پیش بینی ورشکستگی شخصی با مدل درخت تصمیم گیری

Personal bankruptcy prediction using decision tree model

چکیده

هدف

طرح / روش / رویکرد

یافته ها

پیامدهای کاربردی

پیامدهای اجتماعی

اصالت / ارزش

مقدمه

بررسی ادبیات

روش تحقیق

نتایج

نتیجه گیری

چکیده

هدف – ورشکستگی شخصی در مالزی در حال افزایش است. اداره ورشکستگی [اعسار] مالزی گزارش داد که ورشکستگی شخصی از سال 2007 افزایش یافته و کل پرونده های ورشکستگی شخصی انباشته در سال 1392 معادل 131282 می باشد. این حالت در واقع وضعیتی هشدار دهنده است چرا که افزایش موارد ورشکستگی شخصی تاثیر منفی بر اقتصاد مالزی و جامعه دارد. از منظر اقتصاد شخصی، ورشکستگی شانس امنیت شغلی را به حداقل می رساند. جدا از این، حساب افراد ورشکسته مسدود شده، کنترل بر دارایی ها و اموال آن ها از بین رفته و اجازه راه اندازی هیچ کسب و کاری به آن ها داده نشده و حق مشارکت در مدیریت هیچ شرکتی را ندارند. افراد ورشکسته از درخواست وام و مسافرت خارج از کشور محروم بوده و نمی توانند به عنوان ضامن فعالیت نمایند. مقاله حاضر با توسعه مدل پیش بینی ورشکستگی شخصی با استفاده از تکنیک درخت تصمیم گیری در پی بررسی این مساله است.
طرح / روش / رویکرد – در مقاله حاضر، اصطلاح ورشکسته به افرادی اطلاق می گردد که نتوانستند وام های خود را تسویه نمایند. نمونه شامل 24546 مورد همراه با 17 درصد پرونده تسویه شده و ۸۳ درصد پرونده منقضی شده است. داده ها شامل یک متغیر وابسته، یعنی وضعیت ورشکستگی ( 1 = Y (ورشکسته)، 0 = Y (غیرورشکسته) و ۱۲ شاخص پیش بینی کننده می باشد. از نرم افزار ۱۴.۱ SAS Enterprise Miner برای توسعه مدل درخت تصمیم گیری استفاده گردید.
یافته ها – پس از تکمیل کار، مطالعه حاضر حاوی مشخصات افراد ورشکسته، مدل معتبر اعتبارسنجی ورشکستگی شخصی و متغیرهای معنی دار ورشکستگی شخصی بود.
پیامدهای کاربردی – مدل درخت تصمیم گیری مزبور در درآمدزایی و حق اختراع کارکرد دارد. موسسات مالی قادرند از این مدل برای پیش بینی تمایل وام گیرندگان بالقوه نسبت به ورشکستگی شخصی استفاد نمایند. پیامدهای اجتماعی – ایجاد آگاهی در جامعه درباره متغیرهای مهم ورشکستگی شخصی به طوری که بتوانند از ورشکستگی اجتناب نمایند.
اصالت / ارزش – مدل درخت تصمیم گیری مزبور قادر است فرآیند ارزیابی و سنجش وام گیرندگان بالقوه را از سوی موسسات مالی تسهیل نموده و به آن کمک نماید. این مدل به شناسایی وام گیرندگان بالقوه ناتوان از پرداخت بدهی کمک کند. هم چنین مدل مزبور می تواند به موسسات مالی در پیاده سازی استراتژی های درست برای اجتناب از وام گیرندگان ناتوان از پرداخت بدهی کمک نماید.

۵- نتیجه گیری

مقاله حاضر درباره پیشرفت های روی داده در طبقه بندی ورشکستگی شخصی با استفاده از نمونه برداری تصادفی برای تصحیح داده های نامتوازن بحث می نماید. بکارگیری DT در این مطالعه نشان داد که نرخ اختصاصی بودن پس از اعمال استراتژی نمونه برداری تصادفی افزایش یافت. در کاربردهای عملی، روش های طبقه بندی که برای درک چنین DT هایی آسان هستند، برای کاربران جذاب تر می باشند (یاپ و همکاران،۲۰۱۱). در نتیجه، عملکرد پیش بینی یک مدل DT بر اساس مجموعه داده های متوازن در مقایسه با مجموعه داده های نامتوازن، منطقی تر می باشد. در تحقیقات آتی ما قصد داریم مدل LR، ماشین بردار پشتیبانی و مدل ساده بیزی را در نظر بگیریم.

