گروه آموزشی ترجمه فا اقدام به ارائه ترجمه مقاله با موضوع ” پردازش دیتابیس و مقایسه بین روش های دیتا ماینینگ ” در قالب فایل ورد نموده است که شما عزیزان میتوانید پس از دانلود رایگان مقاله انگلیسی و نیز مطالعه نمونه ترجمه و سایر مشخصات، ترجمه را خریداری نمایید.
| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
پردازش پایگاه داده ها و مقایسه بین روش های داده کاوی |
| عنوان انگلیسی مقاله: |
Database Preprocessing and Comparison between Data Mining Methods |
|
|
| مشخصات مقاله انگلیسی (PDF) | |
| سال انتشار مقاله | 2011 |
| تعداد صفحات مقاله انگلیسی | 13 صفحه با فرمت pdf |
| رشته های مرتبط با این مقاله | مهندسی کامپیوتر |
| گرایش های مرتبط با این مقاله | مهندسی نرم افزار و داده کاوی |
| مجله مربوطه |
مجله بین المللی معماریهای جدید کامپیوتر و برنامه های کاربردی آن – International Journal on New Computer Architectures and Their Applications |
| دانشگاه تهیه کننده | کالج تحصیلات تکمیلی دانشگاه خلیج عربی منامه، بحرین |
| کلمات کلیدی این مقاله | داده کاوی، درختان تصمیم، پیش پردازش نزدیک ترین همسایگی، Naïve Bayers |
| رفرنس | دارد |
| نشریه | IJNCAA |
| مشخصات و وضعیت ترجمه فارسی این مقاله (Word) | |
| تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش و فونت 14 B Nazanin | 16 صفحه |
| ترجمه عناوین تصاویر و جداول | ترجمه شده است |
| ترجمه متون داخل تصاویر | ترجمه نشده است |
| ترجمه متون داخل جداول | ترجمه نشده است |
| درج تصاویر در فایل ترجمه | درج شده است |
| درج جداول در فایل ترجمه | درج شده است |
- فهرست مطالب:
چکیده
1-مقدمه
2-مخزن داده ها
3- مدیریت پایگاه داده ها
4- پیش پردازش پایگاه داده ها
4-1 کلید اولیه
4- 2 متراکم سازی داده ها
4-3 دو کلید اولیه
5- فناوری داده کاوی
6- داده کاوی
7-دسته بندی های پایگاه دادها
7-1 دسته کننده های naïve Bayes
7-2 دسته بندی نزدیک ترین همسایگی
7-3 درختان تصمیم برای دسته بندی
8- نتیجه گیری ها
- بخشی از ترجمه:
8- نتیجه گیری ها
روش متراکم سازی که در این مقاله ارایه شده است را می توان به عنوان روش مهمی در پردازش پایگاه داده ها نظیر داده کاوی در زمانی مورد توجه قرار داد که زمان دسترسی به داده ها و بهینه سازی ذخیره حافظه بسیار مهم می باشد ، مثال های پیشنها د شده برای نشان دادن نسبت متراکم سازی به انواع تکرار پایگاه داده ها بستگی دارند که در پایگاه داده ها و اندازه داده ها اتفاق می افتند ، همانگونه که اندازه داده ها نسبت متراکم سازی داده ها را افزایش داده است که زیاد خواهد شد .
نسبت متراکم سازی در کاستن از ذخیره مورد نیاز بسیار مهم می باشد و گام بسیار مهمی در تدارک داده کاوی قبل از پردازش یه حساب می اید . داده به واسطه متراکم سازی فضای حافظه بسیار کمی را تا حد ممکن اشغال می کنند و بهینه سازی پردازشگر را در زمان اجراء مجاز می سازند . در این مقاله ، نسبت متراکم سازی با یک نشانه در مقایسه با داده های مشابه می تواند نسبت متراکم سازی بیشتری داشته باشد که دو نشانه تکرار نشده دارد. از اینرو ما می توانیم نتیجه گیری کنیم که این روش متراکم سازی با پایگاه داده های دارای تکرار در نشانه هایشان مناسب خواهد بود .
- بخشی از مقاله انگلیسی:
8 CONCLUSIONS
The method of compression that introduced in this paper can be considered an important method in database processing such as data mining when the time of data access and memory storage optimization is very important, a proposed examples to show the compression ratio was depends on the types of database repetition that occur in database and the size of data, as the size of data increased the compression ratio of data will be increased. The compression ratio is very important in reducing the storage needed, and it is considered a very important step in data mining preparation before processing. By data compression, data can occupy a little memory as possible, and permit processor optimization to be effective at run time. In this paper the compression ratio with one attribute (primary key) can have more compression ratio compared with the similar data, which have two unrepeated attributes, so we can conclude that this method of compression will be suitable with database have repetition in their attributes.
|
تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد |
|
|
| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
پردازش دیتابیس و مقایسه بین روش های دیتا ماینینگ |
| عنوان انگلیسی مقاله: |
Database Preprocessing and Comparison between Data Mining Methods |
|
|