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 viết đề xuất một phương pháp mới để khai thác tập phổ biến từ dữ liệu luồng sử dụng thuật toán di truyền kết hợp với các phép toán bit và xử lý song song. Cốt lõi của phương pháp này sử dụng ThreadPoolExecutor từ Python để xử lý song song, tăng tốc độ tính toán đáng kể và cho phép xử lý các luồng dữ liệu lớn một cách hiệu quả.

Bài viết Giải pháp ứng dụng công nghệ big data hỗ trợ doanh nghiệp bán lẻ tại Việt Nam nghiên cứu dữ liệu lớn, phân tích dữ liệu lớn và giới thiệu về ứng dụng công nghệ dữ liệu lớn trong một số doanh nghiệp bán lẻ trên thế giới. Đồng thời, bài viết chỉ ra thực trạng ứng dụng dữ liệu lớn tại một số doanh nghiệp bán lẻ Việt Nam.

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!

Mục tiêu của luận văn này hướng tới cách giải quyết bài toán: Từ cơ sở dữ liệu có sẵn, làm sao để khai thác toàn bộ các tập phổ biến đóng, quan hệ cha – con giữa các tập này, cải tiến giải thuật khai thác dàn các tập phổ biến đóng để việc khai thác tập luật kết hợp sau này được dễ dàng và hiệu quả hơn.

Luận văn "Phương pháp khai thác theo chiều ngang để trích xuất các tập phổ biến" được hoàn thành với mục tiêu là tìm hiểu các kiến thức nền tảng về khai thác dữ liệu, khai thác tập phổ biến, thuật toán gốc Apriori và các cải tiến của Apriori. Tiếp sau đó người nghiên cứu sẽ tiến hành giai đoạn thứ hai: tập trung tìm hiểu và nghiên cứu thuật toán khai thác tập phổ biến đầy đủ theo chiều ngang, trong thuật toán có sử dụng ma trận bit để nén tập dữ liệu.

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.

Luận văn Thạc sĩ Công nghệ thông tin: Khai thác Top-rank K cho tập đánh trọng trên cơ sở dữ liệu có trọng số được thực hiện với mục tiêu nhằm tập trung vào nghiên cứu các thuật toán khai thác các tập được đánh trọng số dựa trên các thuật toán khai thác tập phổ biến trên cơ sở dữ liệu giao dịch nhị phân. Đề xuất ra thuật toán khai thác các Top-rank-k của các tập được đánh trọng số dựa trên cơ sở dữ liệu giao dịch có trọng số. Mời các bạn cùng tham khảo.

Mục đích của luận án nhằm nghiên cứu các thuật toán khai phá tập phổ biến, tập phổ biến có trọng số và tập lợi ích cao. Xây dựng mô hình, điều kiện, cấu trúc dữ liệu nhằm giảm không gian tìm kiếm và dựa trên cơ sở đó để xây dựng các thuật toán khai phá tập phổ biến có trọng số và tập lợi ích cao.

Mục đích của luận án nhằm nghiên cứu các thuật toán khai phá tập phổ biến, tập phổ biến có trọng số và tập lợi ích cao. Xây dựng mô hình, cấu trúc dữ liệu nhằm giảm không gian tìm kiếm và dựa trên cơ sở đó để xây dựng các thuật toán khai phá tập phổ biến có trọng số và tập lợi ích cao.

Đề tài nghiên cứu nhằm phân biệt mô hình tương quan thường xuyên và mô hình tương quan hiếm; sự tích hợp thông minh của hai mô hình đơn điệu và chống đơn điệu; tiếp cận thuật toán Cori để tìm tập phổ biến tương quan hiếm.

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.

Khai phá luệt kết hợp:  Tìm tất cả mẫu phổ biến, kết hợp, tương quan, hoặc cấu trú nhanquả trong tập các mục hoặc đối tượng trong CSDL quan hệ hoặc các kho chứa thông tin khác.  Mẫu phổ biến (Frequent pattern): là mẫu (tập mục, dãy mục…) mà xuất hiện phổ biến trong 1 CSDL [AIS93]

Mẫu phổ biến : là mẫu (tập các hạng mục, chuỗi con, cấu trúc con, đồ thị con, …) xuất hiện thường xuyên trong tập DL– Agrawal, Imielinski, Swami – 1993 – trong ngữ cảnh bài toán tập phổ biến và luật kết hợp