نظام تصنيف الحديث النبوي (Un système de classification pour El hadith Enabaoui )

شضخل هوح ذٍهشلا تعهاج

-يداىلا

لك

تٍ

تقٍقذلا مىلعلا

نسق

ًلَا ملاعإ

تساسذلا تٌاهن ةشكزه

ةداهش ىلع لصحتل ضشع

شتساه

ًوٌداكأ

ىاذٍه

:

ًلَا ملاعإ و ثاٍضاٌشلا

عشف

:

ًلآ ملاعإ

: صصخت

تعصىه توظنأ

و

ءاكر ا ًعانطص

إ

: تابلاطلا دادع

ةجيدخ ريشب ريدغ -ةديعس تاحرف روكز

عوضولما

رونا محمد يوان :ديسلا

رطؤملا داتسلاا

ةنجللا سيئر...:ديسلا

...:ديسلا

...

ةنجللا سيئر بئان

ةـيـعـماـجـلا ةـنــسـلا

:

2017/2016

ماظن

فينصت

يوبنلا ثيدحلا

(Un système de classification pour

El-hadith Enabaoui )

ويف اكرابم ابيط ايرثك ادحم دملحا كل مهللا

و تاومسلا ءلم ،

ضرلأا ءلم

و ،

تئش ام ءلم

كنإ

ءانثلا لىأ

و

دلمجا

دعت لا تيلا كمعن ىلع بير كركشأ ،

و ،

دتح لا تيلا كئلاآ

و بير كدحمأ ،

لي ترسي نأ ىلع كركشأ

اذى ماتمإ

ىضرت نأ وجرأ يذلا وجولا ىلع ثحبلا

نيع وب

.

لىإ ركشلبا وجوتأ ثم

مامرب ي ابلاط ي اعر م

ترسام

و ،

اتسأ ثحبلا اذى ادعم

و يذ

ذاتسلأا لضافلا ي رشم

:

رونأ محمد يوام

لضفلا ول يذلا ،

-

لىاعت الله دعب

-

و ثحبلا ىلع

م ثحابلا

ن

و اماونع عوضولدا ناك ذ

لىإ ةركف

و ةلاسر راص نأ

اثبح

،

و ولك ركشلا نيم ولف

و ريدقتلا

نافرعلا

.

و

مسق ي ءلاضفلا تيذتاسأ عيجم لىإ ليزلجا ركشلبا وجوتأ

ملاعلإا

ليلآا

ةعمابج

رضلخ وحم ديهشلا

اوليأ لم يذلا

و يهيجوت ي ادهج

ةرماعلا متهابتكم م بتك م ويلإ تجتحا ابم يدادمإ

.

و

مويلا اذى ي ليزلجا يركشب مدقتأ

و ةسئار ةشقانلدا ةنلج ي يرقولدا تيذتاسأ لىإ

لوبقب يلع مهلضفتل ءاضعأ

ةلاسرلا هذى ةشقانم

و اهللخ دسل لىأ مهف ،

و اهجوعم يموقت

و اتهآوتن بيذته

اهيف روصقلا طاوم ع ةنبالإا

،

ايرخ نيع مهبيثي نأ يمركلا الله لائاس

.

ابتكلدا ىلع ينمئاقلا ةوخلأا عيجم ركشأ امك

ثحبلا اذى ةدام اهنم تدوزت تيلا ت

...

و

م لك ركشأ

و ي دعاس

ثحبلا اذى زانجإ ىلع نيناعأ

و ةلزنم سفنلا ي مهلف ،

مىركذل ماقلدا فعسي لم نإ

لضفلل لىأ مهف ،

و

و يرلخا

ركشلا

.

ءادهلإا

ا

ليملجا مللحا ققح يذلا لله دملح

ليوطلا بردلا انينها رهسلا دعب برصلا دعب

،

و

مبه يقتلن نيذلا مى نونًثك

نوبىذيف

نكل

ليلق

و

مى ن

نم

اماترحاو ابح بلقلا ةيصنا ىلع سوللجا نوركتيح

:

إف

برصلاو حاجنلا نيملع نم لى

إ

حاجنلا برد لي نًني يذلا رونلا لى

بيأ

نييع ةرق

اتهاذ نونكم نع ةبرعم جرختل تاملكلا قباستت نم لىإو

و

ويف ناأ ام لىإ لصلأ باعصلا تناعو نيتملع نم

حبسأ موملها نيوسكت امدنعو

...يملاآ نم ففخيل انهانح ربح في

يمأ

نونلحا

و

ةبلمحا رجف ةقارشإ عم

ةايلحا تامسن نم ةمسن لك عم

-لا لبلب-لا تامغن نم ةمغن لك عم

تيلا بورط

رونلا عاعش روهظ عم ابه ىدنا

سمشلا بورغ لبقو

راجشلأا تاقيرو تبعاد "ىدن ةرطق" لك عمو

-نوكلا ءاسم في ردبلا ةقارشإ عمو

..

يملق ضبن نكيلإ لسرأ

-تايلاغلا تازيزعلا تياوخأ نكيلإ

و

بيلقب ام بتكت نأ زجعت فورلحا نأ مغر

-يداؤفب جلتخا ام فصت نأو

ةروطسلما تياملك يى يرعاشمف

يلمأ يى تياملكو

-تيوقو يدنس تيوخإ مكيلإ ...تيياركذ يى يلمأو

ءاملعلا عضاوت وتحامسب رهظأف ويلئاس ةنًح حيحصلا باولجبا ىدى وأ هنًغ لقع وملعب ءاضأ نم لك ليإ

اسم وتباحربو

نٌفراعلا ةح

حاجنلاو قوفتلا رس تيذتاسأ

انًخأ

بيلق قامعا في عبتريو..تيليمخ في نمكي فيط

...

لاو راهنلا نٌب تافاسلما دعب مغرف

ل

دعُبلا نٌبو لي

ءاقللاو

..

بلمحا ىقبتسف

ة

فاسلما لوط مغر

ة

نىتمأف...

لا نأ

كيسنت

ن

..ءافولا نم قدصا َابلق ميالأا

.

بوردلا لك مسرو

كيلا

ن

كدحو

ن

..

.

امف

أ

نوكن نا لجم

أ

..نايسنلا نم ىوق

.

انضعب ركذتن ىقبنو

..

تايلضفلا تيلايمز

ةديعس

تاحرف روكز

ءادهلإا

لا يلذإ

لاو كركشب لاإ ليللا بيطي

لاو .. كتعاطب لاإ راهنلا بيطي

بيطت

.. كركذب لاإ تاظحللا

ةنلجا بيطت لاو .. كوفعب لاإ ةرخلآا بيطت لاو

كتيؤرب لاإ

تج نأ وجرأ

للعلا اذى لع

كهجو صلالخ

يمركلا

رخف لكب كسما لحمأ نم يا

كركذل بيلق شعتري نم يا

ثحبلا اذى كيدىأ لله نيتعدوأ نم يا

بيأ

لياغلا

يللعو... تيلكح لىإ

يللحو... بيدأ لىإ

ميقتسلدا .... يقيرط لىإ

ةيادلذا ...قيرط لىإ

لملأاو لؤافتلاو برصلا عوبني لىإ

الله دعب دوجولا في نم لك لىإ

ولوسرو

ةيلاغلا يمأ

الله دعب يذلامو تيوقو يدنس لىإ

ىلع نيورثآ نم لىإ

أ

مهسفن

ةايلحا ملع نيوللع نم لىإ

تيوخإ ةايلحا نم لجمأ وى ام لي اورهظأ نم لىإ

و

فيو ةايلحا ربح وى ملظم عساو ربح ضرع في ةنيفسلا قلطنتل ةاسرلدا عفرتو ةعرشلأا حتفت نلآا

إ ءيضي لا ةللظلا هذى

ةديعبلا ةوخلأا تياركذ تياركذلا ليدنق لا

لا لىإ

تياول

هتببحأ

ن

بحأو

بن

ني

تياقيدص

ةيجدخ يرشب ريدغ

: صخلملا لا بٍقٌت ًف صْظٌلا ىلػ لوؼٌ ًَأ ثٍح ,ثاًاٍبلا ًف بٍقٌتلا نلػ عّشف يه عشف ُْ قٍبطت تٍظً ثاًاٍب ىلػ تٍباسح ثاٌٍقتّ بٍلاسأ , تٌشُْج تلط ثار ثاهْلؼه جاشختسا لجأ يه اقباس تفشؼه شٍغّ . تلأسه ذؼت تساسد توِولا لئاسولا يه فٌششلا يْبٌلا ثٌذحلا ضً , ثحابلا حٌوت ًتلا فشؼتلاّ قوؼتلا تطشف يْبٌلا ثٌذحلا مْلػ ًف ًهلاسلإا شطسأ يٍب ةأبخولا ثاهْلؼولا ىلػ .ثٌذحلا ضً توئأ َب ماق يزلا شٍبكلا ذِجلا يه نغشلاب ثٌذحلا نلػ ىٌؼت ًتلا بتكلا فٌٍظت ًف غوجب ثٌذحلا طب صْظٌلا ٍزُ غه لهاؼتلا ًف شٍبك ذحت ماهأ اٌحبطأ اًٌأ لاإ يػ ةذٍؼب تٍلآ تقٌش اشٍبك اذِجّ تقٍوػ تفشؼه بلطتٌ يزلاّ عْبطولا ضٌلا , ّ جاشختسلا ثٌذحلا ةاّس غبتت فذِب ,عْضْه ّأ فٍؼض ّأ حٍحط ىاك ىإ ثٌذحلا ضً تلاح ذٌذحت قٍقحتلّ اٌتٌاغ اٌثحب فذِتسا يٍوضت صْظٌلا ًف بٍقٌتلا تٌٍقت ل .فٌششلا يْبٌلا ثٌذحلا ضً تجلاؼه ىلػ لوؼٌ ماظٌ ةيحاتفملا تاملكلا : صْظٌلا ًف بٍقٌتلا , .يْبٌلا ثٌذحلا Résumé:

Fouille des textes est la branche de fouille de données fonctionne sur l'application des méthodes mathématiques et techniques de données de texte afin d'en extraire des informations fondamentales et connexes connaissent pas auparavant.

La question de l'étude du texte Hadith du chérif des questions importantes qui donnent le savant islamique dans la science Hadith une profondeur de hasard et d'identifier les informations cachées entre les lignes de texte moderne. En dépit de l'effort accompli par les imams de la science moderne dans la classification des livres traitant de la collection d'art moderne, mais nous sommes devenus devant un grand défi face à ces textes loin du mécanisme de texte imprimé d'une manière qui nécessite une connaissance approfondie d'un grand effort pour extraire et suivre les hadiths afin de déterminer l'état du texte moderne qui était vrai ou faible ou sujet, et pour atteindre notre objectif ciblé notre technologie d'exploration de recherche est inclus dans le texte d'un système qui fonctionne sur le processeur Le texte du Hadith

Mots clés : Fouille de donnée , El hadith Shérif

Abstract:

Text mining is the branch of data mining as it works on the application of mathematical methods and techniques of text data in order to extract fundamental and related

information not previously know .

The issue of studying the text of the Prophet's Hadith is an important issue that gives the Islamic scholar in the sciences of Hadith a chance to deepen and identify the information hidden between the lines of the text of the Hadith. Despite the great effort of the imams of modern science in the classification of books that deal with the collection of Hadith, In front of a great challenge in dealing with these texts in an automatic way away from the printed text, which requires a deep knowledge and a great effort to extract and follow the narrators of the modern in order to determine the state of the text of the conversation if it is true or weak or subject, and to achieve this goal was designed to organize two

techniques of text mining in the system works On The text of the treatment plant Hadith Sharif

لا لودج : 1.II ثيدحنا مهع ثاحهطصم ... .. 32 لا لودج III . 2 : ثاقتنمنا ثامهكنا تمئاق ... .... ... 03 لا لودج : 3.III ثيدحنا عونو ةاورنا تهسهس ثلااح مكش ... .... .. 03 لودجلا : 4.III ةاورنا تهسهس ثلااح زومر حضوي ... ... . 03 لودجلا : 5 .III ثانايبنا ةدعاق يف دجاوتت يتنا لوادجنا مهأ نيبي ... 03 لودجلا V I : 6. سبهكإ ثارادصإ ... 30

ططخملا I . 1 : ثانايبلا يف بيقنتلا تيلمع لحارم ... 7 ططخملا II . 2 : صوصنلا يف بيقنتلا تيلمعل تيليصفتلا لحارملا ... 77 ططخملا III . 3 : لمعلا تيلآ لحارمل يليصفتلا ططخملا ... 21 ططخملا III . 4 : مدختسملا نيب لعافتلا تيفيكل فصولا و ماظنلا ... 63 ططخملا III 5 : ثانايبلا ةدعاق ططخم ... 63

روصلا ةمئاق

لا ةروص III . :1 حيحص ثيدحل تنيع ... 82 لا ةروص III . :2 حيحصلا ثيدحلا ةاور تلسلس لكش ... ... ... 82 ةروصلا . IV 3 : افاج تجمربلا تغل راعش .. ... . 14 ةروصلا . IV 4

سبلكإ ريوطتلا ةئيب :

.. ... . 18 ةروصلا 5 .IV

:

ثيدحلا ةجلاعم ةهجاو ... ... 14 ةروصلا . IV 6 ةبتكملا ةهجاو : ... ... 14

تهبع تهذقه ... ... ... 1 لصفلا :I صىصنلا يف بيقنتلا ( Texte Mining ) I -لا ةهذقو ... 3 II -تانايبلا يف بيقنتلا ىه اه ( data mining ) ... 4 II . 1 ثبنبيبلا يف بيقنتلا فيرعت ... 5 II . 2 ثبنبيبلا بيقنت تيلوع (

Data Mining Process ) ... 5 3.II ثبنبيبلا يف بيقنتلا ثبينقت ... 7 II . 4 ثبنبيبلا يف بيقنتلا عاىنأ ... 8 III -صىصنلا يف بيقنتلا ( TEXT MINING ) ... 9 III . 1 فيرعت صىظنلا يف بيقنتلا ... 11 III . 2 صىظنلا يف بيقنتلا تيئارجلإ تيسبسلأا لحارولا ... 11 III . 3 صىظنلا يف بيقنتلا نه فذهلا ... 11 III . 4 ماذختسا ثبهىلعولا حيشرت يف صىظنلا يف بيقنتلا ... 11 IV – ةوتاخ ... 14

لصفلا

:II

يىبنلا ثيذحلا

فيرشلا

I ةهذقولا ... 15 II -ةنسلاو ثيذحلا ... 15 II . 1 ثيذحلا فيرعت ... 15 II . 2 ثيذحلا عاىنأ ... 16 II . 3 تنسلا فيرعت ... 16 4.II تنسلا مبسقأ ... 16 III -فيرشلا يىبنلا ثيذحلا نلع ... 17 III . 1 ثيذحلا نلع ةأشن ... 17 III . 2 ثيذحلا نلع مبسقأ ... 18 III . 3 ثيذحلا نلع عورف ... 19 III . 4 بتك نلع ثيذحلا ... 11 III . 5 ثيذحلا نلع ثبحلطظه ... 11 IV – ةوتاخ ... 13

I – ةهذقولا ... ... .. . 15 II

-ةقباس تاسارد

... ... . 15 III

-ةيلاح ةسارد

... ... . 16 III . 1 صىظنلا ريضحت ... ... . 17 III . 2 ضن تجلبعه ثيذحلا ... ... ... 18 III . 3 ثيذحلا ضن ليلحت ... ... ... . 35 IV جراون UML ... ... . 35 IV . 1 يعببتتلا ططخه ( Sequence Diagram ) ... 36 IV . 2 ثبئفلا ططخه ( Class Diagramme ) ... 36 V -ةوتاخلا ... 39

لصفلا

IV:

ضرع

ماظن

-I ةهذقولا ... 41 II -ريىطتلا تاودأ رايتخا ... 41 II . 1 بفبجلا تغل ... 41 1 -1 فيرعت . بفبجلا تغل ... 41 1 -1 . بفبجلا ثاراذطإ ... 41 1 -3 ثازيوهو ضئبظخ . بفبجلا ... . 41 II . 2 ريىطتلا تئيب بلكإ تلهبكتولا س ... 41 1 -1 . فيرعت بلكإ س ... 41 1 -1 بلكإ ثاراذطإ . س ... 41 II . 3 ثبنبيبلا ذعاىق مدبخ MySQL ... 43 3 -1 فيرعت MySQL ... 44 3 -1 ضئبظخو ثازيوه MySQL ... 44 III -جهانربلا ضرع ... 44 III -1 ثيذحلا ةجلاعه ةهجاو ... 44 III -2 ةبتكولا ةهجاو ... 46 -IV ةوتاخلا ... 46 ةهاع ةوتاخ ... 47 عجارولا

ةمدقملا

ةماعلا

د خلأغه ذؼر خفٗششلا خْٗجٌلا ثٗدبحلأا خعاس إ ذح ٓ نُأ غولا لئب ثحبجلا حٌور ٖزلا ثٗذدحلا مْلػ ىاذ٘ه ٖف صشف خ زلل دبّٗشولا خحص يه ذكأ ّ ٙا سبدث لدفحر ٖدزلا بدِث خدْٗجٌلا خٌدغلا تدزك حشدطؼلا ّ ذدصق ه دجكاْ ندلػ خ ثٗذدحلا ا لددئبِلا سْددطزل دد٘ ْلٌْور نبددله ٖددف ب خدد٘ربهْلؼولا ْددصٌلا ٖددف تدد٘لٌزلا خددٌ٘لر ٔددلػ سبدد٘زيتا غددقّ TEXT MINING ؤشلا ٍزُ ق٘لحزل خٗ . ىأ ث٘ح ْدصٌلا ٖدف ت٘لٌزلا خٌ٘لر TEXT MINING يدػ حسبدجػ ٖدُ د٘ ْلٌْور ب لد٘لحر ٔدلػ لدوؼر ث خثْزوولا ْصٌلا بل ل خغ لا خ٘ؼ٘جط فلزخه ٖف دتبلولا , لدؼلٗ بوه ل ازدِ خوُبدغه ثدحجلا ه دصبي حضد٘وز خ شطلبث ثٗذحلا ْصً خللبؼه خعاسد نبله ٖف ئا خ٘لٙا ق ْدصٌلا ٖدف تد٘لٌزلا خدٌ٘لر ماذخزدعبث ّ بهْوػ بصْصي , ّ خد٘ثشؼلا سدبدصولا ٖدف اذ ش٘جك صلً دْ ْل اشظً خد٘جٌ لأا سدبدصولا لد ه ملبدؼر ٖدزلا ٍزدُ دبعاسذلا دّذح ٖف ازُّ بٌػلاغا , ّ ٗذدحلا نلػ ٖف ثحبجلل للزٗ ًَأ ثحجلا ازِل ٓشيلأا حض٘ولا دبثْؼدص ث مبظً َل مذلٗ بوك حش٘ ك دبحلأا خدعاسد ٖدف ٍذػبغٗ خد ٗذح خدلٗشطث خفٗشدشلا خدْٗجٌلا ثدٗ , ّ حشد٘يلأا خ٘دصبخلا ل ثددحجل ذدد ّأ َددًأ تبددله بجددصي لل ىّبددؼز ي٘ددث ّ ثٗذددحلا نددلػ ٖددف ي٘ حبددجلا تدد٘لٌزلا نبددله ٖددف ي٘ حبددجلا ٖددف لا فذِث ْصٌلا ٖف خوُبغو إ لإا ءاشث ٖدفشؼولا سبدغ ّ ْدصٌلا ٖدف تد٘لٌزلا نبدله شْٗدطر TM لدح ّ ْٗ ٖزلا لكبشولا ا ِ غه ثٗذحلا نلػ ٖف ىْ حبجلا بِ ثٗدبحلأا ْصً خللبؼه ث لب شط ئا خٗذ٘للزلا ق . ازِل ّ ثحجلا شصحٌ٘ع لإا ٖف ٖصلزلا ٔلػ خثب لا خ٘لبزلا دتؤبغز : 1 -به ؟ ْصٌلا ٖف ت٘لٌزلا خٌ٘لر ُٖ 2 ُْ به ؟ فٗششلا ْٕجٌلا ثٗذحلا 3 -فدد٘ك مبددظٌث فٗشددشلا ْٕددجٌلا ثٗذددحلا ْددصً خددللبؼه يددووٗ زٗ ددع ٖددف تدد٘لٌزلا خددٌ٘لر يو ْصٌلا ؟ بقلاطًا حعززع خلئعلأا ٍزُ يه ثحجلا فاذُأ ٖف خل وزولا :  خ٘ف٘ك خعاسد خ٘لآ خلٗشطث خْٗجٌلا ثٗدبحلأا خللبؼه .  إ فٗششلا ْٕجٌلا ثٗذحلا خعاسد ٖف خ ٗذحلا ت٘لبعلأا جاسد .  خلّبحه ءبعسإ ظعأ خ٘ ْلٌْور خ٘ولػ خو٘لع . ّ ّ غفاّد ثحث لول ىبك ارإ ْٕجٌلا ثٗذحلا ْصً سب٘زيا ىإف داسشجه فٗششلا ك دْدؼٗ ثدحجلا غدوزلو إ ٔل :  ّ نكاشزلا خلبح ّ طذوزلا نيضلا خ٘ربهْلؼولا شفْدٗ بوه فٗششلا ْٕجٌلا ثٗذحلا ْصً َْٗحر ٖزلا ْصٌلا ٖف ت٘لٌزلا خٌ٘لر ز٘فٌزل َ٘لإ جبزحٗ به ثحجلل  غٗششزلا ٖف فٗششلا ْٕجٌلا ثٗذحلا ْصً خ٘وُأ لإا لدجق يده خصبي خٗبٌػ بِحٌه ٕزلا ٖهلاع .ثٗذحلا ءبولػ

لا بهأ خ٘ظشف بٌِه قلطٌٗ ٖزلا ثحجلا ف ل وزر ٖ : ثدحبجلا يوو٘دع فٗششلا ْٕجٌلا ثٗذحلا ٔلػ ْصٌلا ٖف ت٘لٌزلا خٌ٘لر ق٘جطر ىأ لإا لادع ش٘فْدر يده ٖه ّ ذِللا غئبعلا ذقْلا . فٗششلا ْٕجٌلا ثٗذحلل خٗذ٘للزلا خللبؼولا ٖف ٖعزلٗ قجع به لك لٌِه ّ ثحجلل ب يه ذثت ّٖصلزلا إ ٌٔغزٗ ٔزح َػبجر لوػ خ٘لٙ ن٘وصر نٗذلر لا مبظٌ ٕزلا ف ت٘لٌزلا خٌ٘لر يوعزٗ ْصٌلا ٖ ّ صً خللبؼه ٔلػ لوؼٗ ْٕجٌلا ثٗذحلا فٗششلا , للزٌٗ نث إ خلحشه ٔل خدحبزولا خد٘لهشجلا ت٘لبدعلأبث ن٘ودصزلا ز٘فٌر , لا ذدًبوف خدٌ٘ؼ بُذدوزػا ٖدزلا ثدحجلا ن٘ودصزلا خدلحشه ٖدف دار ي٘ػًْ بوُ : ددجػ ٔددلّلأا ب يددػ حس خددػْوله يدده ي٘ددث ذددػٌْر ٖددزلا حبددلزٌولا ثددٗدبحلأا لا ّ خح٘حددص لا ّ خف٘ؼددع ٓشدديأ خػْظْه . -ّ دبًب٘ث يػ حسبجػ خً٘ب لا . ثٗذحلا حاّس يه خػْولول خ٘صخش دبهْلؼه ف َ٘لػ ءبٌث إ ى ٖف خهذخزغولا لئبعْلا ٖلهشجلا شْٗطزلا شدزلولا ن٘ودصزل إ ثدحجلا فذدِٗ ٕزدلا مبدظٌلل ٔدل خدد٘لبزلا داّدلأا ٖددف ذددل ور ٍذ٘ددغلر خددلهشجلا خددغل JAVA ّ خددلهبوزولا شْٗددطزلا خددئ٘ث ECLIPSE ّ مدبددي دبًب٘جلا ذػاْق MYSQL . ف ىبف َربثْؼص ثحث لول ىبك ارإ دبثْؼص ىأ ث٘ح عْظْولا خؼ٘جغ ن٘وص يه خؼثبً ثحجلا ازُ : أ به تلغ ْدصٌلا ٖدف تد٘لٌزلا خدٌ٘لر قد٘جطر عْدظْه يدػ تزك دبدثبزك ٖدُ ْٕدجٌلا ثٗذدحلا صدً ٔدلػ ٖلوؼلا ق٘جطزلا ل٘صبفر ٖف ضْخر ت خٗشظً . -لا يده صدً ٔدلػ ْصٌ-لا ٖف ت٘لٌز-لا خٌ٘لر ق٘جطر داشفلأا طؼث لجلر خثْؼص خدوِولا خ٘ػشدشلا ْدصٌ لإا يٗذلا ٖف ْٕجٌلا ثٗذحلبك ٖهلاع . عبغرا نبله ثٗذحلا نلػ غه ّ حش ك عٌْر ّ ّ لياذر كثبشر ّ نُ٘بفولا . َث فسبؼولا -لا ةسبعز ّ فلازيتا دْ ْولا لػ مبوحلأا يه ش٘ ك ٖف ثٗذحلا ءبولػ ي٘ث ٔ ءبولؼلا ذحأ ذلر نب ولا ل٘جع ح٘حص ثٗذح ًَأث ثٗذح ٔلػ نوحٗ شيٙا بوٌ٘ث ٗ ع ّؼ ف ذلً ّأ ثٗذحلا ظفً دفلازيا بدٌُ ب خ٘ودغر ٖدف ذدحأ ّ حاّشلا دبفلازيتا يه كلر ش٘غ . ٔلػّ ٍبٌؼطزدعا ٕزدلا َ ْلا ٔلػ ثحجلا ازُ مبورإّ ,دبثْؼصلا ٍزُ صّبلر يٗذُب بٌلّبح كلر يه نغشلا , لدد ّ ضددػ لددعفث ازددُّ ّٕبددً سْددًأ فشددشولا ربزددعلأا لددجق يدده بددٌل ذهذددق ٖددزلا داذػبددغولا نددث خدز٘جُ ذٗشف لظبفلا ذ٘غلاّ خل٘لث خلْي حربزعلأا : نٌِه شكزًّ بصزيتا ةبحصأّ اْدلخجٗ ندل يٗزدلا . داْػذلا صلبيّ شوشلا لٗض بٌه نِلف, دبشسإ ّأ حصً ّأ خهْلؼه ٕأث بٌ٘لػ

