دانلود مقاله 2015 داده کاوی ترجمه شده با بهترین کیفیت- کاوش نظرات با استفاده از یادگیری ماشین در داده های بزرگ (Big Data)

اختصاصی از رزفایل دانلود مقاله 2015 داده کاوی ترجمه شده با بهترین کیفیت- کاوش نظرات با استفاده از یادگیری ماشین در داده های بزرگ (Big Data) دانلود با لینک مستقیم و پر سرعت .

دانلود مقاله انگلیسی به صورت رایگان از آدرس زیر:

دانلود رایگان مقاله انگلیسی

نوع مطلب: مقاله ترجمه شده با بهترین کیفیت و کاملا تخصصی

عنوان مقاله: بررسی نظرات اسپم با استفاده از تکنیک های یادگیری ماشین

سال انتشار: 2015

زبان مقاله: فارسی

قالب مقاله: ورد (Word)

تعداد صفحات: 35 صفحه (همراه با مراجع)

محل انتشار: ژورنال داده های بزرگ (Journal of Big Data)

اطلاعات مقاله انگلیسی:

عنوان مقاله: Survey of review spam detection using machine learning techniques

نوع مطلب: مقاله اشپرینگر (Springer)

سال انتشار: 2015

زبان مقاله: انگلیسی

قالب مقاله: پی دی اف (PDF)

تعداد صفحات: 24 صفحه تک ستونی

محل انتشار: ژورنال داده های بزرگ (Journal of Big Data)

تعداد ارجاع (Citation) تاکنون(اردیبهشت 95): 3

چکیده فارسی:

نظرات آنلاین(Online Reviews) اغلب فاکتور اصلی در تصمیم گیری مشتری برای خرید یک محصول یا سرویس هستند و یک منبع با ارزش اطلاعاتی برای دستیابی به افکار عمومی در مورد محصولات و خدمات به حساب می آیند. همچنین بدلیل تاثیری که دارند، تولید کنندگان و فروشندگان بشدت نگران بازخوردها و نظرات مشتریان هستند. اعتماد به نظرات آنلاین باعث افزایش نگرانی های بالقوه می شود چرا که مجرمان ممکن است نظرات کذبی را برای بالابردن و یا کاهش ارزش محصولات و خدمات بصورت مصنوعی ایجاد کنند. این تجربه به " نظر اسپم " opinion(Review) spam مشهور است. به این صورت اسپمرها (Spammers) به دستکاری و آلوده کردن نظرات برای رسیدن به منفعت و سود میپردازند( یعنی نظرات جعلی، غیر واقعی و فریبنده ای را تولید می کنند). از آنجایی که تمامی نظرات آنلاین واقعی و قابل اعتماد نیستند، توسعه روشهایی برای تشخیص نظر اسپم اهمیت دارد. با استخراج خصوصیات (Features) با معنی از متن با استفاده از پردازش زبان طبیعی (NLP)، تشخیص نظر اسپم با استفاده از تکنیک های یادگیری ماشینی مختلف ممکن خواهد بود. علاوه بر این، اطلاعات اظهار نظر کننده جدای از خود متن میتواند برای کمک به این فرآیند استفاده شود. در این مقاله، به بررسی تکنیک های اصلی یادگیری ماشینی که برای حل مسئله تشخیص نظر اسپم ارائه شده اند و عملکرد روشهای مختلف برای طبقه بندی و تشخیص نظر اسپم می پردازیم. بخش اعظم تحقیق حاضر بر متدهای یادگیری نظارتی که نیازمند داده های بر چسب زده شده اند تمرکز میکند، زمانی که این متدها وارد حوزه نظر اسپم انلاین میشوند با کمبود این نوع داده ها مواجه می گردند. از آنجایی که میلیونها نظر آنلاین وجود دارد و تعداد بسیاری از آنها روزانه تولید می شوند، بررسی متدها برای داده های بزرگ (Big Data) مورد توجه قرار گرفته اند. تاکنون مقاله ای را که بر تاثیرات تجزیه و تحلیل داده های بزرگ برای تشخیص نظر اسپم مطالعه کند، نیافته ایم. هدف اصلی این مقاله، ارائه یک تحقیق مقایسه ای جامع و قوی با استفاده از تکنیک های یادگیری ماشینی مختلف و ابداع یک متدلوژی برای هدایت تحقیقات بیشتر است.

