داده کاوی،مدل سازی داده ها و مراحل فرایند کشف دانش از پایگاه داده ها

          س 
            بازدید : 230
          شنبه 06 آذر 1395
           نظرات (0)
        

داده کاوی،مدل سازی داده ها و مراحل فرایند کشف دانش از پایگاه داده ها

دانلود مقاله داده کاوی،مدل سازی داده ها و مراحل فرایند کشف دانش از پایگاه داده ها

دسته بندی	هوش مصنوعی
فرمت فایل	doc
حجم فایل	257 کیلو بایت
تعداد صفحات فایل	35

دانلود مقاله کارشناسی ارشد رشته هوش مصنوعی

داده کاوی،مدل سازی داده ها و مراحل فرایند کشف دانش از پایگاه داده ها

*ضمیمه کردن پاورپوینت در قالب 30 اسلاید و بصورت رایگان:)

مقدمه

امروزه با گسترش سیستم های پایگاهی و حجم بالای داده ها ی ذخیره شده در این سیستم ها ، نیاز به ابزاری است تا بتوان داده های ذخیره شده پردازش کرد و اطلاعات حاصل از این پردازش را در اختیار کاربران قرار داد . 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 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 مهمترین این روشها 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 سازمانها 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 تاکید می شود .

علاوه بر این داده کاوی با هوش مصنوعی و یادگیری ماشین نیز ارتباط تنگاتنگی دارد ، بنابراین می توان گفت در داده کاوی تئوریهای 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 تاکید شده است .هر چه حجم داده ها بیشتر و روابط میان آنها پیچیده تر باشد دسترسی به اطلاعات نهفته در میان داده ها مشکلتر می شود و نقش داده کاوی به عنوان یکی از روشهای کشف دانش ، روشن تر می گردد .

کلمات کلیدی:

داده کاوی

اکتشاف دانش

مدل سازی داده ها

فرایند کشف دانش از پایگاه داده ها

فهرست مطالب

مقدمه ای بر داده کاوی و اکتشاف دانش1

مقدمه3

مفاهیم پایه در داده کاوی4

تعریف داده کاوی4

تاریخچه داده کاوی5

مراحل فرایند کشف دانش از پایگاه داده ها7

مدلسازی پیشگویی کننده10

تقطیع پایگاه داده ها11

تحلیل پیوند12

قابلیتهای DataMining:14

Geographic16

Data Mining16

Data16

Analysis16

داده كاوی و OLAP:16

داده كاوی , آمار و یادگیری ماشین16

كاربردهای داده كاوی17

داده كاوی موفق:18

تحلیل ارتباطات:18

سلسله مراتبی از انتخاب ها21

- هدف كار22

طبقه بندی23

حدس بازگشتی24

سری های زمانی24

مدلها و الگوریتمهای داده كاوی24

شبكه های عصبی25

یك شبكه عصبی با یك لایه پنهان26

درخت های انتخاب26

استنتاج قانون27

الگوریتمهای ژنتیك27

فرآیند داده كاوی28

مدلهای فرآیند28

مدل فرآیند دو سویه28

ساختن یك پایگاه داده داده كاوی29

آماده سازی داده برای مدل سازی31

ساختن مدل داده كاوی31

تائید اعتبارساده32

ارزیابی و تفسیر32

تایید اعتبار مدل32

ماتریسهای پیچیدگی32

ایجاد معماری مدل و نتایج33

منابع و مراجع:34

زبانهای نمایشی و معرفی مدلهای آن

          س 
            بازدید : 93
          شنبه 06 آذر 1395
           نظرات (0)
        

زبانهای نمایشی و معرفی مدلهای آن

وقتی میخواهیم یک کاری توسط کامپیوتری حل شود، اولین سوالی که مطرح میشود اینست که چگونه مسئله را باید به ترمهای محاسباتی نشان بدهیم در یادگیری ماشین این بدان معناست که چگونه مفاهیم، مثالهای آموزشی و دانش اولیه را نمایش دهیم

دسته بندی	هوش مصنوعی
فرمت فایل	doc
حجم فایل	249 کیلو بایت
تعداد صفحات فایل	52

دانلود مقاله کارشناسی ارشد رشته هوش مصنوعی

زبانهای نمایشی و معرفی مدلهای آن

مقدمه:

وقتی میخواهیم یک کاری توسط کامپیوتری حل شود، اولین سوالی که مطرح میشود اینست که چگونه مسئله را باید به ترمهای محاسباتی نشان بدهیم . در یادگیری ماشین این بدان معناست که چگونه مفاهیم، مثالهای آموزشی و دانش اولیه را نمایش دهیم . برای تشریح مفاهیم و نمونه ها از زبانهای نمایشی (Representational Languages) استفاده میکنیم . از نظر قدرت بیان و پیچیدگی میتوان زبانها را طبقه بندی کرد و در یک ترتیب صعودی داریم : Zero-order Logic ، Attribute-value Logic ، Horn Clauses و Second-order Logic . در ادامه به معرفی کوتاهی از این چهار مدل زبان تشریحی میپردازم ولی اساس کار در این مقاله استفاده از Attribute-value Logic میباشد .

کلمات کلیدی:

یادگیری ماشین

زبانهای نمایشی

مدلهای زبانهای نمایشی

چگونگی افزایش کیفیت سیستم های فن آوری اطلاعات در آموزش الکترونیکی

          س 
            بازدید : 137
          جمعه 05 آذر 1395
           نظرات (0)
        

چگونگی افزایش کیفیت سیستم های فن آوری اطلاعات در آموزش الکترونیکی

هدف از این تحقیق بررسی چگونگی افزایش کیفیت سیستم های فن آوری اطلاعات در آموزش الکترونیکی با استفاده از داده کاوی در مدارس شهرستان سردشت بود

دسته بندی	مدیریت
فرمت فایل	doc
حجم فایل	91 کیلو بایت
تعداد صفحات فایل	16

دانلود مقاله ترجمه شده رشته مدیریت

بررسی چگونگی افزایش کیفیت سیستم های فن آوری اطلاعات در آموزش الکترونیکی با استفاده از داده کاوی در مدارس شهرستان سردشت

عنوان انگلیسی:

Discussing how to improve the quality of information technology systems in electronic learning through data mining in schools of Sardasht

*قابل استفاده برای رشته های كامپیوتر و مهندسی فناوری اطلاعات

چکیده
هدف از این تحقیق بررسی چگونگی افزایش کیفیت سیستم های فن آوری اطلاعات در آموزش الکترونیکی با استفاده از داده کاوی در مدارس شهرستان سردشت بود. روش این پژوهش توصیفی- همبستگی بود. جامعه آماری، معلمان درس کامپیوتر در مدارس شهرستان سردشت بودند که تعداد آنها 300 نفر بود. نمونه آماری با استفاده از فرمول کوکران 169 نفر به دست آمد. برای جمع آوری اطلاعات مربوط پرسشنامه محقق ساخته استفاده گردید. برای روایی پرسشنامه ها از نظرات استاد راهنما و اساتید رشته مدیریت استفاده شد. برای پایایی پرسشنامه ها از آلفای کرونباخ استفاده شد. به منظور تحلیل داده ها از آزمون همبستگی پیرسون و رگرسیون خطی استفاده شد. نتایج نشان داد که داده کاوی و فنون داده کاوی (شبکه های عصبی، درخت تصمیم، استنتاج قوانین، خلاصه سازی، خوشه بندی، تشخیص ناهمگونی) بر روی کیفیت سیستم فناوری اطلاعات و آموزش الکترونیکی در مدارس شهرستان سردشت تاثیر مثبت دارد.

واژگان کلیدی:

داده کاوی
درخت تصمیم
خوشه بندی
یادگیری الکترونیکی

مقدمه
توسعه نظام آموزشی در عصر فناوری اطلاعات و ارتباطات، یکی از چالش های اصلی سیاست گذاران آموزشی است. بازنگری فرایند نظام آموزشی به سبب تاثیر شگرف فناوری اطلاعات و نفوذ روزافزون آن در ارکان متفاوت نظام آموزشی مهم ترین اموری است که باید بدان پرداخت تا منظومه ای هماهنگ برای حضور پویا در عرصه اطلاعات پی ریزی و قوام و دوام آن تضمین شود (زارعی زوارکی، 1383). یادگیری الکترونیکی روشی برای ارائه یادگیری انعطاف پذیرتر و ایجاد فرصت بیشتر برای فراگیران، تسهیل پیگیری پیشرفت یادگیرندگان و فعالیت های آنان و همچنین فراهم آوردن فرصتی برای ایجاد محیطهای یادگیری جدید اثربخش محسوب می شود (خلیفه و رضوی، 1391). نتایج تحقیق فلاح و دیگران (1391) نشان داد نشان داد که آموزش الکترونیکی تأثیر بیشتری در رشد شناختی، روانی، اجتماعی و اخلاقی دانش آموزانی که به این روش آموزش دیده اند، در مقایسه با دانش آموزانی که این روش آموزش را دریافت نکردند، داشته است. نتایج تحقیق اونگ و همکاران (2010) نشان داد که نگرش دانش‌آموزان نسبت به دانش در مدارس عادی و هوشمند با یکدیگر تفاوت معناداری دارد.

فهرست مطالب
چكیده
مقدمه
روش تحقیق
جدول (1) پایایی پرسشنامه ها
یافته ها
یافته های توصیفی
نرمال بودن توزیع داده ها
جدول (2) نتایج آزمون کولموگروف-اسمیرنف برای نرمال بودن داده ها
فرضیه ی اصلی
جدول (3) نتایج آزمون همبستگی پیرسون برای فرضیه اصلی
جدول (6) نتایج مدل رگرسیونی برای فرضیه اصلی
فرضیه ی فرعی اول
جدول (7) نتایج آزمون همبستگی پیرسون برای فرضیه فرعی اول
جدول (8) نتایج مدل رگرسیونی برای فرضیه فرعی اول
فرضیه ی دوم فرعی
جدول (9) نتایج آزمون همبستگی پیرسون برای فرضیه فرعی دوم
جدول (10) نتایج مدل رگرسیونی برای فرضیه فرعی دوم
فرضیه ی سوم فرعی
جدول (11) نتایج آزمون همبستگی پیرسون برای فرضیه فرعی سوم
جدول (12) نتایج مدل رگرسیونی برای فرضیه فرعی سوم
فرضیه ی چهارم فرعی
جدول (13) نتایج آزمون همبستگی پیرسون برای فرضیه فرعی چهارم
جدول (14) نتایج مدل رگرسیونی برای فرضیه فرعی چهارم
فرضیه ی پنجم فرعی
جدول (15) نتایج آزمون همبستگی پیرسون برای فرضیه فرعی پنجم
جدول (16) نتایج مدل رگرسیونی برای فرضیه فرعی پنجم
فرضیه ی ششم فرعی
جدول (17) نتایج آزمون همبستگی پیرسون برای فرضیه فرعی ششم
جدول (4-20) نتایج مدل رگرسیونی برای فرضیه فرعی ششم
بحث و نتیجه گیری

تاثیر نویز بر داده کاوی

          س 
            بازدید : 756
          پنجشنبه 04 آذر 1395
           نظرات (0)
        

تاثیر نویز بر داده کاوی

در این تحقیق ایده ای برای داده کاوی در مورد پایگاه های داده نویزی که ممکن است توسط سیستم های آموزش ماشین ساخته شده باشد توضیح داده می شود همچنین روشهایی برای تخمین توزیع احتمال پیوسته بدون نویز در حالتی که نویز مشاهده می شود

دسته بندی	هوش مصنوعی
فرمت فایل	doc
حجم فایل	260 کیلو بایت
تعداد صفحات فایل	33

دانلود مقاله کارشناسی ارشد رشته هوش مصنوعی

تاثیر نویز بر داده کاوی

چکیده

در این تحقیق ایده ای برای داده کاوی در مورد پایگاه های داده نویزی که ممکن است توسط سیستم های آموزش ماشین ساخته شده باشد توضیح داده می شود. همچنین روشهایی برای تخمین توزیع احتمال پیوسته بدون نویز در حالتی که نویز مشاهده می شود. و همچنین احتمال شرطی ، که می تواند با استفاده از نمونه های آماری و آنالیز خطا تخمین زده شود بررسی می شود و همچنین آزمایشات مختلفی برای تست این ایده ها ارائه شده است توضیح داده می شود.

در قسمت بعد الگوریتمهایی برای آموزش نویزی از جمله الگوریتم PAC ارائه می گردد و در مورد توسعه آن نیز بحث می شود که تحت دو الگوریتم یادگیری ضعیف و قوی که قابل تعمیم به یکدیگر هستند مورد بررسی قرار می گیرد.در نهایت کاربردی از داده کاوی در محیط نویزی از جمله روشهایی داده کاوی در محیطهای نویزی برای از بین بردن نویز در صفحات وب بحث می گردد.

کلمات کلیدی:

داده کاوی

الگوریتم PAC

نویز در داده کاوی

پایگاه های داده نویزی

مقدمه

روشهای قدیمی داده کاوی شامل گستره وسیعی از ابزار و تکنیک ها بوده که برای آنالیز پایگاه های داده خیلی بزرگ در جهت کشف دانشهای مفید و همچنین دانشهایی که قبلاً مجهول بوده در داخل داده ها نهفته مورد استفاده قرار می گیرد. در اکثر این روشها فرض بر این است که پایگاه داده های موجود در ابعاد مناسب می باشد و نسبتاً بدون نویز می باشد. یعنی شرایط ایده آل برای داده کاوی کاملاً مهیا می باشد البته گاهی اوقات که داده ها دارای نویز می بود پاکسازی داده ها نیز برای حذف یا تصحیح بخشهای نسبتاً کوچکی از اطلاعات که دارای مقادیر اشتباه می باشد یا داده هایی که دارای تناقض هستند بکار می رفت.

بعبارت دیگر در برخورد با داده های خطا و یا ناقص آن داده ها حذف می گردید و آموزش با بعقیه داده های موجود بکار گرفته می شد که البته این روش مناسب نیست زیرا ممکن است داده های حذف شده داده های مهمی باشد و تاثیر زیادی در آموزش صحیح داشته باشد یا اینکه حتی داده های باقیمانده در اثر حذف داده های اشتباه به قدر کافی برای آموزش مناسب نباشد. البته مشکل بزرگتر آن است که برخی پایگاه های داده شامل داده هایی می باشد که به صورت ذاتی دارای نویز می باشد و قابل پاکسازی نمی باشد که یک مثال خوب از این مفاهیم ، پایگاه دادههایی است که توسط یکی (یا بیشتر) از الگوریتمهای یادگیری ماشین ساخته شده است. بنابراین بسیار مهم است که بتوان تاثیر نویز بر داده کاوی را درک کرد و آموزش را بر مبنای داده های اشتباه نیز به نحو صحیح انجام داد.

بسیاری از ایده های موجود در مورد داده کاوی بر مبنای اعمال تکنیک های بدون ناظر آموزش به داده های خیلی بزرگ برای کشف دانش ، الگوها و قوانین می باشد. مشکل عمومی یادگیری بدون ناظر استنتاج و یا حدس زدن جزئیات توزیع احتمال پیوسته می باشد . متغیر تصادفی X و نمونه های حاصل از N مشاهده در نظر گرفته می شود ( ) و با توجه به این تعریف ، هدف آموزشهای بدون نظارت بصورت تعریف جزئیات مفید چگالی پیوسته P(x) تعریف می شود.در این بخش ارتباط بین توزیع احتمال پیوسته که از خروجی پردازش نویزی بدست آمده در مقابل توزیع در محیطهای عاری از نویز بررسی می شود. بنابراین امید است که بتوان ایده های عمومی و همچنین یکسری محدودیت ها را برای حصول دانش از داده های نویزی بدست آورد و اهمیت اصلی بر روی داده های نویزی بدست آمده از الگوریتمهای یادگیری می باشد.

فهرست مطالب

چکیده1

1- مقدمه1

2- مدلها و ایده ها2

2-1- حالت عمومی3

3- آزمایش8

شکل 3. نتایج ساخت داده ها با استفاده از درخت تصمیم.14

4- کارهای وابسته14

5- مدل آموزش نویزی15

5-1- مدلهای آموزش20

5-1-1- مدلهای آموزشی قوی و ضعیف PAC20

5-1-2- طبقه بندی نویز و مدلهای خطای بدخیم23

6- پاکسازی نویز در وب26

6-2- كارهای مربوط27

6-3- تكنیك پیشنهادی27

6-3-1- مدل درخت DOM28

6-3-3- تعیین عنصر دارای نویز در ST30

6-4- كشف نویز31

7- نتیجه33

8- مراجع33

داده کاوی و کاوش قوانین ارتباطی

          س 
            بازدید : 120
          چهارشنبه 03 آذر 1395
           نظرات (0)
        

داده کاوی و کاوش قوانین ارتباطی

دسته بندی	کامپیوتر و IT
فرمت فایل	doc
حجم فایل	3968 کیلو بایت
تعداد صفحات فایل	117

دانلود پایان نامه رشته کامپیوتر

داده کاوی و کاوش قوانین ارتباطی

چکیده:

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.

به لحاظ اینکه در چند سال اخیر مبحث داده کاوی و اکتشاف دانش موضوع بسیاری از مقالات و کنفرانسها قرار گرفته و نرم افزار های 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 پایان نامه درفصل مروری بر داده کاوی 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 می کنیم . 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

کاوش قوانین ارتباطی داده کاوی

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 زبر دست و با تجربه 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 بر اساس گزارشات مشاهده شده به اثبات یا رد فرضیه می‌پردازند، در حالی که امروزه نیاز به روشهایی است که اصطلاحاً به کشف دانش بپردازند یعنی با کمترین دخالت کاربر و بصورت خودکار الگوها و رابطه‌های منطقی را بیان نمایند.

داده کاوی یکی از مهمترین این روشها است که به الگوهای مفید در داده‌ها با حداقل دخالت کاربران شناخته می‌شوند واطلاعاتی را در اختیار کاربران و تحلیل گران قرار می‌دهند تا براساس آن تصمیمات مهم و حیاتی در سازمانها اتخاذ شوند.اصطلاح داده کاوی زمانی بکار برده می‌شود که با حجم بزرگی از داده‌ها، در حد مگا یا ترابایت، مواجه باشیم. در تمامی منابع داده کاوی بر این مطلب تأکید شده است. هرچه حجم داده‌ها بیشتر و روابط آنها پیچیده تر باشد دسترسی به اطلاعات نهفته در میان داده ها مشکل تر می‌شود و نقش داده کاوی بعنوان یکی از روش های کشف دانش، روشن‌تر می‌گردد.داده کاوی بطور همزمان از چندین رشته علمی بهره می‌برد نظیر: تکنولوژی پایگاه داده، هوش مصنوعی، یادگیری ماشین، شبکه‌های عصبی، آمار، الگو، سیستم‌های مبتنی بر دانش ، حصول دانش ، بازیابی اطلاعات ، محاسبات سرعت بالا و بازنمایی بصری داده .

فهرست مطالب

چکیده 2

فصل1: مقدمه ای بر داده کاوی 13

1-1 تعریف داده کاوی .15

2-1 تاریخچه داده کاوی 16

3-1 چه چیزی سبب پیدایش داده کاوی شده است؟ 17

4-1 اجزای سیستم داده کاوی .19

5-1 جایگاه داده کاوی در میان علوم مختلف 21

6-1 قابلیتهای داده کاوی .22

7-1 چرا به داده کاوی نیاز داریم؟ .23

8-1 داده کاوی چه کارهایی نمی تواند انجام دهد؟ 25

9-1 کاربردهای داده کاوی .25

1-9-1 کاربردهای پیش بینی کننده .27

2-9-1 کاربردهای توصیف کننده 27

10-1 ابزارهای تجاری داده کاوی .28

11-1 داده کاوی و انبار داده ها .29

1-11-1 تعاریف انبار داده 29

2-11-1 چهار خصوصیت اصلی انبار داده .30

3-11-1 موارد تفاوت انبار داده و پایگاه داده 31

12-1 داده کاوی و OLAP .33

1-12-1 OLAP .33

2-12-1 انواع OLAP .34

13-1 مراحل فرایند کشف دانش از پایگاه داده ها .34

1-13-1 انبارش داده ها 35

2-13-1 انتخاب داده ها 36

3-13-1 پاکسازی- پیش پردازش- آماده سازی 36

4-13-1 تبدیل داده ها 36

5-13-1 کاوش در داده ها (Data Mining) .37

6-13-1 تفسیر نتیجه 38

فصل 2: قوانین ارتباطی .39

1-2 قوانین ارتباطی 40

2-2 اصول پایه .41

1-2-2 شرح مشکل جدی .41

2-2-2 پیمایش فضای جستجو .43

3-2-2 مشخص کردن درجه حمایت مجموعه اقلام .45

3-2 الگوریتمهای عمومی 45

1-3-2 دسته بندی 45

2-3-2 BFS و شمارش رویداد ها .46

3-3-2 BFS و دونیم سازی TID-list .47

4-3-2 DFS و شمارش رویداد 47

5-3-2 DFS و دو نیم سازی TID-list 48

4-2 الگوریتم Apriori 48

1-4-2 مفاهیم کلیدی .48

2-4-2 پیاده سازی 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

7-2 تحلیل ارتباطات 63

فصل 3: وب کاوی و متن کاوی .65

1-3 وب کاوی .66

1-1-3 الگوریتمهای هیتس و لاگسام .69

2-1-3 کاوش الگوهای پیمایش مسیر 76

2-3 متن کاوی .90

1-2-3 کاربردهای متن کاوی .92

1-1-2-3 جستجو و بازیابی 95

2-1-2-3 گروه بندی و طبقه بندی 97

3-1-2-3 خلاصه سازی 99

4-1-2-3 روابط میان مفاهیم .101

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 .107

2-2-3 فرایند متن کاوی .

3-2-3 روشهای متن کاوی .110

مراجع .116

فهرست اشکال

1-1 مراحل فرایند کشف دانش 17

2-1 سیر تکاملی صنعت پایگاه داده 19

3-1 معماری یک نمونه سیستم داده کاوی .20

4-1 نرخ رشد اطلاعات .24

5-1 کاربرد پیش بینی کننده 27

6-1 داده ها از انبار داده ها استخراج می گردند 32

7-1 داده ها از از چند پایگاه داده استخراج می گردند 32

1-2 شبکه‌ای برای .

3-2 دسته بندی الگوریتمها 46

4-2 پایان الگوریتم Apriori 52

5-2 درخت الگوی تکرار 57

6-2 اندازه گیری کارکرد درجه حمایت برای پایگاه داده D1 40K 61

7-2 اندازه گیری Apriori با درجه حمایت/تراکنش .62

8-2 اندازه گیری FP-growth با درجه حمایت/تراکنش 62

1-3 مقداردهی اولیه الگوریتم HITS 72

2-3 مثالی از الگوهای پیمایش .80

3-3 فرایند متن کاوی .86

4-3 مثال یافتن روابط .88

فهرست جداول

1-2 کاوش FP-tree با ایجاد پایگاه های الگوشرطی .58

2-2 پارامترها .59

3-2 نتایج برای فاکتور درجه حمایت 5% 60

4-2 نتایج برای D1 150K با درجه حمایت .61

1-3 تراکنش های توصیف شده توسط مجموعه ای از URLها .75

2-3 نمایش URLها به عنوان بردارهایی از فعالیت گروه تراکنش 75

3-3 یک SOM مرسوم که توسط توصیف URLها تولید شده است 76

وب کاوی در صنعت

          س 
            بازدید : 245
          سه شنبه 25 آبان 1395
           نظرات (0)
        

وب کاوی در صنعت

با افزایش چشمگیر حجم اطلاعات و توسعه وب، نیاز به روش ها و تکنیک هایی که بتوانند امکان دستیابی کارا به داده‌ها و استخراج اطلاعات از آنها را فراهم کنند،

دسته بندی	کامپیوتر و IT
فرمت فایل	docx
حجم فایل	280 کیلو بایت
تعداد صفحات فایل	67

دانلود پایان نامه رشته کامپیوتر و IT

داده وب کاوی در صنعت

چکیده

با افزایش چشم گیر حجم اطلاعات و توسعه وب ،نیاز به روش ها و تکنیک هایی که بتوان امکان دستیابی کارها را فراهم کنند،بیش از پیش احساس می شد.وب کاوی یکی از زمینه هایتحقیقاتی است که با بکارگیری تکنیک های داده کاویبه کشف و استخراج خودکار اطلاعات از اسناد و سرویس های وب می پردازد.در واقه وب کاوی فرایند کشف اطلاعات و دانشناشناخته و مفید از داده های وب است و ...

کلمات کلیدی:

وب کاوی در صنعت

داده کاوی

صنعت وب کاوی

مقدمه

با توسعه سیستم های اطلاعاتی،داده به یکی از منابع پر اهمیت سازمان ها مبدل شده است .بنابراین روش ها و تکنیک هایی برای دستیابی

به کارا به داده ،اشتراک داده ،استخراج اطلاعات از داده و استفاده از این اطلاعات مورد نیاز می باشد .و...

فهرست مطالب

فصل اول : مقدمه

فصل دوم : داده کاوی

1-2 مقدمه ای بر داده کاوی

2-2 مراحل کشف دانش

2-3 کارهای داده کاوی

2-4 داده کاوی چه کارهایی نمی تواند انجام دهد؟

2-5 داده کاوی و انبار داده

2-6 داده کاوی و olap

2-7 کاربرد یادگیری ماشین و آمار در داده کاوی

2-8 توصیف داده ها در داده کاوی

1-8-2 خلاصه سازی و به تصویر در اوردن داده ها

2-8-2 خوشه بندی

3-8-2 تحلیل لینک

4-8-2 دسته بندی داده ها

فصل 3 وب کاوی

تعریف وب کاوی

مراحل وب کاوی

وب کاوی و داده کاوی

وب کاوی و بازیابی اطلاعات

وب کاوی و استخراج اطلاعات

وب کاوی و یادگیری ماشین

انواع وب کاوی

چالش های وب کاوی

محتوای وب کاوی

فصل 4 وب کاوی در صنعت

انواع وب کاوی در صنعت

مهندسی خازن

مهندسی بهره برداری

مهندسی حفاری

بخشهای مدیریتی

و...

مقاله رشته مهندسی نرم افزار با عنوان داده کاوه

          س 
            بازدید : 110
          سه شنبه 04 آبان 1395
           نظرات (0)
        

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

داده کاوی
DATA MINING
استخراج اطلاعات
دسته بندی داده ها
فرآیند و مراحل داده کاوی
تفاوت داده کاوی و آنالیز های آماری
دانلود مقاله رشته مهندسی نرم افزار با عنوان داده کاوه
سیستم همکاری در فروش فایل
همکاری در فروش فایل
فروش فایل
خرید مقاله و تحقیق رشته نرم افزار
fileina
فروشگاه ساز فایل
فروشگاه فایل

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.

متن کاوی و ارزیابی مهمترین متد های متن کاوی

          س 
            بازدید : 96
          سه شنبه 04 آبان 1395
           نظرات (0)
        

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

الگوریتم خوشه بندی
روش های استخراج اطلاعات
متن کاوی
داده کاوی
یکپارچه کردن داده کاوی
دسته بندی و مرتب سازی داده ها
دانلود مقاله متن کاوی و ارزیابی مهمترین متد های متن کاوی
سیستم همکاری در فروش فایل
همکاری در فروش فایل
فروش فایل
خرید مقاله و تحقیق رشته نرم افزار
fileina
فروشگاه ساز فایل
فروشگاه فایل

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 ) كه شامل مجموعه بزرگی از اسناد منابع مختلف (مثلا مقالات خبری، paperها، كتاب ها، ایمیل ها و صفحات وب) ذخیره شده اند. پایگاه داده های متنی به علت افزایش مقدار اطلاعات موجود به فرم الكترونیكی سریع رشد می كنند. امروزه بیشتر اطلاعات در صنعت، کسب و کار و سازمان های دیگر به صورت الكترونیكی 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 كامل غیرساختیافته هستند و نه به طور كامل ساختیافته هستند.

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

كاربرها نیاز به ابزارهایی برای مقایسه سندهای مختلف، مرتب كردن 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 مقدمه3

1.1 کشف دانش و ارتباط آن متن کاوی5

2.1 تعاریف متن کاوی5

3.1 ناحیه های سرچ مرتبط6

2 روش ها پیش پردازش کردن متون7

1.2 مدل فضای برداری9

2.2 پیش پردازش زبان شناختی10

3 روش های متن کاوی ...10

1.3 فازهای اصلی فرآیند کتن کاوی...11

2.3 رده بندی ...12

1.2.3 انتخاب ترم ایندکس12

2.2.3 رده کننده Naïve Bayes12

3.2.3 رده بندی کننده نزدیکترین همسایه13

4.2.3 درخت تصمیم گیری14

5.2.3 متدهای هسته و SVM14

6.2.3 ارزیابی رده بندی کننده ها15

3.3 استخراج اطلاعات16

1.3.3 رده بندی برای استخراج اطلاعات16

2.3.3 مدل مارکوف پنهان17

3.3.3 فیلدهای رندم شرطی17

4.3.3 مقایسه روش های استخراج اطلاعات18

2.2 پیش پردازش زبان شناختی18

4.3 روش ها ترکیبی18

1.4.3 روش های dicsotex18

1.1.4.3 مقدمه19

2.1.4.3 یکپارچه کردن داده کاوی و استخراج اطلاعات19

3.1.4.3 سیستم dicsotex19

2.4.3روش textminer21

1.2.4.3 مقدمه21

2.2.4.3 استخراج اطلاعات22

3.2.4.3 الگوریتم خوشه بندی23

3.4.3 یافتن روابط25

4.4.3 مقایسه روش های ترکیبی26

4 کاربردهای متن کاوی26

5 نتیجه گیری و کارهای آینده27

6 مراجع28

پایان نامه کارشناسی ارشد مهندسی نرم افزار با عنوان داده کاوی،ترتیب و گروه سازی داده ها با استفاده ا

          س 
            بازدید : 118
          یکشنبه 02 آبان 1395
           نظرات (0)
        

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

داده کاوی
دانلود پایان نامه دسته بندی داده ها با استفاده از روش ماشین‎های بردار پشتیبان
ماشینهای بردار پشتیبان
دانلود پایان نامه کارشناسی ارشد مهندسی نرم افزار
دانلود پایان نامه ارشد مهندسی نرم افزار
دانلود پایان نامه مرتب سازی داده ها با استفاده از SVM

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

1-1-2تعریف 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 شركت 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 درشركت 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

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

          س 
            بازدید : 150
          یکشنبه 02 آبان 1395
           نظرات (0)
        

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

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
سیستم همکاری در فروش فایل
همکاری در فروش فایل
همکاری در فروش
فروش فایل
انجام پروژه و پایان نامه مهندسی نرم افزار
fileina
خرید پایان نامه ارشد مهندسی نرم افزار
فروشگاه ساز فایل
فروشگاه فایل

