Mehvar/projects/2026-04-18_00-53-56/node_L1_3_graph/propositions.csv

1	proposition_id	sentence	proposition_text
2	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
3	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
4	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
5	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
6	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
7	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
8	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
9	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
10	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
11	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
12	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
13	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
14	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