Chƣơng trình có giao diện thân thiện, dễ sử dụng.
Chƣơng trình đã chạy thử trên nhiều bộ dữ liệu khác nhau đều cho kết quả chính xác.
Chƣơng trình đã đạt đƣợc mục đích đặt ra là tìm đƣợc tập mục cổ phần cao từ CSDL bán hàng. Tuy nhiên cần phải cải tiến, hoàn thiện với mức độ cao hơn trong thời gian tiếp theo.
- Thực hiện chƣơng trình khai phá tập mục cổ phần cao bằng cách sử dụng nhiều thuật toán khác nhau.
- So sánh kết quả, thời gian thực hiện,...giữa các thuật toán để có thể đƣa ra nhận xét đúng đắn về hiệu quả của thuật toán.
- Xây dựng, đóng gói chƣơng trình thành phần mềm chuyên dụng phục vụ khai phá tập mục cổ phần cao.
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn
KẾT LUẬN
Khai phá dữ liệu là một trong những kỹ thuật quan trọng, mang tính thời sự không chỉ đối với Việt Nam mà còn của cả nền CNTT thế giới hiện nay. Sự bùng nổ thông tin, dữ liệu toàn cầu, trên mọi mặt của đời sống xã hội. Cùng với sự phát triển và ứng dụng công nghệ thông tin trong nhiều lĩnh vực đã khiến cho nhu cầu xử lý những khối dữ liệu khổng lồ, để kết xuất ra những thông tin, tri thức hữu ích cho ngƣời sử dụng một cách tự động, nhanh chóng và chính xác, trở thành nhân tố quan trọng hàng đầu cho mọi thành công của các cơ quan, tổ chức và cá nhân trên thế giới. Khai phá dữ liệu đang đƣợc áp dụng rộng rãi trong nhiều lĩnh vực kinh doanh và đời sống khác nhau.
Luận văn đã trình bày các kiến thức cơ bản về khai phá tập mục thƣờng xuyên và luật kết hợp, khai phá tập mục cổ phần cao. Đồng thời, từ việc tìm hiểu về các kỹ thuật khai phá dữ liệu; các vấn đề liên quan đến khai phá tập mục thƣờng xuyên, khai phá luật kết hợp, khai phá tập mục cổ phần cao nhằm phát hiện và đƣa ra các mối liên hệ giữa các giá trị dữ liệu trong CSDL. Luận văn đã áp dụng thử nghiệm trên bài toán bán hàng, khám phá tất cả các tập mục cổ phần cao không nhỏ hơn ngƣỡng quy định để từ đây có thể hoạch định các chiến lƣợc cụ thể trong kinh doanh mang lại hiệu quả cao.
Hướng phát triển của luận văn
Nghiên cứu, cải tiến các thuật toán khai phá tập mục thƣờng xuyên, khai phá luật kết hợp, khai phá tập mục cổ phần cao đang là hƣớng nghiên cứu đƣợc nhiều nhà nghiên cứu quan tâm vì khả năng ứng dụng vào nhiều lĩnh vực, đặc biệt là trong kinh doanh. Do đó trong thời gian tới mở rộng hƣớng nghiên cứu áp dụng lý thuyết xác suất để khai phá tập mục thƣờng xuyên; mở rộng nghiên cứu tập mục cổ phần cao là nghiên cứu tập mục lợi ích cao trong cơ sở dữ liệu lớn.
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn
TÀI LIỆU THAM KHẢO
[1]. Nguyễn Huy Đức, luận án Tiến sĩ “Khai phá tập mục cổ phần cao và lợi ích cao trong cơ sở dữ liệu”, năm 2009.
[2]. Vũ Đức Thi (1997), Cơ sở liệu - Kiến thức và thực hành, NXB Thống kê.
[3]. Ferenc Bondon “A Fast APRIORI implementation”, informatics Laboratory, Computer and Automation Rearch Intitute, Hungarian Academy of Science.
[4]. Han J., Pei J., and Yin Y. (2000), “Mining frequent patterns without candidate generation”, In ACMSIGMOD Intl. Conference on Management of Data, pp.1-12.
[5]. Hilderman R.J., Carter C.L., Hamilton H.J., anhd Cercone N. (1998), “Mining association rules from market basket data using share measures and characterized itemsets:, Int. Journal of Artificial Intelligence Tools, Vol.7, pp.189-220.
[6]. Han J., Cheng H., Xin D., Yan X (2007), “Frequennt pattern mining: current status and future directions”. Data Min Knowl Disc, Vol. 15, pp.55-86. Published online: 27 Jannuary 2007. Springger Science+Business Media, LLC 2007.
[7]. Jiawei Han and Micheline Kamber (2001), Data Mining: Concepts anhd Teechniques, Hacours Science and Technology Company, USA.
[8]. Kotsiantis S., Kanellopoulos D. (2006), “Association Rules Mining: A Recent Overview”, GESTS International Transaction on Computer Science and Engineering, Vol. 32, No.1, pp.71-82.
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn
[9]. Li Y.C., Yeh J. S., and Chang C. C.(2005), “A fast algorith for mining share-frequent”, Lecture Notes in Computer Science, Spriger-Verleg, Germany, Vol.3399, pp.417-428.
[10]. R. Agrawal, T. Imielinski and A. Swami (1993), Minning association rules between sets of items i large databases, In ACM SIGMOD Intil.
[11]. T. Mitchell, Machine Learning and Data Mining, Communications of the ACM, Vol 42 (1999), No. 11, pp. 30-36.
[12]. Zhao Q.(2003), “Association Rule Mining: A Survey”, Technical Report, CAIS, Nanyang Technological University, Singapore, No. 2003116.