proposition_id,sentence,proposition_text
1,"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.
 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 در دامنه‌های مختلف استفاده می‌شوند
2,"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.
 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 .",پیشگویی ورشکستگی از کاربردهای الگوریتم‌های طبقه‌بندی است
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.
 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 .",پیشگویی سرطان از کاربردهای الگوریتم‌های طبقه‌بندی است
4,"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.
 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 .",تشخیص چهره از کاربردهای الگوریتم‌های طبقه‌بندی است
5,"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.
 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 .",تشخیص کلاه‌برداری از کاربردهای الگوریتم‌های طبقه‌بندی است
6,"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.
 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 .",پیشگویی خرابی نرم‌افزار از کاربردهای الگوریتم‌های طبقه‌بندی است
7,"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.
 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 کارایی بهتر نیاز به مجموعه داده‌های کوچک‌تر و خالص‌تر دارند
8,"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.
 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 .",مجموعه داده‌های کوچک‌تر و خالص‌تر با استفاده از روش‌های کاهش نمونه بدست می‌آیند
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]. 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 .",در فرایند استخراج، طبقه‌بندی اطلاعات با انبوهی از داده‌ها مواجه است
10,"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.
 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 .",داده‌ها شامل داده‌های بی‌تاثیر هستند
11,"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.
 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 .",داده‌ها شامل داده‌هایی با برچسب‌گذاری اشتباه هستند
12,"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.
 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 .",وجود داده‌های بی‌تاثیر و اشتباه باعث طولانی شدن فرایند یادگیری ماشین می‌شود
13,"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.
 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 .",وجود داده‌های نویزی باعث کاهش دقت پیشگویی ماشین می‌شود