فایل ورد کامل استخراج مجموعه اقلام مکرر در یک جریان

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل استخراج مجموعه اقلام مکرر در یک جریان،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۷۵ صفحه

۸ خلاصه
اندازه‌گیری ماکسیمم فرکانس برای کاوش مجموعه آیتم‌های مکرر در یک جریان داده‌ای، مناسب است. آن به گونه‌ای صادقانه فرکانس مجموعه آیتم‌ها را در بند می‌کشد همانطورکه در شکل ۱۰ نشان داده شده است. مجموعه آیتم‌های مکرر می‌توانند به گونه‌ای موثر هم در زمینه‌ی مکان و هم زمان، کاوش شوند. کارامدی الگوریتم را می‌توان به طور نظری به وسیله‌ی ارتباط دادن تعداد مرزها به مفهوم جریان‌ها Farey از نظریه‌ی اعداد به دست آورد. از این ارتباط، ما نتیجه می‌گیریم که حتی در بدترین حالت، تعداد مرزها کندتر از طول جریان افزایش می‌یابد. آزمایش‌های روی مجموعه‌های داده‌ها، که در ان‌ها مجموعه آیتم‌ها در الگوهای مختلفی رخ می‌دهند، در عمل، نسبت به زمان، نسبتا پایا باقی می‌مانند. ما نشان دادیم که هیچ حاشیه‌ای نمی‌تواند از بهره‌برداری رابطه‌ی زیرمجموعه بین مجموعه آیتم‌ها حاصل شود. به طور ساده، ذخیره‌سازی خلاصه‌های آیتم منجر به مساعل فضا می‌شود. به اشتراک گذاری مرزها در میان خلاصه‌های ارتباط یافته توسط رابطه‌ی زیرمجموعه روی مجموعه آیتم‌ها، غیر ممکن است زیرا در هر نقطه‌ی داده شده‌ای یک موقعیت ممکن است مرزی برای مجموعه آیتم‌های A1، A3 باشد اما برای مجموعه آیتم A2 نباشد، هنگامی که ما داشته باشیم.A2 A3 A1

عنوان انگلیسی:Mining frequent itemsets in a stream~~en~~

۸ Conclusion

The max-frequency measure is apt for mining frequent itemsets in a datastream. It truthfully captures the frequency of itemsets, as is shown by Fig. 10. Frequent itemsets can be mined efficiently, both in terms of time and space. The efficiency of the algorithm can be derived theoretically by linking the number of borders to the concept of Farey streams, from number theory. From this connection we can deduce that, even in the worst case, the number of borders increases slower than the length of the stream. Experiments on datasets, in which itemsets occur in varying patterns, show that the number of borders in a summary, in practice, remains relatively stable over time. We showed that no edge can be gained from exploiting the subset relation between itemsets. Simply storing itemsummaries results in space issues. Sharing borders among summaries linked by the subset relation on itemsets is impossible because at any given point a position might be a border for itemsets A1 and A3 but not for itemset A2, where we have that A1 A2 A3. As a result, further optimizations of the algorithm will need to be based on non-trivial insights.

$$en!!