش‌رو این مفهوم را با پشتیبانی جدیدی از خوشه‌بندی و دسته‌بندی قوانین استنتاج بررسی می‌کند. این راهکار از الگوریتم‌های k-means و k-nn برای استخراج قوانین استنتاج با استفاده از معیارهای شباهت جدید طراحی‌شده و محاسبه مرکز ثقل بهره می‌گیرد. ماژول توسعه‌یافته در هسته عامل شناختی[2] پیاده‌سازی شده است تا استدلال آن را سرعت ببخشد. این معماری جدید که عامل هوشمند کاوشگر[3] (MIA) نامیده می‌شود، 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.

کلمات کلیدی: استخراج دانش، قوانین استنتاج، دسته‌بندی، خوشه‌بندی، عامل شناختی

سایر قسمت‌های این مقاله به این شکل سازمان یافته‌اند: بخش بعدی تاریخچه مختصری از داده‌کاوی را نشان می‌دهد. بخش 2 کارهای مرتبط را خلاصه می‌کند. در بخش 3 بازنمایی قوانین استنتاج و بدنبال آن مقدمات ریاضی ارائه می‌شود. در بخش 5، الگوریتم‌های پیشنهادی شرح داده می‌شوند و بدنبال آن تعریف یک معماری جدید برای عامل هوشمند می‌آید. سپس در بخش 7، نتایج تجربی در مقایسه با الگوریتم‌های پیشنهادی پیشین نشان داده می‌شوند. در آخر با با توضیح و صحبت درباره کارهای آینده نتیجه‌گیری می‌کنیم.

شبیه سازی مقاله داده‌کاوی و استخراج دانش با متلب توسط کارشناسان گروه ۱.۲.۳ پروژه پیاده سازی گردیده و به تعداد محدودی قابل فروش می باشد.

• فایلهای پروژه به صورت کامل پس از خرید فایل بلافاصله در اختیار شما قرار خواهد گرفت.