ݺߣ

ݺߣShare a Scribd company logo

داده کاوی - تحلیل سبد بازار

•
•
Amir Jebelli
Amir Jebelli

ارایه تجزیه تحلیل سبد بازار در درس سیستم‌های پشتیبانی تصمیم گیری دانشگاه ازاد اسلامی - واحد الکترونیکی استاد: دکتر بازایی ارائه کننده: امیر جبلی پاییز ۹۰

1 of 51
Downloaded 148 times
‫ًام زضؼ: ؾيؿتن ّاي پكتيثاى تهوين گيطي‬ ‫اؾتاز گطاهي خٌاب آلاي زكتط تاظايي‬ ‫اهيط خثلي‬ ‫حاهس اقطفي‬ ‫پاييع 09‬
‫همسهِĬ ‫هؼازل اًگليؿي تحليل ؾثس زازُ كاٍي ػثاضت ‪Market Basket‬‬ ‫‪ Analysis‬يا تدعيِ ٍ تحليل ؾثس تاظاضياتي هي تاقس كِ زض ايي اضائِ‬ ‫تِ تطضؾي ايي هَضَع ذَاّين پطزاذت.‬
‫تؼطيف‬ ‫‪ ‬يک هتس قٌاذتِ قسُ كِ تحميمات ظيازي ضٍي آى اًدام قسُ اؾت‬ ‫ٍ تِ هٌظَض يافتي اضتثاط هياى هتغيطّا زض پايگاُ زازُّاي تعضگ تِ‬ ‫كاض هيضٍز.‬ ‫‪ ‬ايي هتس تطاي تحليل ٍ ًوايف لاػسُّاي لَي تِ كاض هيضٍز كِ‬ ‫تطاي ايي هٌظَض اظ هؼياضّاي خصاتيت هكرهي اؾتفازُ هيكٌس.‬
‫تؼطيف‬ ‫‪ ‬يکي اظ كاضتطزّاي هتساٍل آى اؾتفازُ اظ زازُّايي اؾت كِ زض‬ ‫ؾَپطهاضكتّاي تعضگ يا فطٍقگاُ ّا، زض ذهَل ذطيس هكتطياى‬ ‫شذيطُ قسُ اؾت .تطاي هثال اؾترطاج لاػسُاي قثيِ تِ ايي:‬ ‫}ؾؽ ٍ ذياضقَض{ >; }ًاى ٍ كالثاؼ{‬ ‫تسيي هؼٌي كِ اگط قرهي ًاى ٍ كالثاؼ ترطز تِ احتوال ظيازي‬ ‫ؾؽ ٍ ذياضقَض ّن ذَاّس ذطيس.‬
‫كاضتطزĬ ‫‪ ‬يافتي چٌيي اعالػاتي زض تهوينگيطي زض ذهَل فؼاليتّاي‬ ‫تاظاضياتي ّوچَى ليوت گصاضيّاي تثليغاتي ٍ ّوچٌيي چيسهاى‬ ‫هحهَالت زض يک فطٍقگاُ تعضگ تِ هسيطاى كوک هيكٌس‬ ‫.‬ ‫‪ ‬تدعيِ ٍ تحليل ؾثس تاظاض زض حال حاظط تؿياض فطاگيط قسُ اؾت ٍ‬ ‫زض هَضَػاتي هثل ٍب كاٍي زض ؾاذتاض ؾايت ‪(web usage‬‬ ‫)‪ ،mining‬تكريم ًفَش ٍ ّوچٌيي كاضتطز زض ظيؿت قٌاؾي‬ ‫هلکَلي ٍ هغالؼات غىّا تِ كاض هي ضٍز.‬
‫خايگاُ زض زازُ كاٍي‬ :‫زازُ كاٍي‬ clustering classification regression association rule learning summarization anomaly detection
‫تؼطيف ضياضي‬ ‫}‪I={i1, i2, … , in‬‬ ‫هدوَػِي ‪I‬قاهل ‪n‬نفت زٍزٍيي هيتاقس كِ ها اػضاي ايي‬ ‫هدوَػِ ضا آيتن ًام گصاضي هيكٌين.‬ ‫} ‪D={t1, t2, … , tm‬‬ ‫‪ ‬هدوَػِي ‪D‬قاهل ‪ m‬تطاكٌف اؾت كِ ها ايي هدوَػِ ضا پايگاُ‬ ‫زازُ ًاهگصاضي هيكٌين.‬ ‫‪ّ ‬ط تطاكٌف زض هدوَػِ ‪D‬زاضاي قاهل يک ظيطهدوَػِ اظ اػضاي‬ ‫هدوَػِي ‪ ) i‬تؼسازي آيتن (هيتاقس.‬
‫تؼطيف ضياضي لاػسُ‬ ‫‪ ‬لاػسُ تِ نَضت ‪ًx=>y‬كاى زازُ هيقَز .تِ عَضي كِ ‪x,y‬‬ ‫ظيطهدوَػِي ‪ّI‬ؿتٌس ٍ ‪x,y‬اقتطاكي تاّن ًساضًس.‬ ‫‪‬‬ ‫‪; left hand side = LHS‬همسم ; ‪ X‬‬ ‫‪; right hand side = RHS‬پي آيٌس ; ‪ Y‬‬
‫تياى هفاّين تِ تا يک هثال‬ ‫‪ ‬تطاي قفافتط قسى هَضَع يک هثال اظ يک ؾَپط هاضكت ضا‬ ‫تطضؾي هيكٌين.‬ ‫‪ ‬فطو كٌيس هدوَػِي ‪I‬تِ نَضت ظيط تاقس.‬ ‫}ًَقيسًي ,كطُ ,ًاى ,قيط{=‪I‬‬ ‫ٍ پايگاُ زازُ ها تِ نَضت خسٍل ظيط تاقس تِ عَضي كِ زاضاي همازيط‬ ‫زٍزٍيي 0ٍ ۱اؾت كِ 0تِ هؼٌي ػسم ٍخَز يک كاال زض يک ؾثس‬ ‫ذطيس ٍ ۱تِ هؼٌي ٍخَز آى اؾت.‬
‫تياى هفاّين تِ تا يک هثال‬ ‫نوشیدنی‬ ‫کره‬ ‫نان‬ ‫شیر‬ ‫شماره تراکنش‬ ‫0‬ ‫0‬ ‫1‬ ‫1‬ ‫1‬ ‫0‬ ‫1‬ ‫0‬ ‫0‬ ‫2‬ ‫1‬ ‫0‬ ‫0‬ ‫0‬ ‫3‬ ‫0‬ ‫1‬ ‫1‬ ‫1‬ ‫4‬ ‫0‬ ‫0‬ ‫1‬ ‫0‬ ‫5‬ ‫‪ ‬تِ ػٌَاى هثال يک لاػسُ زض ايي پايگاُ زازُ هيتَاًس تِ نَضت ظيط‬ ‫تاقس.‬ ‫}قيط{ >; }كطُ ٍ ًاى{‬ ‫‪ ‬تِ ايي هؼٌي كِ زض نَضتي كِ يک هكتطي كطُ ٍ ًاى ترطز تِ احتوال‬ ‫ظيازي قيط ًيع ذَاّس ذطيس .‬
‫ًکتِĬ ‫‪ ‬تَخِ كٌيس كِ ايي يک هثال كَچک تَز كِ تطاي قفاف قسى‬ ‫هَضَع اظ آى اؾتفازُ كطزين، زض هؿائل ػولياتي تطاي اؾترطاج‬ ‫يک لاػسُ ًياظ تِ چٌس نس تطاكٌف قاهل آى لاػسُ ذَاّين‬ ‫زاقت.‬ ‫‪ ‬تِ ػالٍُ پايگاُ زازُ ًيع تايس قاهل ّعاضاى تطاكٌف تاقس.‬
‫هفاّين كاضتطزي‬ ‫‪ ‬تطاي ايٌکِ تتَاًين يک لاػسُ ضا اظ هياى تؼساز ظيازي لاػسُ‬ ‫هَخَز اؾترطاج كٌين اظ اػوال هحسٍزيتّايي تط ضٍي ؾغح هؼٌي‬ ‫زاضي ٍ ؾغح توايل اؾتفازُ هيكٌين.‬ ‫‪ ‬قٌاذتِ قسُ تطيي ايي هحسٍزيت ّا حسالل آؾتاًِي حوايت ٍ‬ ‫اعويٌاى اؾت ) ‪(support and confidence‬‬
‫‪Support‬يا حوايت‬ ‫‪ supp(x) ‬هطتَط تِ هدوَػِي ‪X‬تِ هؼٌي ًؿثت تطاكٌفّايي زض‬ ‫پايگاُ زازُ اؾت كِ قاهل هدوَػِي ‪x‬تاقس.‬ ‫‪ ‬زض هثالي كِ تطضؾي كطزين هدوَػِي }قيط ٍ ًاى ٍ كطُ {زاضاي‬ ‫حوايت 5/1 يا 2.0 اؾت‬ ‫‪ ‬تِ ػثاضت ؾازُ تط يؼٌي زض 02زضنس تطاكٌف ّا آيتن ّاي‬ ‫هَخَز زض هدوَػِ ‪ٍ X‬خَز زاضز.‬
‫اعويٌاى يا ‪confidence‬‬ ‫‪ ‬هيعاى اعويٌاى يک لاػسُ تِ نَضت ظيط تياى هي قَز.‬ ‫‪ ‬تطاي هثال زض لاػسُ ظيط‬ ‫}كطُ{ >; }قيط ٍ ًاى {‬ ‫‪ ‬هيعاى اعويٌاى 5.0 اؾت ٍ تؼثيط آى ػثاضت اؾت اظ:‬ ‫زض 0۵٪ تطاكٌفّايي كِ قاهل قيط ٍ ًاى ّؿتٌس ايي لاػسُ نسق هي‬ ‫كٌس‬ ‫‪ ‬تِ تؼثيط زيگط هيعاى اعويٌاى تِ نَضت احتوال تياى هيقَز يؼٌي‬ ‫احتوال ضخ زازى ؾوت ضاؾت لاػسُ )‪(RHS‬تِ قطعي كِ ؾوت چپ ضخ‬ ‫زّس.‬
‫‪Lift‬يا ككف يا خصاتيت‬ ‫‪ ‬تِ نَضت ظيط هؼطفي هي قَز‬ ‫‪ ‬تِ هؼٌي ًؿثت پكتيثاًي هكاّسُ قسُ هيتاقس زض نَضتي كِ‬ ‫هدوَػِّاي ‪x , y‬هؿتمل اظ يکسيگط تاقٌس.‬
‫‪Lift‬يا ككف يا خصاتيت‬ ‫‪ ‬زض هثالي كِ هغطح قس ككف لاػسُي‬ ‫}كطُ{ >; }قيط ٍ ًاى{‬ ‫‪ ‬زاضاي ػسز ككف ۵2.۱اؾت.‬ ‫‪ ‬تِ ايي هؼٌي كِ اتفاق افتازى ايي لاػسُ 52.1تطاتط تيف اظ اًتظاض‬ ‫ها ضخ ذَاّس زاز.‬
‫‪Conviction‬يا هحسٍزيت‬ ‫‪ ‬هيعاى هحسٍزيت يک لاػسُ ػثاضت اؾت اظ ًؿثت تؼساز زفؼاتي‬ ‫كِ ‪X‬يا ‪LHS‬تِ تٌْايي ضخ هيزّس تسٍى ايٌکِ ‪Y‬يا ‪RHS‬اتفاق‬ ‫تيافتس ٍ تِ نَضت ظيط هحاؾثِ هيقَز.‬ ‫‪ ‬يا تِ ػثاضت زيگط هكرم كٌٌسُ تؼساز زفؼاتي اؾت كِ لاػسُ‬ ‫پيف تيٌي اقتثاّي ضا اضائِ هيزّس.‬
‫‪Conviction‬يا هحسٍزيت‬ ‫‪ ‬لاًَى‬ ‫}كطُ{ >; }قيط ٍ ًاى{‬ ‫‪ ‬زاضاي هيعاى هحسٍزيت 2.1اؾت يؼٌي ايي لاًَى 2.۱ تطاتط تيف‬ ‫اظ اًتظاض ها پاؾد اقتثاّي تَليس هيكٌس.‬
‫ٍيػگي اذتهاض يک هحسٍزيت) ‪( succinctness‬‬ ‫‪ ‬يک هحسٍزيت زاضاي ايي ٍيػگي اؾت، زض نَضتي كِ ها تتَاًين تِ‬ ‫عَض نطيح توام هدوَػِ آيتن ّايي كِ زض ايي هحسٍزيت نسق‬ ‫هيكٌٌس ضا تٌَيؿين تطاي ضٍقي قسى هَضَع تِ هثال ظيط تَخِ‬ ‫كٌيس:‬ ‫}قاهل ذَضاكي ًثاقس{ ; ‪C‬هحسٍزيت‬ ‫‪ ‬ظيط هدوَػِّايي كِ هيتَاًس زض ايي هحسٍزيت نسق كٌس ػثاضت‬ ‫اؾت اظ :‬ ‫}ّسفَى، كفف، زؾتوال كاغصي{‬
‫يافتي لَاػس‬ ‫‪ ‬تا اؾتفازُ اظ هفاّيوي كِ تَضيح زازُ قس تِ تياى ؾازُ تِ هؼطفي‬ ‫ضٍـ يافتي لَاػس هيپطزاظين.‬ ‫‪ ‬تطاي پيسا كطزى لَاػس ٍاتؿتگي تايس همساض حوايت ٍ اعويٌاى‬ ‫تَؾظ كاضتط هكرم قسُ تاقس ظيطا لَاػس اؾترطاج قسُ اظ‬ ‫پايگاُ زازُ تا ايي زٍ ػسز همايؿِ هيقَز ٍ زض نَضتي كِ ّط زٍ‬ ‫ضا پَقف زّس لاػسُ يافت قسُ لاتل لثَل ذَاّس تَز.‬
‫هطاحل يافتي لَاػس‬ ‫‪ ‬هطحلِ اٍل :اؾتفازُ اظ حسالل حوايت هكرم قسُ تطاي اؾترطاج‬ ‫هدوَػِ آيتنّاي تکطاض قًَسُ اظ پايگاُ زازُ‬ ‫‪ ‬هطحلِ زٍم :اؾترطاج لَاًيي اظ هدوَػِ آيتنّاي تسؾت آهسُ تا كوک‬ ‫هيعاى اعويٌاى هكرم قسُ تَؾظ كاضتط‬ ‫‪ ‬تطاي اًدام هطحلِ اٍل يؼٌي يافتي هدوَػِ آيتنّايي كِ تکطاضقًَس‬ ‫ّؿتٌس تايس زض هياى توام ظيط هدوَػِّايي كِ اظ آيتن ّا ؾاذتِ‬ ‫هيقًَس خؿتدَ كٌين.‬ ‫‪ ‬تطاي ايي هٌظَض الگَضيتن ّاي كاضايي هؼطفي قسُ اًس كِ هؼطٍف تطيي‬ ‫آى الگَضيتن ‪Apriori‬هي تاقس.‬
