دانلود استفاده از روشهای داده کاوی برای پیش بینی سطح خسارت مشتریان بیمه بدنه اتومبیل

استفاده از روشهای داده کاوی برای پیش بینی سطح خسارت مشتریان بیمه بدنه اتومبیل امروزه نقش مشتریان از حالت پیروی از تولید کننده ،به هدایت سرمایه گذاران ، تولید کنند گان و حتی پژوهش گران و نوآوران مبدل گشته است ،به همین دلیل سازمان ها نیاز دارند مشتریان خود را بشناسند و برای آنان برنامه ریزی کنند

دسته بندی	کامپیوتر
فرمت فایل	doc
حجم فایل	963 کیلو بایت
تعداد صفحات فایل	40

امروزه نقش مشتریان از حالت پیروی از تولید کننده ،به هدایت سرمایه گذاران ، تولید کنند گان و حتی پژوهش گران و نوآوران مبدل گشته است ،به همین دلیل سازمان ها نیاز دارند مشتریان خود را بشناسند و برای آنان برنامه ریزی کنند .تاکنون از برخی روش های آماری و یادگیری ماشینی برای این منظور استفاده شده است که البته این روش ها به تنهایی دارای محدودیت هایی هستند که در این پژوهش سعی شده است تا با بهره گیری از روش های مختلف داده کاوی تا حد ممکن این محدودیت ها از بین برده و بر طبق آن ،چارچوبی برای شناسایی مشتریان بیمه بدنه اتومبیل ارایه شود . در واقع هدف این است تا مشتریانی را که بیشتر به یکدیگر شبیه هستند دسته بندی و با استفاده از این دسته ها و ویژگی های آن ،میزان خطر پذیری هر دسته را پیش بینی کرد . حال با استفاده از این معیار (میزان خطر پذیری هر دسته) و نوع بیمه نامه مشتری می توان میزان خسارت او را پیش بینی کرد که این معیار می تواند کمک شایانی برای شناسایی مشتریان و سیاست گذاری های تعرفه بیمه نامه باشد . برای این منظور، از روش داده کاوی ،درخت تصمیم برای ایجاد مدل پیش بینی خطر پذیری مشتریان در صنعت بیمه استفاده شده است .فن درخت تصمیم برای این منظور نتایج بهتری را به دست اورده است.

فهرست مطالب

چکیده1

1-1- مقدمه. 2

1-2- تاریخچه داده کاوی.. 2

1-3- روشهای پیشین و فعالیت های مرتبط با پژوهش... 4

1-4- مدیریت ذخیره سازی و دستیابی اطلاعات.. 5

1-5- ساختار بانک اطلاعاتی سازمان :7

1-6- داده کاوی :((Data Mining. 7

1-6-1- داده کاوی چیست؟. 7

1-6-2- مفاهیم پایه در داده کاوی.. 8

1-6-3- تعریف داده کاوی.. 8

1-6-4- برخی از این تعاریف عبارتند از :8

1-6-4-1- مراحل فرایند کشف دانش از پایگاه داده ها9

1-7- تفسیر نتیجه. 9

1-8- انبارش داده ها9

1-9- انتخاب داده ها10

1-10- تبدیل داده ها10

1-11- عملیات های داده کاوی.. 10

1-11-1- مدل سازی پیشگویی کننده11

1-11-2- تقطیع پایگاه داده ها12

1-11-3- تحلیل پیوند. 12

1-11-4- تشخیص انحراف.. 12

1-12- الگوریتم های داده کاوی.. 13

1-12-1- دسته بندی.. 14

1-12-2-رگرسیون. 15

1-12-3- سری‌های زمانی.. 16

1-12-4- پیش بینی.. 16

1-12-5- تکنیک های روش توصیفی.. 16

1-12-6- قوانین انجمنی.. 16

1-12-7- خلاصه سازی (تلخیص)17

1-12-8- مدل‌سازی وابستگی (تحلیل لینک)17

1-12-9- خوشه بندی.. 18

1-12-9-1- معیارهای ارزیابی الگوریتم‌های خوشه بندی.. 18

1-12-9-2- طبقه بندی روش‌های خوشه بندی.. 19

1-12-10- الگوریتم Apriori19

1-12-11- الگوریتم K-Means20

1-12-11- 1-گام ‌های الگوریتم k-means20

1-12-11-2- ویژگی‌های الگوریتم k-means20

1-12-11-3- رفع اشکالات الگوریتم k-means:21

1-12-12- شبکه های عصبی.. 21

1-12-13- درخت تصمیم. 22

1-13- روش پیشنهادی.. 23

1-14- جامع آماری و نمونه آماری.. 23

1-15- مراحل پژوهش... 23

1-16-پیش پردازشداده ها25

1-17- معرفی مشخصه ها26

1-18- مشخصه هدف.. 27

1-19- انتخاب مشخصه. 27

1-20- نرم افزارهای داده کاوی.. 27

1-21- پیاده سازی مدل های داده کاوی.. 30

1-21-1- درخت تصمیم. 30

1-21-2- تحلیل درخت تصمیم. 30

منابع 34

شکل 1-1- دسته بندی پژوهش ها در زمینه ی داده کاوی.. 4

شکل 1-2- نمودار پردازش اطلاعات.. 6

شکل1-3- مدیریت داده ها6

شکل 1-4- ساختار بانک اطلاعاتی.. 7

شکل 1-5- تجزیه و تحلیل KDD. 8

شکل 1-6- یک شبکه عصبی با یک لایه پنهان. 22

شکل 1-7- مراحل پژوهش... 25

شکل 1-8- درخت تصمیم. 31

شکل 1-9- درخت تصمیم. 32

شکل 1-10- درخت تصمیم 33

دانلود داده کاوی الگوهای تکرارشونده در جریان داده‌ها

داده کاوی الگوهای تکرارشونده در جریان داده‌ها پاورپوینت داده کاوی الگوهای تکرارشونده در جریان داده‌ها دارای 40 اسلاید می باشد که بخشی از متن و فهرست آن را در ادامه برای مشاهده قرار داده ایم و در صورت نیاز به داشتن کل این پاورپوینت می توانید آن را دریافت نموده و از آن استفاده نمایید

دسته بندی	کامپیوتر
فرمت فایل	ppt
حجم فایل	76 کیلو بایت
تعداد صفحات فایل	40

داده کاوی الگوهای تکرارشونده در جریان داده‌ها


پاورپوینت داده کاوی الگوهای تکرارشونده در جریان داده‌ها

پاورپوینت داده کاوی الگوهای تکرارشونده در جریان داده‌ها دارای 40 اسلاید می باشد که بخشی از متن و فهرست آن را در ادامه برای مشاهده قرار داده ایم و در صورت نیاز به داشتن کل این پاورپوینت می توانید آن را دریافت نموده و از آن استفاده نمایید

بخشی از متن
بسیاری از برنامه های کاربردی نوع داده جدیدی به نام جریان داده را تولید و تحلیل می کنند که در آن داده ها به صورت پویا به یک بستر ( یا پنجره ) وارد و یا از آن خارج می شوند .
خواص جریان داده :
حجم زیاد و گاه نامحدود
تغییرپویا
جریان به درون و خارج با یک ترتیب مشخص
پیمایش یکبار یا تعدا د محدود
نیازمند زمان پاسخ سریع ( اغلب بلادرنگ )
ممکن است دارای چندین منبع باشند .


فهرست:

جریان داده
داده‌کاوی
داده‌‌‌کاوی روی جریان داده‌ ها
الگوهای تکرارشونده در پایگاه‌داده‌ها
الگوهای تکرارشونده
الگوهای تکرارشونده - یک مثال
الگوریتم Apriori ( یافتن مجموعه عناصرتکرارشونده با استفاده از روش تولید و آزمون ) 
شبه کد الگوریتم Apriori
نحوه تولید کاندید
جزییات الگوریتم Apriori
الگوریتم Apriori - مثال
الگوهای تکرارشونده در جریان داده ها

ضمانت های Lossy Counting
Lossy Counting
Lossy Counting در عمل
ساختن درخت الگوهای تکرارشونده از یک پایگاه داده تراکنشی

