تحقیق داده‌کاوی Data Mining

تحقیق داده‌کاوی Data Mining

دانلود تحقیق داده‌کاوی Data Mining

در قالب Word و در ۱۶۲ صفحه، قابل ویرایش، شامل:

چکیده

فصل اول

داده‌کاوی چیست؟

۱-۱- تعاریف داده‌کاوی

۱-۲- مراحل فرایند کشف دانش از پایگاه داده‌ها

شکل ۱-۱- پروسه داده‌کاوی data mining

بیان مسئله و فرموله کردن فرضیه

۱-۳- تاریخچه داده‌کاوی

۱-۴- کارکرد داده‌کاوی

۱-۵- مفاهیم اساسی در داده‌کاوی

۱-۶- داده‌کاوی چگونه کار می‌کند؟

۱-۷- قابلیت‌های داده‌کاوی

فصل دوم

کاربرد داده‌کاوی

۲-۱- مثالی کلاسیک از کاربرد داده‌کاوی

۲-۲- داده‌کاوی و آمار

۲-۲-۱- تفاوت داده‌کاوی و آنالیزهای آماری

۲-۲-۲- آنالیز آماری

داده‌کاوی

۲-۲-۳- روش آنالیز آماری

۲-۳- فواید و نقش داده‌کاوی در فعالیت شرکت‌ها

مراحل اصلی داده‌کاوی

۲-۴- کاربردهای داده‌کاوی در کتابخانه‌ها و مؤسسات دانشگاهی

۲-۴-۱- پیشرفت در تکنولوژی‌های داده‌پردازی

۲-۴-۲- عناصر داده‌کاوی

۲-۴-۳- فنون داده‌کاوی

۲-۵- پروژه داده‌کاوی پیوند

۲-۶- داده‌کاوی و کاربرد آن در کسب و کار هوشمند بانک

۲-۶-۱- بازاریابی

۲-۶-۲- مدیریت ریسک

۲-۶-۳- تشخیص تقلب

۲-۶-۴- به دست آوردن و حفظ مشتری

۲-۷- فرصت‌ها و چالش‌های داده‌کاوی در شهر الکترونیکی

شکل ۲-۱- جایگاه داده‌کاوی در شهر الکترونیک

۲-۷-۱- داده‌کاوی چیست؟

۲-۷-۲- زمینه و تکامل تدریجی داده‌کاوی در شهر الکترونیک

شکل ۲-۲- چهارچوب داده‌کاوی در شهر الکترونیک

۲-۸- کاربردهای داده‌کاوی در شهر الکترونیک

۲-۸-۱- کشف علایق و انگیزه‌های شهروندان و تولید سرویس‌های شخصی‌سازی

شکل ۲-۳- فرایند تولید سرویس‌های شخصی

۲-۸-۲- تجدید ساختار سایت وب شهر و افزایش کارایی سیستم

۲-۸-۳- تقویت برنامه‌ریزی‌های دولت و ترویج نوآوری

۲-۸-۴- بهبود تحلیل‌ها و تصمیمات دولت

۲-۹- کاربردهای داده‌کاوی در کتابخانه‌ها و محیط‌های دانشگاهی

۲-۹-۱- مدیریت و خدمات کتابخانه

جدول ۲-۱- کاربردهای داده‌کاوی در کتابخانه‌ها

جدول ۲-۲- کاربردهای داده‌کاوی در مؤسسات دانشگاهی

۲-۹-۲- تذکرات نهایی

۲-۱۰- الگوریتم‌های داده‌کاوی برای طبقه‌بندی دانشجویان

۲-۱۰-۱- پیش‌زمینه

۲-۱۰-۲- نتیجه‌های آزمایشی

۲-۱۰-۲- در نهایت

۲-۱۰-۳- مشکلات تجاری برای داده‌کاوی

فصل سوم

الگوریتم‌های داده‌کاوی

۳-۱- استخراج الگوریتم‌ها (تجزیه و تحلیل سرویس‌ها- داده‌کاوی)

۳-۲- انواعی از الگوریتم‌ها داده‌کاوی

۳-۲-۱- به کار بردن این الگوریتم‌ها

۳-۳- جزئیات الگوریتم

۳-۴- طراحی SPAM

۳-۴-۱- ابزاری برای کاوش در شبکه گسترده جهان

۳-۴-۲- تعریف

۳-۴-۳- داده‌کاوی

شکل ۳-۱- مراحل عملیات کشف دانش از پایگاه‌های داده

۳-۵- معماری یک سیستم داده‌کاوی

شکل ۳-۲- معماری یک سیستم داده‌کاوی

۳-۶- وب‌کاوی

۳-۶-۱- انواع عملیاتی که در وب‌کاوی انجام می‌شوند

۳-۶-۲- کاوش محتوایی وب

جدول ۳-۱- جدول SPAM برای انتخاب عملیات وب کاوی مناسب در رابطه با حل مشکلات مختلف موجود در کشف و استخراج مؤثر اطلاعات از شبکه گسترده جهانی

۳-۶-۳- کاوش ساختاری وب

۳-۶-۴- کاوش کاربردی وب

۳-۶-۵- روش‌ها و ابزارهای وب کاوی

جدول ۳-۲- جدول T&A ابزارها و روش‌های وب کاوی

۳-۶-۶- مقیاس‌های اصلی برای مقایسه روش‌های وب کاوی

۳-۷- انواع موتورهای جستجو

۳-۷-۱- کاوشگر وب

۳-۷-۲- دروازه وب

۳-۷-۳- مقایسه موتور جستجوهای دروازه وب و کاوشگر وب

۳-۷-۴- در نهایت

جدول ۳-۳- بررسی تفاوت‌های کاوشگر وب و دروازه وب

فصل چهارم

نرم‌افزارهای داده‌کاوی

۴-۱- نرم‌افزار داده‌کاوی SPSS Clementine

۴-۲- داده‌کاوی و OLAP

۴-۲-۱- داده‌کاوی موفق

۴-۲-۱-۱- تحلیل ارتباطات

شکل ۴-۱- گراف ساختار ارتباطات

۴-۲-۱-۲- سلسله مراتبی از انتخاب‌ها

– هدف کار

۴-۲-۲- طبقه‌بندی

۴-۲-۳- حدس بازگشتی

۴-۲-۴- سری‌های زمانی

۴-۲-۵- شبکه‌های عصبی

شکل ۴-۲- یک شبکه عصبی با یک لایه پنهان

۴-۲-۶- درخت‌های انتخاب

شکل ۴-۳- درخت انتخاب

۴-۲-۷- استنتاج قانون

۴-۳- ساختن یک پایگاه داده داده‌کاوی

۴-۳-۱- جستجوی داده

۴-۳-۲- آماده‌سازی داده برای مدل‌سازی

۴-۴- ساختن مدل داده‌کاوی

۴-۴-۱- ارزیابی و تفسیر

۴-۴-۲- ایجاد معماری مدل و نتایج

۴-۵- نرم‌افزار Weka

۴-۵-۱- درباره وکا

روش استفاده از Weka

شکل ۴-۱- در وضعیت انتخاب واسط

۴-۵-۲- قابلیت‌های Weka

۴-۵-۳- دریافت Weka

۴-۵-۳-۱- مروری بر Explorer

شکل ۴-۲- واسط گرافیکی Explorer

شکل ۴-۳- باز کردن فایل

شکل ۴-۴- (الف) پیغام خطا

شکل ۴-۴- (ب) ویرایشگر

شکل ۴-۵- بانک اطلاعاتی bank-data.csv

شکل ۴-۶- اطلاعات آماری فیلد age

۴-۵-۳-۲- به کارگیری فیلترها

شکل ۴-۷- (الف) انتخاب فیلتر Remove

شکل ۴-۷- (ب) وارد کردن شماره فیلد مورد نظر

شکل ۴-۷- (ج) انتخاب گزینه Apply و حذف فیلد id

شکل ۴-۸- (الف) انتخاب فیلتر Discretize

شکل ۴-۸- (ب) وارد کردن شماره فیلد مورد نظر و انجام تنظیمات

شکل ۴-۸- (ج) انتخاب گزینه Apply

۴-۵-۴- الگوریتم‌های یادگیری

۴-۵-۵- رده‌بندهای Lazy

۴-۵-۶- خوشه

شکل ۴-۹- بارگذاری فایل نمونه

شکل ۴-۱۰- انتخاب پانل cluster

شکل ۴-۱۱- انتخاب الگوریتم خوشه‌بندی

شکل ۴-۱۲- تنظیم پارامترهای الگوریتم خوشه‌بندی

شکل ۴-۱۳- مدل حاصل از اجرای الگوریتم خوشه‌بندی

شکل ۴-۱۴- نتیجه حاصل از اجرای الگوریتم خوشه‌بندی

شکل ۴-۱۵- (الف)

شکل ۴-۱۵- (ب) مصورسازی نتیجه حاصل از clustering

شکل ۴-۱۶- نتیجه اختصاص نمونه‌ها به کلاسترها

۴-۵-۷- وابسته

شکل ۴-۱۷- بارگذاری فایل نمونه

شکل ۴-۱۸- انتخاب پانل Associate

شکل ۴-۱۹- انتخاب الگوریتم association

شکل ۴-۲۰- تنظیم پارامترهای الگوریتم association

شکل ۴-۲۱- توضیحات بیشتر در مورد پارامترهای الگوریتم Apriori

شکل ۴-۲۲- نتیجه اجرای الگوریتم Apriori

شکل ۴-۲۳- ذخیره قوانین به دست آمده

فصل پنجم

منابع

تحقیق داده‌کاوی Data Mining

چکیده

در این تحقیق به صورت کلی از داده‌کاوی تعریف شده و به بررسی آن به صورت دقیق و کاربردی پرداخته شده است. در بخشی به نرم‌افزارهایی پرداخته شده است که بزرگ‌ترین کاربردها را در نرم‌افزارهای داده‌کاوی دارد و در نهایت به نرم‌افزار وکا پرداخته شده است که با توجه به داده‌های موجود تمامی منوهای نرم‌افزار توضیح داده شده است.

در نهایت با توجه به تحقیقات انجام گرفته در زمینه‌ی دانشگاهی و به کارگیری نتایج به دست آمده مدیران آموزشی می‌توانند مشاوره‌های لازم را برای پیشگیری از رسیدن دانشجویان به وضعیت بحرانی به کار گیرند. همچنین این مدل‌ها می‌توانند به عنوان یک ابزار پشتیبان تصمیم‌گیری در سیستم‌های آموزشی مورد بهره‌برداری قرار گرفته و نقش مهمی را در ارتقا سطح علمی دانشگاه‌ها داشته باشند.