ترجمه فارسی مقاله به سوی افزایش کیفیت داده خودکار قابل توضیح بدون دانش دامنه

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Towards Explainable Automated Data Quality Enhancement without Domain Knowledge
عنوان مقاله به فارسی به سوی افزایش کیفیت داده خودکار قابل توضیح بدون دانش دامنه
نویسندگان Djibril Sarr
فرمت مقاله انگلیسی PDF
تعداد صفحات 27
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Databases,Artificial Intelligence,Machine Learning,بانکهای اطلاعاتی , هوش مصنوعی , یادگیری ماشین ,
توضیحات Submitted 16 September, 2024; originally announced September 2024. , MSC Class: 62H30; 68P99 ACM Class: H.2.7; H.2.8; I.2.1
توضیحات به فارسی ارائه شده 16 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد. ، کلاس MSC: 62H30 ؛کلاس 68p99 ACM: H.2.7 ؛H.2.8 ؛I.2.1
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

In the era of big data, ensuring the quality of datasets has become increasingly crucial across various domains. We propose a comprehensive framework designed to automatically assess and rectify data quality issues in any given dataset, regardless of its specific content, focusing on both textual and numerical data. Our primary objective is to address three fundamental types of defects: absence, redundancy, and incoherence. At the heart of our approach lies a rigorous demand for both explainability and interpretability, ensuring that the rationale behind the identification and correction of data anomalies is transparent and understandable. To achieve this, we adopt a hybrid approach that integrates statistical methods with machine learning algorithms. Indeed, by leveraging statistical techniques alongside machine learning, we strike a balance between accuracy and explainability, enabling users to trust and comprehend the assessment process. Acknowledging the challenges associated with automating the data quality assessment process, particularly in terms of time efficiency and accuracy, we adopt a pragmatic strategy, employing resource-intensive algorithms only when necessary, while favoring simpler, more efficient solutions whenever possible. Through a practical analysis conducted on a publicly provided dataset, we illustrate the challenges that arise when trying to enhance data quality while keeping explainability. We demonstrate the effectiveness of our approach in detecting and rectifying missing values, duplicates and typographical errors as well as the challenges remaining to be addressed to achieve similar accuracy on statistical outliers and logic errors under the constraints set in our work.

چکیده به فارسی (ترجمه ماشینی)

در عصر داده های بزرگ ، اطمینان از کیفیت مجموعه داده ها به طور فزاینده ای در حوزه های مختلف بسیار مهم شده است.ما یک چارچوب جامع را پیشنهاد می کنیم تا به طور خودکار مسائل مربوط به کیفیت داده ها را در هر مجموعه داده داده شده ، صرف نظر از محتوای خاص آن ، با تمرکز بر روی داده های متنی و عددی ، ارزیابی و اصلاح کند.هدف اصلی ما پرداختن به سه نوع اساسی نقص است: غیبت ، افزونگی و عدم انسجام.در قلب رویکرد ما تقاضای جدی برای توضیح و تفسیر قرار دارد ، و اطمینان از این که دلیل منطقی شناسایی و تصحیح ناهنجاری های داده شفاف و قابل درک است.برای دستیابی به این هدف ، ما یک رویکرد ترکیبی را اتخاذ می کنیم که روشهای آماری را با الگوریتم های یادگیری ماشین ادغام می کند.در واقع ، با استفاده از تکنیک های آماری در کنار یادگیری ماشین ، ما تعادل بین دقت و توضیح را ایجاد می کنیم و کاربران را قادر می سازیم تا روند ارزیابی را اعتماد و درک کنند.با تأیید چالش های مرتبط با اتوماسیون فرایند ارزیابی کیفیت داده ها ، به ویژه از نظر کارایی و صحت زمان ، ما یک استراتژی عملی را اتخاذ می کنیم و از الگوریتم های فشرده منابع فقط در صورت لزوم استفاده می کنیم ، در حالی که در هر زمان ممکن از راه حل های ساده تر و کارآمدتر استفاده می کنیم.از طریق یک تجزیه و تحلیل عملی که بر روی یک مجموعه داده عمومی انجام شده است ، ما چالش هایی را که هنگام تلاش برای افزایش کیفیت داده ها در حالی که توضیح می دهند ، نشان می دهیم.ما اثربخشی رویکرد خود را در تشخیص و اصلاح مقادیر گمشده ، کپی ها و خطاهای تایپوگرافی و همچنین چالش های باقی مانده برای دستیابی به دقت مشابه در مسافت های آماری و خطاهای منطقی تحت محدودیت های تعیین شده در کار ما نشان می دهیم.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.