Abstract

Purpose – Personal bankruptcy is on the rise in Malaysia. The Insolvency Department of Malaysia reported that personal bankruptcy has increased since 2007, and the total accumulated personal bankruptcy cases stood at 131,282 in 2014. This is indeed an alarming issue because the increasing number of personal bankruptcy cases will have a negative impact on the Malaysian economy, as well as on the society. From the aspect of individual’s personal economy, bankruptcy minimizes their chances of securing a job. Apart from that, their account will be frozen, lost control on their assets and properties and not allowed to start any business nor be a part of any company’s management. Bankrupts also will be denied from any loan application, restricted from travelling overseas and cannot act as a guarantor. This paper aims to investigate this problem by developing the personal bankruptcy prediction model using the decision tree technique.
Design/methodology/approach – In this paper, bankrupt is defined as terminated members who failed to settle their loans. The sample comprised of 24,546 cases with 17 per cent settled cases and 83 per cent terminated cases. The data included a dependent variable, i.e. bankruptcy status (Y = 1(bankrupt), Y = 0 (non-bankrupt)) and 12 predictors. SAS Enterprise Miner 14.1 software was used to develop the decision tree model.
Findings – Upon completion, this study succeeds to come out with the profiles of bankrupts, reliable personal bankruptcy scoring model and significant variables of personal bankruptcy.
Practical implications – This decision tree model is possible for patent and income generation. Financial institutions are able to use this model for potential borrowers to predict their tendency toward personal bankruptcy. Social implications – Create awareness to society on significant variables of personal bankruptcy so that they can avoid being a bankrupt.
Originality/value – This decision tree model is able to facilitate and assist financial institutions in evaluating and assessing their potential borrower. It helps to identify potential defaulting borrowers. It also can assist financial institutions in implementing the right strategies to avoid defaulting borrowers.

5- Conclusion

This paper discussed the improvements in the classification of personal bankruptcy using random undersampling to correct the imbalanced data. The application of DT in this study showed that the specificity rate had increased after the random undersampling strategy was applied. In practical applications, classification methods which are easy to understand such as DTs are more appealing to users (Yap et al., 2011). In conclusion, the predictive performance of a DT model based on a balanced data set is more reasonable compared to an imbalanced data set. In future research, we intend to consider the LR model, support vector machine and naive Bayes model.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

پیش بینی ورشکستگی شخصی با مدل درخت تصمیم گیری

Personal bankruptcy prediction using decision tree model

تشخیص تشنج سخت افزار دوست با یک مجموعه پیشرفته از درختان تصمیم گیری کم عمق

Hardware-Friendly Seizure Detection with a Boosted Ensemble of Shallow Decision Trees

چکیده

1) مقدمه

2) توصیف داده‌ها و روش

الف) داده‌های EEG داخل جمجمه‌ای

ب) انتخاب ویژگی

پ) درخت تصمیم‌گیری گرادیان افزایشی

3) طراحي و ارزيابي عملكرد طبقه‌بندي‌کننده

4) طبقه‌بندی سخت افزار-دوست

الف) توپولوژی درخت تصمیم سیگنال مختلط

ب) اختصاص دادن کانال بهینه در یادگیری داده‌ها

5) نتیجه گیری

چکیده

یادگیری داخل تراشه‌ای کارآمد، به یکی از عناصر ضروری ابزار پزشکی کاشتنی تبدیل شده است. باوجود مقالات بسیاری که در حوزه‌ی الگوریتم‌های تشخیص خودکار حمله صرعی وجود دارد، درمورد پیاده‌سازی سخت‌افزار-دوست چنین روش‌هایی، به اندازه کافی بحث نشده است. در این مقاله، ما به کارگیری مجموعه‌های درخت تصمیم‌ را پیشنهاد می کنیم تا به مصالحه میان دقت تشخیص و هزینه های پیاده سازی دست یابیم. مدل استخراج ویژگی پیشنهاد شده، نشان می دهد که این طبقه‌بندی‌کننده‌ها با تعداد کمی از درخت‌های سطحی (d <4) ، به سرعت با مدل‌های یادگیری پیچیده‌ترکه قبلا برای پیاده سازی سخت افزاری ارائه شده اند، رقابت می کنند. نتایج به دست آمده بر روی بیش از 3460 ساعت دیتا الکتروانسفالوگرافی داخل جمجمه‌ای، شامل 430 حمله از 27 بیمار مبتلا به صرع، تایید شده است.

ب) اختصاص دادن کانال بهینه در یادگیری داده‌ها

چالش اصلی در تشخیص آنلاین حمله صرعی با استفاده از ابزار کاشتنی، الگوریتم تشخیص و انتخاب و پیاده‌سازی ساختار مداری مربوطه است. با این حال، با استفاده از روش‌های سوئیچینگ و مالتی‌پلکس کردن، می‌توان در تخصیص بلوک‌های فیزیکی به کانال های انتخاب شده، انعطاف‌پذیری داشت. برای مقابله با این مشکل، می‌توان ساختار درخت تصمیم در نظر گرفته شده با عمق و پیچیدگی منطقی را بر روی تراشه اجرا کرد. همانطور که در شکل 6 نشان داده شده، در هر مرحله از مقایسه، تنها مقدار ویژگی کانالی موردنیاز است که در گره فعال و مسیر درخت باشد. بقیه آرایه را می‌توان برای صرفه جویی در توان مصرفی خاموش کرد. همچنین می‌توان کانال ها را در کل آرایه مالتی‌پلکس کرد یا از بین زیر مجموعه‌ای از کانال های منتخب که نقش اصلی در تصمیم‌گیری حین آموزش دارند، انتخاب کرد. جالب توجه است که تنها D × N بلوک استخراج ویژگی مورد نیاز است و D عمق درخت و N تعداد درختان است. مشکل اینجاست که عمق درخت، تاخیر تشخیص را تحت تاثیر قرار می‌دهد.

Abstract

Efficient on-chip learning is becoming an essential element of implantable biomedical devices. Despite a substantial literature on automated seizure detection algorithms, hardware-friendly implementation of such techniques is not sufficiently addressed. In this paper, we propose to employ a gradientboosted ensemble of decision trees to achieve a reasonable trade-off between detection accuracy and implementation cost. Combined with the proposed feature extraction model, we show that these classifiers quickly become competitive with more complex learning models previously proposed for hardware implementation, with only a small number of low-depth (d <; 4) “shallow” trees. The results are verified on more than 3460 hours of intracranial EEG data including 430 seizures from 27 patients with epilepsy.

B- Optimal Channel Allocation upon Learning from Data

A critical challenge of online seizure detection using an implantable device is that the seizure detection algorithm and corresponding circuit architecture has to be chosen and implemented in advance. Using switching techniques and multiplexing, however, provide some degree of flexibility in allocation of physically implemented blocks to selected channels. To partially alleviate this problem, a generic decision tree architecture with a reasonable depth and complexity can be implemented on chip. During each comparison step, only the feature value of the channel appearing in the active node and path of tree is needed, as shown in Fig. 6. The rest of array can be switched off to save power. The channels can be multiplexed either across the entire array, or chosen among a selected subset of channels which are dominant decision makers during training. Interestingly, only D × N feature extraction blocks are required, with D being the depth of tree and N being the number of trees. The drawback is that the depth of tree will affect the detection latency. Alternatively, since the final decision of each tree is made upon completing the decisions in prior levels, one single feature extraction block (analog or digital) can be sequentially used per tree, resulting in significant hardware saving.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

تشخیص تشنج سخت افزار دوست با یک مجموعه پیشرفته از درختان تصمیم گیری کم عمق

Hardware-Friendly Seizure Detection with a Boosted Ensemble of Shallow Decision Trees

