مقاله در مورد داده کاوي

 nx دارای 39 صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است فایل ورد nx  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد. این پروژه توسط مرکز nx2 آماده و تنظیم شده است توجه : در صورت  مشاهده  بهم ريختگي احتمالي در متون زير ،دليل ان کپي کردن اين مطالب از داخل فایل ورد مي باشد و در فايل اصلي nx،به هيچ وجه بهم ريختگي وجود ندارد بخشی از متن nx : داده کاوی چکیدهاز هنگامی که رایانه در تحلیل و ذخیره سازی داده ها بکار رفت (1950) پس از حدود 20 سال، حجم داده ها در پایگاه داده ها دو برابر شد. همچنین تعداد پایگاه داده ها با سرعت بیشتری رشد نمود. این در حالی است که تعداد متخصصین تحلیل داده ها و آمارشناسان با این سرعت رشد نكرد.حال با وجود سیستم های یکپارچه اطلاعاتی، سیستم های یکپارچه بانکی و تجارت الکترونیک، لحظه به لحظه به حجم داده ها در پایگاه داده های مربوط 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 (چنان که در عصر حاضر گفته می شود). فهرست مطالب فصل 1 مقدمه 911 مقدمه 10 فصل 2 مفاهیم داده کاوی 1221 فرایند داده کاوی 1322 دو مفهوم اساسی در داده کاوی 1423 اساس داده کاوی 1524 عوامل ایجاد داده کاوی 1625 زیر بنای داده کاوی 1626 عناصر داده کاوی 1727 مراحل داده کاوی 1828 وظایف داده کاوی 2129 فنون داده کاوی 22210 معماری داده کاوی 25211 تکنیک های مختلف داده کاوی 26 فصل 3 کاربرد های داده کاوی 2831 معرفی 2932 کاربرد داده کاوی در کتابخانه ها و محیط های دانشگاهی 3033 کاربرد داده کاوی در فعالیت شرکت ها 3234 کاربرد داده کاوی در مدیریت و کشف فریب 3235 کاربرد داده کاوی در صنعت خورده فروشی 33 36 داده کاوی در مدیریت ارتباط با مشتری 3337 کاربرد داده کاوی در پزشکی 3538 وب کاوی 3539 تصویر کاوی 37 فهرست مطالبفصل 4 مثال تفهیمی در مورد داده کاوی 38 مثال تفهیمی در مورد داده کاوی 39 فهرست اشکال شکل 21 فنون داده کاوی 22 شکل 22 نمونه ای از یک درخت تصمیم 24 شکل 23 طبقه بندی در داده کاوی 27 شکل 31 داده کاوی در مدیریت ارتباط با مشتری 34 فهرست جداول جدول 31 کاربردهای داده کاوی درکتابخانه ها 31 فصل اولمقدمه 11 مقدمه :درطول دهه گذشته باپیشرفت روزافزون کاربرد پایگاه داده ها،حجم داده های ثبت شده به طور متوسط هر5سال 2برابرمی شود. دراین میان سازمان هایی موفقند که بتوانند حداقل 7داده هایشان راتحلیل کنند. تحقیقات انجام یافته نشان داده است که سازمانها کمترازیک درصد داده هایشان رابرای تحلیل استفاده می کنند.به عبارت دیگردرحالی که غرق درداده ها هستند تشنه دانش می باشند.بنابراعلام دانشگاه MIT دانش نوین داده کاوی (Data mining) یکی ازده دانش درحال توسعه ای است که دهه آینده راباانقلاب تکنولوژی مواجه می سازد.این تکنولوژی امروزه دارای کاربرد بسیاروسیعی درحوزه های مختلف است به گونه ای که امروزه حدومرزی برای کاربرد این دانش درنظرنگرفته وزمینه های کاری این دانش راازذرات کف اقیانوس ها تااعماق فضامی دانند.