پایان نامه داده کاوی ، مفاهیم و کاربرد

اختصاصی از ژیکو پایان نامه داده کاوی ، مفاهیم و کاربرد دانلود با لینک مستقیم و پر سرعت .

فهرست مقاله:

چکیده

مقدمه

فصل اول – مفاهیم داده کاوی

مدیریت ذخیره سازی و دستیابی اطلاعات

ساختار بانک اطلاعاتی سازمان

داده کاوی (Data Mining)

مفاهیم پایه در داده کاوی

تعریف داده کاوی

مراحل فرایند کشف دانش از پایگاه داده ها

الگوریتم های داده کاوی

آماده سازی داده برای مدل سازی

درک قلمرو

ابزارهای تجاری داده کاوی Tools DM Commercial

منابع اطلاعاتی مورد استفاده

محدودیت های داده کاوی

حفاظت از حریم شخصی در سیستم‌های داده‌کاوی

فصل دوم : کاربردهای داده کاوی

کاربرد داده کاوی در کسب و کار هوشمند بانک

داده کاوی در مدیریت ارتباط با مشتری

کاربردهای داده کاوی در کتابخانه ها و محیط های دانشگاهی

داده کاوی و مدیریت موسسات دانشگاهی

داده کاوی و مدیریت بهینه وب سایت ها

داده‌کاوی و مدیریت دانش

کاربرد داده‌کاوی در آموزش عالی

فصل سوم – بررسی موردی۱: وب کاوی

معماری وب کاوی

مشکلات و محدودیت های وب کاوی در سایت های فارسی زبان

محتوا کاوی وب

فصل چهارم – بررسی موردی

داده کاوی در شهر الکترونیک

زمینه داده کاوی در شهر الکترونیک

کاربردهای داده کاوی در شهر الکترونیک

چالشهای داده کاوی در شهر الکترونیک

مراجع و ماخذ

.————-

چکیده ای از مقدمه آغازین ” رایگان پایان نامه داده کاوی ، مفاهیم و کاربرد ” بدین شرح است:

امروزه با گسترش سیستم های پایگاهی و حجم بالای داده ها ی ذخیره شده در این سیستم ها ، نیاز به ابزاری است تا بتوان داده های ذخیره شده را پردازش کردواطلاعات حاصل از این پردازش را در اختیار کاربران قرار داد . با استفاده از پرسش های ساده در SQL و ابزارهای گوناگون گزارش گیری معمولی ، می توان اطلاعاتی را در اختیار کاربران قرار داد تا بتوانند به نتیجه گیری در مورد داده ها و روابط منطقی میان آنها بپردازند اما وقتی که حجم داده ها بالا باشد ، کاربران هر چند زبر دست و با تجربه باشند نمی توانند الگوهای مفید را در میان حجم انبوه داده ها تشخیص دهند و یا اگر قادر به این کار هم با شند ، هزینه عملیات از نظر نیروی انسانی و مادی بسیار بالا است . از سوی دیگر کاربران معمولا فرضیه ای را مطرح می کنند و سپس بر اساس گزارشات مشاهده شده به اثبات یا رد فرضیه می پردازند ، در حالی که امروزه نیاز به روشهایی است که اصطلاحا به کشف دانش بپردازند یعنی با کمترین دخالت کاربر و به صورت خودکار الگوها و رابطه های منطقی را بیان نمایند . داده کاوی یکی از مهمترین این روشها است که به وسیله آن الگوهای مفید در داده ها با حداقل دخالت کاربران شناخته می شوند و اطلاعاتی را در اختیار کاربران و تحلیل گران قرار می دهند تا براساس آنها تصمیمات مهم و حیاتی در سازمانها اتخاذ شوند . در داده کاوی از بخشی از علم آمار به نام تحلیل اکتشافی داده ها استفاده می شود که در آن بر کشف اطلاعات نهفته و ناشناخته از درون حجم انبوه داده ها تاکید می شود . علاوه بر این داده کاوی با هوش مصنوعی و یادگیری ماشین نیز ارتباط تنگاتنگی دارد ، بنابراین می توان گفت در داده کاوی تئوریهای پایگاه داده ها ، هوش مصنوعی ، یادگیری ماشین و علم آمار را در هم می آمیزند تا زمینه کاربردی فراهم شود . باید توجه داشت که اصطلاح داده کاوی زمانی به کار برده می شود که با حجم بزرگی از داده ها ، در حد مگا یا ترابایت ، مواجه باشیم . در تمامی منابع داده کاوی بر این مطلب تاکید شده است . هر چه حجم داده ها بیشتر و روابط میان آنها پیچیده تر باشد دسترسی به اطلاعات نهفته در میان داده ها مشکلتر می شود و نقش داده کاوی به عنوان یکی از روشهای کشف دانش ، روشن تر می گردد .

————

مشخصات مقاله:

عنوان پایان نامه : داده کاوی، مفاهیم و کاربرد

قالب بندی : Word

قیمت : 6500

تشخیص میزان رضایت مندی مشتریان ار بانک بر اساس داده کاوی

اختصاصی از ژیکو تشخیص میزان رضایت مندی مشتریان ار بانک بر اساس داده کاوی دانلود با لینک مستقیم و پر سرعت .

پایان نامه رشته کامپیوتر به صورت فایل ورد و قابل ویرایش در 120 صفحه می باشد.
دارای چکیده و فهرست مطالب می باشد.

چکیده :
داده‌کاوی، شامل بهره‌گیری از ابزارهای آنالیز داده‌های پیچیده برای کشف الگوهای موجود و روابط ناشناخته‌ میان داده‌ها در حجمی وسیع می‌باشد. این ابزارها شامل مدل‌های آماری، الگوریتم‌های ریاضی و متدهای یادگیری ماشین می‌باشد؛ الگوریتم‌هایی که بازدهی خود را به صورت خودکار از طریق تجربه افزایش می‌دهند، مانند شبکه‌های عصبی و درخت‌های تصمیم‌گیری. نتیجه داده‌کاوی، علاوه بر جمع‌آوری و مدیریت داده‌ها، در برگیرنده آنالیز و پیش‌بینی‌هایی نیز می‌باشد. داده‌کاوی می‌تواند روی داده‌های ارائه‌شده در فرم‌های عددی متنی و یا چند رسانه‌ای اعمال شود. کشف پول‌‌شویی و فساد مالی و به دست آوردن نتایج راهبردی جهت تصمیم‌گیری‌های آینده، از مهم‌ترین کاربردهای آن به شمار می رود.











فهرست مطالب
عنوان صفحه
فصل اول : داده کاوی
1-1-مقدمه ای بر داده کاوی .....2
1-2-تاریخچه داده کاوی 3
1-3-تعاریف داده کاوی: 3
4-1- اطلاعات مورد نیاز برای عملیات Data Mining 6
5-1-تفاوت داده کاوی و آنالیز های آماری 6
1-6- چرا به سراغ داده کاوی رفته ایم؟ 8
7-1 کاربردهای داده کاوی 8
8-1- محدودیت های داده کاوی 10
9-1-مراحل فرایند کشف دانش از پایگاه داده ها 11
10-1 بیان مسئله و فرموله کردن فرضیه 12
11-1 اجزای یا سیستم داده کاوی 15
12-1 فرآیند داده کاوی 16
13-1 الگوریتم های داده کاوی 17
14-1 فنون داده کاوی 19
15-1 چالش های داده کاوی 20
16-1 شبکه اجتماعی وداده کاوی 21
17-1 نمونه‌های اجرا شده داده‌کاوی 21
18-1 نرم افزارهای داده کاوی 22
فصل دوم : الگوریتم های داده کاوی
2-2 خصوصیات یک الگوریتم 24
2-3 نقش الگوریتم‌ها در علوم رایانه 25
2-4- مفهوم الگوریتم 25
2-5 تحلیل الگوریتم‌ 26
2-6 روش های بیان الگوریتم 26
2-7 الگوریتم وابستگی(Association algorithm) 26
2-8 الگوریتم خوشه‌بندی(Clustering algorithm) 27
2-9 الگوریتم درخت تصمیم(Decision Trees algorithm) 27
2-10 الگوریتم رگرسیون خطی(Linear Regression algorithm) 28
2-11 الگوریتم بیز(Naive Bayes Algorithm) 28
2-12 الگوریتم شبکه‌های عصبی(Neural Network Algorithm) 29
2-13 تجزیه و تحلیل فرآیند‌های تولیدی و صنعتی 29
2-14 الگوریتم رگرسیون منطقی یا لجستیک(Logistic regression algorithm) 29
2-15 الگوریتم خوشه‌بندی زنجیره‌ای(Sequence Clustering algorithm) 30
2-16 الگوریتم سری‌های زمانی(TimeSeries Algorithm) 30
2-17 درخت تصمیم گیری 31
2-18 ساختار درخت تصمیم گیری 32
2-19 خصوصیات درخت تصمیم 33
2-20 درخت تصمیم گیری چگونه کارمیکند؟ 33
2-21 اثربخشی یک درخت تصمیم گیری 34
2-22 مراحل ایجاددرخت تصمیم گیری 34
2-23 نقاط قوت درخت تصمیم گیری 36
2-24 نقاط ضعف درخت تصمیم گیری 36
2-25 ارزیابی درخت ایجادشده 37
2-26 الگوریتم بیز ساده 37
27-2 اهمیت یادگیری بیزی 38
28-2 نگرش بیزی به یادگیری ماشین 39
29-2 ویژگی های یادگیری بیزی 39
30-2 مشکلات عملی 40
31-2 تئوری بیز 40
32-2 دسته بندی کننده بیزی بهینه Bayes Optimal Classifier 43
33-2 الگوریتم یادگیری 44
34-2 الگوریتم دسته بندی 44
35-2 منحنی یادگیری 45
فصل سوم : کاربرد داده کاوی در بانک
3-1 تشریح داده کاوی در بانک 48
3-2 کاربردهای داده کاوی در بانک 49
3-3 نقش داده کاوی در بازاریابی صنعت بانکداری 52
3-4 نقش داده کاوی در مدیریت ریسک صنعت بانکداری 52
3-5 نقش داده کاوی در تشخیص کلاهبرداری صنعت بانکداری 53
3-6 جذب و حفظ مشتری در صنعت بانکداری با داده کاوی 54
3-7 داده کاوی دربازاریابی ومدیریت ارتباط بامشتریان 55
3-8 مدیریت ارتباط بامشتری وپروفایل سازی از آنها 56
3-9 تقلب و متقلبان 59
3-10 کاربردداده کاوی در کشف تقلب وسواستفاده های مالی 60
3-11 داده کاوی وپیش بینی عملکردبانک 62
3-12 داده کاوی در ارزیابی اعتبار مشتریان بانک 62
3-13 مثال های عملی ازکاربرد داده کاوی در صنعت بانکداری 63
فصل چهارم : پیاده سازی توسط الگوریتم های بیز ساده و درخت تصمیم
4-1 پیاده سازی توسط الگوریتم بیز ساده 67
4-2 پیاده سازی توسط الگوریتم decision trees 78
پیوست : نرم افزار WEKA 81
منابع و مراجع 123

دانلودمقاله نگاهی بر داده کاوی و کشف قوانین وابستگی

اختصاصی از ژیکو دانلودمقاله نگاهی بر داده کاوی و کشف قوانین وابستگی دانلود با لینک مستقیم و پر سرعت .

وابستگی

چکیده:
با افزایش سیستمهای کامپیوتر و گسترش تکنولوژی اطلاعات , بحث اصلی در علم کامپیوتر از چگونگی جمع آوری اطلاعات به نحوه استفاده از اطلاعات منتقل شده است . سیستمهای داده کاوی ,این امکان را به کاربر می دهند که بتواند انبوه داده های جمع آوری شده را تفسیر کنند و دانش نهفته در آن را استخراج نمایند .
داده کاوی به هر نوع کشف دانش و یا الگوی پنهان در پایگاه داده ها اطلاق می شود . امروزه داده کاوی به عنوان یکی از مهمترین مسائل هوش مصنوعی و پایگاه داده ، محققان بسیاری را به خود جذب کرده است . در این تحقیق ابتدا نگاه کلی بر داده کاوی ، استراتژیهای داده کاوی و... داریم ، سپس مسأله کشف قوانین وابستگی در پایگاه داده را به تفضیل بررسی کردیم و نگاهی به الگوریتمهای موجود برای آن داشتیم . سپس مسأله کشف قوانین وابستگی در پایگاه داده های پویا را مورد بحث قرار دادیم و الگوریتم های ارائه شده مربوطه را مطرح کردیم .

مقدمه :
هدف از این اراِئه و تحقیق بررسی روشهای مطرح داده کاوی است .داده کاوی هر نوع استخراج دانش و یا الگواز داده های موجود در پایگاه داده است که این دانشها و الگوها ضمنی و مستتر در داده ها هستند ,از داده کاوی می توان جهت امور رده بندی (Classification ) و تخمین (Estimation) ,پیش بینی (Prediction) و خوشه بندی (Clustering)استفاده کرد .داده کاوی دارای محاسن فراوانی است . از مهمترین آن محاسن کشف کردن دانش نهفته در سیستم است که به شناخت بهتر سیستم کمک می کند .به عنوان مثال می توان به استفاده ترکیبی از روش خوشه بندی جهت تخصیص بودجه به دسته های مختلف از کتب اشاره کرد .
سیستمهای داده کاوی تقریبا از اوایل دهه 1990 مورد توجه قرار گرفتند . علت این امر نیز آن بود که تا آن زمان سازمانها بیشتر در پی ایجاد سیستمهای عملیاتی کامپیوتری بودند که به وسیله آنها بتوانند داده های موجود در سازمان خود را سازماندهی کنند . پس از ایجاد این سیستمها ,روزانه حجم زیادی از اطلاعات جمع آوری میشد که تفسیر کردن آنها از عهده انسان خارج بود . به همین دلیل , نیاز به تکنیکی بود که از میان انبوه داده معنی استخراج کند و داده کاوی به همین منظور ایجاد و رشد یافت .
بنابر این هدف اصلی از داده کاوی ,کشف دانش نهفته در محیط مورد بررسی است که این دانش می تواند شکلهای گوناگونی داسته باشد . دانش استخراج شده می تواند به فرم الگوهای موجود در داده ها باشد که کشف این الگوها منجر به شناخت بهتر سیستم نیز می شود . الگوهای استخراجی عموما بیانگر روابط بین ویژگیهای سیستم هستند بعنوان مثال در سیستم تجاری یک الگو می تواند بیانگر رابطه بین نوع کالا و میزان تقاضای آن باشد .
در این تحقیق داده کاوی مورد بحث قرار می گیرد . علل استفاده از داده کاوی و منابعی که داده کاوی بر روی آنها اعمال می شود ,علاوه بر این خلاصه ای از روشهای رایج داده کاوی ارائه شده است . تکنیکهای داده کاوی و قوانین وابستگی و الگوریتمهای موجود (Apriori , Aprior TID, Partition, Eclat ,Max Eclat , Vector ) و الگوریتم با ساختار Trie وfp grow و الگوریتمهای کاهشی مورد بررسی قرار می گیرند و در هر مورد مثالها , موارد کاربرد ,تکنیکها و نقاط قوت و ضعف مورد بررسی قرار گرفته اند .

Data mining(داده کاوی)
تعریف :
Data Mining represents a process developed to examine large amounts of
data routinely collected. The term also refers to a collection of tools used to
perform the process. Data mining is used in most areas where data are
collected-marketing, health, communications, etc.

داده کاوی فرآیند بکارگیری یک یا چند تکنیک آموزش کامپیوتر، برای تحلیل و استخراج داده های یک پایگاه داده می باشد.در واقع هدف داده کاوی یافتن الگوهایی در داده هاست.
دانش کسب شده از فرآیند داده کاوی بصورت مدل یا تعمیمی از داده ها نشان داده می شود.
چندین روش داده کاوی وجود دارد با این وجود همه روشها “ آموزش بر مبنای استنتاج “ را بکار می برند.
آموزش بر مبنای استنتاج، فرآیند شکل گیری تعاریف مفهوم عمومی از طریق مشاهده مثالهای خاص از مفاهیمی که آموزش داده شده اند، است.
مثال زیر نمونه ای از دانش بدست امده از طریق فرایند اموزش بر مبنای استنتاج است:
آیا تا کنون فکر کرده اید، فروشگاههای بزرگ اینترنتی در mail های خود به مشتریان از چه تبلیغاتی استفاده می کنند؟ و آیا این تبلیغات برای همه مشتریان یکسان است؟
پاسخ این است که از روی دانش کسب شده از اطلاعات خرید افراد و نتیجه گیری از این دانش، این کار را انجام می دهند.مثلا در نظر بگیرید یک قانون در پایگاه داده بصورت زیر استخراج می شود:
دقت = 80% : سیگار می خرند ^ نان می خرند کسانی که شیر می خرند
از روی این قانون فروشگاه می تواند به تمام کسانی که شیر می خرند تبلیغات سیگار و انواع نان را نیز بفرستد.همچنین این قانون در چیدن قفسه های فروشگاه نیز بی تاثیر نخواهد بود.
{شیر و نان و سیگار در قفسه های کنار هم چیده شوند}

کشف دانش در پایگاه داده 1

KDD یا کشف دانش در پایگاه داده اصطلاحی است که مکررا بجای داده کاوی بکار می رود. از نظر تکنیکی، KDD کاربردی از روشهای علمی داده کاوی است.
بعلاوه برای انجام داده کاوی فرایند KDD شامل :
1- یک روش برای تهیه داده ها و استخراج داده ها ،
2- تصمیم گیری درباره عملی که پس از داده کاوی باید انجام شود ، می باشد.

آیا داده کاوی برای حل مسائل ما مناسب است؟
تصمیم گیری در مورد اینکه آیا داده کاوی را به عنوان استراتژی حل مساله بکار ببریم یا نه، یک مساله دشوار است.
اما به عنوان نقطه شروع چهار سؤال عمومی را باید در نظر بگیریم :
1. آیا به وضوح می توانیم مساله را تعریف کنیم ؟
2. آیا بطور بالقوه داده با معنی وجود دارد ؟
3. آیا داده ها شامل “ دانش پنهان” هستند یا فقط برای هدف گزارشگری مناسبند ؟
4. آیا هزینه پردازش داده (برای داده کاوی) کمتر از سود حاصل از دانش پنهان بدست آمده از پروژه داده کاوی است ؟
یک مدل پردازش داده کاوی ساده :
در یک دید کلی ، ما می توانیم داده کاوی را به عنوان یک فرآیند چهار مرحله ای تعریف کنیم :
1. جمع آوری یک مجموعه از داده ها برای تحلیل
2. ارائه این داده ها به برنامه نرم افزاری داده کاوی
3. تفسیر نتایج
4. بکارگیری نتایج برای مساله یا موقعیتهای جدید

شکل فوق یک دیاگرام از فرآیند داده کاوی را نشان می دهد.

- جمع آوری داده ها :
فرآیند داده کاوی احتیاج به دسترسی به داده ها دارد. داده ممکن است در تعدادی رکورد، در چندین فایل پایگاه داده ذخیره شود و یا ممکن است داده فقط شامل چند صد رکورد در یک فایل ساده باشد.
با توجه به اینکه معمولا داده های واقعی شامل چندین هزار رکورد می باشند، اولین گام در داده کاوی تهیه زیر مجموعه مناسبی از داده برای پردازش است. گاهی این مرحله احتیاج به تلاش انسانهای بسیاری دارد. در کل سه راه متداول برای دستیابی فرآیند داده کاوی به داده وجود دارد :
1. ذخیره داده در “ انبار داده 1 ”
2. ذخیره داده در پایگاه داده رابطه ای
3. ذخیره داده در فایل ساده

- داده کاوی :
همانطور که در شکل مشخص است مرحله بعد داده کاوی است. با این حال قبل از ارائه داده به ابزار داده کاوی ، چندین انتخاب داریم:
1. یادگیری باید تحت کنترل باشد یا بدون کنترل ؟
2. کدام نمونه ها در داده ها ی جمع آوری شده برای ساخت مدل بکار میروند و کدامها برای تست مدل ؟
3. کدام صفتها از صفتهای موجود انتخاب می شوند ؟
و ....

- تفسیر نتایج :
در این مرحله خروجیهای مرحله داده کاوی آزمایش می شوند تا مشخص شود که آیا این نتایج قابل استفاده و جالب هستند یا نه؟ همانطور که در شکل می بینیم اگر نتایج بهینه نباشد می توانیم فرآیند داده کاوی را با صفات و نمونه های جدید تکرار کنیم. همچنین ما می توانیم به” انبار داده “ مراجعه کنیم و فرآیند استخراج دانش را تکرار کنیم.

ـ بکارگیری نتایج :
هدف نهایی ما بکارگیری نتایج برای موقعیتهای جدید است. به عنوان مثال دانشی که در یک پایگاه داده فروشگاه بیان می کند کسانی که مجله ورزشی می خرند همچنین سیگار هم می خرند؛ در شکل گیری استراتژیهای فروشگاه در چیدن قفسه ها ، تهیه کاتالوگ ها و ... تاثیر می گذارد.

استراتژیهای داده کاوی :
همانطور که در شکل زیر می بینیم استراتژیهای داده کاوی بطور کلی می توانند به دو دسته “ تحت کنترل ” یا “ بدون کنترل ” تقسیم می شوند. آموزش تحت کنترل مدلهایی را با بکارگیری صفات ورودی برای تشخیص مقدار صفت خروجی می سازد. حتی برخی از الگوریتمهای ” آموزش تحت کنترل” امکان تشخیص چندین صفت خروجی را به ما می دهند. به صفات خروجی ، صفات وابسته نیز
می گوییم. زیرا مقدار آنها به مقدار یک یا چند صفت ورودی بستگی دارد. به همین ترتیب به صفات ورودی، صفات مستقل نیز می گوییم.
هنگامی که “ آموزش بدون کنترل ” را بکار می بریم تمامی صفات ورودی هستند و صفت خروجی نداریم.
آموزش تحت کنترل با توجه به اینکه صفات خروجی مقوله ای هستند یا عددی و آیا مدلهای ایجاد شده برای مشخص کردن موقعیت کنونی ایجاد شدند یا پیش بینی خروجیهای آینده ، به چندین قسمت تقسیم می شوند. (منظور از صفات مقوله ای ، صفاتی هستند که مقدار آنها تعداد محدود و مشخصی است، مثل صفاتی که مقدار آنها Boolean است که دو مقدار {true, false} دارد).

طبقه بندی1 :
طبقه بندی احتمالا از همه استراتژیهای داده کاوی قابل درک تر است. طبقه بندی سه خصوصیت دارد :
1. آموزش تحت کنترل است.
2. متغیر وابسته ، مقوله ای است.
3. تاکید بر روی ساخت مدلهایی است که قادر به اختصاص نمونه های جدید به یکی از کلاسهای تعریف شده باشند.

تخمین2 :
مشابه طبقه بندی ، هدف یک مدل تخمین نیز مشخص کردن مقدار برای یک صفت خروجی است؛ اما بر خلاف طبقه بندی صفات خروجی برای مساله تخمین، عددی است بجای مقوله ای .
بعنوان یک مثال برای تخمین ، پایگاه داده ای را در نظر بگیرید که هر رکورد آن اطلاعاتی را راجع به شخصی دارد مثل : محل زندگی، غذای روزانه در اغلب روزها، نوع ماشین شخصی ، درآمد ماهانه و ....
هدف الگوریتم تخمین در این مثال ایجاد مدلی برای تشخیص درآمد ماهانه نمونه های جدید (رکوردهای جدید) می باشد.{که بقیه صفات آنها بجز درآمد ماهانه مشخص است}.
بیشترتکنیکهای تحت کنترل قادرند که یا مسائل طبقه بندی را حل کنند یا تخمین ، اما نه هردورا.

پیش گویی Perdiction :
تشخیص تفاوت بین پیش گویی و طبقه بند ی یا تخمین کار ساده ای نیست. با این حال هدف یک مدل پیش گویی ، برخلاف طبقه بندی یا تخمین، بجای مشخص کردن رفتار کنونی، مشخص کردن خروجیهای آینده است. بیشتر روشهای داده کاوی که برای طبقه بندی یا تخمین مناسبند، برای ساخت مدلهای پیش گویی نیز بکار میروند. عملا این طبیعت داده است که مشخص می کند یک مدل برای تخمین مناست است یا طبقه بندی ویا پیش گویی.

:Unsupervised Clustering دسته بندی بدون کنترل
در دسته بندی بدون کنترل، ما دیگر صفات خروجی نداریم که ما را در فرآیند یادگیری راهنمایی کند، در عوض برنامه مربوطه ساختارهای دانش را با بکارگیری معیارهای “ کیفیت دسته” برای گروه بندی داده ها به دو یا چند کلاس (دسته)، بدست می آورد. .
یک هدف اساسی دسته بندی بدون کنترل، کشف ساختارهای مفهومی در داده است.
کاربردهای متداول دسته بندی بدون نظارت عبارتند از :
- مشخص می کند که آیا ارتباطات با معنی در شکل مفاهیم می تواند در داده ما پیدا شود یا نه ؟
- کارآیی روش آموزش تحت کنترل را مشخص می کند.
- بهترین صفات ورودی برای آموزش تحت کنترل را مشخص می کند.
- شناسایی از حد خارج شده ها (outlier)

تحلیل سبد بازاری Market Basket Analyse :
هدف این مرحله پیدا کردن ارتباطات جالب میان محصولات (خرده فروشی) است. خروجی این مرحله به فروشندگان کمک می کند تا بهتر بتوانند قفسه ها را بچینند یا کاتالوگها را تنظیم کنندو نیز در ایجاد استراتژیهای فروشگاه نیز کارا است. مثالی از دانش این مرحله به فرم زیر است (در یک فروشگاه)
سیگار می خرند کسانی که قهوه می خرند

:Supervised Data Mining تکنیکهای داده کاوی تحت کنترل
تکنیکهای داده کاوی برای بکارگیری استراتژی داده کاوی برای یک مجموعه داده بکار می رود. یک تکنیک داده کاوی از دو قسمت تشکیل شده است:
1. الگوریتم.
2. ساختار دانش مربوطه مثل درخت یا یک مجموعه قوانین درخت تصمیم که در قسمتهای قبلی توضیح دادیم.
در اینجا چندین روش دیگر برای داده کاوی نظارت شده ارائه می دهیم :

1. شبکه عصبی :
یک شبکه عصبی مجموعه ای از نودهای به هم پیوسته است که طراحی می شوند تا رفتار مغز انسان را شبیه سازی کنند.
چون مغز انسان از بیلیونها عصب تشکیل شده و شبکه های عصبی کمتر از صد نود دارند مقایسه یک شبکه عصبی و رفتار مغز کمی غیر متعارف است. با این وجود شبکه های عصبی با موفقیت ، برای حل مسائل بکار برده می شوندو برای داده کاوی نیز کاملا ابزار مناسبی است .
شبکه های عصبی در شکلها و فرمهای گوناگونی وجود دارند و هم برای آموزش تحت کنترل و هم دسته بندی بدون کنترل بکار می روند. درهمه موارد ، مقادیر ورودی برای شبکه عصبی باید عددی باشند. شبکه feed-forward یک نوع شبکه عصبی مناسب برای مسائل آموزش تحت کنترل می باشد.

2. برگشت آماری1 :
برگشت آماری یکی از روشهای آموزش تحت کنترل است که یک مجموعه از داده های عددی را توسط ایجاد معادلات ریاضی مرتبط با یک یا چند صفت ورودی به یک صفت خروجی عددی نسبت
می دهد.
یک مدل “ برگشت خطی ” توسط یک صفت خروجی که مقدارش بوسیله :
“ جمع مقادیر صفت های ورودی × یک وزن مشخص “ مشخص می شود.
مثلا اگر یک پایگاه داده شامل صفات ورودی A , B, C , D و صفت خروجی E باشد، رابطه زیر
می تواند یک مدل برگشت خطی باشد :
E = 0.5 C – 0.2 B + A + 0.32
میبینیم که E صفت خروجی است که مقدارش توسط ترکیب خطی صفات A , B , C تعیین می گردد.
همانند شبکه عصبی ، در این روش نیز همه ورودیها باید عددی باشند و در صورتیکه داده ها در پایگاه داده مقوله ای باشند باید آنها را به داده های عددی تبدیل کنیم.

3. قوانین وابستگی2 :
به تفصیل در بخشهای بعد مورد بحث قرار می گیرد.
قوانین پیوستگی:
یکی از مهمترین بخشهای داده کاوی، کشف قوانین وابستگی در پایگاه داده است.این قوانین، لزوم وقوع برخی صفات(آیتم ها) را در صورت وقوع برخی دیگر از آیتمها، تضمین می کند.
برای روشن شدن مطلب یک فروشگاه خرده فروشی را در نظر بگیرید. مشخصات اجناس خریده شده توسط هر مشتری در یک رکورد پایگاه داده ذخیره می شود.به هر رکورد یک شناسه (TID) نسبت داده می شود.فرض کنید که مجموعه I شامل تمام آیتمها(اجناس) فروشگاه باشد. اگر  I x,y و x∩y=ø آنگاه x=>y یک قانون وابستگی است که بیان میکند اگریک مشتری اجناس مجموعه x را بخرد، اجناس مجموعه y را هم می خرد. این چنین قوانین، تأثیر مهمی در تایین استراتژیهای فروش، بخش بندی مشتریان، تنظیم کاتالوگها و... دارد. همچنین کشف قوانین وابستگی، کاربردهای بسیاری در علوم مختلف نیز دارد.
تعریف مسأله:
مجموعه آیتم: به هر زیر مجموعه از مجموعه آیتمها I)) ' یک مجموعه آیتم ' میگوییم.
در بیشتر الگوریتمها مساله کشف قوانین پیوستگی به دو زیر مساله تقسیم می شود:
1.پیدا کردن تمامی زیر مجموعه های مجموعه I [مجموعه آیتمها] که تکرار (وقوع) آنها در پایگاه بیشتر از یک حد تایین شده است.
به مجموعه آیتمهایی که تعداد وقوع آنها در پایگاه بزرگتر(یا مساوی)حد تایین شده است
' مجموعه آیتمهای بزرگ'، وبه بقیه' مجموعه آیتمهای کوچک' می گوییم.
2.بکارگیری مجموعه آیتمهای بزرگ برای تولید قوانین مطلوب.

فرمت این مقاله به صورت Word و با قابلیت ویرایش میباشد

تعداد صفحات این مقاله  22  صفحه

پس از پرداخت ، میتوانید مقاله را به صورت انلاین دانلود کنید

پروژه بررسی سلامت دانشجویان دانشگاه مازندران از طریق داده کاوی

اختصاصی از ژیکو پروژه بررسی سلامت دانشجویان دانشگاه مازندران از طریق داده کاوی دانلود با لینک مستقیم و پر سرعت .

قالب بندی : PDF

شرح مختصر : ما در این پروژه سعی داریم تا با استفاده از تکنیک های داده کاوی به بررسی میزان سلامت دانشجویان دانشگاه مازندران در سال ۱۳۹۲ بپردازیم. بدین منظور نیاز به تشریح و بکارگیری فرآیند داده کاوی می باشیم. پروژه زیر برای درس داده کاوی ارائه شده است و به طور مختصر اما جامع به شرح فرآیند کلی داده کاوی و اشنایی با نرم افزار کلمنتاین می پردازد.

فهرست :

مراحل کشف دانش

فهم داده یا Data Underestsnding

آماده سازی داده ها یا Data Preparation

مدلسازی یا Modeling

ارزیابی یا Evaluation

ترجمه فارسی مقاله معتبر با موضوع داده کاوی فازی برای داده های سری زمانی Fuzzy data mining for time-series data

اختصاصی از ژیکو ترجمه فارسی مقاله معتبر با موضوع داده کاوی فازی برای داده های سری زمانی Fuzzy data mining for time-series data دانلود با لینک مستقیم و پر سرعت .

ترجمه فارسی مقاله داده کاوی فازی برای داده های سری زمانی

Fuzzy data mining for time-series data

Chun-Hao Chen a, Tzung-Pei Hong b,c,∗, Vincent S. Tseng d

واژه‌های کلیدی

قانون رابطه، داده کاوی، مجموعه فازی، پنجره کشویی، سری زمانی

سال انتشار مقاله: 2011 Elsevier B.V. All rights reserved

مقاله ژورنالی

چکیده

تجزیه و تحلیل سری های زمانی، همواره به عنوان یکی از حوزه پژوهشی مهم و جالب توجه، به دلیل حضور مکرر آن در برنامه های کاربردی مختلف بوده است. در گذشته، روش های بسیاری بر اساس رگرسیون، شبکه های عصبی و سایر مدلهای ریاضی، به منظور تجزیه و تحلیل سری های زمانی مطرح شده بود. در این مقاله، ما در تلاش برای استفاده از روش های داده کاوی به منظور تجزیه و تحلیل سری های زمانی هستیم. بسیاری از مطالعات قبلی مبتنی بر داده کاوی، بر روی مدیریت داده هایی با سنجش باینری (دوتایی) متمرکز شده است. با این حال داده های سری زمانی، دارای مقادیر کمی هستند. به این ترتیب در این مقاله، رویکرد فازی قبلی خود در رابطه با استخراج را برای کنترل داده های سری زمانی مورد نظر به منظور پیدا کردن قوانین زبان مشترک، توسعه داده ایم. این روش پیشنهادی برای اولین بار از یک پنجره کشویی برای تولید دنباله های مداوم از یک سری زمانی داده شده و پس از آن تجزیه و تحلیل مجموعه ی اقلام فازی از این تاخیرها استفاده کرده است. سپس فرایند پردازشی مناسبی برای حذف الگوهای زائد، انجام گرفت. همچنین آزمایش هایی برای نشان دادن عملکرد الگوریتم داده کاوی پیشنهادی، انجام گرفت. از آنجا که نتایج نهایی توسط قواعد زبانی نشان داده شده، آنها نسبت به نمایش کمی، برای انسان مناسب تر خواهند بود.

Abstract

Time series analysis has always been an important and interesting research field due to its frequent appearance in different applications. In the past, many approaches based on regression, neural networks and other mathematical models were proposed to analyze the time series. In this paper, we attempt to use the data mining technique to analyze time series. Many previous studies on data mining have focused on handling binary-valued data. Time series data, however, are usually quantitative values. We thus extend our previous fuzzy mining approach for handling time-series data to find linguistic association rules. The proposed approach first uses a sliding window to generate continues subsequences from a given time series and then analyzes the fuzzy itemsets from these subsequences. Appropriate post-processing is then performed to remove redundant patterns. Experiments are also made to show the performance of the proposed mining algorithm. Since the final results are represented by linguistic rules, they will be friendlier to human than quantitative representation.

Applied Soft Computing 12 (2012) 536–542

journal homepage: www.elsevier.com/locate/asoc

نمونه داکیومنت را می توانید در تصویر کیفیت پایین (پیش نمایش) زیر مشاهده نمایید:

 

آنچه تحویل داده می شود:

1. فایل ورد Microsoft Word .docx ترجمه به فارسی
2. فایل PDF مقاله اصلی به زبان انگلیسی

تعداد صفحات فایل ورد مقاله ترجمه شده (فارسی): 4 صفحه (در حقیقت 4 صفحه دو طرفه، یعنی 8 صفحه A4 می باشد)

تعداد صفحات مقاله اصلی: 7 صفحه

مناسب برای دانشجویان کارشناسی و ارشد کامپیوتر (مهندسی نرم افزار و معماری کامپیوتر) و دانشجویان IT بالاخص دانشجویان سخت افزار و معماری کامپیوتر در ارشد

می توان به عنوان پروژه دروس کارشناسی ارشد یا کارشناسی این پروژه را تحویل داد، دروسی مانند سیستم خبره، داده کاوی، مهندسی نرم افزار پیشرفته، مباحث پیشرفته در مهندسی نرم افزار، یادگیری ماشین،Machine Learning ، Data Mining و غیره

از پایین همین صفحه می توانید این پروژه را خریداری نمایید.