مقاله داده کاوی و اکتشاف دانش

توضیحات محصول

دانلود مقاله داده کاوی و اکتشاف دانش با فرمت ورد ودر 19 صفحه قابل ویرایش

فهرست مطالب2

مقدمه :3
تعريف داده کاوي4
تاريخچه داده کاوي5
مراحل فرايند کشف دانش از پايگاه داده ها6
انبارش داده ها7
انتخاب داده ها8
تبديل داده ها8
کاوش در داده ها9
تفسير نتيجه9
عملياتهاي داده کاوي9
مدلسازي پيشگويي کننده10
تقطيع پايگاه داده ها10
تحليل پيوند11
تشخيص انحراف11
برخی روشها و الگوريتمهاي مورد استفاده در داده كاوي11
شبكه هاي عصبي12
درخت هاي انتخاب13
استنتاج قانون13
الگوريتمهاي ژنتيك14
فرایند کشف دانش14
تعريف مساله15
ساختن يك پايگاه داده در داده كاوي15
جستجوي داده16
آماده سازي داده براي مدل سازي17
ساختن مدل داده كاوي17
ايجاد معماري مدل و نتايج18
نتيجه گيری19
منابع20

قسمتی از متن مقاله داده کاوی و اکتشاف دانش

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 کردواطلاعات حاصل از اين پردازش را در اختيار کاربران قرار داد. با استفاده ار پرسش هاي ساده در SQL و 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 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 شند ، 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 کاوييکي از مهمترين اين روشها 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 .

مقاله داده کاوی و اکتشاف دانش

در داده کاوي از بخشي از علم آمار به نام تحليل اکتشافي داده ها استفاده مي شود که در آن بر کشف اطلاعات نهفته و ناشناخته از درون حجم انبوه داده ها تاکيد مي شود . علاوه بر اين داده کاوي با هوش مصنوعي و يادگيري ماشين نيز ارتباط تنگاتنگي دارد ، بنابراين مي توان گفت در داده کاوي تئوريهاي پايگاه داده ها ، هوش مصنوعي ، يادگيري ماشين و علم آمار را در هم مي آميزند تا زمينه کاربردي فراهم شود .

بايد توجه داشت که اصطلاح داده کاوي زماني به کار برده مي شود که با حجم بزرگي از داده ها ، در حد مگا يا ترابايت ، مواجه باشيم . در تمامي منابع داده کاوي بر اين مطلب تاکيد شده است. هر چه حجم داده ها بيشتر و روابط ميان آنها پيچيده تر باشد دسترسي به اطلاعات نهفته در ميان داده ها مشکلتر مي شود و نقش داده کاوي به عنوان يکي از روشهاي کشف دانش ، روشن تر مي گردد. در داده کاوي معمولا به کشف الگوهاي مفيد از ميان داده ها اشاره مي شود . منظور از الگوي مفيد ، مدلي در داده ها است که ارتباط ميان يک زير مجموعه از داده ها را توصيف مي کند و معتبر ، ساده ، قابل فهم و جديد است.