siavash/Mehvar
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

First Initialization

Browse Source
This commit is contained in:
aliakbar
2026-06-29 15:32:24 +03:30
commit 29c2add74e
105 changed files with 13177 additions and 0 deletions
Download Patch File Download Diff File Expand all files Collapse all files
projects/2026-04-18_00-58-49/node_L1_4_graph/graph.html
+359
View File
File diff suppressed because one or more lines are too long
projects/2026-04-18_00-58-49/node_L1_4_graph/propositions.csv
+11
View File
@@ -0,0 +1,11 @@
proposition_id,sentence,proposition_text
1,از این رو، قبل از پردازش برروی داده¬ها نیازمند به یک پیش¬پردازش جهت آماده¬سازی داده¬ها خواهیم داشت. کاهش نمونه یا الگوریتم انتخاب نمونه یکی از پرکاربرد ترین روش های پیش پردازش داده در زمینه¬ی داده کاوی است که به عنوان صافی یا فیلتر داده در مرحله¬ی پیش پردازش عمل می¬نماید، و مجموعه¬ی یادگیری را قبل از اجرای فرایند یادگیری ماشین جهت پیشگویی، هرس می¬کند [10]. در اکثر روش¬های کاهش داده، اولویت حذف با نمونه¬های نویزی، تکراری و بی¬اهمیت است، به این صورت که یک مجموعه¬داده با اسم T داریم که روی آن الگوریتم انتخاب نمونه اعمال شده تا مقدار زیادی نمونه¬ها که ترجیحاً نویزی و بی¬اهمیت باشند را از آن کم کند، در نتیجه، یک زیرمجموعه¬ی کوچک¬تر و خالص¬تر با اسم S را به عنوان خروجی فراهم نموده است که مقدار زیادی داده از آن کم شده و نمونه های نویزی و اضافی نیز در آن به حداقل رسیده است,قبل از پردازش داده‌ها نیاز به پیش‌پردازش برای آماده‌سازی آن‌ها است
2,از این رو، قبل از پردازش برروی داده¬ها نیازمند به یک پیش¬پردازش جهت آماده¬سازی داده¬ها خواهیم داشت. کاهش نمونه یا الگوریتم انتخاب نمونه یکی از پرکاربرد ترین روش های پیش پردازش داده در زمینه¬ی داده کاوی است که به عنوان صافی یا فیلتر داده در مرحله¬ی پیش پردازش عمل می¬نماید، و مجموعه¬ی یادگیری را قبل از اجرای فرایند یادگیری ماشین جهت پیشگویی، هرس می¬کند [10]. در اکثر روش¬های کاهش داده، اولویت حذف با نمونه¬های نویزی، تکراری و بی¬اهمیت است، به این صورت که یک مجموعه¬داده با اسم T داریم که روی آن الگوریتم انتخاب نمونه اعمال شده تا مقدار زیادی نمونه¬ها که ترجیحاً نویزی و بی¬اهمیت باشند را از آن کم کند، در نتیجه، یک زیرمجموعه¬ی کوچک¬تر و خالص¬تر با اسم S را به عنوان خروجی فراهم نموده است که مقدار زیادی داده از آن کم شده و نمونه های نویزی و اضافی نیز در آن به حداقل رسیده است,کاهش نمونه یا الگوریتم انتخاب نمونه یکی از پرکاربردترین روش‌های پیش‌پردازش داده در زمینه داده‌کاوی است
3,از این رو، قبل از پردازش برروی داده¬ها نیازمند به یک پیش¬پردازش جهت آماده¬سازی داده¬ها خواهیم داشت. کاهش نمونه یا الگوریتم انتخاب نمونه یکی از پرکاربرد ترین روش های پیش پردازش داده در زمینه¬ی داده کاوی است که به عنوان صافی یا فیلتر داده در مرحله¬ی پیش پردازش عمل می¬نماید، و مجموعه¬ی یادگیری را قبل از اجرای فرایند یادگیری ماشین جهت پیشگویی، هرس می¬کند [10]. در اکثر روش¬های کاهش داده، اولویت حذف با نمونه¬های نویزی، تکراری و بی¬اهمیت است، به این صورت که یک مجموعه¬داده با اسم T داریم که روی آن الگوریتم انتخاب نمونه اعمال شده تا مقدار زیادی نمونه¬ها که ترجیحاً نویزی و بی¬اهمیت باشند را از آن کم کند، در نتیجه، یک زیرمجموعه¬ی کوچک¬تر و خالص¬تر با اسم S را به عنوان خروجی فراهم نموده است که مقدار زیادی داده از آن کم شده و نمونه های نویزی و اضافی نیز در آن به حداقل رسیده است,این روش به عنوان صافی یا فیلتر داده در مرحله پیش‌پردازش عمل می‌کند
4,از این رو، قبل از پردازش برروی داده¬ها نیازمند به یک پیش¬پردازش جهت آماده¬سازی داده¬ها خواهیم داشت. کاهش نمونه یا الگوریتم انتخاب نمونه یکی از پرکاربرد ترین روش های پیش پردازش داده در زمینه¬ی داده کاوی است که به عنوان صافی یا فیلتر داده در مرحله¬ی پیش پردازش عمل می¬نماید، و مجموعه¬ی یادگیری را قبل از اجرای فرایند یادگیری ماشین جهت پیشگویی، هرس می¬کند [10]. در اکثر روش¬های کاهش داده، اولویت حذف با نمونه¬های نویزی، تکراری و بی¬اهمیت است، به این صورت که یک مجموعه¬داده با اسم T داریم که روی آن الگوریتم انتخاب نمونه اعمال شده تا مقدار زیادی نمونه¬ها که ترجیحاً نویزی و بی¬اهمیت باشند را از آن کم کند، در نتیجه، یک زیرمجموعه¬ی کوچک¬تر و خالص¬تر با اسم S را به عنوان خروجی فراهم نموده است که مقدار زیادی داده از آن کم شده و نمونه های نویزی و اضافی نیز در آن به حداقل رسیده است,این روش مجموعه یادگیری را قبل از اجرای فرایند یادگیری ماشین جهت پیشگویی هرس می‌کند
5,از این رو، قبل از پردازش برروی داده¬ها نیازمند به یک پیش¬پردازش جهت آماده¬سازی داده¬ها خواهیم داشت. کاهش نمونه یا الگوریتم انتخاب نمونه یکی از پرکاربرد ترین روش های پیش پردازش داده در زمینه¬ی داده کاوی است که به عنوان صافی یا فیلتر داده در مرحله¬ی پیش پردازش عمل می¬نماید، و مجموعه¬ی یادگیری را قبل از اجرای فرایند یادگیری ماشین جهت پیشگویی، هرس می¬کند [10]. در اکثر روش¬های کاهش داده، اولویت حذف با نمونه¬های نویزی، تکراری و بی¬اهمیت است، به این صورت که یک مجموعه¬داده با اسم T داریم که روی آن الگوریتم انتخاب نمونه اعمال شده تا مقدار زیادی نمونه¬ها که ترجیحاً نویزی و بی¬اهمیت باشند را از آن کم کند، در نتیجه، یک زیرمجموعه¬ی کوچک¬تر و خالص¬تر با اسم S را به عنوان خروجی فراهم نموده است که مقدار زیادی داده از آن کم شده و نمونه های نویزی و اضافی نیز در آن به حداقل رسیده است,در اکثر روش‌های کاهش داده، اولویت حذف با نمونه‌های نویزی، تکراری و بی‌اهمیت است
6,از این رو، قبل از پردازش برروی داده¬ها نیازمند به یک پیش¬پردازش جهت آماده¬سازی داده¬ها خواهیم داشت. کاهش نمونه یا الگوریتم انتخاب نمونه یکی از پرکاربرد ترین روش های پیش پردازش داده در زمینه¬ی داده کاوی است که به عنوان صافی یا فیلتر داده در مرحله¬ی پیش پردازش عمل می¬نماید، و مجموعه¬ی یادگیری را قبل از اجرای فرایند یادگیری ماشین جهت پیشگویی، هرس می¬کند [10]. در اکثر روش¬های کاهش داده، اولویت حذف با نمونه¬های نویزی، تکراری و بی¬اهمیت است، به این صورت که یک مجموعه¬داده با اسم T داریم که روی آن الگوریتم انتخاب نمونه اعمال شده تا مقدار زیادی نمونه¬ها که ترجیحاً نویزی و بی¬اهمیت باشند را از آن کم کند، در نتیجه، یک زیرمجموعه¬ی کوچک¬تر و خالص¬تر با اسم S را به عنوان خروجی فراهم نموده است که مقدار زیادی داده از آن کم شده و نمونه های نویزی و اضافی نیز در آن به حداقل رسیده است,یک مجموعه‌داده با نام T داریم که روی آن الگوریتم انتخاب نمونه اعمال شده است
7,از این رو، قبل از پردازش برروی داده¬ها نیازمند به یک پیش¬پردازش جهت آماده¬سازی داده¬ها خواهیم داشت. کاهش نمونه یا الگوریتم انتخاب نمونه یکی از پرکاربرد ترین روش های پیش پردازش داده در زمینه¬ی داده کاوی است که به عنوان صافی یا فیلتر داده در مرحله¬ی پیش پردازش عمل می¬نماید، و مجموعه¬ی یادگیری را قبل از اجرای فرایند یادگیری ماشین جهت پیشگویی، هرس می¬کند [10]. در اکثر روش¬های کاهش داده، اولویت حذف با نمونه¬های نویزی، تکراری و بی¬اهمیت است، به این صورت که یک مجموعه¬داده با اسم T داریم که روی آن الگوریتم انتخاب نمونه اعمال شده تا مقدار زیادی نمونه¬ها که ترجیحاً نویزی و بی¬اهمیت باشند را از آن کم کند، در نتیجه، یک زیرمجموعه¬ی کوچک¬تر و خالص¬تر با اسم S را به عنوان خروجی فراهم نموده است که مقدار زیادی داده از آن کم شده و نمونه های نویزی و اضافی نیز در آن به حداقل رسیده است,الگوریتم انتخاب نمونه مقدار زیادی نمونه ترجیحاً نویزی و بی‌اهمیت را از مجموعه T کم می‌کند
8,از این رو، قبل از پردازش برروی داده¬ها نیازمند به یک پیش¬پردازش جهت آماده¬سازی داده¬ها خواهیم داشت. کاهش نمونه یا الگوریتم انتخاب نمونه یکی از پرکاربرد ترین روش های پیش پردازش داده در زمینه¬ی داده کاوی است که به عنوان صافی یا فیلتر داده در مرحله¬ی پیش پردازش عمل می¬نماید، و مجموعه¬ی یادگیری را قبل از اجرای فرایند یادگیری ماشین جهت پیشگویی، هرس می¬کند [10]. در اکثر روش¬های کاهش داده، اولویت حذف با نمونه¬های نویزی، تکراری و بی¬اهمیت است، به این صورت که یک مجموعه¬داده با اسم T داریم که روی آن الگوریتم انتخاب نمونه اعمال شده تا مقدار زیادی نمونه¬ها که ترجیحاً نویزی و بی¬اهمیت باشند را از آن کم کند، در نتیجه، یک زیرمجموعه¬ی کوچک¬تر و خالص¬تر با اسم S را به عنوان خروجی فراهم نموده است که مقدار زیادی داده از آن کم شده و نمونه های نویزی و اضافی نیز در آن به حداقل رسیده است,یک زیرمجموعه کوچک‌تر و خالص‌تر با نام S به عنوان خروجی فراهم می‌شود
9,از این رو، قبل از پردازش برروی داده¬ها نیازمند به یک پیش¬پردازش جهت آماده¬سازی داده¬ها خواهیم داشت. کاهش نمونه یا الگوریتم انتخاب نمونه یکی از پرکاربرد ترین روش های پیش پردازش داده در زمینه¬ی داده کاوی است که به عنوان صافی یا فیلتر داده در مرحله¬ی پیش پردازش عمل می¬نماید، و مجموعه¬ی یادگیری را قبل از اجرای فرایند یادگیری ماشین جهت پیشگویی، هرس می¬کند [10]. در اکثر روش¬های کاهش داده، اولویت حذف با نمونه¬های نویزی، تکراری و بی¬اهمیت است، به این صورت که یک مجموعه¬داده با اسم T داریم که روی آن الگوریتم انتخاب نمونه اعمال شده تا مقدار زیادی نمونه¬ها که ترجیحاً نویزی و بی¬اهمیت باشند را از آن کم کند، در نتیجه، یک زیرمجموعه¬ی کوچک¬تر و خالص¬تر با اسم S را به عنوان خروجی فراهم نموده است که مقدار زیادی داده از آن کم شده و نمونه های نویزی و اضافی نیز در آن به حداقل رسیده است,در خروجی S مقدار زیادی داده از مجموعه اولیه کم شده است
10,از این رو، قبل از پردازش برروی داده¬ها نیازمند به یک پیش¬پردازش جهت آماده¬سازی داده¬ها خواهیم داشت. کاهش نمونه یا الگوریتم انتخاب نمونه یکی از پرکاربرد ترین روش های پیش پردازش داده در زمینه¬ی داده کاوی است که به عنوان صافی یا فیلتر داده در مرحله¬ی پیش پردازش عمل می¬نماید، و مجموعه¬ی یادگیری را قبل از اجرای فرایند یادگیری ماشین جهت پیشگویی، هرس می¬کند [10]. در اکثر روش¬های کاهش داده، اولویت حذف با نمونه¬های نویزی، تکراری و بی¬اهمیت است، به این صورت که یک مجموعه¬داده با اسم T داریم که روی آن الگوریتم انتخاب نمونه اعمال شده تا مقدار زیادی نمونه¬ها که ترجیحاً نویزی و بی¬اهمیت باشند را از آن کم کند، در نتیجه، یک زیرمجموعه¬ی کوچک¬تر و خالص¬تر با اسم S را به عنوان خروجی فراهم نموده است که مقدار زیادی داده از آن کم شده و نمونه های نویزی و اضافی نیز در آن به حداقل رسیده است,در خروجی S نمونه‌های نویزی و اضافی به حداقل رسیده است
1 proposition_id sentence proposition_text
2 1 از این رو، قبل از پردازش برروی داده¬ها نیازمند به یک پیش¬پردازش جهت آماده¬سازی داده¬ها خواهیم داشت. کاهش نمونه یا الگوریتم انتخاب نمونه یکی از پرکاربرد ترین روش های پیش پردازش داده در زمینه¬ی داده کاوی است که به عنوان صافی یا فیلتر داده در مرحله¬ی پیش پردازش عمل می¬نماید، و مجموعه¬ی یادگیری را قبل از اجرای فرایند یادگیری ماشین جهت پیشگویی، هرس می¬کند [10]. در اکثر روش¬های کاهش داده، اولویت حذف با نمونه¬های نویزی، تکراری و بی¬اهمیت است، به این صورت که یک مجموعه¬داده با اسم T داریم که روی آن الگوریتم انتخاب نمونه اعمال شده تا مقدار زیادی نمونه¬ها که ترجیحاً نویزی و بی¬اهمیت باشند را از آن کم کند، در نتیجه، یک زیرمجموعه¬ی کوچک¬تر و خالص¬تر با اسم S را به عنوان خروجی فراهم نموده است که مقدار زیادی داده از آن کم شده و نمونه های نویزی و اضافی نیز در آن به حداقل رسیده است قبل از پردازش داده‌ها نیاز به پیش‌پردازش برای آماده‌سازی آن‌ها است
3 2 از این رو، قبل از پردازش برروی داده¬ها نیازمند به یک پیش¬پردازش جهت آماده¬سازی داده¬ها خواهیم داشت. کاهش نمونه یا الگوریتم انتخاب نمونه یکی از پرکاربرد ترین روش های پیش پردازش داده در زمینه¬ی داده کاوی است که به عنوان صافی یا فیلتر داده در مرحله¬ی پیش پردازش عمل می¬نماید، و مجموعه¬ی یادگیری را قبل از اجرای فرایند یادگیری ماشین جهت پیشگویی، هرس می¬کند [10]. در اکثر روش¬های کاهش داده، اولویت حذف با نمونه¬های نویزی، تکراری و بی¬اهمیت است، به این صورت که یک مجموعه¬داده با اسم T داریم که روی آن الگوریتم انتخاب نمونه اعمال شده تا مقدار زیادی نمونه¬ها که ترجیحاً نویزی و بی¬اهمیت باشند را از آن کم کند، در نتیجه، یک زیرمجموعه¬ی کوچک¬تر و خالص¬تر با اسم S را به عنوان خروجی فراهم نموده است که مقدار زیادی داده از آن کم شده و نمونه های نویزی و اضافی نیز در آن به حداقل رسیده است کاهش نمونه یا الگوریتم انتخاب نمونه یکی از پرکاربردترین روش‌های پیش‌پردازش داده در زمینه داده‌کاوی است
4 3 از این رو، قبل از پردازش برروی داده¬ها نیازمند به یک پیش¬پردازش جهت آماده¬سازی داده¬ها خواهیم داشت. کاهش نمونه یا الگوریتم انتخاب نمونه یکی از پرکاربرد ترین روش های پیش پردازش داده در زمینه¬ی داده کاوی است که به عنوان صافی یا فیلتر داده در مرحله¬ی پیش پردازش عمل می¬نماید، و مجموعه¬ی یادگیری را قبل از اجرای فرایند یادگیری ماشین جهت پیشگویی، هرس می¬کند [10]. در اکثر روش¬های کاهش داده، اولویت حذف با نمونه¬های نویزی، تکراری و بی¬اهمیت است، به این صورت که یک مجموعه¬داده با اسم T داریم که روی آن الگوریتم انتخاب نمونه اعمال شده تا مقدار زیادی نمونه¬ها که ترجیحاً نویزی و بی¬اهمیت باشند را از آن کم کند، در نتیجه، یک زیرمجموعه¬ی کوچک¬تر و خالص¬تر با اسم S را به عنوان خروجی فراهم نموده است که مقدار زیادی داده از آن کم شده و نمونه های نویزی و اضافی نیز در آن به حداقل رسیده است این روش به عنوان صافی یا فیلتر داده در مرحله پیش‌پردازش عمل می‌کند
5 4 از این رو، قبل از پردازش برروی داده¬ها نیازمند به یک پیش¬پردازش جهت آماده¬سازی داده¬ها خواهیم داشت. کاهش نمونه یا الگوریتم انتخاب نمونه یکی از پرکاربرد ترین روش های پیش پردازش داده در زمینه¬ی داده کاوی است که به عنوان صافی یا فیلتر داده در مرحله¬ی پیش پردازش عمل می¬نماید، و مجموعه¬ی یادگیری را قبل از اجرای فرایند یادگیری ماشین جهت پیشگویی، هرس می¬کند [10]. در اکثر روش¬های کاهش داده، اولویت حذف با نمونه¬های نویزی، تکراری و بی¬اهمیت است، به این صورت که یک مجموعه¬داده با اسم T داریم که روی آن الگوریتم انتخاب نمونه اعمال شده تا مقدار زیادی نمونه¬ها که ترجیحاً نویزی و بی¬اهمیت باشند را از آن کم کند، در نتیجه، یک زیرمجموعه¬ی کوچک¬تر و خالص¬تر با اسم S را به عنوان خروجی فراهم نموده است که مقدار زیادی داده از آن کم شده و نمونه های نویزی و اضافی نیز در آن به حداقل رسیده است این روش مجموعه یادگیری را قبل از اجرای فرایند یادگیری ماشین جهت پیشگویی هرس می‌کند
6 5 از این رو، قبل از پردازش برروی داده¬ها نیازمند به یک پیش¬پردازش جهت آماده¬سازی داده¬ها خواهیم داشت. کاهش نمونه یا الگوریتم انتخاب نمونه یکی از پرکاربرد ترین روش های پیش پردازش داده در زمینه¬ی داده کاوی است که به عنوان صافی یا فیلتر داده در مرحله¬ی پیش پردازش عمل می¬نماید، و مجموعه¬ی یادگیری را قبل از اجرای فرایند یادگیری ماشین جهت پیشگویی، هرس می¬کند [10]. در اکثر روش¬های کاهش داده، اولویت حذف با نمونه¬های نویزی، تکراری و بی¬اهمیت است، به این صورت که یک مجموعه¬داده با اسم T داریم که روی آن الگوریتم انتخاب نمونه اعمال شده تا مقدار زیادی نمونه¬ها که ترجیحاً نویزی و بی¬اهمیت باشند را از آن کم کند، در نتیجه، یک زیرمجموعه¬ی کوچک¬تر و خالص¬تر با اسم S را به عنوان خروجی فراهم نموده است که مقدار زیادی داده از آن کم شده و نمونه های نویزی و اضافی نیز در آن به حداقل رسیده است در اکثر روش‌های کاهش داده، اولویت حذف با نمونه‌های نویزی، تکراری و بی‌اهمیت است
7 6 از این رو، قبل از پردازش برروی داده¬ها نیازمند به یک پیش¬پردازش جهت آماده¬سازی داده¬ها خواهیم داشت. کاهش نمونه یا الگوریتم انتخاب نمونه یکی از پرکاربرد ترین روش های پیش پردازش داده در زمینه¬ی داده کاوی است که به عنوان صافی یا فیلتر داده در مرحله¬ی پیش پردازش عمل می¬نماید، و مجموعه¬ی یادگیری را قبل از اجرای فرایند یادگیری ماشین جهت پیشگویی، هرس می¬کند [10]. در اکثر روش¬های کاهش داده، اولویت حذف با نمونه¬های نویزی، تکراری و بی¬اهمیت است، به این صورت که یک مجموعه¬داده با اسم T داریم که روی آن الگوریتم انتخاب نمونه اعمال شده تا مقدار زیادی نمونه¬ها که ترجیحاً نویزی و بی¬اهمیت باشند را از آن کم کند، در نتیجه، یک زیرمجموعه¬ی کوچک¬تر و خالص¬تر با اسم S را به عنوان خروجی فراهم نموده است که مقدار زیادی داده از آن کم شده و نمونه های نویزی و اضافی نیز در آن به حداقل رسیده است یک مجموعه‌داده با نام T داریم که روی آن الگوریتم انتخاب نمونه اعمال شده است
8 7 از این رو، قبل از پردازش برروی داده¬ها نیازمند به یک پیش¬پردازش جهت آماده¬سازی داده¬ها خواهیم داشت. کاهش نمونه یا الگوریتم انتخاب نمونه یکی از پرکاربرد ترین روش های پیش پردازش داده در زمینه¬ی داده کاوی است که به عنوان صافی یا فیلتر داده در مرحله¬ی پیش پردازش عمل می¬نماید، و مجموعه¬ی یادگیری را قبل از اجرای فرایند یادگیری ماشین جهت پیشگویی، هرس می¬کند [10]. در اکثر روش¬های کاهش داده، اولویت حذف با نمونه¬های نویزی، تکراری و بی¬اهمیت است، به این صورت که یک مجموعه¬داده با اسم T داریم که روی آن الگوریتم انتخاب نمونه اعمال شده تا مقدار زیادی نمونه¬ها که ترجیحاً نویزی و بی¬اهمیت باشند را از آن کم کند، در نتیجه، یک زیرمجموعه¬ی کوچک¬تر و خالص¬تر با اسم S را به عنوان خروجی فراهم نموده است که مقدار زیادی داده از آن کم شده و نمونه های نویزی و اضافی نیز در آن به حداقل رسیده است الگوریتم انتخاب نمونه مقدار زیادی نمونه ترجیحاً نویزی و بی‌اهمیت را از مجموعه T کم می‌کند
9 8 از این رو، قبل از پردازش برروی داده¬ها نیازمند به یک پیش¬پردازش جهت آماده¬سازی داده¬ها خواهیم داشت. کاهش نمونه یا الگوریتم انتخاب نمونه یکی از پرکاربرد ترین روش های پیش پردازش داده در زمینه¬ی داده کاوی است که به عنوان صافی یا فیلتر داده در مرحله¬ی پیش پردازش عمل می¬نماید، و مجموعه¬ی یادگیری را قبل از اجرای فرایند یادگیری ماشین جهت پیشگویی، هرس می¬کند [10]. در اکثر روش¬های کاهش داده، اولویت حذف با نمونه¬های نویزی، تکراری و بی¬اهمیت است، به این صورت که یک مجموعه¬داده با اسم T داریم که روی آن الگوریتم انتخاب نمونه اعمال شده تا مقدار زیادی نمونه¬ها که ترجیحاً نویزی و بی¬اهمیت باشند را از آن کم کند، در نتیجه، یک زیرمجموعه¬ی کوچک¬تر و خالص¬تر با اسم S را به عنوان خروجی فراهم نموده است که مقدار زیادی داده از آن کم شده و نمونه های نویزی و اضافی نیز در آن به حداقل رسیده است یک زیرمجموعه کوچک‌تر و خالص‌تر با نام S به عنوان خروجی فراهم می‌شود
10 9 از این رو، قبل از پردازش برروی داده¬ها نیازمند به یک پیش¬پردازش جهت آماده¬سازی داده¬ها خواهیم داشت. کاهش نمونه یا الگوریتم انتخاب نمونه یکی از پرکاربرد ترین روش های پیش پردازش داده در زمینه¬ی داده کاوی است که به عنوان صافی یا فیلتر داده در مرحله¬ی پیش پردازش عمل می¬نماید، و مجموعه¬ی یادگیری را قبل از اجرای فرایند یادگیری ماشین جهت پیشگویی، هرس می¬کند [10]. در اکثر روش¬های کاهش داده، اولویت حذف با نمونه¬های نویزی، تکراری و بی¬اهمیت است، به این صورت که یک مجموعه¬داده با اسم T داریم که روی آن الگوریتم انتخاب نمونه اعمال شده تا مقدار زیادی نمونه¬ها که ترجیحاً نویزی و بی¬اهمیت باشند را از آن کم کند، در نتیجه، یک زیرمجموعه¬ی کوچک¬تر و خالص¬تر با اسم S را به عنوان خروجی فراهم نموده است که مقدار زیادی داده از آن کم شده و نمونه های نویزی و اضافی نیز در آن به حداقل رسیده است در خروجی S مقدار زیادی داده از مجموعه اولیه کم شده است
11 10 از این رو، قبل از پردازش برروی داده¬ها نیازمند به یک پیش¬پردازش جهت آماده¬سازی داده¬ها خواهیم داشت. کاهش نمونه یا الگوریتم انتخاب نمونه یکی از پرکاربرد ترین روش های پیش پردازش داده در زمینه¬ی داده کاوی است که به عنوان صافی یا فیلتر داده در مرحله¬ی پیش پردازش عمل می¬نماید، و مجموعه¬ی یادگیری را قبل از اجرای فرایند یادگیری ماشین جهت پیشگویی، هرس می¬کند [10]. در اکثر روش¬های کاهش داده، اولویت حذف با نمونه¬های نویزی، تکراری و بی¬اهمیت است، به این صورت که یک مجموعه¬داده با اسم T داریم که روی آن الگوریتم انتخاب نمونه اعمال شده تا مقدار زیادی نمونه¬ها که ترجیحاً نویزی و بی¬اهمیت باشند را از آن کم کند، در نتیجه، یک زیرمجموعه¬ی کوچک¬تر و خالص¬تر با اسم S را به عنوان خروجی فراهم نموده است که مقدار زیادی داده از آن کم شده و نمونه های نویزی و اضافی نیز در آن به حداقل رسیده است در خروجی S نمونه‌های نویزی و اضافی به حداقل رسیده است
projects/2026-04-18_00-58-49/node_L1_4_graph/relations.csv
+35
View File
@@ -0,0 +1,35 @@
relation_id,source_proposition_id,target_proposition_id,relation_type
1,1,2,"گزاره اول بیانگر یک نیاز (علت) است که منجر به انجام عملیات پیش‌پردازش می‌شود، و گزاره دوم روش‌های خاصی (وسیله) را برای تحقق آن نیاز معرفی می‌کند. بنابراین، رابطه بین آن‌ها به صورت «نیاز به پیش‌پردازش (گزاره ۱) هدفی است که با استفاده از روش‌هایی مانند کاهش نمونه (گزاره ۲) محقق می‌شود» است.
**گزاره اول هدفی است که با استفاده از روش‌های ذکر شده در گزاره دوم (مانند کاهش نمونه) محقق می‌شود.**"
2,1,3,گزاره دوم (روش به عنوان صافی/فیلتر) وسیله‌ای برای تحقق گزاره اول (نیاز به پیش‌پردازش) است.
3,1,8,گزاره اول (پیش‌پردازش) وسیله‌ای برای رسیدن به هدف گزاره دوم (تولید زیرمجموعه کوچک‌تر و خالص‌تر) است.
4,1,10,گزاره اول (پیش‌پردازش) وسیله‌ای برای رسیدن به هدفِ گزاره دوم (کاهش نمونه‌های نویزی و اضافی در خروجی) است.
5,2,3,گزاره اول روشی را معرفی می‌کند (وسیله) و گزاره دوم کارکرد یا هدف آن روش را توصیف می‌کند (عملکرد به عنوان صافی/فیلتر). بنابراین، رابطه بین آن‌ها رابطه **هدف و وسیله** است: کاهش نمونه (گزاره ۱) به عنوان وسیله‌ای برای رسیدن به هدفِ عمل کردن به عنوان صافی یا فیلتر داده (گزاره ۲) به کار می‌رود.
6,2,4,گزاره اول روشی را معرفی می‌کند که در گزاره دوم به عنوان وسیله‌ای برای رسیدن به هدف (پیش‌گویی بهتر) به کار می‌رود.
7,2,8,گزاره اول وسیله‌ای برای رسیدن به هدف گزاره دوم است.
8,2,9,گزاره ۱ روشی را معرفی می‌کند که منجر به کاهش حجم داده می‌شود و گزاره ۲ نتیجه‌ی این کاهش را توصیف می‌کند؛ بنابراین رابطه علت و معلولی بین آن‌ها برقرار است (کاهش نمونه در روش‌های پیش‌پردازش، علتِ کم شدن مقدار داده در خروجی است).
9,3,4,گزاره اول (عملکرد به عنوان صافی) وسیله‌ای برای تحقق هدف گزارش دوم (پیش‌بینی و هرس مجموعه یادگیری) است.
10,3,5,گزاره اول وسیله‌ای برای رسیدن به هدف ذکر شده در گزاره دوم است.
11,3,7,گزاره اول (عملکرد روش به عنوان صافی داده) وسیله‌ای برای تحقق گزاره دوم (کاهش نمونه‌های بی‌اهمیت توسط الگوریتم) است.
12,3,8,گزاره اول وسیله‌ای برای رسیدن به هدف گزاره دوم است.
13,3,9,گزاره اول (روش به عنوان صافی عمل می‌کند) به عنوان **وسیله** برای رسیدن به هدفِ گزارش دوم (کاهش حجم داده در خروجی) عمل می‌کند.
14,3,10,گزاره اول وسیله‌ای برای رسیدن به هدف (کاهش نویز) در گزاره دوم است.
15,4,6,گزاره اول وسیله‌ای برای رسیدن به هدف گزاره دوم است.
16,4,7,گزاره ۱ وسیله‌ای برای رسیدن به هدف گزاره ۲ است (روش یادگیری برای کاهش نمونه‌های ناخواسته در الگوریتم انتخاب نمونه به کار می‌رود).
17,4,8,گزاره ۱ وسیله‌ای برای رسیدن به هدف گزاره ۲ است.
18,4,9,گزاره اول وسیله‌ای برای رسیدن به هدف (کاهش حجم داده‌ها) در گزاره دوم است.
19,4,10,گزاره اول وسیله‌ای برای رسیدن به هدف گزاره دوم است.
20,5,7,گزاره اول وسیله‌ای برای رسیدن به هدف گزاره دوم است.
21,5,8,گزاره اول (حذف نمونه‌های نویزی و بی‌اهمیت) وسیله‌ای برای رسیدن به هدف گزارش دوم (فراهم‌سازی یک زیرمجموعه کوچک‌تر و خالص‌تر) است.
22,5,10,گزاره ۱ وسیله‌ای برای رسیدن به هدفِ گزارش شده در گزاره ۲ است.
23,6,7,گزاره ۱ وسیله‌ای برای رسیدن به هدف بیان‌شده در گزاره ۲ است.
24,6,8,گزاره اول وسیله‌ای برای رسیدن به هدف گزاره دوم است.
25,6,9,گزاره ۱ وسیله‌ای برای رسیدن به هدف (کاهش حجم داده) در گزاره ۲ است.
26,6,10,گزاره اول وسیله‌ای برای رسیدن به هدف گزاره دوم است.
27,7,8,گزاره اول وسیله‌ای برای رسیدن به هدف گزاره دوم است.
28,7,9,گزاره اول وسیله‌ای برای رسیدن به هدف (یا نتیجه) گزاره دوم است.
29,7,10,گزاره اول وسیله‌ای برای رسیدن به هدف گزاره دوم است.
30,8,9,گزاره اول وسیله‌ای برای رسیدن به هدف گزاره دوم است.
31,8,10,گزاره ۱ وسیله‌ای برای دستیابی به هدفِ گزارش شده در گزاره ۲ است.
32,9,10,گزاره ۱ علت گزاره ۲ است (کاهش حجم داده‌های اولیه منجر به حذف نمونه‌های نویزی و اضافی شده است).
1 relation_id source_proposition_id target_proposition_id relation_type
2 1 1 2 گزاره اول بیانگر یک نیاز (علت) است که منجر به انجام عملیات پیش‌پردازش می‌شود، و گزاره دوم روش‌های خاصی (وسیله) را برای تحقق آن نیاز معرفی می‌کند. بنابراین، رابطه بین آن‌ها به صورت «نیاز به پیش‌پردازش (گزاره ۱) هدفی است که با استفاده از روش‌هایی مانند کاهش نمونه (گزاره ۲) محقق می‌شود» است. **گزاره اول هدفی است که با استفاده از روش‌های ذکر شده در گزاره دوم (مانند کاهش نمونه) محقق می‌شود.**
3 2 1 3 گزاره دوم (روش به عنوان صافی/فیلتر) وسیله‌ای برای تحقق گزاره اول (نیاز به پیش‌پردازش) است.
4 3 1 8 گزاره اول (پیش‌پردازش) وسیله‌ای برای رسیدن به هدف گزاره دوم (تولید زیرمجموعه کوچک‌تر و خالص‌تر) است.
5 4 1 10 گزاره اول (پیش‌پردازش) وسیله‌ای برای رسیدن به هدفِ گزاره دوم (کاهش نمونه‌های نویزی و اضافی در خروجی) است.
6 5 2 3 گزاره اول روشی را معرفی می‌کند (وسیله) و گزاره دوم کارکرد یا هدف آن روش را توصیف می‌کند (عملکرد به عنوان صافی/فیلتر). بنابراین، رابطه بین آن‌ها رابطه **هدف و وسیله** است: کاهش نمونه (گزاره ۱) به عنوان وسیله‌ای برای رسیدن به هدفِ عمل کردن به عنوان صافی یا فیلتر داده (گزاره ۲) به کار می‌رود.
7 6 2 4 گزاره اول روشی را معرفی می‌کند که در گزاره دوم به عنوان وسیله‌ای برای رسیدن به هدف (پیش‌گویی بهتر) به کار می‌رود.
8 7 2 8 گزاره اول وسیله‌ای برای رسیدن به هدف گزاره دوم است.
9 8 2 9 گزاره ۱ روشی را معرفی می‌کند که منجر به کاهش حجم داده می‌شود و گزاره ۲ نتیجه‌ی این کاهش را توصیف می‌کند؛ بنابراین رابطه علت و معلولی بین آن‌ها برقرار است (کاهش نمونه در روش‌های پیش‌پردازش، علتِ کم شدن مقدار داده در خروجی است).
10 9 3 4 گزاره اول (عملکرد به عنوان صافی) وسیله‌ای برای تحقق هدف گزارش دوم (پیش‌بینی و هرس مجموعه یادگیری) است.
11 10 3 5 گزاره اول وسیله‌ای برای رسیدن به هدف ذکر شده در گزاره دوم است.
12 11 3 7 گزاره اول (عملکرد روش به عنوان صافی داده) وسیله‌ای برای تحقق گزاره دوم (کاهش نمونه‌های بی‌اهمیت توسط الگوریتم) است.
13 12 3 8 گزاره اول وسیله‌ای برای رسیدن به هدف گزاره دوم است.
14 13 3 9 گزاره اول (روش به عنوان صافی عمل می‌کند) به عنوان **وسیله** برای رسیدن به هدفِ گزارش دوم (کاهش حجم داده در خروجی) عمل می‌کند.
15 14 3 10 گزاره اول وسیله‌ای برای رسیدن به هدف (کاهش نویز) در گزاره دوم است.
16 15 4 6 گزاره اول وسیله‌ای برای رسیدن به هدف گزاره دوم است.
17 16 4 7 گزاره ۱ وسیله‌ای برای رسیدن به هدف گزاره ۲ است (روش یادگیری برای کاهش نمونه‌های ناخواسته در الگوریتم انتخاب نمونه به کار می‌رود).
18 17 4 8 گزاره ۱ وسیله‌ای برای رسیدن به هدف گزاره ۲ است.
19 18 4 9 گزاره اول وسیله‌ای برای رسیدن به هدف (کاهش حجم داده‌ها) در گزاره دوم است.
20 19 4 10 گزاره اول وسیله‌ای برای رسیدن به هدف گزاره دوم است.
21 20 5 7 گزاره اول وسیله‌ای برای رسیدن به هدف گزاره دوم است.
22 21 5 8 گزاره اول (حذف نمونه‌های نویزی و بی‌اهمیت) وسیله‌ای برای رسیدن به هدف گزارش دوم (فراهم‌سازی یک زیرمجموعه کوچک‌تر و خالص‌تر) است.
23 22 5 10 گزاره ۱ وسیله‌ای برای رسیدن به هدفِ گزارش شده در گزاره ۲ است.
24 23 6 7 گزاره ۱ وسیله‌ای برای رسیدن به هدف بیان‌شده در گزاره ۲ است.
25 24 6 8 گزاره اول وسیله‌ای برای رسیدن به هدف گزاره دوم است.
26 25 6 9 گزاره ۱ وسیله‌ای برای رسیدن به هدف (کاهش حجم داده) در گزاره ۲ است.
27 26 6 10 گزاره اول وسیله‌ای برای رسیدن به هدف گزاره دوم است.
28 27 7 8 گزاره اول وسیله‌ای برای رسیدن به هدف گزاره دوم است.
29 28 7 9 گزاره اول وسیله‌ای برای رسیدن به هدف (یا نتیجه) گزاره دوم است.
30 29 7 10 گزاره اول وسیله‌ای برای رسیدن به هدف گزاره دوم است.
31 30 8 9 گزاره اول وسیله‌ای برای رسیدن به هدف گزاره دوم است.
32 31 8 10 گزاره ۱ وسیله‌ای برای دستیابی به هدفِ گزارش شده در گزاره ۲ است.
33 32 9 10 گزاره ۱ علت گزاره ۲ است (کاهش حجم داده‌های اولیه منجر به حذف نمونه‌های نویزی و اضافی شده است).
projects/2026-04-18_00-58-49/node_L1_4_graph/scores.csv
+33
View File
@@ -0,0 +1,33 @@
relation_id,score
1,10
2,9
3,9
4,9
5,9
6,8
7,9
8,9
9,9
10,9
11,9
12,9
13,9
14,9
15,9
16,8
17,1
18,9
19,9
20,9
21,9
22,9
23,1
24,1
25,9
26,9
27,1
28,10
29,9
30,9
31,9
32,9
1 relation_id score
2 1 10
3 2 9
4 3 9
5 4 9
6 5 9
7 6 8
8 7 9
9 8 9
10 9 9
11 10 9
12 11 9
13 12 9
14 13 9
15 14 9
16 15 9
17 16 8
18 17 1
19 18 9
20 19 9
21 20 9
22 21 9
23 22 9
24 23 1
25 24 1
26 25 9
27 26 9
28 27 1
29 28 10
30 29 9
31 30 9
32 31 9
33 32 9
projects/2026-04-18_00-58-49/tree_data.csv
+19
View File
@@ -0,0 +1,19 @@
level,segment_id,parent_segment_id,original_sentences,semantic_unit
0,node_L0_0,node_L1_1,"[""ظهور داده‌ها و رشد قدرت محاسباتی، به همراه روش‌های یادگیری نوین، منجر به دستاوردهای قابل توجهی در بسیاری از حوزه‌های علمی شده است.""]",ظهور داده‌ها و رشد قدرت محاسباتی، به همراه روش‌های یادگیری نوین، منجر به دستاوردهای قابل توجهی در بسیاری از حوزه‌های علمی شده است.
0,node_L0_1,node_L1_1,"[""در چند سال اخیر، یادگیری ماشینی و هوش مصنوعی یک موج جدید از توجهات را به خود جلب کرده‌اند که علت اصلی آن، حجم عظیم و روزافزون داده و قدرت محاسباتی، و همچنین کشف الگوریتم‌های یادگیری بهبود یافته، می¬باشد[1].""]",در چند سال اخیر، یادگیری ماشینی و هوش مصنوعی یک موج جدید از توجهات را به خود جلب کرده‌اند که علت اصلی آن، حجم عظیم و روزافزون داده و قدرت محاسباتی، و همچنین کشف الگوریتم‌های یادگیری بهبود یافته، می¬باشد[1].
0,node_L0_2,node_L1_1,"[""با این حال، ایده‌ی یادگیری یک رایانه از مجموعه¬ای از مفاهیم انتزاعی و تبدیل داده¬ها به اطلاعات و استفاده از آنها برای پیش بینی، جدید نیست و حداقل از دهه ۱۹۵۰ زمانی که اولین شبکه‌های عصبی توسعه یافتند، وجود داشته است [2].""]",با این حال، ایده‌ی یادگیری یک رایانه از مجموعه¬ای از مفاهیم انتزاعی و تبدیل داده¬ها به اطلاعات و استفاده از آنها برای پیش بینی، جدید نیست و حداقل از دهه ۱۹۵۰ زمانی که اولین شبکه‌های عصبی توسعه یافتند، وجود داشته است [2].
0,node_L0_3,node_L1_1,"[""همان¬گونه که ذکر شد، حجم زیاد داده¬ها ما را به دوران جدیدی از رشد نمایی در حجم و پیچیدگی داده‌ها وارد کرده است؛ اینترنت، تلفن‌های همراه، کامپیوترها و تجهیزات ضبط باعث ظهور معدن¬های بزرگ داده‌ شده و انسان را به یک تغییر شیب در فرآیند تحقیقات سوق می¬دهد [3].""]",همان¬گونه که ذکر شد، حجم زیاد داده¬ها ما را به دوران جدیدی از رشد نمایی در حجم و پیچیدگی داده‌ها وارد کرده است؛ اینترنت، تلفن‌های همراه، کامپیوترها و تجهیزات ضبط باعث ظهور معدن¬های بزرگ داده‌ شده و انسان را به یک تغییر شیب در فرآیند تحقیقات سوق می¬دهد [3].
0,node_L0_4,node_L1_1,"[""دانش مدفون در این معدن داده نیازمند فناوری‌های کاوش داده است تا الگوهای جالب، معنی‌دار و قوی را کشف کند.""]",دانش مدفون در این معدن داده نیازمند فناوری‌های کاوش داده است تا الگوهای جالب، معنی‌دار و قوی را کشف کند.
0,node_L0_5,node_L1_1,"[""این روش جایگزین تحقیقات نسبت به رویکرد سنتی، اثرات چشمگیری بر همه حوزه‌های تحقیقات داشته است.""]",این روش جایگزین تحقیقات نسبت به رویکرد سنتی، اثرات چشمگیری بر همه حوزه‌های تحقیقات داشته است.
0,node_L0_6,node_L1_1,"[""کاوش داده در واقع فناوری جدید ارائه می‌دهد تا به ما در آشکار کردن الگوهای پنهان کمک کند، که قابلیت کمک به نوآوری و توسعه نظریات جدید را دارد و اثرات انقلابی بر توسعه نظریه در بسیاری از رشته‌ها را ارتقا می‌دهد [4].""]",کاوش داده در واقع فناوری جدید ارائه می‌دهد تا به ما در آشکار کردن الگوهای پنهان کمک کند، که قابلیت کمک به نوآوری و توسعه نظریات جدید را دارد و اثرات انقلابی بر توسعه نظریه در بسیاری از رشته‌ها را ارتقا می‌دهد [4].
0,node_L0_7,node_L1_2,"[""طبقه بندی یکی از تکنیک های کاوش داده است.""]",طبقه بندی یکی از تکنیک های کاوش داده است.
0,node_L0_8,node_L1_2,"[""در این روش تمام داده¬ها بر اساس برچسب¬های از قبل تعریف شده طبقه بندی می¬شوند.""]",در این روش تمام داده¬ها بر اساس برچسب¬های از قبل تعریف شده طبقه بندی می¬شوند.
0,node_L0_9,node_L1_3,"[""الگوریتم های طبقه بندی به شکل وسیعی در دامنه های مختلف استفاده می¬شوند، از آن جمله برخی از کاربردهایی آنها عبارت اند از پیشگویی ورشکستگی [5]، پیشگویی سرطان [6]، تشخیص چهره [7]، تشخیص کلاه برداری [8]و پیشگویی خرابی نرم افزار [9].""]",الگوریتم های طبقه بندی به شکل وسیعی در دامنه های مختلف استفاده می¬شوند، از آن جمله برخی از کاربردهایی آنها عبارت اند از پیشگویی ورشکستگی [5]، پیشگویی سرطان [6]، تشخیص چهره [7]، تشخیص کلاه برداری [8]و پیشگویی خرابی نرم افزار [9].
0,node_L0_10,node_L1_3,"[""جهت کارایی و عملکرد بهتر در راستای کاربردهایی مذکور بعلاوه¬ی کاربردهای زیادی دیگر، الگوریتم¬هایی طبقه بندی نیاز به مجموعه داده¬های کوچک¬تر و خالص¬تر دارند که با استفاده از روش¬هایی کاهش نمونه روی مجموعه داده¬های اصلی بدست می¬آیند.\r در فرایند استخراج، طبقه¬بندی اطلاعات ما با انبوهی از داده¬ها مواجه هستیم، این داده ها شامل داده¬های بی¬تاثیر و یا داده¬هایی با برچسب گزاری اشتباه هستند، این مشکلات سبب می¬گردد که فرایند یادگیری ماشین (مدل) بسیار طولانی شده و همچین به علت داده¬های نویزی دقت پیشگویی ماشین کاهش یابد .""]","جهت کارایی و عملکرد بهتر در راستای کاربردهایی مذکور بعلاوه¬ی کاربردهای زیادی دیگر، الگوریتم¬هایی طبقه بندی نیاز به مجموعه داده¬های کوچک¬تر و خالص¬تر دارند که با استفاده از روش¬هایی کاهش نمونه روی مجموعه داده¬های اصلی بدست می¬آیند.
در فرایند استخراج، طبقه¬بندی اطلاعات ما با انبوهی از داده¬ها مواجه هستیم، این داده ها شامل داده¬های بی¬تاثیر و یا داده¬هایی با برچسب گزاری اشتباه هستند، این مشکلات سبب می¬گردد که فرایند یادگیری ماشین (مدل) بسیار طولانی شده و همچین به علت داده¬های نویزی دقت پیشگویی ماشین کاهش یابد ."
0,node_L0_11,node_L1_4,"[""از این رو، قبل از پردازش برروی داده¬ها نیازمند به یک پیش¬پردازش جهت آماده¬سازی داده¬ها خواهیم داشت.""]",از این رو، قبل از پردازش برروی داده¬ها نیازمند به یک پیش¬پردازش جهت آماده¬سازی داده¬ها خواهیم داشت.
0,node_L0_12,node_L1_4,"[""کاهش نمونه یا الگوریتم انتخاب نمونه یکی از پرکاربرد ترین روش های پیش پردازش داده در زمینه¬ی داده کاوی است که به عنوان صافی یا فیلتر داده در مرحله¬ی پیش پردازش عمل می¬نماید، و مجموعه¬ی یادگیری را قبل از اجرای فرایند یادگیری ماشین جهت پیشگویی، هرس می¬کند [10].""]",کاهش نمونه یا الگوریتم انتخاب نمونه یکی از پرکاربرد ترین روش های پیش پردازش داده در زمینه¬ی داده کاوی است که به عنوان صافی یا فیلتر داده در مرحله¬ی پیش پردازش عمل می¬نماید، و مجموعه¬ی یادگیری را قبل از اجرای فرایند یادگیری ماشین جهت پیشگویی، هرس می¬کند [10].
0,node_L0_13,node_L1_4,"[""در اکثر روش¬های کاهش داده، اولویت حذف با نمونه¬های نویزی، تکراری و بی¬اهمیت است، به این صورت که یک مجموعه¬داده با اسم T داریم که روی آن الگوریتم انتخاب نمونه اعمال شده تا مقدار زیادی نمونه¬ها که ترجیحاً نویزی و بی¬اهمیت باشند را از آن کم کند، در نتیجه، یک زیرمجموعه¬ی کوچک¬تر و خالص¬تر با اسم S را به عنوان خروجی فراهم نموده است که مقدار زیادی داده از آن کم شده و نمونه های نویزی و اضافی نیز در آن به حداقل رسیده است""]",در اکثر روش¬های کاهش داده، اولویت حذف با نمونه¬های نویزی، تکراری و بی¬اهمیت است، به این صورت که یک مجموعه¬داده با اسم T داریم که روی آن الگوریتم انتخاب نمونه اعمال شده تا مقدار زیادی نمونه¬ها که ترجیحاً نویزی و بی¬اهمیت باشند را از آن کم کند، در نتیجه، یک زیرمجموعه¬ی کوچک¬تر و خالص¬تر با اسم S را به عنوان خروجی فراهم نموده است که مقدار زیادی داده از آن کم شده و نمونه های نویزی و اضافی نیز در آن به حداقل رسیده است
1,node_L1_1,,"[""ظهور داده‌ها و رشد قدرت محاسباتی، به همراه روش‌های یادگیری نوین، منجر به دستاوردهای قابل توجهی در بسیاری از حوزه‌های علمی شده است."", ""در چند سال اخیر، یادگیری ماشینی و هوش مصنوعی یک موج جدید از توجهات را به خود جلب کرده‌اند که علت اصلی آن، حجم عظیم و روزافزون داده و قدرت محاسباتی، و همچنین کشف الگوریتم‌های یادگیری بهبود یافته، می¬باشد[1]."", ""با این حال، ایده‌ی یادگیری یک رایانه از مجموعه¬ای از مفاهیم انتزاعی و تبدیل داده¬ها به اطلاعات و استفاده از آنها برای پیش بینی، جدید نیست و حداقل از دهه ۱۹۵۰ زمانی که اولین شبکه‌های عصبی توسعه یافتند، وجود داشته است [2]."", ""همان¬گونه که ذکر شد، حجم زیاد داده¬ها ما را به دوران جدیدی از رشد نمایی در حجم و پیچیدگی داده‌ها وارد کرده است؛ اینترنت، تلفن‌های همراه، کامپیوترها و تجهیزات ضبط باعث ظهور معدن¬های بزرگ داده‌ شده و انسان را به یک تغییر شیب در فرآیند تحقیقات سوق می¬دهد [3]."", ""دانش مدفون در این معدن داده نیازمند فناوری‌های کاوش داده است تا الگوهای جالب، معنی‌دار و قوی را کشف کند."", ""این روش جایگزین تحقیقات نسبت به رویکرد سنتی، اثرات چشمگیری بر همه حوزه‌های تحقیقات داشته است."", ""کاوش داده در واقع فناوری جدید ارائه می‌دهد تا به ما در آشکار کردن الگوهای پنهان کمک کند، که قابلیت کمک به نوآوری و توسعه نظریات جدید را دارد و اثرات انقلابی بر توسعه نظریه در بسیاری از رشته‌ها را ارتقا می‌دهد [4].""]",حجم عظیم داده‌ها و فناوری‌های کاوش داده منجر به کشف الگوهای پنهان و ایجاد انقلابی در توسعه نظریه‌ها در حوزه‌های مختلف شده است.
