فایل ورد کامل از داده کاوی به استخراج دانش: کاربرد در عوامل هوشمند

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 از داده کاوی به استخراج دانش: کاربرد در عوامل هوشمند،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۴۲ صفحه

در دهه‌ی گذشته، جهان رایانه به موج عظیمی از داده‌ها تبدیل شد. وظایف داده کاوی برای مقابله با این مشکل به کار گرفته شدند تا دانش جالب را استخراج کنند. ظهور اخیر برخی از تکنیک‌های داده کاوی نیز بسیاری از قوانین جالب القاء را ارائه کرده است. بنابراین، در حال حاضر عاقلانه است که این قوانین القا را به منظور استخراج برخی از الگوهای قوی جدید به نام متا قوانین پردازش کنیم. این کار به بررسی این مفهوم توسط پیشنهاد یک پشتیبانی جدید برای خوشه قوانین القاء و طبقه‌بندی می‌پردازد. این رویکردk-means و k-nn algorithmsرا برای استخراج قوانین القا با استفاده از معیارهای شباهت جدیداً طراحی شده و محاسبه مرکز ثقل به کار می‌گیرد. ماژول توسعه داده شده در هسته عامل شناختی اجرا شده است تا به استدلال آن سرعت ببخشد. این معماری جدید به نام عامل استخراج کننده‌ی هوشمند (MIA) تست شده و در چهار معیار عمومی که شامل ۲۵۰۰۰ قانون است ارزیابی شده و در نهایت با مورد کلاسیک آن مقایسه شده است. همانطور که قابل پیش بینی است، MIA به وضوح بهتر از عامل شناختی کلاسیک عمل می‌کند.
کلمات کلیدی: استخراج دانش، قوانین القایی، طبقه‌بندی، خوشه‌بندی، عامل شناختی

عنوان انگلیسی:

From data mining to knowledge mining: Application to intelligent Agents

~~en~~ writers :

Amine Chemchem , Habiba Drias*

The last decade, the computers world became a huge wave of data. Data mining tasks were invoked to
tackle this problem in order to extract the interesting knowledge. The recent emergence of some data
mining techniques provide also many interesting induction rules. So, it is judicious now to process these
induction rules in order to extract some new strong patterns called meta-rules. This work explores this
concept by proposing a new support for induction rules clustering and classification. The approach
invokes k-means and k-nn algorithms to mine induction rules using new designed similarity measures
and gravity center computation. The developed module have been implemented in the core of the
cognitive agent, in order to speed up its reasoning. This new architecture called the Miner Intelligent
Agent (MIA) is tested and evaluated on four public benchmarks that contain 25,000 rules, and finally it
is compared to the classical one. As foreseeable, the MIA outperforms clearly the classical cognitive agent
performances.
Keywords:
Knowledge mining
Induction rules
Classification
Clustering
Cognitive agent

$$en!!