دانلود پروژه نقش داده کاوی در تجارت الکترونیک

دانلود فایل ورد Word پروژه نقش داده کاوی در تجارت الکترونیک عنوان کاربرد داده کاوی در تجارت الکترونیک فرمت فایل WORD (قابل ویرایش) تعداد صفحات ۱۵۱ از هنگامی که رایانه در تحلیل و ذخیره سازی داده ها بکار رفت (۱۹۵۰) پس از حدود ۲۰ سال، حجم داده ها در پایگاه داده ها دو برابر شد ولی پس از گذشت دو دهه و همزمان با پیشرفت فن آوری اطلاعات(IT) هر دو سال یکبار حجم داده ها، دو برابر شده و همچنین تعداد پایگاه د

دسته بندی	هوش مصنوعی
فرمت فایل	doc
حجم فایل	508 کیلو بایت
تعداد صفحات فایل	151

مشخصات مقاله:

عنوان : کاربرد داده کاوی در تجارت الکترونیک

فرمت فایل: WORD (قابل ویرایش)

تعداد صفحات: ۱۵۱

از هنگامی که رایانه در تحلیل و ذخیره سازی داده ها بکار رفت (۱۹۵۰) پس از حدود ۲۰ سال، حجم داده ها در پایگاه داده ها دو برابر شد. ولی پس از گذشت دو دهه و همزمان با پیشرفت فن آوری اطلاعات(IT)  هر دو سال یکبار حجم داده ها، دو برابر شده و همچنین تعداد پایگاه داده ها با سرعت بیشتری رشد نمود. این در حالی است که تعداد متخصصین تحلیل داده ها با این سرعت رشد نکرد. حتی اگر چنین امری اتفاق می افتاد، بسیاری از پایگاه  داده ها چنان گسترش یافته‌اند که شامل چندصد میلیون یا چندصد میلیارد رکورد ثبت شده هستند.

امکان تحلیل و استخراج اطلاعات با روش های معمول آماری از دل انبوه داده ها مستلزم چند روز کار با رایانه های موجود است.[۳]حال با وجود سیستم های یکپارچه اطلاعاتی، سیستم های یکپارچه بانکی و تجارت الکترونیک، لحظه به لحظه به حجم داده ها در پایگاه داده های مربوط اضافه شده و باعث به وجود آمدن حانبارهای عظیمی از داده ها شده است.

چکیده            

تکنیکهای داده کاوی و متدلوژیهای ان

مقدمه

عناصر داده کاوی

پردازش تحلیلی پیوسته:

قوانین وابستگی:

شبکه های عصبی :

الگوریتم ژنتیکی:

نرم افزار

کاربردهای داده کاوی

داده کاوی  و کاربرد آندر کسب و کار هوشمند بانک

داده کاوی درمدیریت ارتباط بامشتری

کاربردهای داده کاوی در کتابخانه ها و محیط های دانشگاهی

مدیریت موسسات دانشگاهی

داده کاوی آماری و مدیریت بهینه وب سایت ها

داده کاوی در مقابل پایگاه داده   Data Mining vs database

ابزارهای تجاری داده کاوی

منابع اطلاعاتی مورد استفاده

انبار داده

مسائل کسب و کار برای داده‌کاوی

چرخهتعالیداده کاویچیست؟

متدلوژی داده‌کاوی و بهترین تمرین‌های آن

یادگیری چیزهایی که درست نیستند

الگوهایی که ممکن است هیچ قانون اصولی را ارائه نکنند

چیدمان مدل ممکن است بازتاب دهنده جمعیت وابسته نباشد

ممکن است داده در سطح اشتباهی از جزئیات باشد

یادگیری چیزهایی که درست ولی بلااستفاده‌اند

مدل‌ها، پروفایل‌سازی، و پیش‌بینی

پیش بینی

متدلوژی

مرحله 1: تبدیل مسئله کسب و کار به مسئله داده‌کاوی

مرحله 2: انتخاب داده مناسب

مرحله سوم: پیش به سوی شناخت داده

مرحله چهارم: ساختن یک مجموعه مدل

مرحله پنجم: تثبیت مسئله با داده‌ها

مرحله ششم: تبدیل داده برای آوردن اطلاعات به سطح

مرحله هفتم: ساختن مدلها

مرحله هشتم: ارزیابی مدل ها

مرحله نهم: استقرار مدل ها

مرحله 10: ارزیابی نتایج

مرحله یازدهم: شروع دوباره

وظایف داده‌کاوی‌

1- دسته‌بندی

2- خوشه‌بندی

3- تخمین

4- وابستگی

5- رگرسیون

6- پیشگویی

7- تحلیل توالی

8- تحلیل انحراف

9- نمایه‌سازی

تجارت الکترونیک

فصل اول: مقدمه ای بر تجارت الکترونیکی

1-  طبقه‌های مختلف تجارت الکترونیکی

2- تفاوت تجارت الکترونیکی با تجارت سنتی

3- نقش دولت در تجارت الکترونیک

فصل دوم : شکل دهی موقعیت بازار

1- چار چوبی برای تحلیل موقعیت بازار

1-1- پرورش موقعیت :

1-2-کشف هسته اصلی موقعیت :

1-3- شناسایی مشتریان هدف :

1-4- مطالعه توانمندیها و منابع شرکت :

1-5- اندازه گیری جذابیت موقیت :

2 ) ویژگی های تحلیل موقعیت بازار در اقتصاد جدید:

3_ دو نوع ارزش ( value type ) عمده

3_2_ ارزش های جدید (  New-To-The-World value ) :

4 – شناسایی نیاز های برآورده شده و برآورده نشده

4-1_ فرآیند تصمیم گیری مشتری

4-2_ آشکارسازی نیازهای برآورده شده و برآورده نشده

5- تعیین مشتریان ویژهای که شرکت قصد متقاعد کردن آنهارا دارد.

5-1- روشهایی برای تقسم بندی بازار:

5-2- تقسیم بندی قابل اجرا و معنی دار

_ تقسیم بندی قابل اجرا(Actionable Segmentation)

_ تقسیم بندی معنی دار

5-3-ترکیب مناسبی از متغیر ها

5-4-تناظر بازار و مشتریان هدف

۶- تأمین منابع

6-1- منابع شرکت :

6-2- شرکاﺀ :

٧- جذابیت یک موقعیت :

7-1- شدت رقابت

رقبای نزدیک (Adjacent competitors)  :

بررسی رقبا : (competitor Map)

7-2- پویایی های مربوط با مشتریان :

7-3-  فناوری :

7-4- سود دهی مالی :

8-ارزیابی نهایی(go/No-go)

مدلهای کسب و کار

آیا شرکت قادر است در مورد ارزش یا ارزشهای ارائه شده با دیگران رقابت کند؟

چگونه یک شرکت یک سرویس آنلاین را توسعه می دهد؟

یک سیستم منابع مناسب و موفق چگونه است؟

معیارهایی برای ارزیابی کیفیت یک سیستم منبع:

مشارکت (Partnership):

مدلهای سوددهی برای شرکتهای آنلاین چه هستند؟

2-1- مدلهای مبتنی بر کاربر و شرکت:

مدلهای مبتنی بر خلق ارزش توسط شرکت:

واسط مشتری

1- هفت عنصر طراحی برای واسط مشتری

2- چه چیز تعیین کننده جلوه یک وب سایت است؟

3- محتویات وب سایت

4- تشکل ها در سایت

5- اهرمهای مورد استفاده برای سفارشی کردن یک سایت

6- یک سایت چگونه با مشتریان خود ارتباط بر قرار می کند؟

7-  اتصال یک وب سایت با وب سایتهای دیگر

8- اشکال مختلف تجارت در وب سایت

تبادل الکترونیکی داده ها (EDI)

1- انواع خرید یک شرکت

2- خرید مواد مستقیم

3- تبادل الکترونیکی داده ها (EDI)

EDI های نسل آینده

منابع

دانلود پایان نامه Data Mining

پایان نامه Data Mining پایان نامه Data Mining

دسته بندی	کامپیوتر و IT
فرمت فایل	doc
حجم فایل	3959 کیلو بایت
تعداد صفحات فایل	99

پایان نامه Data Mining

چکیده:

در دو دهه قبل توانایی­های فنی بشربرای تولید و جمع­آوری داده‌ها به سرعت افزایش یافته است. عواملی نظیر استفاده گسترده از بارکد برای تولیدات تجاری، به خدمت گرفتن کامپیوتر در کسب­و­کار، علوم، خدمات­ دولتی و پیشرفت در وسائل جمع­آوری داده، از اسکن کردن متون و تصاویر تا سیستمهای سنجش از دور ماهواره­ای، در این تغییرات نقش مهمی دارند.

بطور کلی استفاده همگانی از وب و اینترنت به عنوان یک سیستم اطلاع رسانی جهانی ما را مواجه با حجم زیادی از داده و اطلاعات می‌کند. این رشد انفجاری در داده‌های ذخیره شده، نیاز مبرم وجود تکنولوژی­های جدید و ابزارهای خودکاری را ایجاد کرده که به صورت هوشمند به انسان یاری رسانند تا این حجم زیاد داده را به اطلاعات و دانش تبدیل کند. داده­کاوی به عنوان یک راه حل برای این مسائل مطرح می باشد. در یک تعریف غیر رسمی داده­کاوی فرآیندی است، خودکار برای استخراج الگوهایی که دانش را بازنمایی می­کنند، که این دانش به صورت ضمنی در پایگاه داده­های عظیم، انباره­داده[1] و دیگر مخازن بزرگ اطلاعات، ذخیره شده است.

به لحاظ اینکه در چند سال اخیر مبحث داده­کاوی و اکتشاف دانش موضوع بسیاری از مقالات و کنفرانسها قرار گرفته و نرم­افزار­های آن در بازار به شدت مورد توجه قرار گرفته، از اینرو در مقاله سعی بر آن شده تا گذری بر آن داشته باشیم.

---

[1] Data  warehouses

مقدمه

امروزه با گسترش سیستم‌های پایگاهی و حجم بالای داده‌های ذخیره شده در این سیستم‌ها، نیاز به ابزاری است تا بتوان داده‌های ذخیره شده را پردازش کرد و اطلاعات حاصل از این پردازش را در اختیار کاربران قرار داد.

با استفاده از پرسش‌های ساده در SQL و ابزارهای گوناگون گزارش‌گیری معمولی، می‌توان اطلاعاتی را در اختیار کاربران قرار داد تا بتوانند به نتیجه‌گیری در مورد داده‌ها و روابط منطقی میان آنها بپردازند. امّا وقتی که حجم داده‌ها بالا باشد، کاربران هرچند زبر­دست و با­تجربه باشند نمی‌توانند الگوها مفید را در میان حجم انبوه داده‌ها تشخیص دهند و یا اگر قادر به این کار هم باشند، هزینه عملیات از نظر نیروی انسانی و مادی بسیار بالا است. از سوی دیگر، کاربران معمولاً فرضیه‌ای را مطرح می‌کنند و سپس بر­اساس گزارشات مشاهده شده به اثبات یا رد فرضیه می‌پردازند، در حالی که امروزه نیاز به روشهایی است که اصطلاحاً به کشف دانش [1] بپردازند یعنی با کمترین دخالت کاربر و بصورت خودکار الگوها و رابطه‌های منطقی را بیان نمایند.

تعریف داده ­کاوی:

اصطلاح Data Mining همانطور که از ترجمه آن به داده­کاوی مشخص می­شود، به مفهوم استخراج اطلاعات نهان و یا الگوها و روابط مشخص در حجم زیادی از داده‌های یک یا چند بانک اطلاعاتی بزرگ است. اطلاعات استخراج شده در تعریف Data Mining بطور ضمنی به معنی اطلاعاتی است که بر اساس آن بتوان به نتایجی دست یافت که بطور معمول ملموس نیستند. در این تعریف بر بزرگ بودن بانکهای اطلاعاتی و یا حجم زیاد داده‌های مورد پردازش تاکید می‌شود. علت این است که از نظر آماری و تئوری اطلاعات، تجزیه و تحلیل داده‌ها و یا آنطور که در این اصطلاح تعبیر می‌شود، کاوش در حجم کم داده­های یک بانک به نتایج قابل قبولی منجر نمی‌شود. به کمک ابزارهای Data Mining می‌توان مقادیر متغیرهای را پیش­بینی و توصیف نمود. این ابزارها در فرایندهای تصمیم‌گیری متکی بر اطلاعات و دانش [1] کاربر فراوان دارند و فعالیت­های تجاری نوین و مدرن امروزه به شدت بر آن متکی است. فرایند Data Mining را نباید با روش‌های متداول آنالیز داده و اطلاعات و سیستم­های تصمیم‌گیری معمولی یکی دانست. به کمک روش‌های Data Mining می‌توان به پرسش­هایی (عمدتاً تجاری) پاسخ گفت که بطور سنتی عملاً امکان وجود ندارد.

داده­کاوی چه کارهایی نمی‌تواند انجام دهد؟

داده­کاوی فقط یک ابزار است و نه یک عصای جادویی. داده­کاوی به این معنی نیست که شما راحت به کناری بنشیند و ابزارهای داده­کاوی همه کار را انجام دهد.

داده­کاوی نیاز به شناخت داده‌ها و ابزارهای تحلیل و افراد خبره در این زمینه‌ها را از بین نمی‌برد. داده­کاوی فقط به تحلیلگران برای پیدا کردن الگوها و روابط بین داده‌‌ها کمک می‌کند و در این مورد نیز روابطی که یافته می‌شود باید بوسیله داده‌های واقعی دوباره بررسی و تست گردد.

 کاربردهای داده­کاوی

داده­کاوی بخاطر کمک‌های اساسی آن به سرعت در حال محبوبیت است.

سازمانهای زیادی در حال استفاده از داده­کاوی برای کمک به مدیریت تمام فازهای ارتباط با مشتری شامل بدست آوردن مشتریان جدید، افزایش سود از طریق مشتریان موجود و حفظ مشتریان خوب هستند. با تعیین مشخصات یک مشتری خوب یک شرکت می‌تواند با همان مشخصات اهداف آینده خویش را پیش­بینی کند. با پرونده­سازی برای مشتری که یک محصول خاص را خرید می‌نماید این شرکت می‌تواند توجه خود را به مشتریان مشابهی که از این محصول خرید نکرده‌اند معطوف دارد. با پرونده­سازی برای مشتریانی که این سازمان را ترک کرده‌اند یک شرکت می‌تواند مشتریانی را که خطر رفتن آنها وجود دارد را نگه دارد؛ چرا که نگهداری یک مشتری موجود بسیار کم هزینه­تر از بدست آوردن یک مشتری جدید است.

---

فهرست مطالب
فهرست اشکال   ...............................................................................................................................................	10
فهرست جداول   ..............................................................................................................................................	11
فصل1: مقدمه­ای بر داده­کاوی  ............................................................................	13
1-1تعریف داده­کاوی   ...................................................................................................................................	15
2-1تاریخچه داده­کاوی   ................................................................................................................................	16
3-1چه چیزی سبب پیدایش داده­کاوی شده است؟   ........................................................................................	17
4-1اجزای سیستم داده­کاوی   .........................................................................................................................	19
5-1جایگاه داده­کاوی در میان علوم مختلف   ..................................................................................................	21
6-1قابلیتهای داده­کاوی   .................................................................................................................................	22
7-1چرا به داده­کاوی نیاز داریم؟   ...................................................................................................................	23
8-1داده­کاوی چه کارهایی نمی­تواند انجام دهد؟   ..........................................................................................	25
9-1کاربردهای داده­کاوی   .............................................................................................................................	25
1-9-1 کاربردهای پیش­بینی­کننده   ...................................................................................................	27
2-9-1 کاربردهای توصیف­کننده   ....................................................................................................	27
10-1ابزارهای تجاری داده­کاوی   ...................................................................................................................	28
11-1داده­کاوی و انبار­داده­ها   .........................................................................................................................	29
1-11-1 تعاریف انبار­داده   ................................................................................................................	29
2-11-1 چهار خصوصیت اصلی انبار­داده   .........................................................................................	30
3-11-1 موارد تفاوت انبار­داده و پایگاه­ داده   ....................................................................................	31
12-1داده­کاوی و OLAP   ...........................................................................................................................	33
1-12-1 OLAP   ...........................................................................................................................	33
2-12-1 انواع OLAP   ...................................................................................................................	34
13-1مراحل فرایند کشف دانش از پایگاه داده­ها   ...........................................................................................	34
1-13-1انبارش داده­ها   ....................................................................................................................	35
2-13-1انتخاب داده­ها   ....................................................................................................................	36
3-13-1 پاکسازی- پیش­پردازش- آماده­سازی   ................................................................................	36
4-13-1تبدیل داده­ها   ......................................................................................................................	36
5-13-1 کاوش در داده­ها (Data Mining)   .................................................................................	37
6-13-1تفسیر نتیجه   ........................................................................................................................	38
فصل 2: قوانین ارتباطی   ...........................................................................	39
1-2قوانین ارتباطی   ........................................................................................................................................	40
2-2اصول پایه   ...............................................................................................................................................	41
1-2-2شرح مشکل جدی   ...............................................................................................................	41
2-2-2 پیمایش فضای جستجو   .........................................................................................................	43
3-2-2 مشخص کردن درجه حمایت مجموعه اقلام   .........................................................................	45
3-2الگوریتمهای عمومی   ..............................................................................................................................	45
1-3-2دسته­ بندی   ............................................................................................................................	45
2-3-2 BFS و شمارش رویداد­ها   ...................................................................................................	46
3-3-2 BFS و دونیم­سازی TID-list   ...........................................................................................	47
4-3-2 DFS و شمارش رویداد   ......................................................................................................	47
5-3-2 DFS و دو نیم­سازی TID-list  ..........................................................................................	48
4-2الگوریتمApriori   ................................................................................................................................	48
1-4-2 مفاهیم کلیدی   .....................................................................................................................	48
2-4-2 پیاده­سازی الگوریتم Apriori   ............................................................................................	49
3-4-2 معایب Apriori و رفع آنها   .................................................................................................	54
5-2 الگوریتم رشد الگوی تکرارشونده   ..........................................................................................................	55
1-5-2 چرا رشد الگوی تکرار سریع است؟   .....................................................................................	58
6-2 مقایسه دو الگوریتم Apriori و FP-growth   ......................................................................................	59
7-2تحلیل ارتباطات   ......................................................................................................................................	63
فصل 3: وب­کاوی و متن­کاوی   .................................................................	65
1-3وب­کاوی   ...............................................................................................................................................	66
1-1-3 الگوریتمهای هیتس و لاگسام   ...............................................................................................	69
2-1-3 کاوش الگوهای پیمایش مسیر   ..............................................................................................	76
2-3متن­کاوی   ...............................................................................................................................................	80
1-2-3 کاربردهای متن­کاوی   ...........................................................................................................	82
1-1-2-3 جستجو و بازیابی   ..............................................................................................	83
2-1-2-3 گروه­بندی و طبقه­بندی   ......................................................................................	83
3-1-2-3 خلاصه­سازی   ....................................................................................................	84
4-1-2-3 روابط میان مفاهیم   .............................................................................................	84
5-1-2-3 یافتن و تحلیل گرایشات   ....................................................................................	84
6-1-2-3 برچسب زدن نحوی (pos)   ...............................................................................	85
7-1-2-3 ایجاد Thesaurus و آنتولوژی به صورت اتوماتیک   .........................................	85
2-2-3فرایند متن­کاوی   ...................................................................................................................	86
3-2-3 روشهای متن­کاوی   ...............................................................................................................	87
مراجع   .....................................................................................................	89

دانلود پایان نامه داده کاوی

داده کاوی این محصول در قالب فایل word و در 144 صفحه تهیه و تنظیم شده است

دسته بندی	فنی و مهندسی
فرمت فایل	doc
حجم فایل	7287 کیلو بایت
تعداد صفحات فایل	144

داده کاوی

توجه :

شما می توانید با خرید این محصول فایل " قلق های پایان نامه نویسی (از عنوان تا دفاع)" را به عنوان هدیه دریافت نمایید.

بسیاری از فروشگاهها پس از گذشت یک ربع قرن از آغاز فعالیت، هنوز مشتری وفادار خود را دارند. این وفاداری تصادفی نیست. اداره کنندگان این فروشگاهها به سلایق و نیازهای مشتریان خویش واقف شده اند و توان مالی خرید آنها را می شناسند. وقتی کسی از آنها راهنمایی بخواهد پاسخ آنها براساس دانش اندوخته شان در مورد ذائقه و بودجه آن مشتری و همچنین دانش شان در باره محصولات خودشان خواهد بود.

افرادی که به این فروشگاه رفت و آمد دارند در مورد کالاهای آن فروشگاه چیزهای زیادی می دانند. هر چند این دانش یکی از دلایل آنها برای ایجاد خرید از آنجاست و به همین دلیل به فروشگاه های دیگر نمی روند ولی داشتن اطلاعات خودمانی و صمیمانه در باره هر شخص آنها را مشتری دائمی آنجا می کند و به یک مغازه مشابه دیگر در آنطرف خیابان و روبروی همین فروشگاه نمی روند و برخوردار بودن این فروشگاه از اطلاعات خودمانی و صمیمانه در باره هر شخص آنها را مشتری دائمی آنجام می کند . یک مغازه مشابه دیگر می تواند در آنطرف خیابان و روبروی همین مغازه باز شود ولی ماهها و حتی سالها طول می کشد تا آنها به این سطح از دانش در باره مشتریانشان دست یابند.

طبیعتاً تجارتهای کوچکی که مدیریت خوبی دارند می توانند به نحوه ایجاد رابطه با مشتریانشان پی ببرند. آنها با گذشت زمان در باره مشتریانشان به چیزهای بیشتر و بیشتری پی خواهند برد و از آن دانش برای خدمت بهتر به مشتریان استفاده خواهند نمود و نتیجه کار، مشتریان وفادار و خرسند و تجارتهای سودآور خواهد بود.

شرکتهای بزرگ با صدها هزار یا میلیونها نفر مشتری از مزیت برقراری روابط شخصی حقیقی با تک تک مشتریانشان بی بهره اند. این موسسات عظیم باید به وسایل دیگری برای برقراری رابطه با مشتریانشان تکیه نمایند. آنها باید یاد بگیرند که از آنچه که به وفور دارند یعنی داده هایی که از طریق تعامل با تک تک مشتریان به دست آمده است نهایت بهره را ببرند. این کتاب در مورد تکنیکهای تحلیلی بحث میکند که برای تبدیل داده های مشتریان به دانش در باره مشتریان استفاده میشود.

عناوین :

مدیریت روابط تحلیلی با مشتریان
نقش سیستمهای پردازش تعاملات
نقش ذخیره سازی داده ها
نقش داده کاوی
نقش استراتژی مدیریت روابط با مشتری
داده کاوی چیست؟
دسته بندی
تخمین
پیش بینی
دسته بندی شباهت یا قوانین وابستگی
خوشه بندی
نمایه سازی
چرا حالا؟
داده ای که ایجاد شده است
داده ای که ذخیره شده است
توان محاسباتی قابل دسترسی است
علاقه به مدیریت روابط با مشتریان فراوان است
همه تجارتها، خدمات هستند
اطلاعات یک محصول است
محصولات نرم افزاری داده کاوی تجاری موجودند
امروزه چگونه از داده کاوی استفاده می شود؟
یک سوپر مارکت واسطه اطلاعات می شود
تجارت بر اساس توصیه
فروش متقابل و همزمان
شرکت ها از داده کاوی برای توسعه توانایی فروش
حفظ مشتریان خوب و غربال کردن مشتریان بد
تحول اساسی در یک صنعت
گستره کاربرد دانش داده کاوی
مطالب آموخته شده در این فصل
روشهای داده کاوی
چرا باید روشی داشت؟
یادگیری چیزهایی که درست نیستند
ممکن است الگوها نشان دهنده هیچ قاعده ضمنی نباشند
مجموعه مدل ممکن است نشانگر جامعه مرتبط نباشد
ممکن است داده ها دارای سطح جزئیات نادرستی باشد
یادگیری چیزهایی که درست هستند اما مفید نیستند
یادگیری چیزهایی که از قبل معلوم بوده اند
یادگیری چیزهایی که قابل استفاده نیستند
آزمون فرضیه
تولید فرضیات
آزمودن فرضیات
مدل هاف نمایه سازی و پیش بینی
نمایه سازی
پیش بینی
مراحل داده کاوی
مرحله اول : تبدیل مسئله کسب و کار و تجارت به یک مسئله داده کاوی
مسئله داده کاوی چگونه مسئله ای است؟
چگونه از نتایج استفاده خواهد شد؟
چگونه نتایج بیان خواهد شد؟
نقش کاربران تجاری و فن آوری اطلاعات
خطردرک نادرست مسئله کسب و کار و تجارت: یک حکایت هشدار دهنده
مرحله دوم: انتخاب داده های مناسب
چه چیزی موجود است ؟
چقدر داده کافی است ؟
چه مقدار از اطلاعات پیشین مورد نیاز است؟
تعداد مناسب متغیرها
داده ها باید حاوی چه چیز باشند؟
مرحله سوم : شناخت داده ها
بررسی توزیعها
مقایسه ارقام با توصیفات
اعتبار بخشی به فرضیات
سئوالات زیادی بپرسید
مرحله چهارم : تهیه یک مجموعه مدل
جمع آوری بخشهای مشتریان
تهیه یک نمونه متعادل
در نظر گرفتن چارچوبهای زمانی چند گانه
تقسیم بندی مجموعه مدل
مرحله پنجم: رفع مشکلات داده ها
- متغیرهای عددی با توزیع و مشاهدات پرت نادرست
مقادیر گمشده
ارقام با معانی که در طول زمان تغییر می کنند
کد گذاری غیر ثابت داده ها
مرحله ششم: تبدیل داده  ها برای استخراج اطلاعات
کشف روندها
تبدیل شماره ها به نسبتها
مرحله هفتم : تهیه مدلها
مرحله هشتم : ارزیابی مدلها
- ارزیابی مدلهای توصیفی
- ارزیابی مدلهای هدایت شده
- ارزیابی دسته بندی کننده ها و پیشگوها
- ارزیابی تخیمن زننده ها
مقایسه مدلها با استفاده از صعود
مشکلات صعود
مرحله نهم : پیاده سازی مدلها
مرحله دهم : ارزیابی نتایج
مرحله یازدهم: شروع دوباره
مطالب آموخته شده در این فصل
کاربرد داده کاوی در بازاریابی و مدیریت ارتباط با مشتری
مشتری با لقوه
شناسایی مشتریان بالقوه خوب
انتخاب کانال ارتباطی
انتخاب پیامهای درست
چه کسی با مشخصات مطابقت دارد؟
اندازه گیری تطابق گروههای خوانندگان
داده کاوی برای بهبود اعمال بازاریابی مستقیم
مدل سازی پاسخ
بهینه کردن پاسخ با بودجه ای ثابت
بهینه سازی سوددهی اعمال بازاریابی
چگونه مدل بر سوددهی اثر می گذارد؟
یافتن افرادی که بیشتر از دیگران تحت تأثیر پیام قرار گرفته اند
تجزیه و تحلیل پاسخای متفاوت
استفاده از مشتریان فعلی جهت شناخت مشتریان بالقوه
مشتریان را پیش از این که تبدیل به مشتری شوند دنبال کنید
اطلاعات مشتریان جدید را جمع آوری کنید
متغیرهای زمان جذب مشتری می تواند نتایج آینده را پیش بینی نماید
داده کاوی برای مدیریت ارتباط با مشتری
مطابقت فعالیتها با مشتریان
بخش بندی مشتریان
یافتن قسمتهای رفتاری
اتصال قسمتهای تحقیقات در بازار با داده های رفتاری
کاهش مواجه با خطرات اعتباری
پیش بینی کسی که در پرداخت بدهی خود کوتاهی خواهد کرد
تعیین ارزش مشتری
یافتن زمان مناسب برای یک پیشنهاد
فروش چند بعدی و فروش صعودی و توصیه ها
توصیه ها
حفظ و از دست دادن مشتری
تشخیص از دست دادن مشتری
چرا از دست دادن مشتری مهم است
انواع مختلف از دست دادن مشتری
انواع مختلف مدل های از دست دادن مشتری
پیش بینی و تعیین مشتریانی که سیستم را ترک می کنند
پیش بینی این که مشتریان تا چه مدت باقی خواهند ماند
مطالب آموخته شده در این فصل

