یک راه حل مبتنی بر داده کاوی برای مبارزه با پولشویی درپایگاه داده بانک

اختصاصی از هایدی یک راه حل مبتنی بر داده کاوی برای مبارزه با پولشویی درپایگاه داده بانک دانلود با لینک مستقیم و پر سرعت .

چکیده

امروزه پدیده پولشویی به تهدید جدی برای اقتصاد جهانی تبدیل شده است. روش های انجام این عمل مجرمانه و در نتیجه متد های کشف آن، روز به روز پیچیده تر می شود. پولشویی روند پنهان کردن مبدا نامشروع پولهای غیرقانونی است، به طوری که ظاهری قانونی به خود بگیرد. از طرفی دیدگاه های سنتی مقابله با پول شویی بسیار هزینه بر و نا کارآمد است. اخیرا تکنیک های داده کاوی گسترش پیدا کرده اند و به عنوان روش های مناسب برای کشف فعالیت های پولشویی مورد توجه قرار گرفته اند. داده کاوی به مفهوم یافتن الگو ها و روندهای پنهان در حجم بالایی از داده هاست طوری که بتوان از آنها در تصمیم گیری های آینده استفاده کرد. تحقیق پیش رو ،یک راه حل مبتنی بر داده کاوی برای کشف موارد مشکوک به پولشویی در پایگاه داده بانک بر اساس قانون مبارزه با پولشویی در ایران مصوب سال 138 و دستورالعملهای ده گانه بانک مرکزی برای مبارزه با پولشویی را بیان میکند. در این مقاله ابتدا سعی در انتخاب پارامترهای مناسب جهت تشخیص موارد مشکوک بیان شده در قانون فوق الذکر داریم وسپس راه حلی براساس داده کاوی با توجه به پارامترهای بیان شده ارائه خواهد شد.

پایگاه داده پیشرفته کارشناسی ارشد کامپیوتر- بخش دوم

اختصاصی از هایدی پایگاه داده پیشرفته کارشناسی ارشد کامپیوتر- بخش دوم دانلود با لینک مستقیم و پر سرعت .

اگر دانشجوی کارشناسی ارشد کامپیوتر هستید و یا برای آزمون دکترای کامپیوتر آماده می شوید قطعاٌ این فایل برای شما مفید خواهد بود. فایل فشرده ای که دانلود می کنید شامل یک فایل pdf و چهار فایل صوتی می باشد که در این فایلهای  صوتی بصورت دقیق مطالب این فصل توسط استاد گرانقدر خانم دکتر احمدی تدریس شده است.

مطالب بخش دوم شامل مباحث زیر است:

-شاخص های خوشه ای و غیر خوشه ای

-شاخص های متراکم و تُنُک

- شاخص های چند سطحی

ISAM

B+ Trees

پروژه داده کاوی در جهت ارتقای وبهبود آموزش عالی

اختصاصی از هایدی پروژه داده کاوی در جهت ارتقای وبهبود آموزش عالی دانلود با لینک مستقیم و پر سرعت .

فرمت فایل : WORD (قابل ویرایش)