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 اولیه1

1-1- مقدمه ای بر داده کاوی2

1-1-1- خوشه بندی3

1-1-2- کشف قواعد وابستگی4

1-1-3- طبقه بندی4

1-1-3-1- طبقه بندی مبتنی بر قواعد5

1-2- داده کاوی توزیع شده7

1-3- عاملها و سیستمهای چندعامله8

1-3-1- عامل8

1-3-1-1- مقایسه عامل با شی9

1-3-1-2- معماری عاملها11

1-3-1-3- معماری BDI12

1-3-2- سیستم های چندعامله14

1-3-2-1- مذاکره17

1-4- بهره گیری از عامل برای داده کاوی19

1-4-1- سیستم های چندعامله، بستری برای داده کاوی توزیع شده19

1-5- جمع بندی22

2. فصل دوم - داده کاوی پویا23

2-1- مقدمه ای بر داده کاوی پویا24

2-2- جریان داده25

2-3- طبقه بندی جریان داده26

2-3-1- موضوعات پژوهشی27

2-4- جمع بندی31

3. فصل سوم - مروری بر کارهای انجام شده33

3-1- مقدمه34

3-2- داده کاوی توزیع شده ایستا35

3-2-1- روشهای غیرمتمرکز36

3-2-2- روشهای مبتنی بر توزیع ذاتی داده ها37

3-3- کارهای مهم انجام شده در زمینه داده کاوی با استفاده از عامل38

3-4- کارهای انجام شده در زمینه طبقه بندی جریان داده ها41

3-4-1- روشهای طبقه بندی Ensemble-based41

3-4-2- درختهای تصمیم بسیار سریع43

3-4-3- طبقه بندی On-Demand46

3-4-4- OLIN48

3-4-5- الگوریتمهای LWClass49

3-4-6- الگوریتم ANNCAD51

3-4-7- الگوریتم SCALLOP51

3-4-8- طبقه بندی جریان داده ها با استفاده از یک روش Rule-based53

3-5- جمع بندی54

4. فصل چهارم - تعریف مساله55

4-1- مقدمه56

4-2- تعریف مساله برای فاز اول56

4-2-1- جریان داده57

4-2-2- مفهوم یا مدل موجود در جریان داده57

4-2-3- مساله طبقه بندی جریان داده های دارای تغییر مفهوم57

4-3- تعریف مساله برای فاز دوم59

5. فصل پنجم - رویکردهای پیشنهادی62

5-1- مقدمه63

5-2- رویکرد پیشنهادی برای فاز اول پروژه63

5-2-1- عامل و ویژگیهای آن در این مساله64

5-2-2- عملکرد کلی عامل65

5-2-3- معماری عامل66

5-2-3-1- حسگرها 67

5-2-3-2- پایگاه دانش عامل68

5-2-3-3- تابع ارزیابی محیط70

5-2-3-3-1- نحوه تشخیص اطلاعات و نگهداری الگوهای recur در جریان داده70

5-2-3-3-2- نحوه استخراج الگوهای recur70

5-2-3-3-3- نحوه بروزرسانی اطلاعات مربوط به الگوهای recur73

5-2-3-3-4- نحوه محاسبه وقوع احتمال وقوع یک الگوی خاص74

5-2-3-4- تابع سودمندی75

5-2-3-5- بخش تصمیم گیری و Planning79

5-2-3-5-1- بخش تصمیم گیری79

5-2-3-5-2- Planning83

5-2-3-6- بخش Action86

5-3- رویکرد پیشنهادی برای فاز دوم مساله87

5-3-1- عاملهای مشتری88

5-3-2- عامل صفحه زرد90

5-3-3- عاملهای داده کاو91

5-3-3-1- معماری عاملهای داده کاو92

5-3-3-1-1- تابع BRF94

5-3-3-1-2- تابع Generate Options95

5-3-3-1-3- تابع فیلتر95

5-3-3-1-4- بخش Actions96

5-3-3-1-5- Plan های عامل97

5-3-3-1-5- 1- Plan مربوط به طبقه بندی97

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 مذاکره101

5-4- جمع بندی111

6. فصل ششم - آزمایشات و نتایج113

6-1- مقدمه114

6-2- محیط عملیاتی114

6-3- مجموعه داده های مورد استفاده116

6-3-1- مجموعه داده های استاندارد116

6-3-2- مجموعه داده های واقعی117

6-4- معیارهای ارزیابی و روشهای مورد استفاده برای مقایسه117

6-5- آزمایشات انجام شده118

6-5-1- آزمایشات مربوط به فاز اول119

6-5-2- آزمایشات مربوط به فاز دوم128

6-6- جمع بندی130

7. فصل هفتم- جمع بندی و نتیجه گیری132

فهرست مراجع136

فهرست اشکال

شکل 1-1- معماری BDI در عامل15

شکل 3-1- درخت تحقیق مربوط به طبقه بندی در مبحث داده کاوی34

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

شکل 3-3- چارچوب روش On-Demand47

شکل 3-4- نمایی از سیستم OLIN49

شکل 3-5- پروسه SCALLOP53

شکل 5-1- نمودار ترتیب عملکرد عامل پیشنهادی66

شکل 5-2- معماری عامل پیشنهادی67

شکل 5-3- پنجره نظاره بر روی جریان داده ها68

شکل 5-4- گراف ایجاد شده از روی رشته مفهوم ها71

شکل 5-5- محل تجمع الگوهای استخراج شده از رشته مفهوم ها73

شکل 5-6- میزان محاسبه شده احتمالها به ازای مقادیر مختلف K81

شکل 5-7- شبه کد Plan کلی عامل83

شکل 5-8- نسبت واریانس به حاصلضرب 50 متغیر دارای مجموع ثابت85

شکل 5-9- وزن دهی چند داده مختلف86

شکل 5-10- نمایی کلی از سیستم چندعامله ایجاد شده88

شکل 5-11- معماری BDI عامل داده کاو93

شکل 5-12- بخشی از جریان داده و قواعد استخراج شده از آن99

شکل 5-13- بخشی از جریان داده و قواعد استخراج شده از آن101

شکل 6-1- کد نمونه برای استفاده از بسته نرم افزاری weka115

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

شکل 6-3- زمان مصرف شده برای تطبیق طبقه بند120

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 LWClass51

جدول 3-2- مقایسه تکنیکهای ذکر شده54

جدول 5-1- ساختار اطلاعاتی ذخیره شده برای هر مفهوم و الگو69

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

جدول 5-3- نمونه ای از خروجی تابع سودمندی عامل81

جدول 5-4- اطلاعات مورد استفاده برای تخمین سودمندی یک قاعده105

جدول 6-1- دقت طبقه بندی روشهای مختلف128

جدول 6-2- نتایج حاصل از طبقه بندی توزیع شده مجموعه داده Nursery در سه مفهوم مختلف130

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

          س 
            بازدید : 151
          یکشنبه 21 شهریور 1395
           نظرات (0)
        

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

همکاری در فروش فایل
همکاری در فروش
فروشگاه ساز فایل
مقاله ترجمه شده
دانلود مقاله ترجمه شده
مقالات ترجمه شده
مقاله ترجمه شده رشته کامپیوتر
داده کاوی
نفوذ فناوری
روش کتاب سنجی
روند تحقیقات و پیش بینی ‏

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 ها‏6‏

‏2-فهرست نویسنده و جدول توزیع مقاله‏6‏

‏3-محاسبه مقدار ‏n‏ (شیب)‏‏6‏

معادله1‏‏6‏

‏4محاسبه مقدار ‏C‏7‏

فرمول 3‏‏7‏

معادله 4‏‏7‏

‏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 2009-1989‏‏9‏

‏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 دادهSSCI‏13‏

جدول 2 :توزیع نوع و زبان سند2009-1989‏‏13‏

‏3-8: توزیع عنوان منبع:‏‏14‏

توزیع 25 گروه اول از منابع 2005-1989‏‏15‏

جدول4 :محاسبه بهره وری نویسنده داده کاوی‏19‏

جدول 5 :محاسبه ‏n‏ برای داده کاوی‏19‏

شکل 2: توزیع بهره وری ادبیات نویسنده در پژوهش داده کاوی‏19‏

جدول 6:آزمون ‏K-S‏ برای داده کاوی‏19‏

جدول 7 نمای کلی از نوآوری های فن آوری در داده کاوی‏20‏

جدول 7: مروری بر نفوذ بازار در داده کاوی‏21‏

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 5‏‏24‏

‏4-محاسبه ارزش ‏C‏24‏

معادله 6‏‏24‏

معادله 7‏‏25‏

‏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 گیریک‏26‏

‏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

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

          س 
            بازدید : 61
          دوشنبه 17 اسفند 1394
           نظرات (0)
        

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

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 :

چکیده‏1‏

‏1.مقدمه‏3‏

‏2. اصول اولیه‏5‏

‏2.1ارزیابی آموزش وآموزش مبتنی برشبیه سازی‏5‏

‏2.2. داده کاوی‏7‏

‏3.روش داده کاوی پیشنهادی‏8‏

‏3.1تعریف مسئله‏8‏

‏3.2 درک وآماده سازی داده ها‏9‏

‏3.3 ایجاد مدل‏10‏

‎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 مدل‏15‏

‏3.5 توسعه ی مدل‏16‏

‏4.مطالعه ی تجربی: آموزش تیراندازی نظامی مبتنی برشبیه سازی در تایوان‏16‏

‎4.1‎بیشینه‏16‏

‎4.2‎تعریف مسئله‏17‏

‏4.3 آماده سازی ودرک داده ها‏17‏

‏4.4 ایجادمدل‏19‏

‏4.4.1 ارزیابی کارانی شلیک‏19‏

‏4.4.2 دسته بندیرفتاریادگیری‏22‏

‏4.5 توسعه یمدل‏27‏

‏4.6 مباحث‏28‏

‏5.نتیجه گیری‏29‏

مقاله ترجمه شده رشته مهندسی کامپیوتر با عنوان داده کاوی و بصری سازی برای سیستم پشتیبانی از تصمیم و �

          س 
            بازدید : 77
          شنبه 15 اسفند 1394
           نظرات (0)
        

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

داده کاوی
پشتیبانی از تصمیم
کشف دانش
مدیریت دانش
بصری سازی
اپلکیشن های 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
مقاله ترجمه شده
مقاله ترجمه شده رشته کامپیوتر
همکاری در فروش فایل
فروشگاه ساز فایل

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 :

چکیده‎1‎

‏1.مقدمه‎2‎

‏2.داده کاوی و پشتیبانی از تصمیم برای مدیریت دانش‎3‎

‏3.داده های بهداشت عمومی‎4‎

‏4.نتایج تحلیل‎5‎

‏4.1تشخیص تشابه های مراکز بهداشت عمومی با داده کاوی‎5‎

‏4.2 موجودیت و قابلیت دسترسی مربوط به منابع بهداشت عمومی‎8‎

‏4.3 پشتیبانی از تصمیم برای منابع بهداشت عمومی‎13‎

‏4.4 پشتیبانی از تصمیم به وسیله ی بصری سازی ‏GIS‎15‎

‏5.نتیجه گیری‎16‎

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

          س 
            بازدید : 166
          شنبه 19 دی 1394
           نظرات (0)
        

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

خرید پروژه رشته کامپیوتر
انجام پروژه رشته کامپیوتر
پایان نامه رشته کامپیوتر
خرید پایان نامه رشته کامپیوتر
دانلود مقالات و پایان نامه رشته کامپیوتر
داده کاوی
دیتا ماینینگ
Data Mining
همکاری در فروش
فروش فایل
فایلینا
انجام پایان نامه و پروژه

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

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. 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:

داده کاوی

دیتا ماینینگ

Data Mining

الگوریتم Apriori

متن کاوی

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

كشف قوانین پیشگویانه وقابل درك با استفاده از الگوریتم ژنتیك چند منظوره

          س 
            بازدید : 109
          پنجشنبه 03 دی 1394
           نظرات (0)
        

كشف قوانین پیشگویانه وقابل درك با استفاده از الگوریتم ژنتیك چند منظوره

مقاله ترجمه شده كشف قوانین پیشگویانه وقابل درك با استفاده از الگوریتم ژنتیك چند منظوره

كشف قوانین پیشگویانه وقابل درك با استفاده از الگوریتم
دانلود مقاله كشف قوانین پیشگویانه وقابل درك با استفاده از الگوریتم
مجموعه مقالات ژنتیك
دانلود مجموعه مقالات ژنتیك
ژنتیك چند منظوره
الگوریتم ژنتیک
الگوریتم ژنتیک چند منظوره
الگوریتم ژنتیک ساده
راه حل های بهینه پارتو
الگوریتم ژنتیک پارتو
داده کاوی
Predictive and comprehensible rule d

