CBR মানে কেস-ভিত্তিক যুক্তি। CBR ক্লাসিফায়ারদের সমস্যা সমাধানের একটি ডাটাবেস প্রয়োজন নতুন সমস্যাগুলি স্পষ্ট করার জন্য। নিকটতম-প্রতিবেশী শ্রেণীবিভাগের বিপরীতে, যা ইউক্লিডীয় স্থানের পয়েন্ট হিসাবে প্রশিক্ষণ টিপল সংরক্ষণ করে, CBR কঠিন প্রতীকী উপস্থাপনা হিসাবে সমস্যা সমাধানের জন্য টিপল বা "কেস" সংরক্ষণ করে।
CBR এর বিভিন্ন ব্যবসায়িক অ্যাপ্লিকেশন রয়েছে যার মধ্যে রয়েছে গ্রাহক পরিষেবা সহায়তা ডেস্কের সমস্যা সমাধান, যেখানে কেসগুলি পণ্য সম্পর্কিত ডায়াগনস্টিক সমস্যাগুলি বর্ণনা করে। সিবিআর প্রকৌশল এবং আইন সহ ক্ষেত্রগুলিতে ব্যবহৃত হয়েছে, যেখানে মামলাগুলি প্রযুক্তিগত নকশা বা আইনগত রায়, সেই অনুযায়ী৷
চিকিৎসা শিক্ষা হল CBR-এর জন্য একটি অ্যাপ্লিকেশন, যেখানে রোগীর কেস হিস্ট্রি এবং চিকিৎসা নতুন রোগীদের নির্ণয় ও বিবেচনার জন্য ব্যবহার করা হয়। সংজ্ঞায়িত করার জন্য একটি নতুন কেস দেওয়া হলে, একটি কেস-ভিত্তিক যুক্তিবিদ পরীক্ষা করবে যদি একটি অভিন্ন প্রশিক্ষণ কেস অব্যাহত থাকে। যদি একটি আবিষ্কৃত হয়, তাহলে সেই মামলার সহগামী সমাধান পুনরুদ্ধার করা হয়।
যদি কোন বিনিময়যোগ্য কেস আবিষ্কৃত না হয়, তাহলে কেস-ভিত্তিক যুক্তিবিদ প্রশিক্ষণের ক্ষেত্রে অনুসন্ধান করবে যে উপাদানগুলি নতুন কেসের সাথে একই। এই প্রশিক্ষণের কেসগুলিকে নতুন কেসের প্রতিবেশী হিসাবে বিবেচনা করা যেতে পারে৷
৷কেসগুলিকে গ্রাফ হিসাবে সংজ্ঞায়িত করা হলে, এতে নতুন কেসের ভিতরে সাবগ্রাফের অনুরূপ সাবগ্রাফগুলি অনুসন্ধান করা থাকে। কেস-ভিত্তিক যুক্তিবাদী নতুন কেসের জন্য সমাধানের পরামর্শ দেওয়ার জন্য প্রতিবেশী প্রশিক্ষণের মামলাগুলির সমাধান সেট করার চেষ্টা করে। যদি একক সমাধানের সাথে অসামঞ্জস্যতা বৃদ্ধি পায়, তাই বিভিন্ন সমাধান অনুসন্ধানের জন্য ব্যাকট্র্যাক করা গুরুত্বপূর্ণ হতে পারে।
কেস-ভিত্তিক যুক্তিবিদ একটি সম্ভাব্য সম্মিলিত সমাধান প্রস্তাব করতে পটভূমি জ্ঞান এবং সমস্যা সমাধানের পদ্ধতি ব্যবহার করতে পারেন। কেস-ভিত্তিক যুক্তিতে বেশ কয়েকটি চ্যালেঞ্জ রয়েছে যার মধ্যে রয়েছে একটি সেরা মিল মেট্রিক আবিষ্কার করা (যেমন, সাবগ্রাফ সংযোগ করার জন্য) এবং সমাধানগুলি একত্রিত করার জন্য উপযুক্ত পদ্ধতি৷
অন্যান্য চ্যালেঞ্জগুলির মধ্যে রয়েছে ইন্ডেক্সিং প্রশিক্ষণের ক্ষেত্রে প্রধান বৈশিষ্ট্য নির্বাচন এবং দক্ষ সূচীকরণ কৌশলগুলির বিকাশ। যথার্থতা এবং দক্ষতার মধ্যে একটি লেনদেন বিকশিত হয় কারণ সঞ্চিত কেসের সংখ্যা অনেক বেশি হয়ে যায়।
CBR-এ দুটি পন্থা রয়েছে নিম্নরূপ -
-
ডেটা মাইনিং হল KDD প্রক্রিয়ার একটি মাত্র উপাদান যার মধ্যে একাধিক ফাইল অ্যাক্সেস করা, ডেটা পরিষ্কার করা এবং ফলাফল কার্যকর করা অন্তর্ভুক্ত থাকতে পারে। ডেটা মাইনিং অনুসন্ধানও সময়সাপেক্ষ হতে পারে। অনুসন্ধান ফলাফল এবং সম্পূর্ণ KDD প্রক্রিয়া সম্পর্কিত ডেটা এমন একটি ক্ষেত্রে সংরক্ষণ করা যেতে পারে যাতে একই ডেটা একাধিকবার মাইনিং করতে বেশি সময় ব্যয় করা না হয়।
-
একটি ডাটাবেসে প্রকৃতি সম্পর্কে কিছু পটভূমি জ্ঞান সমর্থন করার জন্য CBR ব্যবহার করা যেতে পারে, উদাহরণস্বরূপ, একটি শ্রেণীবিভাগের বৈশিষ্ট্যগুলির ওজন CBR টুল থেকে বোঝা যায়। একটি Bayesian নেটওয়ার্কে, নেটওয়ার্কের মেকানিজম CBR টুল (মডেল নির্মাণ) দ্বারা সেট আপ করা যেতে পারে, এটির "বিশেষজ্ঞ জ্ঞান" ব্যবহার করে এবং প্যারামিটারগুলি DM অ্যালগরিদম ব্যবহার করে বুঝতে পারে৷
