دانلود پایان نامه، پایان نامه کارشناسی ارشد , مقاله، تحقیق، پاورپوینت در تمامی رشته ها

بررسی ومطالعه ی کامل داده کاوی و داده کاوی با SQL SERVER2005


بررسی ومطالعه ی کامل داده کاوی و داده کاوی با SQL SERVER2005

بررسی ومطالعه ی کامل داده کاوی و داده کاوی با SQL SERVER2005

پیاده سازی آن روی بانک اطلاعاتی دانشگاه آزاد قوچان

 

چکیده

امروزه با گسترش سيستم هاي پايگاهي و حجم بالاي داده ها ي ذخيره شده در اين سيستم ها ، نياز به ابزاري است تا بتوان داده هاي ذخيره شده را پردازش کرد و اطلاعات حاصل از اين پردازش را در اختيار کاربران قرار داد.

داده کاوي يکي از مهمترين روش ها ی کشف دانش است که به وسيله آن الگوهاي مفيد در داده ها با حداقل دخالت کاربران شناخته مي شوند و اطلاعاتي را در اختيار کاربران و تحليل گران قرار مي دهند تا براساس آنها تصميمات مهم و حياتي در سازمانها اتخاذ شوند.داده کاوی را تحلیل گران با اهداف گوناگونی از قبیل کلاس بندی, پیش بینی, خوشه بندی ,تخمین انجام می دهند. برای کلاس بندی, مدل هاو الگوریتم هایی مانند قاعده ی بیز, درخت تصمیم, شبکه ی عصبی, الگوریتم ژنتیک مطرح شده است.برای پیش بینی مدل رگرسیون خطی ومنطقی و برای خوشه بندی الگوریتم های سلسله مراتبی و تفکیکی, وبرای تخمین مدل های درخت تصمیم و شبکه ی عصبی مطرح می شود. در فصل دوم و سوم با الگوریتم ژنتیک که یکی از الگوریتم های داده کاوی و با شبکه ی عصبی که یکی از مدل های داده کاوی هستند آشنا می شویم .درفصل چهارم به محاسبات نرم و برخی از اجزای اصلی ان و نقش آنها در داده کاوی می پردازیم.

در فصل پنجم با ابزارهای داده کاوی آشنا می شویم . برای داده کاوی ابزارهای متنوعی وجود دارد. می توان ابزارداده کاوی را با تطبیق آن ابزار با داده های مسئله و با توجه به محیط داده ای که می خواهید از آن استفاده کنید، و امکاناتی که آن ابزار دارد انتخاب کنید.وسپس به داده کاوی با SQLSERVER2005 می پردازیم .ودرفصل ششم به داده کاوی با SQL SERVER2005 روی بانک اطلاعاتی دانشگاه آزاد قوچان پرداختیم.

کلمات کلیدی ،کلاس بندی ، خوشه بندی ، پیش بینی ، تخمین

 

مقدمه

امروزه با گسترش سيستم هاي پايگاهي و حجم بالاي داده ها ي ذخيره شده در اين سيستم ها ، نياز به ابزاري است تا بتوان داده هاي ذخيره شده را پردازش کرد و اطلاعات حاصل از اين پردازش را در اختيار کاربران قرار داد .با استفاده از ابزارهاي گوناگون گزارش گيري معمولي ، مي توان اطلاعاتي را در اختيار کاربران قرار داد تا بتوانند به نتيجه گيري در مورد داده ها و روابط منطقي ميان آنها بپردازند اما وقتي که حجم داده ها خیلی بالا باشد ، کاربران هر چند زبر دست و با تجربه باشند نمي توانند الگوهاي مفيد را در ميان حجم انبوه داده ها تشخيص دهند و يا اگر قادر به اين کار هم با شوند ، هزينه عمليات از نظر نيروي انساني و مادي بسيار بالا است .از سوي ديگر کاربران معمولا فرضيه اي را مطرح مي کنند و سپس بر اساس گزارشات مشاهده شده به اثبات يا رد فرضيه مي پردازند ، در حالي که امروزه نياز به روشهايي است که اصطلاحا به کشف دانش بپردازند يعني با کمترين دخالت کاربر و به صورت خودکار الگوها و رابطه هاي منطقي را بيان نمايند .