امروزه بیشترین کاربرد داده کاوی دربانکها، مراکزصنعتی وکارخانجات بزرگ، مراکزدرمانی وبیمارستانها ،مراکز تحقیقاتی ،بازاریابی هوشمند وبسیاری ازموارددیگرمی باشد.داده کاوی پل ارتباطی میان علم وآمار،علم کامپیوتر، هوش مصنوعی ،الگو شناسی،فراگیری ماشین وبازنمایی بصری داده می باشد.داده کاوی فرآیندی پیچیده جهت شناسایی الگوها ومدل های صحیح، جدید وبه صورت بالقوه مفید، درحجم وسیعی ازداده می باشد، به طریقی که این الگوها ومدلها برای انسانها قابل درک باشد.داده کاوی به صورت یک محصول قابل خریداری نمی باشد،بلکه یک رشته علمی وفرآیندی است که بایستی به ص ورت یک پروژه پیاده سازی شود.کاوش داده ها به معنی کنکاش داده های موجود درپایگاه داده وانجام تحلیل های مختلف برروی آن به منظوراستخراج اطلاعات می باشد.داده کاوی فرآیندی تحلیلی است که برای کاوش داده ها( معمولاً حجم عظیمی ازداده ها) صورت می گیرد ویافته هابا به کارگیری الگوهایی ،احرازاعتبارمی شوند.هدف اصلی داده کاوی پیش بینی است.وبه صورت دقیق ترمی توان گفت:” کاوش داده ها شناسایی الگوهای صحیح ،بدیع، سودمند وقابل درک ازداده های موجود دریک پایگاه داده است که بااستفاده ازپردازش های معمول قابل دستیابی نیستند.” فصل دوممفاهیم داده کاوی 21 فرایند داده کاویفرآیند داده کاوی شامل سه مرحله می باشد:1- کاوش اولیه2- ساخت مدل یاشناسایی الگو باکمک احرازاعتبار/ تایید3- بهره برداریمرحله 1: کاوشمعمولاً این مرحله باآماده سازی داده ها صورت می گیرد که ممکن است شامل پاک سازی داده ها، تبدیل داده ها وانتخاب زیرمجموعه هایی ازرکوردها با حجم عظیمی ازمتغییرها( فیلدها) باشد.سپس باتوجه به ماهیت مساله تحلیلی، این مرحله به مدل های پیش بینی ساده یا مدل های آماری وگرافیکی برای شناسایی متغییرهای مورد نظروتعیین پیچیدگی مدل ها برای استفاده درمرحله بعدی نیازدارد.مرحله 2: ساخت واحرازاعتبارمدلاین مرحله به بررسی مدل های مختلف وگزینش بهترین مدل باتوجه به کارایی پیش بینی آن می پردازد.شاید این مرحله ساده به نظربرسد.اما این طورنیست.تکنیک های متعددی برای رسیدن به این هدف توسعه یافتند.و” ارزیابی رقابتی مدل ها” نام گرفتند. بدین منظورمدل های مختلف برای مجموعه داده های یکسان به کارمی روند تاکارایی شان باهم مقاس یه شود. سپس مدلی که بهترین کارایی راداشته باشد انتخاب می شود. این تکنیک ها عبارتندازStacking، Boosting،Bagging و Meta- Learningمرحله 3: بهره برداریآخرین مرحله مدلی راکه درمرحله قبل انتخاب شده است، درداده های جدید به کارمی گیرد تا پیش بینی های خروجی های موردانتظار راتولیدنماید.داده کاوی به عنوان ابزارمدیریت اطلاعات برای تصمیم گیری، عمومیت یافته است. اخیراً توسعه تکنیک های تحلیلی جدید د راین زمینه مورد توجه قرارگرفته است.(مثلاً Classification Tree) اما هنوزداده کاوی مبتنی براصول آماری نظیر(EDA: Exploratory Data Analysis)می باشد.بااین وجود تفاوت عمده ای بین داده کاوی وEDA وجود دارد. داده کاوی بیشتربه برنامه های کاربردی گرایش داردتا ماهیت اصلی پدیده، به عبارتی داده کاوی کمترباشناسایی روابط بین متغییرها سروکاردارد.22 دو مفهوم اساسی در داده کاویBagging:این مفهوم برای ترکیب رده بندی های پیش بینی شده ازچند مدل به کارمی رود.فرض کنید که قصددارید مدلی برای رده بندی پیش بینی بسازید ومجموعه داده ها مورد نظرتان کوچک است.شمامی توانید نمونه هایی (باجایگزینی ) راازمجموعه داده ها انتخاب وبرای نمونه های اصلی ازدرخت رده بندی استفاده نمایید.به طورکلی برای نمونه های مختلف به درخت های متفاوتی خواهیدرسید.سپس برای پیش بینی باکمک درخت های متفاوت به دست آمده ازنمونه ها یک رای گیری ساده انجام دهید.رده بندی نهایی رده بندی ای خواهدبود که درخت های مختلف آن راپیش بینی کرده اند.Boosting:این مفهوم برای تولید مدل های چند گانه (برای پیش بینی یارده بندی ) به کارمی رود.Boosting ترکیبی از classifierها راتولید خواهدکرد.23 اساس داده کاویاساس داده کاوی برمبنای سه فعالیت اصلی ذیلاً به آنها اشاره می شود:1- هدف داده کاوی: داده های بی ارزش وعوامل بیرونی حذف می شوند.2- فشرده سازی دادها : این عمل به وسیله کد گذاری داده ها صورت می گیرد.3- کشف الگوها: الگوهای موجود درپایگاه داده ها ازقبیل طبقه بندی ،الگوهای زنجیری و;.. کشف می شوند.انتخاب یک سیستم داده کاوی سیستم های داده کاوی درروش وعملکرد متفاوتند وحتی ممکن است باانواع کاملا متفاوتی ازمجموعه داده ها مطابق باشند.برای انتخاب یک سیستم داده کاوی باید شرایط زیردرنظرگرفته شوند:1- نوع داده ها: که می تواند متنی، رابطه ای، زنجیری، فضایی و;.باشد.2- ساختار وویژگی های سرور ومشتری3- منبع داده ها4- روش وعملکرد سیستم5- قابلیت اندازه گیری6- استفاده ازابزارهای دیداری7- زبان سیستم8- گرافیکی بودن محیط سیستم24 عوامل ایجاد داده کاوی1- سیل اطلاعات2- معاملات کامپیوتری،اطلاعات علمی،اطلاعات پزشکی اشخاص، بازیها،شبکه جهانی وب3- کاربرداطلاعات به عنوان کالا4- رشدانبارهای داده ونیازبه استخراج اطلاعات مفید5- راهکارهای فناوری جدید اطلاعات6- تحقیقات وپیشرفت درعلوم ازجمله هوش مصنوعی 25 زیربنای داده کاویتکنیک های داده کاوی نتیجه ی تحقیقات گسترده وبلندمدتی است که درطول سالها برای افزایش بازدهی تجاری موسسات بکاربرده می شدند.تحقیقات دراین زمینه اززمانی آغازشدکه برای نخستین باراطلاعات تجاری هرسازمان،برروی سیستم های ذخیره سازی آن زمان که ازنوع مغناطیسی بودند،ذخیره شدند. این رشته تحقیقات باتوسعه وپیشرفت سیستم های اطلاعات که قابلیت ذخیره حجم بیشتری ازداده ها رافراهم می کردندوهمچنین ازسرعت بسیاربالاتری درذخیره سازی وبازیابی اطلاعات برخورداربودند، اهمیت بیشتری یافت. روش های دسترسی تصادفی یارندم به اطلاعات وپیدایش روشهای حرکت درمیان داده ها،خصوصاً به صورت بلادرنگ، فناوری داده کاوی رامتحول ساخت.