‫يک ًکتِ‬ ‫‪ ‬تا اخطاي الگَضيتنّا تطاي يافتي لَاػس زض پايگاُ زازُ ّا تِ تؼساز‬ ‫ظيازي لاػسُ هيطؾين كِ ايي لَاػس اعويٌاى ٍ حوايتي كِ كاضتط‬ ‫هكرم كطزُ اؾت ضا پَقف هيزّس.‬ ‫‪ ‬كاضقٌاؾاى ػلن ذطيس هؼتمس ّؿتٌس كِ تؿياضي اظ ذطيسّاي‬ ‫افطاز، تط اؾاؼ ايداز يک پالؽ نَضت هيگيطز.‬ ‫‪ ‬تِ ػٌَاى هثال ظهاًي كِ قوا زض يک فطٍقگاُ ظًديطُاي يک تؿتِ‬ ‫كالثاؼ ضا ذطيساضي هيكٌيس پؽ اظ آى تِ احتوال ظياز ؾؽ، ًاى‬ ‫ؾاًسيَچي، ذياض قَض ًيع ذطزاضي ذَاّيس كطز.‬
‫تَخِ‬ ‫‪ ‬تدعيِ ٍ تحليل ؾثس تاظاضياتي ؾط ًد ايي هَضَع ضا تِ ها هيزّس‬ ‫كِ هكتطياى زض نَضت ذطيس چِ هحهَلي هحهَالت زيگطي ضا‬ ‫ذَاٌّس ذطيس.‬
‫تدعيِ ٍ تحليل ؾثس تاظاض اذتالفي )تفاضلي(‬ ‫‪ ‬يکي اظ تکٌيکّايي كِ كوک ظيازي تطاي تهوين گيطي ٍ يافتي‬ ‫ػلت تفاٍت زض ذطيس افطاز اظ فطٍقگاُّاي هرتلف زاضز تدعيِ ٍ‬ ‫تحليل ؾثس تاظاض اذتالفي (تفاضلي )اؾت.‬ ‫‪‬‬ ‫‪ ‬زض ايي ضٍـ ًتايح ٍ لَاػس تسؾت آهسُ اظ تدعيِ ٍ تحليل ؾثس‬ ‫تاظاضياتي زض فطٍقگاُّاي هرتلف، گطٍُّاي اختواػي هرتلف،‬ ‫ضٍظّاي هرتلف ّفتِ ٍ ّوچٌيي فهَل ؾال ٍ ...تا ّن همايؿِ‬ ‫هيقَز.‬
‫تدعيِ ٍ تحليل ؾثس تاظاض اذتالفي )تفاضلي(‬ ‫‪ ‬زض نَضتي كِ تثيٌين يک لاػسُ زض ّوِ فطٍقگاُّا ٍخَز زاضز ٍ‬ ‫زض يکي اظ ايي فطٍقگاُّا ٍخَز ًساضز هتَخِ هيقَين كِ هَضَع‬ ‫يا هكکل ذاني زض ايي فطٍقگاُ ٍخَز زاضز !‬ ‫‪ ‬هوکي اؾت تفاٍت تِ زليل هتفاٍت تَزى ًَع هكتطياى يا هکاى‬ ‫خغطافيايي ايي فطٍقگاُ تاقس ٍ يا حتي ايٌکِ اذتالف تِ زليل‬ ‫تفاٍتّايي زض چيسهاى هحهَالت تاقس.‬ ‫‪ ‬لغؼا يافتي چٌيي پاؾدّايي تِ ايداز تيٌفّاي خسيس ٍ افعايف‬ ‫فطٍـ كوک ذَاّس كطز.‬
‫هؼياضّاي اًساظُگيطي زيگط زض پيسا كطزى لَاػس‬ ‫‪ ‬ػالٍُ تط هؼياض اعويٌاى هؼياضّاي زيگطي ًيع تطاي يافتي لَاػس‬ ‫ٍخَز زاضز كِ هتساٍل تطيي آًْا ػثاضتٌس اظ:‬ ‫‪ All-confidence‬‬ ‫‪ Collective strength‬‬ ‫‪ Conviction‬‬ ‫‪ Leverage‬‬ ‫‪ Lift‬‬ ‫‪ ‬تطاي آقٌايي تيكتط تا تِ ايي ليٌک هطاخؼِ كٌيس.‬
‫هؼياضّاي اًساظُگيطي زيگط زض پيسا كطزى لَاػس‬ ‫‪ ‬يافتي هؼياض ّاي خسيسي كِ هٌدط تِ ككف لَاػسي تا كيفيت تاالتط‬ ‫قَز، يکي اظ هَضَػات تحميماتي ضٍظ زًيا اؾت كِ تا ػٌَاى‬ ‫‪subjective Interestingness‬هغطح اؾت.‬
‫اَͯضيتنĬ ‫‪‬‬ ‫‪Apriori algorithm‬‬ ‫‪ ‬قٌاذتِ قسُ تطيي الگَضيتن زض ايي ظهيٌِ اؾت كِ اظ خؿتدَي اٍل ؾغح اؾتفازُ‬ ‫هيكٌس.‬ ‫‪‬‬ ‫‪Eclat algorithm‬‬ ‫‪ ‬اؾتفازُ اظ خؿتدَي اٍل ػوك‬ ‫‪‬‬ ‫‪FP-growth algorithm‬‬ ‫‪ ‬اؾتفازُ اظ زضذت پيكًَسي تطاي ًگْساضي پايگاُ زازُ زض يک قکل فكطزُ قسُ‬ ‫‪‬‬ ‫‪GUHA‬‬ ‫‪ ‬اؾتفازُ اظ ػوليات ؾطيغ ضقتِّاي تيتي‬ ‫‪‬‬ ‫‪OPUS search‬‬ ‫‪ً ‬ياظ تِ تؼطيف هحسٍزيتّايي ًظيط حوايت ًساضز ٍ الگَّاي ًتيدِ ترف ضا پيسا‬ ‫هيكٌس.‬ ‫زض يک ًطم افعاض تِ ًام ‪Magnum Opus‬اؾتفازُ قسُ اؾت كِ تطاي ككف اضتثاعات كاضتطز زاضز.‬
‫كاضتطزّاي زيگط‬ ‫قٌاؾايي تملة زض تيوِّاي پعقکي )ظهاًي كِ لَاػس ػوَهي‬ ‫‪‬‬ ‫قکؿتِ هيقَز(‬ ‫تحليل الگَّاي تواؼّاي تلفٌي‬ ‫‪‬‬ ‫تحليل ذطيس ؾطٍيؽّاي اضتثاعي‬ ‫‪‬‬ ‫تكريم ًفَش‬ ‫‪‬‬ ‫كاضتطز زض ظيؿت قٌاؾي هلکَلي ٍ غى قٌاؾي‬ ‫‪‬‬ ‫ٍب كاٍي )‪(web usage mining‬‬ ‫‪‬‬
‫‪web usage mining‬‬ ‫ػثاضت اؾت اظ پايف تطاي تْثَز تِ ؾاذتاض ٍب ٍ فطايٌس اؾترطاج‬ ‫‪‬‬ ‫اعالػات كاضتطزي اظ فايلّاي ‪Log‬ؾطٍض يا ؾاتمِ فؼاليت كاضتطاى زض‬ ‫ؾايت هيتاقس.‬ ‫زض ايي فطايٌس اعالػاتي زض ذهَل ايٌکِ كاضتطاى زض ايٌتطًت تِ زًثال‬ ‫‪‬‬ ‫چِ هيگطزًس ذَاّين يافت.‬ ‫هوکي اؾت تؼضي كاضتطاى تِ زًثال اعالػات هتٌي ٍ تطذي تِ زًثال‬ ‫‪‬‬ ‫تهاٍيط يا فايلّاي ٍيسيَيي تاقٌس.‬ ‫تِ كوک پيسا كطزى لَاػس اظ ؾاتمِ فؼاليت كاضتطاى ايي اهکاى تطاي ها‬ ‫‪‬‬ ‫فطاّن هيقَز كِ تا ظيط ًظط گطفتي الگَي ضفتاضي يک كاضتط خسيس زض‬ ‫ؾايت پيفتيٌي كٌين كِ ايي كاضتط تِ زًثال چِ ًَع اعالػاتي اؾت.‬
‫هثال‬ ‫تِ ػٌَاى هثال زض يک فطٍقگاُ ايٌتطًتي هثل آهاظٍى ؾاتمِ ذطيس كاضتطاى‬ ‫شذيطُ قسُ ٍ اظ ضٍي ايي ؾَاتك الگَّايي اؾترطاج هيكَز.‬ ‫يکي اظ ايي الگَّا هي تَاًس تِ ايي نَضت تاقس كِ كؿاًي كِ يک كتاب‬ ‫ٍب كاٍي ضا ذطيساضي كطزُ اًس كتاب زيگطي تا هَضَع زازُ كاٍي يا‬ ‫آهَظـ هغلة ضا ًيع ذطيسُ اًس.‬ ‫ظهاًي كِ قرهي زض حال ؾفاضـ كتاتي زض حَظُ ٍب كاٍي هي تاقس‬ ‫آهاظٍى كتاب آهَظـ هغلة ضا ًيع تِ اٍ پيكٌْاز هي زّس كِ تِ احتوال‬ ‫تااليي كاضتط ايي كتاب ضا ذَاّس ذطيس.‬
‫تكريم ًفَش ‪Intrusion detection‬‬ ‫‪ ‬زض ؾيؿتنّاي تكريم ًفَش الگَّاي ضفتاضي ًطهال، اظ ؾاتمِ‬ ‫ضفتاضي كاضتطاى زض عَل يک تاظُ ظهاًي هكرم تِ اؾترطاج قسُ‬ ‫اؾت.‬ ‫‪ٍ ‬لتي كاضتط خسيسي قطٍع تِ فؼاليت زض ؾيؿتن هيكٌس الگَّايي‬ ‫ضفتاضي اٍ تا الگَّاي ًطهال همايؿِ هيقَز ٍ زض نَضتي كِ‬ ‫ًاّواٌّگي تكريم زازُ قَز ؾيؿتن ايي هَضَع ضا ثثت‬ ‫هيكٌس.‬
‫ؾيؿتوْاي تكريم الگَي غيطًطهال‬ ‫‪ ‬تِ عَض كلي تا اؾتفازُ اظ يافتي الگَّاي ًطهال زض ّط ظهيٌِاي‬ ‫هيتَاًين الگَّاي غيط ًطهال ضا تكريم زّين.‬ ‫‪ ‬تِ ػٌَاى هثالي زيگط هيتَاى تِ كاضتطز تدعيِ ٍ تحليل ؾثس زازُ‬ ‫كاٍي زض تكريم ؾَ اؾتفازُ زض قطكت ّاي تيوِ اقاضُ كطز.‬
‫كاضتطز زض تيَاًفَضهاتيک‬ ‫‪ ‬تيَاًفَضهاتيک زاًف اؾتفازُ اظ ػلَم كاهپيَتط ٍ آهاض ٍ احتواالت‬ ‫زض قاذِ ظيؿت قٌاؾي هَلکَلي اؾت كِ يافتي الگَّا زض پيسا‬ ‫كطزى تَالي غًَم زض ظيؿت قٌاؾي كوک ظيازي كطزُ اؾت.‬ ‫‪ Association Analysis Techniques for Bioinformatics Problems‬‬ ‫‪ Data Mining in Bioinformatics‬‬ ‫‪ APPLICATION OF DATA MINING IN BIOINFORMATICS‬‬
‫ًطم افعاضّاي زازُ كاٍي تطاي يافتي لَاػس‬  FIMI Repository of Algorithms  Apriori  Eclat  PAFI  FP-growth  ARTool  ARMADA (Association rule mining in Matlab) ‫ يک تع زكتطا‬
‫ًطم افعاضّاي ػوَهي زازُ كاٍي‬  WEKA (Source: Java)  MLC++ (Source: C++)  SIPINA  List from KDNuggets (Various)  List from Data Management Center (Various) ‫ضا تا ّن تطضؾي ذَاّين‬artool ٍweka ‫ اظ هياى ايي ًطم افعاضّا‬ . ‫كطز‬
‫ًطم افعاض ‪ARtool‬‬
‫ًطم افعاض ‪Artool‬‬
‫ًطم افعاض ‪Artool‬‬
‫ًطم افعاض ‪Artool‬‬
‫ًطم افعاض ‪Artool‬‬
‫ًطم افعاض ‪Artool‬‬
‫ًطم افعاض ‪weka‬‬
‫ًطم افعاض ‪weka‬‬
‫ًطم افعاض ‪weka‬‬
‫ًطم افعاض ‪weka‬‬
‫ًطم افعاض ‪weka‬‬
‫ًطم افعاض ‪weka‬‬
‫ًطم افعاض ‪weka‬‬
‫هٌاتغ‬  www.cse.msu.edu/~cse980/software.html  www.albionresearch.com/data_mining/market_basket.php  Fast algorithm for mining association rules article by Rakesh agrawal & Ramakrishnan Srikant  http://michael.hahsler.net/research/association_rules/measures.html  http://en.wikipedia.org/wiki/Association_rule_learning  http://en.wikipedia.org/wiki/Affinity_analysis  http://en.wikipedia.org/wiki/Apriori_algorithm  http://en.wikipedia.org/wiki/Intrusion_detection  http://en.wikipedia.org/wiki/Anomaly-based_intrusion_detection_system  http://en.wikipedia.org/wiki/Web_mining  http://fa.wikipedia.org/wiki/%D8%A8%DB%8C%D9%88%D8%A7%D9%86%D9%81% D9%88%D8%B1%D9%85%D8%A7%D8%AA%DB%8C%DA%A9  http://en.wikipedia.org/wiki/Data_mining