عنوان: داده کاوی الگوهای تکرارشونده در جریان داده‌ها
فرمت: پاورپوینت
صفحات: 40

دانلود داده کاوی و مدیریت ارتباط با مشتری در بانکداری

داده کاوی و مدیریت ارتباط با مشتری در بانکداری رقابت­های جهانی، بازارهای پویا و چرخه­های نوآوری و فناوری که به سرعت در حال کوتاه شدن هستند همگی چالش­های مهمی را برای صنعت مالی و بانکداری ایجاد کرده­ اند و نیاز به استفاده از سیستم­های پشتیبان از تصمیم جهت بهبود فرآیندهای تصمیم­گیری در این سازمان­ها بیش از پیش اهمیت پیدا کرده است در این میان داده­ هایی که در پایگاه­های اطلاعاتی این سازمان­ها نگه

دسته بندی	مدیریت
فرمت فایل	doc
حجم فایل	2029 کیلو بایت
تعداد صفحات فایل	138

رقابت­های جهانی، بازارهای پویا و چرخه­های نوآوری و فناوری که به سرعت در حال کوتاه شدن هستند همگی چالش­های مهمی را برای صنعت مالی و بانکداری ایجاد کرده­ اند و نیاز به استفاده از سیستم­های پشتیبان از تصمیم جهت بهبود فرآیندهای تصمیم­گیری در این سازمان­ها بیش از پیش اهمیت پیدا کرده است. در این میان داده­ هایی که در پایگاه­های اطلاعاتی این سازمان­ها نگهداری می­شوند به عنوان منابع ارزشمند اطلاعات و دانش موردنیاز جهت تصمیم­گیری­های سازمانی مطرح می­باشند.

امروزه بانک­ها از پایگاه­های اطلاعاتی متعدد و گسترده­ای برخوردار هستند که حاوی اطلاعات مربوط به مبادلات و جزئیات دیگر مربوط به مشتریانشان است. اطلاعات ارزشمند تجاری از درون همین ذخایر داده­ای قابل بازیابی هستند. اما پشتیبانی از این دست تحلیل­ها و تصمیم­ گیری با استفاده از زبان­های گزارش­گیری سنتی امکان­پذیر نخواهد بود. روش­های سنتی آماری نیز از ظرفیت کافی در تحلیل این داده ­ها برخوردار نیستند و لذا متدولوژی­های مدرن داده­ کاوی و ابزارهای مربوط به آن در فرآیندهای تصمیم­گیری نه فقط در بانک­ها و نهادهای مالی بلکه در دیگر صنایع نیز بیش از پیش بکار گرفته می­شوند.

داده ­کاوی به نوبه خود در راستای حل مسائل موجود در کسب و کار در صنعت بانکداری و مالی آن هم به واسطه یافتن الگوها، روابط علی و معلولی و روابط حاکم در قیمت­های بازار و اطلاعات کسب و کار و مشتریان به کار می­رود. از موارد کاربرد داده­کاوی در صنعت بانکداری می­توان به موارد زیر اشاره کرد:

1. طراحی مکانیزم­هایی برای مدیریت ارتباط با مشتری از طریق بخش­بندی مشتریان و استخراج قواعد رفتاری آنها جهت هدایت فعالیت­های بازاریابی بانک.

2. مدل­سازی پاسخ بازار به تصمیمات کلان بانک و شناسایی اثر هریک از سیاست­های بازاریابی بر تقاضا و امکان شبیه­سازی تعاملی سیاست­ها و تصمیمات بازاریابی قبل از اجرا.

3. ارزیابی ریسک اعتبار مشتریان متقاضی وام.

4. محاسبه کارایی شعب با ترکیب مدل­های تحلیل پوششی داده ها و داده­ کاوی.

5. پیش­بینی سری­های زمانی مالی و کشف تقلب و سوء استفاده­ های مالی.

