نگاهی بر داده کاوی و کشف قوانین وابستگی بر آن (فایل Word ورد و با قابل ویرایش) تعداد صفحات 22

هدف از این اراِئه و تحقیق بررسی روشهای مطرح داده کاوی است .داده کاوی هر نوع استخراج دانش و یا الگواز داده های موجود در پایگاه داده است که این دانشها و الگوها ضمنی و مستتر در داده ها هستند ,از داده کاوی می توان جهت امور رده بندی (Classification ) و تخمین (Estimation) ,پیش بینی (Prediction) و خوشه بندی (Clustering)استفاده کرد .داده کاوی دارای محاسن فراوانی است . از مهمترین آن محاسن کشف کردن دانش نهفته در سیستم است که به شناخت بهتر سیستم کمک می کند .به عنوان مثال می توان به استفاده ترکیبی از روش خوشه بندی جهت تخصیص بودجه به دسته های مختلف  از کتب اشاره کرد .

سیستمهای داده کاوی تقریبا از اوایل دهه 1990 مورد توجه قرار گرفتند . علت این امر نیز آن بود که تا آن زمان سازمانها بیشتر در پی ایجاد سیستمهای عملیاتی کامپیوتری بودند که به وسیله آنها بتوانند داده های موجود در سازمان خود را  سازماندهی کنند . پس از ایجاد این سیستمها ,روزانه حجم زیادی از اطلاعات جمع آوری میشد که تفسیر کردن آنها از عهده انسان خارج بود . به همین دلیل , نیاز به تکنیکی بود که از میان انبوه داده معنی استخراج کند و داده کاوی به همین منظور ایجاد و رشد یافت .

بنابر این هدف اصلی از داده کاوی ,کشف دانش نهفته در محیط مورد بررسی است که این دانش می تواند شکلهای گوناگونی داسته باشد . دانش استخراج شده می تواند به فرم الگوهای موجود در داده ها باشد که کشف این الگوها منجر به شناخت بهتر سیستم نیز می شود . الگوهای استخراجی عموما بیانگر روابط بین ویژگیهای سیستم هستند بعنوان مثال در سیستم تجاری یک الگو می تواند بیانگر رابطه بین نوع کالا و میزان تقاضای آن باشد .

در این تحقیق داده کاوی مورد بحث قرار می گیرد . علل استفاده از داده کاوی و منابعی که داده کاوی بر روی آنها اعمال می شود ,علاوه بر این خلاصه ای از روشهای رایج داده کاوی ارائه شده است . تکنیکهای داده کاوی و قوانین وابستگی و الگوریتمهای موجود (Apriori , Aprior TID, Partition, Eclat ,Max Eclat , Vector ) و الگوریتم با ساختار  Trie وfp grow و الگوریتمهای کاهشی مورد بررسی قرار می گیرند و در هر مورد مثالها , موارد کاربرد ,تکنیکها و نقاط قوت و ضعف  مورد بررسی قرار گرفته اند .  

چکیده

مقدمه

کشف دانش در پایگاه داده

آیا داده کاوی برای حل مسائل ما مناسب است؟

جمع آوری داده ها

بکارگیری نتایج

استراتژیهای داده کاوی

پیش گویی Perdiction

Unsupervised Clustering دسته بندی بدون کنترل

تکنیکهای داده کاوی تحت کنترل

شبکه عصبی

برگشت آماری

قوانین وابستگی

الگوریتم  Apriori

الگوریتم Aprior TID

الگوریتم partition

الگوریتم های MaxEclat,Eclat

الگوریتم با ساختار trie

الگوریتم fp-grow

ساخت fp- tree

Fp-tree شرطی

الگوریتم برداری

نگهداری قوانین وابستگی

الگوریتم کاهشی

دانلود تحقیق و مقاله نگاهی بر داده کاوی و کشف قوانین وابستگی (فرمت فایل Word ورد) تعداد صفحات 22

در این تحقیق داده کاوی مورد بحث قرار می گیرد . علل استفاده از داده کاوی و منابعی که داده کاوی بر روی آنها اعمال می شود ,علاوه بر این خلاصه ای از روشهای رایج داده کاوی ارائه شده است . تکنیکهای داده کاوی و قوانین وابستگی و الگوریتمهای موجود (Apriori , Aprior TID, Partition, Eclat ,Max Eclat , Vector ) و الگوریتم با ساختار  Trie وfp grow و الگوریتمهای کاهشی مورد بررسی قرار می گیرند و در هر مورد مثالها , موارد کاربرد ,تکنیکها و نقاط قوت و ضعف  مورد بررسی قرار گرفته اند.

فهرست :

چکیده

مقدمه

کشف دانش در پایگاه داده

آیا داده کاوی برای حل مسائل ما مناسب است؟

جمع آوری داده ها

بکارگیری نتایج

استراتژیهای داده کاوی

پیش گویی Perdiction

Unsupervised Clustering دسته بندی بدون کنترل

تکنیکهای داده کاوی تحت کنترل

شبکه عصبی

برگشت آماری

قوانین وابستگی

الگوریتم  Apriori

الگوریتم Aprior TID

الگوریتم partition

الگوریتم های MaxEclat,Eclat

الگوریتم با ساختار trie

الگوریتم fp-grow

ساخت fp- tree

Fp-tree شرطی

الگوریتم برداری

نگهداری قوانین وابستگی

الگوریتم کاهشی