دانلود پاورپوینت آشنایی با روشهای مبتنی بر یادگیری برای فیلتر کردن اسپم‌ها

\n

اسپم و فیلترکردن عمومی آن با استفاده از روش Naïve Bayesian

\n

\n

عنوان های پاورپوینت  : 

\n

\n

آشنایی با روشهای مبتنی بر یادگیری برای فیلتر کردن اسپم‌ها

\n

اسپم و فیلترکردن عمومی آن با استفاده از روش Naïve Bayesian

\n

رئوس مطالب

\n

مروری بر پدیده اسپم

\n

روشهای مبتنی بر یادگیری برای فیلترکردن اسپم ها

\n

روش Naïve Bayesian برای فیلترکردن اسپم

\n

معیارهای ارزیابی

\n

بررسی نتایج

\n

\n \n\n

---

\n\nقسمت ها و تکه های اتفاقی از فایل\n\n \n\nاحتمال شرطی : P(B | A) = P(A|B) * P(B) / P(A)\n\nX={x1, x2, x3, x4…xn}  بردار ویژگی ها می باشد\n\nمجموعه ویژگی ها:  X={“online”, “credit”, “now!!!”…”Zinc”}\n\nC={c1, c2, c3, c4…ck} مجموعه کلاسها\n\nدر اینجا دو کلاس داریم: C={“SPAM”, “LEGITIMATE”}.\n\nساده ترین روش برای محاسبه فرمول احتمال بیزین این است که فرض کنیم  که هر ویژگی Xi بصورت شرطی مستقل از سایر ویژگی هاست\n\nفرض استقلال:\n\nn= تعداد ویژگی ها\n\nهر کلاس (اسپم و یا ایمیل معتبر) که این مقدار احتمالی به ازای آن بزرگتر باشد، برچسب آن ایمیل خواهد بود.\n\nبرای مقایسه مقدار کلاس اسپم با کلاس «ایمیل معتبر» نیازی به محاسبه مخرج کسر فوق نیست چراکه این مقدار برای هر کلاس یکسان است\n\nFalse Psitive شامل ایمیل هایی می شود که به اشتباه جزو اسپم ها دسته بندی می گردند. :\n\nFalse Negative هم شامل ایمیل هایی می شود که به اشتباه جزو ایمیل های معتبر دسته بندی می شوند.:\n\n!!! طبقه بندی اشتباه یک ایمیلِ معتبر به عنوان اسپم نسبت به طبقه بندی اشتباه یک اسپم به عنوان ایمیلِ درست، هزینه بدِ بیشتری در بردارد!\n\nاگر هزینه λ بار بدتر از هزینه  باشد، آنگاه زمانی یک ایمیل را جزو اسپم ها طبقه بندی می کنیم که\n\nبا فرض   داریم  که t برابر است با  . در اینجا t برابر 0/999 گرفته شده است.\n\nاز feature selection برای کاهش ابعاد ویژگی/داده استفاده شده است\n\nبعضی اوقات می توان از feature transforming  هم استفاده کرد\n\nLSI & SVD\n\nیک انبوه داده(corpus)از ایمیلهای واقعی : شامل 1578 ایمیل بیهوده و 211 ایمیل معتبر  1538 داده برای آموزش فیلتر و 251 عدد برای تست\n\nویژگیهای گرفته شده از توکن های متن\n\nتوکن های نادر (با رخداد کمتر از 3 در کل corpus) حذف شدند\n\n35 ویژگی عبارتی اضافه شدند\n\n20 ویژگی غیر متنی و وابسته به دامنه اضافه شدند\n\nتعداد کاراکترهای غیر الفبایی در عنوان ایمیل به عنوان ویژگی مفیدی شناسایی شد\n\n500 ویژگی برتر با استفاده از Mutual Information انتخاب شد\n\nSpam Precision: درصدی از ایمیلهای طبقه بندی شده به عنوان اسپم که در واقع اسپم هستند.\n\nSpam Recall: درصدی از کل ایمیل های اسپم واقعی که توسط دسته بند به عنوان اسپم طبقه بندی شده اند.\n\nیک نمودار Precision/Recall  ایده آل\n\nنتایج دسته بندی (Classification) با استفاده از مجموعه ویژگی های متفاوت\n\nنقاط قوت\n\nمتد Bayesian کل پیغام را در نظر می گیرد. این متد علاوه بر اینکه کلمات کلیدی که معرف و مرتبط با اسپم هستند را شناسایی می کند، بلکه کلمات معرف ایمیل های معتبر را نیز شناسایی می کند. در متد Bayesian کلمات در کنارهم تأثیر یکدیگر را (در نتیجه نهایی فیلتر اسپم) متعادل می کنند؛ به بیانی دیگر فیلتر Bayesian  بر روی کلمات کلیدی تکیه نمی کند به طوریکه به خاطر یک کلمه خاص، یک پیغام را جزو اسپم ها طبقه بندی کند، بلکه تمامی کلمات و تمامی ویژگی های پیغام را در نظر می گیرد.\n\nیک فیلتر Bayesian  با یادگیری مستمر از اسپم های جدید و ایمیل های معتبرِ جدید، به طور ثابت خود را با آخرین تغییرات وفق می دهد. فیلتر Bayesian دائماً در حال تحول است و خود را با تکنیک های جدید اسپم هماهنگ می سازد.\n\nهنگامی که فرستادگان اسپم برای فریب دادن راهکارِ «بررسی کلمات کلیدی» به جای “Free” از “F-r-e-e”  استفاده کردند، بلافاصله پس از افزودن “F-r-e-e” به پایگاه داده  کلمات کلیدی، راهکارشان خنثی شد\n\nروش Bayesian روشی است که قابل اِعمال به هر زبانی می باشد. فیلتر اسپم Bayesian  کاملاً قابل انطباق با هر زبان و نوشتاری می باشد\n\nتکنیک فیلتر Bayesian حساس به کاربر و داده های اوست. فیلتر از ایمیل های کاربر (و یا شرکت) یاد می گیرد که در مورد کاربر، بیشتر چه مطالبی به عنوان ایمیل رد و بدل می گردد.\n\nبه عنوان مثال اگر شرکت (یا فرد) یک شرکت دلال اتومبیل باشد، آنگاه کلمه “mortgage” به عنوان نشانه ای برای یک اسپم تلقی می گردد، در حالی که اگر شرکت (یا فرد) یک شرکتی باشد که طرف قراردادش سازمان وام دهنده  مسکن باشند آنگاه چنین کلمه ای در ایمیل نشان دهنده وجود یک اسپم نمی باشد.\n\nیک فیلتر Bayesian  نسبت به فیلترهای مبتنی بر لیست کلمات کلیدی، کمتر فریب می خورد.\n\nنقطه ضعف: فرض استقلال بین ویژگی ها\n\nمی توان از روشهای جایگزین (البته با محاسبات بیشتر) مانند Belief Network استفاده کرد\n\nروش Bayesian برای فیلتر کردن اتوماتیک اسپم ها کارا می باشد\n\nافزودن ویژگیهای غیردامنه ای و غیرمتنی و عبارتهای دست-ساخته باعث بهبود کارائی فیلترینگ می گردد.\n\nفیلتراسپم Naïve Bayesian می تواند برای دسته بندی های متفاوتی از ایمیلها مورد استفاده قرار گیرد\n\nمثل دسته بندی ایمیلهای معتبر به «ایمیلهای دوستان» و «ایمیلهای کاری»\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 )