دانلود کد برنامه نویسی Apriori algorithm for frequent item set mining and association rule learning over transactional databases

موضوع پروژه: سورس کد برنامه پیدا کردن قوانین وابستگی و کاوش مجموعه آیتم های تکراری به وسیله الگوریتم آپریوری و زبان برنامه نویسی سی شارپ به همراه ویدئوی آموزش اجرا

 مسیر یابی داخل شهری و بین شهری.

زبان برنامه نویسی: سی شارپ CSharp (C#)

محیط برنامه نویسی: ویژوال استودیو  ( Visual Studio ) ویژال استودیو 2012

توضیحات از ویکی پدیا :

آپریوری ^[۱] یک الگوریتم کلاسیک برای یادگیری قوانین وابستگی است. آپریوری روی پایگاه‌های داده شامل تراکنش‌ها (مثلاً مجموعه محصولات خریداری شده توسط مشتریان در یک سوپرمارکت) ساخته شده‌است. الگوریتم‌های دیگری نیز در این زمینه وجود دارند که روی پایگاه داده‌هایی کار می‌کنند که یا شامل تراکنش نیستند (Winepi و Minepi) و یا دارای ثبت زمانی نیستند (DNA sequencing).

ورودی این الگوریتم مجموعه‌ای از مجموعه آیتم‌ها است. الگوریتم تلاش می‌کند تا زیرمجموعه‌هایی از آیتم‌ها را که حداقل بین C مجموعه آیتم مشترک است بیابد. آپریوری یک الگوریتم پایین به بالا است، آنگونه که در هر مرحله یک آیتم به زیرمجموعه‌های مکرر اضافه می‌شود (تولید کاندید). مجموعه کاندیدها روی داده مورد ارزیابی قرار می‌گیرند. شرط خاتمه الگوریتم، عدم وجود شیوه توسعه موفق دیگری است.

هدف الگوریتم آپریوری، یافتن وابستگی‌ها بین مجموعه‌های مختلف از داده‌است. گاهی به آن، تحلیل سبد خرید هم می‌گویند. هر مجموعه‌ای از داده تعدادی آیتم دارد و تراکنش نامیده می‌شود. خروجی آپریوری، مجموعه‌هایی از قوانین است که چگونگی شمول آیتم‌ها در مجموعه‌های داده را توضیح می‌دهد. به عنوان توضیح بیشتر، به ذکر یک مثال می‌پردازیم:

هر خط مجموعه‌ای از آیتم‌ها است.

آلفابتاگاماآلفابتاتتاآلفابتااپسیلونآلفابتاتتا

1. ۱۰۰ در صد مجموعه‌های شامل آلفا، دارای آیتم بتا نیز هستند.
2. ۲۵ در صد مجموعه‌های شامل آلفا و بتا، دارای آیتم گاما نیز هستند.
3. ۵۰ درصد مجموعه‌های شامل آلفا و بتا، دارای آیتم تتا نیز هستند.

آپریوری از جستجوی اول سطح و یک ساختار درخت مانند برای شمارش کارامد مجموعه‌های آیتم بهره می‌برد. شبه کد الگوریتم برای یک پایگاه داده ای تراکنشی T و یک مقدارآستانه(threshold) ε، در زیر نشان داده شده است. از نمادهای مجموعه نظری معمول استفاده شده است، توجه داشته باشید که T، یک multiset است. Ck مجموعه کاندید برای سطح k است. الگوریتم Generate، برای ایجاد مجموعه های کاندید از آیتم ست های بزرگ از سطح قبلی(preceding level) با توجه به downward closure lemma است. Count[c] به یک field از ساختار داده ای که مجموعه کاندید را نشان می دهد، دسترسی پیدا می کند، و با مقدار صفر، مقدار دهی اولیه می شود. بسیاری از جزئیات در زیر حذف شده اند، معمولاً مهم ترین بخش ازپیاده سازی، ساختار داده ای استفاده شده برای ذخیره مجموعه های کاندید، و شمارش تعدادتکرار های آنها است.

نمونه تصاویر خروجی:

ویژگی های این برنامه:

1. نمایش خروجی های الگوریتم آپریوری مانند Frequent Items , Strong Rules , Maximal Items , Closed Items

1. انتخاب minimum Support , min Confidence

راهنمای اجرا:

پس از اجرای برنامه ابتدا آیتم ها را یکی یکی در باکس Item وارد کنید و بر روی Add Item کلیک کنید

سپس آیتم هایی که باهم ارتباط دارند را انتخاب کنید و Add transaction را بزنید این کار را تا وارد نمودن تمامی تراکنش ها ادامه دهید  در نهایت بر روی Process Transaction کلیک نمایید

آنچه تحویل داده می شود:

1. کد برنامه قابل اجرا در ویژال استودیو 2012 به بعد – خروجی طبق تصویر نمونه آورده شده (این برنامه درVisual Studio 2012 تست شده و 100 درصد به صورت تضمینی قابل اجرا می باشد)

2.  ویدئوی آموزش اجرای برنامه و خروجی گرفتن و نمایش خروجی

در صورتی که بخواهید می توانیم با قیمتی مناسب داکیومنت توضیحات این پروژه را تهیه کرده و تقدیم نماییم.

مناسب برای دانشجویان کارشناسی (لیسانس) و کاردانی و کارشناسی ارشد

 می توان به عنوان پروژه دروس کارشناسی یا کاردانی یا کارشناسی ارشد، دروسی مانند هوش مصنوعی، طراحی الگوریتم ها ، ژنتیک ، الگوریتم های پیشرفته ، هوش مصنوعی پیشرفته

 پس از خرید از درگاه امن بانکی، لینک دانلود در اختیار شما قرار میگیرد و همچنین به آدرس ایمیل شما فرستاده می شود.

توجه توجه توجه: هرگونه کپی برداری و فروش فایل های فروشگاه برکت الکترونیک (به آدرس ebarkat.ir یا codes.sellfile.ir) در فروشگاه های دیگر شرعاً حرام است، تمامی فایل ها و پروژه های موجود در فروشگاه، توسط ما اجرا و پیاده سازی و یا از منابع معتبر زبان اصلی جمع آوری شده اند و دارای حق کپی رایت اسلامی می باشند.

از پایین همین صفحه (بخش پرداخت و دانلود) می توانید این پروژه را خریداری و دانلود نمایید.

کد محصول 30157