تعداد صفحات:100

فهرست مطالب:
فصل اول : داده کاوی
1.    مقدمه..........................................................................................................................10
2.    سابقه داده کاوی.........................................................................................................11
3.    معرفی دانش داده کاوی.............................................................................................12
1.3.داده کاوی (Data Mining) چیست ؟..................................................................13
2.3.تعریف داده کاوی.....................................................................................................15
3.3.مفهوم داده کاوی.....................................................................................................15
4.    ریشه های داده کاوی................................................................................................17
5.    فنون داده کاوی........................................................................................................18
6.    مراحل داده کاوی......................................................................................................19
7.    عوامل ایجاد داده کاوی.............................................................................................21
8.    مزایای داده کاوی......................................................................................................22
9.    مراحل فرایند کشف دانش از پایگاه داده ها............................................................22
10.    جایگاه داده کاوی در علوم مختلف..........................................................................24
11.    کاربردهای داده کاوی...............................................................................................25
12.    عملکردهای جاری داده کاوی..................................................................................27
13.    داده کاوی در تولید چهار نوع دانش مفید است.....................................................27
14.    داده کاوی موفق.......................................................................................................28
15.    نمونه های از سیستم های داده کاوی.....................................................................28
1.15.مثال تفهیمی در مورد داده کاوی.......................................................................29
16.    نرم‌ افزارهای داده‌کاوی...........................................................................................30
1.16. معرفی نرم افزار داده کاوی...............................................................................30
17.    محدودیت های داده کاوی......................................................................................31
فصل دوم : آموزش عالی
1.    تاریخچه آموزش عالی در ایران...............................................................................33       
1.1.پیش از اسلام........................................................................................................33
2.1. دوران اسلامی......................................................................................................33
3.1. دوره معاصر..........................................................................................................34
4.1. اولین دانشگاه جامع ایران.....................................................................................35
5.1. آغاز آموزش عالی علوم پزشکی نوین.....................................................................36
6.1. دوران پهلوی دوم و توسعه....................................................................................36
7.1. آموزش عالی در حال حاضر...................................................................................37
8.1. دستاوردهای نظام آموزش عالی در ایران................................................................38                                                                    
2.    دکتراقبالی پدر آموزش عالی در ایران.....................................................................39
           1.2. زندگینامه دکترعلی اقبالی.....................................................................................43                    2.2. تالیفات و ترجمه‌های دکتر علی اقبالی در طی فعالیت‌های دانشگاهی............................47
3.    خصوصی سازی آموزش عالی و بررسی اثرات اقتصادی،اجتماعی آن....................49
4.    ارزیابی آموزش عالی...................................................................................................50
1.4.    پیشینه ارزشیابی آموزش عالی در کشورهای مختلف...........................................52
5.    کارآفرینی در نظام آموزش عالی................................................................................55
1.5.تاریخچه آموزش کارآفرینی در دانشگاه ها................................................................57
2.5. مفهوم کارآفرینی در آموزش عالی...........................................................................58
3.5.اهداف ومحتوای آموزش کارآفرینی..........................................................................58
4.5.اهداف آموزش کارآفرینی........................................................................................60
5.5.محتوای آموزش کارآفرینی......................................................................................60
6.5.دانشگاه کارآفرین....................................................................................................61
6.    آینده آموزش عالی.....................................................................................................63
فصل سوم : تاثیر داده کاوی درارتقای  اموزش عالی                                                   
1.    مقدمه....................................................................................................................68
2.     کاربرد دادهکاوی در آموزش عالی......................................................................69
3.    کاربردهای داده کاوی در کتابخانه ها و محیط های دانشگاهی...........................69
4.      مدیریت و خدمات کتابخانه................................................................................70
5.    مدیریت موسسات دانشگاهی...............................................................................71
6.    مسائل جهانی در آموزش عالی.............................................................................72  
1.6. اهداف آموزشی................................................................................................72                                                                                                       2.6. منابع مالی.......................................................................................................75                                                                                                                          3.6. همبستگی اجتماعی.........................................................................................76                                                                                                               
7.    محدودیت های داده کاوی درآموزش عالی........................................................78
فصل چهارم : نمونه های ازتاثیر داده کاوی در ارتقا و بهبود سیستم آموزش عالی
1.    مقدمه...................................................................................................................82
2.    فرآیندهای سیستم آموزش................................................................................84
3.    ایجاد انواع)گونه های( معنا داری از دانشجویان...............................................86
4.    کاربردهای خوشه بندی.......................................................................................87
5.    پیش بینی ثبت نام................................................................................................91
6.    پیش بینی ثبت نام با استفاده از شبکه های عصبی مصنوعی..........................92
7.    انتخاب دانشجویان مناسب برای شرکت در کلاس های جبرانی.......................93
8.    برنامه ریزی تحصیلی- پیش بینی گذراندن دروس............................................95
9.    نتیجه گیری..........................................................................................................97
10.    منابع...................................................................................................................100




فصل اول : داده کاوی
مقدمه
جامعه مبتنی بر اطلاعات را می توان به عنوان جامعه ای تعریف نمود که بخش غالب اجتماع به جای کارهای فیزیکی در گیرکارهای فکری هستند. در چنین جامعه ای بیشترین توجه به فعالیت های اطلاعاتی از قبیل فراهم آوری، پردازش، تولید، ثبت، انتقال، اشاعه و مدیریت اطلاعات مبذول می گردد و بیشترین هزینه ها صرف فرایندهای اطلاعاتی می شود. با گسترش سیستم های پایگاهی و حجم بالای داده های ذخیره شده در این سیستم ها، به ابزاری نیاز است تا بتوان این داده ها را پردازش کرد و اطلاعات حاصل از آن را در اختیار کاربران قرار داد. معمولا کاربران پس از طرح فرضیه ای بر اساس گزارشات مشاهده شده به اثبات یا رد آن می پردازند، در حالی که امروزه به روش هایی نیاز داریم که به اصطلاح به کشف دانش بپردازند، یعنی روش هایی که با کمترین دخالت کاربر و به صورت خودکار الگوها و رابطه های منطقی را بیان نمایند. یکی از روش های بسیار مهمی که با آن می توان الگوهای مفیدی را در میان داده ها تشخیص داد، داده کاوی است. این روش که با حداقل دخالت کاربران همراه است اطلاعاتی را در اختیار آنها و تحلیل گران قرار می دهد تا براساس آنها تصمیمات مهم و حیاتی در سازمانشان اتخاذ نمایند. 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 مشکل تر می شود و نقش داده کاوی به عنوان یکی از روش های کشف دانش، آشکارتر می گردد. داده کاوی از چندین رشته علمی به طور همزمان بهره می برد. از این میان می توان به آمار، تکنولوژی پایگاه داده، هوش مصنوعی، شبکه های عصبی، سیستم های مبتنی بر دانش، بازیابی اطلاعات و ... نام برد که بدون شک آمار مهمترین آنها به حساب می آید.
   
سا بقه داده کاوی
داده کاوی و کشف دانش در پایگاه داده ها از جمله موضوع هایی هستند که همزمان با ایجاد و استفاده از پایگاه داده ها در اوایل دهه 80 برای جستجوی دانش در داده ها شکل گرفت .شاید بتوان لوول (1983) را اولین شخصی دانست که گزارشی در مورد داده کاوی تحت عنوان « شبیه سازی فعالیت داده کاوی » ارائه نمود. همزمان با او پژوهشگران و متخصصان علوم رایانه، آمار، هوش مصنوعی ، یادگیری ماشین و . . . نیز به پژوهش در این زمینه و زمینه های مرتبط با آن پرداخته اند .پژوهش جدی روی موضوع داده کاوی از اوایل دهه 90 شروع شد. پژوهش ها و مطالعه های زیادی در این زمینه صورت گرفته، همچنین سمینارها، دوره های آموزشی و کنفرانس هایی نیز برگزار شده است. نتایج پایه های نظری داده کاوی در تعدادی از مقاله های پژوهشی آورده شده است. مثلاً سال 1991 پیاتتسکی و شاپیرو  ( استقلال آماری قاعده ها در داده کاوی) را بررسی نموده اند. سال 1995 هافمن و نش( استفاده از داده کاوی و داده انبار توسط بانک های آمریکا) را بررسی نموده و بیان کردند که چگونه این سیستم ها برای بانک های آمریکا قدرت رقابت بیشتری ایجاد می کنند. چت فیلد مشکلات ایجاد شده توسط داده کاوی را بررسی نمود و همچنین مقاله ای تحت عنوان ( مدل های خطی غیر دقیق داده کاوی و استنباط آماری) ارایه نمود. هندری نیز دیدگاه اقتصاد سنجی روی داده کاوی را تهیه کرد. در این سال انجمن داده کاوی همزمان با اولین کنفرانس بین المللی (کشف دانش و داده کاوی) شروع به کار کرد. این کنفرانس توسعه یافته چهار دوره آموزشی بین المللی در پایگاه های داده درسال 1989 تا 1994 بود. انجمن مذکور، یک سازمان علمی به نام acm- sigkdd را ایجاد نمود. سال 1996 ایمیلنسکی و منیلا دیدگاهی از داده کاوی به عنوان (پرس و جو کننده از پایگاه های استنتاجی) را پیشنهاد کردند. فایاد، پیاتتسکی – شاپیرو، اودوراسامی( پیشرفت های کشف دانش و داده کاوی )را عنوان کردند. در سال 1997 منیلا خلاصه ای از (مطالعه روی اساس داده کاوی) ارایه نمود. باربارا و همکاران نیز دیدگاه (کاهش داده ها روی داده کاوی) را در گزارش کاهش داده های نیوجرسی ارایه نمودند. همچنین می توان برای کاربرد داده کاوی در مدیریت مالی می توان، تحلیل داده های مالی و مدل سازی مالی بنینگاه و چاچ کز و هیگینز را ملاحظه کرد فریدمن نیز مقاله ای در ارتباط با مفهوم آمار و داده کاوی ارایه نمود. سال 1998 هند مقاله ای تحت عنوان( داده کاوی : آمار یا بیشتر؟ ) ارائه نمود. کلینبرگ پائودیمیتریو و راغان دیدگاه (اقتصاد سنجی روی داده کاوی و عملکرد داده کاوی )را به عنوان یک مسئله بهینه ارایه نمودند. در این سال نیز کنفرانس های ناحیه ای و بین المللی در مورد داده کاوی برگزار شد که از جمله می توان به کنفرانس آسیا و اقیانوسیه درباره کشف دانش و داده کاوی اشاره کرد. سال 2000 هند و همکاران و اسمیت بحث های مقایسه ای بین آمار و داده کاوی را ارایه کردند. سری و استاوا، کولی، رش پاند و تن (استفاده از وب در کاوش داده ها و کاربردهای آن) را ارایه کردند. سال 2002 کلادیو کانورسانو و همکاران (مدل آمیخته چندگانه جمع پذیر تعمیم یافته) برای داده کاوی را بررسی نمودند. پائلو و گیانلوکاپاسرون، ( داده کاوی ساختارهای پیوند برای مدل رفتار مصرف کننده) را ارایه نمودند.
معرفی دانش داده کاوی
دانش داده کاوی فرآیند کشف دانش پنهان درون داده ها است که با برخورداری از دامنه وسیع زیرزمینه های تخصصی با توصیف، تشریح، پیش بینی و کنترل پدیده های گوناگون پیرامونی، امروزه دارای کاربرد بسیار وسیع در حوزه های مختلف از جمله صنعتی، پزشکی، ارتباطات، کشاورزی، انرژی، علوم اجتماعی، فرهنگی، سیاسی، اقتصادی، بازرگانی، نظامی، آموزشی و ... است بطوری که  امروزه مرز و محدودیتی برای کاربرد این دانش در نظر گرفته نشده و زمینه های کاری این دانش را در تمامی عرصه های برخوردار از داده می دانند. در طول دهه گذشته حجم زیادی از داده ها در پایگاه داده ها انباشته و ذخیره شده اند و نتیجه این انباشتگی این است که سازمان ها در داده غنی ولی در کسب دانش بسیار ضعیف می باشند. امروزه میزان داده های در دسترس هر 5 سال دو برابر می شود و سازمانی توانا است که قادر باشد حداقل 7 درصد از اطلاعاتش را مدیریت نماید. تحقیقات انجام یافته نشان از آن دارد که سازمان ها امروزه کمتر از یک درصد از داده هایشان را برای تحلیل استفاده می نمایند. بعبارت دیگر امروزه سازمان ها در اطلاعات غرق شده اند در حالیکه گرسنه دانش هستند چرا که سازمان ها داده های زیادی را در تصرف خود دارند درحالیکه هنوز با فقدان دانش پنهان درون داده ها مواجه هستند.
امروزه با توجه به تنوع زیاد مخاطبین، مشتریان، بازارها، تنوع و پیچیدگی خدمات و محیطهای کسب و کار، دسترسی به اطلاعات مناسب برای تصمیم گیری صحیح ضروری می باشد. از این‌رو استفاده از راهکارهای مناسب برای طبقه بندی و تولید اطلاعات از میان انبوهی از داده ها برای سازمان ها امری ضروری و حیاتی است. علم داده کاوی پاسخی به این نیاز به منظور کشف دانش پنهان داده‌ها و تامین اطلاعات مورد نیاز مدیران می‌باشد. دانش داده کاوی ابزاری است که مدیران را قادر می سازد تا سریع تر نسبت به آینده عمل نمایند، فعال باشند بجای آنکه واکنش پذیر باشند و بدانند و مطمئن باشند بجای آنکه حدس بزنند. واضح است که با داشتن این قابلیت، سازمان ها قادر می باشند دانش ارزشمندی را از داده هایشان بدست آورند.                        
دانش داده کاوی سازمانها را قادر می سازد تا از سرمایه داده هایشان بهره برداری نمایند. این ابزار برای پشتیبان فرایند تصمیم گیری استفاده می گردد. داده کاوی با پردازش جامع داده و انجام فرایند تصمیم سازی از طریق استخراج دانش با ارزش از داده، تصمیم گیری را برای مدیران سازمان تسهیل می نماید.
 داده کاوی (Data Mining) چیست؟
امروزه پایگاه‌هاى داده‌ها بسیار بزرگ شده‌اند و حجم برخى از آنها به بیش از یک ترابایت (هزار گیگابایت) رسیده است. درون این حجم از داده‌ها اطلاعات راهبردى مهمى به صورت مخفى وجود دارد. اما سؤال اینجاست که چگونه مى‌توانید از این حجم بزرگ داده‌ها یک نتیجه‌ى مفید به دست آورید؟
تازه‌ترین راه حل براى استخراج اطلاعات مخفى از درون بانک‌هاى اطلاعاتى، داده‌کاوى  یا Data Mining است که روشى پربازده و نسبتاً کم‌هزینه مى‌باشد. پیش از این سازمان‌هاى نوآورِ جهانى، از داده‌کاوى براى مکان‌یابى وجذب مشترى‌هاى با ارزش‌تر و طراحى مجدد محصولاتشان با هدف فروش بیشتر و کاهش ضررهاى ناشى از اشتباهات یا کلاه‌بردارى‌ها استفاده کرده‌اند.
داده‌کاوى فرایندیست که از ابزارهاى متنوع تحلیل داده‌ها، براى کشف الگوهـا و ارتباط‌هاى پنهان موجود در داده‌ها استفاده مى‌کند. نتایج داده‌کاوى براى پیش‌بینى رفتار و تحلیل روندهاى آینده استفاده مى‌شود.
در فرایند داده‌کاوى با نگاه به گذشته مى‌توان درباره‌ى آینده، پیش‌بینى‌هایى را انجام داد و به سؤال‌هاى تجارى ‌پاسخ گفت که روش‌هاى سنتى حل آنها بسیار زمان‌بر بوده و یا حتى در مواردى غیرممکن مى‌نمودند. امروزه در بسیارى از شرکت‌ها و سازمان‌هاى نوآور از داده‌کاوى براى یافتن و جذب مشترى‌هاى با ارزش‌تر، فروش بیشتر، کاهش ضررهاى ناشى از خطاهاى تجارى یا کلاهبردارى‌ها و طراحى مجدد محصولات استفاده مى‌شود.
اولین و ساده‌ترین قدم در داده‌کاوى، توصیف داده‌هاست. این کار به طور خلاصه شامل بررسى خواص آمارى داده‌ها (مانند متوسط و انحراف استاندارد)، بررسى گرافیکى از طریق گراف‌ها و چارت‌ها و جستجو براى یافتن پیوندهاى پر معنى بالقوه در میان متغییرها (مانند مقادیرى که اغلب با هم رخ مى‌دهند) است. در فرایند داده‌کاوى جمع‌آورى و انتخاب داده‌هاى صحیح، بسیار مهم هستند.
پس از توصیف داده‌ها، در مرحله‌ى بعد باید براساس الگوهایى که از نتایج معلوم به دست آمده‌اند یک مدل پیش‌بینى ساخت و آن را بر روى نتایج خارج از نمونه‌ى اولیه آزمایش کرد. هرگز نباید یک مدل خوب را با واقعیت اشتباه گرفت (زیرا نمى‌توان نقشه‌ى مسیر را نماینده‌ى کامل مسیر واقعى دانست) اما این مدل مى‌تواند راهنماى خوبى براى فهمیدن برخى فرصت‌ها و تهدیدها باشد.
گام آخر داده‌کاوى این است که صحت مدل را به طور تجربى تعیین کنیم. براى نمونه، از یک پایگاه داده‌ها که اطلاعاتى در مورد مشترى‌ها را در خود نگاه مى‌دارد، مدلى براى پیش‌بینى پاسخ مشترى‌ها به پیشنهاد خرید محصولات در آینده ساخته شده است. آیا مى‌توان به پیش‌بینى‌هاى این مدل اعتماد کرد؟ براى پاسخ به این پرسش مى‌توان با برخى از مشترى‌هاى احتمالى پیشنهاد را مطرح و نتیجه را بررسى کرد.