داده کاوي يکي از مهمترين اين روش ها است که به وسيله آن الگوهاي مفيد در داده ها با حداقل دخالت کاربران شناخته مي شوند و اطلاعاتي را در اختيار کاربران و تحليل گران قرار مي دهند تا براساس آنها تصميمات مهم و حياتي در سازمانها اتخاذ شوند .


 

تعداد صفحات 217 word

 

* چکیده

* فصــل اول- مقدمه ای بر داده کاوی

* 1-1-مقدمه

* 1-2-عامل مسبب پیدایش داده کاوی

* 1-3-داده كاوی و مفهوماكتشاف دانش(KDD)

* 1-3-1-تعریف داده کاوی

* 1-3-2- فرآیند داده‌كاوی

* 1-3-3-قابلیت های داده کاوی

* 1-3-4-چه نوع داده‌هایی مورد كاوش قرار می گیرند؟

* 1-4- وظایف داده کاوی

* 1-1-4-کلاس بندی

* 1-4-2- مراحل یک الگوریتم کلاس‌بندی

* 1-4-3-انواع روش‌های کلاس‌بندی

* 1-4-3-1- درخت تصمیم

* 1-4-3-1-1- کشف تقسیمات

* 1-4-3-1-2- دسته بندی با درخت تصمیم

* 1-4-3-1-3-انواع درخت‌های تصمیم

* 1-4-3-1-4- نحوه‌ی هرس كردن درخت

* 1-4-3-2- نزدیکترین همسایگی_ K

* 1-4-3-3-بیزی

* 1-4-3-3-1 تئوری بیز

* 1-4-3-3-2 -دسته بندی ساده بیزی

* 1-4-3-4- الگوریتم‌های ژنتیك در فصل دو با آن آشنا می شویم

* 1-4-3-5-شبكه‌های عصبی

* 1-4-4- ارزیابی روش‌های کلاس‌بندی

* -2-4-1پیش بینی

* 1-4-3-انواع روش‌های پیش بینی

* 1-4-3-1- رگرسیون

* 1-4-3-1 -1- رگرسیون خطی

* 1-4-3-1-2-رگرسیون منطقی

* 1-4-3- خوشه بندی

* 1-4-3-1- تعریف فرآیند خوشه‌بندی

* 1-4-3-2-کیفیت خوشه‌بندی

* 1-4-3-3-روش ها و الگوریتم‌های خوشه‌بندی

* 1-4-3-3-1-روش های سلسله‌مراتبی

* 1-4-3-3-1-1- الگوریتم های سلسله مراتبی

* 1-4-3-3-1-1-1-الگوریتم خوشه بندی single-linkage

* 1-4-3-3-2-الگوریتم‌های تفكیك

* 1-4-3-3-3-روش‌های متكی برچگالی

* 1-4-3-3-4-روش‌های متكی بر گرید

* 1-4-3-3-5-روش‌‌های متكی بر مدل

* 1-4-4- تخمین

* 1-4-4-1- درخت تصمیم

* 1-4-4-2- شبکه ی عصبی

* 1-4-5-سری های زمانی

* 1-5-کاربردهای داده کاوی

* 1-6-قوانین انجمنی

* 1-6-1-كاوش قوانین انجمنی

* 1-6-2-اصول كاوش قوانین انجمنی

* 1-6-3-اصول استقرا در كاوش قوانین انجمنی

* 1-6-4-الگوریتم Apriori

* 1-7-متن کاوی

* 1-7-1- مقدمه

* 1-7-2- فرآیند متن کاوی

* 1-7-3- کاربردهای متن کاوی

* 1-7-3-1- جستجو و بازیابی

* 1-7-3-2-گروه بندی و طبقه بندی داده

* 1-7-3-3-خلاصه سازی

* 1-7-3-4- روابط میان مفاهیم

* 1-7-3-5- یافتن و تحلیل ترند ها

* 1-7-3-5- برچسب زدن نحوی (POS)

* 1-6-2-7-ایجاد تزاروس و آنتولوژی به صورت اتوماتیک

* 1-8-تصویر کاوی

* 1-9- وب کاوی

* فصل دوم -الگوریتم ژنتیک

* 1-2-مقدمه

* 2-2-اصولالگوریتمژنتیک

* 2-2-1-کد گذاری

* 2-2-1-1-روش های کد گذاری

* 2-2-1-1-1-کدگذاری دودویی

* 2-2-1-1-2-کدگذاری مقادیر

* 2-2-1-1-3-کدگذاری درختی

* 2-2-2- ارزیابی

* 2-2-3-انتخاب

* 2-2-3-1-انتخاب گردونه دوار

* 2-2-3-2-انتخاب رتبه ای

* 2-2-3-3-انتخاب حالت استوار

* 2-2-3-4-نخبه گزینی

* 2-2-4-عملگرهای تغییر

* 2-2-4-1-عملگر Crossover

* 2-2-4-2-عملگر جهش ژنتیکی

* 2-2-4-3-احتمالCrossover و جهش

* 2-2-5-کدبرداری

* 2-2-6-دیگر پارامترها

* 2-4-مزایای الگوریتم های ژنتیک

* 2-5- محدودیت های الگوریتم های ژنتیک

* 2-6-چند نمونه از کاربرد های الگوریتم های ژنتیک

* 2-6-1-یک مثال ساده

* فصل سوم-شبكه های عصبی

* 3-1-چرا از شبکه های عصبی استفاده می کنیم؟

* 3-2-سلول عصبی

* 3-3-نحوه عملکرد مغز

* 3-4-مدل ریاضی نرون

* 3-5-آموزش شبكه‌های عصبی

* 3-6-کاربرد های شبکه های عصبی

* فصل چهارم - محاسبات نرم

* 4-1-مقدمه

* 4-2-محاسبات نرمچیست ؟

* 4-2-1-رابطه

* 4-2-2-مجموعه های فازی

* 4-2-2-1-توابع عضویت

* 4-2-2-2- عملیات اصلی

* 4-2-3-نقش مجموعه­های فازی در داده­کاوی

* 4-2-3-1- خوشه بندی

* 4-2-3-2- خلاصه­ سازی داده­ها

* 4-2-3-3- تصویر کاوی

* 4-2-4- الگوریتمژنتیک

* 4-2-5-نقش الگوریتم ژنتیک در داده کاوی

* 4-2-5-1- رگرسیون

* 4-2-5-2-قوانین انجمنی

* 4-3-بحث و نتیجه گیری

* فصل پنجم - ابزارهای داده کاوی

* 5-1- نحوه ی انتخاب ابزارداده کاوی

* 5-2-1-ابزار SPSS-Clemantine

* 5-2-3-ابزار KXEN

* 5-2-4-مدل Insightful

* 5-2-5-مدل Affinium

* 5-3- چگونه می توان بهترین ابزار را انتخاب کرد؟

* 5-4-ابزار های داده کاوی که در 2007 استفاده شده است

* 5-5-داده کاوی با sqlserver 2005

* 5-5-1-اتصال به سرورازمنوی

* 5-5-2- ایجاد Data source

* 5-5-3- ایجادData source view

* 5-5-4- ایجاد Mining structures

* 5-5-5- Microsoft association rule

* 5-5-6- Algorithm cluster

* 5-5-7- Neural network

* 5-5-8-Modle naive-bayes

* 5-5-9-Microsoft Tree Viewer

* 5-5-10-Microsoft-Loistic-Regression

* 5-5-11-Microsoft-Linear-Regression

* فصل ششم - نتایج دادهکاوی با SQL SERVER2005روی بانک اطلاعاتی دانشگاه آزاد قوچان

* ·1-6-نتایج Data Mining With Sql Server 2005 روی بانک اطلاعاتی دانشگاه آزاد قوچان

* 1-6-1-Microsoft association rule

* 1-6-2- Algorithm cluster

* 1-6-3- Neural network

* 1-6-4- Modle naive-bayes

* 1-6-5-Microsoft Tree Viewer

* 7-1-نتیجه گیری

* منابع وماخذ

 


مبلغ قابل پرداخت 4,000 تومان

توجه: پس از خرید فایل، لینک دانلود بصورت خودکار در اختیار شما قرار می گیرد و همچنین لینک دانلود به ایمیل شما ارسال می شود. درصورت وجود مشکل می توانید از بخش تماس با ما ی همین فروشگاه اطلاع رسانی نمایید.

Captcha
پشتیبانی خرید

برای مشاهده ضمانت خرید روی آن کلیک نمایید

تمام حقوق مادی و معنوی این وب سایت متعلق به "فروشگاه فایل سل" می باشد

فید خبر خوان    نقشه سایت    تماس با ما