بررسی و مطالعه کامل داده کاوی و داده کاوی با SQL SERVER 2005 و پیاده سازی روی بانک اطلاعاتی

بررسی و مطالعه کامل داده کاوی و داده کاوی با SQL SERVER 2005 و پیاده سازی روی بانک اطلاعاتی

فرمت فایل دانلودی: .doc
فرمت فایل اصلی: doc
تعداد صفحات: 217
حجم فایل: 7830
قیمت: : 7000 تومان

بخشی از متن:
چکیده:

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 را پردازش کرد و اطلاعات حاصل از این پردازش را در اختیار کاربران قرار داد.

داده کاوی یکی از مهمترین روش های کشف دانش 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. 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.

فهرست مطالب:
چکیده
فصل اول: مقدمه ای بر داده کاوی
مقدمه
عامل مسبب پیدایش داده کاوی
داده کاوی و مفهوم اکتشاف دانش (K.D.D)
تعریف داده کاوی
فرآیند داده‌کاوی
قابلیت های داده کاوی
چه نوع داده‌هایی مورد کاوش قرار می گیرند؟
وظایف داده کاوی
کلاس بندی
مراحل یک الگوریتم کلاس‌بندی
انواع روش‌های کلاس‌بندی
درخت تصمیم
کشف تقسیمات
دسته بندی با درخت تصمیم
انواع درخت‌های تصمیم
نحوه‌ی هرس کردن درخت
نزدیکترین همسایگی_ K
بیزی
تئوری بیز
دسته بندی ساده بیزی
یک مثال در توضیح طبقه بندی ساده بیزی
ارزیابی روش‌های کلاس‌بندی
پیش بینی
انواع روش‌های پیش بینی
رگرسیون
رگرسیون خطی
رگرسیون منطقی
خوشه بندی
تعریف فرآیند خوشه‌بندی
کیفیت خوشه‌بندی
روش ها و الگوریتم‌های خوشه‌بندی
روش های سلسله‌ مراتبی
الگوریتم های سلسله مراتبی
الگوریتم خوشه بندی single-linkage
الگوریتم‌های تفکیک
روش‌های متکی بر چگالی
روش‌های متکی بر گرید
روش‌‌های متکی بر مدل
تخمین
درخت تصمیم
سری های زمانی
کاربردهای داده کاوی
قوانین انجمنی
کاوش قوانین انجمنی
اصول کاوش قوانین انجمنی
اصول استقرا در کاوش قوانین انجمنی
الگوریتم Apriori
متن کاوی
مقدمه
فرآیند متن کاوی
کاربردهای متن کاوی
جستجو و بازیابی
گروه بندی و طبقه بندی داده
خلاصه سازی
روابط میان مفاهیم
یافتن و تحلیل ترند ها
برچسب زدن نحوی (POS)
ایجاد تزاروس و آنتولوژی به صورت اتوماتیک
تصویر کاوی
وب کاوی
فصل دوم: الگوریتم ژنتیک
مقدمه
مفاهیم پایه و لغات کلیدی
اصول الگوریتم ژنتیک
کد گذاری
روش‌های کد گذاری
کدگذاری دودویی
کدگذاری مقادیر
کدگذاری درختی
ارزیابی
انتخاب
انتخاب گردونه دوار
انتخاب رتبه ای
انتخاب حالت استوار
نخبه گزینی
عملگرهای تغییر
عملگر Crossover
عملگر جهش ژنتیکی
احتمال Crossover و جهش
کدبرداری
دیگر پارامترها
مزایای الگوریتم های ژنتیک
محدودیت های الگوریتم های ژنتیک
چند نمونه از کاربرد های الگوریتم های ژنتیک
یک مثال ساده
نسل اول
نسل بعدی
انتخاب
جهش (Mutation)
فصل سوم: شبکه های عصبی
چرا از شبکه های عصبی استفاده می کنیم؟
سلول عصبی
نحوه عملکرد مغز
مدل ریاضی نرون
آموزش شبکه‌های عصبی
کاربرد های شبکه های عصبی
فصل چهارم: محاسبات نرم
مقدمه
محاسبات نرم چیست؟
رابطه
مجموعه های فازی
توابع عضویت
عملیات اصلی
نقش مجموعه­های فازی در داده ­کاوی
خوشه بندی
خلاصه­ سازی داده ­ها
تصویر کاوی
الگوریتم ژنتیک
نقش الگوریتم ژنتیک در داده کاوی
رگرسیون
قوانین انجمنی
بحث و نتیجه گیری
فصل پنجم: ابزارهای داده کاوی
نحوه ی انتخاب ابزار داده کاوی
ابزار های داده کاوی
ابزار SPSS-Clemantine
ابزار STATISTICA Data Miner
ابزار KXEN
مدل Insightful
مدل Affinium
چگونه می توان بهترین ابزار را انتخاب کرد؟
سناریوهای داده
داده کاوی با sqlserver 2005 
اتصال به سرور
ایجاد Data source
ایجاد Data source view
ایجاد Mining structures
Microsoft association rule
Algorithm cluster
Neural network
Modle naive-bayes
Microsoft Tree Viewer
Microsoft-Loistic-Regression
Microsoft-Linear-Regression
فصل ششم: نتایج داده کاوی با SQL SERVER2005 روی بانک اطلاعاتی دانشگاه آزاد قوچان
نتایج Data Mining With Sql Server 2005  روی بانک اطلاعاتی دانشگاه آزاد قوچان
Microsoft association rule
Algorithm cluster
Neural network
Modle naive-bayes
Microsoft Tree Viewer
نتیجه گیری
پیشنهادات
منابع و ماخذ