به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت
جستجوی مقالات مرتبط با کلیدواژه

apriori algorithm

در نشریات گروه مدیریت
تکرار جستجوی کلیدواژه apriori algorithm در نشریات گروه علوم انسانی
تکرار جستجوی کلیدواژه apriori algorithm در مقالات مجلات علمی
  • سیما حدادیان، زهرا ناجی عظیمی*، ناصر مطهری فریمانی، بهروز مینایی بیدگلی
    هدف

    عوامل جوی متعددی بر تعداد بیماران بیمارستان ها اثرگذار است که بدون در نظر گرفتن آنها از امکانات و نیروی انسانی بیمارستان ها، استفاده غیربهینه خواهد شد. هدف از اجرای این پژوهش، کشف دانش پنهان بین عوامل جوی با تعداد بیماران بیمارستان با استفاده از داده کاوی است.

    روش

    در این پژوهش، ارتباط بین عوامل جوی با تعداد بیماران بیمارستان تخصصی کودکان دکتر شیخ مشهد با استفاده از رده بندی مبتنی بر کاوش قواعد وابستگی چندبعدی بررسی می شود. بدین منظور، پس از آمارگیری جداگانه از تعداد بیماران بخش های نفرولوژی، هماتولوژی، اورژانس و پی آی سی یو این بیمارستان، ارتباط بین تعداد این بیماران با عوامل جوی شامل دمای هوا، رطوبت نسبی هوا، سرعت باد، فشار هوا و آلودگی هوا تحلیل شده است. داده های این پژوهش مربوط به 19 ماه است و با مراجعه به اسناد و مدارک به دست آمده است. برای انتخاب ویژگی، تمام زیرمجموعه های عوامل جوی، جست وجو شده و اثر تمام آنها بر تعداد بیماران با استفاده از رگرسیون خطی ارزیابی شده است. همچنین برای کاوش قواعد، از رده بندی مبتنی بر کاوش قواعد وابستگی چندبعدی که بر اساس الگوریتم شناخته شده آپریوری است، استفاده شده است.

     یافته ها:

    نتایج به دست آمده گویای قواعدی است که ارتباط بین تعداد متفاوت بیماران در بخش های مختلف بیمارستان را با تغییر عوامل جوی نشان می دهد.

     نتیجه گیری: 

    با استفاده از روش های به کار برده شده در این پژوهش، می توان ارتباط بین عوامل جوی و تعداد بیماران بیمارستان را بررسی کرد. همچنین قواعد به دست آمده به مدیران کمک می کند که برای منابع بیمارستان با توجه به تعداد متفاوت بیماران برنامه ریزی بهینه ای انجام دهند.

    کلید واژگان: رده بندی مبتنی بر کاوش قواعد وابستگی چندبعدی، الگوریتم آپریوری، رگرسیون خطی، عوامل جوی، تعداد بیماران بیمارستان
    Sima Hadadian, Zahra Naji Azimi *, Naser Motahari Farimani, Behrooz Minaei Bidgoli
    Objective

    There are many climatic factors affecting the number of patients in hospitals which generally tend to make a Non-optimal use of their facilities and human resources.This research is aimed at discovering hidden knowledge between climatic factors and the number of hospital patients using data mining techniques.

    Methods

    In this study, the relationship between climatic factors and the number of patients in Dr. Sheikh specialized pediatric hospital of Mashhad is investigated by classification based on multidimensional association rule mining. The number of patients in the nephrology, hematology, emergency and PICU department of this hospital have been considered separately, and consequently the relationship between the number of patients and the climatic factors such as air temperature, relative humidity, wind speed, air pressure and air pollution have been analyzed. This research has analyzed data gathered through a 19 month period and has been obtained by referring to the documents. In this research for feature selection, all subsets of climatic factors are searched and the effect of all subsets on the number of patients are evaluated using linear regression. Also for rule mining is used classification based on multidimensional association rule mining which is based on known Apriori algorithm.

    Results

    The results show different patterns that indicate the relationship between the number of patients in the hospital departments with the climatic factors.

    Conclusion

    This study is able to help analyze the relationship between the climatic factors and the number of patients in the hospital. Also, the rules will help managers make optimal planning for hospital resources according to the different number of patients.