مقایسه روش های فراگیری ماشین برای کشف فلج چند گانه مبتنی بر آنتروپی موجک ایستا: درخت تصمیم گیری، نزدیک ترین همسایه و ماشین بردار پشتیبانی

Comparison of machine learning methods for stationary wavelet entropy-based multiple sclerosis detection: decision tree, k-nearest neighbors, and support vector machine

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

شبیه سازی پردازش تصویر دیجیتال در کاربرد های پزشکی

Special Issue: Simulation of Digital Image Processing in Medical Applications

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

مقایسه متد های یادگیری ماشین جهت تشخیص مولتیپل اسکلروز مبتنی بر آنتروپی موجک ثابت : درخت تصمیم گیری، نزدیک ترین همسایه و ماشین بردار پشتیبانی

Comparison of machine learning methods for stationary wavelet entropy-based multiple sclerosis detection: decision tree, k-nearest neighbors, and support vector machine

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

تخمین الگوریتم بسیار سریع درخت تصمیم گیری جهت تشخیص نفوذ شبکه

Evaluating Very Fast Decision Tree (VFDT) Algorithm for Detecting Network Intrusion

Abstract

With recent advances in network based technology needs protecting computers and networks which becomes a huge problem. Based on information coming from various response teams a computer was attacked or broken into more than once per second. In this paper, two grains levels intrusion detection system (IDS) is suggested fine-grained and coarse-grained. In normal case the intrusions are not detected, to improve the performance the most suitable IDS level is the coarse-grained. Any intrusion is detected by coarse-grained IDS after that the fine-grained is used to detect the possible attack details. Very fast decision tree (VFDT) algorithm is used in both of these detection levels. In order to ensure efficiency of the proposed model, it has been tested on KDD CUP 99 dataset and a real traffic dataset. Experimental results demonstrate that the proposed model is highly successful in detecting known and unknown attacks

1 Introduction

An intrusion detection system (IDS) inspects all network activity and identifies suspicious patterns that may indicate a network or system attack from someone attempting to break into or compromise a system. With the rapid growth in network, intrusions in computers have increased rapidly. Intrusion Detection System is an essential component of a complete defence-in-depth architecture for network security. It collects and inspects packets, looking for evidence of intrusive behaviours. Whenever intrusive event is detected, an alarm is raised giving the security analyst an opportunity to react promptly. Most of designed IDSs cannot cope with fast networks. Although several IDS systems are available, the common objectives of these systems are to reduce the amount of false alarms, and to recognize new attacks in order to increase detection ratio. In this paper, the concentration is on detecting attacks in fast networks in order to mitigate the influence of the attack by reducing the time gap between the real attack and its detection. This paper contributes to build two grains levels IDS in order to detect abnormal behaviour of network traffic and cope with fast networks i.e. finegrained and coarse-grained. It is well known that the intrusion occurrence in networks with respect to general traffic is rare. These motivate us to build the proposed two grains levels IDS they are fine-grained and coarse-grained. In normal case, where intrusions are not detected, the most suitable IDS level is the coarse-grained to increase performance. At the moment of intrusion is detected by coarse-grained IDS, the fine-grained IDS is used to detect as most as possible of attack details.. The coarse-grained Intrusion Detection System focuses on five packet features while fine-grained Intrusion Detection System works on 20 features. Very Fast Decision Tree (VFDT) algorithm is selected as a fast classifier. The advantages of this system is processing and analysing of high-speed network traffic, discovering and accurately identifying new attacks to reduce the false alarms to an maximum extent, and detecting the intrusion in real time. DARPA KDD CUP 99 dataset is used as a bench-mark for the proposed IDS, which contains 41 features. we analysed these features and selected 20 features having information gain ratio over the average of the dataset. Then, we trained and tested the proposed system.

