استخراج قوانين مكرر در داده هاي جرياني با استفاده از يادگيري تقويتي

مديريت داده¬هاي خام و تبديل داده‌هاي خارجي و داخلي سازمان به اطلاعات و دانش با استفاده از تكنيك‌هاي گوناگون بسيار مورد اهميت مي‌باشد. از تكنيك‌هاي معروف در اين زمينه داده‌كاوي است، كه مي‌تواند بر روي بانك‌هاي اطلاعاتي و داده‌هاي جرياني انجام شود و دانش مورد نياز را بدست آورد. داده‌هاي جرياني يكي از پديده‌هاي نو ظهور در دنياي اطلاعات و داده‌كاوي مي‌باشند كه دنباله‌اي از نمونه‌هاي x1,...,xn است، كه بايد به ترتيب مورد دسترسي قرار گرفته و مي‌توان تنها يكبار يا تعداد بسيار كمي آن را خواند. كاوش قوانين و الگوهاي مكرر يكي از موضوعات بسيار مهم و مورد تمركز در پژوهش‌هاي انجام شده در حوزه داده كاوي در طول يك دهه اخير بوده است. در يك توالي، علاوه بر آيتم‌ها، ترتيب زماني به كار رفتن (روي دادن آنها) در يك تراكنش مهم است، استخراج الگوهاي مكرر براي روابط در محدوده زماني معين در مجموعه داد¬ه¬ي معين جستجو مي‌شود. در اين مقاله براي رسيدن به اهدافمان از يادگيري تقويتي كه نوعي يادگيري ماشين است استفاده كرده‌ايم كه اگر بخواهيم تعريفي براي آن ارائه دهيم بايد بگوييم: يادگيري ماشين عبارت است از برنامه‌ريزي كامپيوترها به منظور بهبود يك معيار كارايي تعريف شده با استفاده از داده‌هاي موجود يا تجارب گذشته . يادگيري تقويتي: نوعي يادگيري ماشين است كه در آن عامل هوشمند با استفاده از تعامل با محيط پويا، رفتار خود را بهبود مي‌بخشد .در آخر مشاهده مي‌شود كه : 1- داده‌هاي جرياني به دليل ماهيت پيوستگي آنها مي‌توانند با روش يادگيري تقويتي بهتر مورد كاوش قرار مي‌گيرند. 2- روش يادگيري تقويتي مي‌تواند قوانين تكراري را در داده‌هاي جرياني با دقت بالاتري تشخيص دهد.