نقش داده کاوی در بکارگیری داروهای گیاهی

سال انتشار: 1391
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 985

متن کامل این مقاله منتشر نشده است و فقط به صورت چکیده یا چکیده مبسوط در پایگاه موجود می باشد.
توضیح: معمولا کلیه مقالاتی که کمتر از ۵ صفحه باشند در پایگاه سیویلیکا اصل مقاله (فول تکست) محسوب نمی شوند و فقط کاربران عضو بدون کسر اعتبار می توانند فایل آنها را دریافت نمایند.

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

AGRIBIOTECH03_064

تاریخ نمایه سازی: 27 تیر 1392

چکیده مقاله:

ایجاد انبارهای اطلاعات جامع و کامل از گیاهان دارویی و اتصال این بانک های اطلاعاتی به یکدیگر ضرورتی انکار ناپذیر است. از داده های ذخیره شده در مورد گیاهان دارویی برای پشتیبانی از تجزیه و تحلیل و تصمیم گیری با استفاده از زبان پرس و جوی سنتی استفاده نمی شود چراکه تجزیه و تحلیل انسان با این حجم و بعد گسترده منجر به شکست می شود. روشهای آماری سنتی ظرفیت و مقیاس برای تحلیل این حجم داده را ندارند. تکنیک های داده کاوی Data Mining برای این کشف دانش از پایگاه های داده از اهمیت بالایی برخوردار است. برای این امر در ابتدا اقدام به ایجاد پروفایل مخصوص هر گیاه دارویی شامل اطلاعات و ویژگیهای ژنتیکی، ظاهری، مکان کشف گیاه و نیز خاصیت های دارویی شناخته شده آن گیاه، می شود. یک پروسه داده کاوی از اطلاعات پایگاه داده های گروه ها و دسته های مختلف گیاهی مختلف ساخته می شود. مزیت داده کاوی این است که می تواند حجم زیادی از اطلاعات را مدیریت کند و ساختارهای ذاتی الگو ها را آموزش بدهد. داده کاوی می تواند قوانین و مدل هایی که در ساختار تصمیم گیری برای مورد های آینده استفاده می شود را تولید کند. لذا در زمان مقتضی، با استفاده از الگوریتم های داده کاوی نظیر K-means به اطلاعات مورد نیاز گیاه مورد نظر یا گیاه جایگزین یا حتی تطابق تکامل خواص دارویی ترکیبی دست خواهیم یافت.

نویسندگان

سمیه ایزدی

کارشناس ارشد مهندسی فناوری اطلاعات – دانشگاه گیلان - رشت

رضا ابراهیمی آتانی

استادیار گروه کامپیوتر – دانشکده فنی – دانشگاه گیلان – رشت

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • No. .1 42و 2- Mitchell T.M., "Machine Learning and Data ...
  • , Michael J.A.Berryand et all, _ Data Mining Techniques for ...
  • نمایش کامل مراجع