First Initialization

2026-06-29 15:32:24 +03:30
commit 29c2add74e
105 changed files with 13177 additions and 0 deletions
@@ -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
@@ -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).
@@ -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