ترجمه و شبیه سازی مقاله استفاده از داده کاوی برای استخراج دانش|k-means و k-nn

ترجمه و شبیه سازی مقاله استفاده از داده کاوی برای استخراج دانش|k-means و k-nn

ترجمه و شبیه سازی مقاله استفاده از داده کاوی برای استخراج دانش

عنوان مقاله بفارسی: از داده‌کاوی تا استخراج دانش: برنامه‌های کاربردی تا عامل‌های هوشمند: k-means و k-nn 

عنوان مقاله ترجمه شده بانگلیسی: From data mining to knowledge mining: Application to intelligent agents

تعداد ص ترجمه شده: ۳۲

فرمت فایل شبیه سازی شده : m

توضیحات آموزشی: دارد

فایل بصورت ۱۰۰ درصد تست شده و صحیح می باشد.

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[۱] 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[۲] پیاده‌سازی شده است تا استدلال آن را سرعت ببخشد. این معماری جدید که عامل هوشمند کاوشگر[۳] (MIA) نامیده می‌شود، در چهار معیار[۴] عمومی، مشتمل بر ۲۵۰۰۰ 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

 

Abstract

 

The last decade, the computers world became a huge wave of data. Data mining tasks were invoked to tackle this problem in order to extract the interesting knowledge. The recent emergence of some data mining techniques provide also many interesting induction rules. So, it is judicious now to process these induction rules in order to extract some new strong patterns called meta-rules. This work explores this concept by proposing a new support for induction rules clustering and classification. The approach invokes k-means and k-nn algorithms to mine induction rules using new designed similarity measures and gravity center computation. The developed module have been implemented in the core of the cognitive agent, in order to speed up its reasoning. This new architecture called the Miner Intelligent Agent (MIA) is tested and evaluated on four public benchmarks that contain 25,000 rules, and finally it is compared to the classical one. As foreseeable, the MIA outperforms clearly the classical cognitive agent performances.

 

 

۱٫ مقدمه

امروزه، قوانین استنتاج به دلیل اینکه مبنای بسیاری از رشته‌ها همچون تکنولوژی عامل، داده‌کاوی، کشف دانش و غیره هستند به الگوی جدایی‌ناپذیر هوش مصنوعی تبدیل شده‌اند. این مقاله درباره نحوه گسترش تکنیک‌های داده‌کاوی در قوانین استنتاج به منظور استخراج فرا قانون‌هاست. وظایف داده‌کاوی بسیاری وجود دارد، برای مثال: خوشه‌بندی، دسته‌بندی، استخراج قوانین انجمنی[۵]، رگرسیون، پیش‌بینی و غیره. توجه ما در این کار به دو وظیفه اول است که در بسیاری از برنامه‌های کاربردی استفاده می‌شوند (پردزاش تصویر، تشخیص نفوذ و غیره) و این دو وظیفه می‌توانند توسط الگوریتم‌های مختلف (k-means، HCA، c-means فازی و غیره در خوشه‌بندی و KNN، SVM، ID3 و غیره در دسته‌بندی) حل شوند. k-nn و k-means در صدر الگوریتم‌های داده‌کاوی قرار دارند (Wu و همکاران، ۲۰۰۸). مورد دوم با معرفی نسخه جدید معیار شباهت و محاسبه مرکز ثقل به قوانین استنتاج گسترش یافته است. الگوریتم‌هایی که K-NN-IR و K-means-IR نامیده می‌شوند در یک معیار با مقیاس بزرگ عمومی، مشتمل بر ۲۵۰۰۰ قانون استنتاج، توسعه یافته و نمایش داده شده‌اند. ایده پشت این کار بهبود فرایند استدلال بوسیله یکپارچه‌سازی ماژول استخراج دانش در عامل هوشمند امروزی است تا فرایند موتور استدلال را سرعت بخشد.

[۱]Meta-rules

[۲]Cognitive agent

[۳]Miner Intelligent Agent

[۴]benchmark

[۵]association rules mining

انجام پایان نامه

ارسال آگهی رایگان

 

«جهت دانلود فایل اینجا را کلیک نمایید.»

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

34 + = 43