    Keywords: Classification based on multidimensional association rule mining, Apriori algorithm, linear regression, climatic factors, The number of hospital patients
  • حیدر جعفرزاده، چمران عسگری، امیر امیری
    قواعد همباش (انجمنی) یکی از محبوب ترین مدل های حوزه داده کاوی به شمار می رود. در الگوریتم های کلاسیک حوزه قواعد همباش کاوی، مانند اپریوری، از حداقل دامنه پشتیبانی قاعده واحد استفاده می شود؛ در حالی که در رویکردهای جدیدی که تلاش کرده اند الگوریتم های کلاسیک را بهبود بخشند، مانند ام. اس. اپریوری، از حداقل دامنه پشتیبانی قاعده چندگانه استفاده می شود که در هر دو حالت، کاربر موظف است حداقل دامنه پشتیبانی از قاعده را تعیین کند. در نظر بگیرید کاربر قصد اعمال الگوریتم اپریوری را بر پایگاه داده ای با میلیون ها تراکنش داشته باشد؛ به طور قطع کاربر نمی تواند دانش لازم را درباره تمام تراکنش های موجود در پایگاه داده داشته باشد، بنابراین نمی تواند حد آستانه مناسبی را تعیین کند. در این پژوهش، برای اولین بار با استفاده از داده های فازی سازی شده و تکنیک میانگین گیری، روشی ارائه شده است که در آن، الگوریتم اپریوری به صورت کاملا خودکار حداقل دامنه پشتیبانی از قاعده را تعیین می کند. نتایج شبیه سازی شده روی نمونه ای واقعی نشان داد این رویکرد عملکرد مطلوب تری نسبت به الگوریتم اپریوری کلاسیک دارد.
    کلید واژگان: الگوریتم اپریوری، الگوهای پرتکرار، خوشه بندی فازی، دامنه پشتیبانی از قاعده، قواعد همباش
    Heydar Jafarzadeh, Chamran Asgari, Amir Amiry
    Apriori algorithm is the most popular algorithm in association rules mining. One of the problems the Apriori algorithm is that the user must specify a minimum support threshold. Consider that a user wants to implement the Apriori algorithm on a database with millions of transactions; Users will not have the necessary knowledge about all the transactions in the database and therefore cannot determine an appropriate threshold. The aim of this paper is improved the Apriori algorithm to automatically determine the minimum support. To achieve this, we will try to use fuzzy logic before of using the Apriori algorithm on data contained in the database, put the data in different clusters and try the offer to user the most appropriate threshold automatically. We hope this will be any rule that may be of interest not lost, because of inappropriate threshold specified by the user and also not extracted any rule useless.
    Keywords: Apriori Algorithm, Association Rules, Fuzzy Clustering, Support
  • جمشید ناظمی، پژمان جعفری، حامد هاشمی *
    با روند خصوصی سازی در صنعت بانکداری کشور و رشد بی سابقه رقابت در تکنولوژی های بانکداری، هر روزه بر اهمیت نگهداری از مشتریان کنونی و جذب مشتریان جدید افزوده می شود. نگهداری مشتریان یک استراتژی ارزشمند است که سودآوری بلند مدت و موفقیت سازمان ها را تضمین می کند. در این مطالعه، با استفاده از تکنیک های داده کاوی مدلی دو مرحله ای برای شناسایی ویژگی های گروه های مختلف مشتریان سپرده کوتاه مدت بانک معرفی گردیده است. در مرحله نخست، از الگوریتم K-mean جهت شناسایی گروه های مشتریان بر مبنای میزان سودآوری آن ها بهره گرفته شده است. چون در K-mean تعداد بهینه خوشه ها بستگی به مسئله مورد نظر دارد، بنابراین از طریق الگوریتم خوشه بندی Twostep تعداد بهینه خوشه ها معین می گردد. پس از تعیین گروه های مختلف مشتریان از لحاظ میزان سودآوری آن ها برای بانک، در مرحله دوم، با استفاده از الگوریتم Apriori قواعد وابستگی هر خوشه استنتاج می گردد. نتایج حاصل از این کاوش، به بانک ها کمک خواهد کرد تا درک بهتری از انتظارات کنونی و آتی مشتریان داشته باشند. و از این طریق تدوین استراتژی های بازاریابی برای جذب و نگهداری از مشتریان بر مبنای سودآوری آن ها تسهیل می گردد.
    کلید واژگان: داده کاوی، مدیریت ارتباط با مشتری، تحلیل RFM، سودآوری مشتری، نگهداری از مشتری
    J. Nazemi, P. Jafari, H. Hashemi *
    Deregulation within the banking industry's and unprecedented growth competition in newtechnologies, every day the importance of keeping current customers and attract new customers are added. This study presents a two-step model to identify characteristics of different groups of bank customers, based on their profitability. The new criteria introduced to analyze the profitability of each customer. And then, this criterion has been used for clustering customers based on their profitability.Because in k-mean algorithm there is not a general rule for the optimal number of clusters and the number of clusters depend on the problem, therefore firstly with applied by Two-step clustering algorithm determine the optimal number of clusters. In this study, Customers clustering to 3 groups as golden, silver, and bronze customers. Then, by using K-mean algorithm different groups of customers are identified. And with help of Apriori algorithm association rules of each cluster is inference. The result of this exploration, help to banks have better understanding of current and future customer expectations. And through this may be facilitated develop of marketing strategies to attract and retain profitable customers.
    Keywords: Clustering, Customer Profitability Analysis, Data Mining, Customer Relationship Management, RFM Analysis, K, mean Algorithm, Apriori Algorithm, Customer Retention, Customer Lifetime Value
نکته
  • نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
  • کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
  • در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال