پروژه انواع تکنیک های داده کاوی

پروژه انواع تکنیک های داده کاوی

فرمت فایل دانلودی: .docx
فرمت فایل اصلی: docx
تعداد صفحات: 63
حجم فایل: 1251
قیمت: : 7000 تومان

بخشی از متن:
چکیده:
امروزه به دلیل وجود ابزارهای مختلف برای جمع آوری داده ها و پیشرفت قابل قبول تکنولوژی پایگاه داده حجم انبوهی از اطلاعات در انبار داده  های مختلف ذخیره شده است. این رشد انفجاری داده ها، احتیاج به یک سری تکنیک ها و ابزارهای جدید که توانایی پردازش هوشمندانه اطلاعات را دارا باشند، نمایان می سازد. با استفاده ار پرسش های ساده در SQL و ابزارهای گوناگون گزارش گیری معمولی، می توان اطلاعاتی را در اختیار کاربران قرار داد تا بتوانند به نتیجه گیری در مورد داده ها و روابط منطقی میان آنها بپردازند اما وقتی که حجم داده ها بالا باشد، کاربران هر چقدر حرفه ای و با تجربه باشند نمی توانند الگوهای مفید را در میان حجم انبوه داده ها تشخیص دهند و یا اگر قادر به این کار هم باشند، هزینه عملیات از نظر نیروی انسانی و مالی بسیار بالا است.
در حال حاضر داده کاوی  در پایگاه داده های بزرگ، توسط بسیاری از محققان به عنوان یک موضوع تحقیقاتی مهم به شمار می آید. محققان در بسیاری از رشته ها نظیر پایگاه داده ها، یادگیری ماشین و آمار این موضوع را پیگیری کرده و تکنیک های مختلفی را در این زمینه ارائه دادند. داده کاوی یکی از مهمترین روشهایی است که به وسیله آن الگوهای مفید در داده ها با حداقل دخالت کاربران شناخته می شوند و اطلاعاتی را در اختیار کاربران و تحلیل گران قرار می دهند تا براساس آنها تصمیمات مهم و حیاتی در سازمان ها اتخاذ شوند. در داده کاوی از بخشـی به نام تحلیل اکتشــافی داده ها استفاده می شود که در آن بر کشف اطلاعات نهفته و ناشناخته از درون حجم انبوه داده ها تاکید می شود بنابراین می توان گفت در داده کاوی تئوری های پایگاه داده ها، هوش مصنوعی، یادگیری ماشین وعلم آمار را در هم می آمیزند تا زمینه کاربردی فراهم شود. مراحل مختلف استخراج دانش  در پایگاه داده ها:
- درک دامنه مسئله
- استخراج یک مجموعه داده
- آماده سازی و پاک سازی
- یکپارچه سازی داده ها
- کاهش و تغییر شکل داده ها
- انتخاب نوع کاوش داده ها
- انتخاب الگوریتم کاوش داده ها
- استفاده از دانش کشف شده

فهرست مطالب:
چکیده
1. مقدمه
1-1. تاریخچه
2. داده­ کاوی
2-1. مفاهیم اساسی در داده­ کاوی
2-2. جایگاه داده­کاوی
2-3. بعضی از کابردهای داده­ کاوی
3. مراحل داده ­کاوی
3-1. مرحله اول شناخت کسب و کار
3-2. مرحله دوم شناخت اطلاعات
3-2-1. جمع آوری داده ­های اولیه و اصلی
3-2-2. شرح وتوصیف داده ها
3-2-3. کاوش داده ­ها
3-2-4. تحقیق در مورد کیفیت داده ­ها
3-3. مرحله سوم آماده سازی داده ­ها
3-3-1. انتخاب داده ­ها
3-3-2. تمیز کردن داده ­ها
3-3-3. تبدیل داده­ ها
3-3-4. تلفیق داده­ ها
3-4. مرحله چهارم مدلسازی
3-4-1. استقرار مدل­ ها
3-5. مرحله پنجم ارزیابی
3-5-1. ارزیابی مدل­ های توصیفی
3-5-2. ارزیابی مدل­ های جهتدار
3-5-3. ارزیابی طبقه­ بندها و پیشگوها
3-5-4. ارزیابی تخمین­گرها
3-6. مرحله ششم پیاده سازی
3-6-1. گسترش برنامه
3-6-2. نگهداری و قوت برنامه
3-6-3. تولیدگزارش نهایی
3-6-4. تجدید نظر و نشریه کردن پروژه
4. استراتژی­های داده­کاوی
4-1. یادگیری با نظارت یا یادگیری تحت نظارت
4-2. یادگیری بدون نظارت
5. تکنیک­های داده­ک اوی
5-1. طبقه­ بندی
5-2. خوشه­ بندی
5-2-1. نقطه تمایز خوشه ­بندی از دسته­ بندی
5-3. رگرسیون گیری
5-3-1. رگرسیون منطقی
5-4. تجمع وهمبستگی
5-5. درخت تصمیم­ گیری
5-5-1. اهداف اصلی درخت­های تصمیم گیری دسته­ بندی کننده
5-5-2. گام­های لازم برای طراحی یک درخت تصمیم گیری
5-5-3. جذابیت درختان تصمیم
5-5-4. بازنمایی درخت تصمیم
5-5-5. مسائل عملی در یادگیری درختان تصمیم
5-5-6. اورفیتینگ داده­ ها
5-5-7. انواع روشهای هرس کردن
5-5-8. مزایا و معایب درختان تصمیم
5-6. الگوریتم ژنتیک
5-6-1. مزایا و معایب الگوریتم­ های ژنتیک
5-7. شبکه­ های عصبی
5-7-1. شبکه عصبی با یک لایه نهان
5-7-2. مزایا و معایب شبکه­های عصبی
5-7-3. کاربردها
5-7-4.معماری شبکه­ عصبی مصنوعی
6. گام نهایی فرایند داده ­کاوی
7. تکنولوژی­ های مرتبط با داده­ کاوی
7-1. انبارداده
7-1-1. مشخصات ساختاری انبارداده
7-2. OLAP
8. وظایف داده­ کاوی
8-1. دسته­ بندی
8-2. خوشه­ بندی
8-3. تخمین
8-4. وابستگی
8-5. رگرسیون
8-6. پیش­گویی
8-7. تحلیل توالی
8-8. تحلیل انحراف
8-9. نمایه سازی
9. محدودیت­های داده­ کاوی
10. نرم افزارهای داده ­کاوی
10-1. نرم افزار وکا
10-1-1. قابلیت­های وکا
10-2. نرم افزار JMP
10-2-1. قابلیت­های JMP
11. نتیجه گیری
12. منابع