دسته بندی	هوش مصنوعی
فرمت فایل	doc
حجم فایل	361 کیلو بایت
تعداد صفحات فایل	21

كشف قوانین پیشگویانه وقابل درك با استفاده از الگوریتم ژنتیك چند منظوره

ما در این مقاله یك الگوریتم تكوینی (ژنتیك) چند منظوره جهت استخراج قوانین دسته بندی پیشگویانه و قابل درك از پایگاه داده های وسیع را ارائه خواهیم كرد و همچنین دقت پیشگویانه و قابلیت درك قوانین ، با یكدیگر در تضاد هستند. لذا این موضوع تبدل به یك مساله بهینه سازی می شود كه حل كردن آن به شكل شایسته ، كاری دشوار می باشد . بنابراین یك الگوریتم پویای چند منظوره بنام الگوریتم ژنتیك جاسازی شده ی پیشرفته ی پارتو (INPGA) جهت این منظور ارائه كردیم.

سپس قانون گذاری توسط INPGA ر ا با قانون گذاری توسط الگوریتم ژنتیك ساده(SGA) و همچنین الگوریتم ژنتیك جاسازی شده ی مقدماتی پارتو(NPGA) مورد مقایسه قرار دادیم.نتایج عملی بیانگر این امر هستند كه روش قانون گذاری ما نسبت به NPGA و SGA برتری دارد.

کلمات کلیدی: الگوریتم ژنتیک ساده. راه حل های بهینه پارتو.الگوریتم ژنتیک پارتو. داده کاوی

فهرست

1-مقدمه
2-کاربرد SGA در ایجاد قوانین رده بندی
2.1-نمایشهای ژنتیك
2.2-تابع تناسب
2.2.1-استاندارد قابلیت درك
2.2.2-دقت پیشگویانه
2.3-عملگرهای ژنتیك
3-الگوریتم های تكاملی برای مسائل چندمنظوره
4-الگوریتم ژنتیك جاسازی شده پارتو پیشنهادی
4.1-GA جاسازی شده پارتوی مقدماتی
4.1.1-مسابقات پیروزی پارتو
4.1.2-اشتراك در حدود عدم تسلط
4.2.2-GA جاسازی شده پارتو پیشرفته
5-شبیه سازی
5.1-تشریح سری داده
5.1.1-اطلاعات باغ وحش
5.1.2-اطلاعات شیرخوارگاه
5.2-نتایج
6.نتیجه

دانلود مقاله کارشناسی ارشد رشته هوش مصنوعی

داده کاوی،مدل سازی داده ها و مراحل فرایند کشف دانش از پایگاه داده ها

داده کاوی

اکتشاف دانش

مدل سازی داده ها

فرایند کشف دانش از پایگاه داده ها

مفاهیم پایه در داده کاوی4

تاریخچه داده کاوی5

كاربردهای داده كاوی17

مدلها و الگوریتمهای داده كاوی24

درخت های انتخاب26

ساختن یك پایگاه داده داده كاوی29

دانلود مقاله کارشناسی ارشد رشته هوش مصنوعی

زبانهای نمایشی و معرفی مدلهای آن

یادگیری ماشین

زبانهای نمایشی

مدلهای زبانهای نمایشی

دانلود مقاله ترجمه شده رشته مدیریت

بررسی چگونگی افزایش کیفیت سیستم های فن آوری اطلاعات در آموزش الکترونیکی با استفاده از داده کاوی در مدارس شهرستان سردشت

Discussing how to improve the quality of information technology systems in electronic learning through data mining in schools of Sardasht

داده کاویدرخت تصمیمخوشه بندییادگیری الکترونیکی

دانلود مقاله کارشناسی ارشد رشته هوش مصنوعی

تاثیر نویز بر داده کاوی

داده کاوی

الگوریتم PAC

نویز در داده کاوی

پایگاه های داده نویزی

5- مدل آموزش نویزی15

5-1-1- مدلهای آموزشی قوی و ضعیف PAC20

5-1-2- طبقه بندی نویز و مدلهای خطای بدخیم23

6- پاکسازی نویز در وب26

6-3-3- تعیین عنصر دارای نویز در ST30

دانلود پایان نامه رشته کامپیوتر

داده کاوی و کاوش قوانین ارتباطی

وب کاوی

متن کاوی

داده کاوی

دیتا ماینینگ

کاوش قوانین ارتباطی داده کاوی

فصل1: مقدمه ای بر داده کاوی 13

1-1 تعریف داده کاوی .15

2-1 تاریخچه داده کاوی 16

4-1 اجزای سیستم داده کاوی .19

7-1 چرا به داده کاوی نیاز داریم؟ .23

2-11-1 چهار خصوصیت اصلی انبار داده .30

13-1 مراحل فرایند کشف دانش از پایگاه داده ها .34

5-13-1 کاوش در داده ها (Data Mining) .37

فصل 2: قوانین ارتباطی .39

4-2 الگوریتم Apriori 48

5-2 الگوریتم رشد الگوی تکرارشونده 55

6-2 مقایسه دو الگوریتم Apriori و FP-growth 59

فصل 3: وب کاوی و متن کاوی .65

1-1-3 الگوریتمهای هیتس و لاگسام .69

3-2 دسته بندی الگوریتمها 46

دانلود پایان نامه رشته کامپیوتر و IT

داده وب کاوی در صنعت

وب کاوی در صنعت

داده کاوی

صنعت وب کاوی

فصل دوم : داده کاوی

فصل 3 وب کاوی

فصل 4 وب کاوی در صنعت

مقاله رشته مهندسی نرم افزار با عنوان داده کاوه

داده کاوی

DATA MINING

استخراج اطلاعات

دسته بندی داده ها

فرآیند و مراحل داده کاوی

تفاوت داده کاوی و آنالیز های آماری

متن کاوی و ارزیابی مهمترین متد های متن کاوی

متن کاوی

داده کاوی

استخراج اطلاعات

یکپارچه کردن داده کاوی

دسته بندی و مرتب سازی داده ها

1.1 کشف دانش و ارتباط آن متن کاوی5

2.1 تعاریف متن کاوی5

2.2 پیش پردازش زبان شناختی10

2.3.3 مدل مارکوف پنهان17

4.3.3 مقایسه روش های استخراج اطلاعات18

داده کاوی
درخت تصمیم
خوشه بندی
یادگیری الکترونیکی