در بسیاری از رشته های علمی و فنی، در نهایت ما با مجموعه ای از داده ها روبرو هستیم که حجم کم یا زیادی را دارند؛ اما مهم ترین کار، به دست آوردن چنین پایگاه داده ای نیست. بلکه باید بتوانیم، سطح بالاتری از دانش را با توجه به پایگاه داده مذکور به دست بیاوریم؛ این یعنی نتیجه گیری و جمع بندی تمام تلاش هایی که برای جمع آوری آن داده ها صرف شده است. این عملیات، و مجموعه دیگری از کارهای مرتبط با آن، موضوع بحث یکی از زیر شاخه های مشترک علوم کامپیوتر و آمار، به نام داده کاوی یا Data Mining است. فرآیند کلی استخراج دانش از داده، معنای عام تری از داده کاوی را در بر دارد که به Knowledge Discovery from Data یا KDD معروف است.

در بسیاری از رشته های علمی و فنی، در نهایت ما با مجموعه ای از داده ها روبرو هستیم که حجم کم یا زیادی را دارند؛ اما مهم ترین کار، به دست آوردن چنین پایگاه داده ای نیست. بلکه باید بتوانیم، سطح بالاتری از دانش را با توجه به پایگاه داده مذکور به دست بیاوریم؛ این یعنی نتیجه گیری و جمع بندی تمام تلاش هایی که برای جمع آوری آن داده ها صرف شده است. برای کسب اطلاعات بیشتر در خصوص این فیلم آموزشی، لینک ادامه مطلب را ببینید.

 

کاوش قواعد وابستگی یا Association Rule Mining رده ای از مسائل داده کاوی را شامل می شود که در آن به دنبال استخراج و تعریف قواعد و الگوهایی هستیم که توصیف دقیق تری را از فضای حاکم بر داده ها ارائه می دهند. کاربردهای گسترده این روش ها در هوش تجاری (هوشمندی کسب و کار یا Business Intelligence)، شبکه های اجتماعی و مجازی، تجارت الکترونیک، صنعت بانکداری، وب کاوی (Web Mining)، و ده ها زمینه دیگر، اهمیت دو چندانی به این روش ها اعطا کرده است. از جمله کاربردهای مهم این روش ها، می توان به  طراحی و پیاده سازی سیستم های پیشنهادگر یا Recommender Systems اشاره نمود، که هر روز در دنیای وب، شاهد ظهور و بروز آن ها هستیم.

در بسیاری از رشته های علمی و فنی، در نهایت ما با مجموعه ای از داده ها روبرو هستیم که حجم کم یا زیادی را دارند؛ اما مهم ترین کار، به دست آوردن چنین پایگاه داده ای نیست. بلکه باید بتوانیم، سطح بالاتری از دانش را با توجه به پایگاه داده مذکور به دست بیاوریم؛ این یعنی نتیجه گیری و جمع بندی تمام تلاش هایی که برای جمع آوری آن داده ها صرف شده است. 

اکثر دانشمندان و محققین سرشناس هر رشته علمی یا فنی، در کنار عامل خلاقیت و تخصص، یک ویژگی مشترک و بسیار مهم دارند، و آن نتیجه گیری های مهمی است که از مشاهدات و داده های جمع آوری شده ارائه کرده اند. در رشته های مختلف علمی، نظریه های بسیار مهمی که با مطالعات میدانی به دست آمده اند، همگی دارای این مولفه مشترک هستند: به دست آوردن قواعد و قوانینی که توضیحی فشرده و مفهومی از داده های در دسترس را ارائه می دهند. این عملیات، و مجموعه دیگری از کارهای مرتبط با آن، موضوع بحث یکی از زیر شاخه های مشترک علوم کامپیوتر و آمار، به نام داده کاوی یا Data Mining است. فرآیند کلی استخراج دانش از داده، معنای عام تری از داده کاوی را در بر دارد که به Knowledge Discovery from Data یا KDD معروف است.

 

 

 

سرفصل های مهم‌ترین مباحث مطرح شده در این فیلم آموزشی در ادامه آمده اند:

• بررسی انواع الگوهای تکرار شونده
• ارائه مثال های پایه از تحلیل سبد خرید یا Market Basket Analysis
• معرفی قواعد توصیف کننده و خواص آن ها
• معرفی معیارهای تشخیص قاعده های قوی یا Strong Rules
• معرفی و بررسی کامل الگوریتم Apriori برای استخراج و کاوش قواعد وابستگی
• پیاده سازی گام به گام الگوریتم Apriori در محیط متلب به همراه حل یک مثال عملی
• بررسی ضعف های الگوریتم Apriori و مشکلات موجود در مسیر اجرای آن
• بررسی عوامل و معیارهای بهتر برای توصیف قواعد مهم و جالب توجه در پایگاه داده
• معرفی و بررسی الگوریتم رشد الگوی متداول یا Frequent Pattern Growth (به اختصار FP-Growth)
• بررسی مفاهیم تشکیل درخت FP-Tree و مزایای آن در مقایسه با Apriori
• پیاده سازی گام به گام الگوریتم FP-Growth در محیط متلب به همراه حل یک مثال عملی 

 

 

برای مشاهده جزئیات و تهیه آموزش فرادرس فیلم آموزشی جامع کاوش قواعد وابستگی یا Association Rule Mining به این لینک (+) مراجعه نمایید.

  

برای مشاهده پیش نمایش این محصول بر روی یوتیوب (YouTube) از لینک زیر استفاده کنید:

لینک ویدئو بر روی سرور یوتیوب (YouTube)