ش | ی | د | س | چ | پ | ج |
1 | 2 | 3 | 4 | 5 | ||
6 | 7 | 8 | 9 | 10 | 11 | 12 |
13 | 14 | 15 | 16 | 17 | 18 | 19 |
20 | 21 | 22 | 23 | 24 | 25 | 26 |
27 | 28 | 29 | 30 | 31 |
عنوان انگلیسی مقاله: An effective parallel approach for genetic-fuzzy data mining
عنوان فارسی مقاله: روش موازی اثربخش برای داده کاوی ژنتیکی – فازی
دسته: فناوری اطلاعات IT – داده کاوی
فرمت فایل ترجمه شده: WORD (قابل ویرایش)
تعداد صفحات فایل ترجمه شده: ٢٣
جهت دانلود رایگان نسخه انگلیسی این مقاله اینجا کلیک نمایید
چکیده ترجمه:
مهمترین کاربرد داده کاوی در تلاشهایی است که برای استنتاج قواعد وابستگی از دادههای تراکنشی صورت میگیرد. در گذشته، از مفاهیم منطق فازی و الگوریتمهای ژنتیکی برای کشف قواعد وابستگی فازی سودمند و توابع عضویت مناسب از مقادیر کمی استفاده میکردیم. با وجود این، ارزیابی مقادیر برازش نسبتاً زمان بر بود. به دلیل افزایشهای شگرف در قدرت محاسباتی قابل دسترسی و کاهش همزمان در هزینههای محاسباتی در طول یک دههی گذشته، یادگیری یا داده کاوی با به کارگیری تکنیکهای پردازشی موازی به عنوان روشی امکان پذیر برای غلبه بر مسئلهی یادگیری کند شناخته شده است. بنابراین، در این مقاله الگوریتم داده کاوی موازی فازی – ژنتیکی را بر اساس معماری ارباب – برده ارائه کردهایم تا قواعد وابستگی و توابع عضویت را از تراکنشهای کمی استخراج کنیم. پردازندهی master مانند الگوریتم ژنتیک از جمعیت یگانهای استفاده میکند، و وظایف ارزیابی برازش را بین پردازندههای slave توزیع میکند. اجرای الگوریتم پیشنهاد شده در معماری ارباب – برده بسیار طبیعی و کارآمد است. پیچیدگیهای زمانی برای الگوریتمهای داده کاوی ژنتیکی – فازی موازی نیز مورد تحلیل قرار گرفته است. نتایج این تحلیل تأثیر قابل توجه الگوریتم پیشنهاد شده را نشان داده است. هنگامی که تعداد نسلها زیاد باشد، افزایش سرعت الگوریتم ممکن است نسبتاً خطی باشد. نتایج تجربی تیز این نکته را تأیید میکنند. لذا به کارگیری معماری ارباب – برده برای افزایش سرعت الگوریتم داده کاوی ژنتیکی – فازی روشی امکان پذیر برای غلبه بر مشکل ارزیابی برازش کم سرعت الگوریتم اصلی است.
کلمات کلیدی: داده کاوی، مجموعه های فازی، الگوریتم ژنتیک، پردازش موازی، قاعده اتحادیه
١- مقدمه
با پیشرفت روزافزون فن آوری اطلاعات (IT)، قابلیت ذخیره سازی و مدیریت دادهها در پایگاههای داده اهمیت بیشتری پیدا میکند. به رغم اینکه گسترش IT پردازش دادهها را تسهیل و تقاضا برای رسانههای ذخیره سازی را برآورده میسازد، استخراج اطلاعات تلویحی قابل دسترسی به منظور کمک به تصمیم گیری مسئلهای جدید و چالش برانگیز است. از این رو، تلاشهای زیادی معوف به طراحی مکانیسمهای کارآمد برای کاوش اطلاعات و دانش از پایگاه دادههای بزرگ شده است. در نتیجه، داده کاوی، که نخستین بار توسط آگراول، ایمیلنسکی و سوامی (١٩٩٣) ارائه شد، به زمینهی مطالعاتی مهمی در مباحث پایگاه دادهای و هوش مصنوعی مبدل شده است.
↓-↓
عنوان پروژه داده کاوی، مفاهیم و کاربرد فهرست چکیده 4 مقدمه. 6 فصل اول – مفاهیم داده کاوی.. 9 مدیریت ذخیره سازی و دستیابی اطلاعات... 9 ساختار بانکاطلاعاتی سازمان: 10 داده کاوی (Data Mining): 11 مفاهیم پایه در داده کاوی.. 13 تعریف داده کاوی.. 14 مراحل فرایند کشف دانش از پایگاه داده ها 16 الگوریتم های داده کاوی.. 22 آماده سازی داده برای مدل سازی.. 30 درک قلمرو. 38 ابزارهای...
عنوان انگلیسی مقاله: Mining fuzzy association rules from low-quality data عنوان فارسی مقاله: استخراج قوانین انجمن فازی از اطلاعات با کیفیت پایین دسته: فناوری اطلاعات - کامپیوتر - داده کاوی فرمت فایل ترجمه شده: WORD (قابل ویرایش) تعداد صفحات فایل ترجمه شده: ٣٠ جهت دانلود رایگان نسخه انگلیسی این مقاله اینجا کلیک نمایید خرید ترجمه مقاله چکیده ترجمه: چکیده – استخراج اطلاعات معمولاً در تلاش برای القای قوانین انجمن از...
قیمت: 30000 ریال موضوع: دانلود پاورپوینت مقدمه ای بر داده کاوی و اکتشاف دانش فرمت فایل: PPT (قابل ویرایش) فهرست مطالب مقدمه مفاهیم پایه در داده کاوی تعریف داده کاوی کاربردهای داده کاوی مراحل فرایند کشف دانش از پایگاه داده ها انبارش داده ها انتخاب داده ها تبدیل داده ها کاوش در داده ها تفسیر نتیجه عملیاتهای داده کاوی معیارهای انتخاب عملیات داده کاوی عملیاتها و تکنیکهای داده کاوی تحلیل...
عنوان پایان نامه: وب کاوی در صنعت قالب بندی: Word شرح مختصر: با افزایش چشمگیر حجم اطلاعات و توسعه وب، نیاز به روش ها و تکنیک هایی که بتوانند امکان دستیابی کارا به دادهها و استخراج اطلاعات از آنها را فراهم کنند، بیش از پیش احساس می شود. وب کاوی یکی از زمینه های تحقیقاتی است که با به کارگیری تکنیک های داده کاوی به کشف و استخراج خودکار اطلاعات...