داده کاوی

12000 تومان – پرداخت(۷۰۹۳۱۴۴۲۲۹۹) نهایی کردن خرید مورد به سبد خرید اضافه شد

۱: مقدمه

۱-۱: معرفی داده‌کاوی و دلایل پیدایش آن.

۲-۱: تعاریف داده کاوی..

۳-۱:مروری بر مفاهیم پایه.

۲: طبقه بندی روش‌های داده کاوی..

۲-۱ : داده کاوی توصیفی یا توصیف کننده

۲-۲ : مراحل فرایند کشف دانش از پایگاه داده‌ها

۳: مراحل و اجزای یک فرآیند داده‌کاوی..

۳-۱: بیان مسئله و فرموله کردن فرضیه.

۳-۲: انتخاب و جمع آوری داده‌ها

۳-۳: تبدیل و پیش پردازش داده‌ها

۳-۴: برآورد مدل یا کاوش در داده‌ها

۳-۵: تفسیر نتیجه یا تفسیر مدل و رسیدن به نتایج..

۴: آماده سازی داده‌ها

۱-۴: مدل استاندارد داده‌ها

۲-۴: دو وظیفه اصلی در آماده سازی داده‌ها

۵: آموختن از داده‌ها

۶: مراحل اصلی داده کاوی..

۷: تبدیل و تغییر وضعیت داده‌های خام.

۱-۷: مشخصه داده‌های خام.

۲-۷:تبدیل داده‌های خام.

۳-۷: نرمال سازی..

۱-۳-۷:مقیاس دهی اعشاری..

۲-۳-۷:نرمال سازی حداقل حداکثر.

۴-۷:نرمال سازی انحراف معیار

۵-۷:یکنواخت سازی داده‌ها

۶-۷:تفاضل‌ها و نسبت‌ها

۸:مفهوم داده‌های از دست رفته و راه حل جبران آن.

۹:تحلیل داده‌های نامنطبق..

۱-۹:تشخیص داده‌های نامنطق بر مبنای فاصله.

۲-۹:روش‌ها و تکنیک‌های برمبنای انحراف..

۱۰:کاهش داده ها

۱-۱۰: یافته‌های حاصل از کاهش داده‌ها

۱ -۱-۱۰:کاهش زمان محاسبه.

۲ -۱-۱۰:افزایش یادگیری در دقت پیش‌گویانه

۳ -۱-۱۰:سادگی در ارائه مدل داده کاوی..

۴ -۱-۱۰:کاهش موارد.

۱۱:روش‌های نمونه گیری برای نمونه‌های بزرگ…

۱-۱۱:نمونه گیری سیستمی..

۲-۱۱:نمونه گیری تصادفی..

۳-۱۱: نمونه گیری لایه‌ای..

۴-۱۱: نمونه گیری معکوس…

۱۲:روش‌های آماری..

۱-۱۲: استنباط آماری..

۲-۱۲:ارزیابی تفاوت‌ها در مجموعه‌های..

۳-۱۲:استنباط بیزی..

۴-۱۲:تحلیل واریانس…

۵-۱۲:رگسیون لجستیکی..

۶-۱۲:تحلیل ممیزی خطی..

۱۳: ساختار یک سیستم داده‌کاوی..

۱۴:محدودیت‌های داده کاوی..

۱۵:متن‌کاوی..

۱-۱۵:معرفی متن‌کاوی..

۲-۱۵:فرآیند متن‌کاوی..

۳-۱۵:روش‌های متن کاوی..

۱۶: نرم افزارهای داده‌کاوی..

۱۷:نمونه‌ای از روش داده کاوی..

۱۸:برخی از کاربردهای داده‌کاوی در محیط‌های واقعی..

۱۹: فواید و نقش داده کاوی در فعالیتشرکت‌ها

۲۰:کاربرد داده کاوی در کتابخانه‌ها و مؤسسات دانشگاه‌‌‌ها

۲۱:هوش مصنوعی چیست..

۱-۲۱:به سوی آینده

۲۲:شبکه‌های عصبی زیستی..

۲۳:شبکه عصبی مصنوعی..

۱-۲۳:تاریخچه شبکه‌های عصبی مصنوعی..

۲۴:نرون چیست؟.

۱-۲۴:نرون مصنوعی چیست..

۲۵:شبکه عصبی چیست..

۱-۲۵:پرسپترون چند لایه.

۲۶:چرا از شبکه‌های عصبی استفاده می‌کنیم.

۲۴:شبکه‌های عصبی در مقایسه با کامپیوترهای سنتی.

۲۸:ساختار شبکه‌های عصبی..

۲۹:تقسیم بندی شبکه‌های عصبی..

۳۰:کاربرد شبکه‌های عصبی..

۳۱:معایب شبکه‌های عصبی..

۳۲:الگوریتم ژنتیک چیست..

۳۳:تفاوت الگوریتم ژنتیک با سایر روش های بهینه سازی..

۳۴:روش های نمایش…

۳۵: نتیجه‌گیری..

فهرست منابع.

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

با استفاده از پرسش‌های ساده درSQL و ابزارهای گوناگون گزارش گیری معمولی، می‌توان اطلاعاتی را در اختیار کاربران قرار داد تا بتوانند به نتیجه گیری در مورد داده‌ها و روابط منطقی میان آن‌ها بپردازند اما وقتی که حجم داده‌ها بالا باشد، کاربران هر چقدر حرفه ای و با تجربه باشند نمی‌توانند الگوهای مفید را در میان حجم انبوه داده‌ها تشخیص دهند و یا اگر قادر به این کار هم بایشند، هزینه عملیات از نظر نیروی انسانی و مالی بسیار بالا است.

بنابراین می‌شود گفت که در حال حاضر یک تغییر الگو از مدل سازی و تحلیل‌های کلاسیک بر پایه اصول اولیه به مدل‌های در حال پیشرفت و تحلیل‌های مربوط به طور مستقیم از داده‌ها وجود دارد.

داده کاوی یکی از مهم‌ترین این روش‌ها است که به وسیله آن الگوهای مفید در داده‌ها با حداقل دخالت کاربران شناخته می‌شوند و اطلاعاتی را در اختیار کاربران و تحلیل گران قرار می‌دهند تا بر اساس آن‌ها تصمیمات مهم و حیاتی در سازمان‌ها اتخاذ شوند.

۲-۱ تعاریف داده کاوی

در متون آکادمیک تعاریف گوناگونی برای داده کاوی ارائه شده‌اند. در برخی از این تعاریف داده کاوی در حد ابزاری که کاربران را قادر به ارتباط مستقیم با حجم عظیم داده‌ها می‌سازد معرفی گردیده است و در برخی دیگر، تعاریف دقیق‌تر که درآنها به کاوش در داده‌ها توجه می‌شود موجود است.

12000 تومان – پرداخت(۷۰۹۳۱۴۴۲۲۹۹) نهایی کردن خرید مورد به سبد خرید اضافه شد