فایل ورد کامل روش های رشد-الگو

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 روش های رشد-الگو،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۳۰ صفحه

با توسعه بسیاری از الگوریتم های قابل توجه در کاوش پیوستگی، همبستگی، علیت، الگوهای ترتیبی، نیمه تناوبی، کاوش الگوهای مکرر مبتنی بر محدودیت، طبقه بندی تجمعی، الگوهای ادغام، و غیره، در سال های اخیر، بهره برداری از الگوهای مکرر (تکرار شونده)، موضوع اصلی در تحقیقات داده کاوی بوده است. اگرچه، براساس آنالیز ما، تولید کاندید و آزمایش، بویژه هنگام برخورد با الگوهای طولانی و متعدد، ممکن است هنوز هم گران باشد.
روشی جدید به نام رشد الگوی تکرار توسعه یافته است که الگوهای مکرر را بدون تولید کاندید کاوش می کند. این روش از فلسفه تقسیم- و- غلبه برای پیش بینی و تقسیم بندی پایگاه های داده براساس الگوهای مکرر که بطور رایج شناسایی شده اند و افازیش و تعمیم چنین الگوهایی به نمونه های بزرگتر در پایگاه های داده پیش بینی شده، استفاده می کند. علاوه براین، ساختارهای داده کارآمد برای مقایسه پایگاه های داده موثر و پیمایش سریع در حافظه، توسعه یافته اند. چنین روشی ممکن است تعداد زمینه های کاندید را حذف نموده و یا اساسا تعداد گروه های کاندید تولید شده را کاهش دهد و همچنین اندازه پایگاه داده را کاهش دهد تا بطور مکرر مورد بررسی قرار گیرند و بنابراین، سبب عملکرد عالی شود.
در این مقاله مروری، به بررسی این روش و آزمون روش اجرا و مفاهیم ضمنی آن برای کاوش چندین نوع الگوی مکرر، شامل پیوستگی، مجموعه ایتم های بسته مکرر، الگوهای- حداکثر، الگوهای ترتیبی، و کاوش مبتنی بر محدودیت الگوهای مکرر، می پردازیم. همچنین نشان می دهیم که رشد الگوی مکرر در کاوش پایگاه های داده بزرگ موثر است و همچنین توسعه بیشتر آن می تواند منجر به کاوش مقیاس پذیر بسیاری از انواع دیگر الگوها شود.

کلمات کلیدی: روش ها و الگوریتم های داده کاوی مقیاس پذیر | الگوهای مکرر | پیوستگی | الگوهای ترتیبی | کاوش مبتنی بر محدودیت

عنوان انگلیسی:

Pattern-Growth Methods

~~en~~ writers :

Jiawei Han , Jian Pei

Mining frequent patterns has been a focused topic in data mining research in recent years, with the development of numerous interesting algorithms for mining association, correlation, causality, sequential patterns, partial periodicity, constraint-based frequent pattern mining, associative classification, emerging patterns, etc. Many studies adopt an Apriori-like, candidate generation-and-test approach. However, based on our analysis, candidate generation and test may still be expensive, especially when encountering long and numerous patterns.
A new methodology, called frequent pattern growth, which mines frequent patterns without candidate generation, has been developed. The method adopts a divide-and-conquer philosophy to project and partition databases based on the currently discovered frequent patterns and grow such patterns to longer ones in the projected databases. Moreover, efficient data structures have been developed for effective database compression and fast in-memory traversal. Such a methodology may eliminate or substantially reduce the number of candidate sets to be generated and also reduce the size of the database to be iteratively examined, and, therefore, lead to high performance.
In this paper, we provide an overview of this approach and examine its methodology and implications for mining several kinds of frequent patterns, including association, frequent closed itemsets, max-patterns, sequential patterns, and constraint-based mining of frequent patterns. We show that frequent pattern growth is efficient at mining large data-bases and its further development may lead to scalable mining of many other kinds of patterns as well.

Keywords: Scalable data mining methods and algorithms | Frequent patterns | Associations | Sequential patterns | Constraint-based mining

$$en!!