فایل ورد کامل بررسی الگوریتم های کاوش قانون وابستگی توزیعی

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 بررسی الگوریتم های کاوش قانون وابستگی توزیعی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۴ صفحه

۷- نتیجه‌گیری
روش‌های کاوش داده به طور چشمگیری برای کارهای پژوهشی و یافتن راه حل‌های انواع مختلف مسائل مورد استفاده قرار گرفته است. بسیاری از الگوریتم‌های DM ایجاد شده و با مجموعه داده‌های دنیای واقعی مورد آزمایش قرار گرفته است. اکثر تولید الگوریتم‌های فعلی به لحاظ محاسباتی پیچیده هستند و عموماً مستلزم نگهداری تمام داده‌ها در حافظه اصلی هستند که به وضوح برای بسیاری از پایگاههای داده غیرواقعی است. علاوه بر این، در برخی مسائل، داده‌ها می‌توانند به صورت ذاتی توزیع شده و بنا به دلایل بسیار از جمله امنیتی، تحمل خطا، محدودیت‌های قانونی و دلایل رقابتی نمی‌توانند به آسانی با پایگاه داد واحد ادغام شوند. در چنین مواردی، امکان بررسی تمام داده‌ها در سایت اصلی پردازش برای محاسب نتایج جهانی واحد وجود ندارد.
بسیاری از الگوریتم‌های DARM مطرح شده در این مقالات برای حل مسائل مربوط به داده‌های توزیعی هستند. براساس چالش‌ها و مسائل مختلف DARM کاوش عوامل، به ارتقاء DM و ایجاد عوامل هوشمند نیاز است. تلاش‌های بیشتری برای گسترش روش‌ها، سیستم‌ها و مطالعات موردی از دیدگاههای بنیادی، فناوری و عملی مورد نیاز است.
بسیاری از الگوریتم‌های DARM از مجموعه داده‌های تولید شده و پیش‌پردازش شده در فرآیند جداگان آفلاین استفاده می‌کنند. معرفی عوامل پیش پردازش داده می‌تواند مسائل مربوط به ناسازگاری با طرح را حل کند.
الگوریتم‌های فعلی DARM در این مقاله بر سازگاری افقی داده‌های پارتیشن‌بندی شده تمرکز نموده‌اند. لازم است تا به کار بر روی مجموعه داده‌های دینامیک و ناهمگن نیز در محیط توزیعی پرداخته شود. در کنارعوامل موجود که در معماری DARM معرفی شده است، عوامل جدید نظیر عوامل پیش‌پردازش داده، عوامل تحمل خطا و عوامل تطبیقی باید ایجاد شوند که بتوانند به صورت کارآمد در محیط توزیعی کار کنند.

عنوان انگلیسی:A Survey of Distributed Association Rule Mining Algorithms~~en~~

۷ CONCLUSION

Data Mining techniques are significantly used for the research work to find solutions for different types of problems. Many algorithms for DM are developed and tested with real world datasets. Most of the current generation of algorithms are computationally complex and typically require all data to be resident in main memory, which is clearly unrealistic for many genuine problems and databases. Furthermore, in certain situations, data may be inherently distributed and cannot easily be merged into a single database for a variety of reasons including security, fault tolerance, legal constraints and competitive reasons. In such cases, it may not be possible to examine all of the data at a central processing site to compute a single global result. Many DARM algorithms are proposed in literature to solve the issues related to distributed data. Based on the various challenges and issues in DARM and Agent Mining, there is a need for the enhancement of DM and the creation of Intelligent agents. More efforts are required to develop techniques, systems, and case studies from foundational, technological, and practical perspectives. Many of the DARM algorithms uses the datasets were generated and pre-processed in a separate off-line process. Introducing data pre-processing agents could solve the incompatible schema problem. The existing DARM algorithms described above in the paper focuses on homogeneous horizontally partitioned data. There is a need to work on heterogeneous and dynamic data sets in a distributed environment. Along with the existing agents that are introduced in the current DARM architecture, new agents such as data preprocessing agents, fault tolerant agents and adaptive agents need to be developed that can work together effectively in a distributed environment.

$$en!!