10543

9726

كارشناسي ارشد

هوش مصنوعي

اصفهان: دانشگاه صنعتي اصفهان، دانشكده برق و كامپيوتر

1394

يازده، 75ص.: مصور

عبدالرضا ميرزايي

مهران صفاياني

1394/07/29

مازيار پالهنگ، جواد عسگري

1396/10/05

كتابنامه

برق و كامپيوتر

مهندسي برق و كامپيوتر

ID9726

چكيده داده كاوي به هدف كشف اطلاعات معتبر و قابل فهم از پايگاه دادههاي بزرگ و استفاده از اين اطلاعات براي كمك به تصميمگيري انجام مي شود شيوه هاي نمايش دانش در داده كاوي توصيفي هستند كه باعث ميشود نتايج داده كاوي مستقيم به يك دانش عملي براي تصميمگيري منجر نشود و اغلب براي استخراج دانش عملي نياز به پس پردازش باشد از جمله روشهايي كه به جاي توصيف داده به ارائه يك راهكار عملي مي پردازند ميتوان كاوش كنش را نام برد كنش نوعي از دانش است كه براي كاربر مشخص ميسازد چه عملي انجام دهد تا به سود منجر شود روشهايي كه تاكنون براي كاوش كنش ارائه شده است را ميتوان به دو دسته موردي و استقرايي تقسيم كرد روشهاي استقرايي به دنبال يافتن قوانين عمومي هستند كه ميتوان آنها را به گروهي از اشيا با برخي ويژگي هاي مشترك اعمال كرد اما روش هاي ارائه موردي براي هر شي مشخص يك مجموعه كنش با بيشترين سود را ميدهند روشها استقرايي كه تاكنون ارائه شده است براي اعمال كنش روابط علي و معلولي بين خصيصهها را براي پيشنهاد كنش درنظر نميگيرند اما اگر يك كنش بخواهد روي خصيصه هدف تاثير بگذارد بايد علت اين خصيصه باشد از طرفي روش هاي موردي فقط براي هر شي يك مجموعه كنش پيشنهاد ميدهند كه اغلب در داده كاوي به دنبال پيشنهاد مجموعه كنشهايي هستيم كه بتوان آنها را به گروهي از اشيا نسبت داد كه اين نسبت دادن گروهي قابليت تفسير و درك بهتر را براي شخص خبره ممكن ميسازد در اين پايان نامه يك روش براي كاوش كنش با در نظر گرفتن روابط علي و معلولي با استفاده از دياگرام تاثر پيشنهاد شده است آزمايشها نشان مي دهد كه اين روش به خوبي روش هاي موردي ارائه شده عمل ميكند و همچنين داراي قابليت استخراج قوانين علي و معلولي براي نسبت دادن به گروهي از اشيا ميباشد واژههاي كليدي دادهكاوي كاوش كنش دياگرام تاثير

Using influence diagram for action mining Mostafa Sepahvansd m sepahvand69@gmail com Date of Submission 2015 06 29 Department of Electrical and Computer Engineering Isfahan University of Technology Isfahan 84156 83111 IranDegree M Sc Language FarsiSupervisors Dr Abdolreza Mirzaei mirzaei@cc iut ac ir AbstractData mining is used to discover understandable and valuable knowledge from big databases and utilizingthem to help decision making process but knowledge representation methods are descriptive which causesdata mining results not leading to an action knowledge directly for decision making and mostly post processing is needed to extract action knowledge One method which offers a practical solution for decisionmaking instead of interpreting data is action mining Action knowledge is a type of knowledge whichspecifies what action should be applied by the user to obtain benefit Data mining methods that have beenintroduced so far can be classified into inductive and transductive inductive methods are looking to findrules which can be applied on a group of objects with some common features but transductive methods offera set of most profitable actions for a given object The proposed inductive methods for action mining so far do not consider causal relationship between attributes for suggested action but an action should be the causeof a target attribute to influences it On the other hand transductive methods suggest one set of actions foreach object However most of the fine we are looking for data mining methods which assigns a set of actionsto a group of objects This grouped assignment prepares more interpretability and understandability for anexpert In this thesis a method for action mining which considers causal relationship is proposed by utilizinginfluence diagram Experiments show that this method works as well as transductive methods consideringcausal relationship introduced before and also have the capability of extracting causal rules to assign to agroup of objects Key WordsData Mining Action Mining Influence Diagram

عبدالرضا ميرزايي

مهران صفاياني

مازيار پالهنگ، جواد عسگري