لصفلا

: I

-I

ةمدقملا

:

ؼجطأ ش١ؾث حش١جو حسٛظث دبٍِٛؼٌّا ُغؽ ُخؼر دبٍِٛؼٌّا ب١عٌٕٛٛىزٌ غعاٌٛا سبشزٔلاا دبّع ِٓ غّزغٌّا ِٓ حذ٠ذػ تٔاٛع ٟف ًاشصإِٚ ًبِب٘ ًاشظٕػ ، ِ بِٕٙ حدبفزعلااٚ دبٍِٛؼٌّا ٖز٘ خغٌبؼِ ْئٚ غ ٔشزٔلاا خىجشٌ غعاٌٛا سبشزٔلاا ٚ يبظرلاٌ خ١عبعلأا خٍ١عٌٛا ذؾجطأ ٟزٌا ذ ٚ ششٌٕ دبٍِٛؼٌّا يدبجر خ١ٌآ خم٠شطث دبٍِٛؼٌّا ك١صٛر تٍطز٠ ، لأا غِ زخ دبٔب١جٌاٚ صٛظٌٕا ٜٛزؾِ ٟف شؾجٌا سبجزػلاا ٓ١ؼث ، ِ غِ خ١ربٍِٛؼِ داٚدأ ِٓ هٌر َضٍزغ٠ ب ٌبؼف خ٠ٛغٌ .ٗ ذػاٛل خ١ٕمر دذٙش ذمٌ دبٔب١جٌا بٙز٠اذث زِٕ ًاش١جو ًاسٛطر دبٔب١جٌا ذػاٛل ذِذخزعا دبٕ١ؼجغٌا ٟفف ، خ١ٍغٍغزٌا ( Hiérarchique ) ، ذؼثٚ دبٔب١جٌا ذػاٛل ذِذخزعا دبٕ١ٔبّضٌا ٟف هٌر لاؼٌا ئ خ١م ) Relationnelle ( دبٕ١ؼغزٌا ٟف بِأ حشٙظ دبٔب١جٌا ذػاٛل ٌا خّ١ٕئبى ( بؼ٠أ بٙ١ٍػ كٍط٠ بِ ٚأ ٚ فذٌٙا ةٛط خٙعِٛ دبٔب١ث ذػاٛل بٙٔأث ض١ّزر ٟزٌا خ١فذٌٙا دبٔب١جٌا ذػاٛل لإبث بٙ١ٍػ ؼٍطظ٠ خ٠ض١ٍغٔ Oriented Object ) ٚ ، ذػاٛل ِٓ دبٔب١جٌا ذػاٛل ً٠ٛؾر خ١ف١و ٟف ذ٠ذع ٞذؾر صشث ٜشخأ خٙع ِٓ ٚ ٓ٠ضخر ٍؼٌّا ٓػ شؾث ظزٕزغر دبٍِٛؼٌٍّ ْصبخِ ٌٝئ خِٛ ٚ خفشؼٌّا بِٕٙ ساشمٌا ربخرا ٟف ذػبغر . ٚ ٓ٠ضخزٌا ش١ؽ ِٓ دبٔب١جٌا ٖز٘ غِ ًِبؼزر حذ٠ذع خ١ربٍِٛؼِ خّظٔأ دٛعٚ ٞسٚشؼٌا ِٓ ؼجطأ هٌزٌ ٚ عبعشزعلاا خ٠ؤس غػٚٚ بٌٙ ؾ١طخزٌاٚ داساشمٌا ربخرا ٟف حذػبغٌّا فذٙث عشؼٌا خ١ٍجمزغِ كٍؼزر تظر ٞزٌا سبغٌّبث ٗث داساشمٌا ٖز٘ . ٚ دب١ٕمر شجزؼر دبٍِٛؼٌّا طاشخزعا Data Mining خّظٔأ ٟف خِذخزغٌّا خض٠ذؾٌا دب١ٕمزٌا ِٓ ربٍِٛؼٌّا خ١ ذعشو ٟزٌا ٚ حٛعشٌّا خ٠ؤشٌا ك١مؾر ً١جع ٟف ٚ صلاخزعا ٟف خٍضّزٌّا شخزعا ٚ طا فبشزوا ِٓ حذ٠ذغٌا دبٍِٛؼٌّا ١ربٍِٛؼٌّا ُىٌا خ ٗ٠ٛزؾر ٞزٌا ًئبٌٙا ُعبِٕ بٙػاٛٔأث دبٔب١جٌا ، ُص ر دب١ٕمر بٕٙػ عشفز ًضِ ٜشخأ خ١ٕمر طٛظٌٕا ِٓ دبٍِٛؼٌّا طاشخزعا خ ٌا ٚأ صٛظٌٕا ٟف ت١مٕزٌا خ١ٕمزث دبّغّ ً١ٍؾر ظٌٕا ١ٍػ ؼٍطظ٠ٚ ٟ خ٠ض١ٍغٔلإا خغٌٍبث بٙ ining M ext T . ُر ٌٟبزٌبثٚ ٌا قشطز ز٘ ٟف ًظفٌا ا ٌٝئ خ١ٕمر خعاسد ت١مٕزٌا صٛظٌٕا ٟف خثبعلإبث ِٓ خٍّع ٍٝػ دب١ٌبىشلإا ٍٟ٠ بِ ٟف خٍضّزٌّا :  ٛ٘ بِ ت١مٕزٌا دبٔب١جٌا ٟف DM ؟ بِ ٘ ٟ صٛظٌٕا ٟف ت١مٕزٌا خ١ٕمر TM ؟ فذٌٙا بِ ٟف ت١مٕزٌا ِٓ صٛظٌٕا TM ؟ ٝزِ ْٛى٠ صٛظٌٕا ٟف ت١مٕزٌا TM لابؼف ؟ بِ ٟ٘ بٕؼفذر ٟزٌا خعبؾٌا ٌٝئ ك١جطر صٛظٌٕا ٟف ت١مٕزٌا خ١ٕمر TM ؟

II

-دبًبيجلا يف تيقٌتلا

(

Data Mining

)

:

ذثلا بٕ٘ ٓ١ث ض١ّزٌا ِٓ ٌا دبؾٍطظّ ٌا صلاض خ : خ١ٌبزٌا دبٔب١جٌا Data ٚ دبٍِٛؼٌّا Information ٚ خفشؼٌّا Knowledge خ١ف١ظٌٛا دب١ٍّؼٌبث خٔشزمٌّا دبٔب١جٌا هٍر ٌٝٚلأبث ذظم٠ ش١ؽ ٞأ ُ١مث كٍؼز٠ بِ ؽٚ دبٔب١جٌا ب بٙزٌ ، ف يبىشأ حذػ زخأر دبٔب١جٌا ْأ ش١ؽ ٌا ٚأ خ١ؼّغٌا ٚأ خ١ظٌٕا ٚأ خ١ّلشٌا بّٕٙ خ٠شظج ٚأ خ٠شظجٌا خ١ؼّغٌا يبىشلأا ِٓ هٌر ش١غٚ [ 1 ] ، بِ خٌبعس ٟطؼر خىعبّزِ دبٔب١ث ٟٙف دبٍِٛؼٌّا بِأ [ 2 ] ، طبزٕزعا ٟٙف ٞششجٌا ًِبؼٌا ضخر خفشؼٌّا ْأ ٓ١ؽ ٟف خػّٛغِٚ خٍِٛؼِ ٓ١ث ْٛى٠ ٞزٌا ؾثاشزٌا ًىشٌ ٚ ٜشخلأا دبٍِٛؼٌّا ِٓ بمثبع فشؼِ ٛ٘ بِ غِ بٙزٔسبمِ [ 3 ] . ف ًو ٟف جٌا ِٓ ش١جىٌا ُىٌا از٘ ِٓ فذٌٙا ٓىٌ دبٔب١جٌا ِٓ ش١جو دب١ّو غّغر ْاذ١ِ ُو شجوأ ذطس دبٔب١ دبٍِٛؼٌّا ِٓ ، ف هٌزٌ ا ْ ٌا ٚ سذؽلأا خ١ٕمز غِ ًِبؼزٌٍ عشعلأا ٌا ُى ٌٍ ًئبٌٙا ت١مٕر َاذخزعبث ٟ٘ دبٔب١ج دبٔب١جٌا DM ت٘زٌا ت١مٕر خ١ٍّػ ٗجشر ٟزٌا Gold Mining ش١خلأا ٖزٙف ح ِٓ دب١ّو خٍثشغ خ١ٍّػ ٟ٘ لإ َبخٌا ْذؼٌّا ٠ ٞر ٓ١ّص ْذؼِ ِٓ خٍزو دبغ خّ١ل ، بؼ٠أ دبٔب١جٌا ت١مٕر خ١ٍّػ ٓػ حسبجػ خٍثشغ خ١ٍّػ َبخٌا دبٔب١جٌا ِٓ حش١جو دب١ّو ا دبغ٠لإ حذ١فٌّا دبٍِٛؼٌّ لإ ساشمٌا ربخر [ 4 ] ، تجع غعش٠ٚ َبّز٘لاا حدب٠ص دبٔب١جٌا ت١مٕزث ئ ٚ فبشزولابث بِٙبّز٘ا ٌٝ خ١فخ دبٍِٛؼِ ٍٝػ ٞٛؾر اذع حش١جو دبٔب١ث ذػاٛل ِٓ ً١ٍؾزٌا خٍؼف ، ٚ طربّٔ ٓػ فشىٌا ٍٝػ ذػبغر بؼ٠أٚ ٖز٘ غِ ًِبؼزٌا ُٙف ٓ١غؾر ٟف ُٙغر ٜضغِ دار ذػاٛل ٚ دبٔب١جٌا ًوبشِ ِٓ ذ٠ذؼٌا ًؽ [ 5 ] . ٚ دبٔب١جٌا ت١مٕزٌ ًؼفأ ُٙف ًعأ ِٓ DM دبٔب١جٌا ِٓ خفشؼٌّا فبشزوا ٓ١ثٚ بٕٙ١ث ض١ّزٌا ِٓ ذثلا KDD فشؼف FAYYAD [ 8 ] دار حذ٠ذعٚ خؾ١ؾط طربّٔ ذ٠ذؾزٌ خ٠دبػ ش١غ خ١ٍّػ بٙٔأث حش١خلأا ٖز٘ خ٠بٌٕٙبث بّٙٙف ٓىّ٠ٚ خٍّزؾِ حذئبف . بِأ وا خ١ٍّػ داٛطخ ذؽأ ٟٙف دبٔب١جٌا ت١مٕر دب١ِصساٛخ ك١جطر ِٓ ْٛىزرٚ خفشؼٌّا فبشز ٌا ً١ٍؾز دبٔب١جٌا شجػ طربٌّٕا ِٓ صبخ دذػ َذمر ٟزٌا دبٔب١جٌا فبشزواٚ [ 6 [] 7 ] . ِٕٗٚ دبٔب١جٌا ت١مٕر ْأ بٕفشػ ٓػ حسبجػ دبٔب١جٌا ً٠ٛؾزٌ ً١ٍؾر خ١ٍّػ ٌٝئ ءبٕث يلاخ ِٓ دبٍِٛؼِ ٖز٘ ٍٝػ ُىؾٌا ٍٝػ ذػبغر خ١ػب٠س طربّٔ ٚ بٙرءبفو ٜذِ ذ٠ذؾرٚ دبٍِٛؼٌّا ٔ غ ب بٙزػ [ 8 ] ، ِٓ ٓىٌ ٖٕٛٔ ْأ ٞسٚشؼٌا ٌٝئ ت١مٕزٌا ْأ ٓػ ( ساشمٌا ُػد خّظٔأو ظ١ٌ دبٔب١جٌا DSS ) ً١ٍؾر ٍٝػ ًّؼر ٟزٌا ىٌّا ًوبشٌّا ًؽ ٟف ذػبغر ٟزٌا دبٍِٛؼٌّا ذ١ٌٛزٌ دبٔب١جٌا أ ٞأ َذخزغٌّا ًجل ِٓ خفشز ُػد خّظٔأ ًّػ ْ ًؼف حدس ٓػ ظربٔ ساشمٌا َذخزغٌّا خٍىشٌّا ًؾٌ ؼ١ؾظٌا ساشمٌا ذ٠ذؾزٌٍ ، ٟٙف دبٔب١جٌا ت١مٕر بِأ أ ١ٙر حاد إ مجغِ ،ب ٚ ئ ر ٌا ْأ مٕز ١ ٟرار ت ٚ خٍّزؾٌّا دبللاؼٌا ٓػ ٚ حربشٌا ًجل ِٓ ذؼث دذؾر ٌُ ٟزٌا ًوبشٌّا دذؾر هٌزث َذخزغٌّا [ 9 ] ، ٓىّ٠ٚ َٛٙفِ ؾجػ ٌٟبزٌا ف٠شؼزث دبٔب١جٌا ٟف ت١مٕزٌا :

II

.

1

دبًبيجلا يف تيقٌتلا فيشعت

DM

:

دبٔب١جٌا ٟف ت١مٕزٌا ٚ خ١ى٠شِلأا حذؾزٌّا دب٠لاٌٛا ٟف دب١ٕ١ؼغزٌا فظزِٕ ٟف شٙظ ٓ١ث بِ غّغ٠ ٍُػ ٛ٘ ءبظؽلإا ٚ دب١عٌٕٛٛىر ( َلاػلإا ٚ دبٔب١جٌا ذػاٛل ٌا ٚ ٟػبٕططلاا ءبوز ٌا ُ١ٍؼز ٌٟ٢ا ( Machine Learning ) ٗٔأ بّو : دبٔب١جٌا ٟف ت١مٕزٌا حسبجػ ٛ٘ ٚأ ٌٟ٢ا فبشىزعلاا " ٓػ ذّرإٌّا خٕ١ؼِ دبٔب١ث حذػبل ٟف خ١فخِ خ١ٍع ش١غ ٚ خمئبش ؽبّٔلأ " [ 11 ] ، ٗٔأ ٚأ : حسٚش١ع " ٌا ً١ٍؾز ٌا ٚ خم١لذ ٌا خ١وز خ١ٍغٍغر ٚ خ١ٍػبفر ، ر ، دبؽبشٌٕا ٞش١غٌّ ؼّغ َاذخزعا ذٕػ ٖز٘ ٚ داساشل ربخربث حسٚش١غٌا ٌٚإغٌّا ؽبشٔ ؼٌبط ٟف خّئلاِ يبّػأث َب١مٌا ١ ٍّْٛؼ٠ ٟزٌا خغعإٌّا ٚ ٕٗػ ٓ بٙث " [ 11 ] ٗٔأ ٚأ ، : ْأ ٓىّ٠ ٟزٌا طربّٔ ٚ خٍضِأ ٚ ذػاٛل دبغ٠ئ عشغث دبٔب١جٌا ِٓ حش١جو خ١ّىٌ دلا١ٍؾر ٓػ حسبجػ " ساشمٌا ةبؾطأ يذر ٚ دٛمر َذخزغر ، ٍٟجمزغٌّا نٍٛغٌبث أجٕزر ٚ " [ 12 ] بٙٔأث هٌزو بٙف٠شؼر ٓىّ٠ بّو ، : دبٔب١جٌٍ ض١خٍر ٚ خٍّزؾِ دبللاػ ٓػ شؾجٌٍ حذ٘بشٌّا دبٔب١جٌا ِٓ ُغؾٌا حش١جو دبػّٛغٌّ ً١ٍؾر " بِٙذخزغٌّ حذ١فِ ٚ خِٛٙفِ ْٛىزٌ حذ٠ذع يبىشأ ٟف " [ 13 ] . فذٙ٠ٚ دبٔب١جٌا ٟف ت١مٕزٌا ٌٝئ َذخزغٌّا ٓ١ىّر ٚ دبٔب١جٌ ًضِلأا يلاغزعا ِٓ ا شخزع ا دبٍِٛؼِ بِٕٙ ط بٙث بمجغِ دبٍِٛؼٌّا ٖز٘ دٛعٛث ٍُؼ٠ لا ذل ٟزٌا حش١جىٌا دبٔب١جٌا غ١ِبغِ ٟف حدٛعِٛ .

II

.

2

دبًبيجلا تيقٌت خيلوع

(

Data Mining Process

)

:

هٌبٕ٘ ذ٠ذؼٌا ِٓ ءاس٢ا ٟزٌا ذٌٚبٕر خ١ٍّػ ت١مٕر دبٔب١جٌا بٕٙىٌ بِّٛػ " ذٔبو تظر ٟف ظفٔ ّْٛؼٌّا ، هٌزٌ ٟرإٔع ٍٝػ ب٘شور ًىشٌبث ٟر٢ا [ 14 [] 15 ] :  لوعلا خلكشه فيشعت (

Define business problem ) : ذظم٠ بٕ٘ ُٙف ًّؼٌا دبٔب١ثٚ ٛ٘ ذ٠ذؾزٌا فاذ٘لأٌ ذ١غٌا ر ٟزٌا دٛم ٌٝئ ءبٕث طربّٔ خفٍزخِ .  ءبٌث حذعبق دبًبيث دبًبيجلا تيقٌت (

Build data mining database ) : ْٛى٠ٚ هٌر ِٓ يلاخ غّع دبٔب١جٌا ٚ بٙفطٚ بٙز١مٕرٚ ٚ ب٘ذ١ؽٛر ٚ بٌٙبّوئ خجلاشٌّاٚ خؼثبزٌّاٚ . ْأ ش١ؽ ٖز٘ حٛطخٌا غِ ٓ١رٛطخٌا ٓ١زمؽلاٌا ًىشر ش٘ٛع خئ١ٙر دبٔب١جٌا ٟزٌا زخأر بزلٚ " اذٙعٚ " شضوأ ِٓ ًو داٛطخٌا شخلأا خؼّزغِ ش١ؽ ًظر بٙزجغٔ %50 -%90 .  فبشكتسا دبًبيجلا : Explore data بٙ١ف ُز٠ ذ٠ذؾر يٛمؾٌا شضولأا أ خ١ّ٘ ٟف إجٕزٌا ُ١مٌاٚ ٟزٌا ذل ْٛىر حذ١فِ َاذخزعبث لا١ٍؾر ّغزٌ ١ غثبززٌاٚ غ ( Clustering ) ٚ ب٘ش١غ ِٓ دب١ٕمزٌا .  خئيهت دبًبيجلا خخزوٌلل

ٟ٘ٚ حٛطخٌا لأا حش١خ ِٓ خئ١ٙر دبٔب١جٌا ٟزٌا ُز٠ بٙ١ف سب١زخا داش١غزٌّا ٟزٌا ْٛىر أ ًؼف دبئجٕزِ ، سب١زخاٚ فٛفظٌا ٚ ئ دبغ٠ ش١غزِ ا د حذ٠ذع ِٓ دبٔب١جٌا َبخٌا ٚ خ١ف١و بٍٙ١ضّر َاذخزعبث دب١ٍّػ خ١ػب٠س أ ٚ خ٠شجع ٚ ِٓ ُص سب١زخا لأا حاد ٟزٌا ِٓ ٓىٌّّا أ ْ ر ْٛى شضوأ حذئبف ٟف ءبٕث طرٌّٕٛا .  ءبٌث جرىوً دبًبيجلا تيقٌت Build model DM : تٍطز٠ ءبٕث طرٌّٕٛا ربخرا ساشمٌا صبخٌا عٕٛث إجٕزٌا داشٌّا ٗؼٕط ( ف١ٕظزٌبو ساذؾٔلااٚ ِٓٚ ُص سب١زخا عٛٔ طرٌّٕٛا غٕظٌ إجٕزٌا ٞزٌا ٓىّ٠ ئ ْ ْٛى٠ حشغش ساشمٌا أ ٚ خىجشٌا خ١جظؼٌا أ ب٘ش١غ ٚ ، ِٓٚ ٌُّٙا أ ْ ُز٠ ءبٕث طربّٔ حذ٠ذػ خٍ٠ذث دبغ٠لإ طرٌّٕٛا شضولأا خؼفِٕ ٟف ًؽ خٍىشِ ًّؼٌا ٚ ذل تٍطز٠ هٌر ئ ءاشع غؼث داش١١غزٌا دبٔب١جٌٍ . از٘ غِ خظؽلاِ ةٛعٚ خّئلاِ طربٌّٕا دبؼثلأ حدذؼزِ ٚ بٙرسذل ٍٝػ ًِبؼزٌا غِ دبٔب١ث خ١ّلس ش١غٚ خ١ّلس . ِٓٚ ًعأ ْبّػ خلد ٚ خٔبزِ إجٕزٌا ذثلا ِٓ ٓ٠شّر طرٌّٕٛا ٍٝػ خجغٔ ِٓ دبٔب١جٌا ِٓٚ ٖسبجزخا ُص ٚ ئ ٗربجص ٍٝػ بِ ٝمجر ِٓ دبٔب١جٌا ، ذؼجف أ ْ ُز٠ ٓ٠ٛىر طرٌّٕٛا َاذخزعبث حذػبل ٓ٠شّزٌا دبٔب١ث ، َذخزغ٠ إجٕزٌٍ حذػبمث دبٔب١ث سبجزخلاا ْٛى٠ٚ يذؼِ خلذٌا ظربٌٕا ش٠ذمر ذ١ع خ١ف١ىٌ أ طرٌّٕٛا ءاد .  نييقت جرىوٌلا Evaluate model : بِّٙ ْبو طرٌّٕٛا ك١لد ظ١ٍف نبٕ٘ بِ ّٓؼ٠ ٗٔا ظىؼ٠ ٌُبؼٌا ٟؼلاٌٛا ذمف ْٛىر دبٔب١جٌا خِذخزغٌّا ءبٕجٌ طرٌّٕٛا ذل لا َءلار ٌُبؼٌا ٟؼلاٌٛا بِّ دٛم٠ ئ ٌٝ طرّٛٔ ش١غ ؼ١ؾط . ٌ هٌز ِٓ ٌُّٙا سبجزخا طرٌّٕٛا ٟف ٌُبؼٌا ٟؼلاٌٛا ٞأ ٗزثشغر ٍٝػ خػّٛغِ حش١غط ِٓ دلابؾٌا ً١ٍمزٌ شؽبخِ طرٌّٕٛا ش١غ ؼ١ؾظٌا ٚ ذوأزٌا ِٓ ظئبزٔ طرٌّٕٛا .  زيفٌت جرىوٌلا حئبتٌلاو

Deploy model and results

: ْٛى٠ هٌر ذؽأث أ ٓ١ثٍٛع : بِأ خ١طٛر ًٍؾٌّا يبؼفلأبث اذّزؼِ ٍٝػ خظؽلاٌّا خط١غجٌا ٗغئبزٔٚ طرٌٍّٕٛ ٚأ ك١جطر طرٌّٕٛا دبػّٛغٌّ دبٔب١ث خفٍزخِ ، از٘ غِ ساشّزعا خثبلس لأا ءاد ٟزٌا ذل تٍطزر ئ حدبػ ءبٕث طرٌّٕٛا ٚ حشزف ِٓ ئ ٌٝ أ ٜشخ .