بکارگیری داده­ کاوی می­تواند ارزش افزوده فراوانی را برای بانک­ها حاصل نماید. تحقیقات گسترده­ای که در این حوزه در کشورهای مختلف صورت گرفته به توسعه سیستم­های پشتیبان از تصمیم سودمندی انجامیده است که منافع فراوانی را عاید بانک­ها نموده است.

علی­رغم حجم انبوه تحقیقات و پژوهش­هایی که در کشورهای پیشرفته در زمینه توسعه و بکارگیری تکنیک­های داده­کاوی در صنعت بانکداری به عمل آمده و نتیجه آن بهبود فرایندهای بانکی بوده است، زمینه­ های بالقوه بسیاری در بکارگیری این دانش در بانک­ها و موسسات مالی کشورمان وجود دارد. بنابراین زمینه­سازی جهت آشنایی کارشناسان و متخصصین امور بانکی با تکنیک­های داده ­کاوی و کاربردهای آن و همچنین برگزاری دوره­های آموزشی در این زمینه و بکارگیری عملی این علم در بانک­ها و سایر مؤسسات مالی کشور از اهمیت بسزایی برخوردار است.

فهرست مطالب

مقدمه		1
فصل اول		3
	مقدمه	4
	فرایند کشف دانش و داده کاوی	9
	معرفی برخی از روش های داده کاوی	14
	تحلیل انحراف	15
	نمایه سازی	17
	قوانین وابستگی	18
	تحلیل توالی	22
	خوشه بندی	24
	دسته بندی	29
	پیش بینی	32
فصل دوم		34
	مقدمه	35
	داده کاوی در بازاریابی	37
	مدیریت ارتباط با مشتری	40
	مراقبت از مشتری	47
	داده کاوی و تحلیل رویگردانی مشتریان	49
	داده کاوی و پیش بینی عملکرد بانک	70
	داده کاوی در ارزیابی اعتبار مشتریان بانک	74
	کاربرد داده کاوی در ارزیابی عملکرد بانک	81
فصل سوم		86
	کاربرد داده کاوی در بخش بندی مشتریان	87
	ارزش چرخه عمر مشتری	90
	استفاده از مدلهای خوشه بندی	92
	ارائه سرویس مناسب به مشتریان	98
	رتبه بندی اعتبار متقاضیان دریافت وام	101
	رتبه بندی اعتبار با استفاده از نسبت های مالی	104
	بخش بندی دارندگان کارت های اعتباری	107
	پروژه طراحی بخش بندی رفتاری	109
	آماده سازی داده ها	111
	انتخاب جمعیت بخش بندی	112
	شاخص های کلیدی عملکرد	113
	سه گام اصلی فرایند تحلیل	116
منابع		133

دانلود بررسی کاربرد عامل و سیستمهای چندعامله در داده کاوی

بررسی کاربرد عامل و سیستمهای چندعامله در داده کاوی پروژه جهت اخذ درجه کارشناسی رشته کامپیوتر

دسته بندی	کامپیوتر
فرمت فایل	doc
حجم فایل	574 کیلو بایت
تعداد صفحات فایل	148

امروزه با توجه به گسترش روز افزون اطلاعاتی که بشر با آنها سر و کار دارد، بهره­ گیری از روشهایی همچون داده کاوی برای استخراج دانش و اطلاعات نهفته در داده ­ها، امری غیرقابل اجتناب می­باشد. بدلیل حجم بسیار بالای داده ­ها در بسیاری از کاربردها و اهمیت بیشتر داده ­های جدید، ذخیره­ سازی این داده­ ها امری مقرون به صرفه نیست، لذا داده ­هایی که باید مورد پردازش قرار گیرند، همواره بصوت پویا در حال تغییر و تحول هستند. مساله دیگری که امروزه در بحث داده­ کاوی وجود دارد، بحث توزیع شدگی ذاتی داده­ ها است. معمولا پایگاه هایی که این داده­ ها را ایجاد یا دریافت می­کنند، متعلق به افراد حقیقی یا حقوقی هستند که هر کدام بدنبال اهداف و منافع خود می­باشند و حاضر نیستند دانش خود را بطور رایگان در اختیار دیگران قرار دهند.

با توجه به قابلیتهای عامل و سیستمهای چندعامله و مناسب بودن آنها برای محیط های پویا و توزیع شده بنظر می­رسد که بتوان از قابلیتهای آنها برای داده­ کاوی در محیط های پویا و محیط های توزیع شده بهره برد. اکثر کارهایی که تاکنون در زمینه بهره ­گیری از عامل و سیستمهای چندعامله انجام شده است خصوصیتهایی همانند خودآغازی و بخصوص متحرک بودن عاملها را مورد بررسی قرار داده است و در آنها مواردی همچون هوشمندی، یادگیری، قابلیت استدلال، هدفگرایی و قابلیتهای اجتماعی عاملها مورد بررسی قرار نگرفته است. در این تحقیق ما قصد داریم تا ضمن بررسی کارهای موجود در زمینه کاربرد عامل و سیستمهای چندعامله در داده­ کاوی، بحث طبقه­ بندی جریان داده ­ها را در یک محیط پویا مورد بررسی قرار دهیم. ما مساله خود را در دو فاز مورد بررسی قرار خواهیم داد. در فاز اول خصوصیتهای یک عامل تنها مورد بررسی قرار خواهد گرفت و در فاز دوم قابلیتهای اجتماعی عاملها مانند مذاکره، دستیابی به توافق و ... برای داده ­کاوی در یک محیط پویا و توزیع­ شده رقابتی مورد استفاده قرار خواهد گرفت. بطور کلی دستاوردهای اصلی این تحقیق عبارتند از 1) ارائه یک رویکرد مبتنی بر عامل برای مساله طبقه ­بندی جریان داده­ های دارای تغییر مفهوم و پویا با استفاده از قابلیتهای هدفگرایی، هوشمندی، یادگیری و استدلال 2) ارائه یک رویکرد مبتنی بر سیستمهای چندعامله برای طبقه­بندی جریان داده­های توزیع­شده در یک محیط رقابتی با استفاده از قابلیتهای اجتماعی عاملها و دستیابی به توافق. نتایج حاصل از آزمایشات انجام شده در این پایان ­نامه نشان­ دهنده برتری استفاده از عاملها و سیستمهای چندعامله برای بحث طبقه بندی و داده­ کاوی در محیطهای پویا و توزیع شده می­باشد.

 فهرست مطالب

1. فصل اول - معرفی و آشنایی با مفاهیم اولیه. 1

1-1- مقدمه­ای بر داده ­کاوی.. 2

1-1-1- خوشه­ بندی.. 3

1-1-2- کشف قواعد وابستگی.. 4

1-1-3- طبقه ­بندی.. 4

1-1-3-1- طبقه­ بندی مبتنی بر قواعد. 5

1-2- داده­ کاوی توزیع ­شده. 7

1-3- عاملها و سیستمهای چندعامله. 8

1-3-1- عامل. 8

1-3-1-1- مقایسه عامل با شی.. 9

1-3-1-2- معماری عاملها11

1-3-1-3- معماری BDI. 12

1-3-2- سیستم­های چندعامله. 14

1-3-2-1- مذاکره. 17

1-4- بهره ­گیری از عامل برای داده ­کاوی.. 19

1-4-1- سیستم­های چندعامله، بستری برای داده ­کاوی توزیع شده. 19

1-5- جمع­ بندی.. 22

2. فصل دوم - داده­ کاوی پویا23

2-1- مقدمه ­ای بر داده ­کاوی پویا24

2-2- جریان داده. 25

2-3- طبقه بندی جریان داده. 26

2-3-1- موضوعات پژوهشی.. 27

2-4- جمع­ بندی.. 31

3. فصل سوم - مروری بر کارهای انجام شده. 33

3-1- مقدمه. 34

3-2- داده ­کاوی توزیع­ شده ایستا. 35

3-2-1- روشهای غیرمتمرکز. 36

3-2-2- روشهای مبتنی بر توزیع ذاتی داده ­ها37

3-3- کارهای مهم انجام شده در زمینه داده­ کاوی با استفاده از عامل. 38

3-4- کارهای انجام شده در زمینه طبقه ­بندی جریان داده­ها41

3-4-1- روشهای طبقه­ بندی Ensemble-based. 41

3-4-2- درختهای تصمیم بسیار سریع. 43

3-4-3- طبقه­ بندی On-Demand. 46

3-4-4- OLIN.. 48

3-4-5- الگوریتمهای LWClass. 49

3-4-6- الگوریتم ANNCAD.. 51

3-4-7- الگوریتم SCALLOP. 51

3-4-8- طبقه­ بندی جریان داده ­ها با استفاده از یک روش Rule-based. 53

3-5- جمع ­بندی.. 54

4. فصل چهارم - تعریف مساله. 55

4-1- مقدمه. 56

4-2- تعریف مساله برای فاز اول. 56

4-2-1- جریان داده. 57

4-2-2- مفهوم یا مدل موجود در جریان داده. 57

4-2-3- مساله طبقه­ بندی جریان داده­ های دارای تغییر مفهوم. 57

4-3- تعریف مساله برای فاز دوم. 59

5. فصل پنجم - رویکردهای پیشنهادی.. 62

5-1- مقدمه. 63

5-2- رویکرد پیشنهادی برای فاز اول پروژه. 63

5-2-1- عامل و ویژگیهای آن در این مساله. 64

5-2-2- عملکرد کلی عامل. 65

5-2-3- معماری عامل. 66

5-2-3-1- حسگرها 67

5-2-3-2- پایگاه دانش عامل. 68

5-2-3-3- تابع ارزیابی محیط.. 70

5-2-3-3-1- نحوه تشخیص اطلاعات و نگهداری الگوهای recur در جریان داده. 70

5-2-3-3-2- نحوه استخراج الگوهای recur70

5-2-3-3-3- نحوه بروزرسانی اطلاعات مربوط به الگوهای recur73

5-2-3-3-4- نحوه محاسبه وقوع احتمال وقوع یک الگوی خاص.... 74

5-2-3-4- تابع سودمندی.. 75

5-2-3-5- بخش تصمیم­ گیری Planning. 79

5-2-3-5-1- بخش تصمیم­ گیری.. 79

5-2-3-5-2- Planning. 83

5-2-3-6- بخش Action. 86

5-3- رویکرد پیشنهادی برای فاز دوم مساله. 87

5-3-1- عاملهای مشتری.. 88

5-3-2- عامل صفحه زرد. 90

5-3-3- عاملهای داده­ کاو. 91

5-3-3-1- معماری عاملهای داده­ کاو. 92

5-3-3-1-1- تابع BRF. 94

5-3-3-1-2- تابع Generate Options. 95

5-3-3-1-3- تابع فیلتر. 95

5-3-3-1-4- بخش Actions. 96

5-3-3-1-5- Plan های عامل. 97

5-3-3-1-5- 1- Plan مربوط به طبقه­ بندی.. 97

5-3-3-1-5-2- Plan مربوط به تطبیق طبقه­ بندی98

5-3-3-1-5-3- Plan مربوط به خرید و فروش قواعد با استفاده از مذاکره. 101

5-4- جمع ­بندی.. 111

6. فصل ششم - آزمایشات و نتایج.. 113

6-1- مقدمه. 114

6-2- محیط عملیاتی.. 114

6-3- مجموعه داده ­های مورد استفاده. 116

