Bài giảng "Khai thác dữ liệu: Chương 3 - Tập phổ biến & Luật kết hợp" được biên soạn gồm các nội dung chính sau: Các khái niệm cơ bản; Thuật toán Apriori; Thuật toán FP-Growth; Độ đo tính lý thú của luật kết hợp. Mời các bạn cùng tham khảo!

Bài giảng "Máy học nâng cao: Association rules" cung cấp cho người đọc các kiến thức: Giới thiệu về luật kết hợp, các ứng dụng, định nghĩa và mô hình hóa bài toán, thuật toán Apriori, bài tập. Mời các bạn cùng tham khảo nội dung chi tiết.

Nghiên cứu khảo sát mối quan hệ liều – đáp ứng của vị thuốc Bạch thược dựa trên các RCTs nhằm cung cấp bằng chứng khoa học cho việc áp dụng hợp lý liều lượng Bạch thược trong thực hành lâm sàng giúp sử dụng thuốc hiệu quả, an toàn, kinh tế và hạn chế quá liều.

Mục đích nghiên cứu của tóm tắt luận án "Phân loại mã độc android sử dụng học sâu" trình bày các nội dung chính sau: Tổng quan về phân lớp mã độc trên Android dựa trên học máy; các phương pháp đề xuất theo hướng trích xuất đặc trưng; phân lớp mã độc Android dựa trên học sâu;... Mời các bạn cùng tham khảo!

Bài giảng Khai phá dữ liệu (Data mining): Association rule, chương này trình bày những nội dung về: giới thiệu luật kết hợp; các ứng dụng; định nghĩa và mô hình hóa bài toán; thuật toán Apriori; bài tập;... Mời các bạn cùng tham khảo chi tiết nội dung bài giảng!

Bài viết Dup Apriori: Thuật toán hiệu quả khai thác tập phổ biến dựa trên giao dịch trùng lặp trình bày tiếp cận mới trong cải tiến hiệu quả thuật toán Apriori dựa trên giao dịch trùng lặp - giúp đẩy nhanh tốc độ tính toán và giảm thiểu quá trình truy xuất dữ liệu. Thuật toán cải tiến được gọi là DUP-Apriori.

Bài viết "DFS-Apriori: Khai thác nhanh tập phổ biến áp dụng chiến lược tìm kiếm theo chiều sâu" khảo sát một số thuật toán Apriori cải tiến và trình bày cách tiếp cận mới cải tiến hiệu quả thuật toán Apriori dựa theo chiến lược tìm kiếm theo chiều sâu (Depth First Search – DFS) – dễ dàng mở rộng trên môi trường tính toán phân tán. Đồng thời, thuật toán đề xuất kỹ thuật rút gọn các ứng viên, tính nhanh độ phổ biến của ứng viên và biểu diễn dữ liệu dạng bit - giúp đẩy nhanh tốc độ tính toán và giảm thiểu truy xuất dữ liệu. Mời các bạn cùng tham khảo!

Bài giảng Nhập môn Học máy và Khai phá dữ liệu - Chương 12: Khai phá tập mục thường xuyên và các luật kết hợp. Chương này cung cấp cho học viên những nội dung về: các khái niệm cơ bản; mô hình luật kết hợp; cơ sở dữ liệu giao dịch T; bài toán khai phá luật kết hợp; giải thuật Apriori; các vấn đề luật kết hợp;... Mời các bạn cùng tham khảo chi tiết nội dung bài giảng!

Bài giảng Nhập môn Học máy và Khai phá dữ liệu: Chương 11, chương này cung cấp cho học viên những nội dung về: phát hiện luật kết hợp; bài toán phát hiện luật kết hợp; lattice biểu diễn các tập mục cần xét; các chiến lược sinh tập mục thường xuyên; giải thuật Apriori; các yếu tố ảnh hưởng độ phức tạp Apriori;... Mời các bạn cùng tham khảo chi tiết nội dung bài giảng!

Nghiên cứu này sẽ tập trung phân tích, khai phá và tìm ra luật kết hợp dựa trên dữ liệu của quá khứ, từ đó đề xuất một số kiến nghị để hỗ trợ cho hoạt động kinh doanh của siêu thị được tối ưu hơn.

Bài giảng Khai phá dữ liệu: Bài 3 Luật kết hợp cung cấp cho người học những kiến thức như: Tổng quan; Phát biểu bài toán; Thuật giải Apriori; Thuật giải AprioriTid; Thuật giải FP_Growth. Mời các bạn cùng tham khảo!

Luận văn Thạc sĩ Công nghệ thông tin: Nghiên cứu và ứng dụng Hadoop để khai thác tập phổ biến được thực hiện với mục tiêu nhằm thực hiện thuật toán Apriori trên một số tập dữ liệu mẫu lớn, tính toán trên hệ thống song song Hadoop/MapReduce. Mời các bạn cùng tham khảo.

Luận văn Thạc sĩ Công nghệ thông tin: Phương pháp phân vùng phân cấp trong khai thác tập phổ biến được thực hiện với mục tiêu nhằm tìm hiểu việc khai thác các tập phổ biến (frequent item sets) trong cơ sở dữ liệu lớn, dựa trên cấu trúc dữ liệu mới hay gọi là danh sách mẫu phổ biến PL (requent Pattern List). Mời các bạn cùng tham khảo.

Bài giảng "Máy học nâng cao: Association rules" cung cấp cho người học các kiến thức: Giới thiệu về luật kết hợp, các ứng dụng, định nghĩa và mô hình hóa bài toán, thuật toán Apriori. Cuối bài giảng có phần bài tập để người học ôn tập và củng cố kiến thức.

Bài giảng Khai phá dữ liệu - Bài 2: Luật kế hợp cung cấp cho người đọc các kiến thức cơ sở về luật kết hợp, tạo luật kết hợp, các tập phổ biến với mẹo Apriori, tạo ứng viên Apriori, thuật toán Apriori đã đủ nhanh,... Mời các bạn cùng tham khảo nội dung chi tiết.

Mẫu thường xuyên, luật kết hợp là phương pháp khai mỏ dựa trên độ lặp lại thường xuyên của mẫu tin nào đó, xác định quy luật quan hệ giữa các thuộc tính (phần tử) trong mẫu tin đó. Và để hiểu rõ hơn về điều này mời các bạn tham khảo bài giảng Xây dựng hệ khai mỏ dữ liệu: Mẫu thường xuyên, luật kết hợp sau đây.

Thời đại phát triển mạnh của internet, intranet, data warehouse, cùng với sự phát triển nhanh về công nghệ lưu trữ đã tạo điều kiện cho các doanh nghiệp, các tổ chức thu nhập và sở hữu được khối lượng thông tin khổng lồ.

Trong những năm gần đây, sự phát triển mạnh mẽ của công nghệ thông tin đã làm cho khả năng thu thập và lưu trữ thông tin của các hệ thống thông tin tăng nhanh một cách nhanh chóng. Bên cạnh đó, việc tin học hóa một cách ồ ạt và nhanh chóng các hoạt động sản xuất, kinh doanh cũng như nhiều lĩnh vực hoạt động khác đã tạo ra cho chúng ta một lượng dữ liệu cần lưu trữ khổng lồ. Hàng triệu cơ sở dữ liệu đã được sử dụng trong các hoạt động sản xuất, kinh...

Các thuật toán luật kết hợp thường tạo ra một số lượng lớn các luật, trong đó có nhiều luật là không cần thiết cho việc xử lý thông tin nhằm phục vụ cho một mục đích, yêu cầu nào đó. Nhằm nâng cao hiệu năng thuật toán Apriori cho một số bài toán, bài báo đề xuất một thuật toán cải tiến của thuật toán Apriori là thuật toán Apriori-DT.