دانلود ترجمه مقاله مطالعه الگوریتم جستجوی قانون وابستگی توزیع شده

• فهرست مطالب:

چکیده
۱- مقدمه
۲- داده کاوی توزیعی
۲- کاوش دادۀ توزیعی
۳- کاوش قانون وابستگی توزیعی
۱-۳- الگوریتم توزیع شمارشی (CD)
۲-۳- الگوریتم کاوش توزیعی سریع (FDM)
۳-۳- کاوش قانون وابستگی توزیعی بهینه سازی شده
۴-۳- ODAM برای دادۀ XML
۵-۳- الگوریتم AprTidRec
۴- توزیع داده در DARM
۱-۴- توزیع دادۀ افقی
۲-۴- توزیع عمودی داده
۳-۴- توزیع دادۀ هیبریدی
۴-۴- تبادل داخلی چند بعدی
۵- اهمیت عوامل هوشمند در داده کاوی
۶- مزایای MAS
۷- نتیجه گیری

• بخشی از ترجمه:

۷- نتیجه‌گیری
روش‌های کاوش داده به طور چشمگیری برای کارهای پژوهشی و یافتن راه حل‌های انواع مختلف مسائل مورد استفاده قرار گرفته است. بسیاری از الگوریتم‌های DM ایجاد شده و با مجموعه داده‌های دنیای واقعی مورد آزمایش قرار گرفته است. اکثر تولید الگوریتم‌های فعلی به لحاظ محاسباتی پیچیده هستند و عموماً مستلزم نگهداری تمام داده‌ها در حافظه اصلی هستند که به وضوح برای بسیاری از پایگاههای داده غیرواقعی است. علاوه بر این، در برخی مسائل، داده‌ها می‌توانند به صورت ذاتی توزیع شده و بنا به دلایل بسیار از جمله امنیتی، تحمل خطا، محدودیت‌های قانونی و دلایل رقابتی نمی‌توانند به آسانی با پایگاه دادۀ واحد ادغام شوند. در چنین مواردی، امکان بررسی تمام داده‌ها در سایت اصلی پردازش برای محاسبۀ نتایج جهانی واحد وجود ندارد.
بسیاری از الگوریتم‌های DARM مطرح شده در این مقالات برای حل مسائل مربوط به داده‌های توزیعی هستند. براساس چالش‌ها و مسائل مختلف DARM کاوش عوامل، به ارتقاء DM و ایجاد عوامل هوشمند نیاز است. تلاش‌های بیشتری برای گسترش روش‌ها، سیستم‌ها و مطالعات موردی از دیدگاههای بنیادی، فناوری و عملی مورد نیاز است.
بسیاری از الگوریتم‌های DARM از مجموعه داده‌های تولید شده و پیش‌پردازش شده در فرآیند جداگانۀ آفلاین استفاده می‌کنند. معرفی عوامل پیش پردازش داده می‌تواند مسائل مربوط به ناسازگاری با طرح را حل کند.
الگوریتم‌های فعلی DARM در این مقاله بر سازگاری افقی داده‌های پارتیشن‌بندی شده تمرکز نموده‌اند. لازم است تا به کار بر روی مجموعه داده‌های دینامیک و ناهمگن نیز در محیط توزیعی پرداخته شود. در کنارعوامل موجود که در معماری DARM معرفی شده است، عوامل جدید نظیر عوامل پیش‌پردازش داده، عوامل تحمل خطا و عوامل تطبیقی باید ایجاد شوند که بتوانند به صورت کارآمد در محیط توزیعی کار کنند.

• بخشی از مقاله انگلیسی:

۷٫ CONCLUSION

Data Mining techniques are significantly used for the research work to find solutions for different types of problems. Many algorithms for DM are developed and tested with real world datasets. Most of the current generation of algorithms are computationally complex and typically require all data to be resident in main memory, which is clearly unrealistic for many genuine problems and databases. Furthermore, in certain situations, data may be inherently distributed and cannot easily be merged into a single database for a variety of reasons including security, fault tolerance, legal constraints and competitive reasons. In such cases, it may not be possible to examine all of the data at a central processing site to compute a single global result. Many DARM algorithms are proposed in literature to solve the issues related to distributed data. Based on the various challenges and issues in DARM and Agent Mining, there is a need for the enhancement of DM and the creation of Intelligent agents. More efforts are required to develop techniques, systems, and case studies from foundational, technological, and practical perspectives. Many of the DARM algorithms uses the datasets were generated and pre-processed in a separate off-line process. Introducing data pre-processing agents could solve the incompatible schema problem. The existing DARM algorithms described above in the paper focuses on homogeneous horizontally partitioned data. There is a need to work on heterogeneous and dynamic data sets in a distributed environment. Along with the existing agents that are introduced in the current DARM architecture, new agents such as data preprocessing agents, fault tolerant agents and adaptive agents need to be developed that can work together effectively in a distributed environment.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله