fa ارائه رویکردی نوین یادگیری ماشین برای شناسایی و تجزیه و تحلیل دانش پدیده‌های استثنایی مقالات پردازش داده‌های رقمی Paper پژوهشي Research <p dir="RTL" style="margin-top:0in;margin-right:-.1pt;margin-bottom:0in;margin-left:0in;margin-bottom:.0001pt;text-align:justify;line-height:normal;"><strong><span style="font-family:b nazanin;"><span style="font-size:10.0pt;">کشف پدیده‌&shy;های استثنایی پنهان در حجم انبوهی از رکوردهای موجود در پایگاه داده و استخراج دانش آن&shy;ها در این مطالعه مورد بررسی قرار گرفته است. پدیده‌&shy;های استثنایی به‌ندرت رخ می&shy;‌دهد و در حجم انبوهی از داده‌&shy;های عادی پنهان‌&shy;اند. دست‌یابی به دانش رفتاری این پدیده‌&shy;ها، ارزشمند و جذاب است. روش‌های موجود یادگیری، در هنگام پاک‌سازی پایگاه داده اغلب پدیده&shy;‌های استثنایی را به‌عنوان داده‌های پرت شناسایی کرده و از محاسبات خارج می&shy;‌کند و یا اینکه به‌&shy;دلیل تمایل به کلّیت، قابلیت شناسایی و دسته‌&shy;بندی درست این پدیده&shy;‌ها را ندارند. به همین دلیل، ایجاد چارچوبی کارآمد برای کشف دانش و یادگیری رفتار پدیده‌&shy;های استثنایی معدود که در میان انبوه رکوردهای یک پایگاه داده مخفی هستند، حائز اهمیت است. در این پژوهش، با به‌&rlm;کارگیری تئوری استثنائات و تئور‌‌ی&shy;‌های اطلاعات و دانه‌بندی اطلاعات نسبت به استخراج دانش رفتار پدیده‌&shy;های استثنایی اقدام شده است. کارآیی روش پیشنهادی با در‌نظر‌گرفتن اطلاعات 30 ماهۀ سهام شرکت‌&shy;های فعال در بازار اوراق بهادار ایران به‌منظور شناسایی و یادگیری رفتار سهام استثنایی، سنجیده می‌&shy;شود.&nbsp;</span></span></strong></p> <p><strong>Learning logic of exceptions is a substantial challenge in data mining and knowledge discovery. Exceptional phenomena detection takes place among huge records in a database which contains a large number of normal records and a few of exceptional ones<span dir="RTL">.</span> This is important to promote the confidence to a limited number of exceptional records for effective learning. In this study, a new approach based on the abnormality theory, information and information granulation theories are presented to detect exceptions and recognize their behavioral patterns<span dir="RTL">.</span> The efficiency&nbsp;of the proposed method was determined by using it to detect exceptional stocks from Iran stock market in a 30-month- period and learn their exceptional behavior. The proposed Enhanced-RISE algorithm (E-RISE) as a bottom-up learning approach was implemented to extract the knowledge of normal and exceptional behavior. The extracted knowledge was utilized to design an expert system based on the proposed abnormality theory to predict new exceptions from 6022 stocks. The superior findings show the results of this proposed approach in exceptional phenomena detection, is in accordance with experts&#39; opinions.</strong><br> &nbsp;</p> داده‌کاوی, پدیده‌های استثنایی, تئوری استثنائات, رویکرد یادگیری پایین به بالا, تئوری اطلاعات کشف Data mining, Exceptional phenomena, Abnormality theory, Bottom-Up learning approach, E-RISE Algorithm, Information theory. 15 28 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-695-1&slc_lang=fa&sid=1 elahe hajigol yazdi الهه حاجی گل یزدی elahehajigol@gmail.com 10031947532846005197 10031947532846005197 Yes Yazd univrdity دانشگاه یزد masood abessi مسعود عابسی mabessi@gmail.com 10031947532846005196 10031947532846005196 No Yazd univrdity دانشگاه یزد Mohammad bagher Fakhrzad محمدباقر فخرزاد mfakhrzad@yazd.ac.ir 10031947532846005198 10031947532846005198 No Yazd univrdity دانشگاه یزد Hasan Hoseini nasab حسن حسینی نسب hosseininasab@gmail.com 10031947532846005199 10031947532846005199 No Yazd univrdity دانشگاه یزد