1,node_L1_2,,"[""طبقه بندی یکی از تکنیک های کاوش داده است."", ""در این روش تمام داده¬ها بر اساس برچسب¬های از قبل تعریف شده طبقه بندی می¬شوند.""]",طبقه‌بندی داده‌ها بر اساس برچسب‌های از پیش تعریف شده، یک تکنیک کاوش داده است.
1,node_L1_3,,"[""الگوریتم های طبقه بندی به شکل وسیعی در دامنه های مختلف استفاده می¬شوند، از آن جمله برخی از کاربردهایی آنها عبارت اند از پیشگویی ورشکستگی [5]، پیشگویی سرطان [6]، تشخیص چهره [7]، تشخیص کلاه برداری [8]و پیشگویی خرابی نرم افزار [9]."", ""جهت کارایی و عملکرد بهتر در راستای کاربردهایی مذکور بعلاوه¬ی کاربردهای زیادی دیگر، الگوریتم¬هایی طبقه بندی نیاز به مجموعه داده¬های کوچک¬تر و خالص¬تر دارند که با استفاده از روش¬هایی کاهش نمونه روی مجموعه داده¬های اصلی بدست می¬آیند.\r در فرایند استخراج، طبقه¬بندی اطلاعات ما با انبوهی از داده¬ها مواجه هستیم، این داده ها شامل داده¬های بی¬تاثیر و یا داده¬هایی با برچسب گزاری اشتباه هستند، این مشکلات سبب می¬گردد که فرایند یادگیری ماشین (مدل) بسیار طولانی شده و همچین به علت داده¬های نویزی دقت پیشگویی ماشین کاهش یابد .""]",الگوریتم‌های طبقه‌بندی برای دستیابی به کارایی و دقت بهتر نیازمند کاهش حجم و پاکسازی داده‌های اصلی از داده‌های بی‌اثر و دارای برچسب‌گذاری اشتباه هستند.
1 level segment_id parent_segment_id original_sentences semantic_unit
2 0 node_L0_0 node_L1_1 ["ظهور داده‌ها و رشد قدرت محاسباتی، به همراه روش‌های یادگیری نوین، منجر به دستاوردهای قابل توجهی در بسیاری از حوزه‌های علمی شده است."] ظهور داده‌ها و رشد قدرت محاسباتی، به همراه روش‌های یادگیری نوین، منجر به دستاوردهای قابل توجهی در بسیاری از حوزه‌های علمی شده است.
3 0 node_L0_1 node_L1_1 ["در چند سال اخیر، یادگیری ماشینی و هوش مصنوعی یک موج جدید از توجهات را به خود جلب کرده‌اند که علت اصلی آن، حجم عظیم و روزافزون داده و قدرت محاسباتی، و همچنین کشف الگوریتم‌های یادگیری بهبود یافته، می¬باشد[1]."] در چند سال اخیر، یادگیری ماشینی و هوش مصنوعی یک موج جدید از توجهات را به خود جلب کرده‌اند که علت اصلی آن، حجم عظیم و روزافزون داده و قدرت محاسباتی، و همچنین کشف الگوریتم‌های یادگیری بهبود یافته، می¬باشد[1].
4 0 node_L0_2 node_L1_1 ["با این حال، ایده‌ی یادگیری یک رایانه از مجموعه¬ای از مفاهیم انتزاعی و تبدیل داده¬ها به اطلاعات و استفاده از آنها برای پیش بینی، جدید نیست و حداقل از دهه ۱۹۵۰ زمانی که اولین شبکه‌های عصبی توسعه یافتند، وجود داشته است [2]."] با این حال، ایده‌ی یادگیری یک رایانه از مجموعه¬ای از مفاهیم انتزاعی و تبدیل داده¬ها به اطلاعات و استفاده از آنها برای پیش بینی، جدید نیست و حداقل از دهه ۱۹۵۰ زمانی که اولین شبکه‌های عصبی توسعه یافتند، وجود داشته است [2].
5 0 node_L0_3 node_L1_1 ["همان¬گونه که ذکر شد، حجم زیاد داده¬ها ما را به دوران جدیدی از رشد نمایی در حجم و پیچیدگی داده‌ها وارد کرده است؛ اینترنت، تلفن‌های همراه، کامپیوترها و تجهیزات ضبط باعث ظهور معدن¬های بزرگ داده‌ شده و انسان را به یک تغییر شیب در فرآیند تحقیقات سوق می¬دهد [3]."] همان¬گونه که ذکر شد، حجم زیاد داده¬ها ما را به دوران جدیدی از رشد نمایی در حجم و پیچیدگی داده‌ها وارد کرده است؛ اینترنت، تلفن‌های همراه، کامپیوترها و تجهیزات ضبط باعث ظهور معدن¬های بزرگ داده‌ شده و انسان را به یک تغییر شیب در فرآیند تحقیقات سوق می¬دهد [3].
6 0 node_L0_4 node_L1_1 ["دانش مدفون در این معدن داده نیازمند فناوری‌های کاوش داده است تا الگوهای جالب، معنی‌دار و قوی را کشف کند."] دانش مدفون در این معدن داده نیازمند فناوری‌های کاوش داده است تا الگوهای جالب، معنی‌دار و قوی را کشف کند.
7 0 node_L0_5 node_L1_1 ["این روش جایگزین تحقیقات نسبت به رویکرد سنتی، اثرات چشمگیری بر همه حوزه‌های تحقیقات داشته است."] این روش جایگزین تحقیقات نسبت به رویکرد سنتی، اثرات چشمگیری بر همه حوزه‌های تحقیقات داشته است.
8 0 node_L0_6 node_L1_1 ["کاوش داده در واقع فناوری جدید ارائه می‌دهد تا به ما در آشکار کردن الگوهای پنهان کمک کند، که قابلیت کمک به نوآوری و توسعه نظریات جدید را دارد و اثرات انقلابی بر توسعه نظریه در بسیاری از رشته‌ها را ارتقا می‌دهد [4]."] کاوش داده در واقع فناوری جدید ارائه می‌دهد تا به ما در آشکار کردن الگوهای پنهان کمک کند، که قابلیت کمک به نوآوری و توسعه نظریات جدید را دارد و اثرات انقلابی بر توسعه نظریه در بسیاری از رشته‌ها را ارتقا می‌دهد [4].
9 0 node_L0_7 node_L1_2 ["طبقه بندی یکی از تکنیک های کاوش داده است."] طبقه بندی یکی از تکنیک های کاوش داده است.
10 0 node_L0_8 node_L1_2 ["در این روش تمام داده¬ها بر اساس برچسب¬های از قبل تعریف شده طبقه بندی می¬شوند."] در این روش تمام داده¬ها بر اساس برچسب¬های از قبل تعریف شده طبقه بندی می¬شوند.
11 0 node_L0_9 node_L1_3 ["الگوریتم های طبقه بندی به شکل وسیعی در دامنه های مختلف استفاده می¬شوند، از آن جمله برخی از کاربردهایی آنها عبارت اند از پیشگویی ورشکستگی [5]، پیشگویی سرطان [6]، تشخیص چهره [7]، تشخیص کلاه برداری [8]و پیشگویی خرابی نرم افزار [9]."] الگوریتم های طبقه بندی به شکل وسیعی در دامنه های مختلف استفاده می¬شوند، از آن جمله برخی از کاربردهایی آنها عبارت اند از پیشگویی ورشکستگی [5]، پیشگویی سرطان [6]، تشخیص چهره [7]، تشخیص کلاه برداری [8]و پیشگویی خرابی نرم افزار [9].
12 0 node_L0_10 node_L1_3 ["جهت کارایی و عملکرد بهتر در راستای کاربردهایی مذکور بعلاوه¬ی کاربردهای زیادی دیگر، الگوریتم¬هایی طبقه بندی نیاز به مجموعه داده¬های کوچک¬تر و خالص¬تر دارند که با استفاده از روش¬هایی کاهش نمونه روی مجموعه داده¬های اصلی بدست می¬آیند.\r در فرایند استخراج، طبقه¬بندی اطلاعات ما با انبوهی از داده¬ها مواجه هستیم، این داده ها شامل داده¬های بی¬تاثیر و یا داده¬هایی با برچسب گزاری اشتباه هستند، این مشکلات سبب می¬گردد که فرایند یادگیری ماشین (مدل) بسیار طولانی شده و همچین به علت داده¬های نویزی دقت پیشگویی ماشین کاهش یابد ."] جهت کارایی و عملکرد بهتر در راستای کاربردهایی مذکور بعلاوه¬ی کاربردهای زیادی دیگر، الگوریتم¬هایی طبقه بندی نیاز به مجموعه داده¬های کوچک¬تر و خالص¬تر دارند که با استفاده از روش¬هایی کاهش نمونه روی مجموعه داده¬های اصلی بدست می¬آیند. در فرایند استخراج، طبقه¬بندی اطلاعات ما با انبوهی از داده¬ها مواجه هستیم، این داده ها شامل داده¬های بی¬تاثیر و یا داده¬هایی با برچسب گزاری اشتباه هستند، این مشکلات سبب می¬گردد که فرایند یادگیری ماشین (مدل) بسیار طولانی شده و همچین به علت داده¬های نویزی دقت پیشگویی ماشین کاهش یابد .
13 0 node_L0_11 node_L1_4 ["از این رو، قبل از پردازش برروی داده¬ها نیازمند به یک پیش¬پردازش جهت آماده¬سازی داده¬ها خواهیم داشت."] از این رو، قبل از پردازش برروی داده¬ها نیازمند به یک پیش¬پردازش جهت آماده¬سازی داده¬ها خواهیم داشت.
14 0 node_L0_12 node_L1_4 ["کاهش نمونه یا الگوریتم انتخاب نمونه یکی از پرکاربرد ترین روش های پیش پردازش داده در زمینه¬ی داده کاوی است که به عنوان صافی یا فیلتر داده در مرحله¬ی پیش پردازش عمل می¬نماید، و مجموعه¬ی یادگیری را قبل از اجرای فرایند یادگیری ماشین جهت پیشگویی، هرس می¬کند [10]."] کاهش نمونه یا الگوریتم انتخاب نمونه یکی از پرکاربرد ترین روش های پیش پردازش داده در زمینه¬ی داده کاوی است که به عنوان صافی یا فیلتر داده در مرحله¬ی پیش پردازش عمل می¬نماید، و مجموعه¬ی یادگیری را قبل از اجرای فرایند یادگیری ماشین جهت پیشگویی، هرس می¬کند [10].
15 0 node_L0_13 node_L1_4 ["در اکثر روش¬های کاهش داده، اولویت حذف با نمونه¬های نویزی، تکراری و بی¬اهمیت است، به این صورت که یک مجموعه¬داده با اسم T داریم که روی آن الگوریتم انتخاب نمونه اعمال شده تا مقدار زیادی نمونه¬ها که ترجیحاً نویزی و بی¬اهمیت باشند را از آن کم کند، در نتیجه، یک زیرمجموعه¬ی کوچک¬تر و خالص¬تر با اسم S را به عنوان خروجی فراهم نموده است که مقدار زیادی داده از آن کم شده و نمونه های نویزی و اضافی نیز در آن به حداقل رسیده است"] در اکثر روش¬های کاهش داده، اولویت حذف با نمونه¬های نویزی، تکراری و بی¬اهمیت است، به این صورت که یک مجموعه¬داده با اسم T داریم که روی آن الگوریتم انتخاب نمونه اعمال شده تا مقدار زیادی نمونه¬ها که ترجیحاً نویزی و بی¬اهمیت باشند را از آن کم کند، در نتیجه، یک زیرمجموعه¬ی کوچک¬تر و خالص¬تر با اسم S را به عنوان خروجی فراهم نموده است که مقدار زیادی داده از آن کم شده و نمونه های نویزی و اضافی نیز در آن به حداقل رسیده است
16 1 node_L1_1 ["ظهور داده‌ها و رشد قدرت محاسباتی، به همراه روش‌های یادگیری نوین، منجر به دستاوردهای قابل توجهی در بسیاری از حوزه‌های علمی شده است.", "در چند سال اخیر، یادگیری ماشینی و هوش مصنوعی یک موج جدید از توجهات را به خود جلب کرده‌اند که علت اصلی آن، حجم عظیم و روزافزون داده و قدرت محاسباتی، و همچنین کشف الگوریتم‌های یادگیری بهبود یافته، می¬باشد[1].", "با این حال، ایده‌ی یادگیری یک رایانه از مجموعه¬ای از مفاهیم انتزاعی و تبدیل داده¬ها به اطلاعات و استفاده از آنها برای پیش بینی، جدید نیست و حداقل از دهه ۱۹۵۰ زمانی که اولین شبکه‌های عصبی توسعه یافتند، وجود داشته است [2].", "همان¬گونه که ذکر شد، حجم زیاد داده¬ها ما را به دوران جدیدی از رشد نمایی در حجم و پیچیدگی داده‌ها وارد کرده است؛ اینترنت، تلفن‌های همراه، کامپیوترها و تجهیزات ضبط باعث ظهور معدن¬های بزرگ داده‌ شده و انسان را به یک تغییر شیب در فرآیند تحقیقات سوق می¬دهد [3].", "دانش مدفون در این معدن داده نیازمند فناوری‌های کاوش داده است تا الگوهای جالب، معنی‌دار و قوی را کشف کند.", "این روش جایگزین تحقیقات نسبت به رویکرد سنتی، اثرات چشمگیری بر همه حوزه‌های تحقیقات داشته است.", "کاوش داده در واقع فناوری جدید ارائه می‌دهد تا به ما در آشکار کردن الگوهای پنهان کمک کند، که قابلیت کمک به نوآوری و توسعه نظریات جدید را دارد و اثرات انقلابی بر توسعه نظریه در بسیاری از رشته‌ها را ارتقا می‌دهد [4]."] حجم عظیم داده‌ها و فناوری‌های کاوش داده منجر به کشف الگوهای پنهان و ایجاد انقلابی در توسعه نظریه‌ها در حوزه‌های مختلف شده است.
17 1 node_L1_2 ["طبقه بندی یکی از تکنیک های کاوش داده است.", "در این روش تمام داده¬ها بر اساس برچسب¬های از قبل تعریف شده طبقه بندی می¬شوند."] طبقه‌بندی داده‌ها بر اساس برچسب‌های از پیش تعریف شده، یک تکنیک کاوش داده است.
18 1 node_L1_3 ["الگوریتم های طبقه بندی به شکل وسیعی در دامنه های مختلف استفاده می¬شوند، از آن جمله برخی از کاربردهایی آنها عبارت اند از پیشگویی ورشکستگی [5]، پیشگویی سرطان [6]، تشخیص چهره [7]، تشخیص کلاه برداری [8]و پیشگویی خرابی نرم افزار [9].", "جهت کارایی و عملکرد بهتر در راستای کاربردهایی مذکور بعلاوه¬ی کاربردهای زیادی دیگر، الگوریتم¬هایی طبقه بندی نیاز به مجموعه داده¬های کوچک¬تر و خالص¬تر دارند که با استفاده از روش¬هایی کاهش نمونه روی مجموعه داده¬های اصلی بدست می¬آیند.\r در فرایند استخراج، طبقه¬بندی اطلاعات ما با انبوهی از داده¬ها مواجه هستیم، این داده ها شامل داده¬های بی¬تاثیر و یا داده¬هایی با برچسب گزاری اشتباه هستند، این مشکلات سبب می¬گردد که فرایند یادگیری ماشین (مدل) بسیار طولانی شده و همچین به علت داده¬های نویزی دقت پیشگویی ماشین کاهش یابد ."] الگوریتم‌های طبقه‌بندی برای دستیابی به کارایی و دقت بهتر نیازمند کاهش حجم و پاکسازی داده‌های اصلی از داده‌های بی‌اثر و دارای برچسب‌گذاری اشتباه هستند.
19 1 node_L1_4 ["از این رو، قبل از پردازش برروی داده¬ها نیازمند به یک پیش¬پردازش جهت آماده¬سازی داده¬ها خواهیم داشت.", "کاهش نمونه یا الگوریتم انتخاب نمونه یکی از پرکاربرد ترین روش های پیش پردازش داده در زمینه¬ی داده کاوی است که به عنوان صافی یا فیلتر داده در مرحله¬ی پیش پردازش عمل می¬نماید، و مجموعه¬ی یادگیری را قبل از اجرای فرایند یادگیری ماشین جهت پیشگویی، هرس می¬کند [10].", "در اکثر روش¬های کاهش داده، اولویت حذف با نمونه¬های نویزی، تکراری و بی¬اهمیت است، به این صورت که یک مجموعه¬داده با اسم T داریم که روی آن الگوریتم انتخاب نمونه اعمال شده تا مقدار زیادی نمونه¬ها که ترجیحاً نویزی و بی¬اهمیت باشند را از آن کم کند، در نتیجه، یک زیرمجموعه¬ی کوچک¬تر و خالص¬تر با اسم S را به عنوان خروجی فراهم نموده است که مقدار زیادی داده از آن کم شده و نمونه های نویزی و اضافی نیز در آن به حداقل رسیده است"] الگوریتم انتخاب نمونه با حذف نمونه‌های نویزی، تکراری و بی‌اهمیت از مجموعه داده اولیه، یک زیرمجموعه کوچک‌تر و خالص‌تر را به عنوان خروجی فراهم می‌کند.
projects/2026-04-18_00-58-49/tree_visualization.html
+359
View File
File diff suppressed because one or more lines are too long