روش های داده کاوی برپایه های زیر استوار هستند:1- گردآوری حجم عظیمی داده2- کامپیوترهای چند پردازنده ی قدرتمند3- الگوریتمهای داده کاوی26 عناصرداده کاویتوصیف وکمک به پیش بینی دوکارکرد اصلی داده کاوی هستند.تحلیل داده مربوط به مشخصه های انتخابی متغییرها؛ ازگذشته وحال،ودرک الگوهای مثالی ازتحلیل توصیفی است.برآورد ارزش آینده یک متغییر وطرح ریزی کردن روندمثالی پیشگویانه داده کاوی است.برای عملی شدن هریک ازدوکارکرد فوق الذکرداده کاوی، چند گام ابتدایی اما مهم باید اجراشوند که ازاین قرارند:1- انتخاب دادها 2- پاک سازی داده ها3- غنی سازی داده ها4- کدگذاری داده هابادارابودن هدف کلی درمطالعه، انتخاب مجموعه داده های اصلی برای تحلیل، اولین ضرورت است.رکوردهای لازم می تواند ازانبارداده ها ویابانک اطلاعاتی عملیاتی استخراج شود.این رکوردهای داده جمع آوری شده، اغلب ازآنچه آلودگی داده ها نامگذاری شده است رنج می برند وبنابراین لازم است پاکسازی شوند تاازیکدستی فرمت (شکلی) آنها اطمینان حاصل شود، موارد تکراری حذف شده وکنترل سازگاری دامنه به عمل آید ممکن است داده های گرد آوری شده ازجنبه های خاصی ناقص یاناکافی باشد.دراین صورت داده های مشخصی باید گردآوری شوند تابانک اطلاعاتی اصلی راتکمیل کنند منابع مناسب برای این منظورباید شناسایی شوند.این فرآیند مرحله غنی سازی داده ها راتکمیل می کند .یک سیستم کدگذاری مناسب معمولاً جهت انتقال داده ها به فرم ساختاربندی شده جدید، متناسب برای عملیات داده کاوی تعبیه می شود. 27 مراحل داده کاویداده کاوی درطی 10 مرحله انجام می گیرد.این مراحل به ترتیب عبارتنداز:1- شناسایی هدف: دراین مرحله مشخص می شود که کاربربه چه چیزی می خواهددست یابد وچه نوع وچه سطحی ازاطلاعات رامی خواهد ازپایگاه داده ها به دست آورد به طوری که دروقت اوصرفه جویی شود.2- انتخاب داده: پس ازاین که هدف تعیین شد باید داده انتخاب شود.درانتخاب داده باید شرایطی درنظرگرفته شود ازقبیل این که: آیافیلد مشترکی دربین داده های انتخاب شده وجود دارد که بتواند برای لینک شدن به یک پایگاه داده ی دیگرمورد استفاده قرارگیرد؛ آیا داده ای که قراراست کاوش شود قابل دسترسی هست، آیاپس ازاین که مجموعه داده ها تهیه شد درآن انباشتگی وجود داردخیر؛ چقدرازاین داده ها به هدف مورد به هدف نظرماهستند؟3- آماده سازی داده ها: پس ازسازماندهی وانتخاب داده ها باید فرمت قابل استفاده داده ها مشخص شود. هدف ازاین مرحله تولید یک مجموعه آماده ازداده های کاوش شده است. شناسایی متغییرهای زاید وپارازیت ها دریک مجموعه داده ها ورفع این متغییرها ازاهداف این مرحله است.4- ارزیابی داده ها: دراین مرحله ساختار داده ها باتوجه به شرایطی ارزیابی می شوند که این شرایط عبارتندازاین که: ویژگی وساختار پایگاه داده ها چیست؛ شرایط کلی مجموعه داده ها چیست؛ توزیع مجموعه دادها به چه صورت است؛ آیا ساختار داده ها بانیازاستفاده کنندگان مطابقت دارد؟