• فهرست مطالب:

چکیده
1- مقدمه
2- داده کاوی توزیعی
2- کاوش دادۀ توزیعی
3- کاوش قانون وابستگی توزیعی
1-3- الگوریتم توزیع شمارشی (CD)
2-3- الگوریتم کاوش توزیعی سریع (FDM)
3-3- کاوش قانون وابستگی توزیعی بهینه سازی شده
4-3- ODAM برای دادۀ XML
5-3- الگوریتم AprTidRec
4- توزیع داده در DARM
1-4- توزیع دادۀ افقی
2-4- توزیع عمودی داده
3-4- توزیع دادۀ هیبریدی
4-4- تبادل داخلی چند بعدی
5- اهمیت عوامل هوشمند در داده کاوی
6- مزایای MAS
7- نتیجه گیری

• بخشی از ترجمه:

7- 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:

7. 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

نوشته دانلود ترجمه مقاله مطالعه الگوریتم جستجوی قانون وابستگی توزیع شده اولین بار در ترجمه فا پدیدار شد.

• فهرست مطالب:

چکیده
1- مقدمه
2-پژوهش‌های مرتبط
3- پژوهش پیشنهادی
4- ارزیابی تجربی
5- نتیجه‌گیری

• بخشی از ترجمه:

5- نتیجه‌گیری
هدف از این پژوهش، دستیابی به روش‌های کارآمد کاوش قوانین وابستگی در محیط توزیعی بود که از بالاسری ارتباطی کمتری در مقایسه با الگوریتم‌های پیشین برخوردار بود. اکثر الگوریتم‌های D-ARM برآنند تا بالاسری ارتباطی را که مسئلۀ مهمی در سیستم‌های توزیعی محسوب می‌شود، کاهش دهند. رویکرد پیشنهادی در این مقاله از روش مختلفی برای پارتیشن‌بندی مجموعه داده استفاده کرده که بالاسری ارتباطی را به حداقل می‌رساند. نتایج تجربی حاکی از کارآیی رویکرد پیشنهادی در مقایسه با مرجع فرمولاسیون راهبرد بازاریابی است. پژوهش ارائه شده در این پژوهش را می‌توان به قوانین وابستگی چندسطحی و چندبعدی تعمیم داد.

• بخشی از مقاله انگلیسی:

V. CONCLUSION

The aim of this research is to achieve efficient methods for association rules mining in distributed environment which have less communication overhead in comparison with the previous algorithms. Most of D-ARM algorithms aim is to minimize communication overhead which is a major issue in distributed system. The approach proposed in this paper use a different method for partitioning of dataset which minimize communication overhead. Experimental result shows the efficiency of proposed approach as compared with existing approach. The mining results can provide security for customers’ transaction behavior and also provide a reference for the formulation of marketing strategy. The work presented in the research can be extended for multi-level and multi-dimensional association rules.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله

نوشته دانلود ترجمه مقاله جستجوی قانون وابستگی توزیعی مبتنی بر پارتیشن بندی عمودی اولین بار در ترجمه فا پدیدار شد.

• بخشی از ترجمه:

چکیده
تشخیص نفوذ یکی از مشکلات مهم برای حفاظت از امنیت سیستم‌های اطلاعاتی است. تکنیک آن به دو دسته تقسیم می‌شود: تشخیص ناهنجاری و تشخیص سوء استفاده؛ که این دو مورد یکدیگر را تکمیل می‌کنند. این تحقیق روی تکنیک‌های تشخیص ناهنجاری برای تشخیص نفوذ تمرکز دارد. در حال حاضر، روش‌های متعددی بر اساس استخراج قوانین وابستگی کلاسیک برای تشخیص نفوذ ارائه شده است. به دلیل دو مشکلی که در مسئله‌ی استخراج قوانین وابستگی، یعنی اینکه با همه‌ی آیتم ست بطور مساوی رفتار می‌شود و یک ساپورت مینیمم و اطمینان مینیمم به عنوان استاندارد سنجش در نظر گرفته می‌شود، بسیاری از قوانین و قوانین جالب تولید می‌شوند که باعث کاهش کارایی سیستم تشخیص نفوذ می‌شود. بر اساس مدل جدید استخراج قوانین وابستگی که li در سال ٢٠٠٢ پیشنهاد داد و قادر به حل این دو مشکل به طور همزمان بود،‌ سیستم تشخیص نفوذ دیگری ارائه شد. از آنجایی که میزان سود و علاقه‌ی یک آیتم به عنوان معیار در نظر گرفته می‌شود و الگوریتم استخراج بر اساس FP-tree است، تجربیات ما نشان داده است که سیستم پیشنهادی مقاوم‌تر و مؤثرتر از الگوریتم APRIORI است.
مقدمه:
با پیشرفت تکنولوژی شبکه‌های کامپیوتری، تشخیص نفوذ که برای ثبت فعالیت‌های بدذات در سیستم‌های شبکه‌ی کامپیوتری استفاده می‌شود، مهم‌ و مهم‌تر می‌شوند. تکنیک‌های تشخیص نفوذ به دو دسته‌ی کلی تقسیم می‌شوند: تشخیص ناهنجاری و تشخیص امضا که یکدیگر را تکمیل می‌کنند. این مقاله روی تکنیک‌های تشخیص برای تشخیص نفوذ تمرکز دارد. امروزه سیستم‌های تشخیص نفوذ تجاری زیادی برای جمع‌آوری اطلاعات فعالیت سیستم و شبکه موجود است که اطلاعات را تحلیل می‌کنند تا ببینند آیا حمله‌ای صورت گرفته است یا خیر. این پیاده‌سازی‌های تجاری در نظارت و تحلیل محدود هستند و تحقیقات بیشتری برای بهبود کارکردها ارائه شده است.

• بخشی از مقاله انگلیسی:

Abstract

Intrusion detection is a problem of great significance to protecting information systems security. Its techniques fail into two general categories: anomaly detection and misuse detection, which complement each other. This research focuses on anomaly detection techniques for intrusion detection. Presently, several approaches based on classical association rule mining have been proposed for intrusion detection. Because two shortages existed in classical association rule mining problem, namely every itemset is treated equivalently and a uniform minimum support and minimum confidence is used as weighing standard, many rules and uninteresting rules will be generated that causes low effectiveness of intrusion detection. Based on new association rule mining model proposed by Li etc. (2002) that can solve the two shortages at the same time, a new intrusion detection system was proposed. Because the interest of item as a degree is used and the mining algorithm is based on FP-tree, our preliminary experiment results show that the proposed system is more robust and efficient than that based on APRIORI.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله

نوشته دانلود مقاله ترجمه شده الگوی نوین استخراج قوانین وابستگی برای سیستم تشخیص نفوذ – مجله IEEE اولین بار در ترجمه فا پدیدار شد.

• بخشی از ترجمه:

چکیده

افراد تحصیل کرده و شاغل معمولاً علاقه دارند توسعه‌ی روش‌ها و برنامه‌های کامپیوتری را که با کارهای مهندسی و دانش سر و کار دارند دنبال کنند. مدیریت اشتباه عملیات و زمان‌های تولید از دست رفته، مشکلات و مسائل بزرگی هستند که بهره‌وری و کیفیت سیستم‌های صنعتی و هزینه‌ی تولید را تحت تأثیر قرار می‌دهد. استخراج قوانین وابستگی، یک تکنیک داده‌کاوی است که برای پیدا کردن اطلاعات مفید و ارزشمند از پایگاه‌های داده بزرگ استفاده می‌شود. این مقاله، پایه‌ی مفهومی بهتری را برای توسعه‌ی برنامه‌های استخراج قوانین وابستگی ارائه می‌دهد تا دانش را از عملیات و مدیریت اطلاعات به راحتی استخراج کند. تأکید این مقاله روی بهبود فرایندهای عملیاتی است. یک مثال کاربردی، تجربه‌ی صنعتی که استخراج قوانین وابستگی در آن برای تحلیل فرایند تولید استفاده می‌شود را شرح می‌دهد. این مقاله برخی نتایج جدید و جالب در رابطه با تکنیک‌های داده کاوی و کشف دانش که روی فرایند تولید نقش دارد را گزارش می‌دهد. نتایج تجربی روی داده‌هایی که در زندگی واقعی نقش دارند نشان می‌دهد که روش پیشنهادی برای یافتن دانش مرتبط با عملیات نادرست مفید واقع می‌شود.
مقدمه:
کاربردهای مهندسی هوش مصنوعی نظرات محققین و شاغلین حوزه‌ی صنعت را به دلیل توانایی آن در یادگیری و درک اصول و حقایق به منظور کسب دانش و به کارگیری آن در عمل به خود جلب کرده است. پیشرفت‌های مداوم، اشاره به پیشرفت‌های رو به جلو و غیر منتظره در زمینه‌ی عملکرد سازمانی دارد (Linderman, Schroeder, Zaheer, Liedtke, & Choo, ٢٠٠۴). پیشرفت در مسائلی مانند افزایش ارزش مشتری، کاهش خطاها و عیوب، بهره‌وری بهبود یافته، امنیت عملکرد چرخه‌ی زمانی و انگیزش Evans & Lindsay, ٢٠٠١)). این مورد معمولاً در روش حل تدریجی مسئله رخ می‌دهد که شامل مراحل ضمنی سازی مسئله، تحلیل مسئله، تعمیم راه‌حل و یادگیری دروس است (Kamsu-Foguem, Coudert, Geneste, & Beler, ٢٠٠٨). روش حل مسئله، روی توصیف فرایند شناختی در کارهای عقلانی و ملاحظات شناختی که با سرمایه‌گذاری دانش روی ساختارهای خاص و قدرت بخشی به تعمیم سر و کار دارد تمرکز می‌کند (Patel, Arocha, &Kaufman, ٢٠٠١). روش‌های حل مسئله نقش مهمی را در اکتساب دانش و مهندسی بازی می‌کند زیرا سطح دانش انتزاعی برای نیل به اهداف با
اعمال دانش توسط فرایند تدریجی جستجوی مسیر راه‌حل بسیار ارزشمند است. از این روش‌ها می‌توان برای توصیف فرایند استدلال به صورت ساختاری برای هدایت روند کسب دانش و راحت کردن تقسیم دانش و استفاده‌ی مجدد بهره جست (Benjamins & Fensel, ١٩٩٨).

• بخشی از مقاله انگلیسی:

abstract

Academics and practitioners have a common interest in the continuing development of methods and computer applications that support or perform knowledge-intensive engineering tasks. Operations management dysfunctions and lost production time are problems of enormous magnitude that impact the performance and quality of industrial systems as well as their cost of production. Association rule mining is a data mining technique used to find out useful and invaluable information from huge databases. This work develops a better conceptual base for improving the application of association rule mining methods to extract knowledge on operations and information management. The emphasis of the paper is on the improvement of the operations processes. The application example details an industrial experiment in which association rule mining is used to analyze the manufacturing process of a fully integrated provider of drilling products. The study reports some new interesting results with data mining and knowledge discovery techniques applied to a drill production process. Experiment’s results on real-life data sets show that the proposed approach is useful in finding effective knowledge associated to dysfunctions causes. 2012 Elsevier Ltd. All rights reserved.

Introduction

Engineering applications of artificial intelligence have attracted substantial consideration from industrial practitioners and researchers because of its ability to learn and comprehend facts and principles in order to acquire knowledge and apply it in practice. Continuous improvement refers to both incremental and breakthrough improvement in organizational performance (Linderman, Schroeder, Zaheer, Liedtke, & Choo, 2004). Improvement can result in such things as improved customer value, reduction of defects and errors, improved productivity, improved cycle time performance safety, and motivation (Evans & Lindsay, 2001). This often occurs through the adherence to a stepwise problem solving approach consisting of number of steps for problem contextualization, problem analysis, solution generation, and lessons learned (Kamsu-Foguem, Coudert, Geneste, & Beler, 2008). The problem-solving approach focuses on a characterization of cognitive processes in reasoning tasks and cognitive considerations deal with knowledge capitalization on certain structural and processing regularities that give strength to generalizations (Patel, Arocha, & Kaufman, 2001).

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله

نوشته دانلود ترجمه مقاله استخراج قواعد وابستگی جهت ارتقای کیفی روند تولید – مجله الزویر اولین بار در ترجمه فا پدیدار شد.