این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مدیریت فناوری اطلاعات، جلد ۷، شماره ۴، صفحات ۸۲۵-۸۴۴
عنوان فارسی کشف و یادگیری پدیده های استثنایی با بکارگیری تئوری استثنائات و رضایتمندی
چکیده فارسی مقاله منطق یادگیری از استثنائات چالش مهمی در حیطۀ داده­کاوی و کشف دانش است. در این پژوهش بر اساس تئوری استثنائات و رضایتمندی، الگویی نوین برای بهبود شایان توجه میزان اعتماد و اطمینان به کشف و یادگیری از استثنائات ارائه می‎شود. ابتدا به‎کمک رویکرد تلفیقی پیشنهادی بر اساس تئوری استثنائات، حدود رفتار نرمال و استثنایی داده­ها مشخص می‎شود و پس از آن با به‎کارگیری تئوری رضایتمندی، راه­حل­های رضایت­بخش به‎دست می‎آید. استخراج دانش از داده­های نرمال و استثنایی به‎کمک رویکرد یادگیری پایین به بالا و به‎کارگیری الگوریتم پیشنهادی RISE ارتقایافته صورت می­گیرد. به‎منظور تعیین کارایی الگوی پیشنهادی، کشف سهام استثنایی در پایگاه اطلاعاتی بازار بورس ایران هدف قرار گرفت. برتری نتایج روش پیشنهادی با نتایج به‎دست‎آمده از به‎کارگیری سایر الگوریتم­های داده­کاوی، روزنه­ای برای توجه به رویکرد پیشنهاد شده است. همچنین با بهره‎مندی از شاخص g-means میزان دقت این روش سنجیده شد. نتایج نشان داد روش پیشنهادشده از قابلیت شناسایی و یادگیری از داده­های استثنایی برخوردار است.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی abnormal data detection and learning their behavior by abnormality and satisficing theory
چکیده انگلیسی مقاله Learning of abnormalities is a considerable challenge in data mining and knowledge discovery. Exceptional phenomena detect among huge records of the database which contains a large number of normal records and very few abnormal ones. This is important to promote confidence to a limited number of records for effective learning of abnormality. In this study, a new approach based on the abnormality theory and satisficing theory presented for confidence improvement of abnormal data detection and learning. First, the borders of abnormal and normal behavior clear using a combination approach based on abnormality theory then, satisfied solution extracted by means of satisficing theory. Modified RISE method as a bottom-up learning approach implemented to extract Normal and abnormal knowledge. The efficiency of the proposed model determined by using it, for abnormal stock selection from the Iran stock market. The superior of the proposed method results toward the results of applying decision tree and support vector machine is considerable. Accuracy of proposed method measure by g-means index. The results show the capability of proposed approach in abnormality detection and learning.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله مسعود عابسی |
استادیار مدیریت صنعتی، دانشکدۀ صنایع، دانشگاه یزد، یزد، ایران
سازمان اصلی تایید شده: دانشگاه یزد (Yazd university)

الهه حاجی گل یزدی | hajigol yazdi
دانشجوی دکتری مهندسی صنایع، دانشکدۀ صنایع، دانشگاه یزد، یزد، ایران
سازمان اصلی تایید شده: دانشگاه یزد (Yazd university)

نشانی اینترنتی http://jitm.ut.ac.ir/article_55639_f6b049d36513760c8ba1504e87c90630.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1085/article-1085-210222.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات