. پیدا کردن منبع: شامل بازیابی اسناد وب مورد نظردر وب
برای دانلود کل پاورپوینت از لینک زیر استفاده کنید:
فرمت فایل : power point (لینک دانلود پایین صفحه) تعداد اسلاید : 16 اسلاید
فهرست
+ مقدمه --------------------------------------------- 4
حوزه فعالیتهای داده کاوی ---------------------------- 5
روش آنالیز آماری ----------------------------------- 7
روش داده کاوی ------------------------------------- 7
مراحل کاری در داده کاوی -------------------------- 12
مثال تفهیمی در مورد داده کاوی --------------------- 12
مراجع --------------------------------------------- 14
نتیجه گیری ---------------------------------------- 15
مقدمه
پیشینه طرح موضوع دادهکاوی به دهه 1980 و به صورت جدی، به دهه 1990 برمیگردد. پیش از آن٬ از سیستمهای جمعآوری و مدیریت دادهها و اصطلاحاً لایروبی دادهها استفاده میشد٬ اما به مرور زمان٬ استخراج و کشف سریع و دقیق اطلاعات با ارزش و پنهان از پایگاه دادهها بهعنوان دادهکاوی مورد توجه قرار گرفت. به این شکل بود که فرایند دادهکاوی به عنوان فرایند آماری و تجزیه و تحلیل درفرایند کشف دانش در پایگاه دادهها (KDD) پررنگ شد ،به حدی که گاه٬ دادهکاوی (DM) بهعنوان مترادف کشف دانش در پایگاه دادهها(KDD) مورد استفاده قرار میگرفت[2]. امروزه فرایند استخراج اطلاعات معتبر٬ از پیش ناشناخته٬ قابل فهم و قابل اعتماد از پایگاه دادههای بزرگ و استفاده از آن در تصمیمگیری و در فعالیتهای تجاری دادهکاوی نامیده میشود[1]. در تعاریف متعدد و متنوع برای دادهکاوی برموضوعاتی نظیر: استخراج دانش کلان٬ کاوش در دادهها٬ تجزیه و تحلیل دادهها و یافتن روابط و الگوهای مطمئن بین دادهها تاکید میشود. هدف نهایی دادهکاوی٬ ایجاد سیستمهای پشتیبانی تصمیمگیری سازمانی است. دادهکاوی به استخراج اطلاعات مفید و دانش از حجم زیاد دادهها میپردازد. دادهکاوی٬ الگوهای حاوی اطلاعات را در دادههای موجود جست‌وجو می‌کند. این الگوها و الگوریتمها، میتوانند توصیفی باشند یعنی دادهها را توصیف کنند و یا جنبه پیشبینی داشته باشند، یعنی از متغیرها برای پیشبینی ارزشهای ناشناخته سایر متغیرها بهکار روند. دادهکاوی توصیفی، بهدنبال یافتن اگرها در فعالیتها یا اقدامات گذشته است و دادهکاوی پیشبینانه با نگاه به سابقه٬ رفتار آینده را پیشبینی می‌کند[1].
مشخصات این فایل
عنوان:نگاهی بر داده کاوی و کشف قوانین وابستگی
فرمت فایل: word(قابل ویرایش)
تعداد صفحات:46
این مقاله در مورد نگاهی بر داده کاوی و کشف قوانین وابستگی می باشد.
تعریف :
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....(ادامه دارد)
- 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 :...(ادامه دارد)
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....(ادامه دارد)
الگوریتم partition :
این الگوریتم) Savasere &Navathe & Omiecinski,1995) برای بدست آوردن مجموعه آیتمهای بزرگ از دو قسمت تشکیل شده است. در قسمت اول این الگوریتم پایگاه داده را به چندین بخش مجزا از نظر منطقی تقسیم می کند وهمهً مجموعه آیتمهای بزرگ محلی (مجموعه آیتمهایی که تعداد تکرار آنها از minsupp محلی که برای هر بخش در نظر گرفته شده بیشتر است) برای هر بخش بطور مجزا تولید می شود ....(ادامه دارد)
الگوریتم برداری :
برای هر آیتم یک بردار مشخصات (ویژگی) فشرده به همراه یک رکورد ویژگی ساخته میشود. این ساختار فقط یکبار در هنگامی که پایگاه داده برای اولین بار خوانده میشود، ساخته میشود. سپس برای پوشش محاسبه هر مجموعه آیتم, از بردارهای فوق( به جای پایگاه داده ) استفاده میشود.لذا دسترسی مجدد به پایگاه داده اولیه نیازی نیست و محاسبات نیز بسیار سریعتر از الگوریتمهای قبل می‌باشد....(ادامه دارد)
نتیجه گیری:
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. همانطور که دیدید در این تحقیق ما الگوریتم های مختلف برای کشف قوا نین وابستگی در پایگاه داده...(ادامه دارد)
مقدمه :
چکیده:
تعریف :
طبقه بندی
تخمین
پیش گویی
تحلیل سبد بازاری
. شبکه عصبی :
. برگشت آماری
3. قوانین وابستگی
...(ادامه دارد)
این محصول در قالب پی دی اف و 147 صفحه می باشد.
این سمینار جهت ارائه در مقطع کارشناسی ارشد کامپیوتر-نرم افزار طراحی و تدوین گردیده است. و شامل کلیه موارد مورد نیاز سمینار ارشد این رشته می باشد. نمونه های مشابه این عنوان با قیمت بسیار بالایی در اینترنت به فروش می رسد.گروه تخصصی ما این سمینار را با قیمت ناچیز جهت استفاده دانشجویان عزیز در رابطه به منبع اطلاعاتی در اختیار شما قرار می دهند. حق مالکیت معنوی این اثر مربوط به نگارنده است. و فقط جهت استفاده از منابع اطلاعاتی و بالا بردن سطح علمی شما در این سایت قرار گرفته است.
فرمت فایل : word (قابل ویرایش) تعداد صفحات : 33 صفحه
بخشی از متن :
تعریف :
– استخراج دانش از انبوه داده ها
– کشف الگوها و قوانین پنهان در داده ها
یک شرکت تجاری می تواند با داده کاوی از طریق درک بهتر مشتریانش فرآیند های بازاریابی، فروش و عملیات حمایت از مشتریانش را بهبود بخشد.
دسته بندی برای پیش بینی خروجی های گسسته استفاده می شود
مشتریان خوب یا بد
چه کسانی کالا (سرویس) X را خرید می کنند
مشتریان متقلب در بیمه
مشتریان بدحساب در بانک