پروژه داده کاوی و کشف قوانین وابستگی
دانلود پروژه در مورد داده کاوی و کشف قوانین وابستگی،
در قالب word و در 64 صفحه، قابل ویرایش، شامل:
چکیده
مقدمه
کشف دانش در پایگاه داده
آیا داده کاوی برای حل مسائل ما مناسب است؟
جمع آوری داده ها
به کارگیری نتایج
استراتژی های داده کاوی
پیش گویی Perdiction
Unsupervised Clustering دسته بندی بدون کنترل
تکنیک های داده کاوی تحت کنترل
شبکه عصبی
برگشت آماری
قوانین وابستگی
الگوریتم Apriori
الگوریتم Aprior TID
الگوریتم partition
الگوریتم های MaxEclat, Eclat
الگوریتم با ساختار trie
الگوریتم fp-grow
ساخت fp- tree
Fp-tree شرطی
الگوریتم برداری
نگهداری قوانین وابستگی
الگوریتم کاهشی
چکیده تحقیق:
با افزایش سیستم های کامپیوتر و گسترش تکنولوژی اطلاعات، بحث اصلی در علم کامپیوتر از چگونگی جمع آوری اطلاعات به نحوه استفاده از اطلاعات منتقل شده است. سیستم های 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 مهم ترین مسائل هوش مصنوعی و پایگاه داده، محققان بسیاری را به خود جذب کرده است. در این تحقیق ابتدا نگاه کلی بر داده کاوی، استراتژی های 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.
تعداد مشاهده: 646 مشاهده
فرمت فایل دانلودی:.zip
فرمت فایل اصلی: doc
تعداد صفحات: 64
حجم فایل:277 کیلوبایت
-
محتوای فایل دانلودی:
در قالب word و در 64 صفحه، قابل ویرایش.
تحقیق داده کاوی و اکتشاف دانش
دانلود پایان نامه با موضوع داده کاوی و اکتشاف دانش،
در قالب word و در 94 صفحه، قابل ویرایش، شامل:
فصل اول: مقدمه ای بر داده کاوی
1-1 مقدمه
1-2 داده کاوی چیست ؟
1- 3 مفاهیم پایه در داده کاوی
1- 4 تعریف داده کاوی
1- 5 تاریخچه داده کاوی
1- 6 برخی از کاربردهای داده کاوی در محیطهای واقعی عبارتند از :
1- 6- 1 خرده فروشی
1- 6- 2 بانکداری
1- 6- 3 بیمه
1- 6- 4 پزشکی
1- 7 مراحل فرایند کشف دانش از پایگاه داده ها
1- 8 عملیاتهای داده کاوی
1- 9 الگوریتمهای داده کاوی
1- 10 مدل فرآیند دو سویه
1- 11 ساختن یک پایگاه داده داده کاوی
1-12 نتیجه گیری
فصل دوم: داده کاوی درمدیریت ارتباط بامشتری
2- 1 چکیده
2- 2 مقدمه
2- 3 داده کاوی
2- 4 مدیریت ارتباط با مشتری
2- 5 چرخه زندگی مشتری
2- 6 نتیجه گیری
فصل سوم: کاربردهای داده کاوی در کتابخانه ها و موسسات دانشگاهی
3- 1 چکیده
3- 2 مقدمه
3- 3 پیشرفت در تکنولوژیهای داده پردازی
3- 4 عناصر داده کاوی
3- 5 فنون داده کاوی
3- 6 کاربردهای داده کاوی در کتابخانه ها و محیط های دانشگاهی
3- 7 مدیریت و خدمات کتابخانه
3- 8 مدیریت موسسات دانشگاهی
3- 9 تذکرات نهایی
فصل چهارم: کسب و کار هوشمند و داده کاوی
4- 1 مقدمه
4- 2 تکامل تاثیر گذاری داده ها
4- 3 از داده ها تا تصمیم گیریها
4- 4 مفهوم ذخیره داده ها
4- 5 تعریفی برای داده کاوی
4- 6 کاربردها و عملیات داده کاوی
4- 7 لزوم داده کاوی