١جٌا ت١مٕزٌا خ١ٍّػ ٟف ًؽاشٌّا ٖز٘ تمؼر ٓ١ج٠ ً١ضّزٌا از٘ٚ ب دبٔ : ظطخولا 1 : دبٔب١جٌا ٟف ت١مٕزٌا خ١ٍّػ ًؽاشِ [ 1 * ]

3.II

دبًبيجلا يف تيقٌتلا دبيٌقت

:

َذخزغر خ١ٍّػ ت١مٕر دبٔب١جٌا دب١ٕمر حذ٠ذػ ٓىّزر ِٓ بٌٙلاخ فبشزوا دب٘بغرلاا ٚ طربٌّٕا خ١فخٌا ٟف ش٠دبمِ حش١جو ِٓ دبٔب١جٌا ، ٓىّ٠ٚ َاذخزعا حذؽاٚ ٚأ شضوأ ِٓ ٖز٘ دب١ٕمزٌا ٟ٘ٚ ٟر٢بو :  فيٌصتلا Classification : ُز٠ ٗ١ف ً١ٍؾر خػّٛغِ ِٓ دبٔب١جٌا ٓ٠ٛىزٌ خػّٛغِ ِٓ ذػاٛمٌا خؼّغزٌّا ٟزٌا ٓىّ٠ ْأ َذخزغر ف١ٕظزٌ دبٔب١ث ًجمزغٌّا ، ٞأ ئ دبغ٠ دبٍِٛؼٌّا ٟزٌا كٍؼزر ضئبظخٌبث خوشزشٌّا . ٚ ٌ ٍ ف١ٕظز أ داٚد حذ٠ذػ ًضِ حشغش ساشمٌا Decision Tree ٚ سٚبغٌّا لأا ةشل Nearest Neighbor ٚ ساذؾٔلاا Regression .  ىاشتقلاا Association : ٚ ٟ٘ حذػبمٌا ٟزٌا ّٓؼزر دبللاػ ْاشزلا خزثبص ٓ١ث خػّٛغِ ِٓ لأا ءب١ش ٟف حذػبل دبٔب١جٌا ، ٞأ ْاشزللاا ٓ١ث سٚذؽ سذؽ بِ سٚذؽٚ سذؽ آ شخ .  ليلحت عثبتتلا Sequential Analysis : ٚ ٛ٘ ٗجش٠ ْاشزللاا ٚ غػٛ٠ ذؾر ّٝغِ ً١ٍؾر ؾثشٌا Link Analysis ٕٗىٌ ؾجرشِ ِٓضٌبث ٟف شؾث ٓػ طربّٔ سذؾر غثبززث ٞأ ًِبؼز٠ غِ دبٔب١جٌا ٟزٌا سذؾر ٟف دلابؽ خٍظفِٕ . عيودتلا Clustering ٟ٘ٚ خ١ٕمر ٚ خ١فط غّغر دبٔب١ىٌا خٙثبشزٌّا خ٠ٛع ٚ غؼر دبٔب١ىٌا ش١غ خٙثبشزٌّا دبػّٛغِ ٟف خفٍزخِ ، ٚ ذّزؼر حسٛظث خ١عبعأ ٍٝػ طب١ل خفبغٌّا ًضِ َاذخزعا خ١ٕمر سٚبغٌّا ةشللأا ، ٚ ِٓ ُص ذل ْٛىر بٕ٘ ظئبزٕو خفٍزخِ ٓ١ٕصلا ِٓ ٟجمِٕ دبٔب١جٌا ٓ٠زٌا ٍّْٛؼ٠ ٍٝػ ظفٔ دبٔب١جٌا . ٚ فٍزخ٠ غ١ّغزٌا ٓػ ف١ٕظزٌا ش١ؽ لا فشؼر بِ ْٛىزع ٗ١ٍػ دبؼّغزٌا ذٕػ ءذجٌا أ ٚ ٞأث خفط غّغززع دبٔب١جٌا .

ٚ َذخزغ٠ ٟف غ١ّغزٌا أ داٚد ًضِ دبطعٛزِ ( K- Means K ) ٚ خ١جظؼٌا دبىجشٌا Neural Networks . ئ ْ لأا داٚد ٟزٌا بِٙذخزغر ٖز٘ دب١ٕمزٌا حذ٠ذػ خػٕٛزِٚ ًىٌٚ حذؽاٚ بِٕٙ سٚد ٚ عشغ َذخ٠ ٓ١ؼِ ، ٚ ِٓ ٖز٘ لأا داٚد :  أ سبدش ساشقلا Decision Trees : ٟ٘ٚ خمزشِ ِٓ لإا ءبظؽ ٚ ءبوزٌا ٟػبٕططلاا ٚ ذغر دبؽبجرسلاا ٟف دبٔب١جٌا ر ٚ َذخزغ ٟف يلاذزعلاا ٍٝػ ذػاٛل ًّؼٌا بّو ، ذؼر طبعأ ءبٕث طرٌّٕٛا ٞإجٕزٌا ، ٓىّ٠ أ ْ َذخزغر أ ساشمٌا سبغش ٟف ذ٠ذؾر داش١غزٌّا تعاٌٛا بِٙاذخزعا دلاخاذّو دبىجشٌٍ خ١جظؼٌا .  دبكجشلا خيجصعلا Neural Networks : ٟ٘ٚ خج٠شل ِٓ أ سبغش ساشمٌا بٕٙىٌ أ تؼط ّٙف " ب بِٕٙ ٚ لا ؼػٛر بٙغئبزٔ ٚ قشغزغر بزلٚ " يٛؽأ َذمرٚ طربّٔ دار حٛل خ٠إجٕر أ ًؼف ٚ ْٛىزر خىجشٌا خ١جظؼٌا ِٓ دبمجؽ أذجر خمجطث دلاخاذٌّا Input Layer ، ش١ؽ إجٕزٌا ش١غزِ ٚ ؾجرشر ذمػ ًخذٌّا غجرا ِٓ ذمػ خمجطٌا خ١فخٌا Hidden Layer ٟزٌا ؾجرشر ب٘سٚذث ذمؼث خمجؽ خ١فخ أ ٜشخ أ ٚ خمجطث دبعشخٌّا Output Layer ش١ؽ ُؼر ذؽاٚ أ ٚ أ شضو ِٓ داش١غزٌّا خؼثبزٌا .  ساذحًلاا Regression : َذخزغ٠ ساذؾٔلاا ٟف إجٕزٌا ُ١مٌبث حذ٠ذغٌا دبّزػلابث ٍٝػ ُ١مٌا حدٛعٌّٛا ٚ َذخزغ٠ ٟطخٌا ساذؾٔلاا دلابؾٌٍ خط١غجٌا بِأ دلابؾٌا حذمؼٌّا ٟزٌا تؼظ٠ إجٕزٌا بٙث ٟف ا َذخزع ساذؾٔلاا ٟجغٌٕا ، بٙٔلأ ذّزؼر ٍٝػ دلاػبفر حذمؼِ داش١غزٌّ حدذؼزِ .  سوبدولا لأا ةشق K – Nearest Neighbor : َذخزغ٠ سٚبغٌّا ةشللأا (K – NN ) K حشىف ا يلاؾٔ ًوبشِ حذ٠ذغٌا ْٛى٠ ٓػ خظؽلاِ ك٠شؽ يٍٛؽ ًوبشِ خٙثبشِ ُر بٍٙؽ بمجغِ . [ 16 [] 17 ]

II

.

4

دبًبيجلا يف تيقٌتلا عاىًأ

:

نبٕ٘ ذ٠ذؼٌا ِٓ دبٙعٚ شظٌٕا ٟف ف١ٕظر أ عاٛٔ ت١مٕر دبٔب١جٌا بِٕٙ شوزٔ :  عٌّٛا عشغٌا طبعأ ٍٝػ دبٔب١جٌا ت١مٕر عاٛٔأ ف١ٕظر بٔب١جٌا ٟف ت١مٕزٌا خ١ٍّػ ٌٗ خٙ د .  فبشتكلاا Discovery : ٛ٘ٚ خ١ٍّػ شظٌٕا ٟف حذػبل دبٔب١جٌا دبغ٠لإ طربٌّٕا ِٓ ْٚد أ ْ ْٛىر نبٕ٘ حشىف حدذؾِ ٓػ بِ ذل ْٛىر ٗ١ٍػ .  خخزوٌلا خيؤجٌتلا Predictive Modeling :

ٗ١ف َذخزغر طربٌّٕا خفشزىٌّا ِٓ حذػبل دبٔب١جٌا إجٕزٌٍ ًجمزغٌّبث ٞأ ٓ١ّخر ُ١مٌا خفٚشؼٌّا ش١غ دبّزػلابث ٍٝػ طربّٔ خمثبع خفشزىِ ِٓ حذػبل دبٔب١جٌا .  ليلحتلا يهشجولا Forensic Analysis : ٚ ٛ٘ خ١ٍّػ ك١جطر طربٌّٕا خظٍخزغٌّا دبغ٠لإ شطبٕػ دبٔب١جٌا حربشٌا أ ٚ ش١غ خ٠دبؼٌا ٞأ أ ٗٔ شؾج٠ ٟف دلابؽ حدذؾِ ٚ ش١غ خ٠دبػ .  ٚ ِٓ خٙعٚ شظٔ أ ٜشخ نبٕ٘ ٓ١ػٛٔ أ ٓ١١عبع ِٓ ت١مٕر دبٔب١جٌا بّ٘ :  ليلحتلا يفبشكتسلاا : Exploratory Analysis ٛ٘ٚ ُٙف خػّٛغِ دبٔب١جٌا ٓ٠ٛىزٌ طربّٔ خِّٙ خٌٛمؼِ ٚ حذ٠ذع .  ليلحتلا يؤجٌتلا Predictive Analysis : ٞأ إجٕزٌا خّ١مث ش١غزٌّا ظربٌٕا ٟف ًجمزغٌّا دبّزػلابث ٍٝػ خٍضِأ ٟػبٌّا ٚ ُز٠ هٌر ك٠شؽ ٓػ ٓ٠ٛىر طرّٛٔ إجٕر ٠ ٍُ ش١غر فذٌٙا غِ ذؽاٚ أ ٚ أ شضو ِٓ داش١غزٌّا خٍخاذٌا ٚ ذؼ٠ طرٌّٕٛا ٞإجٕزٌا خمٍؽ ًطٌٛا بّٕ١ث ٛ٘ فٚشؼِ ٚ بِ ٛ٘ ش١غ فٚشؼِ ، أجٕززف سذؾث هٍجمزغِ خٌاد بٌّ ٛ٘ فٚشؼِ ٢ا ْ ٚ ٕٝجر َاذخزعبث أ خٍضِ ٟػبٌّا سذؾٌ ًجمزغٌّا ٚ ْٛىر أ شضو خ١ٍػبف بِذٕػ ذّزؼر ٍٝػ ش٠دبمِ حش١جو ِٓ دبٔب١جٌا خ١مٌٕا ٚ صٌّٛا م خ .  بِأ ِٓ ش١ؽ خٙعٚ شظٌٕا خطجرشٌّا حذػ ذعٛ١ف دبٔب١جٌا ٟف ت١مٕزٌا بٙث كجط٠ ٟزٌا دبٔب١جٌا عٕٛث عاٛٔأ ٌٗ بِٕٙ شوزٔ :  يجلا يف تيقٌتلا ب دبً : Data Mining ٟ٘ خ١ٍّػ ٌا بِٕٙ فذٙ بمثبع فشؼر ٌُ دبٍِٛؼِ طاشخزعا ، ٗٔأ عٌٕٛا از٘ حض١ِ خ١ٍى١ٌٙا دبٔب١جٌا ظٌبؼ٠ دبٔب١جٌا حذػبل ٟف خّظٌّٕا .  صىصٌلا يف تيقٌتلا : Text Mining ٛ٘ خفٍزخِ عاشغلأ حذ١فِ دبٍِٛؼِ طاشخزعا فذٙث صٛظٌٕا ً١ٍؾزث ضزخ٠ خ١ظٔ دبٔب١جٌا ظٌبؼ٠ خ١ٍى١ٌٙا ش١غ .  تيىلا يف تيقٌتلا Web Mining :  ظٌبؼ٠ ٗٔأ ش١ؽ صٛظٌٕا ٟف ت١مٕزٌاٚ دبٔب١جٌا ت١مٕزٌا ٓ١ث ؾ١ٍخ ٛ٘ دبٔب١جٌا ٚ خ١ٍى١ٌٙا صٛظٌٕا خ١ٍى١٘ ش١غٌا . [ 18 [] 19 ]

III

-صىصٌلا يف تيقٌتلا

(

Text Mining

)

:

َبػ ٟف 1995 ٚ ْبِذٍ١ف ْبو [ ْبغاد 21 ] بّ٘ ْاذئاشٌا ٟف ئ َبّز٘لاا ِٓ ش١ضىٌا ءبطػ بث ٟف ت١مٕزٌ صٛظٌٕا TM صٛظٌٕا ِٓ خفشؼٌّا فبشزواٚ KDT ، ِٓ عشف ٛ٘ صٛظٌٕا ٟف ت١مٕزٌا ْأ ش١ؽ ِٓ حذ١فِ دبٍِٛؼِ طاشخزعا ٍٝػ ًّؼ٠ دبٔب١جٌا ٟف ت١مٕزٌا ٍُػ عٚشف خ١ظٌٕا دبٔب١جٌا ِٓ خٍئب٘ دب١ّو

خٍى١ِٙ ش١غٌا خؼ١جطٌا دار ، ٚ ْبِذٍ١ف ش١ش٠ٚ [ شغٔبع 21 حدبػ ًضّر صٛظٌٕا طاشخزعا ظئبزٔ ْأ ٌٝئ ] لأا كئبصٌٛا ِٓ لاذث كئبصٌٛا ؼِلاِ بٙغفٔ خ١عبع . خؼئبشٌا عاٛٔلأا ْاف ،خفٍزخِ قشطث ًضّر ْأ ٓىّ٠ كئبصٌٍٛ خٍّزؾٌّا ضئبظخٌا ْأ ِٓ ُغشٌا ٍٝػ حض١ٌّّاٚ َاذخزعلابث ٟ٘ : ٚشؾٌا ُ١٘بفٌّاٚ دبؾٍطظٌّاٚ دبٍّىٌاٚ ف . ٟزٌا ٟ٘ ٜشجىٌا خ١ّ٘لأا بٌٙ ذ١ٌٚأ ٟزٌا صٛظٌٕا شضوأ ذٔبو حشِ يٚلأ خ١ٕمزٌا ٖز٘ ك١جطر ذٕػٚ .خ١عٌٛٛ١جٌا ٍَٛؼٌا ّٓؼزر ظفٔ ٟف تظر ٟزٌا خ١ؽلاططلاا دبف٠شؼزٌا ِٓ ذ٠ذؼٌا صٛظٌٕا ٟف ت١مٕزٌا ؼٍطظٌّ غػٚ ذمٌٚ ف خ١ٕمزٌا ٖز٘ فطٚ ّْٛؼِ ا ٕ١ث ِٓ بٔشزخ بٙ خ١ٌبزٌا دبف٠شؼزٌا ٖز٘ :

III

.

1

فيشعت

صىصٌلا يف تيقٌتلا

TM

:

 دبٔب١ث ٍٝػ خ١ثبغؽ دب١ٕمرٚ ت١ٌبعأ ك١جطر ٛ٘ صٛظٌٕا ت١مٕر دبٍِٛؼِ طاشخزعا ًعأ ِٓ خ١ظٔ بمثبع خفشؼِ ش١غٚ خ٠ش٘ٛع خٍط دار . [ 22 ]  ا ٟف ت١مٕر ٓػ حسبجػ ٛ٘ صٛظٌٕا ت١مٕر دبٔب١ث ٍٝػ دبٔب١جٌ خ١ظٔ . [ 22 ]  ت١مٕزٌا يلاخ ِٓ بمثبع خفشؼِ ْٛىر ٌُ ضٌٕا بّٕٙؼز٠ حذ٠ذع دبٍِٛؼِ فبشزوا ٟٕؼ٠ صٛظٌٕا ٟف ٚأ دبللاػ ْٛىر ْأ ٓىٌّّا ِٓ ٟزٌا دبٍِٛؼٌّا هٍر فبشزولا كئبصٌٛا ِٓ حش١جو دبؼّغر ً١ٍؾر فبشىزعلاا خجؼط خٕ١ؼِ دلابؽ ٟف ْٛىر ذل خ١فخِ طربّٔ . [ 22 ]  ؾزٌ َذخزغر خ١ٕمر ٛ٘ صٛظٌٕا ٟف ت١مٕزٌا كئبصٌٛا ً١ٍ ٞأ ٓػ خ١ؼ١جؽ خغٍث خثٛزىِ .عٛػِٛ [ 23 ]

III

.

2

صىصٌلا يف تيقٌتلا خيئاشخلإ خيسبسلأا لحاشولا

:

ِٓ صٛظٌٕا ٟف ت١مٕزٌا ءاشعئ ْ ّٛىز٠ ٟ٘ٚ َبػ ًىشث خّ١عبعأ ًؽاشِ سلاص :  ضٌلا شيضحت : Text preparation صٛظٌٕا سب١زخا خٍؽشٌّا ٖز٘ ٟف ٞشغ٠ ٚ ب٘ش١ؼؾر خغٌبؼٌّا ًجل بِ خٍؽشِ ءاشعئٚ pre-processing ش١جخ ضخش فاششاث خٍؽشٌّا ٖز٘ ٟف صٛظٌٕا سبزخُر .  خدلبعه ضٌلا :Text processing ٟف ت١مٕزٌا دب١ِصساٛخ َاذخزعا خٍؽشٌّا ٖز٘ ٟف ٞشغ٠ دبٔب١جٌا خغٌبؼٌّ دبٔب١جٌا ٜشع ٟزٌا خمثبغٌا خٍؽشٌّا ٟف ب٘ش١ؼؾر .  ضٌلا ليلحت : Text Analysis ١ٍّػ ٞشغر ٗ١فٚ مر خ بٙ١ٍػ بٍٕظؾر ٟزٌا دبٍِٛؼٌٍّ ُ١ ٚ ر شم ش٠ َبّرئ وا خ١ٍّػ لا َأ خفشؼٌّا فبشز .

ٗرب٘ ٞٛزؾر ش١ؽ صٛظٌٕ خ١ٍ١ٍؾزٌا خ١ربٍِٛؼٌّا خغٌبؼٌّا دب١ٍّػ ِٓ خٍغٍع ٍٝػ سلاضٌا ًؽاشٌّا ٟزٌا خ١ٍّػ ِٓ أذجر ذٕػ ٟٙزٕزٌ صٛظٔ ٟف خٍضّزٌّا َبخٌا دبٔب١جٌا غّع طاشخزعبث دبٔب١جٌا ٟف ت١مٕزٌا خٍؽشِ خفشؼٌّا فبشزوا خ١ٍّػ ٟف فظٛر ٟزٌا ؽبّٔلأا بمؾٌ ٜشخأ دب١ٕمر ٟف ٚأ ٚ ػٛ٠ بِ از٘ ًغٍغر ٗؾ ٌا خ١ر٢ا خ١ٍ١ظفزٌا داٛطخ :  دبًبيجلا تيزهت Data Cleaning : ْب١ؽلأا غؼث ٟف بٙ١ٍػ كٍط٠ٚ دبٔب١جٌا ش١ٙطر ( Data Cleansing ٟ٘ٚ ) ٟزٌا خٍؽشٌّا ٓػ حسبجػ خشٛشٌّا دبٔب١جٌا دبؼجزعا بٌٙلاخ ُز٠ ٚ ، لأ خٕ١زِ خٍظث ذّر لا ٟزٌا هٍر بٙرب٠ٛزؾِ ًع .  دبًبيجلا لهبكت Data Integration : ٟربٍِٛؼِ دسِٛ ِٓ شضوأ ٟف حسذمٌّا دبٔب١جٌا ًّش ٌُّ خٍؽشٌّا ٖز٘ ٟف ُز٠ٚ ّٓػ بٙؼّغ٠ نشزشِ دسِٛ .  دبًبيجلا ءبقتًا Data Selection : بمزٔا خٍؽشٌّا ٖز٘ ٟف ُز٠ٚ ً١ٍؾزٌبث خٍظٌا دار دبٔب١جٌا ء ٟربٍِٛؼِ ، دبٔب١جٌا َبوس ِٓ بٙػبعشزعاٚ َبخٌا .  لقً دبًبيجلا : Data Transformation ٠ٚ بٙىعبّرٚ دبٔب١جٌا ظِد خٍؽشٌّا ٖز٘ ٍٝػ كٍط ( Data Consolidation ) ً٠ٛؾر بٌٙلاخ ُز٠ رئ دبٍِٛؼٌّا ٓػ ت١مٕزٌا دب١ٍّػ ٟف حذّزؼٌّا دب١ٌ٢ا تعبٕر خ١فشؼِ ٚأ خ١مطِٕ تٌاٛل ٌٝئ حبمزٌّٕا دبٔب١جٌا .  دبهىلعولا يع تيقٌتلا : Data Mining صلاخزعلا خ١فشؼٌّاٚ خ١ربٍِٛؼٌّا دب١ٌ٢ا بٌٙلاخ فظٛر ٟزٌا خّعبؾٌا خٍؽشٌّا ذؼرٚ حذ١فٌّا ؽبّٔلأا بٙردبِ ٟف حدٛعٌّٛا .  طبوًلأا شيذقت : Pattern Evaluation ٟف خٍػبف حسٛظث ذػبغر ٟزٌا ؽبّٔلأا ُ٘أ ض١١ّر خٍؽشٌّا ٖز٘ ٟف ُز٠ٚ ٌٝئ دبٕزعلابث خفشؼٌّا فطٚ حدذؾِ ش١٠بؼِ .  خفشعولا ليثوت : Knowledge Representation ُز٠ ٟزٌا خّعبؾٌا خٍؽشٌّا ذؼرٚ خطجٕزغٌّا خفشؼٌٍّ ٞسٛظٌا ً١ضّزٌا بٌٙلاخ ، َذخزغٌٍّ حض٘بع ؼجظزف ، خ١ئشٌّا دب١ٕمزٌاٚ دب١ٌ٢ا خٍؽشٌّا ٖز٘ ٟف فظٛرٚ ( Visualization Techniques ) َذخزغٌّا ُػذٌ دبٍِٛؼٌّا ٓػ ت١مٕزٌا دب١ٍّػ ظئبزٔ ش١غفرٚ ُٙف ٍٝػ ٗرذػبغِٚ . [ 24 ]

ظطخولا 2 : خ١ٍّؼٌ خ١ٍ١ظفزٌا ًؽاشٌّا صٛظٌٕا ٟف ت١مٕزٌا [ 2 * ] III

.

3

صىصٌلا يف تيقٌتلا يه فذهلا

:

 ا ْئ فذٙ٠ خ١ظٌٕا دبٔب١جٌا ٟف ت١مٕزٌ ئ سٛطزٌا ًظ ٟف حذ١فٌّا دبٍِٛؼٌّا صلاخزعاٚ عاضزٔا ٌٝ خ١ظٌٕا دبٔب١جٌٍ ش١جىٌا ُواشزٌا سٛٙظٚ خض٠ذؾٌا دب١عٌٕٛٛىزٌا َاذخزعا سبشزٔاٚ غ٠شغٌا .  ئ فذٙ٠ صٛظٌٕا ت١مٕزٌا ْ ئ ٌٝ ا دبٍِٛؼٌّا خغٌبؼِ ضٌٕا ً٠ٛؾزث خٍى١ِٙ ش١غٌا خ١ظٌٕ ئ َبلسأ ٌٝ ر دب١ٍّػٚ دب١ِصساٛخ ٟف َبلسلأا ٖز٘ َاذخزعا ٓىّ٠ ش١ؾث ْٚذث ت٠سذزٌا قشؽ ًضِ ٜشخأ ً١ٍؾ ئ فاشش .  صٛظٌٕا ٟف ت١مٕزٌا خ١ٕمر ًّػ ّٓى٠ ٞذ١ٍمزٌا ٍٗىش ِٓ ضٌٕا ً٠ٛؾزث ئ ٌلاد فطٚ ٌٝ ٟ ؾِ ٛغ ة ٚ ّٟلشٌا ٜٛزؾٌّا خغٌبؼٌّ ٍٗ٠ٛؾر ئ دب١ٕمر خطعاٛث ٗؼِ ًِبؼزٌا ًٙغ٠ )ؾّٔ( كغٔ ٌٝ ك١ّؼٌا ً١ٍؾزٌا ّٓؼ٠ بّثٚ خ١وزٌا خجعٛؾٌا دادشفٌٍّ حدٛعٌّٛا ٗ١ف ، دبللاؼٌاٚ خ١ٌلاذٌا حدٛعٌّٛا بّ١ف بٕٙ١ث . [ 25 ]

III

.

4

ماذختسا

دبهىلعولا حيششت يف صىصٌلا يف تيقٌتلا

:

ٌا ٕ خٍى١ِٙ ش١غٌا صٛظ غئبش ًاذع ، ٟفٚ خم١مؾٌا ذل ًضّ٠ خ١جٌبغ دبٍِٛؼٌّا خؽبزٌّا ٟف ٞأ يبغِ بو ْ ،

ٚ ؾ١غث ٚ عّٛغ ٗث ظ١ٌ شضوأ خّ١ٌبؼف ِٓ ش١ؽ ِٓضٌا ٚ ظئبزٔ خلد ، ٟف ت١مٕزٌا َاذخزعا دلابؽ ٓ١ث ِٓٚ شوزٔ صٛظٔ بِٕٙ :  حدبضولا حهاشجلا : Anti-Spam َبٌٙا ش١غ ٟٔٚشزىٌلإا ذ٠شجٌا ؼ١ششر خٌٚبؾِ ذٕػ ًاذع ٞسٚشؼٌا ِٓ spam ذ٠ذؾر ٍٝػ حسذمٌا نلازِا حدساٌٛا صٛظٌٕا ٟف حدٛعٌّٛا ًّغٌاٚ دبٍّىٌا ىر ٟزٌاٚ ، ؾّٕث ًبم١صٚ ًبؽبجرسا خطجرشِ ْٛ ا ـٌ spam ٗؾ١ششر ٟف تغشر ٞزٌا ٌٝئ ًخفبػئ ، ـٌا خغٌبؼِ ذٕػ بٙٙعاٛر ٟزٌا دبثٛؼظٌا spams دبغٌ حذؼث . ٚ ٟئبظؽلإا ً١ٍؾزٌا ٍٝػ دبّزػلاا دلابؾٌا ٖز٘ ًضِ ٟف ٓىّ٠ ٟف ت١مٕزٌا خ١ئاشعئ ت٠سذر ٓىّ٠ ٚأ ، ه٠ذٌ دٛعٌّٛا دبٍِٛؼٌّا ؼششِ ًّػ ٓ١غؾزٌِ هٌرٚ ًّغٌا ٚأ دبٍّىٌا ِٓ ٓ١ؼِ ؾّٔ ذ٠ذؾزٌ صٛظٌٕا .  ليلحتلا ييلهبعتولاو يئبثزل خيصخشلا دلاثبقولا صىصً يف ضعث دلابدولا خيسبدتلا : غّغر خ١جٌبغ دبٍِٛؼٌّا ٟف خغ١ط خ١ظٔ خٍى١ِٙ ش١غ ٍٝػ ً١جع يبضٌّا عشٌٍّ خ١ٌٚلأا دلاثبمٌّا ٟزٌا ش١ؽ ت١جطٌ ٗزٌبؽ غ٠شٌّا بٙث ػشش٠ ٓىّ٠ غ٠شٌّا خ٠اٚس ض١خٍر ٟف خ٠اٚس حضعِٛ ، ت١جطٌا ذػبغر ٍٝػ غ٠شٌّا خٌبؽ ض١خشر خ١ؾظٌا ٚأ بِذٕػ زخأر هرسب١ع ٌٝئ خٌبوٚ خٔب١ظٌا ، حدبػ ضخشٌا ٞزٌا َٛم٠ هزِذخث َٛم١ع خثبزىث غؼث دبظؽلاٌّا يٛؽ ًوبشٌّا ٟزٌا ٗرشجخأ ٕٙػ ،ب ٖز٘ دب٠اٚشٌا غّغر ٚ ٍٝػ طسذر َبظٔ صٛظٌٕا ٟف ت١مٕزٌا َذخزغ٠ ٌ ٠ ٟى دبٍِٛؼِ بِٕٙ ضٍخزغ ٓىّ٠ أ ْ بِٙذخزغر ذ٠ذؾزٌ خػّٛغِ ًوبشٌّا ٞٚبىشٌاٚ خؼئبشٌا ِٓ ُ٘ش١غ ٚأ حسب١ع تؽبط ٚأ غ٠شٌّا ًضِ ْٛثضٌا ٚأ ًِبؼزٌّا ٗعاٛر ٟزٌا ٓ١ِذخزغٌّا ٌ دلابغّ ٜشخأ ٟزٌا خٍى١ِٙ ش١غ صٛظٔ دٛعٚ بٙث ذطشٔ ، لأا َذخزغر ٍٝػ ًّؼر ٟزٌا خّظٔ ُٙ٠ذٌ ْٛثضٌا ٚأ َذخزغٌٍّ ذ١غٌا ُٙفٌا ٓ١ِأر فذٙث صٛظٌٕا ٖز٘ خغٌبؼِ ؽٚ ٗٙعاٛر ٟزٌا ًوبشٌّا ً .  فبشكتسا ييسفبٌولا شيتفتلبث يف بوهعقاىه ا لإ خيًوشتكل : عٛٔ شخآ ِٓ أ عاٛٔ دبم١جطزٌا صٛظٌٕا ٟف ت١مٕزٌا بٙث َذخزغ٠ ٟزٌا حذ١فٌّا ٍٝػ ًظؾزٌا فذٙث ٌّٕا ٓػ دبٍِٛؼٌّا ِٓ خػّٛغِ ب ش١غٚ ًّؼٌا قٛع غِ ٍُٙػبفر ٜذِٚ خ١ؾثشٌا ُٙزٌبؽ ٓػ فشؼزٌ ٓ١غف هٌر شئبغخ نساذر ٚأ قٛغٌا غِ ًِبؼزٌا سبغِ ش١غر ٚأ خ١عبزٔلإا ٓ١غؾر ٍٝػ ذػبغر ٟزٌا دبٍِٛؼٌّا ِٓ ٟزٌا دبٍِٛؼٌّا تغؽ ٍٝػ خٕىِّ بٙؾ١ششر ُز٠ ش١ؽ ش١زفزٌا خ١ٍّػ ِٓ ْٛى٠ لإا از٘ ك١جطر ٍٝػ ءاشع ٜٛزغِ ٚ ت٠ٌٛا دبؾفط ٛ٘ ٓػ حسبجػ خغٌبؼِ خ١ٌآ دب٠ٛزؾٌّ دبؾفط ت٠ٌٛا .  فيٌصتلا يئبقلتلا داذٌتسولل خيصٌلا : ٟ٘ خ١ٍّػ فشؼزٌا ٟئبمٍزٌا ٍٝػ فٕط ٚأ بػٛػِٛ ذٕزغٌّ ) خػب٠س ، خعب١ع ، دبظزلا ( ٚأ صبخشلأا . هٌر ش١غٚ ذٕزغٌّا عٛػِٛ ُٙظخ٠ ٓ٠زٌا [ 26 ]

IV – خوتبخ : ٟف ًظفٌا از٘ خ٠بٙٔ بػ بٕغٌ لإا ِٓ خٍّع ذّٕؼر ٟزٌا دب١ٌبىش حذػ ُ١٘بفِ ٟف ت١مٕزٌا خ١ٕمر ضخر صٛظٌٕا Text Mining بِٕٙ شوزٔ : ٟف ت١مٕزٌا ٓ١ث قشفٌا دبٔب١جٌا ٟف ت١مٕزٌاٚ صٛظٌٕا ، ٟزٌا ٍغر ذ ْأ ٟف ت١مٕزٌا ٔ ٛ٘ صٛظٌٕا ٟف عٛ دبٔب١جٌا ٟف ت١مٕزٌا عاٛٔأ ِٓ ، ٚ شوزٔ ١جٌا خؼ١جؽ بؼ٠أ ب بٙ١ٍػ ًّؼ٠ ٟزٌا دبٔ ِٕ ًو ّٙ ب ، ْأ ش١ؽ ت١مٕزٌا دبٔب١جٌا ٟف ١جٌا غِ ًِبؼز٠ ب خٍى١ٌّٙا دبٔ ، ٠ صٛظٌٕا ٟف ت١مٕزٌا ٓىٌٚ ز ؼ ب ًِ غِ ١جٌا ب خٍى١ِٙ ش١غٌا دبٔ ، ُغشٌا ٍٝػ ٟف بّٙواشزشا ِٓ ٌا ؼف خ١ٌب بٌّٙ خعبؾٌاٚ نبٕ٘ ْٛىر بِذٕػ لائ شٙظر لا ٟم١جطزٌا ْاذ١ٌّا ٟف ُوٚ يِٛٙ ُواشر خٌبؽ دبٔب١جٌا ِٓ ش١جو طذىرٚ ًئب٘ ، فذٌٙا ٟف ْبوشزش٠ بؼ٠أٚ ٌا ّ طاشخزعا ٟف ًضّز بمثبع خفٚشؼِ ش١غ حذ٠ذع دبٍِٛؼِ . ث خطبخٌا ُ١٘بفٌّا ك١ّؼر ِٓ بٕؼفاد ْبوٚ صٛظٌٕا ٟف ت١مٕزٌا خ١ٕمز غعاس ًظفٌا از٘ ٟف ئ ك١مؾر ٌٝ خٍضّزٌّا خعاسذٌا ٖز٘ فاذ٘أ ٞٛجٌٕا ش٠ذؾٌا ٍٝػ صٛظٌٕا ٟف ت١مٕزٌا خ١ٕمر ك١جطر ٟف ( ف٠ششٌا

system texte mining pour hadith Sharif )

بِٕٙ حٛعشٌّا ظئبزٔ ك١مؾرٚ .

لصفلا

II

:

I

-حهضقولا

:

ٞٛجٌٕا ش٠لؾٌا لٕػ خ٠ٛجٌٕا خٌَٕا ٚأ خػبّغٌاٚ خٌَٕا ً٘أ ٓػ كهٚ بِ ٛ٘ يٍٛوٌا ﷲ ﷴ لجػ ٓث ﷲ ﷺ حو١ٍ ٚأ خ١مٍُف خفط ٚأ خ١مٍَف خفط ٚأ و٠ومر ٚأ ًؼف ٚأ يٛل ِٓ , ًجل ءاٍٛ خضؼجٌا ( ٟؽٌٛا ءلث ٞأ حٛجٌٕاٚ ب٘لؼث ٚأ ) , ٚ ا ً٘أ لٕػ خٌَٕاٚ ش٠لؾٌا ِٓ ٟٔبضٌا هلظٌّا بّ٘ خػبّغٌاٚ خٌَٕ غ٠وشزٌا هكبظِ ِٟلاٍلإا ث لؼ ْآومٌا , ٚ ا هٌم ٚ بطٛظف ش٠لؾٌا ْ ٚ لػاٛمٌ ْبٕ١جِ بِّٛػ خٌَٕا َبىؽأ خؼ٠وشٌا ٚ بّٙظٔ ٚ , ْآومٌا ٟف لاّغِ ءبع بٌّ ْلاظفِ ف١ؼِٚ , أ ْ ٕٗػ ذىٍ بٌّ ٚ , ٚ ٗٔب١جٌ ْبؾػِٛ ٗ١ٔبؼِ ٚ ٗرلالاك , ٟف ءبع بّو ُغٌٕا حهٍٛ 5 ٜ ٌََْٛٙا َِٓػ ُكِطَْٕ٠ بَِ َٚ َٝؽُٛ٠ ٌْٟؽ َٚ الاِا َُٛ٘ ِْْا ش٠لؾٌبف ِٓ غ٠وشزٌا ٟف ْآومٌا خثبضّث ٛ٘ ٞٛجٌٕا ٚ ٗٔٛو ش١ؽ أ ًب١ؽ ﷺ ٟجٌٍٕ ﷲ ٖبؽٚ ٚ , ْبفكاوِ خٌَٕاٚ ش٠لؾٌا ٚ خ١غؾٌا ٟف ْآومٌٍ بّٙث ًّؼٌا ةٛعٚ يٛطأ بِّٕٙ لّزَ٠ ش١ؽ , حل١مؼٌا ٚ ٚ داكبجؼٌبث خمٍؼزٌّا َبىؽلأا ٚ قلافأ ِٓ حب١ؾٌا ُظٔ ٌٝا خفبػلإبث دلاِبؼٌّا ٚ ةاكآ خ١ثور . ٌ وِ ٍٝػ ءبٍّؼٌا ُز٘ا لم ٚ بؼّع ٞٛجٌٕا ش٠لؾٌبث هٛظؼٌا ٚ بٕ٠ٚلر ٚ خٍاهك ٚ ,بؽوش ٌٗٛؽ ذطجٕزٍا ش٠لؾٌا ٍُػ ٚ , ِٕٗ ٍٟبٍلأا فلٌٙا ْبو ٞنٌا 5 ٚ ش٠لؾٌا عفؽ ٚ خٌَٕا ٚ ٕٗػ ﷲ ٍٝط ٟجٌٕا ٓػ ةنىٌا غفك ٚ يٛجمٌّا ؼ١ػٛرٚ ٍٍُ كهٚ بِّ كٚكوٌّا ٕٗػ , ٚ ـ٠هبزٌبو خفٍزقٌّا دلابغٌّا ٟف وطبؼٌّا ٍُؼٌا ان٘ و١صؤر لزِاٚ خ٠ٛجٌٕا حو١ٌَبث ِٕٗ كٍؼز٠ بِ ٚ ُعاوزٌا ٍَٛػ ٚ دبمجطٌا ٍٝػ ٖو١صؤر ٌٝا خفبػلإبث , ٍَٛػ ٌٍا خ١ثوؼٌا خغ و١َفزٌاٚ ٗمفٌاٚ ب٘و١غٚ . ٚ يٚبؾٍٕ انٌٙ أ ًظفٌا ان٘ ٟف قوطزٔ ْ ا ٟزٌا خِبؼٌا ُ١٘بفٌّا ٌٝ ضقر ٚ ٞٛجٌٕا ش٠لؾٌا ٍٝػ فوؼزٌا ٚ ش٠لؾٌا ٍُػ حؤشٔ ـ٠هبر بِ ىوثأ ِٓ ٗ١ف خصهاٛزِ خ١فوؼِ خٍ١ظؽ ١علأا وجػ ب ٚ تزىٌبو ي ٟزٌا فهبؼٌّا هبَِ ٟف بٔلػبَزٍ بٕضؾث .

II

-حنسلاو ثٌضذلا

:

II . 1 ثٌضذلا فٌرعت : ةوؼٌا ْبٌَ ٟف ش٠لؾٌا 5 ءب١شلأا ِٓ ل٠لغٌا ُ٠لمٌا غ١مٔ , َلاىٌا ٍٝػ كٍَطُ٠ٚ ؛ ٚ ٍٗ١ٍل ١ضو ٖو ٚ سلؾ٠ ٗٔلأ ؛ بًئ١شف بًئ١ش كالغز٠ , ٚ ش٠كبؽأ ٗؼّع . ش٠لؾٌا بِأ ٟف بٍّػ ػلاططا ء ٛٙف 5 بِ تَٔ ًؼف ٚأ يٛل ِٓ ﷺ ٟجٌٕا ٌٝا ٠ومر ٚأ و ٟمٍُُف ٚأ ٟمٍَْف فطٚ ٚأ ٚ و٠ومزٌا ٕٝؼِ ٛ٘ يٛم٠ ْأ ًلاٛل ﷺ ِٗبِأ ٌلؽأ ًلاؼف ًؼف٠ ٚأ , ٗ١ٍػ ٖوِىُٕ٠ لاف , ٚأ ِٗبِأ ْٛى٠ لا ٚ , ٗ١ٍػ ذىَ١ف ٗغٍُجَ٠ ٓىٌ , ٗرٛىَف ٌٗ و٠ومر ان٘ خا١ػوشٌا خفط ٗث تَِزىَ٠ , ٚ ﷲ داٍٛط ٗٔلأ ٗ١ٍػ ِٗلاٍ عٚوشِ و١غ ا ًوِأ وِمُ٠ لا , ف بِؤ خا١ِمٍَقٌا ٗربفط ٚ بِ ًْضِّف ش٠كبؽلأا ٟف كه حوّؾث بًثوشُِ ٗعٌٛا غ١ثأ ٗٔٛو ِٓ ٓئبجٌا ً٠ٛطٌبث ٌ١ٌ ٗٔأٚ ككوزٌّا و١ظمٌبث لاٚ ٚ , ؾٕ٠ بّٔؤىف ٝشِ اما ٗٔأ تجَط ِٓ ُّؾ , ٞأ هِلؾُِٕ ْبىِ ٚ خا١مٍُُقٌا ٗربفط بِأ , ىف ٔؤ ًبٌٕا كٛعأ ْبو ٗ١ٍػ ِٗلاٍٚ ﷲ داٍٛط ٗٔأ ِٓ ذجص بّ ٚ , ًبٌٕا غغشأ ٚ , ٚ بًؼػاٛر ُ٘لشأ بًفطػ ٚ ءاومفٌا ٍٝػ ٓ١وبٌَّا ٚ , ِٝبز١ٌاٚ ًِاهلأا ٚ ! ٚ بًٍّ ِؽ ُّٙظػأ ا ًٛفػ خثٛمؼٌا ٍٝػ ٗرهلل غِ , ٚ , ٗٔأ بِ ٖوى٠ بّث اًلؽأ ٗعاُٛ٠ ْبو بّٙزُ١ٌ بٙث ﷲ ٗضؼث ٟزٌا قلافلأا َهبىِ ِٓ هٌم و١غ ٌٝا , . [ 72 ]

II . 2 ثٌضذلا عاونأ : ش٠لؾٌا ءبٍّػ ٗفٕط ا بّ٘ ٓ١ػٛٔ ٌٝ : ًسضقلا ثٌضذلا : ﷺ ٟجٌٕا ِٓ ٗظفٌ ْبو بِ ٛ٘ ٚ , ٌٝبؼر ﷲ ِٓ ٖبٕؼِ ﷲ وجفأ بِ ٛ٘ ٚأ , َبٌّٕا ٚأ َبٌٙلإبث ٗ١جٔ وجفؤف , َٗفٔ ِٓ حهبجؼث ٕٝؼٌّا هٌم ٓػ ﷺ ﷲ يٍٛه , ٚ كهٚ ٟزٌا ش٠كبؽلأا ٓ١ث ِٓ د ٓػ ٌا بِ ٟف ﷺ ٟجٕ وونٔ ٗثه ٓػ ٗ٠ٚو٠ : ٚ ٗٔبؾجٍ ﷲ ٓػ ﷺ ﷲ يٍٛه يٛم٠ ٌٝبؼر " ٟث ٞلجػ ٓظ لٕػ بٔأ , ٚ ٟٔووم اما ٗؼِ بٔأ ٟٔووم ْبف , َٗفٔ ٟف َٟفٔ ٟف ٗرووم , ٚ , ُِٕٙ ٍو١ف لأِ ٟف ٗرووم لأِ ٟف ٟٔووم ْا ٚ , ذثومر ًاوجش ٌٟا ةومر ْا ًبػاهم ٗ١ٌا ًبػاهم ٌٟا ةومر ْاٚ , ًبػبث ٗ١ٌا ذثومر , ٚ , ٟشّ٠ ٟٔبرأ ْا خٌٚو٘ ٗز١رأ , " . -يوثنلا ثٌضذلا : ٌٝا ف١ػأ بِ ٛ٘ ٚ و٠ومر ٚأ ًؼف ٚأ يٛل ِٓ ﷺ ٟجٌٕا ُِّ٘ ٚأ خ١مٍُف ٚأ خ١مٍَف فبطٚأ ِٓ ب٘ٛؾٔ . ذؾط ٟزٌا ش٠كبؽلأا ٓ١ث ِٓٚ ﷺ ﷲ يٍٛه ٓػ : ﷺ ٟجٌٕا يبل 5 * ْبٌٍَا ٍٝػ ْبزف١فف ْبزٍّو ْاي١ٌّا ٟف ْبزٍ١مص , ّٓؽوٌا ٌٝا ْبزج١جؽ , “ ﷲ ْبؾجٍ ُ١ظؼٌا ‟ “ ٖلّؾثٚ ﷲ ْبؾجٍ ‟ * . [ 73 ] II . 3 حنسلا فٌرعت :  5 ةوؼٌا ْبٍَث بٙف٠وؼر ٚ خؼجزٌّا حو١ٌَا ٟ٘ ٚ خوٌٍَّٛا قوطٌا و١َفزٌ خٍّىٌا ٖن٘ َلقزَر بّو ,و١غٌا بٙث ٞلزم٠ ٟزٌا خٍضِلأا ٗئالزثا ٚأ ءٟشٌا ْب١ث .  ٚ ٟف ش٠لؾٌا بِأ 5 ٗئبٍّػ ػلاططا ٛ٘ بٔل١ٍ ٓػ ووم بِ ًو ﷴ ﷺ فأ ٚأ خ١مٍف دبفط ٚأ ؼ١ٍّر ٚأ ءبّ٠ا ٚأ نٍٍٛ ٚأ يٛل ِٓ ْبو قلا ٗزضؼث ًجل بٙث ٍٝؾز٠ ٟجٕو ب٘لؼث ٚأ .  ًب١ٙمف 5 ةٛعٚ لاٚ عوف ْٚك ِٓ خ١ِلاٍلإا خؼ٠وشٌا بٙ١ٌا و١شر ٟزٌا هِٛلأا ًو ٟ٘ وعئُ٠ ٟزٌا هِٛلأا ٞأ , ٚ بٍٙػبف بٙوهبر ُصئُ٠ لا .  ًب٠لئبمػ 5 يٍٛوٌا ٞل٘ ٛ٘ ﷺ ٓ٠لٌا هِٛأ ٟف ٞل٘ٚ نٍٍٛٚ ٍُػ ِٓ بٙث غزّز٠ ْبو ٟزٌا هِٛلأا ٌٝا خفبػلإبث , . [ 74 ] 4.II حنسلا ماسقأ : ٟجٌٕا ٓػ دكهٚ بّو خٌَٕا ذَّل ﷺ عاٛٔأ حلػ ٌٝا ٚ , ٌٟبزٌبو ٟ٘ 5  حٍلعفلا حنسلا 5 لأا غ١ّع ٟ٘ٚ بٔل١ٍ بٍٙهبّ٠ ْبو ٟزٌا يبؼف ﷴ ﷺ ٚ عفبؾ٠ ْبو ٟزٌا حلاظٌا ٍٕٓ بٙ١ٍػ خٍضِلأا ِٓ ٚ بٙرلاط ٍٝػ وفٌَا ذلٚ ٟف ٝزؽ بٙزلٚ ٟف بٙئاكأ .  حٍلوقلا حنسلا 5 ٟجٌٕا ٍٝػ دكهٚ ٟزٌا ياٛللأا ٟف ًضّزر ﷺ ٚ ب٘ل٠كور ٍٝػ صوؾٌا ُئاك ْبو ٚ خ١ػكلأا ًضِ , ؼ١جَزٌا ٚ ﷲ ووم .