amir.jebelli@gmail.com ‫اهيط خثلي‬ hamed.ashrafi.k@gmail.com ‫حاهس اقطفي‬

More Related Content

داده کاوی - تحلیل سبد بازار

  • 1. ‫ًام زضؼ: ؾيؿتن ّاي پكتيثاى تهوين گيطي‬ ‫اؾتاز گطاهي خٌاب آلاي زكتط تاظايي‬ ‫اهيط خثلي‬ ‫حاهس اقطفي‬ ‫پاييع 09‬
  • 2. ‫همسهِĬ ‫هؼازل اًگليؿي تحليل ؾثس زازُ كاٍي ػثاضت ‪Market Basket‬‬ ‫‪ Analysis‬يا تدعيِ ٍ تحليل ؾثس تاظاضياتي هي تاقس كِ زض ايي اضائِ‬ ‫تِ تطضؾي ايي هَضَع ذَاّين پطزاذت.‬
  • 3. ‫تؼطيف‬ ‫‪ ‬يک هتس قٌاذتِ قسُ كِ تحميمات ظيازي ضٍي آى اًدام قسُ اؾت‬ ‫ٍ تِ هٌظَض يافتي اضتثاط هياى هتغيطّا زض پايگاُ زازُّاي تعضگ تِ‬ ‫كاض هيضٍز.‬ ‫‪ ‬ايي هتس تطاي تحليل ٍ ًوايف لاػسُّاي لَي تِ كاض هيضٍز كِ‬ ‫تطاي ايي هٌظَض اظ هؼياضّاي خصاتيت هكرهي اؾتفازُ هيكٌس.‬
  • 4. ‫تؼطيف‬ ‫‪ ‬يکي اظ كاضتطزّاي هتساٍل آى اؾتفازُ اظ زازُّايي اؾت كِ زض‬ ‫ؾَپطهاضكتّاي تعضگ يا فطٍقگاُ ّا، زض ذهَل ذطيس هكتطياى‬ ‫شذيطُ قسُ اؾت .تطاي هثال اؾترطاج لاػسُاي قثيِ تِ ايي:‬ ‫}ؾؽ ٍ ذياضقَض{ >; }ًاى ٍ كالثاؼ{‬ ‫تسيي هؼٌي كِ اگط قرهي ًاى ٍ كالثاؼ ترطز تِ احتوال ظيازي‬ ‫ؾؽ ٍ ذياضقَض ّن ذَاّس ذطيس.‬
  • 5. ‫كاضتطزĬ ‫‪ ‬يافتي چٌيي اعالػاتي زض تهوينگيطي زض ذهَل فؼاليتّاي‬ ‫تاظاضياتي ّوچَى ليوت گصاضيّاي تثليغاتي ٍ ّوچٌيي چيسهاى‬ ‫هحهَالت زض يک فطٍقگاُ تعضگ تِ هسيطاى كوک هيكٌس‬ ‫.‬ ‫‪ ‬تدعيِ ٍ تحليل ؾثس تاظاض زض حال حاظط تؿياض فطاگيط قسُ اؾت ٍ‬ ‫زض هَضَػاتي هثل ٍب كاٍي زض ؾاذتاض ؾايت ‪(web usage‬‬ ‫)‪ ،mining‬تكريم ًفَش ٍ ّوچٌيي كاضتطز زض ظيؿت قٌاؾي‬ ‫هلکَلي ٍ هغالؼات غىّا تِ كاض هي ضٍز.‬
  • 6. ‫خايگاُ زض زازُ كاٍي‬ :‫زازُ كاٍي‬ clustering classification regression association rule learning summarization anomaly detection
  • 7. ‫تؼطيف ضياضي‬ ‫}‪I={i1, i2, … , in‬‬ ‫هدوَػِي ‪I‬قاهل ‪n‬نفت زٍزٍيي هيتاقس كِ ها اػضاي ايي‬ ‫هدوَػِ ضا آيتن ًام گصاضي هيكٌين.‬ ‫} ‪D={t1, t2, … , tm‬‬ ‫‪ ‬هدوَػِي ‪D‬قاهل ‪ m‬تطاكٌف اؾت كِ ها ايي هدوَػِ ضا پايگاُ‬ ‫زازُ ًاهگصاضي هيكٌين.‬ ‫‪ّ ‬ط تطاكٌف زض هدوَػِ ‪D‬زاضاي قاهل يک ظيطهدوَػِ اظ اػضاي‬ ‫هدوَػِي ‪ ) i‬تؼسازي آيتن (هيتاقس.‬
  • 8. ‫تؼطيف ضياضي لاػسُ‬ ‫‪ ‬لاػسُ تِ نَضت ‪ًx=>y‬كاى زازُ هيقَز .تِ عَضي كِ ‪x,y‬‬ ‫ظيطهدوَػِي ‪ّI‬ؿتٌس ٍ ‪x,y‬اقتطاكي تاّن ًساضًس.‬ ‫‪‬‬ ‫‪; left hand side = LHS‬همسم ; ‪ X‬‬ ‫‪; right hand side = RHS‬پي آيٌس ; ‪ Y‬‬
  • 9. ‫تياى هفاّين تِ تا يک هثال‬ ‫‪ ‬تطاي قفافتط قسى هَضَع يک هثال اظ يک ؾَپط هاضكت ضا‬ ‫تطضؾي هيكٌين.‬ ‫‪ ‬فطو كٌيس هدوَػِي ‪I‬تِ نَضت ظيط تاقس.‬ ‫}ًَقيسًي ,كطُ ,ًاى ,قيط{=‪I‬‬ ‫ٍ پايگاُ زازُ ها تِ نَضت خسٍل ظيط تاقس تِ عَضي كِ زاضاي همازيط‬ ‫زٍزٍيي 0ٍ ۱اؾت كِ 0تِ هؼٌي ػسم ٍخَز يک كاال زض يک ؾثس‬ ‫ذطيس ٍ ۱تِ هؼٌي ٍخَز آى اؾت.‬
  • 10. ‫تياى هفاّين تِ تا يک هثال‬ ‫نوشیدنی‬ ‫کره‬ ‫نان‬ ‫شیر‬ ‫شماره تراکنش‬ ‫0‬ ‫0‬ ‫1‬ ‫1‬ ‫1‬ ‫0‬ ‫1‬ ‫0‬ ‫0‬ ‫2‬ ‫1‬ ‫0‬ ‫0‬ ‫0‬ ‫3‬ ‫0‬ ‫1‬ ‫1‬ ‫1‬ ‫4‬ ‫0‬ ‫0‬ ‫1‬ ‫0‬ ‫5‬ ‫‪ ‬تِ ػٌَاى هثال يک لاػسُ زض ايي پايگاُ زازُ هيتَاًس تِ نَضت ظيط‬ ‫تاقس.‬ ‫}قيط{ >; }كطُ ٍ ًاى{‬ ‫‪ ‬تِ ايي هؼٌي كِ زض نَضتي كِ يک هكتطي كطُ ٍ ًاى ترطز تِ احتوال‬ ‫ظيازي قيط ًيع ذَاّس ذطيس .‬
  • 11. ‫ًکتِĬ ‫‪ ‬تَخِ كٌيس كِ ايي يک هثال كَچک تَز كِ تطاي قفاف قسى‬ ‫هَضَع اظ آى اؾتفازُ كطزين، زض هؿائل ػولياتي تطاي اؾترطاج‬ ‫يک لاػسُ ًياظ تِ چٌس نس تطاكٌف قاهل آى لاػسُ ذَاّين‬ ‫زاقت.‬ ‫‪ ‬تِ ػالٍُ پايگاُ زازُ ًيع تايس قاهل ّعاضاى تطاكٌف تاقس.‬
