مروری بر رویکردهای مختلف برای حل مشکلات داده کاوی
چکیده
این مقاله به امور مهمی در تجزیه و تحلیل مقادیر وسیعی از اطلاعات و مقایسه روش هایی برای جواب دهی به آنها، اختصاص یافته است. تجزیه و تحلیل مقادیر وسیعی از اطلاعات و شناسایی اطلاعات ارزشمند، توسط ابزار داده کاوی فراهم شده است. مفهوم داده کاوی به عنوان استخراج، تجزیه و تحلیل و جمع آوری اطلاعات، ترجمه شده است. بنابر تنوع گسترده ای از الگوها و تشکل های اطلاعاتی مرتبط با اطلاعات سازمان یافته، اطلاعات واقعی همواره توسط ابزارهای یادگیری ماشینی تجزیه و تحلیل نمی شوند. برای تبدیل اطلاعات خام به اطلاعاتی که بتوانند به درستی به وسیله اصول داده کاوی کار کنند، مشکل پیش-پردازش حل شده است. روش های نزدیک ترین همسایگی k و درخت تصمیم، از جمله طبقه بندی داده کاوی و رگراسیون در حوزه های مشخص، این مشکلات را حل کرده است.
Abstract
This paper is devoted to the main tasks in the analysis of large amounts of information and comparison of methods for their solution. The analysis of large volumes of information and identification of valuable knowledge provided by Data Mining tools. The concept of Data Mining is translated as data mining, data analysis, data collection. Due to of the huge variety of data types and forms of organizing information actual data may not always be analyzed by machine learning tools. For the transformation of "raw" data to the data, which can work efficiently Data Mining techniques, solve the problem of pre-processing. The methods k-nearest neighbor and decision trees solve such problems as the Data Mining classification and regression in the specified domains.
چکیده
1. مقدمه
2. وظایف داده کاوی
مشکل طبقه بندی و رگراسیون
3. دسته بندی مراحل داده کاوی
4. دسته بندی روش های داده کاوی
5. نتیجه گیری
Abstract
1 Introduction
2 Data Mining Tasks
3 Classification Data Mining stages
4 Classification Data Mining methods
5 Conclusions
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه