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

دسته بندي : فنی و مهندسی » کامپیوتر و IT
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 های 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.

فهرست مطالب:
چکیده
فصل اول: مقدمه ای بر داده کاوی
مقدمه
عامل مسبب پيدايش داده کاوی
داده كاوي و مفهوم اكتشاف دانش (K.D.D)
تعریف داده کاوی
فرآيند داده‌كاوي
قابليت هاي داده کاوی
چه نوع داده‌هايي مورد كاوش قرار می گيرند؟
وظایف داده کاوی
کلاس بندي
مراحل يک الگوريتم کلاس‌بندي
انواع روش‌هاي کلاس‌بندي
درخت تصمیم
کشف تقسیمات
دسته بندی با درخت تصمیم
انواع درخت‌هاي تصميم
نحوه‌ي هرس كردن درخت
نزدیکترین همسایگی_ K
بیزی
تئوری بیز
دسته بندی ساده بیزی
یك مثال در توضیح طبقه بندی ساده بیزی
ارزيابي روش‌هاي کلاس‌بندي
پيش بيني
انواع روش‌هاي پیش بینی
رگرسیون
رگرسیون خطی
رگرسیون منطقی
خوشه بندی
تعريف فرآيند خوشه‌بندي
کيفيت خوشه‌بندي
روش ها و الگوريتم‌هاي خوشه‌بندي
روش های سلسله‌ مراتبي
الگوریتم های سلسله مراتبی
الگوريتم خوشه بندی single-linkage
الگوريتم‌هاي تفكيك
روش‌هاي متكي بر چگالي
روش‌هاي متكي بر گريد
روش‌‌هاي متكي بر مدل
تخمين
درخت تصمیم
سري هاي زماني
کاربردهای داده کاوی
قوانين انجمنی
كاوش قوانين انجمنی
اصول كاوش قوانين انجمنی
اصول استقرا در كاوش قوانين انجمنی
الگوريتم Apriori
متن کاوی
مقدمه
فرآيند متن کاوي
کاربردهاي متن کاوي
جستجو و بازيابي
گروه بندي و طبقه بندي داده
خلاصه سازي
روابط ميان مفاهيم
يافتن و تحليل ترند ها
برچسب زدن نحوي (POS)
ايجاد تزاروس و آنتولوژي به صورت اتوماتيک
تصویر کاوی
وب کاوی
فصل دوم: الگوریتم ژنتیک
مقدمه
مفاهیم پایه و لغات کلیدی
اصول الگوريتم ژنتيک
کد گذاری
روش‌هاي كد گذاري
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
ديگر پارامترها
مزایای الگوريتم هاي ژنتيک
محدودیت های الگوريتم هاي ژنتيک
چند نمونه از کاربرد هاي الگوريتم هاي ژنتيک
يك مثال ساده
نسل اول
نسل بعدي
انتخاب
جهش (Mutation)
فصل سوم: شبكه هاي عصبي
چرا از شبکه های عصبی استفاده می کنیم؟
سلول عصبی
نحوه عملکرد مغز
مدل ریاضی نرون
آموزش شبكه‌هاي عصبي
کاربرد های شبکه های عصبی
فصل چهارم: محاسبات نرم
مقدمه
محاسبات نرم چيست؟
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
دسته بندی: فنی و مهندسی » کامپیوتر و IT

تعداد مشاهده: 5448 مشاهده

فرمت فایل دانلودی:.doc

فرمت فایل اصلی: doc

تعداد صفحات: 217

حجم فایل:7,830 کیلوبایت

 قیمت: 35,000 تومان
پس از پرداخت، لینک دانلود فایل برای شما نشان داده می شود.   پرداخت و دریافت فایل
  • راهنمای استفاده:
    مناسب جهت استفاده دانشجویان رشته کامپیوتر

  • محتوای فایل دانلودی:
    در قالب فایل word و قابل ویرایش