ارائه رویکردی نوین یادگیری ماشین برای شناسایی و تجزیه و تحلیل دانش پدیده‌های استثنایی

کشف پدیده های استثنایی پنهان در حجم انبوهی از رکوردهای موجود در پایگاه داده و استخراج دانش آن ها در این مطالعه مورد بررسی قرار گرفته است. پدیده های استثنایی به ندرت رخ می دهد و در حجم انبوهی از داده های عادی پنهان اند. دست یابی به دانش رفتاری این پدیده ها، ارزشمند و جذاب است. روش های موجود یادگیری، در هنگام پاک سازی پایگاه داده اغلب پدیده های استثنایی را به عنوان داده های پرت شناسایی کرده و از محاسبات خارج می کند و یا اینکه به دلیل تمایل به کلّیت، قابلیت شناسایی و دسته بندی درست این پدیده ها را ندارند. به همین دلیل، ایجاد چارچوبی کارآمد برای کشف دانش و یادگیری رفتار پدیده های استثنایی معدود که در میان انبوه رکوردهای یک پایگاه داده مخفی هستند، حائز اهمیت است. در این پژوهش، با به کارگیری تئوری استثنائات و تئور ی های اطلاعات و دانه بندی اطلاعات نسبت به استخراج دانش رفتار پدیده های استثنایی اقدام شده است. کارآیی روش پیشنهادی با در نظر گرفتن اطلاعات 30 ماهۀ سهام شرکت های فعال در بازار اوراق بهادار ایران به منظور شناسایی و یادگیری رفتار سهام استثنایی، سنجیده می شود.