عنوان

کشف قوانین انجمنی به صورت موازی بر اساس یک روش خوشه‌بندی جدید و با استفاده از یک الگوریتم تکاملی

Number

‭۱۳۰۸۶پ‬

.Language of Text, Soundtrack etc

per

Title Proper

کشف قوانین انجمنی به صورت موازی بر اساس یک روش خوشه‌بندی جدید و با استفاده از یک الگوریتم تکاملی

First Statement of Responsibility

/لیلا امیری

Name of Publisher, Distributor, etc.

: پردیس بین المللی ارس

Text of Note

چاپی

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

علوم کامپیوتر

Body granting the degree

تبریز

Text of Note

کشف قوانین انجمنی، یکی از روش‌های مهم و پرکاربرد داده‌کاوی جهت کشف دانش نهفته در داده‌ها است که با استفاده از آن می‌صتوان روابط و وابستگی‌صهای مفیدی که در مجموعه‌صهای بزرگی از اقلام داده‌ص‍ موجود می‌صباشند را کشف نمود .این روابط و وابستگی‌ها در تصمیم‌گیری‌ها، نقش مهمی دارند .یافتن چنین روابطی، داخل مجموعه‌ی داده‌ها به دلیل ماهیت نمایی آن و حجم بالای داده‌صها بسیار زمان‌بر است .در این پایان‌نامه برای کشف قوانین انجمنی، ابتدا با ارائه‌ی یک روش خوشه‌بندی مبتنی بر الگوریتم رقابت استعماری، تراکنش‌ها به خوشه‌های مناسب تقسیم می‌شوند .سپس یک روش تکاملی بر پایه الگوریتم رقابت استعماری برای کشف قوانین انجمنی ارائه می‌گردد که این الگوریتم به طور جداگانه و مستقل بر روی هر یک از خوشه ها اجرا می‌شود .در نهایت، قوانین به دست آمده از همه خوشه‌ها در یک‌جا جمع‌آوری شده و قوانین نهایی تولید می‌گردند .نتایج حاصل از آزمایشات مختلف بر روی چند مجموعه داده شناخته شده، کارآیی راه‌کار پیشنهادی را در کشف قوانین با دقت مناسب و کاهش هزینه‌ها تایید می‌کند

Text of Note

The discovery of association rules, is one of the useful and important method in data mining to discover hidden knowledge in data set. It is used to discover the relationships and useful dependencies that is available in a large set of data items. The relationships and dependencies are important in decision-making problems. Finding these relations within data sets due to its exponential nature and volume of data is very time consuming. In this dissertation, we provide a clustering algorithm based on Imperialist Competitive Algorithm (ICA) for discovering association rules which transactions are divided into appropriate clusters. An evolutionary approach based on ICA is presented for discovering association rules. The presented algorithm runs on each of the clusters separately. Finally, the derived rules from all clusters are collected and the final rules are generated. The simulation results on well-known data sets confirm performance of the proposed approach for discovering rules with reasonable accuracy and cost reduction

امیری، لیلا

لطفی، شهریار، استاد راهنما

کریم پور ینگجه،جابر، استاد مشاور

Public note

سیاه و سفید

نمایه‌سازی قبلی