استنتاج درختان تصمیم گیری با یک الگوریتم بهینه سازی کولونی مورچه

Inducing decision trees with an ant colony optimization algorithm

Abstract

Decision trees have been widely used in data mining and machine learning as a comprehensible knowledge representation. While ant colony optimization (ACO) algorithms have been successfully applied to extract classification rules, decision tree induction with ACO algorithms remains an almost unexplored research area. In this paper we propose a novel ACO algorithm to induce decision trees, combining commonly used strategies from both traditional decision tree induction algorithms and ACO. The proposed algorithm is compared against three decision tree induction algorithms, namely C4.5, CART and cACDT, in 22 publicly available data sets. The results show that the predictive accuracy of the proposed algorithm is statistically significantly higher than the accuracy of both C4.5 and CART, which are well-known conventional algorithms for decision tree induction, and the accuracy of the ACO-based cACDT decision tree algorithm.

1 Introduction

One of the most studied data mining tasks in the literature is the classification task [15,29]. In essence, the classification task consists of learning a predictive relationship between input values and a desired output. Each example (data instance or record) is described by a set of features (attributes)—referred to as predictor attributes—and a class attribute. Given a set of examples, a classification algorithm aims at creating a model, which represents the relationship between predictor attributes values and class values (labels), and which is able to predict the class label of a new (unseen) example based on the values of its predictor attributes. Classification problems can be viewed as optimisation problems, where the goal is to find the best function (model) that represents the predictive relationships in the data.

ارزیابی اثربخشی روشهای درخت تصمیم برای طبقه بندی پوشش زمین

An assessment of the effectiveness of decision tree methods for land cover classification

Abstract

Choice of a classification algorithm is generally based upon a number of factors, among which are availability of software, ease of use, and performance, measured here by overall classification accuracy. The maximum likelihood (ML) procedure is, for many users, the algorithm of choice because of its ready availability and the fact that it does not require an extended training process. Artificial neural networks (ANNs) are now widely used by researchers, but their operational applications are hindered by the need for the user to specify the configuration of the network architecture and to provide values for a number of parameters, both of which affect performance. The ANN also requires an extended training phase.

In the past few years, the use of decision trees (DTs) to classify remotely sensed data has increased. Proponents of the method claim that it has a number of advantages over the ML and ANN algorithms. The DT is computationally fast, make no statistical assumptions, and can handle data that are represented on different measurement scales. Software to implement DTs is readily available over the Internet. Pruning of DTs can make them smaller and more easily interpretable, while the use of boosting techniques can improve performance.

In this study, separate test and training data sets from two different geographical areas and two different sensors—multispectral Landsat ETM+ and hyperspectral DAIS—are used to evaluate the performance of univariate and multivariate DTs for land cover classification. Factors considered are: the effects of variations in training data set size and of the dimensionality of the feature space, together with the impact of boosting, attribute selection measures, and pruning. The level of classification accuracy achieved by the DT is compared to results from back-propagating ANN and the ML classifiers. Our results indicate that the performance of the univariate DT is acceptably good in comparison with that of other classifiers, except with high-dimensional data. Classification accuracy increases linearly with training data set size to a limit of 300 pixels per class in this case. Multivariate DTs do not appear to perform better than univariate DTs. While boosting produces an increase in classification accuracy of between 3% and 6%, the use of attribute selection methods does not appear to be justified in terms of accuracy increases. However, neither the univariate DT nor the multivariate DT performed as well as the ANN or ML classifiers with high-dimensional data.

1 Introduction

The past three decades have seen continuing developments in the area of pattern recognition. Research into algorithmic aspects of pattern recognition has proceeded alongside the development of instruments that are capable of producing high volumes of data, including images with increasingly finer spatial and spectral resolution. After 30 years of satellite remote sensing of the Earth’s land surface, users of remotely sensed data now have access to sophisticated statistical and neural/connectionist algorithms for both fuzzy and hard classifications of their data (Mather, 1999; Schowengerdt, 1997).

Both the statistical and neural/connectionist approaches have limitations. Statistical methods rely on the assumption that the probabilities of class membership can be modelled by a specific probability density function. In most cases, the Gaussian distribution is chosen, as it is characterised by first- and second-order statistics, that is, the class mean vectors and class covariance matrices. If training set size is fixed, then the precision of the estimates of the elements of the sample class mean vector and sample class covariance matrix declines as the number of features (dimensions) increases, so that one might expect the performance of the classifier to degrade as the number of features increases. The assumption that the data in each class follow a multivariate normal model restricts the analysis to interval or ratio scale data.

