ترجمه فارسی عنوان مقاله

از داده‌کاوی تا استخراج دانش: برنامه‌های کاربردی تا عامل‌های هوشمند

عنوان انگلیسی

From data mining to knowledge mining: Application to intelligent agents

کد مقاله	سال انتشار	تعداد صفحات مقاله انگلیسی
46043	2015	10 صفحه PDF

منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Expert Systems with Applications, Volume 42, Issue 3, 15 February 2015, Pages 1436–1445

فهرست مطالب ترجمه فارسی

چکیده

کلمات کلیدی

1. مقدمه

2. مروری بر داده‌کاوی

2.1 دسته‌بندی نظارتی

2.2. تکنیک خوشه‌بندی داده

3. کارهای مرتبط

4. بازنمایی قوانین استنتاجی

شکل 1. بازنمایی دانش

5. مقدمات ریاضی استخراج قوانین استنتاجی

5.1 معیار شباهت

5.1.1 تحلیل و اثبات

5.2. محاسبه مرکز ثقل

جدول 1. جدول فاصله‌ها

6. وظایف استخراج قوانین استنتاج

6.1. خوشه‌بندی قوانین استنتاجی

جدول 2. جدول فاصله‌ها

6.2 دسته‌بندی قوانین استنتاج

جدول 3. جدول فاصله‌ها

7. عامل هوشمند کاوشگر

7.1 معماری عامل هوشمند کاوشگر

شکل 2. معماری عامل هوشمند کاوشگر

8. ارزیابی و آزمایش

8.1 اتخاذ معیار داده

8.2. الگوی ارزیابی

8.3. آزمایش‌های خوشه‌بندی قوانین استنتاج

شکل 3. زمان CPU برای سه فرمول مرکز ثقل

شکل 4. نرخ موفقیت برای k-means-IRC با سه فرمول مرکز ثقل

شکل 5. زمان CPU برای دو راهکار

شکل 6. نرخ موفقیت برای دو راهکار

شکل 7. مقایسه F-meausre

8.4 آزمایش KNN-IR

شکل 8. درصد قوانین صحیح طبق پارامتر K

شکل 9. زمان CPU طبق پارامتر K

شکل 10. مقایسه زمان CPU متعلق به MIA با عامل کلاسیک

8.5 مقایسه MIA با عامل کلاسیک

9. نتیجه‌گیری

ترجمه کلمات کلیدی

استخراج دانش - قوانین القایی - تقسیم بندی - خوشه بندی - عامل شناختی

کلمات کلیدی انگلیسی

Knowledge mining; Induction rules; Classification; Clustering; Cognitive agent

ترجمه 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 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 پیاده‌سازی شده است تا استدلال آن را سرعت ببخشد. این معماری جدید که عامل هوشمند کاوشگر (MIA) نامیده می‌شود، در چهار معیار 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.

ترجمه 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 ، 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، 2008). 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 25000 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. 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.

دانلود رایگان 2 صفحه اول مقاله لاتین (PDF)

پیش نمایش مقاله

چکیده انگلیسی

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.