پیاده سازی سه مقاله خوشه بندی – یادگیری ماشین

عملیات داده کاوی مفید نیاز به داده های خوب و مناسب دارد. داده های مناسب جهت عملیات داده کاوی می تواند حاصل پیش پردازش درست و صحیح داده ها باشد. در واقع برای کشف دانش به کمک داده کاوی باید مقدماتی صورت گیرد که مجموعه این مقدمات را آماده سازی داده ها می گویند. از اصلی ترین عملیات آماده سازی داده ها پاک سازی داده هاست که با هدف از بین بردن عدم قطعیت در داده کاوی مورد استفاده قرار گرفته و شامل هموار کردن نویز ها، شناخت و حذف داده های پرت و برطرف کردن ناسازگاری ها است . دراین مقاله ها ضمن معرفی داده های پرت  چندین روش برای تشخیص نقاط دور افتاده یا داده های پرت ارائه شده است.

در فایل های ضمیمه شده پیاده سازی سه مقاله در این زمینه به زبان جاوا آوده شده است:

 

 

عناوین این مقالات و لینک دانلود آنها در زیر آمده است:

Efficient Algorithms for Mining Outliers from Large Data Sets

http://dl.acm.org/citation.cfm?id=335437

____________________________________________

– A New Local Distance-Based Outlier Detection Approach for Scattered Real-World Data

http://link.springer.com/chapter/10.1007/978-3-642-01307-2_84#page-1

__________________________________

LOF: Identifying Density-Based Local Outliers

http://dl.acm.org/citation.cfm?id=335388

240,000 ریال – افزودن به سبد خرید پرداخت به سبدخرید اضافه شد