کلمات کلیدی: نظر اسپم، نظر کاوی، وب کاوی، یادگیری ماشینی، داده بزرگ، طبقه بندی

چکیده انگلیسی:

Abstract

Online reviews are often the primary factor in a customer’s decision to purchase a product or service, and are a valuable source of information that can be used to determine public opinion on these products or services. Because of their impact, manufacturers and retailers are highly concerned with customer feedback and reviews. Reliance on online reviews gives rise to the potential concern that wrongdoers may create false reviews to artificially promote or devalue products and services. This practice is known as Opinion (Review) Spam, where spammers manipulate and poison reviews (i.e., making fake, untruthful, or deceptive reviews) for profit or gain. Since not all online reviews are truthful and trustworthy, it is important to develop techniques for detecting review spam. By extracting meaningful features from the text using Natural Language Processing (NLP), it is possible to conduct review spam detection using various machine learning techniques. Additionally, reviewer information, apart from the text itself, can be used to aid in this process. In this paper, we survey the prominent machine learning techniques that have been proposed to solve the problem of review spam detection and the performance of different approaches for classification and detection of review spam. The majority of current research has focused on supervised learning methods, which require labeled data, a scarcity when it comes to online review spam. Research on methods for Big Data are of interest, since there are millions of online reviews, with many more being generated daily. To date, we have not found any papers that study the effects of Big Data analytics for review spam detection. The primary goal of this paper is to provide a strong and comprehensive comparative study of current research on detecting review spam using various machine learning techniques and to devise methodology for conducting further investigation.

Keywords: Review spam; Opinion mining; Web mining; Machine learning; Big data; Classification

کلمات کلیدی:

مقاله با ترجمه، مقاله 2015 کامپیوتر با ترجمه، مقاله کامپیوتر، مقاله 2015 کامپیوتر، مقاله آی اس آی کامپیوتر، مقاله ISI کامپیوتر با ترجمه، داده بزرگ، مقاله محاسبات ابری با ترجمه، مقاله رایانش ابری با ترجمه، مقاله داده کاوی با ترجمه،کاوش نظرات، کاوش داده های بزرگ، کاوش وب، کاوش متن، کاوش داده ها، مرور نظرات اسپم، کاوش مرور، کاوش نظرات، مقاله یادگیری ماشین با ترجمه، یادگیری ماشینی، ماشین یادگیری، تکنیک های با نظارت، تکنیک های با نظارتی، تکنیک های نظارتی یادگیری ماشینی، مقاله داده بزرگ و رایاننش ابری، مقاله اشپرینگر با ترجمه، داده های بزرگ، مقاله Big data ، مقاله Big Data با ترجمه، مقاله داده های حجیم با ترجمه، ابرداده ها، مقاله داده های عظیم با ترجمه، مقاله بیگ دیتا با ترجمه، مقاله داده عظیم با ترجمه، مقاله کلان داده با ترجمه، شاخص گذاری، ایندکسینگ، شاخص بندی در داده های بزرگ، کلان داده ها، شاخص بندی، شاخص گذاری، ایندکس کردن، سیستم هدوپ، نگاشت - کاهش، Big data,  review mining, spam detection, review spam detection, machine learning, big data analytics

پس از خرید از درگاه امن بانکی لینک دانلود در اختیار شما قرار میگیرد و همچنین به آدرس ایمیل شما فرستاده میشود.

تماس با ما برای راهنمایی، درخواست مقالات و پایان نامه ها و یا ترجمه تخصصی با آدرس ایمیل:

[e-mail]

شماره تماس ما در نرم افزار واتس آپ:

[phone]

شماره تماس ما در نرم افزار تلگرام:

[phone] 

شناسه ما در تلگرام:

@TopArticle 

 توجه: اگر کارت بانکی شما رمز دوم ندارد، در خرید الکترونیکی به مشکل برخورد کردید و یا به هر دلیلی تمایل به پرداخت الکترونیکی ندارید با ما تماس بگیرید تا راههای دیگری برای پرداخت به شما پیشنهاد کنیم.

دانلود پایان نامه اجرای تکنیک های داده کاوی (فرمت Word ورد doc)تعداد صفحات 80 صفحه

اختصاصی از رزفایل دانلود پایان نامه اجرای تکنیک های داده کاوی (فرمت Word ورد doc)تعداد صفحات 80 صفحه دانلود با لینک مستقیم و پر سرعت .

