(Weka) ﻧﺮﻡ ﺍﻓﺰﺍﺭ ﻭﮐﺎ
ﻣﻘﺪﻣﻪ

09367292276
azsoftir@gmail.com
azsoftir.com
09367292276azsoftir@gmail.com

azsoftir.com

09367292276
azsoftir@gmail.com

azsoftir.com

09367292276

ایتدا قبل از این که بخواهیم در مورد این نرم افزار توضیح دهیم ، به حوزه ی مورد استفاده ی آن اشاره ای می کنیم و در مورد داده کاوی در این نرم افزار توضیح می دهیم.
داده کاوی یا دیتاماینینگ ، در هسته ی خود ، به معنی تبدیل مقدار زیادی از داده به قسمت های معنی دار و با قواعد را می گویند. به عبارت دیگر ، می تواند به دو قسمت تقسیم بندی شود:
به شکل مستقیم و به شکل غیر مستقیم . در داده کاوی به شکل مستقیم شما قصد دارید که یک مقدار داده های یک نقطه ی مشخصی را پیش بینی کنید .
مانند پیش بینی رشد قیمت خانه و پیش بینی برای خرید در زمانی مشخص
در شکل غیر مستقیم ، شما تعدادی گروه داده ایجاد می کنید یا تعدادی الگو در داده های موجود پیدا کنید .
داده کاوی صرفا در حوزه شرکت های بزرگ و نرم افزار های گران قیمت نیست . در واقع یک نوع نرم افزار وجود دارد که بتواند تقریبا همه ی همان چیزهایی که نرم افزار های گران انجام می دهند ، انجام دهد . آن نرم افزار همان وکا است. وکا محصول و ساخته شده ی دانشگاه وایکاتو در نیوزلند است  و در ابتدا در سال ۱۹۹۷ طراحی و توسعه داده شد.
وکا از الگوریتم های زیادی برخوردار است که می توان به شکل زیربه آنها اشاره کرد :
طبقه بندی : درخت تصمیم ،‌ نزدیک ترین نقطه ها ،‌الگوریتم کوتاه ترین مسیر ، بیز ساده
پیش بینی کردن :‌ رگرسیون خطی و غیر خطی ، الگوریتم ادراکی
روش های متا : الگوریتم کیسه ، الگوریتم افزایش
این روش ها در قسمت های یادگیری ماشین با نظارت و بدون نطارت و همچنین تقویتی و خود تکمیلی تقسیم می شوند.
الگوریتم های زیادی در این نرم افزار وجود دارند که به اختصار به تعدادی از انها اشاره کردیم .
البته در مورد الگوریتم های ناشناخته تر دیگر نیز وکا یک باکسی فراهم کرده تا اطلاعات اولیه ای برای اشنایی با آن به شما بدهد  اینگونه بتوانید حداقل اطلاعات راجع به آن الگوریتم را داشته باشید .
ﻭﮐﺎ ﺷﺎﻣﻞ ﻣﺠﻤﻮﻋﻪ ﺍﯼ ﺍﺯ ﺍﺑﺰﺍﺭ ﻫﺎﯼ ﺩﻳﺪﺍﺭﯼ ﺳﺎﺯﯼ ﻭ ﺍﻟﮕﻮﺭﻳﺘﻢ ﻫﺎﻳﯽ ﺑﺮﺍﯼ ﺁﻧﺎﻟﻴﺰ ﻭ ﺑﺮﺭﺳﯽ ﺩﺍﺩﻩ ﻫﺎ ﻭ ﭘﻴﺶ ﺑﻴﻨﯽ ﺁﻧﻬﺎ ﻣﯽ ﺑﺎﺷﺪ ﮐﻪ ﺭﺍﺑﻂ ﮐﺎﺭﺑﺮﯼ ﮔﺮﺍﻓﻴﮑﯽ ﺁﻥ ﮐﺎﺭ ﺑﺮﺍﯼ ﺩﺳﺘﺮﺳﯽ ﺑﻪ ﺍﻳﻦ ﺗﻮﺍﺑﻊ ﻭ ﺍﻟﮕﻮﺭﻳﺘﻢ ﻫﺎ ﺭﺍ ﺁﺳﺎﻥ ﺗﺮ ﮐﺮﺩﻩ ﺍﺳﺖ. ﺩﺭ ﻣﺪﻝ ﻫﺎﯼ ﻗﺒﻠﯽ ﻭﮐﺎ ﺑﻪ ﺯﺑﺎﻥ ﻫﺎﯼ ﺩﻳﮕﺮ  ﭘﻴﺎﺩﻩ ﺳﺎﺯﯼ ﺷﺪﻩ ﺑﻮﺩ ﻭ ﺍﺯ ﺍﻳﻦ ﺭﺍﺑﻂ ﮐﺎﺭﺑﺮﯼ ﺑﺮﺧﻮﺭﺩﺍﺭ ﻧﺒﻮﺩ. ﺁﺧﺮﻳﻦ ﻭﺭﮊﻥ ﺍﻳﻦ ﻧﺮﻡ ﺍﻓﺰﺍﺭ ﻭﺭﮊﻥ ۳ ﺁﻥ ﻣﯽ ﺑﺎﺷﺪ ﮐﻪ ﺷﺎﻣﻞ ﺍﻟﮕﻮﺭﻳﺘﻢ ﻫﺎﯼ ﻳﺎﺩﮔﻴﺮﯼ ﻣﺎﺷﻴﻦ ﺯﻳﺎﺩﯼ ﻣﯽ ﺑﺎﺷﺪ .
ﺑﺮﺍﯼ ﻓﺎﻳﺪﻩ ﻫﺎﯼ ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﺍﻳﻦ ﻧﺮﻡ ﺍﻓﺰﺍﺭ ﻣﯽ ﺗﻮﺍﻥ ﺭﺍﻳﮕﺎﻥ ﺑﻮﺩﻥ ﺁﻥ ﺭﺍ ﻧﺎﻡ ﺑﺮﺩ ﻭ ﺍﻳﻦ ﮐﻪ ﺍﻳﻦ ﻧﺮﻡ ﺍﻓﺰﺍﺭ ﻭﺍﺑﺴﺘﻪ ﺑﻪ ﭘﻠﺘﻔﺮﻡ ﺧﺎﺻﯽ ﻧﻴﺴﺖ ﻭ ﺑﺮ ﺭﻭﯼ ﺗﻤﺎﻡ ﭘﻠﺘﻔﺮﻡ ﻫﺎﯼ ﻣﺤﺎﺳﺒﺎﺗﯽ ﮐﻪ ﺟﺎﻭﺍ ﺩﺍﺷﺘﻪ ﺑﺎﺷﻨﺪ ﻗﺎﺑﻞ ﻧﺼﺐ ﻣﯽ ﺑﺎﺷﺪ.
ﻭﮐﺎ ﺍﺯ ﺍﺳﺘﺎﻧﺪﺍﺭﺩ ﻫﺎﯼ ﺯﻳﺎﺩﯼ ﺑﺮﺍﯼ ﺩﺍﺩﻩ ﮐﺎﻭﯼ ﺑﻪ ﺧﺼﻮﺹ پردازش کزدن ، کلاستر بندی ، طبقه بندی و رگرسیون برخوردار می باشد. ﺑﺮﺧﻮﺭﺩﺍﺭﯼ ﺍﺯ ﺍﻳﻦ ﺍﻟﮕﻮﺭﻳﺘﻢ ﻫﺎ ﺑﺎ ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﻓﺎﻳﻞ ﻫﺎﯼ ﺩﺍﺩﻩ ﻫﺎ ﺍﻣﮑﺎﻥ ﭘﺬﻳﺮ ﻣﯽ ﺑﺎﺷﺪ . ﻭﮐﺎ ﺍﻣﮑﺎﻥ ﺩﺳﺘﺮﺳﯽ ﺑﻪ ﭘﺎﻳﮕﺎﻩ ﺩﺍﺩﻩ ﻫﺎﯼ ﭘﻴﺎﺩﻩ ﺷﺪﻩ ﺑﺎ ﺯﻳﺎﻥ ﺍﺳﮑﻴﻮﻝ ﺭﺍ ﻧﻴﺰ ﻓﺮﺍﻫﻢ ﻣﯽ ﮐﻨﺪ ﻭ ﻣﯽ ﺗﻮﺍﻧﺪ ﻧﺘﺎﻳﺞ ﻣﻮﺭﺩ ﻧﻈﺮ ﺭﺍ ﺩﺭ ﻗﺎﻟﺐ ﻳﮏ ﭘﺮﺱ ﻭ ﺟﻮ ﺑﺎ ﭘﺎﻳﮕﺎﻩ ﺩﺍﺩﻩ ﻓﺮﺍﻫﻢ ﮐﻨﺪ.
رابط کاربری اصلی وکا ، اکسئلورر می باشد اما از قسمت های دیگر نیز امکان دسترسی به توابع موجود می باشد. قسمت های دیگر نرم افزار شامل یک آزمایشگر ، ﻳﮏ ﮔﺮﺍﻑ ﮐﻨﺘﺮﻝ ﺟﺮﻳﺎﻥ ﺩﺍﺩﻩ ﻫﺎ ﻭ ﻳﮏ ﺧﻂ ﻓﺮﻣﺎﻥ ﺳﺎﺩﻩ ﻣﯽ ﺑﺎﺷﺪ  .
ﻗﺴﻤﺖ ﺍﮐﺴﭙﻠﻮﺭﺭ ﺩﺭ ﻭﮐﺎ ﭼﻨﺪ ﭘﻨﻞ ﺑﺮﺍﯼ ﺩﺳﺘﺮﺳﯽ ﺑﻪ ﺍﻟﮕﻮﺭﻳﺘﻢ ﻫﺎ ﻭ ﻭﻳﮋﮔﯽ ﻫﺎ ﻓﺮﺍﻫﻢ ﮐﺮﺩﻩ ﺍﺳﺖ .
۱ – ﭘﻴﺶ ﭘﺮﺩﺍﺯﺵ : ﺩﺭ ﺍﻳﻦ ﻗﺴﻤﺖ ﺍﻣﮑﺎﻥ ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﺩﺍﺩﻩ ﻫﺎ ﺑﻪ ﺷﮑﻞ ﻓﺎﻳﻞ ﻭﺭﻭﺩﯼ ARFF ،csv ﻳﺎ ﺍﺭﺗﺒﺎﻁ ﺑﺎ ﭘﺎﻳﮕﺎﻩ ﺩﺍﺩﻩ ﻓﺮﺍﻫﻢ ﺷﺪﻩ ﺍﺳﺖ .
۲ – ﻃﺒﻘﻪ ﺑﻨﺪﯼ : ﺩﺭ ﺍﻳﻦ ﻗﺴﻤﺖ ﺍﻣﮑﺎﻥ ﺍﺿﺎﻓﻪ ﮐﺮﺩﻥ ﺍﻟﮕﻮﺭﻳﺘﻢ ﻫﺎﯼ ﻃﺒﻘﻪ ﺑﻨﺪﯼ ﻳﺎ ﺭﮔﺮﺳﻴﻮﻥ ﻓﺮﺍﻫﻢ ﺷﺪﻩ ﺗﺎ ﮐﺎﺭﺑﺮ ﺑﻪ ﺳﺎﺩﮔﯽ ﺑﺘﻮﺍﻧﺪ ﺍﺯ ﺗﻌﺪﺍﺩ ﺯﻳﺎﺩﯼ ﺍﻟﮕﻮﺭﻳﺘﻢ ﻫﺎﯼ ﻣﺮﺑﻮﻃﻪ ﺑﻪ ﻋﻨﻮﺍﻥ ﻣﺜﺎﻝ ROC ، ﺩﺭﺧﺖ ﺗﺼﻤﻴﻢ ﻭ … ﺍﺳﺘﻔﺎﺩﻩ ﮐﻨﺪ.
۳ – ﻭﺍﺑﺴﺘﮕﯽ : ﺩﺭ ﺍﻳﻦ ﻗﺴﻤﺖ ﻳﮏ ﺩﺳﺘﺮﺳﯽ ﺑﻪ ﺑﺨﺶ ﻗﻮﺍﻧﻴﻦ ﻓﺮﺍﻫﻢ ﺷﺪﻩ ﺗﺎ ﺍﺭﺗﺒﺎﻁ ﻣﻴﺎﻥ ﺩﺍﺩﻩ ﻫﺎ ﻭ ﻗﻮﺍﻧﻴﻦ ﺩﻳﺪﻩ ﺷﻮﺩ.
۴ – ﮐﻼﺳﺘﺮ : ﺍﻳﻦ ﻗﺴﻤﺖ ﺍﻣﮑﺎﻥ ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﺗﮑﻨﻴﮏ ﻫﺎﯼ ﮐﻼﺳﺘﺮﻳﻨﮓ ﺭﺍ ﺑﺮﺍﯼ ﻣﺎ ﻓﺮﺍﻫﻢ ﻣﯽ ﮐﻨﺪ ﮐﻪ ﺑﺮﺍﯼ ﻣﺜﺎﻝ ﻣﯽ ﺗﻮﺍﻥ ﺑﻪ ﺍﻟﮕﻮﺭﻳﺘﻢ k-means ﺍﺷﺎﺭﻩ ﮐﺮﺩ. ﻫﻤﭽﻨﻴﻦ ﺩﺭ ﺍﻳﻦ ﺑﺨﺶ ﭘﻴﺎﺩﻩ ﺳﺎﺯﯼ ﻫﺎﯼ ﺩﻳﮕﺮﯼ ﺑﺮﺍﯼ ﺗﻮﺯﻳﻊ ﻫﺎﯼ ﻧﺮﻣﺎﻝ ﻧﻴﺰ ﻭﺟﻮﺩ ﺩﺍﺭﺩ.
۵ – ﻧﻤﺎﺩﻳﻨﻪ ﺳﺎﺯﯼ : ﺩﺭ ﺍﻳﻦ ﺑﺨﺶ ﻣﯽ ﺗﻮﺍﻥ ﻧﺘﻴﺠﻪ ﯼ ﺍﻟﮕﻮﺭﻳﺘﻢ ﻫﺎ ﺑﺮ ﺭﻭﯼ ﺩﺍﺩﻩ ﻫﺎ ﺭﺍ ﺑﻪ ﺷﮑﻞ ﭘﻼﺕ ﻭ ﻧﻤﻮﺩﺍﺭ ﻣﺸﺎﻫﺪ ﮐﺮﺩ.
 
ﺍﻟﮕﻮﺭﻳﺘﻢ ﻫﺎﯼ ﻭﮐﺎ
ﺩﺭ ﺍﻳﻦ ﻗﺴﻤﺖ ﺍﺑﺘﺪﺍ ﺑﻪ ﺗﻮﺿﻴﺢ ﺍﻟﮕﻮﺭﻳﺘﻢ ﺭﮔﺮﺳﻴﻮﻥ ﻭ ﮐﺎﺭﺑﺮﺩ ﺁﻥ ﺩﺭ ﻭﮐﺎ ﻣﯽ ﭘﺮﺩﺍﺯﻳﻢ :
ﺭﮔﺮﺳﻴﻮﻥ ﻳﮑﯽ ﺍﺯ ﺳﺎﺩﻩ ﺗﺮﻳﻦ ﺭﻭﺵ ﻫﺎ ﺑﺮﺍﯼ ﺍﺳﺘﻔﺎﺩﻩ ﺩﺭ ﻭﮐﺎ ﺍﺳﺖ ﺍﻣﺎ ﺑﻪ ﺗﻨﺎﺳﺐ ﺍﺯ ﻗﺪﺭﺕ ﮐﻤﺘﺮﯼ ﻧﻴﺰ ﺑﺮﺧﻮﺭﺩﺍﺭ ﺍﺳﺖ . ﺍﻳﻦ ﻣﺪﻝ ﺑﻪ ﺳﺎﺩﮔﯽ ﺍﻳﻦ ﺍﺳﺖ ﮐﻪ ﻣﯽ ﺗﻮﺍﻧﺪ ﻳﮏ ﻭﺭﻭﺩﯼ ﺑﮕﻴﺮﺩ ﻭ ﻳﮏ ﺧﺮﻭﺟﯽ ﺑﺪﻫﺪ . ﺍﻟﺒﺘﻪ ﻣﻘﺎﺩﻳﺮ ﭘﻴﭽﻴﺪﻩ ﺗﺮﯼ ﺍﺯ ﺍﻳﻦ ﻧﻴﺰ ﻣﯽ ﺗﻮﺍﻧﺪ ﺩﺭﻳﺎﻓﺖ ﮐﻨﺪ ﻭ ﺧﺮﻭﺟﯽ ﻫﺎﯼ ﻣﺘﻨﺎﺳﺒﯽ ﺑﺎ ﺁﻥ ﻧﻴﺰ ﺑﺪﻫﺪ.
ﺑﻪ ﺑﻴﺎﻧﯽ ﺩﻳﮕﺮ ﻣﯽ ﺗﻮﺍﻥ ﮔﻔﺖ ﮐﻪ ﺭﮔﺮﺳﻴﻮﻥ ﺣﻮﻝ ﺩﺍﺩﻩ ﻫﺎﻳﯽ ﺑﺎ ﻳﮏ ﻧﻮﻉ ﺍﻋﻤﺎﻝ ﻣﯽ ﺷﻮﻧﺪ. ﺑﺮﺍﯼ ﻣﺜﺎﻝ ﻳﮏ ﺳﺮﯼ ﻣﺘﻐﻴﺮ ﻫﺎﯼ ﻣﺴﺘﻘﻞ ﻭﺟﻮﺩ ﺩﺍﺭﻧﺪ ﮐﻪ ﻫﻨﮕﺎﻣﯽ ﮐﻪ ﺑﺎ ﻫﻢ ﻣﺘﺼﻞ ﻣﯽ ﺷﻮﻧﺪ ﻳﮏ ﻧﺘﻴﺠﻪ ﻭﺍﺑﺴﺘﻪ ﺑﻪ ﻫﻢ ﺭﺍ ﻣﯽ ﺳﺎﺯﻧﺪ.
ﻫﻤﭽﻨﻴﻦ ﺍﺯ ﺭﮔﺮﺳﻴﻮﻥ ﺑﺮﺍﯼ ﭘﻴﺶ ﺑﻴﻨﯽ ﮐﺮﺩﻥ ﻧﺘﻴﺠﻪ ﺍﺯ ﻳﮏ ﺳﺮﯼ ﻣﺘﻐﻴﺮ ﻫﺎﯼ ﻣﺴﺘﻘﻞ ﻧﺎﺷﻨﺎﺧﺘﻪ ﻧﻴﺰ ﺍﺳﺘﻔﺎﺩﻩ ﻣﯽ ﺷﻮﺩ. ﺑﺮﺍﯼ ﻣﺜﺎﻝ ﻣﯽ ﺗﻮﺍﻥ ﺑﻪ ﺭﻭﺵ ﭘﻴﺶ ﺑﻴﻨﯽ ﻗﻴﻤﺖ ﺧﺎﻧﻪ ﺑﺎ ﺭﮔﺮﺳﻴﻮﻥ ﺍﺷﺎﺭﻩ ﮐ
دسی کامپیوترپروژه Data Mining ( داده کاوی )پروژه Data Mining ( داده کاوی )
 کارشناسی 1387 88 word 2 MB 2900 مهندسی کامپیوتر قیمت قدیم:۰ تومان قیمت: ۱۵,۴۷۰ تومان دانلود مقاله خلاصهفهرست و منابعخلاصه پروژه Data Mining ( داده کاوی )
پروژه کارشناسی رشته نرم­ افزار
چکیده:
در دو دهه قبل توانایی­های فنی بشر برای تولید و جمع­آوری داده‌ها به سرعت افزایش یافته است. عواملی نظیر استفاده گسترده از بارکد برای تولیدات تجاری، به خدمت گرفتن کامپیوتر در کسب­و­کار، علوم، خدمات­ دولتی و پیشرفت در وسائل جمع­آوری داده، از اسکن کردن متون و تصاویر تا سیستمهای سنجش از دور ماهواره­ای، در این تغییرات نقش مهمی دارند.
              بطور کلی استفاده همگانی از وب و اینترنت به عنوان یک سیستم اطلاع رسانی جهانی ما را مواجه با حجم زیادی از داده و اطلاعات می‌کند. این رشد انفجاری در داده‌های ذخیره شده، نیاز مبرم وجود تکنولوژی­های جدید و ابزارهای خودکاری را ایجاد کرده که به صورت هوشمند به انسان یاری رسانند تا این حجم زیاد داده را به اطلاعات و دانش تبدیل کند. داده­کاوی به عنوان یک راه حل برای این مسائل مطرح می باشد. در یک تعریف غیر رسمی داده­کاوی فرآیندی است، خودکار برای استخراج الگوهایی که دانش را بازنمایی می­کنند، که این دانش به صورت ضمنی در پایگاه داده­های عظیم، انباره­داده[1] و دیگر مخازن بزرگ اطلاعات، ذخیره شده است.
                به لحاظ اینکه در چند سال اخیر مبحث داده­کاوی و اکتشاف دانش موضوع بسیاری از مقالات و کنفرانسها قرار گرفته و نرم­افزار­های آن در بازار به شدت مورد توجه قرار گرفته، از اینرو در مقاله سعی بر آن شده تا گذری بر آن داشته باشیم.
                در این مقاله درفصل مروری بر داده ­کاوی خواهیم داشت . که به طور عمده به تاریخچه ، تعاریف، کاربردها وارتباط آن با انبار داده و OLAP خواهیم پرداخت. در پایان فصل مراحل فرایند کشف دانش از پایگاه داده­ها را ذکر کردیم که داده­کاوی یکی از مراحل آن است.
                در فصل 2 یکی از شیوه­های داده­کاوی که از سبد خرید گرفته شده­ است توضیح داده شده است . در این فصل به شرح قوانین ارتباطی خواهیم پرداخت که در آن بعد از دسته­بندی الگوریتمها ، الگوریتم Apriori ( که یک الگوریتم پایه در این زمینه است ) و الگوریتم FP-Growth ( یک الگوریتم جدید میباشد) را با شرح یک مثال توضیح می­دهیم و در آخر آن دو را با هم مقایسه می­کنیم .
                در فصل 3 مباحث وب­کاوی و متن­کاوی را که در بسیاری از مراجع جزء کاربردهای داده­کاوی به حساب می­آید شرح داده خواهد شد.
 
 

09367292276
azsoftir@gmail.com
azsoftir.com
09367292276azsoftir@gmail.com

azsoftir.com

09367292276
azsoftir@gmail.com

azsoftir.com

09367292276

فصل 1
 
مروری بر داده­کاوی
 
امروزه با گسترش سیستم‌های پایگاهی و حجم بالای داده‌های ذخیره شده در این سیستم‌ها، نیاز به ابزاری است تا بتوان داده‌های ذخیره شده را پردازش کرد و اطلاعات حاصل از این پردازش را در اختیار کاربران قرار داد.
با استفاده از پرسش‌های ساده در SQL و ابزارهای گوناگون گزارش‌گیری معمولی، می‌توان اطلاعاتی را در اختیار کاربران قرار داد تا بتوانند به نتیجه‌گیری در مورد داده‌ها و روابط منطقی میان آنها بپردازند. امّا وقتی که حجم داده‌ها بالا باشد، کاربران هرچند زبر­دست و با­تجربه باشند نمی‌توانند الگوها مفید را در میان حجم انبوه داده‌ها تشخیص دهند و یا اگر قادر به این کار هم باشند، هزینه عملیات از نظر نیروی انسانی و مادی بسیار بالا است. از سوی دیگر، کاربران معمولاً فرضیه‌ای را مطرح می‌کنند و سپس بر­اساس گزارشات مشاهده شده به اثبات یا رد فرضیه می‌پردازند، در حالی که امروزه نیاز به روشهایی است که اصطلاحاً به کشف دانش [1] بپردازند یعنی با کمترین دخالت کاربر و بصورت خودکار الگوها و رابطه‌های منطقی را بیان نمایند.
داده کاوی[2] یکی از مهمترین این روشها است که به الگوهای مفید در داده‌ها با حداقل دخالت کاربران شناخته می‌شوند واطلاعاتی را در اختیار کاربران و تحلیل گران قرار می‌دهند تا براساس آن تصمیمات مهم و حیاتی در سازمانها اتخاذ شوند.
اصطلاح داده ­کاوی زمانی بکار برده می‌شود که با حجم بزرگی از داده‌ها، در حد مگا یا ترابایت، مواجه باشیم. در تمامی منابع داده­کاوی بر این مطلب تأکید شده است. هرچه حجم داده‌ها بیشتر و روابط آنها پیچیده­تر باشد دسترسی به اطلاعات نهفته در میان داده­ها مشکل­تر می‌شود و نقش داده­کاوی بعنوان یکی از روش­های کشف دانش، روشن‌تر می‌گردد.
داده­ کاوی بطور همزمان از چندین رشته علمی بهره می‌برد نظیر: تکنولوژی پایگاه داده، هوش مصنوعی، یادگیری ماشین، شبکه‌های عصبی، آمار، الگو، سیستم‌های مبتنی بر دانش[3]، حصول دانش[4]، بازیابی اطلاعات[5]، محاسبات سرعت بالا[6] و بازنمایی بصری داده[7].
1-1: تعریف داده­کاوی:
اصطلاح Data Mining همانطور که از ترجمه آن به داده­کاوی مشخص می­شود، به مفهوم استخراج اطلاعات نهان و یا الگوها و روابط مشخص در حجم زیادی از داده‌های یک یا چند بانک اطلاعاتی بزرگ است. اطلاعات استخراج شده در تعریف Data Mining بطور ضمنی به معنی اطلاعاتی است که بر اساس آن بتوان به نتایجی دست یافت که بطور معمول ملموس نیستند. در این تعریف بر بزرگ بودن بانکهای اطلاعاتی و یا حجم زیاد داده‌های مورد پردازش تاکید می‌شود. علت این است که از نظر آماری و تئوری اطلاعات، تجزیه و تحلیل داده‌ها و یا آنطور که در این اصطلاح تعبیر می‌شود، کاوش در حجم کم داده­های یک بانک به نتایج قابل قبولی منجر نمی‌شود. به کمک ابزارهای Data Mining می‌توان مقادیر متغیرهای را پیش­بینی و توصیف نمود. این ابزارها در فرایندهای تصمیم‌گیری متکی بر اطلاعات و دانش [8] کاربر فراوان دارند و فعالیت­های تجاری نوین و مدرن امروزه به شدت بر آن متکی است. فرایند Data Mining را نباید با روش‌های متداول آنالیز داده و اطلاعات و سیستم­های تصمیم‌گیری معمولی یکی دانست. به کمک روش‌های Data Mining می‌توان به پرسش­هایی (عمدتاً تجاری) پاسخ گفت که بطور سنتی عملاً امکان وجود ندارد.
در متون آکادمیک تعاریف گوناگونی برای داده کاوی ارائه شده‌اند. در برخی از این تعاریف داده­کاوی در حد ابزاری که کاربران را قادر به ارتباط مستقیم با حجم عظیم داده­ها می‌سازد معرفی گردیده است و در برخی دیگر، تعاریف دقیقتر که در آنها به کاوش در داده­ها توجه می‌شود موجود است. برخی از این تعاریف عبارتند از:
داده­کاوی عبارت است از فرایند استخراج اطلاعات معتبر، از پیش ناشناخته، قابل فهم و قابل اعتماد از پایگاه داده­های بزرگ و استفاده از آن در تصمیم‌گیری در فعالیت­های تجاری مهم.
اصطلاح داده­کاوی به فرایند نیم خودکار تجزیه و تحلیل پایگاه داده­های بزرگ به منظور یافتن الگوهای مفید اطلاق می‌شود.
داده­کاوی یعنی جستجو در یک پایگاه داده­ها برای یافتن الگوهایی میان داده­ها.
داده­کاوی عبارتست از فرایند یافتن دانش از مقادیر عظیم داده­های ذخیره شده در پایگاه داده، انباره داده و یا دیگر مخازن اطلاعات.
داده­کاوی یعنی استخراج دانش کلان، قابل استناد و جدید از پایگاه داده­های بزرگ.
داده­کاوی یعنی تجزیه و تحلیل مجموعه داده­های قابل مشاهده برای یافتن روابط مطمئن بین داده­ها.
همانگونه که در تعاریف گوناگون داده­کاوی مشاهده می­شود، تقریباً در تمامی تعاریف به مفاهیمی چون استخراج دانش، تحلیل و یافتن بین داده­ها اشاره شده است.
واژه های «داده­کاوی» و «کشف دانش در پایگاه داده»[9] اغلب بصورت مترادف یکدیگر مورد استفاده قرار می‌گیرد. کشف دانش در پایگاه داده فرایند شناسایی درست، ساده، مفید و  نهایتا الگوها و مدلهای قابل فهم در داده­ها می‌باشد. داده­کاوی، مرحله‌ای از فرایند کشف دانش می‌باشد و شامل الگوریتم­های مخصوص داده­کاوی است، بطوریکه تحت محدودیت­های مؤثر محاسباتی قابل قبول، الگوها و یا مدلها را در داده کشف می‌کند.
داده­ها اغلب حجیم امّا بدون ارزش می‌باشند، داده به تنهایی قابل استفاده نیست، بلکه دانش نهفته در داده­ها قابل استفاده می‌باشد. به این دلیل به داده­کاوی، تحلیل داده‌ای ثانویه[10] گفته می‌شود.
2-1: تاریخچه داده­کاوی
اخیرا داده­کاوی موضوع بسیاری از مقالات، کنفرانس‌ها و رساله‌های عملی شده است، امّا این واژه تا اوایل دهه نود مفهومی نداشت و به کاربرده نمی‌شد.
در دهه شصت و پیش از آن زمینه‌هایی برای ایجاد سیستم‌های جمع‌آوری و مدیریت داده­ها ایجاد شد و تحقیقاتی در این زمینه انجام پذیرفت که منجر به معرفی و ایجاد سیستم­های مدیریت پایگاه داده­ها گردید.
ایجاد و توسعه مدلهای داده‌ای برای پایگاه سلسله مراتبی، شبکه‌ای و بخصوص رابطه‌ای در دهه هفتاد، منجر به معرفی مفاهیمی همچون شاخص­گذاری و سازمادهی داده‌ها و در نهایت ایجاد زبان پرسش SQL در اوایل دهه هشتاد گردید تا کاربران بتوانند گزارشات و فرم­های اطلاعاتی موردنظر خود را ، از این طریق ایجاد نمایند.
توسعه سیستم‌های پایگاهی پیشرفته در دهه هشتاد و ایجاد پایگاه­ها شی‌گرا، کاربرد گرا[11] و فعال[12] باعث توسعه همه جانبه و کاربردی شدن این سیستم‌ها در سراسر جهان گردید. بدین ترتیب DBMS­هایی همچون Oracle, DB2,­ Sybase, ... ایجاد شدند و حجم زیادی از اطلاعات با استفاده از این سیستم‌ها مورد پردازش قرار گرفتند. شاید بتوان مهمترین جنبه در معرفی داده­کاوی را مبحث کشف دانش از پایگاه داده‌ها (KDD)[13] دانست بطوریکه در بسیاری موارد DM [14]  و KDD بصورت مترادف مورد استفاده قرار می‌گیرند.
همانطور که در تعریف داده­کاوی ذکر شد، هدف جستجو و کشف الگوهایی در پایگاه داده ها و استفاده از آنها در اخذ تصمیمات حیاتی است، بنابراین می‌توان گفت که DM بخشی از فرایند KDD است که در نهایت به ایجاد سیستم‌های DSS [15] می‌شود. شکل 1-1 نقش داده کاوی در فرایند کشف دانش از پایگاه داده ها را نشان می‌دهد.
برای اولین بار مفهوم داده­کاوی در کارگاه IJCAI[16] در زمینه KDD توسّط Shapir مطرح گردید. به دنبال آن در سالهای 1991 تا 1994 ، کارگاههای KDD مفاهیم جدیدی را در این شاخه علم ارائه کردند بطوریکه بسیاری از علوم و مفاهیم با آن مرتبط گردیدند.
 

09367292276
azsoftir@gmail.com
azsoftir.com
09367292276azsoftir@gmail.com

azsoftir.com

09367292276
azsoftir@gmail.com

azsoftir.com

09367292276

3-1- چه چیزی سبب پیدایش داده­کاوی شده است؟
اصلی­ترین دلیلی که باعث شد داده­کاوی کانون توجهات در صنعت اطلاعات قرار بگیرد، مساله در دسترس بودن حجم وسیعی از داده­ها و نیاز شدید به اینکه از این داده­ها  اطلاعات و دانش سودمند استخراج کنیم. اطلاعات و دانش بدست آمده در کاربردهای وسیعی از مدیریت کسب و کار و کنترل تولید و تحلیل بازار تا طراحی مهندسی و تحقیقات علمی مورد استفاده قرار می‌گیرد.
داده کاوی را می‌توان حاصل سیر تکاملی طبیعی تکنولوژی اطلاعات دانست، که این سیر تکاملی ناشی از یک سیر تکاملی در صنعت پایگاه داده می‌باشد، نظیر عملیات: جمع‌آوری داده­ها و ایجاد پایگاه داده، مدیریت داده و تحلیل و فهم داده‌ها. در شکل 2-1 این روند تکاملی در پایگاه‌های داده نشان داده شده است.
تکاملی تکنولوژی پایگاه داده و استفاده فراوان آن در کاربردهای مختلف سبب جمع‌آوری حجم فراوانی داده شده است. این داده­های فراوان باعث ایجاد نیاز ابزارهای قدرتمند برای تحلیل داده­ها گشته، زیرا در حال حاضر به لحاظ داده ثروتمند هستیم ولی دچار کمبود اطلاعات می‌باشیم.
ابزارهای داده­کاوی داده ها را آنالیز می‌کنند و الگوهای داده‌ای را کشف می‌کنند که می‌توان از آن در کاربردهایی نظیر: تعیین استراتژی برای کسب و کار، پایگاه دانش[1] و تحقیقات علمی و پزشکی، استفاده کرد. شکاف موجود بین داده­ها و اطلاعات سبب ایجاد نیاز برای ابزارهای داده­کاوی شده است تا داده‌های بی‌ارزش را به دانشی ارزشمند تبدیل کنیم.
بطور ساده داده­کاوی به معنای استخراج یا «معدن­کاری»[2] دانش از مقدار زیادی داده خام است. البته این نامگذاری برای این فرایند تا حدی نامناسب است، زیرا بطور مثال عملیات معدن­کاری برای استخراج طلا از صخره و ماسه را طلا­کاوی می­نامیم، نه ماسه­کاوی یا صخره­کاوی. بنابراین بهتر بود به این فرایند نامی شبیه به «استخراج دانش از داده» می‌دادیم که متأسفانه بسیار طولانی است. «دانش­کاوی» بعنوان یک عبارت کوتاهتر بعنوان جایگزین، نمی‌تواند بیانگر تأکید و اهمیت بر معدن­کاری مقدار زیاد داده باشد. معدن­کاری عبارتی است که بلافاصله انسان را به یاد فرایندی می‌اندازد که به دنبال یافتن مجموعه‌ کوچکی از قطعات ارزشمند از حجم بسیار زیادی از مواد خام هستیم.
با اینکه این فرایند تا حدی دارای نامگذاری ناقص است ولی این نامگذاری یعنی داده­کاوی بسیار عمومیت پیدا کرده است. البته اسامی دیگر نیز برای این فرایند پیشنهاد شده که بعضا بسیار متفاوت با واژه داده­کاوی است، نظیر: استخراج دانش از پایگاه داده، استخراج دانش[3]، آنالیز داده/ الگو، باستان شناسی داده[4]، و لایروبی داده‌ها[5].
فهرست و منابع پروژه Data Mining ( داده کاوی )
فهرست:
فهرست اشکال   ...............................................................................................................................................
10
فهرست جداول   ..............................................................................................................................................
11
فصل1: مقدمه­ای بر داده­کاوی  ............................................................................
13
1-1 تعریف داده­کاوی   ...................................................................................................................................
15
2-1 تاریخچه داده­کاوی   ................................................................................................................................
16
3-1 چه چیزی سبب پیدایش داده­کاوی شده است؟   ........................................................................................
17
4-1 اجزای سیستم داده­کاوی   .........................................................................................................................
19
5-1 جایگاه داده­کاوی در میان علوم مختلف   ..................................................................................................
21
6-1 قابلیتهای داده­کاوی   .................................................................................................................................
22
7-1 چرا به داده­کاوی نیاز داریم؟   ...................................................................................................................
23
8-1 داده­کاوی چه کارهایی نمی­تواند انجام دهد؟   ..........................................................................................
25
9-1 کاربردهای داده­کاوی   .............................................................................................................................
25
1-9-1 کاربردهای پیش­بینی­کننده   ...................................................................................................
27
2-9-1 کاربردهای توصیف­کننده   ....................................................................................................
27
10-1 ابزارهای تجاری داده­کاوی   ...................................................................................................................
28
11-1 داده­کاوی و انبار­داده­ها   .........................................................................................................................
29
1-11-1 تعاریف انبار­داده   ................................................................................................................
29
2-11-1 چهار خصوصیت اصلی انبار­داده   .........................................................................................
30
3-11-1 موارد تفاوت انبار­داده و پایگاه­ داده   ....................................................................................
31
12-1 داده­کاوی و OLAP   ...........................................................................................................................
33
1-12-1 OLAP   ...........................................................................................................................
33
2-12-1 انواع OLAP   ...................................................................................................................
34
13-1 مراحل فرایند کشف دانش از پایگاه داده­ها   ...........................................................................................
34
1-13-1 انبارش داده­ها   ....................................................................................................................
35
2-13-1 انتخاب داده­ها   ....................................................................................................................
36
3-13-1 پاکسازی- پیش­پردازش- آماده­سازی   ................................................................................
36
4-13-1 تبدیل داده­ها   ......................................................................................................................
36
5-13-1 کاوش در داده­ها (Data Mining)   .................................................................................
37
6-13-1 تفسیر نتیجه   ........................................................................................................................
38
فصل 2: قوانین ارتباطی   ...........................................................................
39
1-2 قوانین ارتباطی   ........................................................................................................................................
40
2-2 اصول پایه   ...............................................................................................................................................
41
1-2-2 شرح مشکل جدی   ...............................................................................................................
41
2-2-2 پیمایش فضای جستجو   .........................................................................................................
43
3-2-2 مشخص کردن درجه حمایت مجموعه اقلام   .........................................................................
45
3-2 الگوریتمهای عمومی   ..............................................................................................................................
45
1-3-2 دسته­بندی   ............................................................................................................................
45
2-3-2 BFS و شمارش رویداد­ها   ...................................................................................................
46
3-3-2 BFS و دونیم­سازی TID-list   ...........................................................................................
47
4-3-2 DFS و شمارش رویداد   ......................................................................................................
47
5-3-2 DFS و دو نیم­سازی TID-list  ..........................................................................................
48
4-2 الگوریتم Apriori   ................................................................................................................................
48
1-4-2 مفاهیم کلیدی   .....................................................................................................................
48
2-4-2 پیاده­سازی الگوریتم Apriori   ............................................................................................
49
3-4-2 معایب Apriori و رفع آنها   .................................................................................................
54
5-2 الگوریتم رشد الگوی تکرارشونده   ..........................................................................................................
55
1-5-2 چرا رشد الگوی تکرار سریع است؟   .....................................................................................
58
6-2 مقایسه دو الگوریتم Apriori و FP-growth   ......................................................................................
59
7-2 تحلیل ارتباطات   ......................................................................................................................................
63
فصل 3: وب­کاوی و متن­کاوی   .................................................................
65
1-3 وب­کاوی   ...............................................................................................................................................
66
1-1-3 الگوریتمهای هیتس و لاگسام   ...............................................................................................
69
2-1-3 کاوش الگوهای پیمایش مسیر   ..............................................................................................
76
2-3 متن­کاوی   ...............................................................................................................................................
80
1-2-3 کاربردهای متن­کاوی   ...........................................................................................................
82
1-1-2-3 جستجو و بازیابی   ..............................................................................................
83
2-1-2-3 گروه­بندی و طبقه­بندی   ......................................................................................
83
3-1-2-3 خلاصه­سازی   ....................................................................................................
84
4-1-2-3 روابط میان مفاهیم   .............................................................................................
84
5-1-2-3 یافتن و تحلیل گرایشات   ....................................................................................
84
6-1-2-3 برچسب زدن نحوی (pos)   ...............................................................................
85
7-1-2-3 ایجاد Thesaurus و آنتولوژی به صورت اتوماتیک   .........................................
85
2-2-3 فرایند متن­کاوی   ...................................................................................................................
86
3-2-3 روشهای متن­کاوی   ...............................................................................................................
87
مراجع   .....................................................................................................
89
 
منبع:
] داده­کاوی (Data Mining)، تالیف مهمد کانتاردزیک، ترجمه امیر علیخانزاده، 1385، ویرایش اول
[2] Introduction to Data Mining and Knowledge Discovery، Two Crows Corporation، 1999
[3] Data Mining: Concepts and Techniques، M.Kamber and J.Han، 2001
[4] مقاله Algorithms for Association Rule Mining – A General Survey and comparison نوشته Jochen Hipp و Gholamreza Nakhaeizadeh ، در کنفرانس ACM SIGKDD July 2000
[5] مقاله Comparative Study of Association Rules Mining Algorithms نوشته Stefan Holban (http://www.bmf.hu/conferences/saci04/Gyorodi.pdf)
[6]
http://ece.ut.ac.ir/DBRG/seminars/Keykhah/Data Mining/Data mining.doc
       
http://ece.ut.ac.ir/DBRG/seminars/Ghadimi-Abbasi-Pashaei/Document/datamining_Introduction.doc
کلمات کلیدی:  Data Mining - SQL - پایگاه داده - تحلیل داده ای - جمع آوری داده - داده کاوی - مدل های داده چند بعدی - نرم افزار - هوش مصنوعی - وب پ

انجام پروژه داده کاوی
انجام پروژه داده کاوی و کدنویسی پروژه های داده کاوی در نرم افزار متلب
داده کاوی یا data mining  (دیتاماینینگ ) تخصص و علم کشف اطلاعات مورد نیاز از مجموعه ای از داده ها می باشد
آموزش کدنویسی و تحلیل پروژه های نرم افزاری دیتا ماینینگ
آموزش الگوریتم های کدنویسی datamining در نرم افزار متلب
آموزش نرم افزارهای تخصصی داده کاوی مانند وکا ، متلب و…
 
