Bài thuyết trình Ứng dụng khai thác dữ liệu (Data Mining and Application): Khai thác dữ liệu (Frequent Patterns Mining) tập trung vào các kỹ thuật phát hiện mẫu phổ biến trong cơ sở dữ liệu lớn. Nội dung trình bày các thuật toán khai thác tập mục thường xuyên, luật kết hợp và các ứng dụng liên quan. Đây là công cụ quan trọng để hiểu được mối quan hệ tiềm ẩn giữa các dữ kiện trong dữ liệu. Mời các bạn cùng tham khảo để biết thêm chi tiết!

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!

Luận văn Thạc sĩ Kỹ thuật "Khai phá tri thức trong cơ sở dữ liệu phân tán" gồm các nội dung: Tổng quan về khai phá dữ liệu; Khai phá luật kết hợp trong cơ sở dữ liệu; Nghiên cứu các thuật toán khai phá luật kết hợp trong cơ sở dữ liệu phân tán.

Nghiên cứu này đề xuất phương pháp cải thiện hiệu quả mô hình học máy thống kê trong bài toán khử nhập nhằng nghĩa từ tiếng Việt bằng cách tích hợp luật kết hợp được khai phá từ dữ liệu. Luật kết hợp giúp bổ sung tri thức ngữ cảnh dưới dạng các mẫu ngữ nghĩa thường gặp, từ đó hỗ trợ mô hình học tốt hơn trong việc phân biệt các nghĩa khác nhau của từ đa nghĩa.

Trong quá trình phát triển hệ thống dựa trên tri thức, việc biểu diễn tri thức là giai đoạn đầu tiên và rất quan trọng. Bài viết đề xuất thuật toán xây dựng các tri thức từ các nguồn dữ liệu, trong đó các cơ sở tri thức được biểu diễn bằng GBPA.

Trong nghiên cứu, tác giả trình bày giải pháp rút gọn tập ứng viên dựa vào khái niệm lớp tương đương – giải pháp được đặt tên QuickGen. Phần thực nghiệm, tác giả xây dựng hai kịch bản: (1) so sánh tính hiệu quả của giải pháp trên giai đoạn sinh luật; (2) đánh giá hiệu quả trên toàn bộ quá trình khai thác LKH – QuickGen được dùng ở cả hai giai đoạn.

Luận án Tiến sĩ Kỹ thuật "Hệ tư vấn dựa trên trường hàm ý thống kê" trình bày các nội dung chính sau: Nghiên cứu áp dụng lý thuyết phân tích hàm ý thống kê, mà cụ thể là biến thiên hàm ý thống kê và trường hàm ý, để đề xuất các độ đo biến thiên hàm ý và khung khai thác luật có mức độ hàm ý cao (luật hàm ý) đáp ứng được yêu cầu của các hệ tư vấn, làm cơ sở để cải thiện chất lượng các mô hình tư vấn lọc cộng tác, từ đó làm phong phú thêm giải pháp kỹ thuật cho hệ tư vấn thông qua việc vận dụng phân tích hàm ý thống kê.

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!

Tiếp tục chương 3, chương 4 của Bài giảng Kho dữ liệu và khai phá dữ liệu gồm các nội dung về tiền xử lí dữ liệu, phương pháp khai phá bằng luật kết hợp, phương pháp cây quyết định, các phương pháp phân cụm, phương pháp khai phá dữ liệu phức tạp. Mời các bạn tham khảo.

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: Chương 4 Khai phá luật kết hợp, cung cấp cho người học những kiến thức như: Khai phá luật kết hợp (Association rule); Các thuật toán khai phá vô hướng luật kết hợp (giá trị lôgic đơn chiều) trong CSDL giao dịch; Khai phá kiểu đa dạng luật kết hợp/tương quan; Khai phá kết hợp dựa theo ràng buộc; Khai phá mẫu dãy. Mời các bạn cùng tham khảo!

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!

Mục đích của luận văn này là tổng hợp các kiến thức về kỹ thuật khai phá dữ liệu bằng phương pháp tìm các luật kết hợp phân lớp trên tập mẫu học. Đề tài đi sâu nghiên cứu một mảng kỹ thuật khai phá dữ liệu nhằm hỗ trợ cho mục đích sử dụng khác nhau. Có mục đích tìm các nhân tố tích cực, có mục đích tìm các lỗi lưu trữ trong tập dữ liệu, có mục đích tìm kiếm nhận dạng tội phạm, gian lận tài chính hoặc cũng có thể làm dự báo, phân tích thị trường. Mời các bạn cùng tham khảo!

Luận văn tìm hiểu về luật kết hợp và ứng dụng thử nghiệm khai phá cơ sở dữ liệu bảng điểm học tập của học sinh trường THPT Tân Lập – Đan Phương nhằm hỗ trợ cho công tác quản lý, định hướng học tập cho học sinh phổ thông. Nhằm hỗ trợ học sinh chọn trường đại học, cao đẳng phù hợp với khả năng của bản thân hoặc đi học trường nghề chuyên nghiệp. Mời các bạn cùng tham khảo!

Chương 4 - Khai phá luật kết hợp. Những nội dung chính trong chương này gồm có: Bán chéo và bán tăng cường, khái niệm cơ sở: tập phổ biến và luật kết hợp, khái niệm cơ sở: tập phổ biến và luật kết hợp, khái niệm cơ bản: mẫu phổ biến và luật kết hợp, khái niệm khai phá kết hợp, khái niệm khai phá luật kết hợp, mẫu phổ biến và khai phá luật kết hợp là một bài toán bản chất của khai phá dữ liệu,… Mời các bạn cùng tham khảo.

Mục tiêu nghiên cứu của Luận án nhằm đề xuất giải pháp phát hiện các luật kết hợp và các mẫu chuỗi, luật chuỗi chung có tính đến khoảng cách thời gian xảy ra giữa các giao dịch tương ứng trong các cơ sở dữ liệu định lượng và các CSDL chuỗi định lượng cùng có yếu tố thời gian. Mời các bạn cùng tham khảo!