فایل ورد کامل یک الگوریتم سریع مرکب ازFP-Tree و TID-list برای کاوش الگوی متناوب

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 یک الگوریتم سریع مرکب ازFP-Tree و TID-list برای کاوش الگوی متناوب،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۱ صفحه

۶ نتیجه گیری و پژوهش های آتی
ما در این مقاله FEMرا ارائه کردیم، یک الگوریتم جدید کاوش الگوی متناوب که تکنیک های کاوش دو الگوریتم مشهور FP-growthو Eclat را ترکیب می کند. مزیت عملکرد FEM با انطباق فرایند کاوش برای منطبق کردن مشخصات مجموعه داده ها محقق می شود. ترکیب تکنیک های بهینه سازی برای اجرای FEM به بهبود عملکرد نیز کمک می کند. ما در پژوهش های آتی قصد داریم با ترکیب چند تکنیک بهینه سازی دیگر، FEMرا بیشتر بهینه کنیم. ما نحوه یافتن مقدار بهینه K برای مجموعه داده های خاص را بر اساس مشخصات آن ها بررسی خواهیم کرد. علاوه بر این، روش های موازی برای اجرای FEM در سیستم های موازی و توزیع شده را بررسی می کنیم زیرا محدودیت حافظه بزرگ ترین مانع برای استفاده از هر گونه الگوریتم کاوش الگوی متناوب در پایگاه داده های با مقیاس بزرگ است.

عنوان انگلیسی:A Fast Algorithm Combining FP-Tree and TID-List for Frequent Pattern Mining~~en~~

۶ Conclusion and future work

In this paper, we presented FEM, a new frequent pattern mining algorithm that combines the mining techniques of two famous algorithms FP-growth and Eclat. The performance merit of FEM is achieved by adapting the mining process to match the characteristics of the datasets. The combination of the optimization techniques for implementing FEM contributes to the improvement of performance as well. In future work, we plan to improve FEM further by integrating several other optimization techniques. We will investigate how to find the optimal value of K for specific databases based on their characteristics. In addition, we will study parallel approaches for implementing FEM on parallel and distributed systems as memory limitation is the largest barrier to deploy any sequential frequent pattern mining algorithm on large scale databases.

$$en!!