4- 8 داده کاوی در مقابل پرس و جو ها در پایگاه های داده سنتی
4- 9 الگوریتم های انجمنی
4- 10 تکنیکهای مرتبط با داده کاوی
4- 11 ابزارهای داده کاوی
4- 12 درخت های تصمیم گیری
4- 13 داده کاوی - یک مدل و نمونه خلاصه
4- 14 نرم افزار Low end
4- 15 فرآیند داده کاوی
4- 16 نرمال سازی
4- 17 یادگیری داده ها
4- 18 درخت های تصمیم گیری و قواعد تصمیم گیری
4- 19 نتیجه گیری
فصل پنجم: تفاوت داده کاوی و آنالیز های آماری
5- 1 مقدمه
5- 2 روش آنالیز آماری
5- 3 روش داده کاوی
5- 4 فواید و نقش داده کاوی در فعالیت شرکتها
5- 5 مراحل اصلی داده کاوی
فصل ششم: داده کاوی توزیع شده
6- 1 مقدمه
6- 2 دلایل پیدایش داده کاوی توزیع شده
6- 3 تکنیکها و رویکردها در داده کاوی توزیع شده
6- 4 عاملها و داده کاوی توزیع شده
6- 5 داده کاوی و حریم خصوصی
6- 6 کاربردهای داده کاوی
6- 7 تکنیکهای داده کاوی
6- 8 قوانین انجمنی
6- 9 تشخیص قوانین انجمنی به کمک الگوریتم apriori
6- 10 فرآیند استخراج قوانین وابستگی
Apriori Based DDM Algorithms 11- 6
Count Distribution 12- 6
Data Distribution 13- 6
فصل هفتم: نرم افزار داده کاوی Weka
7-1 مقدمه
7-2 روش استفاده از Weka
3-7 قابلیتهای Weka
4-7دریافت Weka
5-7 مروری بر Explorer
فصل هشتم : نتیجه گیری و ارائه پیشنهادات
منابع
چکیده پایان نامه:
داده کاوی پل ارتباطی میان علم آمار، علم کامپیوتر، هوش مصنوعی، الگوشناسی، فراگیری ماشین و بازنمایی بصری 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، بلکه 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.
یکی از نمونه های بارز داده کاوی را می توان در فروشگاه های زنجیره ای مشاهده نمود، که در آن سعی می شود ارتباط محصولات مختلف هنگام خرید مشتریان مشخص گردد. فروشگاه های زنجیره ای مشتاقند بدانند که چه محصولاتی با یکدیگر به فروش می روند.
به روشنی این مطلب قابل درک است که این نوع استفاده از داده کاوی می تواند فروشگاه ها را در برگزاری هوشمندانه فستیوال های فروش و نحوه ارائه اجناس به مشتریان یاری رساند.
نمونه دیگر استفاده از داده کاوی در زمینه فروش را می توان در یک شرکت بزرگ دوبلاژ و تکثیر و عرضه فیلم های سینمایی در آمریکای شمالی مشاهده نمود که در آن عملیات داده کاوی ، روابط مشتریان و هنرپیشه های سینمایی و نیز گروه های مختلف مشتریان بر اساس سبک فیلم ها (ترسناک، رمانتیک، حادثه ای و ...) مشخص گردید.
از دیگر زمینه های به کارگیری داده کاوی، استفاده بیمارستانها و کارخانه های داروسازی جهت کشف الگوها و مدلهای ناشناخته تاثیر دارو ها بر بیماری های مختلف و نیز بیماران گروه های سنی مختلف را می توان نام برد.
استفاده از داده کاوی در زمینه های مالی و بانکداری به شناخت مشتریان پر خطر و سودجو بر اساس معیارهایی از جمله سن، درآمد، وضعیت سکونت، تحصیلات، شغل و غیره می انجامد.
تعداد مشاهده: 305 مشاهده
فرمت فایل دانلودی:.zip
فرمت فایل اصلی: doc
تعداد صفحات: 92
حجم فایل:678 کیلوبایت
تحقیق داده کاوی، مفاهیم و کاربرد
دانلود تحقیق در مورد داده کاوی، مفاهیم و کاربرد،
در قالب doc و در 101 صفحه، قابل ویرایش، شامل:
چکیده
مقدمه
فصل اول: مفاهیم داده کاوی
مدیریت ذخیره سازی و دست یابی اطلاعات
ساختار بانک اطلاعاتی سازمان
داده کاوی (Data Mining)
مفاهیم پایه در داده کاوی
تعریف داده کاوی
مراحل فرآیند کشف دانش از پایگاه داده ها
الگوریتم های داده کاوی
آماده سازی داده برای مدل سازی
درک قلمرو
ابزارهای تجاری داده کاوی (Tools DM Commercial)
منابع اطلاعاتی مورد استفاده
محدودیت های داده کاوی
حفاظت از حریم شخصی در سیستم های داده کاوی
فصل دوم : کاربردهای داده کاوی
کاربرد داده کاوی در کسب و کار هوشمند بانک
داده کاوی درمدیریت ارتباط با مشتری
کاربردهای داده کاوی در کتابخانه ها و محیط های دانشگاهی
داده کاوی و مدیریت موسسات دانشگاهی
داده کاوی و مدیریت بهینه وب سایت ها
داده کاوی و مدیریت دانش
کاربرد داده‌کاوی در آموزش عالی
فصل سوم: بررسی موردی1: وب کاوی
معماری وب کاوی
مشکلات و محدودیت های وب کاوی در سایت های فارسی زبان
محتوا کاوی وب
فصل چهارم: بررسی موردی2: داده کاوی در شهر الکترونیک
زمینه داده کاوی در شهر الکترونیک
کاربردهای داده کاوی در شهر الکترونیک
چالش های داده کاوی در شهر الکترونیک
مراجع و مأخذ
چکیده تحقیق:
امروزه با گسترش سیستم های پایگاهی و حجم بالای داده های ذخیره شده در این سیستم ها، نیاز به ابزاری است تا بتوان داده های ذخیره شده را پردازش کرد و اطلاعات حاصل از این پردازش را در اختیار کاربران قرار داد.
با استفاده از 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 آن ها بپردازند. اما وقتی که حجم داده ها بالا باشد، کاربران هر چند زبر دست و با تجربه باشند نمی توانند الگوهای مفید را در میان حجم انبوه داده ها تشخیص دهند و یا اگر قادر به این کار هم با شند، هزینه عملیات از نظر نیروی انسانی و مادی بسیار بالا است.
از سوی دیگر کاربران معمولا فرضیه ای را مطرح می کنند و سپس بر اساس گزارشات مشاهده شده به اثبات یا رد فرضیه می پردازند، در حالی که امروزه نیاز به روشهایی است که اصطلاحا به کشف دانش بپردازند، یعنی با کمترین دخالت کاربر و به صورت خودکار الگوها و رابطه های منطقی را بیان نمایند.
داده کاوی یکی از مهم ترین این روش ها است که به وسیله آن الگوهای مفید در داده ها با حداقل دخالت کاربران شناخته می شوند و اطلاعاتی را در اختیار کاربران و تحلیل گران قرار می دهند تا براساس آن ها تصمیمات مهم و حیاتی در سازمان ها اتخاذ شوند.
در داده کاوی از بخشی از علم آمار به نام تحلیل اکتشافی داده ها استفاده می شود که در آن بر کشف اطلاعات نهفته و ناشناخته از درون حجم انبوه داده ها تأکید می شود. علاوه بر این داده کاوی با هوش مصنوعی و یادگیری ماشین نیز ارتباط تنگاتنگی دارد، بنابراین می توان گفت در داده کاوی تئوری های پایگاه داده ها، هوش مصنوعی ، یادگیری ماشین و علم آمار را در هم می آمیزند تا زمینه کاربردی فراهم شود .
باید توجه داشت که اصطلاح داده کاوی زمانی به کار برده می شود که با حجم بزرگی از داده ها، در حد مگا یا ترابایت، مواجه باشیم. در تمامی منابع داده کاوی بر این مطلب تأکید شده است.
هر چه حجم داده ها بیشتر و روابط میان آن ها 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 ، روشن تر می گردد.
تعداد مشاهده: 555 مشاهده
فرمت فایل دانلودی:.zip
فرمت فایل اصلی: doc
تعداد صفحات: 101
حجم فایل:837 کیلوبایت
-
محتوای فایل دانلودی:
در قالب doc و در 101 صفحه، قابل ویرایش.