 تا به امروز نرم افزارهای تجاری و آموزشی فراوانی برای داده کاوی در حوزه های مختلف داده ها به دنیای علم و فناوری عرضه شده اند. هریک از آنها با توجه به نوع اصلی داده هایی که مورد کاوش قرار میدهند، روی الگوریتمهای خاصی متمرکز شده اند. مقایسه دقیق و علمی این ابزارها باید از جنبه های متفاوت و متعددی مانند تنوع انواع و فرمت داده های ورودی، حجم ممکن برای پردازش داده ها، الگـوریتمهای پیاده سـازی شده، روشهای ارزیابی نتایج، روشهای مصـور سـازی، روشهای پیش پردازش داده ها، واسطهای کاربر پسند، پلت‌فرمهای سازگار برای اجرا،قیمت و در دسترس بودن نرم افزار صورت گیرد. از آن میان، نرم افزار Weka با داشتن امکانات بسیار گسترده،امکان مقایسه خروجی روشهای مختلف با هم، راهنمای خوب، واسط گرافیگی کارا، سازگاری با سایر برنامه های ویندوزی، و از همه مهمتر وجود کتابی بسیار جامع و مرتبط با آن [Data Mining, witten et Al. 2005 ] ، معرفی میشود.

1- معرفی نرم افزار Weka

میزکارWeka ، مجموع‌های از الگوریتمهای روز یادگیری ماشینی و ابزارهای پیش پردازش داده‌ها میباشد. این نرم‌افزار به گونه‌ای طراحی شده است که میتوان به سرعت، روشهای موجود را به صورت انعطافپذیری روی مجموعه‌های جدید داده، آزمایش نمود. این نرم‌افزار، پشتیبانی‌های ارزشمندی را برای کل فرآیند داده کاوی های تجربی فراهم میکند. این پشتیبانی‌ها، آماده سازی داده‌های ورودی، ارزیابی آماری چارچوبهای یادگیری و نمایش گرافیکی داده‌های ورودی و نتایج یادگیری را در بر میگیرند. همچنین، هماهنگ با دامنه وسیع الگوریتمهای یادگیری، این نرم‌افزار شامل ابزارهای متنوع پیش پردازش داده‌هاست. این جعبه ابزار متنوع و جامع، از طریق یک واسط متداول در دسترس است، به نحوی که کاربر میتواند روشهای متفاوت را در آن با یکدیگر مقایسه کند و روشهایی را که برای مسایل مدنظر مناسبتر هستند، تشخیص دهد.

نرم‌افزار Weka در دانشگاه Waikato واقع در نیوزلند توسعه یافته است و اسم آن از عبارت"Waikato Environment for knowledge Analysis" استخراج گشته است. همچنین Weka ، نام پرندهای با طبیعت جستجوگر است که پرواز نمیکند و در نیوزلند، یافت میشود. (شکل زیر)

این سیستم به زبان جاوا نوشته شده و بر اساس لیسانس عمومی و فراگیر GNU انتشار یافته است.Weka تقریباً روی هر پلت فرمی اجرا میشود و نیز تحت سیستم عاملهای لینوکس، ویندوز، و مکینتاش، و حتی روی یک منشی دیجیتالی شخصی، آزمایش شده است.

این نرم افزار، یک واسط همگون برای بسیاری از الگوریتمهای یادگیری متفاوت، فراهم کرده است که از طریق آن روشهای پیش پردازش، پس از پردازش و ارزیابی نتایج طرح های یادگیری روی همه مجموعه های داده موجود، قابل اعمال است.

نرم افزار Weka ، پیاده سازی الگوریتمهای مختلف یادگیری را فراهم میکند و به آسانی میتوان آنها را به مجموعه های داده خود اعمال کرد.

  همچنین، این نرم افزار شامل مجموعه متنوعی از ابزارهای تبدیل مجموعه‌های داده ها، همانند الگوریتمهای گسسته سازی میباشد. در این محیط میتوان یک مجموعه داده را پیش پردازش کرد، آن را به یک طرح یادگیری وارد نمود، و دسته‌بندی حاصله و کارآیی‌اش را مورد تحلیل قرار داد.( همه این کارها، بدون نیاز به نوشتن هیچ قطعه برنامه‌ای میسر است.)

  این محیط، شامل روشهایی برای همه مسایل استاندارد داده کاوی مانند رگرسیون، رده‌بندی، خوشه‌بندی، کاوش قواعد انجمنی و انتخاب ویژگی میباشد. با در نظر گرفتن اینکه، داده‌ها بخش مکمل کار هستند، بسیاری از ابزارهای پیش پردازش داده‌ها و مصورسازی آنها فراهم گشته است. همه الگوریتم ها، ورودیهای خود را به صورت یک جدول رابطهای به فرمت ARFF دریافت میکنند. این فرمت داده‌ها، میتواند از یک فایل خوانده شده یا به وسیله یک درخواست از پایگاه دادهای تولید گردد.