  • 12. ‫هفاّين كاضتطزي‬ ‫‪ ‬تطاي ايٌکِ تتَاًين يک لاػسُ ضا اظ هياى تؼساز ظيازي لاػسُ‬ ‫هَخَز اؾترطاج كٌين اظ اػوال هحسٍزيتّايي تط ضٍي ؾغح هؼٌي‬ ‫زاضي ٍ ؾغح توايل اؾتفازُ هيكٌين.‬ ‫‪ ‬قٌاذتِ قسُ تطيي ايي هحسٍزيت ّا حسالل آؾتاًِي حوايت ٍ‬ ‫اعويٌاى اؾت ) ‪(support and confidence‬‬
  • 13. ‫‪Support‬يا حوايت‬ ‫‪ supp(x) ‬هطتَط تِ هدوَػِي ‪X‬تِ هؼٌي ًؿثت تطاكٌفّايي زض‬ ‫پايگاُ زازُ اؾت كِ قاهل هدوَػِي ‪x‬تاقس.‬ ‫‪ ‬زض هثالي كِ تطضؾي كطزين هدوَػِي }قيط ٍ ًاى ٍ كطُ {زاضاي‬ ‫حوايت 5/1 يا 2.0 اؾت‬ ‫‪ ‬تِ ػثاضت ؾازُ تط يؼٌي زض 02زضنس تطاكٌف ّا آيتن ّاي‬ ‫هَخَز زض هدوَػِ ‪ٍ X‬خَز زاضز.‬
  • 14. ‫اعويٌاى يا ‪confidence‬‬ ‫‪ ‬هيعاى اعويٌاى يک لاػسُ تِ نَضت ظيط تياى هي قَز.‬ ‫‪ ‬تطاي هثال زض لاػسُ ظيط‬ ‫}كطُ{ >; }قيط ٍ ًاى {‬ ‫‪ ‬هيعاى اعويٌاى 5.0 اؾت ٍ تؼثيط آى ػثاضت اؾت اظ:‬ ‫زض 0۵٪ تطاكٌفّايي كِ قاهل قيط ٍ ًاى ّؿتٌس ايي لاػسُ نسق هي‬ ‫كٌس‬ ‫‪ ‬تِ تؼثيط زيگط هيعاى اعويٌاى تِ نَضت احتوال تياى هيقَز يؼٌي‬ ‫احتوال ضخ زازى ؾوت ضاؾت لاػسُ )‪(RHS‬تِ قطعي كِ ؾوت چپ ضخ‬ ‫زّس.‬
  • 15. ‫‪Lift‬يا ككف يا خصاتيت‬ ‫‪ ‬تِ نَضت ظيط هؼطفي هي قَز‬ ‫‪ ‬تِ هؼٌي ًؿثت پكتيثاًي هكاّسُ قسُ هيتاقس زض نَضتي كِ‬ ‫هدوَػِّاي ‪x , y‬هؿتمل اظ يکسيگط تاقٌس.‬
  • 16. ‫‪Lift‬يا ككف يا خصاتيت‬ ‫‪ ‬زض هثالي كِ هغطح قس ككف لاػسُي‬ ‫}كطُ{ >; }قيط ٍ ًاى{‬ ‫‪ ‬زاضاي ػسز ككف ۵2.۱اؾت.‬ ‫‪ ‬تِ ايي هؼٌي كِ اتفاق افتازى ايي لاػسُ 52.1تطاتط تيف اظ اًتظاض‬ ‫ها ضخ ذَاّس زاز.‬
  • 17. ‫‪Conviction‬يا هحسٍزيت‬ ‫‪ ‬هيعاى هحسٍزيت يک لاػسُ ػثاضت اؾت اظ ًؿثت تؼساز زفؼاتي‬ ‫كِ ‪X‬يا ‪LHS‬تِ تٌْايي ضخ هيزّس تسٍى ايٌکِ ‪Y‬يا ‪RHS‬اتفاق‬ ‫تيافتس ٍ تِ نَضت ظيط هحاؾثِ هيقَز.‬ ‫‪ ‬يا تِ ػثاضت زيگط هكرم كٌٌسُ تؼساز زفؼاتي اؾت كِ لاػسُ‬ ‫پيف تيٌي اقتثاّي ضا اضائِ هيزّس.‬
  • 18. ‫‪Conviction‬يا هحسٍزيت‬ ‫‪ ‬لاًَى‬ ‫}كطُ{ >; }قيط ٍ ًاى{‬ ‫‪ ‬زاضاي هيعاى هحسٍزيت 2.1اؾت يؼٌي ايي لاًَى 2.۱ تطاتط تيف‬ ‫اظ اًتظاض ها پاؾد اقتثاّي تَليس هيكٌس.‬
  • 19. ‫ٍيػگي اذتهاض يک هحسٍزيت) ‪( succinctness‬‬ ‫‪ ‬يک هحسٍزيت زاضاي ايي ٍيػگي اؾت، زض نَضتي كِ ها تتَاًين تِ‬ ‫عَض نطيح توام هدوَػِ آيتن ّايي كِ زض ايي هحسٍزيت نسق‬ ‫هيكٌٌس ضا تٌَيؿين تطاي ضٍقي قسى هَضَع تِ هثال ظيط تَخِ‬ ‫كٌيس:‬ ‫}قاهل ذَضاكي ًثاقس{ ; ‪C‬هحسٍزيت‬ ‫‪ ‬ظيط هدوَػِّايي كِ هيتَاًس زض ايي هحسٍزيت نسق كٌس ػثاضت‬ ‫اؾت اظ :‬ ‫}ّسفَى، كفف، زؾتوال كاغصي{‬
  • 20. ‫يافتي لَاػس‬ ‫‪ ‬تا اؾتفازُ اظ هفاّيوي كِ تَضيح زازُ قس تِ تياى ؾازُ تِ هؼطفي‬ ‫ضٍـ يافتي لَاػس هيپطزاظين.‬ ‫‪ ‬تطاي پيسا كطزى لَاػس ٍاتؿتگي تايس همساض حوايت ٍ اعويٌاى‬ ‫تَؾظ كاضتط هكرم قسُ تاقس ظيطا لَاػس اؾترطاج قسُ اظ‬ ‫پايگاُ زازُ تا ايي زٍ ػسز همايؿِ هيقَز ٍ زض نَضتي كِ ّط زٍ‬ ‫ضا پَقف زّس لاػسُ يافت قسُ لاتل لثَل ذَاّس تَز.‬
  • 21. ‫هطاحل يافتي لَاػس‬ ‫‪ ‬هطحلِ اٍل :اؾتفازُ اظ حسالل حوايت هكرم قسُ تطاي اؾترطاج‬ ‫هدوَػِ آيتنّاي تکطاض قًَسُ اظ پايگاُ زازُ‬ ‫‪ ‬هطحلِ زٍم :اؾترطاج لَاًيي اظ هدوَػِ آيتنّاي تسؾت آهسُ تا كوک‬ ‫هيعاى اعويٌاى هكرم قسُ تَؾظ كاضتط‬ ‫‪ ‬تطاي اًدام هطحلِ اٍل يؼٌي يافتي هدوَػِ آيتنّايي كِ تکطاضقًَس‬ ‫ّؿتٌس تايس زض هياى توام ظيط هدوَػِّايي كِ اظ آيتن ّا ؾاذتِ‬ ‫هيقًَس خؿتدَ كٌين.‬ ‫‪ ‬تطاي ايي هٌظَض الگَضيتن ّاي كاضايي هؼطفي قسُ اًس كِ هؼطٍف تطيي‬ ‫آى الگَضيتن ‪Apriori‬هي تاقس.‬