پاورپوینت داده کاوی با اتوماتای یادگیر
دانلود پاورپوینت با موضوع داده کاوی با اتوماتای یادگیر،
در قالب ppt و در 53 اسلاید، قابل ویرایش، شامل:
چکیده مقاله
داده کاوی
اتوماتای یادگیر
داده کاوی با استفاده از اتوماتای یادگیر
نتایج آزمایشات
منابع و مأخذ
بخشی از متن پاورپوینت:
داده کاوی به استخراج دانش از داده ها اشاره دارد و هسته اصلی آن در فصل مشترک یادگیری ماشین، آمار و پایگاه داده است. یک اتوماتای یادگیر را می‌توان به صورت یک شئ مجرد که دارای تعداد متناهی عمل است، در نظر گرفت. اتوماتای یادگیر با انتخاب یک عمل از مجموعه عمل های خود و اِعمال آن بر محیط، عمل می‌کند. عمل مذکور توسط یک محیط تصادفی ارزیابی می‌شود و اتوماتا از پاسخ محیط برای انتخاب عمل بعدی خود استفاده می‌کند.
در این مقاله یک کاوش کننده بر پایه اتوماتای یادگیر پیشنهاد شده است که LA-miner نام گذاری شده است...
تعداد مشاهده: 867 مشاهده
فرمت فایل دانلودی:.zip
فرمت فایل اصلی: PPT
تعداد صفحات: 53
حجم فایل:1,616 کیلوبایت
-
راهنمای استفاده:
-
محتوای فایل دانلودی:
در قالب ppt و در 53 اسلاید، قابل ویرایش.
تحقیق مقدمه ای بر داده کاوی
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 [1].
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 [2].
واژه های «داده کاوی» و «کشف دانش در پایگاه داده» اغلب به صورت مترادف یکدیگر مورد استفاده قرار می گیرند. کشف دانش به عنوان یک فرآیند در شکل1-1 نشان داده شده است.
کشف دانش در پایگاه داده فرایند شناسایی درست، ساده، مفید، و نهایتا الگوها و مدلهای قابل فهم در داده ها می باشد. داده کاوی، مرحله ای از فرایند کشف دانش می باشد و شامل الگوریتمهای مخصوص داده کاوی است، بطوریکه، تحت محدودیتهای مؤثر محاسباتی قابل قبول، الگوها و یا مدلها را در داده کشف می کند [1]. به بیان ساده تر، داده کاوی به فرایند استخراج دانش ناشناخته، درست، و بالقوه مفید از داده اطلاق می شود. تعریف دیگر اینست که، داده کاوی گونه ای از تکنیکها برای شناسایی اطلاعات و یا دانش تصمیم گیری از قطعات داده می باشد، به نحوی که با استخراج آنها، در حوزه های تصمیم گیری، پیش بینی، پیشگویی، و تخمین مورد استفاده قرار گیرند. داده ها اغلب حجیم ، اما بدون ارزش می باشند، داده به تنهایی قابل استفاده نیست، بلکه دانش نهفته در داده ها قابل استفاده می باشد. به این دلیل اغلب به داده کاوی، تحلیل داده ای ثانویه گفته می شود.
1-1 چه چیزی سبب پیدایش داده کاوی شده است؟
اصلی ترین دلیلی که باعث شد داده کاوی کانون توجهات در صنعت اطلاعات قرار بگیرد، مساله در دسترس بودن حجم وسیعی از داده ها و نیاز شدید به اینکه از این داده ها اطلاعات و دانش سودمند استخراج کنیم. اطلاعات و دانش بدست آمده در کاربردهای وسیعی از مدیریت کسب و کار وکنترل تولید و تحلیل بازار تا طراحی مهندسی و تحقیقات علمی مورد استفاده قرار می گیرد.
داده کاوی را می توان حاصل سیر تکاملی طبیعی تکنولوژی اطلاعات دانست، که این سیر تکاملی ناشی از یک سیر تکاملی در صنعت پایگاه داده می باشد، نظیر عملیات: جمع آوری داده ها وایجاد پایگاه داده، مدیریت داده و تحلیل و فهم داده ها. در شکل1-2 این روند تکاملی در پایگاه های داده نشان داده شده است ]3[.
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
تعداد مشاهده: 505 مشاهده
فرمت فایل دانلودی:.rar
فرمت فایل اصلی: doc
تعداد صفحات: 31
حجم فایل:235 کیلوبایت
-
محتوای فایل دانلودی:
حاوی فایل ورد قابل ویرایش