یکی از راههای به کارگیری Weka ، اعمال یک روش یادگیری به یک مجموعه داده و تحلیل خروجی آن برای شناخت چیزهای بیشتری راجع به آن اطلاعات میباشد. راه دیگر استفاده از مدل یادگیری شده برای تولید پیشبینی‌هایی در مورد نمونه‌های جدید است. سومین راه، اعمال یادگیرنده‌های مختلف و مقایسه کارآیی آنها به منظور انتخاب یکی از آنها برای تخمین میباشد. روشهای یادگیری Classifier نامیده میشوند و در واسط تعاملی Weka ، میتوان هر یک از آنها را از منو انتخاب نمود. بسیاری از classifier ها پارامترهای قابل تنظیم دارند که میتوان از طریق صفحه ویژگی‌ها یا object editor به آنها دسترسی داشت. یک واحد ارزیابی مشترک، برای اندازه‌گیری کارآیی همه classifier به کار میرود.

پیاده سازیهای چارچوبهای یادگیری واقعی، منابع بسیار ارزشمندی هستند که Weka فراهم می کند. ابزارهایی که برای پیش پردازش داده‌ها استفاده میشوند Filter نامیده میشوند. همانند classifier ها، میتوان filter ها را از منوی مربوطه انتخاب کرده و آنها را با نیازمندیهای خود، سازگار نمود. در ادامه، به روش به کارگیری فیلترها اشاره میشود.

  علاوه بر موارد فوق، Weka شامل پیاده سازی الگوریتمهایی برای یادگیری قواعد انجمنی، خوشه‌بندی داده‌ها در جایی که هیچ دست‌های تعریف نشده است، و انتخاب ویژگیهای مرتبط در داده‌ها میباشد.

بهبود ارزیابی شبیه سازی کامپیوتری با استفاده از تکنیک های داده کاوی

اختصاصی از رزفایل بهبود ارزیابی شبیه سازی کامپیوتری با استفاده از تکنیک های داده کاوی دانلود با لینک مستقیم و پر سرعت .

امروزه شبیه سازی با بیشتر ارکان زندگی بشر درگیر شده است، از ارتباطات تلفنی و بی سیم گرفته تا خطوط حمل و
نقل و عملیات تولید و سدسازی. با توجه به مزایای غیر قابل انکارِ ای ن رویکرد، برداشتن هر گامی که منجر به بهبود هر
یک از مراحل اجرای آن شود میتواند تاثیر بسزایی در افزایش کارایی سیستمهای مورد ارزیابی داشته باشد. یک شیوه
معتبر برای ارزیابی مناسبتر اعداد و ارقام انبوه به دست آمده از شبیه سازی سیستم،ها استفاده از تکنیکهای هوش
مصنوعی نظیر دادهکاوی است.
به طور کلی مدلهای شبیهسازی به وسیله تحلیلهای آماری فراهم شدهاند و به کل سیستم وابستهاند و سعی می-
کنند تا با مدلهای مشخص و ساده چگونگی تعامل نهادها را در جهت تقلید رفتار سیستم واقعی شرح دهند. در تحقیق
حاضر نشان داده شده است که این مدلها در نهایت با بهرهگیری از روابط آماری و توزیعهای گوناگون پیشبینیهای لازم
را در جهت بررسی تاثیر تغییرات روی عملکرد سیستم انجام میدهند. از طرفی نیز ابزارهای دادهکاوی در جهت کمک به
تحلیل و استخراج دانش مربوط به واقعیت به کار رفته است و نتیجه حاصل از به کار بردن دادهکاوی در مدلسازی
سیسمت ها و بهرهوری به دست آمده در درک رفتار سیستم در آزمایشات انجام گرفته نشان داده شده است.

پایان نامه آماده با موضوع وب کاوی در صنعت‎(فرمت word) و 52صفحه

اختصاصی از رزفایل پایان نامه آماده با موضوع وب کاوی در صنعت‎(فرمت word) و 52صفحه دانلود با لینک مستقیم و پر سرعت .

