دیتاست شطرنج (پادشاه در مقابل پادشاه)

دیتاست شطرنج (پادشاه در مقابل پادشاه)

این پروژه مربوط به دیتاست شطرنج (پادشاه در مقابل پادشاه) می باشد. یک  برنامه ریزی منطقی ilp) ) یا چارچوب یادگیری ارتباطی فرض می شود (muggleton، ۱۹۹۲). سیستم یادگیری با نمونه هایی از موقعیت های شطرنج که تنها با مختصات قطعات در هیئت مدیره مشخص شده است ارائه شده است. دانش پس زمینه به صورت سطر و ستون تفاوت نیز ارائه می شود. روابط لازم برای ایجاد یک طبقه بندی صحیح و مختصر برای مفهوم هدف باید توسط سیستم یادگیری کشف شود (نمونه هایی که قبلا تعریف دقیق فراوانی را ارائه می دهند). این کار به طور نزدیک به کاربرد کینلان (۱۹۸۳) از ID3 برای طبقه بندی پادشاه سفید و خنجر در برابر پادشاه سیاه و قاتل krkn) ) موقعیت به عنوان ۲ یا ۳ قطعه از دست رفته مرتبط است. چارچوب مشابهی است در حالی که موقعیتهای نمونه فقط اطلاعات کم درجه بندی را عرضه می کنند. یک تفاوت مهم این است که پیش فرض های پس زمینه ای دیگر از نوع عرضه شده در مطالعه krkn از طریق ویژگی های دستکاری شده برای این دامنه krk ارائه نشده است.

Endgames شطرنج دامنه پیچیده ای است که قابل شمارش است. پایگاه داده های endgame جداول مقادیر نظریه بازی شده برای عناصر شمارش شده (موقعیت های قانونی) دامنه هستند. ارزش های نظریه بازی ذخیره شده نشان می دهد که آیا موقعیت ها برای هر دو طرف به دست می آیند یا شامل عمق پیروزی (تعداد حرکت) با فرض حداقل بازی بهینه مطلوب است. از دیدگاه آزمایشات در مورد القای کامپیوتر، این پایگاه های اطلاعاتی، نه تنها منبع نمونه، بلکه یک اوراکل (roycroft، ۱۹۸۶) را برای تست قوانین القا شده فراهم می کنند. با این حال پایگاه داده Endgame شطرنج متفاوت از، می گویند، یک پایگاه اطلاعاتی مرتبط با جزئیات قطعات و تامین کنندگان در احترام مهم زیر است. ترکیبی از محاسبات مقادیر نظر سنجی بازی برای مقادیر موقعیت های جداگانه به صورت مستقل، ممنوع است. بنابراین تمام نوشته های پایگاه داده در یک فرایند تکثیر تکراری با استفاده از الگوریتم «پشتیبان استاندارد» تولید می شود (تامپسون، ۱۹۸۶).

یک پایگاه داده krk توسط کلارک (۱۹۷۷) توصیف شد. پایگاه داده فعلی برای آزمایش های یادگیری ماشین در بیین (۱۹۹۲، ۱۹۹۴) مورد استفاده قرار گرفت. لازم به ذکر است که پایگاه داده ما صحیح نیست، اما توزیع کلاس همانند پایگاه داده کلارک است. در (۱۹۹۲، ۱۹۹۴)، وظیفه طبقه بندی مواضع در پایگاه داده بود که به صورت سفید در یک تعداد ثابت حرکت می کرد، با در نظر گرفتن بازی بهینه توسط هر دو طرف. مشکل این بود که زیر خط مشی های جداگانه با جابجایی دستورالعمل عمق برنده، صفر، یک، …، شانزدهم تشکیل شده است. هنگام یادگیری عمق d همه نمونه ها در عمق> d به عنوان منفی استفاده می شود. quinlan (1994) فویل مورد استفاده برای یادگیری یک راه حل کامل و درست برای این کار است.

پیچیدگی های معمولی طبقه بندی های القا شده در این حوزه نشان می دهد که این وظیفه زمانی است که دانش زمینه محدود شده است.

تعداد نمونه ها:

۲۸۰۵۶ نمونه

تعداد ویژگی ها:

۶ ویژگی

داده های پرت:

این دیتاست فاقد داده های پرت یا missing values  می باشد.

امکانات پروژهشطرنج (پادشاه در مقابل پادشاه):

• این دیتاست دارای یک داکیومنت کامل فارسی است. در این داکیومنت عنوان دیتاست، توضیحات کامل دیتاست، تعداد ویژگی ها، تعداد نمونه ها، توضیح تمام ویژگی های موجود و لینک دیتاست تشریح شده است.
• این دیتاست دارای یک داکیومنت کامل انگلیسی نیز می باشد، که در این دیتاست اطلاعات کاملی به زبان لاتین در رابطه با دیتاست معرفی شده ارائه شده است.
• پس از خرید، امکان دانلود فایل اصلی دیتاست در قالب فایل اکسل میسر است.
• فایل پیش پردازش دیتاست
• وجود فایل ARFF و قابل اجرا در نرم افزار داده کاوی مثل وکا
• امکان دانلود لینک دیتاست در یک فایل متنی به صورت جداگانه

نکته: برای این دیتاست انواع الگوریتم های داده کاوی اهم از ۱۴۷ الگوریتم دسته بندی (مثل: درخت تصمیم، شبکه عصبی، ماشین بردار پشتیبان و …)، ۶ الگوریتم خوشه بندی (مثل: K-Means ، DBSCAN ،X-Means و…)، ۳ الگوریتم انجمنی (مثل Apriori ، FP-Growth  و …) و چندین الگوریتم انتخاب ویژگی (مثل PSO و …) با استفاده از ابزارهای داده کاوی و برنامه نویسی اعم از رپیدماینر، وکا، تاناگرا، SPSS، مدلر، کلمنتاین، متلب و … تهیه و پیاده سازی شده است.