5- قالب بندی پاسخ: منظوراین است که پاسخ به چه فرمتی ارائه شود. به شکل تصویر،گزارش، ساختار درختی، شبکه عصبی و;.6- انتخاب ابزار: دراین مرحله ابزار مناسب برای داده کاوی انتخاب می شود.درموقع انتخاب ابزار مناسب برای داده کاوی باید درنظربگیریم که آیا این ابزارباکامپیوترکاربرمطابقت دارد یاخیر؟ یک ابزار داده کاوی باید به گونه ای باشد که نتایج تجزیه وتحلیل آن برای کاربر قابل درک باشد.همچنین باید بدانیم که ابزاری که انتخاب می کنیم چه نوع پاسخهایی راتولید می کند. باید به این نکته توجه کنیم که هیچ ابزاری به تنهایی قادربه تهیه پاسخ نیست؛ بلکه مجموعه ای ازابزارها به همراه مجموعه ای ازبرنامه ها مورد نیازاست.7- مدلسازی: دراین مرحله فرآیند داده کاوی شروع می شود. این مرحله شامل جستجوی الگوها دریک مجموعه داده ها وطبقه بندی ،تصمیم گیری ،جمع آوری وارز شیابی داده ها می باشد.مواردی رابایددرنظرگرفت ازقبیل: میزان خطاهای مدل تا چه حداست؟ آیا این کدل ها قابل پذیرش هستند؟ آیا امکان پیشرفت آنها وجود دارد؟ آیا برای یک مدل به داده های بیشتروروش های مختلفی نیازاست؟ آیا نیازاست که مجموعه داده ها تست شوند;..8- اعتبار سازی یافته ها: این مرحله شامل تست کردن الگوهاست. درتجزیه وتحلیل داده کاوی باید درمورد نتایج تجزیه وتحلیل بامدیر،طراح،مجری طرح، تحلیل گرومهندسان بحث شود. به این دلیل که مطمئن شویم که یافته هها صحیح ومطابق بااهداف ماهستند. همچنین بررسی کنیم که آیا نتایج قابل دسترسی هستند؟ آیا نیازاست که به مراحل قبلی بازگردیم تا نتایج بهتری کسب کنیم؟ آیا ابزارهای دیگرداده کاوی می توانند مورد استفاده قرارگیرند به طوری که همانند نتایج استخراج شوند و;..9- ارائه نتایج: این مرحله گزارش نهایی رابرای کاربرتهیه می کند. این گزارش باید با استناد به کل فرآیند داده کاوی باشد.باارائه نتایج به کاربرمشخص می شود که آیا این یافته ها مطابق بااهداف اوهستند؟ وآیا داده های بیشتری می توانند باعث پیشرفت تجزیه وتحلیل شوند؟10- استفاده ازنتایج: هدف نهایی داده کاوی استفاده ازنتایج کشف شده برای ایجاد یک موقعیت جدید وبهتراست. 28 وظایف داده کاویباتوجه به مباحث مطرح شده می توان وظایف داده کاوی رابه صورت زیرخلاصه کرد:توصیف: یافتن الگوهایی که داده ها راتوصیف می کنند.پیش بینی : استفاده ازمتغییرها برای پیش بینی ارزش های ناشناخته دیگرمتغیرهاتوضیح: اگرکاربری دریک زمان واحد به دواثردسترسی داشته باشداین طور نتیجه گیری می شود که ارتباطی بین دواثروجوددارد.بنابراین اگرکاربردیگری تنها به یکی ازاین دواثردسترسی داشته باشد ازطریق داده کاوی پیش بینی می شود که این کاربراحتمالاً به اثراول نیزعلاقمنداست. 