دانلود مقاله مقدمه ای بر داده کاوی (درس پایگاه داده های پیشرفته 2)

مقدمه ای بر داده کاوی (درس پایگاه داده های پیشرفته 2) مقدمه ای بر داده‌کاوی در دو دهه قبل توانایی های فنی بشر در برای تولید و جمع آوری داده‌ها به سرعت افزایش یافته است عواملی نظیر استفاده گسترده از بارکد برای تولیدات تجاری، به خدمت گرفتن کامپیوتر در کسب و کار، علوم، خدمات دولتی و پیشرفت در وسائل جمع آوری داده، از اسکن کردن متون و تصاویر تا سیستمهای سنجش از دور ماهواره ای، در این تغییرات نقش مهمی دا

دسته بندی	کامپیوتر
فرمت فایل	doc
حجم فایل	248 کیلو بایت
تعداد صفحات فایل	31

مقدمه ای بر داده کاوی (درس پایگاه داده های پیشرفته 2)

1 مقدمه ای بر داده‌کاوی:

در دو دهه قبل توانایی های فنی بشر در برای تولید و جمع آوری داده‌ها به سرعت افزایش یافته است. عواملی نظیر استفاده گسترده از بارکد برای تولیدات تجاری، به خدمت گرفتن کامپیوتر در کسب و کار، علوم، خدمات دولتی و پیشرفت در وسائل جمع آوری داده، از اسکن کردن متون و تصاویر تا سیستمهای سنجش از دور ماهواره ای، در این تغییرات نقش مهمی دارند.

بطور کلی استفاده همگانی از وب و اینترنت به عنوان یک سیستم اطلاع رسانی جهانی ما را مواجه با حجم زیادی از داده و اطلاعات می‌کند. این رشد انفجاری در داده‌های ذخیره شده، نیاز مبرم وجود تکنولوژی های جدید و ابزارهای خودکاری را ایجاد کرده که به صورت هوشمند به انسان یاری رسانند تا این حجم زیاد داده را به اطلاعات و دانش تبدیل کند: داده کاوی به عنوان یک راه حل برای این مسائل مطرح می باشد. در یک تعریف غیر رسمی داده کاوی فرآیندی است، خودکار برای استخراج الگوهایی که دانش را بازنمایی می کنند، که این دانش به صورت ضمنی در پایگاه داده های عظیم، انباره داده و دیگر مخازن بزرگ اطلاعات، ذخیره شده است.

داده کاوی بطور همزمان از چندین رشته علمی بهره می برد نظیر: تکنولوژی پایگاه داده، هوش مصنوعی، یادگیری ماشین، شبکه های عصبی، آمار، شناسایی الگو، سیستم های مبتنی بر دانش، حصول دانش، بازیابی اطلاعات، محاسبات سرعت بالا و بازنمایی بصری داده . داده کاوی در اواخر دهه 1980 پدیدار گشته، در دهه 1990 گامهای بلندی در این شاخه از علم برداشته شده و انتظار می رود در این قرن به رشد و پیشرفت خود ادامه دهد.

فهرست:

 1 مقدمه ای بر داده‌کاوی... 3

1-1 چه چیزی سبب پیدایش داده کاوی شده است؟. 4

1-2 مراحل کشف دانش.... 6

1-3 جایگاه داده کاوی در میان علوم مختلف... 11

1-4 داده کاوی چه کارهایی نمی تواند انجام دهد؟. 12

1-5 داده کاوی و انبار داده  ها  13

1-6 داده کاوی و OLAP. 14

1-7 کاربرد یادگیری ماشین و آمار در داده کاوی... 15

2- توصیف داده ها در داده کاوی... 15

2-1 خلاصه سازی و به تصویر در آوردن داده ها 15

2-2 خوشه بندی 16

2-3 تحلیل لینک... 16

3- مدل های پیش بینی داده ها 17

3-1 Classification. 17

3-2 Regression. 17

3-3 Time series. 18

4 مدل ها و الگوریتم های داده کاوی... 18

4-1 شبکه های عصبی 18

4-2 Decision trees. 22

4-3 Multivariate Adaptive Regression Splines(MARS). 24

4-4 Rule induction. 25

4-5 K-nearest neibour and memory-based reansoning(MBR). 26

4-6 رگرسیون منطقی... 27

4-7 تحلیل تفکیکی 27

4-8 مدل افزودنی کلی (GAM). 28

4-9 Boosting. 28

5 سلسله مراتب انتخابها 29

دانلود مقاله نگاهی بر داده کاوی و کشف قوانین وابستگی

نگاهی بر داده کاوی و کشف قوانین 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

دسته بندی	کامپیوتر
فرمت فایل	doc
حجم فایل	274 کیلو بایت
تعداد صفحات فایل	27

نگاهی بر داده کاوی و کشف قوانین 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 .  

دانلود مقاله متن کاوی و ارزیابی مهمترین متد های متن کاوی

متن کاوی و ارزیابی مهمترین متد های متن کاوی در این مقاله ما به بررسی یکی از جدیدترین زمینههای مورد تحقیق در داده کاوی، متن کاوی می پردازیم در این مقاله روش های موجود برای پیش پردازش کردن، رده بندی ، استخراج اطلاعات ، روش های یافتن روابط شرح داده می شوند در پایان هر بخش ارزیابی و مقایسه ای روی روش های بیان شده در آن بخش صورات میگیرد و در پایان تعدادی از کاربردهای متن کاوی بیان می گردند

دسته بندی	مهندسی نرم افزار
فرمت فایل	doc
حجم فایل	404 کیلو بایت
تعداد صفحات فایل	33

متن کاوی و ارزیابی مهمترین متد های متن کاوی

 

چکیده

    رشد فزاینده پایگاه داده ها در تقریبا هر ناحیه از فعالیت انسان باعث شده است که نیاز برای ابزارهای قدرتمند جدید برای تغییر دادن داده به دانش مفید افزایش یابد. برای برآوردن این نیاز محققان در ناحیه های مختلف مانند یادگیری ماشین ، شناسایی الگو، آنالیز داده آماری، بصری سازی داده ، شبکه های عصبی، اقتصاد سنجی، بازیابی اطلاعات، استخراج اطلاعات و..... روش ها و ایده هایی را کاوش کرده اند. ذات غیرساخت یافته ی این متون، اعمال همان روشهایی را که ما در مورد پایگاه داده های غیرمتنی بکار می بریم، غیر ممکن می سازد. بنابراین روش ها و الگوریتم-های پردازش (پیش پردازش)خاصی برای استخراج الگوهای مفید موردنیاز است. متن کاوی اطلاعات متنی غیرساختیافته را استفاده می کند و آنرا برای کشف ساختار و معناهای ضمنی پنهان در متن بررسی می کند. 

 

در این مقاله ما به بررسی یکی از جدیدترین زمینه-های مورد تحقیق در داده کاوی، متن کاوی می پردازیم. در این مقاله روش های موجود برای پیش پردازش کردن، رده بندی ، استخراج اطلاعات ، روش های یافتن روابط شرح داده می شوند در پایان هر بخش ارزیابی و مقایسه ای روی روش های بیان شده در آن بخش صورات می-گیرد و در پایان تعدادی از کاربردهای متن کاوی بیان می گردند.

 

 

کلمات کلیدی:

متن کاوی

داده کاوی

استخراج اطلاعات

یکپارچه  کردن داده کاوی

دسته بندی و مرتب سازی داده ها

 

 

 

مقدمه

   بخش قابل توجهی از اطلاعات قابل دسترس در پایگاه داده های متنی (یا پایگاه داده های سند ) که شامل مجموعه بزرگی از اسناد منابع مختلف (مثلا مقالات خبری، paperها، کتاب ها، ایمیل ها و صفحات وب) ذخیره شده اند. پایگاه داده های متنی به علت افزایش مقدار اطلاعات موجود به فرم الکترونیکی سریع رشد می کنند. امروزه بیشتر اطلاعات در صنعت، کسب و کار  و سازمان های دیگر به صورت الکترونیکی و به فرم پایگاه داده متنی ذخیره شده اند.   داده های ذخیره شده در بیشتر پایگاه  داده های متنی، داده های نیمه ساختاریافته هستند چون نه به طور کامل غیرساختیافته هستند و نه به طور کامل ساختیافته هستند. 

 

برا ی مثال یک سند شامل تعدادی فیلد ساختیافته مانند عنوان، نویسندگان، تاریخ انتشار، رده  و ..... و از طرف دیگر شامل برخی کامپوننت های متنی غیرساختاریافته مانند چکیده و محتویات است. تکنیک های بازیابی اطلاعات مانند (متدهای ایندکس کردن متن ) برای هندل کردن سندهای غیر ساختاریافته ایجاد شده اند. تکنیک های بازیابی اطلاعات قدیمی برای مقدار زیادی داده متنی که به طور فزاینده افزایش می یابند، ناکارآمد هستند. بدون دانستن محتویات سندها، فرمول بندی کردن Queryهای مناسب برای آنالیز کردن و استخراج کردن اطلاعات مفید از داده، مشکل است.

 

 کاربرها نیاز به ابزارهایی برای مقایسه سندهای مختلف، مرتب کردن سندها بر اساس موبوط بودن آن ها و یافتن الگوها دارند.  بنابراین یکی از جدیدترین زمینه های مورد تحقیق در داده کاوی، متن کاوی برای این منظور گسترش یافت. متن کاوی یعنی جستجوی الگوها در متن غیرساختیافته. متن کاوی برای کشف اتوماتیک دانش مورد علاقه یا مفید از متن نیمه ساختیافته استفاده می شود. چندین تکنیک برای متن کاوی پیشنهاد شده است عبارتند از ساختار مفهومی ،کاوش association ruleها درخت تصمیم گیری، روش های استنتاج قوانین ، همچنین تکنیک های بازیابی اطلاعات برای کارهایی مانند تطبیق دادن سندها، مرتب کردن کردن، کلاسترینگ و.....

 

 

فهرست مطالب

چکیده 3

1 مقدمه 3

1.1 کشف دانش و ارتباط آن متن کاوی 5

2.1 تعاریف متن کاوی 5

3.1 ناحیه های سرچ مرتبط 6

2 روش ها پیش پردازش کردن متون 7

1.2 مدل فضای برداری 9

2.2 پیش پردازش زبان شناختی 10

3 روش های متن کاوی ... 10

1.3 فازهای اصلی فرآیند کتن کاوی... 11

2.3 رده بندی ... 12

1.2.3 انتخاب ترم ایندکس 12

2.2.3 رده کننده Naïve Bayes 12

3.2.3 رده بندی کننده نزدیکترین همسایه 13

4.2.3 درخت تصمیم گیری 14

5.2.3 متدهای هسته و SVM 14

6.2.3 ارزیابی رده بندی کننده ها 15

3.3  استخراج اطلاعات 16

1.3.3 رده بندی برای استخراج اطلاعات 16

2.3.3 مدل مارکوف پنهان 17

3.3.3 فیلدهای رندم شرطی 17

4.3.3 مقایسه روش های استخراج اطلاعات 18

2.2 پیش پردازش زبان شناختی 18

4.3 روش ها ترکیبی 18

1.4.3 روش های dicsotex 18

1.1.4.3 مقدمه 19

2.1.4.3 یکپارچه  کردن داده کاوی و استخراج اطلاعات 19

3.1.4.3 سیستم dicsotex 19

2.4.3روش textminer 21

1.2.4.3 مقدمه 21

2.2.4.3 استخراج اطلاعات 22

3.2.4.3 الگوریتم خوشه بندی 23

3.4.3 یافتن روابط 25

4.4.3 مقایسه روش های ترکیبی 26

4 کاربردهای متن کاوی 26

5 نتیجه گیری و کارهای آینده 27

6 مراجع 28

 

 

 

 

 

 

 

دانلود مقاله رشته مهندسی نرم افزار با عنوان داده کاوه

مقاله رشته مهندسی نرم افزار با عنوان داده کاوه در داده کاوی معمولا به کشف الگوهای مفید از میان داده ها اشاره می شود منظور از الگوی مفید ، مدلی در داده ها است که ارتباط میان یک زیر مجموعه از داده ها را توصیف می کند و معتبر ، ساده ، قابل فهم و جدید است

دسته بندی	کامپیوتر و IT
فرمت فایل	doc
حجم فایل	904 کیلو بایت
تعداد صفحات فایل	21

مقاله رشته مهندسی نرم افزار با عنوان داده کاوه

*یک PDF با 31 صفحه بصورت رایگان ضمیمه شده است:)

 

مقدمه

 از سال 1950 به بعد که رایانه ، در تحلیل و ذخیره سازی داده ها به کار رفت ، حجم اطلاعات ذخیره شده درآن پس از حدود 20 سال دو برابر شد و همزمان  با پیشرفت فناوری اطلاعات ، حجم داده ها در پایگاه داده ها هر دو سال یک بار ، دو برابر شد و همچنان  باسرعت بیش تری نسبت به گذشته حجم اطلاعات  ذخیره شده بیش تروبیش تر می شود . با وجود شبکه جهانی وب ، سیستم  های یکپارچه اطلاعاتی ، سیستم های یکپارچه بانکی ، تجارت الکترونیکی و ... لحظه به لحظه به حجم داده ها  در پایگاه داده ها اضافه شده و باعث به وجود آمدن انبارهای ( توده های ) عظیمی از داده ها شده است ، به طوری که ضرورت کشف و استخراج سریع و دقیق دانش از این پایگاه داده ها را بیش از پیش نمایان کرده است .

 

      شدت رقابت ها  در عرصه های علمی ، اجتماعی ، اقتصادی ، سیاسی و نظامی نیز اهمیت سرعت یا زمان دسترسی به اطلاعات را دو چندان کرده است . بنا براین نیاز به طراحی سیستم هایی که قادر به اکتشاف سریع اطلاعات مورد علاقه کاربران با تاکید بر حداقل مداخله انسانی باشند از یک سو و روی آوردن به روش های تحلیل متناسب با حجم داده های حجیم ازسوی دیگر ، به خوبــــــی احســاس می شود . در حال حاضر ، داده کاوی مهم ترین فناوری برای بهره وری موثر ، صحیح و سریع ازداده های حجیم است و اهمیت آن رو به فزونی است

داده کاوی پل ارتباطی میان علم آمار ، علم کامپیوتر ، هوش مصنوعی ، الگوشناسی ، فراگیری ماشین داده می باشد.  داده کاوی فرآیندی پیچیده جهت شناسایی الگوها و مدل های صحیح، جدید و به صورت بالقوه مفید، در حجم وسیعی از داده می باشد، به طریقی که این الگو ها و مدلها برای انسانها قابل درک باشند.

 

داده کاوی به صورت یک محصول قابل خریداری نمی باشد، بلکه یک رشته علمی و فرآیندی است که بایستی به صورت یک پروژه پیاده سازی شود.داده ها اغلب حجیم می باشند و به تنهایی قابل استفاده نیستند،اما دانش نهفته در داده ها قابل استفاده می باشد.بنابراین بهره گیری از قدرت فرآیند داده کاوی جهت شناسایی الگوها و مدلها و نیز ارتباط عناصر مختلف در پایگاه داده جهت کشف دانش نهفته در داده ها و نهایتا تبدیل داده به اطلاعات، روز به روز ضروری تر می شود.در داده کاوی معمولا به کشف الگوهای مفید از میان داده ها اشاره می شود . منظور از الگوی مفید ، مدلی در داده ها است که ارتباط میان یک زیر مجموعه از داده ها را توصیف می کند و معتبر ، ساده ، قابل فهم و جدید است .

 

 

 

کلمات کلیدی:

داده کاوی

DATA MINING

استخراج اطلاعات

دسته بندی داده ها

فرآیند و مراحل داده کاوی

تفاوت داده کاوی و آنالیز های آماری

 

 

 

تاریخچه 

     با توجه به وجود اطلاعات ارزشمند در پایگاه های  داده ای در اواخر دهه 80 میلادی ، تلاش برای استخراج و استفاده از اطلاعات پایگاه های  داده ای شروع شد . داده کاوی فرایندی است که در آغاز دهه 90 پا به عرصه ظهور گذاشته و با نگرشی نو ، به مسئله استخراج اطلاعــات از پایگـــاه داده ها می پردازد . در سال 1989 و 1991 کارگاه های کشف دانش از پایگاه داده ها توسط پیاتتسکی و همکارانش  و در فاصله سال های 1991 تا 1994 کارگاه های فوق ، توسط فایاد و پیا تتسکی و دیگران برگزار شد .

 

به طور رسمی اصطلاح داده کاوی برای اولین بار توسط « فیاض »  در اولیـن کنفرانس بین المللی « کشف دانش و داده کاوی »  در سال 1995 مطرح شد . از سال 1995 داده کاوی به صورت جدی وارد مباحث آمار شد.و در سال 1996 ، اولین شماره مجله کشف دانش از پایگاه داده ها منتشر شد .امروزه کنفرانس های مختلفی دراین زمینه در سراسر دنیا برگزار می شود . داده کاوی حاصل تحول تدریجی در طول تاریخ بوده و از اوایل دهه 90 همزمان با همه گیر شدن استفاده از پایگاه های داده ای به عنوان یک علم مطرح شده است. 

 

 

 

دانلود پایان نامه بررسی طبقه بندی جریان داده ها در یک محیط پویا و کاربرد عامل و سیستمهای چندعامله در داده کاوی

بررسی طبقه بندی جریان داده ها در یک محیط پویا و کاربرد عامل و سیستمهای چندعامله در داده کاوی در این تحقیق ما قصد داریم تا ضمن بررسی کارهای موجود در زمینه کاربرد عامل و سیستمهای چندعامله در داده کاوی، بحث طبقه بندی جریان داده ها را در یک محیط پویا مورد بررسی قرار دهیم

دسته بندی	مهندسی نرم افزار
فرمت فایل	doc
حجم فایل	2126 کیلو بایت
تعداد صفحات فایل	159

پایان نامه کارشناسی ارشد رشته مهندسی نرم افزار با عنوان 

بررسی طبقه بندی جریان داده ها در یک محیط پویا و کاربرد عامل و سیستمهای چندعامله در داده کاوی

*پاورپوینت همین پایان نامه با 53 اسلاید بصورت رایگان ضمیمه شده است:)-

 

چکیده 

امروزه با توجه به گسترش روز افزون اطلاعاتی که بشر با آنها سر و کار دارد، بهره گیری از روشهایی همچون داده کاوی برای استخراج دانش و اطلاعات نهفته در داده ها، امری غیرقابل اجتناب می باشد. بدلیل حجم بسیار بالای داده ها در بسیاری از کاربردها و اهمیت بیشتر داده های جدید، ذخیره سازی این داده ها امری مقرون به صرفه نیست، لذا داده هایی که باید مورد پردازش قرار گیرند، همواره بصوت پویا در حال تغییر و تحول هستند. مساله دیگری که امروزه در بحث داده کاوی وجود دارد، بحث توزیع شدگی ذاتی داده ها است. معمولا پایگاههایی که این داده ها را ایجاد یا دریافت می کنند، متعلق به افراد حقیقی یا حقوقی هستند که هر کدام بدنبال اهداف و منافع خود می باشند و حاضر نیستند دانش خود را بطور رایگان در اختیار دیگران قرار دهند.

 

با توجه به قابلیتهای عامل و سیستمهای چندعامله و مناسب بودن آنها برای محیطهای پویا و توزیع شده بنظر می رسد که بتوان از قابلیتهای آنها برای داده کاوی در محیطهای پویا و محیطهای توزیع شده بهره برد. اکثر کارهایی که تاکنون در زمینه بهره-گیری از عامل و سیستمهای چندعامله انجام شده است خصوصیتهایی همانند خودآغازی و بخصوص متحرک بودن عاملها را مورد بررسی قرار داده است و در آنها مواردی همچون هوشمندی، یادگیری، قابلیت استدلال، هدفگرایی و قابلیتهای اجتماعی عاملها مورد بررسی قرار نگرفته است. در این تحقیق ما قصد داریم تا ضمن بررسی کارهای موجود در زمینه کاربرد عامل و سیستمهای چندعامله در داده کاوی، بحث طبقه بندی جریان داده ها را در یک محیط پویا مورد بررسی قرار دهیم. 

 

ما مساله خود را در دو فاز مورد بررسی قرار خواهیم داد. در فاز اول خصوصیتهای یک عامل تنها مورد بررسی قرار خواهد گرفت و در فاز دوم قابلیتهای اجتماعی عاملها مانند مذاکره، دستیابی به توافق و ... برای داده کاوی در یک محیط پویا و توزیع شده رقابتی مورد استفاده قرار خواهد گرفت. بطور کلی دستاوردهای اصلی این تحقیق عبارتند از 1) ارائه یک رویکرد مبتنی بر عامل برای مساله طبقه بندی جریان داده های دارای تغییر مفهوم و پویا با استفاده از قابلیتهای هدفگرایی، هوشمندی، یادگیری و استدلال 2) ارائه یک رویکرد مبتنی بر سیستمهای چندعامله برای طبقه بندی جریان داده های توزیع شده در یک محیط رقابتی با استفاده از قابلیتهای اجتماعی عاملها و دستیابی به توافق. نتایج حاصل از آزمایشات انجام شده در این پایان نامه نشان دهنده برتری استفاده از عاملها و سیستمهای چندعامله برای بحث طبقه بندی و داده کاوی در محیطهای پویا و توزیع شده می باشد.

 

 

کلمات کلیدی:

داده کاوی

جریان داده

معماری BDI

عاملها و سیستمهای چندعامله

طبقه بندی جریان داده ها در یک محیط پویا

استخراج دانش و اطلاعات نهفته در داده ها

 

 

 

مقدمه ای بر داده کاوی

داده کاوی به معنای یافتن نیمه خودکار الگوهای پنهان موجود در مجموعه داده های  موجود می باشد[38]. داده کاوی از مدلهای تحلیلی ، کلاس بندی و تخمین و برآورد اطلاعات و ارائه نتایج با استفاده از ابزارهای مربوطه بهره می گیرد. می توان گفت که داده کاوی در جهت کشف اطلاعات پنهان و روابط موجود در بین داده های فعلی و پیش بینی موارد نامعلوم و یا مشاهده نشده عمل می کند. برای انجام عملیات داده کاوی لازم است قبلا روی داده های موجود پیش پردازشهایی انجام گیرد. عمل پیش پردازش اطلاعات خود از دو بخش کاهش اطلاعات و خلاصه سازی و کلی سازی داده ها تشکیل شده است. 

 

کاهش اطلاعات عبارت است از تولید یک مجموعه کوچکتر، از داده های اولیه، که تحت عملیات داده کاوی نتایج تقریبا یکسانی با نتایج داده کاوی روی اطلاعات اولیه به دست دهد[38]. پس از انجام عمل کاهش اطلاعات و حذف خصایص غیر مرتبط نوبت به خلاصه سازی و کلی سازی داده ها می رسد. داده-های موجود در بانک های اطلاعاتی معمولا حاوی اطلاعات در سطوح پایینی هستند، بنابراین خلاصه سازی مجموعه بزرگی از داده ها و ارائه آن به صورت یک مفهوم کلی اهمیت بسیار زیادی دارد. کلی سازی اطلاعات، فرآیندی است که تعداد زیادی از رکوردهای یک بانک اطلاعاتی را به صورت مفهومی در سطح بالاتر ارائه می نماید. خود روشهای داده کاوی به سه دسته کلی تقسیم می شوند که عبارتند از خوشه بندی، طبقه-بندی و کشف قواعد وابستگی. در ادامه هر یک از این روشها را بطور کلی معرفی می نماییم.

 

 

 

 

فهرست مطالب

 

1. فصل اول - معرفی و آشنایی با مفاهیم اولیه 1

1-1- مقدمه ای بر داده کاوی 2

1-1-1- خوشه بندی 3

1-1-2- کشف قواعد وابستگی 4

1-1-3- طبقه بندی 4

1-1-3-1- طبقه بندی مبتنی بر قواعد 5

1-2- داده کاوی توزیع شده 7

1-3- عاملها و سیستمهای چندعامله 8

1-3-1- عامل 8

1-3-1-1- مقایسه عامل با شی 9

1-3-1-2- معماری عاملها 11

1-3-1-3- معماری BDI 12

1-3-2- سیستم های چندعامله 14

1-3-2-1- مذاکره 17

1-4- بهره گیری از عامل برای داده کاوی 19

1-4-1- سیستم های چندعامله، بستری برای داده کاوی توزیع شده 19

1-5- جمع بندی 22

 

2. فصل دوم - داده کاوی پویا 23

2-1- مقدمه ای بر داده کاوی پویا 24

2-2- جریان داده 25

2-3- طبقه بندی جریان داده 26

2-3-1- موضوعات پژوهشی 27

2-4- جمع بندی 31

 

3. فصل سوم - مروری بر کارهای انجام شده 33

3-1- مقدمه 34

3-2- داده کاوی توزیع شده ایستا 35

3-2-1- روشهای غیرمتمرکز 36

3-2-2- روشهای مبتنی بر توزیع ذاتی داده ها 37

3-3- کارهای مهم انجام شده در زمینه داده کاوی با استفاده از عامل 38

3-4- کارهای انجام شده در زمینه طبقه بندی جریان داده ها 41

3-4-1- روشهای طبقه بندی Ensemble-based 41

3-4-2- درختهای تصمیم بسیار سریع 43

3-4-3- طبقه بندی On-Demand 46

3-4-4- OLIN 48

3-4-5- الگوریتمهای LWClass 49

3-4-6- الگوریتم ANNCAD 51

3-4-7- الگوریتم SCALLOP 51

3-4-8- طبقه بندی جریان داده ها با استفاده از یک روش Rule-based 53

3-5- جمع بندی 54

 

4. فصل چهارم - تعریف مساله 55

4-1- مقدمه 56

4-2- تعریف مساله برای فاز اول 56

4-2-1- جریان داده 57

4-2-2- مفهوم یا مدل موجود در جریان داده 57

4-2-3- مساله طبقه بندی جریان داده های دارای تغییر مفهوم 57

4-3- تعریف مساله برای فاز دوم 59

 

5. فصل پنجم - رویکردهای پیشنهادی 62

5-1- مقدمه 63

5-2- رویکرد پیشنهادی برای فاز اول پروژه 63

5-2-1- عامل و ویژگیهای آن در این مساله 64

5-2-2- عملکرد کلی عامل 65

5-2-3- معماری عامل 66

5-2-3-1- حسگرها 67

5-2-3-2- پایگاه دانش عامل 68

5-2-3-3- تابع ارزیابی محیط 70

5-2-3-3-1- نحوه تشخیص اطلاعات و نگهداری الگوهای recur در جریان داده 70

5-2-3-3-2- نحوه استخراج الگوهای recur 70

5-2-3-3-3- نحوه بروزرسانی اطلاعات مربوط به الگوهای recur 73

5-2-3-3-4- نحوه محاسبه وقوع احتمال وقوع یک الگوی خاص 74

5-2-3-4- تابع سودمندی 75

5-2-3-5- بخش تصمیم گیری و Planning 79

5-2-3-5-1- بخش تصمیم گیری 79

5-2-3-5-2- Planning 83

5-2-3-6- بخش Action 86

5-3- رویکرد پیشنهادی برای فاز دوم مساله 87

5-3-1- عاملهای مشتری 88

5-3-2- عامل صفحه زرد 90

5-3-3- عاملهای داده کاو 91

5-3-3-1- معماری عاملهای داده کاو 92

5-3-3-1-1- تابع BRF 94

5-3-3-1-2- تابع Generate Options 95

5-3-3-1-3- تابع فیلتر 95

5-3-3-1-4- بخش Actions 96

5-3-3-1-5- Plan های عامل 97

5-3-3-1-5- 1- Plan مربوط به طبقه بندی 97

5-3-3-1-5-2- Plan مربوط به تطبیق طبقه بند 98

5-3-3-1-5-3- Plan مربوط به خرید و فروش قواعد با استفاده از مذاکره 101

5-4- جمع بندی 111

 

6. فصل ششم - آزمایشات و نتایج 113

6-1- مقدمه 114

6-2- محیط عملیاتی 114

6-3- مجموعه داده های مورد استفاده 116

6-3-1- مجموعه داده های استاندارد 116

6-3-2- مجموعه داده های واقعی 117

6-4- معیارهای ارزیابی و روشهای مورد استفاده برای مقایسه 117

6-5- آزمایشات انجام شده 118

6-5-1- آزمایشات مربوط به فاز اول 119

6-5-2- آزمایشات مربوط به فاز دوم 128

6-6- جمع بندی 130

7. فصل هفتم- جمع بندی و نتیجه گیری 132

 فهرست مراجع 136

 

فهرست اشکال

شکل 1-1- معماری BDI در عامل 15

شکل 3-1- درخت تحقیق مربوط به طبقه بندی در مبحث داده کاوی 34

شکل 3-2- طبقه بندی مبتنی بر Ensemble .44 

شکل 3-3- چارچوب روش On-Demand 47

شکل 3-4- نمایی از سیستم OLIN 49

شکل 3-5- پروسه SCALLOP 53

شکل 5-1- نمودار ترتیب عملکرد عامل پیشنهادی 66

شکل 5-2- معماری عامل پیشنهادی 67

شکل 5-3- پنجره نظاره بر روی جریان داده ها 68

شکل 5-4- گراف ایجاد شده از روی رشته مفهوم ها 71

شکل 5-5- محل تجمع الگوهای استخراج شده از رشته مفهوم ها 73

شکل 5-6- میزان محاسبه شده احتمالها به ازای مقادیر مختلف K 81

شکل 5-7- شبه کد Plan کلی عامل 83

شکل 5-8- نسبت واریانس به حاصلضرب 50 متغیر دارای مجموع ثابت 85

شکل 5-9- وزن دهی چند داده مختلف 86

شکل 5-10- نمایی کلی از سیستم چندعامله ایجاد شده 88

شکل 5-11- معماری BDI عامل داده کاو 93

شکل 5-12- بخشی از جریان داده و قواعد استخراج شده از آن 99

شکل 5-13- بخشی از جریان داده و قواعد استخراج شده از آن 101

شکل 6-1- کد نمونه برای استفاده از بسته نرم افزاری weka 115 

شکل 6-2- زمان لازم بر حسب میلی ثانیه برای داده های Stagger 120 

شکل 6-3- زمان مصرف شده برای تطبیق طبقه بند 120 

شکل 6-4- نمودار مربوط به زمان پردازش روشهای مختلف برای داده های HyperPlan 121 

شکل 6-5- زمان مصرف شده برای تطبیق طبقه بند 121 

شکل 6-6- نمودار مربوط به زمان پردازش روشهای مختلف برای داده های Nursery 122 

شکل 6-7- زمان مصرف شده برای تطبیق طبقه بند برای داده های Nursery 122 

شکل 6-8- عملکرد روشهای مختلف بر روی مجموعه داده HyperPlan 124 

شکل 6-9- نمودار عملکرد روشهای مختلف بر روی مجموعه داده HyperPlan در یک بازه کوچکتر 124 

شکل 6-10- نمودار عملکرد روشهای مختلف بر روی مجموعه داده HyperPlan در یک بازه کوچکتر 125 

شکل 6-11- زمان مصرف شده برای تطبیق طبقه بند برای داده های HyperPlan 125 

شکل 6-12- عملکرد روشهای مختلف بر روی مجموعه داده Stagger 126 

شکل 6-13- زمان مصرف شده برای تطبیق طبقه بند برای داده های Stagger 126 

شکل 6-14- عملکرد روشهای مختلف بر روی مجموعه داده Nursery 127 

شکل 6-15- زمان مصرف شده برای تطبیق طبقه بند برای داده های Nursery 127 

شکل 6-16- نمودار نتایج حاصل از طبقه بندی توزیع  شده مجموعه داده Nursery 130 

 

فهرست جدولها

جدول 1-1- ویژگیهای یک عامل 11 

جدول 3-1- ماتریس حاصل از روش LWClass 51 

جدول 3-2- مقایسه تکنیکهای ذکر شده 54 

جدول 5-1- ساختار اطلاعاتی ذخیره شده برای هر مفهوم و الگو 69

جدول 5-2- ساختار اطلاعاتی مربوط به وقوع الگوی "CFDA" 75 

جدول 5-3- نمونه ای از خروجی تابع سودمندی عامل 81

جدول 5-4- اطلاعات مورد استفاده برای تخمین سودمندی یک قاعده 105

جدول 6-1- دقت طبقه بندی روشهای مختلف 128

جدول 6-2- نتایج حاصل از طبقه بندی توزیع شده مجموعه داده Nursery در سه مفهوم مختلف 130

 

 

 

 

 

 

دانلود پایان نامه کارشناسی ارشد داده کاوی،ترتیب و گروه سازی داده ها با استفاده از روش ماشین‎های بردار پشتیبان (SVM)

پایان نامه کارشناسی ارشد مهندسی نرم افزار با عنوان داده کاوی،ترتیب و گروه سازی داده ها با استفاده از روش ماشین‎های بردار پشتیبان (SVM) دسته بندی داده ها، از مهمترین مباحث مطرح در داده کاوی است در خصوص دسته بندی داده ها روش های گوناگونی ارائه گردیده است که ماشین بردار پشتیبان(SVM) از مهمترین آنها است

دسته بندی	مهندسی نرم افزار
فرمت فایل	doc
حجم فایل	750 کیلو بایت
تعداد صفحات فایل	147

پایان نامه کارشناسی ارشد مهندسی نرم افزار با عنوان

داده کاوی،ترتیب و گروه سازی داده ها با استفاده از روش ماشین‎های بردار پشتیبان (SVM)

 

چکیده:

داده کاوی یکی از شاخه های مطرح علمی است که در سالهای اخیر توسعه فراوانی یافته است. بنابر گزارش دانشگاه MIT، دانش نوین داده کاوی یکی از ده دانش در حال توسعه ای است که دهه آینده را با انقلاب تکنولوژیکی مواجه می سازد. دسته بندی داده ها، از مهمترین مباحث مطرح در داده کاوی است. در خصوص دسته بندی داده ها روش های گوناگونی ارائه گردیده است که ماشین بردار پشتیبان(SVM) از مهمترین آنها است و از آنجایی که بر مبنای فرمول-بندی ریاضیاتی است از دقت و خاصیت تعمیم بیشتری نسبت به سایر روش های دسته بندی برخوردار است. این پایان نامه به داده کاوی،ترتیب و گروه سازی داده ها با استفاده از روش ماشین‎های بردار پشتیبان (SVM)می پردازد. 

 

ابتدا مقدمه و برخی از مباحث مورد نیاز در SVM مطرح می گردد. سپس اصول و پایه های دسته بندی داده های دو دسته ای به روش SVM مطرح می گردد و همچنین انواع روش-های SVM به همراه مثال ارائه می گردد. بعلاوه یک مثال واقعی از کاربرد روش SVM در دسته بندی داده های دو دسته ای ارائه خواهد شد. در ادامه نیز برخی از روش های دسته بندی برای داده های چند دسته ای مطرح می گردد. درپایان با ورود به بحث نادقیقی داده ها، و در نظر گرفتن دو حالت برای داده های فازی، روش هایی برای دسته بندی این داده ها عنوان می گردد.  بعلاوه با درنظر گرفتن یک پارامتر فازی در فرمول بندی روش SVM به ارائه راه حل پرداخته می شود. در خاتمه یک مثال کاربردی برای داده های فازی مطرح می گردد. ضمنا بخش هایی که با علامت * مشخص شده است حاصل پژوهش های مولف می باشد.

 

 

کلمات کلیدی:

SVM

داده کاوی

دسته بندی داده ها

ماشین‎های بردار پشتیبان

 

 

 

تاریخچه داده کاوی 

در طول دهه های گذشته با پیشرفت روز افزون کاربرد پایگاه داده ها ، حجم داده های ثبت شده بطور متوسط هر پنج سال دو برابر می شود. در این میان سازمان هایی موفق هستند که بتوانند حداقل 7% داده هایشان را تحلیل کنند. تحقیقات انجام یافته نشان می دهد که سازمان ها کمتر از 1%  داده هایشان را تحلیل می کنند. به عبارت دیگر در حالی که غرق در اطلاعات می-باشند، تشنه دانش هستند[50].بنابر گزارش دانشگاه MIT دانش نوین داده کاوی یکی از ده دانش در حال توسعه ای است که دهه آینده را با انقلاب تکنولوژیکی مواجه می سازد. این تکنولوژی، امروزه دارای کاربردهای وسیعی در حوزه های مختلف است، به گونه ای که امروزه حد و مرزی برای کاربرد این دانش درنظر نگرفته و زمینه های کاری این دانش را از ذرات کف اقیانوس ها تا اعماق فضا می دانند [50].

 

مفهوم داده کاوی برای نخستین بار در سال 1989 و در کنار کنفرانس هوش مصنوعی  توسط پیاتتسکی شاپیرو  و در شهر دترویت  معرفی شد. در سال 1991 نیز کارگاه های کشف دانش  از پایگاه داده ها، توسط پیاتتسکی و همکارانش برگزار گردید. همچنین در فاصله سال-های 1991 تا 1994 کارگاه هایی در این خصوص توسط فیاد  و دیگران برگزار شد و در سال 1996 اولین شماره مجله کشف دانش از پایگاه داده ها  منتشر شد. از آن زمان تاکنون کنفرانس های سالانه منظمی در خصوص داده کاوی و کشف دانش برگزار گردیده است. دانش داده کاوی که نام آن از استخراج معدن گرفته شده است با زدودن متعلقات غیرضروری داده ها و استخراج روابط سودمند از آنها، روابط پیچیده بین داده ها را آشکار کرده و راه را جهت تصمیم گیری هموار    می سازد.

 

 

 

 

فهرست مطالب

1-فصل اول:مقدمه و پیشنیازها     .1

1-1 مقدمه    2

1-1-1 تاریخچه داده-کاوی           .2

1-1-2 تعریف داده-کاوی            2

1-1-3 کاربردهای داده-کاوی         .3 

1-1-4 دسته بندی داده-ها             .4

1-2  مطالبی از مطالبی از حساب دیفرانسیل، جبرخطی و تحقیق در عملیات  5 

1-3 نظریه مجموعه های فازی         10

1-4 مطالبی از نظریه بازی-ها          13

1-4-1 تاریخچه نظریه بازی          13

1-4-2 نظریه بازی-ها               .14

1-4-3 بازی های ماتریسی           .17

 

2- فصل  دوم:روش SVM برای دسته بندی داده های دو دسته ای  20

2-1 مقدمه   21

2-2 روش ابتدایی SVM برای دسته بندی داده های دودسته ای جدایی پذیر خطی          21

2-3 روش SVM بر اساس نرم L1 برای دسته بندی داده های دودسته-ای                .30

2-4 روش SVM بر اساس فرم L2 برای دسته بندی داده های دودسته ای                 38

2-5 روش MCQP: مدل جدیدی برای دسته بندی داده های دو دسته ای بر مبنای روش  SVM  .43

2-6 روش SVM استاندارد          54

2-7 پیش بینی بحران مالی در شرکت های پذیرفته شده در بورس اوراق بهادار تهران بوسیله روش MCQP       59

 

3-فصل سوم:روش SVM  برای دسته بندی داده های چند دسته-ای 63

3-1 مقدمه   64

3-2 روش OSVM برای دسته بندی داده های چند دسته-ای      .64

3-3 روش PSVM برای دسته بندی داده های چند دسته-ای       68

3-4 روش LP- PSVM برای دسته بندی داده های چند دسته-ای  .72

3-5 روشی برای تصمیم گیری در مورد داده های دسته بندی نشده  .75

 

4-فصل چهارم:روش SVM برای دسته بندی داده های فازی        .78

4-1 مقدمه   79

4-2 روش  FSVM بر اساس نرم L1 برای دست بندی داده های دو دسته-ای             .80

4-3 روش FMCQP برای دسته بندی داده های دو دسته-ای      .84

4-4 روش FSVM استاندارد برای دسته بندی داده های دو دسته-ای 88

4-5 روش SVM برای دسته بندی داده های فازی دو دسته ای جدایی پذیر خطی           .92

4-6: روش L1_SVM برای دسته بندی داده های فازی         .95

4-7 روش L1_SVM با ضریب اهمیت فازی برای خطای دسته بندی داده-ها             .97

4-8 پیش بینی بحران مالی درشرکت های پذیرفته شده در بورس اوراق بهادار تهران بوسیله روش FMCQP    .101

نتیجه گیری و فعالیت های پیش-رو     .104

 

مراجع     .108

ضمیمه 1   .110

ضمیمه 2   .122

ضمیمه 3   .123

واژه نامه فارسی به انگلیسی          125

واژه نامه انگلیسی به فارسی          130

 

 

 

 

 

 

 

دانلود پاورپوینت استفاده از روشهای داده کاوی در تشخیص نفوذ به شبکه های کامپیوتری

پاورپوینت استفاده از روشهای داده کاوی در تشخیص نفوذ به شبکه های کامپیوتری داده کاوی به فرآیندی گفته می‌شود که طی آن الگوهای مفیدی از داده ها که تا کنون ناشناخته بودند، از داخل یک پایگاه داده بزرگ استخراج می شود، علاوه بر آن سیستمهای داده کاوی امکاناتی را به منظور خلاصه سازی و نمایش داده ها فراهم می‌کنند

دسته بندی	مهندسی نرم افزار
فرمت فایل	ppt
حجم فایل	766 کیلو بایت
تعداد صفحات فایل	16

پاورپوینت استفاده از روشهای داده کاوی در تشخیص نفوذ به شبکه های کامپیوتری

 

نفوذ ( حمله ) :

نفوذ به عملیاتی اطلاق می‌شود که تلاش می کند برای دسترسی غیر مجاز به شبکه یا سیستم های کامپیوتری از مکانیسم امنیتی سیستم عبور کند. این عملیات توسط نفوذ کننده گان خارجی  و داخلی انجام میشود.

 

 

سیستم های تشخیص نفوذ ( IDS )

سیستم تشخیص نفوذ، برنامه‌ای‌است که با تحلیل ترافیک جاری شبکه یا تحلیل تقاظاها سعی در شناسایی فعالیتهای نفوذگر می‌نماید و در صورتی که تشخیص داد ترافیک ورودی به یک شبکه یا ماشین، از طرف کاربر مجاز و عادی نیست بلکه از فعالیتهای یک نفوذگر ناشی می‌شود، به نحو مناسب به مسئول شبکه هشدار داده یا واکنش خاص نشان می‌دهد 

 

 

داده کاوی و کاربرد آن در کشف نفوذ

داده کاوی به فرآیندی گفته می‌شود که طی آن الگوهای مفیدی از داده ها که تا کنون ناشناخته بودند، از داخل یک پایگاه داده بزرگ استخراج می شود، علاوه بر آن سیستمهای داده کاوی امکاناتی را به منظور خلاصه سازی و نمایش داده ها فراهم می‌کنند. 

جمع آوری داده های شبکه توسط سنسور های سیستم های مانیتورینگ 

تبدیل داده های خام  به داده های قابل استفاده در مدل های داده کاوی 

ایجاد مدل داده کاوی  (مدل های تشخیص سو استفاده ، مدل های موارد غیر متعارف )

تحلیل و خلاصه سازی نتایج

 

 

 

دانلود مقاله ترجمه شده رشته کامپیوتر با عنوان داده کاوی جهانی: مطالعه تجربی از روند فعلی پیش بینی آینده و انتشار فناوری

مقاله ترجمه شده رشته کامپیوتر با عنوان داده کاوی جهانی: مطالعه تجربی از روند فعلی پیش بینی آینده و انتشار فناوری با استفاده از روش داده کاوی این مطالعه و تجلیل روند تحقیقات و پیش بینی داده کاوی را ‏از سال ‏‎1989‎‏ تا سال ‏‎2009‎‏ را با عنوان داده کاوی در پایگاه ‏SSCI‏ انجام داده است

دسته بندی	مهندسی نرم افزار و آی تی
فرمت فایل	doc
حجم فایل	477 کیلو بایت
تعداد صفحات فایل	29

مقاله ترجمه شده رشته کامپیوتر با عنوان داده کاوی جهانی: مطالعه تجربی از روند فعلی پیش بینی آینده و انتشار فناوری

 

 

 

عنوان انگلیسی : 

Global data mining-An empirical study of current trends, future forecasts and technology diffusions

 

دانلود مقاله اصلی

 

 

چکیده:‏

با استفاده از روش داده کاوی این مطالعه و تجلیل روند تحقیقات و پیش بینی داده کاوی را ‏از سال ‏‎1989‎‏ تا سال ‏‎2009‎‏ را با عنوان داده کاوی در پایگاه ‏SSCI‏ انجام داده است روش ‏کتاب سنجی تحلیل روشی بررسی موضوع در این بازه زمانی است. ما با برداشت از ‏‎1881‎‏ ‏مقاله به بررسی این موضوع پرداخته ایم در این مقاله پیاده سازی و طبقه بندی مقالات داده ‏کاوی با استفاده از سال نشر، استناد، کشور نشر، نوع سند، نام موسسه، زبان، عنوان منبع و ‏موضوع منطقه برای وضعیت های مختلف به منظور کشف تفاوت ها و اطلاعات چگونگی فناوری ‏و توسعه یافتگی آن در این دوره با گرایش های فناوری پرداخته ایم و پیش بینی نتایج ‏را از این مقالات انجام داده ایم همچنین این مقاله انجام آزمون ‏K-S‏ را برای بررسی اینکه ‏آیا تجزیه و تحلیل براساس قانون لوکتا است یا نه انجام دادند.

 

علاوه براین تجزیه و ‏تحلیل بررسی متون تاریخی جهت نفوذ فناوری داده کاوی انجام شده است. این مقاله یک ‏نقشه راه برای تحقیقات آینده، و روندهای تکنولوژی و پیش بینی و تسهیل انباشت دانش را ‏در دستور خود دارد به طوری که محققان داده کاوی بتواند با صرف هزینه کم بر روی موضوع ‏مشخص خود متمرکز شوند. ‏

این بدان معنی است که پدیده موفقیت در نشریات با کیفیت بالاتر شایع تر است .

 

 

کلمات کلیدی:‏

داده کاوی

نفوذ فناوری

روش کتاب سنجی

روند تحقیقات و پیش بینی ‏

 

 

مقدمه:‏

داده کاوی زمینه بین رشته ای است که ترکیبی مصنوعی از هوش، مدیریت پایگاه داده، ‏تجسم داده ها، دستگاه یادگیری، الگوریتم های ریاضی و آمار را به وجود آورده است. داده ‏کاوی نیز به عنوان کشف پایگاه داده ها شناخته شده است. دچن، هان ویو ‏‎1996‎‏ ، ‏پیاتتکسی و اسمیت ‏‎1996‎‏ که به سرعت در حال ظهور می باشند.این فناوریها روش های ‏مختلفی را برای تصمیم گیری حل مسئاله، تجزیه و تحلیل، برنامه ریزی، تشخیص، ‏یکپارچه سازی، پیشگیری آموزش و نوآوری را به ارمغان می آورد که نیاز به تکنیک های ‏جدید برای کمک به تجزیه و تحلیل، درک و حتی تجسم مقدار بسیار عظیمی از داده های ‏ذخیره شده را در برنامه های علمی و کاربردی را جمع آوری می کند. کشف دانش این ‏فرآیند جالب توجه است.

 

که مانند الگوهایی برای انجمن ها، تغییرات، ناهنجاری و سازه های ‏مهم که از مقادیر زیادی از داده های ذخیره شده در پایگاه داده ها، انبار داده ها و یا دیگر ‏مخازن اطلاعاتی تشکیل شده است. این می تواند به شرکت جهت تصمیم گیری به خاطر ‏ماندن در فضای رقابتی بازار کمک کند. توابع اصلی داده کاوی در تجارت توسعه یافته شامل ‏خلاصه، انجمن، طبقه بندی، پیش بینی و خوشه است.این توابع می تواند با استفاده از انواع ‏فناوریها مانند پیاده سازی پایگاه داده، یادگیری و روش های آماری اجرا شود. (پیا تتسکی ‏و اسمیت ‏‎1996‎‏ ) استخراج اطلاعات از پایگاه داده به عناون یک فرایند است که با استفاده ‏از آمار، ریاضی، تکنیک های هوشی مصنوعی و روشهای دیگر و شناسایی اطلاعات مفید و ‏پس از آن بدست آوردن دانش پایگاه های بزرگ تعریف می شود.

