پایان نامه د رمورد داده کاوی و کاربرد آن در تشخیص بیماری ها ( دیابت ) (تعداد صفحات 85)

اختصاصی از یارا فایل پایان نامه د رمورد داده کاوی و کاربرد آن در تشخیص بیماری ها ( دیابت ) (تعداد صفحات 85) دانلود با لینک مستقیم و پرسرعت .

امروزه در دانش پزشکی جمع آوری داده های فراوان در مورد بیماری های مختلف از اهمیت فراوانی برخوردار است. مراکز پزشکی با مقاصد گوناگونی به جمع آوری این داده ها می پردازند . تحقیق روی این داده ها و به دست آوردن نتایج و الگوهای مفید در رابطه با بیماری ها ،یکی از اهداف استفاده از این داده ها است . حجم زیاد این داده ها و سردرگمی حاصل از آن مشکلی است که مانع رسیدن به نتایج قابل توجه می شود . بنابراین از داده کاوی برای غلبه بر این مشکل و به دست آوردن روابط مفید بین عوامل خطر زا در بیماری ها استفاده می شود. این مقاله به معرفی داده کاوی وکاربردآن در صنعت پزشکی (پیش بینی بیماری) با استفاده از الگوریتم های داده کاوی به همراه نرم افزارهای مرتبط با آن پرداخته است

قهرست :

فصل اول : مقدمه

مقدمه

شرح و بیان مسئله

هدف تحقیق

اهمیت و کاربرد نتایج تحقیق

محدودیت

تعریف عملیاتی واژگان

فصل دوم : مفاهیم داده کاوی

تاریخچه

موضوع داده کاوی چیست؟

تعاریف داده کاوی

تفاوت داده کاوی و آنالیزهای آماری

کاربرد های داده کاوی

چند مثال در مورد مفهوم داده کاوی

مراحل داده کاوی

مرحله اول: Business Understanding

مرحله دوم: Data Understanding

جمع آوری داده ها

بحث شرح و توصیف داده ها

مرحله سوم: Data Preparation

Data selecting :انتخاب داده

مرحله چهارم: Modelling

مرحله پنجم: Evaluation

مرحله ششم: Deployment

مفاهیم اساسی در داده کاوی

Bagging

Boosting

MetaLearning

عناصر داده کاوی

تکنیک های داده کاوی

دسته بندی

خوشه بندی

رگرسیون گیری

تجمع وهمبستگی

درخت تصمیم گیری

الگوریتم ژنتیک

شبکه های عصبی مصنوعی

گام نهایی فرآیند داده کاوی،گزارش دادن است

تکنولوژی های مرتبط با داده کاوی

انبار داده

OLAP

محدودیت ها

فصل سوم : کاربرد داده کاوی در پزشکی

داده کاوی در عرصه سلامت

استراتژی های داده کاوی

نمونه هایی از کاربرد داده کاوی در سلامت

مقایسه الگوریتم های هوشمند در شناسایی بیماری دیابت

دسته بندی کننده Bagging

دسته بندی کننده Naïve Bayse

دسته بندی کننده SVM

دسته بندی کننده Random Forest

دسته بندی کننده C

فصل چهارم :درخت تصمیم وپیاده سازی نرم افزار وکا

اهدااف اصلی درخت های تصمیم گیری دسته بندی کننده

گام های لازم برای طراحی یک درخت تصمیم گیری

جذابیت درختان تصمیم

بازنمایی درخت تصمیم

مسائل مناسب برای یادگیری درخت تصمیم

مسائل در یادگیری درخت تصمیم

اورفیتینگ داده ها

انواع روش های هرس کردن

عام سازی درخت

مزایای درختان تصمیم نسبت به روش های دیگر داده کاوی

معایب درختان تصمیم

انواع درختان تصمیم

درختان رگراسیون

الگوریتم ID

الگوریتم Idhat

االگوریتم id

الگوریتم idhat

الگوریتم Cart

الگوریتم C

نرم افزار های داده کاوی

نرم افزار WEKA

قابلیت های WEKA

نرم افزار JMP

قابلیت های JMP

پیاده سازی نرم افزار وکا

پیاده سازی توسط الگوریتم Naïve Bayse

پیاده سازی توسط الگوریتم Decision Trees

ایجاد مدل رگرسیون

ایجاد مدل خوشه بندی

پیاده سازی با الگوریتم نزدیک ترین همسایه

برگه visualize

فصل پنجم:بحث ونتیجه گیری

بحث

نتیجه گیری

پیشنهادات

منابع

پایان نامه بررسی ومطالعه ی کامل داده کاوی و داده کاوی با SQL SERVER2005 پیاده سازی آن روی بانک اطلاعاتی(همراه با تصاویر )

اختصاصی از یارا فایل پایان نامه بررسی ومطالعه ی کامل داده کاوی و داده کاوی با SQL SERVER2005 پیاده سازی آن روی بانک اطلاعاتی(همراه با تصاویر ) دانلود با لینک مستقیم و پرسرعت .

عنوان:

بررسی ومطالعه ی کامل داده کاوی و داده کاوی با SQL SERVER2005 پیاده سازی آن روی بانک اطلاعاتی دانشگاه آزاد قوچان

پایان نامه دوره کارشناسی کامپیوتر

گرایش نرم افزار

فهرست مطالب:

چکیده ۱۴

بررسی ومطالعه ی کامل داده کاوی و داده کاوی با SQL SERVER2005. 14

پیاده سازی آن روی بانک اطلاعاتی دانشگاه آزاد قوچان. ۱۴

فصــل اول. ۱۵

مقدمه ای بر داده کاوی ۱۵

۱-۱-مقدمه. ۱۶

۱-۲-عامل مسبب پیدایش داده کاوی.. ۱۷

-۳-داده کاوی و مفهوم  اکتشاف دانش    (K.D.D) 18

1-3-1-تعریف داده کاوی.. ۱۹

۱-۳-۲- فرآیند داده‌کاوی.. ۲۰

۱-۳-۳- قابلیت های داده کاوی.. ۲۱

۱-۳-۴-چه نوع داده‌هایی مورد کاوش قرار می گیرند؟. ۲۱

فایلهای ساده (FLAT FILES): 21

پایگاههای داده ای رابطه ای(RDBMS): 22

انبارهای داده ای.. ۲۲

۱-۴- وظایف داده کاوی.. ۲۳

۱-۱-۴-کلاس بندی.. ۲۳

۱-۴-۲- مراحل یک الگوریتم کلاس‌بندی.. ۲۴

۱-۴-۳-  انواع روش‌های کلاس‌بندی.. ۲۵

۱-۴-۳-۱- درخت تصمیم ۲۵

۱-۴-۳-۱-۱- کشف تقسیمات ۲۷

۱-۴-۳-۱-۲- دسته بندی با درخت تصمیم ۲۸

انواع درخت‌های تصمیم ۲۹

۱-۴-۳-۱-۴-   نحوه‌ی هرس کردن درخت.. ۳۰

۱-۴-۳-۲- نزدیکترین همسایگی_ K.. 31

1-4-3-3-بیزی.. ۳۲

۱-۴-۳-۳-۱ تئوری بیز. ۳۴

۱-۴-۳-۳-۲ -دسته بندی ساده بیزی.. ۳۶

یک مثال در توضیح طبقه بندی ساده بیزی.. ۳۸

ارزیابی روش‌های کلاس‌بندی.. ۴۱

-۲-۴-۱پیش بینی. ۴۲

۱-۴-۳-انواع روش‌های پیش بینی. ۴۳

۱-۴-۳-۱- رگرسیون. ۴۳

۱-۴-۳-۱ -۱- رگرسیون خطی.. ۴۳

۱-۴-۳-۱-۲-  رگرسیون منطقی. ۴۵

۱-۴-۳- خوشه بندی.. ۴۶

۱-۴-۳-۱- تعریف فرآیند خوشه‌بندی.. ۴۷

۱-۴-۳-۲-  کیفیت خوشه‌بندی.. ۴۷

۱-۴-۳-۳-  روش ها و الگوریتم‌های خوشه‌بندی.. ۴۸

۱-۴-۳-۳-۱-  روش های سلسله‌مراتبی‌ ۴۹

۱-۴-۳-۳-۱-۱- الگوریتم های سلسله مراتبی. ۴۹

۱-۴-۳-۳-۱-۱-۱-الگوریتم خوشه بندی single-linkage. 51

الگوریتم شامل مراحل زیر است : ۵۱

مثال: ۵۲

۱-۴-۳-۳-۲-  الگوریتم‌های تفکیک.. ۵۷

۱-۴-۳-۳-۳-  روش‌های متکی برچگالی. ۵۷

۱-۴-۳-۳-۴-  روش‌های متکی بر گرید ۵۸

۱-۴-۳-۳-۵-  روش‌‌های متکی بر مدل. ۵۸

۱-۴-۴- تخمین. ۵۸

۱-۴-۴-۱- درخت تصمیم ۵۹

۱-۴-۵- سری های زمانی : ۵۹

۱-۵-کاربردهای داده کاوی.. ۵۹

۱-۶-قوانین انجمنی. ۶۰

۱-۶-۱-کاوش قوانین انجمنی. ۶۱

۱-۶-۲-  اصول کاوش قوانین انجمنی. ۶۲

۱-۶-۳-  اصول استقرا در کاوش قوانین انجمنی. ۶۳

۱-۶-۴-  الگوریتم Apriori 66

1-7-متن کاوی.. ۶۷

۱-۷-۱- مقدمه. ۶۷

۱-۷-۲- فرآیند متن کاوی.. ۷۱

۱-۷-۳- کاربردهای متن کاوی.. ۷۳

۱-۷-۳-۱- جستجو و بازیابی. ۷۴

گروه بندی و طبقه بندی داده ۷۴

خلاصه سازی.. ۷۵

روابط میان مفاهیم ۷۶

۱-۷-۳-۵- یافتن و تحلیل ترند ها ۷۶

برچسب زدن نحوی (POS) 77

1-6-2-7-  ایجاد تزاروس و آنتولوژی به صورت اتوماتیک… ۷۷

۱-۸-تصویر کاوی.. ۷۸

۱-۹- وب کاوی.. ۷۹

فصل دوم ۸۲

الگوریتم ژنتیک… ۸۲

۱-۲-مقدمه. ۸۳

مفاهیم پایه و لغات کلیدی.. ۸۳

