Mehvar/projects/2026-04-18_00-58-49/node_L1_4_graph/propositions.csv

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