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
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
تشخیص میزان رضایت مندی مشتریان ار بانک بر اساس داده کاوی