 

در تلاش برای توسعه بینش ‏های جدید با کارایی عمل مناسب داده کاوی به منظور بررسی برنامه های بهبود، اولویت ‏استراتژیک عوامل محیطی، ابعاد عملکرد تولید و اثر متقابل آنها مورد استفاده قرار گرفت ‏‏(حاجی زاده، حسینی، بارفروش و همکاران ‏‎2010‎‏ (اسمیت و برسون ‏‎2000‎‏ ) (لوژن ‏‎2001‎‏ ‏‏)(احمد‎2004‎‏ )(لینوف و بری ‏‎2004‎‏ ) همچنین  داده کاوی به عنوان فرآیند استخراج ‏اطلاعات تعریف شده و یا تشخیص الگوهای پنهان و یا اطلاعات از پایگاه داده های بزرگ و ‏امکان پذیر می کند.با مقدار زیادی از داده ها، فناوریهای داده کاوی می تواند با بحث به ‏وجود آمدن هوش کسب و کار و در نهایت ایجاد فرصت های جدید می شود. به تازگی ‏تعدادی از برنامه های کاربردی داده کاوی و نمونه های اولیه برای انواع دامنه های توسعه یافته ‏است (بارچمن و خابازا، کلسژن پیاتتکسی، شاپیر و سیموریس ‏‎1996‎‏ ) که از جمله ‏بازاریابی، بانکداری و امورمالی، تولید و مراقبت های بهداشتی است. علاوه براین داده کاوی ‏نیز به عنوان دیگر داده ها مانند اعمال سری های زمانی، ارتباط است. ‏

 

 

 

فهرست مطالب :

چکیده:‏ ‏1‏

کلیده واژه ها:‏ ‏1‏

‏1- مقدمه:‏ ‏2‏

‏2- موارد و روش های تحقیق:‏ ‏4‏

‏2-1 مواد تحقیق:‏ ‏4‏

‏2-2 روش تحقیق:‏ ‏4‏

‏2-2-1 قانونی لوتکا:‏ ‏5‏

‏2-2-2 زیر ساخت های تحقیقات :‏ ‏6‏

‏1-جمع آوری داده ها ‏6‏

‏2-فهرست نویسنده و جدول توزیع مقاله ‏6‏

‏3-محاسبه مقدار ‏n‏ (شیب)‏ ‏6‏

معادله1‏ ‏6‏

‏4محاسبه مقدار ‏C ‏7‏

فرمول 3‏ ‏7‏

معادله 4‏ ‏7‏

‏3-نتایج:‏ ‏8‏

‏3-1:توزیع های سال نشر:‏ ‏8‏

‏3-2: توزیع های استنادی‎:‎ ‏8‏

‏3-3 توزیع های کشور- قلمرو:‏ ‏8‏

‏3-4:توزیع نام موسسه:‏ ‏9‏

جدول1 :25 کشور برتر در سال 2009-1989‏ ‏9‏

‏3-5:توزیع توسط نوع سند:‏ ‏12‏

‏3-6:توزیع شده توسط زبان:‏ ‏12‏

‏3-7توزیع های موضوع:‏ ‏12‏

شکل 1: انتشار و وضعیت استناد در هر سال‎. ‎منبع‎: ‎پایگاه دادهSSCI ‏13‏

جدول 2 :توزیع نوع و زبان سند2009-1989‏ ‏13‏

‏3-8: توزیع عنوان منبع:‏ ‏14‏

توزیع 25 گروه اول  از منابع 2005-1989‏ ‏15‏

جدول4 :محاسبه بهره وری نویسنده داده کاوی ‏19‏

جدول 5 :محاسبه ‏n‏ برای داده کاوی ‏19‏

شکل 2: توزیع بهره وری ادبیات نویسنده در پژوهش داده کاوی ‏19‏

جدول 6:آزمون ‏K-S‏ برای داده کاوی ‏19‏

جدول 7 نمای کلی از نوآوری های فن آوری در داده کاوی ‏20‏

جدول 7: مروری بر نفوذ بازار در داده کاوی ‏21‏

جدول 8 :نمای کلی از قبول تعداد در داده کاوی:‏ ‏22‏

‏4-بحث:‏ ‏23‏

‏4-1:تجزیه و تحلیل بهره وری منابع توسط قانون لوتکا:‏ ‏23‏

‏3-محاسبه مقدار ‏n‏(شیب)‏ ‏24‏

معادله 5‏ ‏24‏

‏4-محاسبه ارزش ‏C ‏24‏

معادله 6‏ ‏24‏

معادله 7‏ ‏25‏

‏2-4 بحث و گفتگو:‏ ‏25‏

‏1-5 نوآوری های فناوری داده کاوی (1998-1989):‏ ‏25‏

‏2-5 قبولی داده کاوی سازمانی(2003-1999):‏ ‏26‏

‏3-5نفوذ در بازر با استفاده از داده کاوی(2009 -2004)‏ ‏26‏

‏6- نتیجه گیریک ‏26‏

‏5-روند اصلی مقاله از نوع سند داده کاوی  در پژوهش هست.‏ ‏28‏

‏6-زبان انگلیسی هنوز زبان اصلی در داده کاوی پژوهشی می باشد.‏ ‏28‏

 

دانلود مقاله ترجمه شده با عنوان یک روش داده کاوی برای ارزیابی آموزش، در آموزش مبتنی بر شبیه سازی

مقاله ترجمه شده با عنوان یک روش داده کاوی برای ارزیابی آموزش، در آموزش مبتنی بر شبیه سازی به توجه به رشد قابل ملاحظه ای که در حوزه ی کامپیوتر صورت گرفته است، پروسه‌ی شبیه سازی نیز به یکی از ابزار های ‏آموزشی تجربی کارآمد و واقعی مبدل گشته است که نقشی کمک کننده در آموزش سازمانی دارد

دسته بندی	مهندسی نرم افزار و آی تی
فرمت فایل	doc
حجم فایل	436 کیلو بایت
تعداد صفحات فایل	29

مقاله ترجمه شده رشته مهندسی فناوری اطلاعات و کامپیوتر با عنوان یک روش داده کاوی برای ارزیابی آموزش، در آموزش مبتنی بر شبیه سازی

 

عنوان انگلیسی : 

A data mining approach for training evaluation ‎in simulation-basedtraining

 

دانلود مقاله اصلی

 

 

رویکردی پژوهشی بر:‏

یک روش داده کاوی برای ارزیابی آموزش، در آموزش مبتنی بر شبیه سازی

‏*مرکز پژوهشی سیستم های هوانوردی،مؤسسه ی علوم و تکنولوژی چوانگ-شان، تایوان*‏

 

‏*مؤسسه ی مدیریت تکنولوژی، دانشگاه ملی چوانگ، تایوان*‏

 

 

چکیده :

به توجه به رشد قابل ملاحظه ای که در حوزه ی کامپیوتر صورت گرفته است، پروسه‌ی شبیه سازی نیز به یکی از ابزار های ‏آموزشی تجربی کارآمد و واقعی مبدل گشته است که نقشی کمک کننده در آموزش سازمانی دارد. اگرچه آموزش مبتنی بر ‏شبیه سازی می‌تواند بهره وری آموزش را برای کارکنان یک شرکت بهبود دهد، ولی چالش های پژوهشی زیادی در این ‏خصوص وجود داشته که باید بر آن‌ها غلبه کرد. در این مقاله قصد داریم چارچوبی ترکیبی را به‌منظور ادغام تکنیک های ‏داده کاوی با آموزش مبتنی بر شبیه سازی ارائه داده تا بتوان بهره وری ارزیابی آموزش را افزایش داد. مفهوم آموزش مبتنی ‏بر اطمینان ‏ در پروسه‌ی یادگیری فراگیران بکار گرفه شده که از دو سطح مهارت/دانش و سطح اطمینان بهره میبرد. تکنیک ‏های داده کاوی به‌منظور تحلیل پروفایل فراگیران و داده های ایجاد شده از آموزش مبتنی بر شبیه سازی مورد تحلیل قرار ‏گرفته تا بتوان کارانی فراگیران و دانش جویان و رفتار های یادگیری آن‌ها را مورد ارزیابی قرار داد. متدلوژی پیشنهادی، به ‏همراه یک مثال واقعی از آموزش تیر اندازی پیاده نظام در تایوان ارائه خواهد شد. نتایج نشان میدهد که متدلوژی پیشنهادی ‏می‌تواندبه‌صورت صحیحی اقدام به ارزیابی کارانیفراگیران و رفتار های یادگیری آن‌ها نموده و می‌تواند دانش مربوط به بهود ‏نتایج یادگیری را به همراه داشته باشد.‏

 

 

 

واژگان کلیدی:

 

 داده کاوی

 شبیه سازی

ارزیابی آموزش

سیستم های چند رسانه ای

 

 

مقدمه :

با توجه به روند رو به رشد پیچیدگی و محیط های شغلی، کارکنان سازمان ها نه‌تنها باید دارای مهارت ها و ‏دانش حرفه ای موردنیاز کاری خود باشند، بلکه باید در فراگیری دانش جدید برای استفاده در محیط های متغیر ‏انعطاف پذیر باشند. به‌منظور توسعه ی این تخصص انطباقی، فراگیران باید در پروسه‌ی یادگیری فعال بوده و این ‏پروسه نیز باید در ماهیت معنادار و مربوطه ای صورت گیرد(بلی و کوزوالکی 2002).‏

با توجه به رشد قابل ملاحظه ی تکنولوژی های کامپیوتری، شبیه سازی به یک ابزار یادگیری تجربی کارآمد و ‏واقعی به‌منظور کمک به آموزش سازمان بکار گرفته شده است(بل، کانال و کوزوالکی 2008). شبیه سازی را ‏می‌تواند به عنوان محیطی مصنوعی تعریف کرد که برای مدیریت تجارب افراد از واقعیت ایجاد شده است(بل ‏‏2008). آموزش مبتنی بر شبیه سازی (‏SBT‏)‏ ‏ را می‌تواند توانایی استدلال، جایگزینی، ایجاد و/یا  مدیریت ‏تجارب واقعی فراگیران دانست که در آن می‌تواند محتوایی واقعی و ویژگی های آموزشی ادغام یافته را فراهم ‏کرد(کانون بروسر ، بوسر 2009). این مورد در سطح زیادی بر حسب فضا و زمان آموزش انعطاف پذیر میباشد ‏که می‌تواندبه‌منظور کاهش یا حذف هزینه های متغیر در آموزش سنتی بکار گرفته شود.

 

 

 

فهرست مطالب :

چکیده ‏1‏

‏1.مقدمه ‏3‏

‏2. اصول اولیه ‏5‏

‏2.1ارزیابی آموزش وآموزش مبتنی برشبیه سازی ‏5‏

‏2.2. داده کاوی ‏7‏

‏3.روش داده کاوی پیشنهادی ‏8‏

‏3.1تعریف مسئله ‏8‏

‏3.2 درک وآماده سازی داده ها ‏9‏

‏3.3 ایجاد مدل ‏10‏

‎1.‎تحلیل درخت تصمیم....‏ ‏11‏

‎2.‎شبکه های عصبی انتشار بازگشتی‎(BPNN)‎ ‏12‏

‎3.‎رگرسی ونلجستیک..‏ ‏13‏

‎4.‎تحلیل کلاستر....‏ ‏14‏

‏3.4 ارزیابی وتحلیل مدل ‏15‏

‏3.5 توسعه ی مدل ‏16‏

‏4.مطالعه ی تجربی: آموزش تیراندازی نظامی مبتنی برشبیه سازی در تایوان ‏16‏

‎4.1‎بیشینه ‏16‏

‎4.2‎تعریف مسئله ‏17‏

‏4.3 آماده سازی ودرک داده ها ‏17‏

‏4.4 ایجادمدل ‏19‏

‏4.4.1 ارزیابی کارانی شلیک ‏19‏

‏4.4.2 دسته بندیرفتاریادگیری ‏22‏

‏4.5 توسعه یمدل ‏27‏

‏4.6 مباحث ‏28‏

‏5.نتیجه گیری ‏29‏

 

 

دانلود مقاله ترجمه شده داده کاوی و بصری سازی برای سیستم پشتیبانی از تصمیم و مدل سازی در منابع بهداشت عمومی

مقاله ترجمه شده رشته مهندسی کامپیوتر با عنوان داده کاوی و بصری سازی برای سیستم پشتیبانی از تصمیم و مدل سازی در منابع بهداشت عمومی ‎در این مقاله قصد داریم روشی نوآور در استفاده از تکنیک های داده کاوی و بصری سازی برای پشتیبانی ‏از تصمیم در برنامه ریزی و مدیریت سطح منطقه ای در بهداشت عمومی مربوط به کشور اسلوونی‎ ‎‏ را ارائه ‏دهیم

دسته بندی	مهندسی نرم افزار و آی تی
فرمت فایل	doc
حجم فایل	1613 کیلو بایت
تعداد صفحات فایل	17

مقاله ترجمه شده رشته مهندسی کامپیوتر با عنوان داده کاوی و بصری سازی برای سیستم پشتیبانی از تصمیم و مدل سازی در منابع بهداشت عمومی

 

عنوان انگلیسی : 

Data mining and visualization for decision support and ‎modeling of public health-care resources

 

 

دانلود مقاله اصلی 

 

 

رویکردی بر:‏

داده کاوی و بصری سازی برای  سیستم پشتیبانی از تصمیم و مدل سازی  در منابع بهداشت عمومی

 

 

چکیده‎ ‎:

‎    ‎در این مقاله قصد داریم روشی نوآور  در استفاده از تکنیک های داده کاوی و بصری سازی برای پشتیبانی ‏از تصمیم در برنامه ریزی و مدیریت سطح منطقه ای در بهداشت عمومی مربوط به کشور اسلوونی‎ ‎‏ را  ارائه ‏دهیم. از این رو،  تکنیک های داده کاوی و آماری به منظور تحلیل پایگاه داده ای که به وسیله ی مؤسسات ‏بهداشت عمومی جمع آوری شده است بکار گرفته میشود.

