استخراج قوانین مکرر در داده های جریانی با استفاده از یادگیری تقویتی

مدیریت دادههای خام و تبدیل دادههای خارجی و داخلی سازمان به اطلاعات و دانش با استفاده از تکنیکهای گوناگون بسیار مورداهمیت میباشد. از تکنیکهای معروف در این زمینه دادهکاوی است، که میتواند بر روی بانکهای اطلاعاتی و دادههای جریانی انجام شود و دانش مورد نیاز را بدست آورد. دادههای جریانی یکی از پدیدههای نو ظهور در دنیای اطلاعات و دادهکاوی میباشند کهدنبالهای از نمونههای n,...,x1x است، که باید به ترتیب مورد دسترسی قرار گرفته و میتوان تنها یکبار یا تعداد بسایار کمی آن را خواند. کاوش قوانین و الگوهای مکرر یکی از موضوعات بسیار مهم و مورد تمرکز در پژوهشهای انجام شده در حوزه داده کاوی درطول یک دهه اخیر بوده است . در این مقاله برای رسیدن به اهدافمان از یادگیری تقویتی که نوعی یادگیری ماشین است استفاده کردهایم که اگر بخواهیم تعریفی برای آن ارایه دهیم باید بگوییم: یادگیری ماشین عبارت است از برنامهریزی کامپیوترها به منظور بهبود یک معیار کاراییتعریف شده با استفاده از دادههای موجود یا تجارب گذشته . یادگیری تقویتی: نوعی یادگیری ماشین اسات که در آن عامل هوشمند با استفاده از تعامل با محیط پویا، رفتار خود را بهبود میبخشد .در آخر مشاهده میشود که : 1 دادههای جریانی به دلیل ماهیت پیوستگی آنها میتوانند با روش یادگیری تقویتی بهتر مورد کاوش - قرار میگیرند. 2 روش یادگیری تقویتی میتواند قوانین تکراری را در دادههای جریانی با دقت بالاتری تشخیص دهد

کلیدواژه ها:

دادهکاوی ، دادههای جریانی ، یادگیری ماشین ، یادگیری تقویتی ، الگوهای مکرر ، قوانین مکرر