پرش لینک ها

داده کاوی و داده کاوی فازی

داده کاوی فازی چیست؟
داده­ کاوی به فرآیندی سراسری اطلاق می­ شود که از چندین مرحله تشکیل شده­ است (پیش ­پردازش داده ­ها، یادگیری، تحلیل، گزینش، …) [1]. داده­ کاوی و یادگیری ماشینی دو حوزه­ ی درهم ­تنیده هستند، به این معنا که معمولاً داده ­کاوی دربردارنده­ ی یک الگوریتم یادگیری ماشینی (به عنوان یک مرحله) است. در متون و مقالات، “داده ­کاوی” می­ تواند به “مرحله­ ی یادگیری ماشینی یک فرآیند داده کاوی” نیز اشاره داشته باشد. “در اینجا، داده ­کاوی و یادگیری ماشینی متفاوتند، عمدتاً به این معنا که هر کدام از آنها هدف خاصی دارند. در [2،3] تفاو ت­های زیر بیان شده ­اند: هدف اصلی یادگیری ماشینی توسط عملکردهایی در چشم ­انداز پیشگویانه هدایت می­ شود، در حالیکه داده­ کاوی با قابل فهم بودن الگوهای کشف ­شده در ارتباط است”.
اهداف یادگیری ماشینی ایجاد مدلی از مجموعه ­ای شامل داده­ هاست که دانشی زمینه­ ای فراهم می ­آورند. داده­ ها، دسترس ­پذیری مجموعه­ ی آموزشی را برای ساخت مدل یا تنظیم آن، فراهم می­ کنند. دانش زمینه­ ای در صورت وجود داشتن، توسط متخصصین آن حوزه تهیه شده، یا به تخصص حوزه مربوط می­ شود. در این روند، مدل را می ­توان دانشی نو دانست که از یادگیری تولید شده ­است، و می ­تواند شکل های مختلفی داشته باشد: برای نمونه توابع ریاضی، شبکه­ ی عصبی، پایگاه قوانین (پایگاه داده ­ای شامل مجموعه­ ای از قوانین)، الگوها، قواعد وابستگی، ….
تصویر زیر پیوندهای میان این المان­ ها را به تصویر می­ کشد. بایستی خاطر نشان شود که مدل می ­تواند دربردارنده­ ی بخشی از الگوریتم یادگیری باشد، البته در صورتی که الگوریتم، به جای ایجاد کامل مدل، شیوه­ ای برای تنظیم آن باشد (برای مثال، شبکه­ های عصبی تنظیم می­ شوند و درخت ­های تصمیم­ گیری ساخته می­ شوند). در این تصویر، یک کاربرد احتمالی مدل ارائه شده ­است: می­ توان از مدل جهت فراهم نمودن یک خروجی برای هرگونه داده­ ی آتی بهره ­برداری نمود (یعنی داده ­هایی که بتواند از داده­ های موجود در مجموعه ­ی آموزش، متفاوت باشد) که این اصطلاحاً مجموعه­ ی تست نامیده می­ شود. در یک مفهوم کلی­ تر، مجموعه­ ی تست می ­تواند با موارد کاربردی خاص مدل در موقعیت ­های ویژه در ارتباط باشد.

داده کاوی فازی چیست ✅ یادگیری ماشین ✅ شبکه های عصبی * ترجمه تخصصی مقاله کامپیوتر

با توجه به اینکه الگوریتم­ های یادگیری ماشینی بسیار قابل اعتماد هستند [1]، انتخاب یک مدل جهت استفاده در داده ­کاوی به کمک تفسیرپذیری مدلی که ایجاد می ­نماید، انجام می­ شود. داده کاوی فرآیندی است که بر استفاده از الگوریتم یادگیری ماشینی بر امر کاربردی مورد نظر استوار است. یکی از تفاوت­ های اصلی آن است که مدل ساخت ه­شده، پس از آن نه تنها جهت دسته ­بندی موارد جدید، بلکه به منظور فراهم نمودن دانشی اضافی نیز استفاده می­شود. داده­ کاوی با دقت مدل حاصله به منظور ارائه ­ی اعتبار آن یا یک ارزیابی از عملکردهای آن نیز در ارتباط است [1]. در این موارد، مدل ­های دارای دقت مناسب می­ توانند به جای بالاترین موارد، به عنوان هدف اصلی در دستیابی به دانش قابل فهم از داده ها، کفایت کنند.
داده­ کاوی فازی، تعمیمی از داده­ کاوی است که در آن مدلسازی مجموعه ­های فازی معرفی می­ شود. انواع مختلف داده ­کاوی فازی را می ­توان بسته به کاربرد یا مسئله­ ای که با آن سروکار داریم، برجسته نمود. سوال اصلی که می ­توان بدان اشاره نمود این است که “فازی” در داده کاوی فازی به چه معناست؟ جهت پاسخ به این پرسش، بایستی مؤلفه­ های فرآیند داده­ کاوی با دقت کامل بررسی ­شوند.

سفــــارش ترجمـــه دانلود مقاله لاتین  مقاله کامل را اینجا ببینید

می خوای از فایلای با ارزشی که داری درآمد داشته باشی؟ باهامون تماس بگیر