کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
10321917 660776 2015 10 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
From data mining to knowledge mining: Application to intelligent agents
ترجمه فارسی عنوان
از داده‌کاوی تا استخراج دانش: برنامه‌های کاربردی تا عامل‌های هوشمند
کلمات کلیدی
استخراج دانش - قوانین القایی - تقسیم بندی - خوشه بندی - عامل شناختی
فهرست مطالب مقاله
چکیده
کلمات کلیدی
1. مقدمه
2. مروری بر داده‌کاوی
2.1 دسته‌بندی نظارتی
2.2. تکنیک خوشه‌بندی داده
3. کارهای مرتبط
4. بازنمایی قوانین استنتاجی
شکل 1. بازنمایی دانش
5. مقدمات ریاضی استخراج قوانین استنتاجی
5.1 معیار شباهت
5.1.1 تحلیل و اثبات
5.2. محاسبه مرکز ثقل
جدول 1. جدول فاصله‌ها
6. وظایف استخراج قوانین استنتاج
6.1. خوشه‌بندی قوانین استنتاجی
جدول 2. جدول فاصله‌ها
6.2 دسته‌بندی قوانین استنتاج
جدول 3. جدول فاصله‌ها
7. عامل هوشمند کاوشگر
7.1 معماری عامل هوشمند کاوشگر
شکل 2. معماری عامل هوشمند کاوشگر
8. ارزیابی و آزمایش
8.1 اتخاذ معیار داده
8.2. الگوی ارزیابی
8.3. آزمایش‌های خوشه‌بندی قوانین استنتاج
شکل 3. زمان CPU برای سه فرمول مرکز ثقل
شکل 4. نرخ موفقیت برای k-means-IRC با سه فرمول مرکز ثقل
شکل 5. زمان CPU برای دو راهکار
شکل 6. نرخ موفقیت برای دو راهکار
شکل 7. مقایسه F-meausre
8.4 آزمایش KNN-IR
شکل 8. درصد قوانین صحیح طبق پارامتر K
شکل 9. زمان CPU طبق پارامتر K
شکل 10. مقایسه زمان CPU متعلق به MIA با عامل کلاسیک
8.5 مقایسه MIA با عامل کلاسیک
9. نتیجه‌گیری 
ترجمه چکیده
در دهه گذشته کامپیوترها به موج عظیمی از داده‌ها تبدیل شدند.وظایف داده‌کاوی برای مقابله با این مشکل فراخوانی شدند تا دانش مورد نظر را استخراج کنند.پیدایش جدید برخی از تکنیک‌های داده‌کاوی نیز قوانین استنتاج جالب زیادی فراهم می‌کند. بنابراین، در حال حاضر عاقلانه است که این قوانین استنتاج به منظور استخراج الگوهای قوی و جدیدی به نام فراقانون پردازش شوند. کار پیش‌رو این مفهوم را با پشتیبانی جدیدی از خوشه‌بندی و دسته‌بندی قوانین استنتاج بررسی می‌کند. این راهکار از الگوریتم‌های k-means و k-nn برای استخراج قوانین استنتاج با استفاده از معیارهای شباهت جدید طراحی‌شده و محاسبه مرکز ثقل بهره می‌گیرد. ماژول توسعه‌یافته در هسته عامل شناختی پیاده‌سازی شده است تا استدلال آن را سرعت ببخشد. این معماری جدید که عامل هوشمند کاوشگر (MIA) نامیده می‌شود، در چهار معیار عمومی، مشتمل بر 25000 قانون، تست و ارزیابی و در نهایت با نوع کلاسیک آن مقایسه شد. همانطور که انتظار می‌رفت، MIA به مراتب عملکرد بهتری نسبت به عامل شناختی کلاسیک دارد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
از داده‌کاوی تا استخراج دانش: برنامه‌های کاربردی تا عامل‌های هوشمند
چکیده انگلیسی
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.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Expert Systems with Applications - Volume 42, Issue 3, 15 February 2015, Pages 1436–1445
نویسندگان
, ,