Neural/connectionist methods appear to work well with training data sets that are smaller in size than those required for statistical procedures. On the other hand, network training times can be lengthy, while choice of the design of network architecture (in terms of numbers of hidden layers and neurons per layer) and the values of the learning rate parameters is not straightforward (Foody & Arora, 1997; Kavzoglu, 2001; Wilkinson, 1997). Unlike statistical methods, the neural/connectionist approach makes no assumptions concerning the statistical frequency distribution of the data or the measurement scales of the features that are used in the analysis. The most commonly used neural/ connectionist algorithm is the back-propagating multi-layer perceptron (Wilkinson, 1997), which is used in this study.

Decision tree (DT) classifiers have not been as widely used within the remote sensing community as either the statistical or the neural/connectionist methods. The advantages that decision trees offer include an ability to handle data measured on different scales, lack of any assumptions concerning the frequency distributions of the data in each of the classes, flexibility, and ability to handle non-linear relationships between features and classes (Friedl & Brodley, 1997). In contrast to neural networks, decision trees can be trained quickly, and are rapid in execution (Gahegan & West, 1998). They can be used for feature selection/reduction as well as for classification purposes (Borak & Strahler, 1999). Finally, the analyst can interpret a decision tree. It is not a ‘black box’, like the neural network, the hidden workings of which are concealed from view.

Overall classification accuracy is used here to measure the performance of the different methods. The level of classification accuracy that is achieved in a particular case depends on a number of factors, including the nature of the classification problem in terms of the complexity of the decision boundaries that separate the classes in feature space (assuming that the classes are separable), the training sample size, the adequacy of the training data in characterising the properties of the chosen classes, the dimensionality of the data, and the properties of the classifier used (Raudys and Pikelis, 1980). We do not consider all of these problems in this paper. However, the results of our analyses are internally comparable, as the same training and test data sets are used for all three classifiers, for two dissimilar study areas (Section 2). Thus, it is possible to examine both the relative performance of the different classifiers and the consistency of these comparisons between data sets with dissimilar characteristics in terms of the terrain of the study area and the nature of the imaging system used.

The paper is structured as follows. Section 2 describes the two test data sets that are used in this study. Brief details of the three classifiers are provided in Section 3. The effects of training set size, data dimensionality, attribute selection methods, pruning and boosting on the performance of the DT classifier are considered in Section 4. A short comparative analysis of the relative performance of the DT, artificial neural networks (ANNs), and maximum likelihood (ML) classifiers is given in Section 5, which is followed by a summary of conclusions.

تشخیص نفوذ سبک وزن بر اساس درخت تصمیم گیری با استفاده از رویکرد wrapper

Decision tree based light weight intrusion detection using a wrapper approach

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

تشخیص نفوذ سبک وزن بر اساس درخت تصمیم گیری با استفاده از رویکرد wrapper

Decision tree based light weight intrusion detection using a wrapper approach

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

درختان تصمیم گیری برای جریان های داده کاوی مبتنی بر کران McDiarmid

Decision Trees for Mining Data Streams Based on the McDiarmid’s Bound

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

درخت های تصمیم گیری جهت جریان دیتاماینینگ بر اساس حدود McDiarmid

Decision Trees for Mining Data Streams Based on the McDiarmid’s Bound

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

پردازش پایگاه داده ها و مقایسه بین روش های داده کاوی

Database Preprocessing and Comparison between Data Mining Methods

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

مجله بین المللی معماریهای جدید کامپیوتر و برنامه های کاربردی آن – International Journal on New Computer Architectures and Their Applications

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

پردازش دیتابیس و مقایسه بین روش های دیتا ماینینگ

Database Preprocessing and Comparison between Data Mining Methods

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

به کار گیری راهبردهای داده کاوی برای فرایند استفاده مجدد از نرم افزار

Application of Data Mining Techniques for Software Reuse Process

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

استفاده از تکنیک داده کاوی جهت فرایند استفاده دوباره از نرم افزارار

Application of Data Mining Techniques for Software Reuse Process

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.