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

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,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.