  • 22. ‫يک ًکتِ‬ ‫‪ ‬تا اخطاي الگَضيتنّا تطاي يافتي لَاػس زض پايگاُ زازُ ّا تِ تؼساز‬ ‫ظيازي لاػسُ هيطؾين كِ ايي لَاػس اعويٌاى ٍ حوايتي كِ كاضتط‬ ‫هكرم كطزُ اؾت ضا پَقف هيزّس.‬ ‫‪ ‬كاضقٌاؾاى ػلن ذطيس هؼتمس ّؿتٌس كِ تؿياضي اظ ذطيسّاي‬ ‫افطاز، تط اؾاؼ ايداز يک پالؽ نَضت هيگيطز.‬ ‫‪ ‬تِ ػٌَاى هثال ظهاًي كِ قوا زض يک فطٍقگاُ ظًديطُاي يک تؿتِ‬ ‫كالثاؼ ضا ذطيساضي هيكٌيس پؽ اظ آى تِ احتوال ظياز ؾؽ، ًاى‬ ‫ؾاًسيَچي، ذياض قَض ًيع ذطزاضي ذَاّيس كطز.‬
  • 23. ‫تَخِ‬ ‫‪ ‬تدعيِ ٍ تحليل ؾثس تاظاضياتي ؾط ًد ايي هَضَع ضا تِ ها هيزّس‬ ‫كِ هكتطياى زض نَضت ذطيس چِ هحهَلي هحهَالت زيگطي ضا‬ ‫ذَاٌّس ذطيس.‬
  • 24. ‫تدعيِ ٍ تحليل ؾثس تاظاض اذتالفي )تفاضلي(‬ ‫‪ ‬يکي اظ تکٌيکّايي كِ كوک ظيازي تطاي تهوين گيطي ٍ يافتي‬ ‫ػلت تفاٍت زض ذطيس افطاز اظ فطٍقگاُّاي هرتلف زاضز تدعيِ ٍ‬ ‫تحليل ؾثس تاظاض اذتالفي (تفاضلي )اؾت.‬ ‫‪‬‬ ‫‪ ‬زض ايي ضٍـ ًتايح ٍ لَاػس تسؾت آهسُ اظ تدعيِ ٍ تحليل ؾثس‬ ‫تاظاضياتي زض فطٍقگاُّاي هرتلف، گطٍُّاي اختواػي هرتلف،‬ ‫ضٍظّاي هرتلف ّفتِ ٍ ّوچٌيي فهَل ؾال ٍ ...تا ّن همايؿِ‬ ‫هيقَز.‬
  • 25. ‫تدعيِ ٍ تحليل ؾثس تاظاض اذتالفي )تفاضلي(‬ ‫‪ ‬زض نَضتي كِ تثيٌين يک لاػسُ زض ّوِ فطٍقگاُّا ٍخَز زاضز ٍ‬ ‫زض يکي اظ ايي فطٍقگاُّا ٍخَز ًساضز هتَخِ هيقَين كِ هَضَع‬ ‫يا هكکل ذاني زض ايي فطٍقگاُ ٍخَز زاضز !‬ ‫‪ ‬هوکي اؾت تفاٍت تِ زليل هتفاٍت تَزى ًَع هكتطياى يا هکاى‬ ‫خغطافيايي ايي فطٍقگاُ تاقس ٍ يا حتي ايٌکِ اذتالف تِ زليل‬ ‫تفاٍتّايي زض چيسهاى هحهَالت تاقس.‬ ‫‪ ‬لغؼا يافتي چٌيي پاؾدّايي تِ ايداز تيٌفّاي خسيس ٍ افعايف‬ ‫فطٍـ كوک ذَاّس كطز.‬
  • 26. ‫هؼياضّاي اًساظُگيطي زيگط زض پيسا كطزى لَاػس‬ ‫‪ ‬ػالٍُ تط هؼياض اعويٌاى هؼياضّاي زيگطي ًيع تطاي يافتي لَاػس‬ ‫ٍخَز زاضز كِ هتساٍل تطيي آًْا ػثاضتٌس اظ:‬ ‫‪ All-confidence‬‬ ‫‪ Collective strength‬‬ ‫‪ Conviction‬‬ ‫‪ Leverage‬‬ ‫‪ Lift‬‬ ‫‪ ‬تطاي آقٌايي تيكتط تا تِ ايي ليٌک هطاخؼِ كٌيس.‬
  • 27. ‫هؼياضّاي اًساظُگيطي زيگط زض پيسا كطزى لَاػس‬ ‫‪ ‬يافتي هؼياض ّاي خسيسي كِ هٌدط تِ ككف لَاػسي تا كيفيت تاالتط‬ ‫قَز، يکي اظ هَضَػات تحميماتي ضٍظ زًيا اؾت كِ تا ػٌَاى‬ ‫‪subjective Interestingness‬هغطح اؾت.‬
  • 28. ‫اَͯضيتنĬ ‫‪‬‬ ‫‪Apriori algorithm‬‬ ‫‪ ‬قٌاذتِ قسُ تطيي الگَضيتن زض ايي ظهيٌِ اؾت كِ اظ خؿتدَي اٍل ؾغح اؾتفازُ‬ ‫هيكٌس.‬ ‫‪‬‬ ‫‪Eclat algorithm‬‬ ‫‪ ‬اؾتفازُ اظ خؿتدَي اٍل ػوك‬ ‫‪‬‬ ‫‪FP-growth algorithm‬‬ ‫‪ ‬اؾتفازُ اظ زضذت پيكًَسي تطاي ًگْساضي پايگاُ زازُ زض يک قکل فكطزُ قسُ‬ ‫‪‬‬ ‫‪GUHA‬‬ ‫‪ ‬اؾتفازُ اظ ػوليات ؾطيغ ضقتِّاي تيتي‬ ‫‪‬‬ ‫‪OPUS search‬‬ ‫‪ً ‬ياظ تِ تؼطيف هحسٍزيتّايي ًظيط حوايت ًساضز ٍ الگَّاي ًتيدِ ترف ضا پيسا‬ ‫هيكٌس.‬ ‫زض يک ًطم افعاض تِ ًام ‪Magnum Opus‬اؾتفازُ قسُ اؾت كِ تطاي ككف اضتثاعات كاضتطز زاضز.‬
  • 29. ‫كاضتطزّاي زيگط‬ ‫قٌاؾايي تملة زض تيوِّاي پعقکي )ظهاًي كِ لَاػس ػوَهي‬ ‫‪‬‬ ‫قکؿتِ هيقَز(‬ ‫تحليل الگَّاي تواؼّاي تلفٌي‬ ‫‪‬‬ ‫تحليل ذطيس ؾطٍيؽّاي اضتثاعي‬ ‫‪‬‬ ‫تكريم ًفَش‬ ‫‪‬‬ ‫كاضتطز زض ظيؿت قٌاؾي هلکَلي ٍ غى قٌاؾي‬ ‫‪‬‬ ‫ٍب كاٍي )‪(web usage mining‬‬ ‫‪‬‬