۲-۲- اصول الگوریتم ژنتیک… ۸۴

۲-۲-۱-کد گذاری.. ۸۴

۲-۲-۱-۱- روش های کد گذاری.. ۸۴

۲-۲-۱-۱-۱- کدگذاری دودویی. ۸۴

۲-۲-۱-۱-۲-کدگذاری مقادیر. ۸۵

۲-۲-۱-۱-۳- کدگذاری درختی. ۸۵

۲-۲-۲- ارزیابی. ۸۶

۲-۲-۳-انتخاب.. ۸۷

۲-۲-۳-۱-انتخاب گردونه دوار. ۸۷

۲-۲-۳-۲- انتخاب رتبه ای.. ۸۸

۲-۲-۳-۳- انتخاب حالت استوار. ۹۰

۲-۲-۳-۴-نخبه گزینی. ۹۰

۲-۲-۴- عملگرهای تغییر. ۹۰

۲-۲-۴-۱-عملگر Crossover 91

2-2-4-2-عملگر جهش ژنتیکی. ۹۲

۲-۲-۴-۳-احتمال  Crossover و جهش.. ۹۳

۲-۲-۵- کدبرداری.. ۹۳

۲-۲-۶-دیگر پارامترها ۹۴

۲-۴-مزایای الگوریتم های ژنتیک… ۹۶

۲-۵- محدودیت های الگوریتم های ژنتیک… ۹۷

۲-۶-چند نمونه از کاربرد های الگوریتم های ژنتیک… ۹۸

۲-۶-۱-یک مثال ساده ۹۹

نسل اول. ۱۰۰

نسل بعدی.. ۱۰۲

جهش(Mutation) 103

فصل سوم ۱۰۴

شبکه های عصبی. ۱۰۴

۳-۱-چرا از شبکه های عصبی استفاده می کنیم؟. ۱۰۵

۳-۲-سلول عصبی. ۱۰۶

۳-۳-نحوه عملکرد مغز. ۱۰۸

۳-۴-مدل ریاضی نرون. ۱۰۸

۳-۵- آموزش شبکه‌های عصبی. ۱۱۶

۳-۶-کاربرد های شبکه های عصبی. ۱۱۹

فصل چهارم ۱۲۲

محاسبات نرم ۱۲۲

۴-۱-مقدمه. ۱۲۳

۴-۲-محاسبات نرم  چیست ؟. ۱۲۶

۴-۲-۱-رابطه. ۱۲۷

۴-۲-۲-مجموعه های فازی.. ۱۳۰

۴-۲-۲-۱-توابع عضویت.. ۱۳۵

۴-۲-۲-۲- عملیات اصلی. ۱۳۷

۴-۲-۳-نقش مجموعههای فازی در دادهکاوی.. ۱۳۸

۴-۲-۳-۱- خوشه بندی.. ۱۳۹

۴-۲-۳-۲- خلاصه سازی دادهها ۱۴۰

۴-۲-۳-۳- تصویر کاوی.. ۱۴۱

۴-۲-۴- الگوریتم  ژنتیک… ۱۴۲

۴-۲-۵-نقش الگوریتم ژنتیک در داده کاوی.. ۱۴۹

۴-۲-۵-۱- رگرسیون. ۱۴۹

۴-۲-۵-۲-  قوانین انجمنی. ۱۵۰

۴-۳- بحث و نتیجه گیری.. ۱۵۳

فصل پنجم ۱۵۵

ابزارهای داده کاوی.. ۱۵۵

۵-۱- نحوه ی انتخاب ابزارداده کاوی.. ۱۵۶

۵-۳- چگونه می توان بهترین ابزار را انتخاب کرد؟. ۱۶۳

۵-۴-ابزار های داده کاوی که در ۲۰۰۷ استفاده شده است : ۱۶۵

۵-۵-داده کاوی با sqlserver 2005. 165

5-5-10-  Microsoft-Loistic-Regression. 213

5-5-11-Microsoft-Linear-Regression. 213

فصل ششم ۲۱۴

نتایج داده کاوی با SQL SERVER2005. 214

روی بانک اطلاعاتی دانشگاه آزاد قوچان. ۲۱۴

۱-۶-نتایج Data Mining With Sql Server 2005   روی بانک اطلاعاتی دانشگاه آزاد قوچان. ۲۱۵

۱-۶-۱-Microsoft association rule. 215

1-6-2- Algorithm cluster 216

1-6-3- Neural network. 216

1-6-4- Modle naive-bayes. 217

1-6-5-Microsoft Tree Viewer 220

تعداد خواهر وبرادران دانشجویان ورودی سال ۷۴ حدودا بین ۱-۲ تاطبق آمار بوده است . ۲۲۰

۷-۱-نتیجه گیری.. ۲۲۱

منابع وماخذ ۲۲۳

چکیده:

بررسی ومطالعه ی کامل داده کاوی و داده کاوی با SQL SERVER2005
پیاده سازی آن روی بانک اطلاعاتی دانشگاه آزاد قوچان

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 کرد و اطلاعات حاصل از این پردازش را در اختیار کاربران قرار داد.
داده کاوی یکی از مهمترین روش ها ی کشف دانش 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.داده کاوی را تحلیل گران با اهداف گوناگونی از قبیل کلاس بندی, پیش بینی, خوشه بندی ,تخمین انجام می دهند. برای کلاس بندی, مدل هاو الگوریتم هایی مانند قاعده ی بیز, درخت تصمیم, شبکه ی عصبی, الگوریتم ژنتیک مطرح شده است.برای پیش بینی مدل رگرسیون خطی ومنطقی و برای خوشه بندی الگوریتم های سلسله مراتبی و تفکیکی, وبرای تخمین مدل های درخت تصمیم و شبکه ی عصبی مطرح می شود. در فصل دوم و سوم با الگوریتم ژنتیک که یکی از الگوریتم های داده کاوی و با شبکه ی عصبی که یکی از مدل های داده کاوی هستند آشنا می شویم .درفصل چهارم به محاسبات نرم و برخی از اجزای اصلی ان و نقش آنها در داده کاوی می پردازیم.
در فصل پنجم با ابزارهای داده کاوی آشنا می شویم . برای داده کاوی ابزارهای متنوعی وجود دارد. می توان ابزارداده کاوی را با تطبیق آن ابزار با داده های مسئله و با توجه به محیط داده ای که می خواهید از آن استفاده کنید، و امکاناتی که آن ابزار دارد انتخاب کنید.وسپس به داده کاوی با SQLSERVER2005 می پردازیم .ودرفصل ششم به داده کاوی با SQL SERVER2005 روی بانک اطلاعاتی دانشگاه آزاد قوچان پرداختیم.
کلمات کلیدی ،کلاس بندی ، خوشه بندی ، پیش بینی ، تخمین

فصــل اول

مقدمه ای بر داده کاوی

۱-۱-مقدمه
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 کرد و اطلاعات حاصل از این پردازش را در اختیار کاربران قرار داد .با استفاده از 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 خیلی 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 شوند ، 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 روش ها 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 .

۱-۲-عامل مسبب پیدایش داده کاوی
اصلی ترین دلیلی که باعث شده داده کاوی کانون توجهات در صنعت اطلاعات قرار بگیرد، مساله در دسترس بودن حجم وسیعی از داده ها و نیاز شدید به اینکه از این داده ها, اطلاعات و دانش سودمند استخراج کنیم. اطلاعات و دانش بدست آمده در کاربردهای وسیعی مورد استفاده قرار می گیرد.
داده کاوی را می توان حاصل سیر تکاملی طبیعی تکنولوژی اطلاعات دانست، که این سیر تکاملی ناشی از یک سیر تکاملی در صنعت پایگاه داده می باشد، نظیر عملیات جمع آوری داده ها وایجاد پایگاه داده، مدیریت داده و تحلیل و فهم داده ها.
تکامل تکنولوژی پایگاه داده و استفاده فراوان آن در کاربردهای مختلف سبب جمع آوری حجم فراوانی داده شده است. این داده های فراوان باعث ایجاد نیاز برای ابزارهای قدرتمند برای تحلیل داده ها گشته، زیرا در حال حاضر به لحاظ داده ثروتمند هستیم ولی دچار کمبود اطلاعات می باشیم.
ابزارهای داده کاوی داده ها را آنالیز می کنند و الگوهای داده ها را کشف می کنند که می توان از آن در کاربردهایی نظیر تعیین استراتژی برای کسب و کار، پایگاه دانش و تحقیقات علمی و پزشکی، استفاده کرد. شکاف موجود بین داده ها و اطلاعات سبب ایجاد نیاز برای ابزارهای داده کاوی شده است تا داده های بی ارزش را به دانشی ارزشمند تبدیل کنیم .

۱
-۳-داده کاوی و مفهوم اکتشاف دانش (K.D.D)
با حجم عظیم داده های ذخیره شده در فایلها، بانکهای اطلاعاتی و سایر بانک های داده ای، توسعه ی ابزارهایی برای تحلیل و شاید تفسیر چنین داده هایی و برای استخراج علوم شگفت انگیزی که می توانند در تصمیم گیری مفید باشند، امری بسیار مهم و ضروری است. داده کاوی با عنوان کشف دانش در پایگاه های داده (KDD) شناخته می‌شود. کشف علومی که قبلا ناشناخته بوده‌اند و اطلاعاتی که در بانکهای اطلاعاتی موجود بوده و ذاتا بالقوه و مفید هستند.
با وجود آنکه داده کاوی و کشف دانش در پایگاه‌های داده مترادف همدیگر هستند، ولی در اصل، داده کاوی ذاتاً بخشی و تنها قسمتی جزئی از فرآیند کشف دانش است. فرآیند کشف دانش در بر گیرنده ی چندین مرحله می باشد که از اطلاعات خام، گونه هایی از علوم جدید را بدست می دهد. مراحل کشف دانش به قرار زیر است:
۱- پاکسازی داده ها : در این فاز داده های اضافی و نامربوط از مجموعه داده ها حذف می شوند.(داده های ناکامل) [۲] ۲-یکپارچه سازی داده ها : چندین منبع داده ترکیب می شوند،

دانلود پایان نامه کامل در مور د داده کاوی و مفاهیم و کاربرد های داده کاوی (تعداد صفحات 101 )

اختصاصی از یارا فایل دانلود پایان نامه کامل در مور د داده کاوی و مفاهیم و کاربرد های داده کاوی (تعداد صفحات 101 ) دانلود با لینک مستقیم و پرسرعت .

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.
فهرست :

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 سیستم های داده کاوی

فصل دوم کاربردهای داده کاوی

کاربرد داده کاوی در کسب و کار هوشمند بانک

داده کاوی درمدیریت ارتباط بامشتری

داده کاوی و مدیریت موسسات دانشگاهی

داده کاوی و مدیریت بهینه وب سایت ها

داده کاوی و مدیریت دانش

کاربرد داده کاوی در آموزش عالی

فصل سوم – بررسی موردی وب کاوی

معماری وب کاوی

مشکلات ومحدودیت های وب کاوی در سایت های فارسی زبان

محتوا کاوی وب

فصل چهارم – بررسی موردی   داده کاوی در شهر الکترونیک

زمینه دادهکاوی در شهر الکترونیک

کاربردهای داده کاوی در شهر الکترونیک

چالشهای داده کاوی در شهر الکترونیک

مراجع و ماخذ

دانلود پایان نامه رشته کامپیوتر با عنوان داده کاوی ، مفاهیم و کاربرد آن - word

اختصاصی از یارا فایل دانلود پایان نامه رشته کامپیوتر با عنوان داده کاوی ، مفاهیم و کاربرد آن - word دانلود با لینک مستقیم و پرسرعت .

عنوان پایان نامه : داده کاوی، مفاهیم و کاربرد

شرح مختصر : 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.

چکیده 4

مقدمه. 6

فصل اول – مفاهیم داده کاوی.. 9

مدیریت ذخیره سازی و دستیابی اطلاعات... 9

ساختار بانک اطلاعاتی سازمان: 10

داده کاوی (Data Mining): 11

مفاهیم پایه در داده کاوی.. 13

تعریف داده کاوی.. 14

مراحل فرایند کشف دانش از پایگاه داده ها 16

الگوریتم های داده کاوی.. 22

آماده سازی داده برای مدل سازی.. 30

درک قلمرو. 38

ابزارهای تجاری داده کاوی Tools DM Commercial 46

منابع اطلاعاتی مورد استفاده 47

محدودیت های داده کاوی.. 56

حفاظت از حریم شخصی در سیستم‌های داده‌کاوی.. 56

فصل دوم : کاربردهای داده کاوی.. 59

کاربرد داده کاوی در کسب و کار هوشمند بانک..... 60

داده کاوی درمدیریت ارتباط بامشتری.. 61

کاربردهای داده کاوی در کتابخانه ها و محیط های دانشگاهی.. 63

داده کاوی و مدیریت موسسات دانشگاهی.. 65

داده کاوی و مدیریت بهینه وب سایت ها 66

داده‌کاوی و مدیریت دانش.... 67

کاربرد داده‌کاوی در آموزش عالی.. 68

فصل سوم – بررسی موردی1: وب کاوی.. 70

معماری وب کاوی.. 70

مشکلات ومحدودیت های وب کاوی در سایت های فارسی زبان. 75

محتوا کاوی وب... 76

فصل چهارم – بررسی موردی 2 : داده کاوی در شهر الکترونیک.... 79

زمینه دادهکاوی در شهر الکترونیک.... 81

کاربردهای دادهکاوی در شهر الکترونیک..... 83

چالشهای دادهکاوی در شهر الکترونیک..... 88

مراجع و ماخذ. 97

وب کاوی در صنعت‎

اختصاصی از یارا فایل وب کاوی در صنعت‎ دانلود با لینک مستقیم و پرسرعت .