29 فنون داده کاویفنون داده کاوی یک گروه نا متجانس راشکل می دهند چراکه هرتکنیکی که بتواند بینش جدیدی ازداده ها رااستخراج کند می تواند داده کاوی به حساب آید. برخی از ابزارهای رایج به کارگرفته شده تحت عنوان داده کاوی عبارتنداز:1- ابزارهای پرس وجو2- فنون آماری 3- مصورسازی4- پردازش تحلیلی پیوسته5- یادگیری مبتنی برمورد6- درختان تصمیم گیری7- قوانین وابستگی8- شبکه های عصبی9- الگوریتم ژنتیکیشكل21 فنون داده کاوی ابزارهای پرس وجو: ابزارهای متداول زبان پرس وجوی ساختاربندی شده درابتدا برای انجام تحلیل های اوایه به کارگرفته شدند که می تواند مسیرهایی برای تفحص بیشترنشان دهد.فنون آماری: مشخصات اصلی داده ها لازم است باکاربرد انواع مختلفی ازتحلیل های آماری شامل جدول بندی ساده ومتقاطع داده ها ومحاسبه پارامترهای آماری مهم به دست آید.مصورسازی: با نمایش داده ها درقالب نمودارها وعکس ها مانند نمودار پراکندگی ،گروه بندی داده ها درخوشه های متناسب تسهیل می شود. استنباط عمیق ترممکن است با به کارگیری تکنیک های گرافیکی پیشرفته حاصل شود.پردازش تحلیلی پیوسته: ازآن جا که مجموعه داده ها ممکن است روابط چندین بعدی داشته باشند، روش های متعددی برای ترکیب دادن آنها وجود دارد. ابزارهای پردازش تحلیلی پیوسته به ذخیره چنین ترکیباتی کمک می کند وابزارهای ابتدا، انتهای پیوسته برای انجام پرس وجو ایجاد می کند.اما این ابزارها هیچ دانش جدیدی ایجاد نمی کنند.یادگیری مبتنی برمورد: این تکنیک مشخصات گروه های داده ها را تحلیل می کند وبه پیش بینی هرنهاد واقع شده درهمسایگی شان کمک می کند.الگوریتم هایی که استرتژی یادگیری تعاملی رابرای کاوش دریک فضای چندین بعدی به کارمی گیرند برای این منظور مفیداست. درختان تصمیم گیری: این تکنیک بخش های مختلف فهرست پاسخ های موفق داده شده مربوط به یک پرس وجو رابازیابی می کند وبه این ترتیب به ارزیابی صحیح گزینه های مختلف کمک می کند. شکل 22 نمونه ای از یک درخت تصمیم قوانین وابستگی:اغلب مشاهده می شود که یک وابستگی نزدیک (مثبت یا منفی) بین مجموعه ای ازداده های معین وجوددارد. بنابراین قوانین رسمی وابستگی برای تولید الگوهای جدید ساخته وبه کارگرفته می شود.شبکه های عصبی: این یک الگوریتم یادگیری ماشینی است که عملکرد خودش رابراساس کاربرد وارزیابی نتایج بهبود می بخشد.الگوریتم ژنتیکی: این هم تکنیک مفید دیگری برای پیش بینی هدف است. به این ترتیب که با یک گروه یا خوشه شروع می شود ورشدش درآینده راباحضور دربرخی مراحل فرآیند محاسبه احتمال جهش تصادفی،همان طور که درتکامل طبیعی فرض می شود طرح ریزی می نماید.این تکنیک به چند روش می تواند عملی شود.وترکیب غیرقابل انتظار یانادری راازعواملی که درحال وقوع بوده ومسیرمنحنی طراحی داده ها را تغییر می دهند ،منعکس می کند.گام نهایی فرآیند داده کاوی، گزارش دادن است. گزارش شامل تحلیل نتایج وکاربردهای پروژه درصورت به کارگیری آنها است.ومتن مناسب جداول وگرافیک ها رادرخود جای می دهد.بیشتراوقات گزارش دهی یک فرآیند تعاملی است که تصمیم گیرنده با داده ها درپایانه کامپیوتری بازی می کند وفرم چاپی برخی نتایج واسطه محتمل رابرای عملیات فوری بدست می آورد.داده کاوی درتولید چهارنوع دانش زیرمفیداست:1- دانش سطحی (کاربرد های SQL )2- دانش چند وجهی (کاربردهای OALP)3- دانش نهان( تشخیص الگووکاربردهای الگوریتم یادگیری ماشینی)4- دانش عمیق (کاربردهای الگوریتم بهینه سازی داخلی)210 معماری داده کاوییک سیستم کشف دانش براساس داده کاوی باید دارای مراحل تکراری زیرباشد:1- پاکسازی داده ها( ازبین بردن نویز وناسازگاری داده ها)2- یکپارچه سازی داده (چندین منبع داده ترکیب می شود.)3- انتخاب داده ها( داده های مرتبط باآنالیزازپایگاه داده بازیابی می شوند.)4- تبدیل کردن داده ها(تبدیل داده ها به فرمی که مناسب برای داده کاوی باشد مثل خلاصه سازی وهمسان سازی)5- داده کاوی( فرآیند اصلی که روال هوشمند برای استخراج الگوها ازداده ها به کارگرفته می شوند.)6- ارزیابی الگو(برای مشخص کردن الگوهای صحیح ومورد نظربه وسیله معیارهای اندازه گیری)ارائه دانش( یعنی نمایش بصری، تکنیکهای بازنمایی دانش برای ارائه دانش کشف شده به کاربراستفاده می شود.) هرمرحله داده کاوی باید باکاربر یا پایگاه دانش تعامل داشته باشد.الگوهای کشف شده به کاربر ارائه می شوند ودرصورت خواست اوبه عنوان دانش به پایگاه دانش اضافه می شوند. توجه شود که برطبق این دیدگاه داده کاوی تنها یک مرحله ازکل فرآیند است،البته به عنوان یک مرحله اساسی که الگوهای مخفی راآشکار می سازد.211 تکنیک های مختلف داده کاوی تکنیک های مختلف داده کاوی رامی توان براساس نوع عملیاتی که انجام می دهند به دودسته ” پیش بینی کننده ” و” تشریح کننده ” تقسیم کرد. تکنیک های پیش بینی کننده باساخت مدلی برای پایگاه داده وظیفه پیش بینی موارد ناشناخته رابرعهده دارند.درحالی که تکنیک های تشریح کننده الگوهایی قابل فهم ازداده ها رابرای انسان کشف می کنند.طبقه بندی : هدف ازطبقه بندی ،مشخص کردن ویژگی هایی است که بتوان توسط آن، کلاسهای مختلف راازیکدیگرمتمایز کرد طبقه بندی درداده کاوی طی دو مرحله انجام می گیرد.ابتدا ازروی داده های قدیمی، کلاس های مختلف تشخیص داده شده وسپس تعلق داشتن داده های جدید به کلاس های موجود، پیش بینی می شود.طبقه بندی جزوتکنیک های یادگیری باناظراست زیرابادراختیارداشتن یک مجموعه داده آموزشی (به عنوان راهنما) داده های جدید راطبقه بندی می کند.این روش جزوروش های پیش بینی کننده به حساب می آید. شکل 23 طبقه بندی در داده کاوی فصل سومکاربرد های داده کاوی 31 معرفیداده کاوی به عنوان ده علم برترکه منجربه ایجاد تحول درعصرتکنولوژی می شوددرتمام زمینه ها کاربرد دارد و اصولاً هرجایی که داده وجودداشته باشد داده کاوی نیزمعنا می یابد.