  • 30. ‫‪web usage mining‬‬ ‫ػثاضت اؾت اظ پايف تطاي تْثَز تِ ؾاذتاض ٍب ٍ فطايٌس اؾترطاج‬ ‫‪‬‬ ‫اعالػات كاضتطزي اظ فايلّاي ‪Log‬ؾطٍض يا ؾاتمِ فؼاليت كاضتطاى زض‬ ‫ؾايت هيتاقس.‬ ‫زض ايي فطايٌس اعالػاتي زض ذهَل ايٌکِ كاضتطاى زض ايٌتطًت تِ زًثال‬ ‫‪‬‬ ‫چِ هيگطزًس ذَاّين يافت.‬ ‫هوکي اؾت تؼضي كاضتطاى تِ زًثال اعالػات هتٌي ٍ تطذي تِ زًثال‬ ‫‪‬‬ ‫تهاٍيط يا فايلّاي ٍيسيَيي تاقٌس.‬ ‫تِ كوک پيسا كطزى لَاػس اظ ؾاتمِ فؼاليت كاضتطاى ايي اهکاى تطاي ها‬ ‫‪‬‬ ‫فطاّن هيقَز كِ تا ظيط ًظط گطفتي الگَي ضفتاضي يک كاضتط خسيس زض‬ ‫ؾايت پيفتيٌي كٌين كِ ايي كاضتط تِ زًثال چِ ًَع اعالػاتي اؾت.‬
  • 31. ‫هثال‬ ‫تِ ػٌَاى هثال زض يک فطٍقگاُ ايٌتطًتي هثل آهاظٍى ؾاتمِ ذطيس كاضتطاى‬ ‫شذيطُ قسُ ٍ اظ ضٍي ايي ؾَاتك الگَّايي اؾترطاج هيكَز.‬ ‫يکي اظ ايي الگَّا هي تَاًس تِ ايي نَضت تاقس كِ كؿاًي كِ يک كتاب‬ ‫ٍب كاٍي ضا ذطيساضي كطزُ اًس كتاب زيگطي تا هَضَع زازُ كاٍي يا‬ ‫آهَظـ هغلة ضا ًيع ذطيسُ اًس.‬ ‫ظهاًي كِ قرهي زض حال ؾفاضـ كتاتي زض حَظُ ٍب كاٍي هي تاقس‬ ‫آهاظٍى كتاب آهَظـ هغلة ضا ًيع تِ اٍ پيكٌْاز هي زّس كِ تِ احتوال‬ ‫تااليي كاضتط ايي كتاب ضا ذَاّس ذطيس.‬
  • 32. ‫تكريم ًفَش ‪Intrusion detection‬‬ ‫‪ ‬زض ؾيؿتنّاي تكريم ًفَش الگَّاي ضفتاضي ًطهال، اظ ؾاتمِ‬ ‫ضفتاضي كاضتطاى زض عَل يک تاظُ ظهاًي هكرم تِ اؾترطاج قسُ‬ ‫اؾت.‬ ‫‪ٍ ‬لتي كاضتط خسيسي قطٍع تِ فؼاليت زض ؾيؿتن هيكٌس الگَّايي‬ ‫ضفتاضي اٍ تا الگَّاي ًطهال همايؿِ هيقَز ٍ زض نَضتي كِ‬ ‫ًاّواٌّگي تكريم زازُ قَز ؾيؿتن ايي هَضَع ضا ثثت‬ ‫هيكٌس.‬
  • 33. ‫ؾيؿتوْاي تكريم الگَي غيطًطهال‬ ‫‪ ‬تِ عَض كلي تا اؾتفازُ اظ يافتي الگَّاي ًطهال زض ّط ظهيٌِاي‬ ‫هيتَاًين الگَّاي غيط ًطهال ضا تكريم زّين.‬ ‫‪ ‬تِ ػٌَاى هثالي زيگط هيتَاى تِ كاضتطز تدعيِ ٍ تحليل ؾثس زازُ‬ ‫كاٍي زض تكريم ؾَ اؾتفازُ زض قطكت ّاي تيوِ اقاضُ كطز.‬
  • 34. ‫كاضتطز زض تيَاًفَضهاتيک‬ ‫‪ ‬تيَاًفَضهاتيک زاًف اؾتفازُ اظ ػلَم كاهپيَتط ٍ آهاض ٍ احتواالت‬ ‫زض قاذِ ظيؿت قٌاؾي هَلکَلي اؾت كِ يافتي الگَّا زض پيسا‬ ‫كطزى تَالي غًَم زض ظيؿت قٌاؾي كوک ظيازي كطزُ اؾت.‬ ‫‪ Association Analysis Techniques for Bioinformatics Problems‬‬ ‫‪ Data Mining in Bioinformatics‬‬ ‫‪ APPLICATION OF DATA MINING IN BIOINFORMATICS‬‬
  • 35. ‫ًطم افعاضّاي زازُ كاٍي تطاي يافتي لَاػس‬  FIMI Repository of Algorithms  Apriori  Eclat  PAFI  FP-growth  ARTool  ARMADA (Association rule mining in Matlab) ‫ يک تع زكتطا‬
  • 36. ‫ًطم افعاضّاي ػوَهي زازُ كاٍي‬  WEKA (Source: Java)  MLC++ (Source: C++)  SIPINA  List from KDNuggets (Various)  List from Data Management Center (Various) ‫ضا تا ّن تطضؾي ذَاّين‬artool ٍweka ‫ اظ هياى ايي ًطم افعاضّا‬ . ‫كطز‬
  • 50. ‫هٌاتغ‬  www.cse.msu.edu/~cse980/software.html  www.albionresearch.com/data_mining/market_basket.php  Fast algorithm for mining association rules article by Rakesh agrawal & Ramakrishnan Srikant  http://michael.hahsler.net/research/association_rules/measures.html  http://en.wikipedia.org/wiki/Association_rule_learning  http://en.wikipedia.org/wiki/Affinity_analysis  http://en.wikipedia.org/wiki/Apriori_algorithm  http://en.wikipedia.org/wiki/Intrusion_detection  http://en.wikipedia.org/wiki/Anomaly-based_intrusion_detection_system  http://en.wikipedia.org/wiki/Web_mining  http://fa.wikipedia.org/wiki/%D8%A8%DB%8C%D9%88%D8%A7%D9%86%D9%81% D9%88%D8%B1%D9%85%D8%A7%D8%AA%DB%8C%DA%A9  http://en.wikipedia.org/wiki/Data_mining