6-3-1- مجموعه داده­ های استاندارد. 116

6-3-2- مجموعه داده­ های واقعی.. 117

6-4- معیارهای ارزیابی و روشهای مورد استفاده برای مقایسه. 117

6-5- آزمایشات انجام شده. 118

6-5-1- آزمایشات مربوط به فاز اول. 119

6-5-2- آزمایشات مربوط به فاز دوم. 128

6-6- جمع ­بندی.. 130

7. فصل هفتم- جمع­ بندی و نتیجه­ گیری.. 132

فهرست مراجع. 136

 فهرست اشکال

 شکل1-1- معماری BDI در عامل. 15

1. شکل3-1- درخت تحقیق مربوط به طبقه­بندی در مبحث داده­کاوی.. 34
2. شکل3-2-طبقه­بندی مبتنی بر Ensemble. .44
3. شکل3-3- چارچوب روش On-Demand. 47
4. شکل 3-4- نمایی از سیستم OLIN.. 49
5. شکل3-5- پروسه SCALLOP 53
6. شکل5-1- نمودار ترتیب عملکرد عامل پیشنهادی.. 66
7. شکل5-2- معماری عامل پیشنهادی.. 67
8. شکل 5-3- پنجره نظاره بر روی جریان داده­ها68
9. شکل 5-4-گراف ایجاد شده از روی رشته مفهوم­ها71
10. شکل5-5-محل تجمع الگوهای استخراج شده از رشته مفهوم­ها73
11. شکل 5-6- میزان محاسبه شده احتمالها به ازای مقادیر مختلف K.. 81
12. شکل5-7- شبه کد Plan کلی عامل. 83
13. شکل5-8- نسبت واریانس به حاصلضرب 50 متغیر دارای مجموع ثابت.. 85
14. شکل5-9-وزن دهی چند داده مختلف... 86
15. شکل5-10- نمایی کلی از سیستم چندعامله ایجاد شده88
16. شکل 5-11- معماری BDI عامل داده­کاو. 93
17. شکل5-12- بخشی از جریان داده و قواعد استخراج شده از آن. 99
18. شکل5-13- بخشی از جریان داده و قواعد استخراج شده از آن. 101
19. شکل6-1- کد نمونه برای استفاده از بسته نرم افزاری weka. 115
20. شکل 6-2- زمان لازم بر حسب میلی ثانیه برای داده­هایStagger120
21. شکل 6-3- زمان مصرف شده برای تطبیق طبقه­بند. 120
22. شکل 6-4- نمودار مربوط به زمان پردازش روشهای مختلف برای داده­های HyperPlan121
23. شکل 6-5- زمان مصرف شده برای تطبیق طبقه­بند 121
24. شکل 6-6- نمودار مربوط به زمان پردازش روشهای مختلف برای داده­های Nursery122
25. شکل 6-7- زمان مصرف شده برای تطبیق طبقه­بند برای داده­های Nursery122
26. شکل 6-8- عملکرد روشهای مختلف بر روی مجموعه داده HyperPlan124
27. شکل 6-9- نمودار عملکرد روشهای مختلف بر روی مجموعه داده HyperPlan در یک بازه کوچکتر124
28. شکل 6-10- نمودار عملکرد روشهای مختلف بر روی مجموعه داده HyperPlan در یک بازه کوچکتر 125
29. شکل 6-11- زمان مصرف شده برای تطبیق طبقه­بند برای داده­های HyperPlan125
30. شکل 6-12- عملکرد روشهای مختلف بر روی مجموعه دادهStagger126
31. شکل 6-13- زمان مصرف شده برای تطبیق طبقه­بند برای داده­هایStagger126
32. شکل 6-14- عملکرد روشهای مختلف بر روی مجموعه داده Nursery127
33. شکل 6-15- زمان مصرف شده برای تطبیق طبقه­بند برای داده­های Nursery127
34. شکل 6-16- نمودار نتایج حاصل از طبقه­بندی توزیع ­شده مجموعه داده Nursery130
35.  

 فهرست جدولها

 جدول1-1- ویژگیهای یک عامل 11

7. جدول3-1- ماتریس حاصل از روش LWClass. 51
8. جدول3-2- مقایسه تکنیکهای ذکر شده54
9. جدول 5-1- ساختار اطلاعاتی ذخیره شده برای هر مفهوم و الگو. 69
10. جدول5-2- ساختار اطلاعاتی مربوط به وقوع الگوی "CFDA". 75
11. جدول5-3- نمونه ای از خروجی تابع سودمندی عامل. 81
12. جدول5-4-اطلاعات مورد استفاده برای تخمین سودمندی یک قاعده105
13. جدول 6-1- دقت طبقه­بندی روشهای مختلف... 128
14. جدول6-2- نتایج حاصل از طبقه­بندی توزیع شده مجموعه داده Nursery در سه مفهوم مختلف... 130