واکاوی داده ها ،به منظور استخراج اطلاعات ضروری و کاربردی انجام می شود
DATAMINING، در معنای عام به مفهوم دانش استخراج داده های پنهان از بین پایگاه های اطلاعاتی است
این تخصص در انجام پروژه های دانشگاهی و سازمانی کاربردهای فراوانی دارد
تکنیک‌های پردازش داده ها به استخراج و تجزیه تحلیل این اطلاعات کمک می نماید.
پردازش داده های ضروری ابزاری جهت کشف جرایم، پیش بینی رفتار خریداران، تحلیل ریسک فروش محصولات  و یا تشخیص بیماری و بسیاری از موارد دیگر است
معمولا جهت انجام پروژه های دیتا ماینینگ از نرم افزار متلب استفاده می شود
و البته همانطور که ذکر شد نرم افزارهای متنوعی جهت این امر وجود دارند
و شرکت بزرگی مانند ibm  و ایر شرکتهای مشابه نرم افزارها و ابزارهای مختلفی را جهت دیتا ماینینگ در اختیار مخاطبین قرار میدهند
انجام پروژه داده کاوی

09367292276
azsoftir@gmail.com
azsoftir.com
09367292276azsoftir@gmail.com

azsoftir.com

09367292276
azsoftir@gmail.com

azsoftir.com

09367292276

داده کاوی

انجام پروژه داده کاوی آموزش datamining
بانکها می توانند با استفاده از این دانش مشتریان خود را سطح بندی و تقسیم بندی نمایند
این امر به تحلیل نیاز مشتری و تشخیص خدمات مناسب وی با توجه به دسته‌ مشتری و شناسایی گرایش وی کمک می نماید
تحلیل و  اولویت بندی عوامل موثر جذب مشتری و مخاطبین
پروژه داده کاوی داده های حجیم با استفاده از نرم افزار متلب
کدنویسی پیش بینی میزان خرید مشتریان از طریق DATAMINING
آموزش پیش‌بینی الگوی کلاهبرداری از طریق کارت اعتباری و شناسایی جرایم مالی و مقابله با آنها با استفاده از داده کاوی
آموزش داده کاوی تشخیص مشتریان ثابت و دسته‌بندی و خوشه‌بندی مشتریان با توجه به رفتار مشابه آنها در زمینه بانکداری و بازپرداخت وام
مدیریت ارتباط با مشتری یک سازمان و تعیین استراتژیهای ضروری طبق مشتریان هدف ودسته های مشخص شده
انجام داده کاوی ریسک و تخمین میزان امتیازات مشتریان بر اساس رفتار خرید
پروژه پیش‌بینی میزان خسارت با استفاده از تکنیکهای داده کاوی
پروژه تعین و کشف عوامل موثر در رضایتمندی مشتری و خریداران بوسیله داده کاوی اطلاعات
انجام شبیه سازی پروژه های پردازش داده های وب و انجام پروزه داده کاوی
شناخت نیازها و الگوهای خرید سرویس های بیمه‌ای توسط مشتریان
انجام داده کاوی پیش بینی و تحلیل میزان موفقیت اعمال جراحی و تعیین میزان موفقیت روشهای درمانی در برخورد با بیماری
پروژه کدنویسی پروژه تعیین میزان مصرف دارو
آموزش کدنویسی پروژه تشخیص بیماریها با استفاده از داده های پزشکی مانند پیش بینی بیماری قبلی عروقی
پروژه کشف تقلب در سازمان ها با استفاده از داده کاوی
ویراستاری پایان نامه پیش بینی بازار فروش در آینده با استفاده از تکنیک دیتاماینینگ
اجرا و کدنویسی پروژه های دیتاماینینگ
آموزش شبیه سازی انجام پروژه matlab
انجام پروژه داده کاوی در نرم افزار متلب

زمانی که حجم زیادی از اطلاعات پیش رو داریم و توانایی تحلیل به صورت عادی را نداریم
به سراغ کدنویسی نرم افزاری میرویم
علم واکاوی داده هم در صنعت و هم در دانشگاه کاربرد فراوانی دارد.
به عنوان نمونه برخی از کاربردهای اصلی این حوزه را ذکر مینماییم
پروژه datamining پزشکی
پروژه داده کاوی بانکداری
آموزش کدنویسی و کاربرد پروژه داده کاوی در صنعت بیمه و بانکداری
کدنویسی پردازش داده شبکه های اجتماعی
داده کاوی به تصمیم گیری ،پیش بینی و دستیابی به اطلاعات مهم می انجامد
و از این رو که ما را با اطلاعات مخفی آشنا میکند اهمیت والایی دارد
آموزش شبیه سازی و کدنویسی پروژه و فرآیندهای قابل اجرا با تکنیک های datamining :
آموزش یافتن بازار هدف به وسیله  انجام پروژه دیتاماینینگ
آموزش کدنویسی پروژه داده کاوی جهت تعیین الگوی خرید مشتریان
آموزش نحوه کدنویسی تحلیل اعتبار مشتریان با استفاده از واکاوی داده ها
تحلیل پاسخگویی مشتریان به ارائه خدمات جدید بانکی
انجام پروژه داده کاوی  پیش بینی میزان خرید و استفاده از تسهیلات نوین
سیستم­های پردازش داده را می‌توان برای کاربردهای متفاوت توسعه داد.
بی شک این سیستم ها بر اساس نوع کاربرد و شرایط ، از نظر معماری متفاوت هستند
در کدنویسی پروژه های داده کاوی عموما از نرم افزار matlab استفاده می گردد
بسیاری از الگوریتم های کدنویسی و شبیه سازی در این مسیر یاری رسان هستند
اگوریتم ژنتیک ga ، الگوریتم کلونی مورچه ، روش شبکه عصبی، الگوریتم زنبور عسل  و…. نمونه هایی از این روش ها هستند
که براساس نوع نیاز و پروژه مورد استفاده قرار میگیرند
انجام پروژه داده

09367292276
azsoftir@gmail.com
azsoftir.com
09367292276azsoftir@gmail.com

azsoftir.com

09367292276
azsoftir@gmail.com

azsoftir.com

09367292276

کاوی
انجام پروژه
آموزش datamining