ا افزایش چشمگیر حجم اطلاعات و توسعه وب، نیاز به روش ها و تکنیک هایی که بتوانند امکان دستیابی کارا به داده‌ها و استخراج اطلاعات از آنها را فراهم کنند، بیش از پیش احساس می شود. وب کاوی یکی از زمینه های تحقیقاتی است که با به کارگیری تکنیک های داده کاوی به کشف و استخراج خودکار اطلاعات از اسناد و سرویس‌های وب می پردازد. در واقع وب کاوی، فرآیند کشف اطلاعات و دانش ناشناخته و مفید از داده های وب می باشد. روش های وب کاوی بر اساس آن که چه نوع داده ای را مورد کاوش قرار می دهند، به سه دسته کاوش محتوای وب، کاوش ساختار وب و کاوش استفاده از وب تقسیم می شوند. طی این گزارش پس از معرفی وب کاوی و بررسی مراحل آن، ارتباط وب کاوی با سایر زمینه های تحقیقاتی بررسی شده و به چالش ها، مشکلات و کاربردهای این زمینه تحقیقاتی اشاره می شود. همچنین هر یک از انواع وب کاوی به تفصیل مورد بررسی قرار می گیرند که در این پروژه بیشتر به وب کاوی در صنعت می پردازم. برای این منظور مدل ها، الگوریتم ها و کاربردهای هر طبقه معرفی می شوند.

فهرست :

مقدمه

فصل دوم: داده کاوی

مقدمه ای بر داده کاوی

چه چیزی سبب پیدایش داده کاوی شده است؟

مراحل کشف دانش

جایگاه داده کاوی در میان علوم مختلف

داده کاوی چه کارهایی نمی تواند انجام دهد؟

داده کاوی و انبار داده ها

داده کاوی و OLAP

کاربرد یادگیری ماشین و آمار در داده کاوی

توصیف داده ها در داده کاوی

خلاصه سازی و به تصویر در آوردن داده ها

خوشه بندی

تحلیل لینک

مدل های پیش بینی داده ها

دسته بندی

رگرسیون

سری های زمانی

مدل ها و الگوریتم های داده کاوی

شبکه های عصبی

درخت تصمیم

Multivariate Adaptive Regression Splines(MARS)

Rule induction

Knearest neibour and memorybased reansoning(MBR)

رگرسیون منطقی

تحلیل تفکیکی

مدل افزودنی کلی (GAM)

Boosting

سلسله مراتب انتخابها

داده کاوی و مدیریت بهینه وب سایت ها

داده‌کاوی و مدیریت دانش

فصل سوم: وب کاوی

تعریف وب کاوی

مراحل وب کاوی

وب کاوی و زمینه های تحقیقاتی مرتبط

وب کاوی و داده کاوی

وب کاوی و بازیابی اطلاعات

وب کاوی و استخراج اطلاعات

وب کاوی و یادگیری ماشین

انواع وب کاوی

چالش های وب کاوی

مشکلات ومحدودیت های وب کاوی در سایت های فارسی زبان

محتوا کاوی وب

فصل چهارم: وب کاوی در صنعت

انواع وب کاوی در صنعت

وب کاوی در صنعت نفت، گاز و پتروشیمی

مهندسی مخازن/ اکتشاف

مهندسی بهره برداری

مهندسی حفاری

بخشهای مدیریتی

کاربرد های دانش داده کاوی در صنعت بیمه

کاربردهای دانش داده کاوی در مدیریت شهری

کاربردهای داده کاوی در صنعت بانکداری

بخش بندی مشتریان

پژوهش های کاربردی

نتیجه گیری

منابع و ماخذ فارسی

مراجع و ماخذ لاتین و سایتهای اینترنتی

دانلود پایان نامه داده کاوی و کاربرد آن در تشخیص بیماری ها ( دیابت )

اختصاصی از رزفایل دانلود پایان نامه داده کاوی و کاربرد آن در تشخیص بیماری ها ( دیابت ) دانلود با لینک مستقیم و پر سرعت .

شرح مختصر : امروزه در دانش پزشکی جمع آوری داده های فراوان در مورد بیماری های مختلف از اهمیت فراوانی برخوردار است. مراکز پزشکی با مقاصد گوناگونی به جمع آوری این داده ها می پردازند . تحقیق روی این داده ها و به دست آوردن نتایج و الگوهای مفید در رابطه با بیماری ها ،یکی از اهداف استفاده از این داده ها است . حجم زیاد این داده ها و سردرگمی حاصل از آن مشکلی است که مانع رسیدن به نتایج قابل توجه می شود . بنابراین از داده کاوی برای غلبه بر این مشکل و به دست آوردن روابط مفید بین عوامل خطر زا در بیماری ها استفاده می شود. این مقاله به معرفی داده کاوی وکاربردآن در صنعت پزشکی (پیش بینی بیماری) با استفاده از الگوریتم های داده کاوی به همراه نرم افزارهای مرتبط با آن پرداخته است