অ্যাসোসিয়েশন রুল লার্নিং হল এক ধরনের তত্ত্বাবধানহীন শিক্ষার কৌশল যা একটি ডেটা উপাদানের নির্ভরতার জন্য অন্য ডেটা উপাদানের উপর পরীক্ষা করে এবং যথাযথভাবে ডিজাইন করে যাতে এটি আরও ব্যয়-কার্যকর হতে পারে। এটি ডেটাসেটের ভেরিয়েবলের মধ্যে কিছু আকর্ষণীয় সম্পর্ক বা সমিতি আবিষ্কার করার চেষ্টা করে। ডাটাবেসে ভেরিয়েবলের মধ্যে আকর্ষণীয় সম্পর্ক খুঁজে পেতে এটি বিভিন্ন নিয়মের উপর নির্ভর করে।
অ্যাসোসিয়েশন রুল লার্নিং হল মেশিন লার্নিংয়ের সবচেয়ে গুরুত্বপূর্ণ পন্থা, এবং এটি মার্কেট বাস্কেট বিশ্লেষণ, ওয়েব ব্যবহার মাইনিং, ক্রমাগত উত্পাদন ইত্যাদিতে নিযুক্ত করা হয়। বাজারের ঝুড়ি বিশ্লেষণে, এটি একটি পদ্ধতি যা অনেক বড় খুচরা বিক্রেতাদের মধ্যে সম্পর্ক খুঁজে বের করতে ব্যবহার করে। আইটেম।
ওয়েব মাইনিংকে ইন্টারনেটে অভিযোজিত ডেটা মাইনিং পদ্ধতির প্রয়োগ হিসাবে দেখা যেতে পারে, যদিও ডেটা মাইনিংকে অ্যালগরিদমের প্রয়োগ হিসাবে সংজ্ঞায়িত করা হয় বেশিরভাগ কাঠামোগত ডেটার উপর প্যাটার্নগুলি আবিষ্কার করার জন্য যা জ্ঞান আবিষ্কারের প্রক্রিয়ায় স্থির হয়৷
একাধিক ডেটা টাইপের সংগ্রহকে সমর্থন করার জন্য ওয়েব মাইনিংয়ের একটি স্বতন্ত্র বৈশিষ্ট্য রয়েছে। ওয়েবের বিভিন্ন দিক রয়েছে যা মাইনিং প্রক্রিয়ার জন্য একাধিক পদ্ধতির ফল দেয়, যেমন টেক্সট সহ ওয়েব পৃষ্ঠাগুলি, ওয়েব পৃষ্ঠাগুলি হাইপারলিঙ্কগুলির মাধ্যমে সংযুক্ত করা হয় এবং ব্যবহারকারীর কার্যকলাপ ওয়েব সার্ভার লগের মাধ্যমে নিরীক্ষণ করা যেতে পারে৷
বাজারের ঝুড়ি বিশ্লেষণে, গ্রাহকরা তাদের কেনাকাটার ঝুড়িতে রাখা বিভিন্ন আইটেমের মধ্যে সংযোগ খুঁজে বের করে গ্রাহক কেনার অভ্যাস বিশ্লেষণ করা হয়। এই জাতীয় সমিতিগুলি আবিষ্কার করে, খুচরা বিক্রেতারা ব্যবহারকারীদের দ্বারা প্রায়শই কোন উপাদানগুলি ক্রয় করে তা বিশ্লেষণ করে বিপণন পদ্ধতি তৈরি করে। এই অ্যাসোসিয়েশন খুচরা বিক্রেতাদের নির্বাচনী বিপণন করতে এবং তাদের শেলফ এলাকার জন্য পরিকল্পনা করার জন্য সমর্থন করে বিক্রয় বৃদ্ধির দিকে নিয়ে যেতে পারে।
অ্যাসোসিয়েশন নিয়ম শেখার প্রকারগুলি
অ্যাসোসিয়েশন নিয়ম শেখার নিম্নলিখিত ধরনের আছে যা নিম্নরূপ -
Apriori অ্যালগরিদম − এই অ্যালগরিদমটি অ্যাসোসিয়েশন নিয়ম তৈরি করতে ঘন ঘন ডেটাসেটের প্রয়োজন। এটি ডাটাবেসগুলিতে কাজ করার জন্য ডিজাইন করা হয়েছে যাতে লেনদেন অন্তর্ভুক্ত থাকে। আইটেমসেটটি দক্ষতার সাথে গণনা করার জন্য এই অ্যালগরিদমের একটি প্রশস্ত-প্রথম অনুসন্ধান এবং হ্যাশ ট্রি প্রয়োজন৷
এটি সাধারণত বাজারের ঝুড়ি বিশ্লেষণ এবং সহায়তার জন্য ব্যবহৃত হয় যাতে পণ্যগুলি একসাথে কেনা যায়। এটি রোগীদের জন্য ওষুধের প্রতিক্রিয়া আবিষ্কার করতে স্বাস্থ্যসেবা এলাকায় ব্যবহার করা যেতে পারে।
এক্ল্যাট অ্যালগরিদম - Eclat অ্যালগরিদম সমতুল্য শ্রেণী রূপান্তর প্রতিনিধিত্ব করে। একটি লেনদেন ডাটাবেসে ঘন ঘন আইটেমসেটগুলি আবিষ্কার করার জন্য এই অ্যালগরিদমের একটি গভীরতা-প্রথম অনুসন্ধান পদ্ধতির প্রয়োজন৷ এটি Apriori অ্যালগরিদমের চেয়ে দ্রুত সম্পাদন করে।
F-P গ্রোথ অ্যালগরিদম − F-P বৃদ্ধির অ্যালগরিদম ঘন ঘন প্যাটার্ন প্রতিনিধিত্ব করে। এটি Apriori অ্যালগরিদমের উন্নত সংস্করণ। এটি একটি গাছের কাঠামোর আকারে ডাটাবেস বর্ণনা করে যাকে ঘন ঘন প্যাটার্ন বা গাছ হিসাবে উল্লেখ করা হয়। এই ঘন ঘন গাছের লক্ষ্য হল সবচেয়ে ঘন ঘন নিদর্শন বের করা।