دانلود پاورپوینت کامل تحلیل و ارزیابی مسئله داده کاوی الگوهای تکرارشونده در جریان دادهها

\n

\n

عنوان های پاورپوینت  : 

\n

\n

\n

داده کاوی الگوهای تکرارشونده در جریان دادهها

\n

داده‌‌کاوی روی جریان داده ها

\n

الگوهای تکرارشونده

\n

الگوریتم Apriori ( یافتن مجموعه عناصرتکرارشونده با استفاده از روش تولید و آزمون )

\n

شبه کد الگوریتم Apriori

\n

نحوه تولید کاندید

\n

الگوریتم Apriori - مثال

\n

الگوریتم Lossy Counting

\n

ضمانت های Lossy Counting

\n

Lossy Counting - تعاریف

\n

ساختن درخت الگوهای تکرارشونده از یک پایگاه داده تراکنشی

\n \n\n \n\nقسمت ها و تکه های اتفاقی از فایل\n\n \n\nداده کاوی الگوهای تکرارشونده در جریان دادهها\n\nدادهکاوی\n\nدادهکاوی استخراج اطلاعات مفید و دانش از حجم زیاد داده ها است .\n\nتکنیک هایی دادهکاوی :\n\nتحلیل قواعد وابستگی : کشف قواعد وابستگی است که هر قاعده وابستگی به صورت جفت صفت-‌ مقدار هایی است که اغلب با هم در یک مجموعه داده اتفاق می افتند .\n\n \n\nکلاسهبندی : فرایند یافتن مجموعه مدلهایی است که کلاس های داده را توصیف و مشخص می‌کنند تا بدین وسیله بتوان کلاس اشیایی را که نامشخص است مشخص کرد .\n\n \n\nتحلیل خوشه ها : اشیا بر اساس قاعده " زیاد کردن شباهت بین عناصر کلاس و کم کردن شباهت بین کلاس ها " ، اشیا را به خوشه هایی تقسیم می کند . اشیا داده ای موجود در یک خوشه بیشترین شباهت را با هم دارند و با اشیا سایر خوشه ها بسیار متفاوت هستند .\n\nداده‌‌کاوی روی جریان داده ها\n\nدادهکاوی جریان داده ها یک فرایند بلادرنگ استخراج الگوهای جالب توجه از جریان داده ها است .\n\nبرای مثال ممکن است بخواهیم ورود به حریم شبکه کامپیوتری را بر اساس جریان غیر عادی پیام ها شناسایی بکنیم که از طریق مقایسه الگوهای تکرارشونده فعلی با یک زمان قبلی ، قابل کشف است .\n\nداده‌‌کاوی روی جریان داده ها\n\nداده‌‌کاوی روی جریان داده ها\n\nتکنیک های ذکر شده در دادهکاوی بطور مستقیم بر جریان داده ها قابل اعمال نیستند زیرا الگوریتم های موجود برای این تکنیک ها روی داده های مقیم در دیسک اعمال می شوند و می توانند داده ها را چند بار پیمایش کنند .\n\n \n\nچالش های موجود در دادهکاوی جریان داده عبارتند از :\n\nبه دلیل خصوصیت پیوستگی عناصر داده ورودی ، نیاز به حافظه نامحدود دارند .\n\nالگوریتم های دادهکاوی نیاز به چندین پیمایش روی جریان داده دارند ولی به دلیل سرعت بالای جریان داده این امر امکان پذیر نیست .\n\nالگوهای تکرارشونده در پایگاهدادهها\n\nالگوهای تکرارشونده ، الگوهایی هستند که اغلب در یک مجموعه داده ظاهر می شوند .\n\nبرای نمونه در یک پایگاهداده های مربوط به سابقه خرید یک فروشگاه ، شیر و نان که اغلب با هم خریداری می‌شوند نمونهای از الگوهای تکرارشونده می‌باشند .\n\nالگوهای تکرارشونده\n\nI={i1,i2,…im} مجموعهای از عناصر\n\nD مجموعهای از تراکنش‌های پایگاه دادهها باشد .\n\nدراینجاهر تراکنش شامل یک شماره منحصر بفرد و شامل لیستی از عناصر است ،  مثلا کالاهایی که در یک فروشگاه به فروش‌می‌رسند .\n\nاگر A مجموعهای از عناصر باشد ، گوییم تراکنش T شامل A است اگر و فقط اگر\n\nیک قاعده وابستگی به فرم                است  که در آن                   و               است و\n\nØ\n\nقاعده               در مجموعه تراکنش‌های D دارای پشتیبانی s است که s درصد تراکنش‌هایی در D است که شامل               باشند .\n\nقانون              دارای اعتماد c در مجموعه تراکنش D است اگر c درصد تراکنش‌هایی از D باشد که اگر شامل A هستند آنگاه شامل B هم باشند .\n\nالگوهای تکرارشونده - یک مثال\n\nالگوریتم Apriori ( یافتن مجموعه عناصرتکرارشونده با استفاده از روش تولید و آزمون )\n\nهر زیرمجموعه از یک مجموعه تکرارشونده ، تکرارشونده است .\n\nاگر {شیر ، نون ، قند} تکرارشونده باشد آنگاه {شیر ، نون} نیز تکرارشونده است .\n\nهر تراکنشی که شامل {شیر ، نون ، قند} باشد آنگاه شامل {شیر ، نون} نیز است .\n\n \n\nقانون هرس Apriori : اگر مجموعه ای غیرتکرارشونده باشد آنگاه هر مجموعه دربرگیرنده آن نباید تولید/تست شود .\n\nروش کار :\n\nتولید مجموعه های کاندید به طول k+1  از روی مجموعه های تکرارشونده به طول k\n\nتست کاندید ها روی پایگاه (شمارش تعداد هر کاندید)\n\n \n\nشبه کد الگوریتم Apriori\n\nPseudo-code:\n\nCk: Candidate itemset of size k\n\nLk : frequent itemset of size k\n\n \n\nL1 = {frequent items};\n\nfor (k = 1; Lk !=; k++) do begin\n\nCk+1 = candidates generated from Lk;\n\nfor each transaction t in database do\n\nincrement the count of all candidates in Ck+1                            that are contained in t\n\nLk+1  = candidates in Ck+1 with min_support\n\nend\n\nreturn ki=1 Lk;\n\nنحوه تولید کاندید\n\nforall itemsets c in Ck do\n\nforall (k-1)-subsets s of c do\n\nif (s is not in Lk-1) then delete c from Ck\n\nجزییات الگوریتم Apriori\n\nمثالی از تولید کاندید\n\n \n\nabcd from abc and abd\n\nacde from acd and ace\n\n \n\n \n\n \n\n \n\n \n\n \n\n \n\n30 تا 70 درصد پروژه | پاورپوینت | سمینار | طرح های کارآفرینی و  توجیهی |  پایان-نامه |  پی دی اف  مقاله ( کتاب ) | نقشه | پلان طراحی |  های آماده به صورت رایگان میباشد ( word | pdf | docx | doc )