ترجمه مقاله ISI: یک چارچوب موثر داده کاوی CRM برای پیش بینی رفتار مشتریان

اختصاصی از هایدی ترجمه مقاله ISI: یک چارچوب موثر داده کاوی CRM برای پیش بینی رفتار مشتریان دانلود با لینک مستقیم و پر سرعت .

چکیده

چارچوب داده کاوی CRM ارتباط نزدیکی با مشتری ایجاد می کند و ارتباط بین سازمان ها و مشتریان را در دنیای کسب و کار پیشرفته امروز مدیریت می کند. در سال های اخیر داده کاوی در برنامه های کاربردی مختلف CRM به محبوبیت دست یافته است و مدل های طبقه بندی یک روش داده کاوی مهم در این زمینه است. این مدل به منظور ارتقای فرآیندهای تصمیم گیری برای پیش بینی رفتار مصرف کنند به منظور حفظ مشتریان با ارزش استفاده می شود. در این مقاله برای نشان دادن اینکه دقت شبکه های عصبی نسبتا بهتر است یک چارچوب موثر داده کاوی CRM ارائه شده است و دو مدل طبقه بندی Naive Bayes و شبکه های عصبی استفاده شده اند.

کلمات کلیدی: چارچوب داده کاوی، مدیریت ارتباط با مشتری، پیش بینی، طبقه بندی

مقاله ی ISI

منتشر شده در سال 2015

تعداد صفحات مقاله ی اصلی 7 صفحه می باشد

برای دریافت فایل انگلیسی با قالب PDF کلیک کنید

حافظة اصلی پایگاه داده ها(Main Memory Database)

اختصاصی از هایدی حافظة اصلی پایگاه داده ها(Main Memory Database) دانلود با لینک مستقیم و پر سرعت .

در اواسط دهه 1980، با نزول قیمت DRAM، این ایده مطرح شد که کامپیوترهای آتی با داشتن حافظه اصلی با ظرفیت بالا، می توانند بسیاری از پایگاه داده ها را درحافظه اصلی داشته باشند. در این شرایط می توان همه I/O ها (که بسیار هزینه بر می باشند) را از پردازش DBMS حذف نمود. بنابراین معماری DBMS دستخوش تغییرات جدی می شود و در یک MAIN MEMORY DBMS(MMDBMS)، مدیریت I/O دیگر نقشی نخواهد داشت.

نکته مهم در یک MMDB، چگونگی انجام تراکنشها و recovery بصورت کارا است. برخی از الگوریتمهای پیشنهادی براساس این فرض عمل می کنند که قسمت کوچکی از حافظه اصلی بصورت ماندگار وجود دارد که اطلاعاتش توسط باطری در صورت قطع برق از بین نخواهد رفت. این قسمت از حافظه اصلی برای نگهداری redo log ها استفاده می شود.

تعداد دیگری از الگوریتمهای پیشنهادی پیش فرض حافظه ماندگار را ندارند و همچنان از عملیات I/O برای نوشتن اطلاعات تراکنش در حافظه ماندگار استفاده می کنند. بنابراین در این الگوریتمها عملیات I/O بطور کامل حذف نمی شود، بلکه تعدادشان بسیار کمتر می شود زیرا I/Oمربوط به نوشتن اطلاعات صفحات buffer ها، حذف خواهد شد.

در یک MMDBMS، ساختارداده های ساده مانند T-Tree و همچنین bucket-chained hash جایگزین ساختارداده هایی چون B-Tree و linear hash در DBMS های مبتنی بر دیسک می شوند. بنابراین سرعت اجرای پرس و جو(پرس و جو) و بهنگام سازی بسیار افزایش می یابد و هزینه index lookup و نگهداری ،فقط مربوط به پردازنده و دسترسی به حافظه اصلی خواهد شد.

54 صفحه در قالب word