داده کاوی یک رشته جدید باکاربردهای وسیع وگوناگون است ازقبیل امورتجاری ومالی وفعالیت شرکت ها، امورپزشکی ،تجزیه وتحلیل مربوط به DNA ،کشف ناهنجاری ها واسناد جعلی، ارتباطات ازراه دور،ورزش وسرگرمی ،کتابداری واطلاع رسانی وامانت ،مدیریت بحران ،مدیریت وکشف فریب، تحلیل شکست ،مدیریت روابط مشتری ،مدیریت دانش ،بازاریابی ،بانکداری ،صنعت بیمه، حمل ونقل،پزشکی ،متن کاوی، شبکه کاوی ،صوت کاوی ، تصویرکاوی، وب کاوی ، سیستم هواشناسی، سیستم ثبت احوال، شناخت الگوها وکشف روابط پنهان میان داده ها، پیش بینی، کشف داده های خارج ازالگو به منظورکشف تقلب، کنترل کیفیت، کنترل مهندسی وپیش بینی، صنعت خرده فروشی ،تحلیل مالی و;. 32 کاربرد داده کاوی درکتابخانه ها ومحیط های دانشگاهی داده کاوی درابتدا ازحوزه تجارت برخاست اما کاربردهای آن درسایرحوزه هایی که به گردآوری حجم وسیعی ازداده ها می پردازند که دستخوش تغییرات پویا نیزمی گردد؛ مفید شناخته شد.بخشهایی مثل بانکداری، تجارت الکترونیک، تجارت سهام ، بیمارستان وهتل ازاین نمونه اند.انتظارمی رود که استفاده ازداده کاوی دربخش آموزش به طور عام امکانهای جدید بسیاری ارائه دهد.برخی کاربردهای داده کاوی درکتابخانه ها وقسمت اداری آموزش درذیل مورد بحث قرارگرفته اند.عملیات کتابداری به طورکلی شامل مدیریت مدارک، ارائه خدمات واموراداره و نگهداری است.هرکدام ازاین کارکردها باانواع مختلفی ازداده ها سروکاردارند وبه طورجداگانه پردازش می شوند.اگرچه انجام تحلیل ترکیبی براین مجموعه های داده نیز می تواند افق تازه ای رابگشاید که به طرح خدمات جدید وتحول رویه ها وعملیات جاری کمک نماید.جدول یک برخی ازکاربردهای ممکن داده کاوی راکه می تواند درکتابداری مفیدباشد ارائه می کند. جدول 31 کاربردهای داده کاوی درکتابخانه ها بانک اطلاعاتی کاربرد متصورگردآوری منابع برای تعیین نقاط قوت وضعف مجموعهاستفاده ازمجموعه برای ایجاد رابطه بین خواننده،منابع کتابخانه وزمان مشخصی ازارسالامانت بین کتابخانه ای برای تحلیل سفارشهای پاسخ داده شده وسفارشهای دریافت شدهداده های بخش امانت برای پیش بینی روند بازگشت منابعداده های هزینه برای نشان دادن منابع مالی بکارگرفته شده داده کاوی می تواند برای پاسخ دادن به یک سوال خاص مربوط به کتابخانه ونیزکشف روندهای عمومی که به تصمیم گیری کمک می کنند، استفاده شود.برای مثال سوال می تواند چنین باشد: امکان این که امانت گیرندگان منابع رایک هفته بعدازتاریخ موعد برگردانند تانامه های یادآوری کمتری فرستاده شود چقدراست؟ یامیزان اشتراک مورد انتظاربرای نشریات بین المللی انتخاب شده برای سال آینده چقدراست؟ درک الگوی استفاده کلی مجلات الکترونیکی یاتحلیل درخواستهای اعضاء برای میکروفیلمها طی 5 سال گذشته نیز همگی مثالهایی ازکشف روندهای عمومی اند.دامنه تحلیل استنادی هم می تواند بااستفاده ازداده کاوی گسترش داده می شود. ادامه خواندن مقاله در مورد داده کاوي

نوشته مقاله در مورد داده کاوي اولین بار در دانلود رایگان پدیدار شد.