   چکیده :

با افزایش چشمگیر حجم اطلاعات و توسعه وب، نیاز به روش ها و تکنیک هایی که بتوانند امکان دستیابی کارا به داده‌ها و استخراج اطلاعات از آنها را فراهم کنند، بیش از پیش احساس می شود. وب کاوی یکی از زمینه های تحقیقاتی است که با به کارگیری تکنیک های داده کاوی به کشف و استخراج خودکار اطلاعات از اسناد و سرویس‌های وب می پردازد. در واقع وب کاوی، فرآیند کشف اطلاعات و دانش ناشناخته و مفید از داده های وب می باشد. روش های وب کاوی بر اساس آن که چه نوع داده ای را مورد کاوش قرار می دهند، به سه دسته کاوش محتوای وب، کاوش ساختار وب و کاوش استفاده از وب تقسیم می شوند. طی این گزارش پس از معرفی وب کاوی و بررسی مراحل آن، ارتباط وب کاوی با سایر زمینه های تحقیقاتی بررسی شده و به چالش ها، مشکلات و کاربردهای این زمینه تحقیقاتی اشاره می شود. همچنین هر یک از انواع وب کاوی به تفصیل مورد بررسی قرار می گیرند که در این پروژه بیشتر به وب کاوی در صنعت می پردازم. برای این منظور مدل ها، الگوریتم ها و کاربردهای هر طبقه معرفی می شوند.

فهرست :

مقدمه

فصل دوم: داده کاوی

مقدمه ای بر داده کاوی

چه چیزی سبب پیدایش داده کاوی شده است؟

مراحل کشف دانش

جایگاه داده کاوی در میان علوم مختلف

داده کاوی چه کارهایی نمی تواند انجام دهد؟

داده کاوی و انبار داده ها

داده کاوی و OLAP

کاربرد یادگیری ماشین و آمار در داده کاوی

توصیف داده ها در داده کاوی

خلاصه سازی و به تصویر در آوردن داده ها

خوشه بندی

تحلیل لینک

مدل های پیش بینی داده ها

دسته بندی

رگرسیون

سری های زمانی

مدل ها و الگوریتم های داده کاوی

شبکه های عصبی

درخت تصمیم

Multivariate Adaptive Regression Splines(MARS)

Rule induction

Knearest neibour and memorybased reansoning(MBR)

رگرسیون منطقی

تحلیل تفکیکی

مدل افزودنی کلی (GAM)

Boosting

سلسله مراتب انتخابها

داده کاوی و مدیریت بهینه وب سایت ها

داده‌کاوی و مدیریت دانش

فصل سوم: وب کاوی

تعریف وب کاوی

مراحل وب کاوی

وب کاوی و زمینه های تحقیقاتی مرتبط

وب کاوی و داده کاوی

وب کاوی و بازیابی اطلاعات

وب کاوی و استخراج اطلاعات

وب کاوی و یادگیری ماشین

انواع وب کاوی

چالش های وب کاوی

مشکلات ومحدودیت های وب کاوی در سایت های فارسی زبان

محتوا کاوی وب

فصل چهارم: وب کاوی در صنعت

انواع وب کاوی در صنعت

وب کاوی در صنعت نفت، گاز و پتروشیمی

مهندسی مخازن/ اکتشاف

مهندسی بهره برداری

مهندسی حفاری

بخشهای مدیریتی

کاربرد های دانش داده کاوی در صنعت بیمه

کاربردهای دانش داده کاوی در مدیریت شهری

کاربردهای داده کاوی در صنعت بانکداری

بخش بندی مشتریان

پژوهش های کاربردی

نتیجه گیری

منابع و ماخذ فارسی

مراجع و ماخذ لاتین و سایتهای اینترنتی

نوع فایل : Word

تعداد صفحات : 67 صفحه