 

همچنین جنبه های سازمانی مربوط به منابع بهداشت ‏عمومی را در بخش انتخابی  مطالعه کرده ایم با  این هدف که بتوان حوزه هایی که بر حسب موجودیت و قابلیت ‏دسترسی به سرویس های بهداشت عمومی غیر عادی هستند را تشخیص دهیم. علاوه بر نتایج کاربردی که برای ‏تصمیم گیری در برنامه ریزی برای سیستم بهداشت عمومی کاربرد دراد، نقش متدلوژیکی که این مقاله  بازی کرده ‏است، شام توسعه ی متد های بصری سازی بوده که میتواند به منظور تسهیل در مدیریت دانش ‏  و پروسه های ‏پشتیبانی از تصمیم بکار گرفته شود.‏

 

 

کلمات کلیدی: 

داده کاوی

پشتیبانی از تصمیم  

کشف دانش

مدیریت دانش

بصری سازی

اپلکیشن های بهداشت ‏عمومی

 

 

 

مقدمه :

پیشگیری پزشکی و دسترسی به منابع بهداشت عمومی را میتوان فاکتور هایی مهم دانست که بر روی رفاه شهروندان و ‏کیفیت زندگی آنان نقش بسزایی دارد. همینطور این فاکتور های مهم، در برنامه ریزی استراتژیک در سطح ملی و همچنین ‏برنامه ریزی در سطح جامعه ی محلی و منطقه ای از اهمیت ویژه ای برخوردار است.

 

حجم زیادی از داده هایی که به وسیله ‏ی مؤسسات پزشکی  و مؤسسات بهداشت عمومی دولتی جمع آوری شده است میتواند به عنوان منبعی با ارزش بکار گرفته ‏شود که در زمان تصمیم گیری در خصوص اولویت هایی که باید در برنامه های بهداشت عمومی استراتژیک مد نظر قرار ‏گیرد ، اهمیت پیدا میکند.‏

 

مؤسسه ی بهداشت عمومی منطقه ای اسلوونی ‏‎(PHI)‎، که توسط مؤسسه ی ملی بهداشت عمومی ‏‎(IPH)‎‏ هماهنگ ‏گردیده است، بخش مهمی از سیستم بهداشت عمومی در اسلوونی به شمار می¬آید. عملکرد آنها شامل نظارت بر بهداشت ‏عمومی، سازمان دهی فعالیت های مرتبط با بهداشت عمومی و پیشنهاد و پیاده سازی تدابیری برای حفظ و بهبود بهداشت ‏عمومی میباشد.

 

‏PHI‏ ها به خودی خود یک شبکه ی محلی از بیمارستان ها، کلینیک ها، تخصص های پزشکی و سایر ‏منابع بهداشت عمومی را که در یک فعالیت مرتبط با بهداشت عمومی درگیر هستند جمع آوری نموده اند.داده ها در تمامی ‏سطوح جمع آوری شده و انبار داده ای ‏ ‏ در سطح ملی نیز در ‏IPH‏ ملی بدست آمده است.‏

 

 

 

فهرست مطالب :

چکیده ‎1‎

‏1.مقدمه ‎2‎

‏2.داده کاوی و پشتیبانی از تصمیم برای مدیریت دانش ‎3‎

‏3.داده های بهداشت عمومی ‎4‎

‏4.نتایج تحلیل ‎5‎

‏4.1تشخیص تشابه های مراکز بهداشت عمومی با داده کاوی ‎5‎

‏4.2 موجودیت و قابلیت دسترسی  مربوط به منابع بهداشت عمومی ‎8‎

‏4.3 پشتیبانی از تصمیم برای منابع بهداشت عمومی ‎13‎

‏4.4 پشتیبانی از تصمیم به وسیله ی بصری سازی ‏GIS ‎15‎

‏5.نتیجه گیری ‎16‎

 

 

 

 

 

پروژه کارشناسی رشته کامپیوتر با عنوان داده کاوی یا دیتا ماینینگ Data Mining

پروژه کارشناسی رشته کامپیوتر با عنوان داده کاوی یا دیتا ماینینگ Data Mining داده‌کاوی روشی است که به کشف دانش مبتنی بر شناسائی خودکار الگوها و رابطه‌ها می‌پردازد یعنی به جای آنکه مدل سازی کنیم، مدل‌های موجود را کشف نمائیم

دسته بندی	کامپیوتر و IT
فرمت فایل	doc
حجم فایل	3975 کیلو بایت
تعداد صفحات فایل	91

دانلود پایان نامه رشته کامپیوتر

داده کاوی یا دیتا ماینینگ

 

چکیده:

در دو دهه قبل توانایی های فنی بشر برای تولید و جمع آوری داده‌ها به سرعت افزایش یافته است. عواملی نظیر استفاده گسترده از بارکد برای تولیدات تجاری، به خدمت گرفتن کامپیوتر در کسبوکار، علوم، خدمات دولتی و پیشرفت در وسائل جمع آوری داده، از اسکن کردن متون و تصاویر تا سیستمهای سنجش از دور ماهوارهای، در این تغییرات نقش مهمی دارند. بطور کلی استفاده همگانی از وب و اینترنت به عنوان یک سیستم اطلاع رسانی جهانی ما را مواجه با حجم زیادی از داده و اطلاعات می‌کند.

 

 این رشد انفجاری در داده‌های ذخیره شده، نیاز مبرم وجود تکنولوژی های جدید و ابزارهای خودکاری را ایجاد کرده که به صورت هوشمند به انسان یاری رسانند تا این حجم زیاد داده را به اطلاعات و دانش تبدیل کند. داده کاوی به عنوان یک راه حل برای این مسائل مطرح می باشد. در یک تعریف غیر رسمی داده کاوی فرآیندی است، خودکار برای استخراج الگوهایی که دانش را بازنمایی میکنند، که این دانش به صورت ضمنی در پایگاه داده های عظیم، انباره داده  و دیگر مخازن بزرگ اطلاعات، ذخیره شده است. به لحاظ اینکه در چند سال اخیر مبحث داده کاوی و اکتشاف دانش موضوع بسیاری از مقالات و کنفرانسها قرار گرفته و نرم افزارهای آن در بازار به شدت مورد توجه قرار گرفته، از اینرو در مقاله سعی بر آن شده تا گذری بر آن داشته باشیم.

 

در این مقاله درفصل مروری بر دادهکاوی خواهیم داشت . که به طور عمده به تاریخچه ، تعاریف، کاربردها وارتباط آن با انبار داده و OLAP خواهیم پرداخت. در پایان فصل مراحل فرایند کشف دانش از پایگاه داده ها را ذکر کردیم که داده کاوی یکی از مراحل آن است.  در فصل 2 یکی از شیوه های داده کاوی که از سبد خرید گرفته شده  است توضیح داده شده است . در این فصل به شرح قوانین ارتباطی خواهیم پرداخت که در آن بعد از دسته بندی الگوریتمها ، الگوریتم Apriori ( که یک الگوریتم پایه در این زمینه است ) و الگوریتم FP-Growth ( یک الگوریتم جدید میباشد) را با شرح یک مثال توضیح می دهیم و در آخر آن دو را با هم مقایسه میکنیم . در فصل 3 مباحث وب کاوی و متن کاوی را که در بسیاری از مراجع جزء کاربردهای داده کاوی به حساب می¬آید شرح داده خواهد شد.

 

 

 

 

 

کلمات کلیدی:

وب کاوی

متن کاوی

داده کاوی

دیتا ماینینگ

 

 

 

فهرست مطالب

فصل1: مقدمه ای بر داده کاوی

1-1 تعریف داده کاوی

2-1 تاریخچه داده کاوی 

3-1 چه چیزی سبب پیدایش داده  کاوی شده است؟  

4-1 اجزای سیستم داده کاوی

5-1 جایگاه داده کاوی در میان علوم مختلف

6-1 قابلیتهای داده کاوی 

7-1 چرا به داده¬کاوی نیاز داریم؟

8-1 داده کاوی چه کارهایی نمی تواند انجام دهد؟

9-1 کاربردهای داده کاوی 

1-9-1 کاربردهای پیش بینی کننده 

2-9-1 کاربردهای توصیف کننده  

10-1 ابزارهای تجاری داده کاوی  

11-1 داده کاوی و انبار داده ها 

1-11-1 تعاریف انبار داده 

2-11-1 چهار خصوصیت اصلی انبار داده 

3-11-1 موارد تفاوت انبار داده و پایگاه  داده  

12-1 داده کاوی و OLAP 

1-12-1 OLAP  

2-12-1 انواع OLAP  

13-1 مراحل فرایند کشف دانش از پایگاه داده ها 

1-13-1 انبارش داده ها 

2-13-1 انتخاب داده ها  

3-13-1 پاکسازی- پیش پردازش- آماده سازی 

4-13-1 تبدیل داده ها 

5-13-1 کاوش در داده ها (Data Mining)  

6-13-1 تفسیر نتیجه  

 

فصل 2: قوانین ارتباطی  

1-2 قوانین ارتباطی  

2-2 اصول پایه 

1-2-2 شرح مشکل جدی  

2-2-2 پیمایش فضای جستجو 

3-2-2 مشخص کردن درجه حمایت مجموعه اقلام 

3-2 الگوریتمهای عمومی 

1-3-2 دسته بندی  

2-3-2 BFS و شمارش رویداد ها 

3-3-2 BFS و دونیم سازی TID-list  

4-3-2 DFS و شمارش رویداد 

5-3-2 DFS و دو نیم سازی TID-list  .

4-2 الگوریتم Apriori  

1-4-2 مفاهیم کلیدی  

2-4-2 پیاده سازی الگوریتم Apriori

3-4-2 معایب Apriori و رفع آنها 

5-2 الگوریتم رشد الگوی تکرارشونده  

1-5-2 چرا رشد الگوی تکرار سریع است؟ 

6-2 مقایسه دو الگوریتم Apriori و FP-growth  

7-2 تحلیل ارتباطات  

 

فصل 3: وب کاوی و متن کاوی 

1-3 وب کاوی

1-1-3 الگوریتمهای هیتس و لاگسام 

2-1-3 کاوش الگوهای پیمایش مسیر  

2-3 متن کاوی 

1-2-3 کاربردهای متن کاوی  

1-1-2-3 جستجو و بازیابی 

2-1-2-3 گروه¬بندی و طبقه بندی

3-1-2-3 خلاصه سازی 

4-1-2-3 روابط میان مفاهیم 

5-1-2-3 یافتن و تحلیل گرایشات  

6-1-2-3 برچسب زدن نحوی (pos) 

7-1-2-3 ایجاد Thesaurus و آنتولوژی به صورت اتوماتیک 

2-2-3 فرایند متن کاوی 

3-2-3 روشهای متن کاوی  

مراجع 

کشف قوانین پیشگویانه وقابل درک با استفاده از الگوریتم ژنتیک چند منظوره

چکیده:

ما در این مقاله یک الگوریتم تکوینی (ژنتیک) چند منظوره جهت استخراج قوانین دسته بندی پیشگویانه و قابل درک از پایگاه داده های وسیع را ارائه خواهیم کرد و همچنین دقت پیشگویانه و قابلیت درک قوانین ، با یکدیگر در تضاد هستند. لذا این موضوع تبدل به یک مساله بهینه سازی می شود که حل کردن آن به شکل شایسته ، کاری دشوار می باشد . بنابراین یک الگوریتم پویای چند منظوره بنام الگوریتم ژنتیک جاسازی شده ی پیشرفته ی پارتو  (INPGA) جهت این منظور ارائه کردیم.

متن کاوی و ارزیابی مهمترین متد های متن کاوی

چکیده

    رشد فزاینده پایگاه داده ها در تقریبا هر ناحیه از فعالیت انسان باعث شده است که نیاز برای ابزارهای قدرتمند جدید برای تغییر دادن داده به دانش مفید افزایش یابد. برای برآوردن این نیاز محققان در ناحیه های مختلف مانند یادگیری ماشین ، شناسایی الگو، آنالیز داده آماری، بصری سازی داده ، شبکه های عصبی، اقتصاد سنجی، بازیابی اطلاعات، استخراج اطلاعات و..... روش ها و ایده هایی را کاوش کرده اند. ذات غیرساخت یافته ی این متون، اعمال همان روشهایی را که ما در مورد پایگاه داده های غیرمتنی بکار می بریم،

پروژه کارشناسی رشته کامپیوتر با عنوان داده کاوی یا دیتا ماینینگ Data Mining

چکیده:

در دو دهه قبل توانایی های فنی بشر برای تولید و جمع آوری داده‌ها به سرعت افزایش یافته است. عواملی نظیر استفاده گسترده از بارکد برای تولیدات تجاری، به خدمت گرفتن کامپیوتر در کسبوکار، علوم، خدمات دولتی و پیشرفت در وسائل جمع آوری داده، از اسکن کردن متون و تصاویر تا سیستمهای سنجش از دور ماهوارهای، در این تغییرات نقش مهمی دارند. بطور کلی استفاده همگانی از وب و اینترنت به عنوان یک سیستم اطلاع رسانی جهانی ما را مواجه با حجم زیادی از داده و اطلاعات می‌کند.

پاورپوینت استفاده از روشهای داده کاوی در تشخیص نفوذ به شبکه های کامپیوتری

نفوذ ( حمله ) :

نفوذ به عملیاتی اطلاق می‌شود که تلاش می کند برای دسترسی غیر مجاز به شبکه یا سیستم های کامپیوتری از مکانیسم امنیتی سیستم عبور کند. این عملیات توسط نفوذ کننده گان خارجی  و داخلی انجام میشود.