ارسل ملاحظاتك

ارسل ملاحظاتك لنا







Concepts Seeds Gathering and Dataset Updating Algorithm for Handling Concept Drift

العنوان بلغة أخرى: خوارزمية جمع بذور المفاهيم وتحديث مجموعة البيانات لمعالجة تغير المفهوم
المؤلف الرئيسي: El Bouhissi, Ibrahim (Author)
مؤلفين آخرين: Hewahi, Nabil M. (Advisor)
التاريخ الميلادي: 2015
موقع: غزة
الصفحات: 1 - 58
رقم MD: 697253
نوع المحتوى: رسائل جامعية
اللغة: الإنجليزية
الدرجة العلمية: رسالة ماجستير
الجامعة: الجامعة الإسلامية (غزة)
الكلية: كلية تكنولوجيا المعلومات
الدولة: فلسطين
قواعد المعلومات: Dissertations
مواضيع:
رابط المحتوى:
صورة الغلاف QR قانون

عدد مرات التحميل

29

حفظ في:
المستخلص: حياتنا لا تتوقف في تطورها وتغيرها ولابد من جعل أنظمتنا وبرامجنا تتكيف وتتلاءم مع طبيعة هذا التغير والتطور. في الآونة الأخيرة، يعتبر التنقيب عن البيانات أداة مهمة وحيوية في المساعدة على الحصول على معلومات مفيدة من أنماط البيانات المخفية والبيانات المخزنة مسبقا. هذه المعلومات المفيدة تساعد بشكل كبير في عمليات التنبؤ وأخذ القرارات في بيئات العمل المختلفة والمجالات العديدة كالطب والأرصاد الجوية وأمن المعلومات. وتعتبر عملية تعليم النماذج العملية الرئيسية في التنقيب عن البيانات. الطرق التقليدية في تعليم النماذج لا تأخذ بعين الاعتبار إمكانية حصول تغير في مفاهيم البيانات حيث يتم بناء النموذج من مجموعة من الأمثلة الثابتة والتي لا يتوقع أن تتغير مع مرور الزمن. ولكن في التنقيب عن البيانات، فإن التغير في المفاهيم والأمثلة يعتبر أمرا طبيعيا وعليه فلابد أن تتكيف طرق تعليم النماذج مع هذا التغير. في هذا البحث نقدم حل يطلق عليه خوارزمية جمع بذور المفاهيم وتحديث مجموعة البيانات لمعالجة تغير المفهوم، حيث يقوم الحل بمعالجة مشكلة تغير المفهوم بحيث تعمل مع جميع خوارزميات التعليم الخاصة بالتصنيف بدون الحاجة لتعديل الأصل أو الإضافة عليها. يقوم الحل باكتشاف المفاهيم الجديدة وتحديث مجموعة البيانات (التدريبية) وجعلها متكيفة مع التغير الذي يطرأ على المفاهيم. الهدف الرئيسي هو الحفاظ على دقة تصنيف عالية عند حدوث التغير في المفاهيم. تم اختبار الحل المقدم على خمس أنظمة متعددة المجالات تمثل عدة أنواع من التغير في المفاهيم (المفاجئة والمتدرجة والمتراكمة) وأظهرت النتائج تفوق الحل المقترح في جميع التجارب على الطرق التقليدية ولم يكن النظام المقترح في أي تجربة أسوأ من الطرق التقليدية في التصنيف، كما وتم مقارنة الحل المقترح مع طريقة تعليم الالة على التغيرات الغير متوقعة عن طريق إعادة تشكيل مجموعة التدريب والمهتمة بمعالجة التغير في المفاهيم وأظهر الحل المقترح نتائج أفضل من تلك الطريقة.

عناصر مشابهة