دانلود رایگان پایان نامه نگاهی بر داده کاوی و کشف قوانین وابستگی 2,826 بازدید بدون دیدگاه دانلود رایگان پایان نامه نگاهی بر داده کاوی و کشف قوانین وابستگی به صورت کامل و جامع از سایت پژوهشی مادسیج توضیح کوتاه در باره پایان نامه چکیده 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 ۱۹۹۰ 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 . فهرست پروژه: داده کاوی فرآیند بکارگیری یک یا چند تکنیک آموزش کامپیوتر، برای تحلیل و استخراج داده های یک پایگاه داده می باشد.در واقع هدف داده کاوی یافتن الگوهایی در داده هاست. دانش کسب شده از فرآیند داده کاوی بصورت مدل یا تعمیمی از داده ها نشان داده می شود. چندین روش داده کاوی وجود دارد با این وجود همه روشها “ آموزش بر مبنای استنتاج “ را بکار می برند. آموزش بر مبنای استنتاج، فرآیند شکل گیری تعاریف مفهوم عمومی از طریق مشاهده مثالهای خاص از مفاهیمی که آموزش داده شده اند، است. مثال زیر نمونه ای از دانش بدست امده از طریق فرایند اموزش بر مبنای استنتاج است: آیا تا کنون فکر کرده اید، فروشگاههای بزرگ اینترنتی در mail های خود به مشتریان از چه تبلیغاتی استفاده می کنند؟ و آیا این تبلیغات برای همه مشتریان یکسان است؟ پاسخ این است که از روی دانش کسب شده از اطلاعات خرید افراد و نتیجه گیری از این دانش، این کار را انجام می دهند.مثلا در نظر بگیرید یک قانون در پایگاه داده بصورت زیر استخراج می شود: دقت = ۸۰% : سیگار می خرند ^ نان می خرند کسانی که شیر می خرند از روی این قانون فروشگاه می تواند به تمام کسانی که شیر می خرند تبلیغات سیگار و انواع نان را نیز بفرستد.همچنین این قانون در چیدن قفسه های فروشگاه نیز بی تاثیر نخواهد بود. {شیر و نان و سیگار در قفسه های کنار هم چیده شوند} کشف دانش در پایگاه داده ۱ KDD یا کشف دانش در پایگاه داده اصطلاحی است که مکررا بجای داده کاوی بکار می رود. از نظر تکنیکی، KDD کاربردی از روشهای علمی داده کاوی است. بعلاوه برای انجام داده کاوی فرایند KDD شامل : ۱- یک روش برای تهیه داده ها و استخراج داده ها ، ۲- تصمیم گیری درباره عملی که پس از داده کاوی باید انجام شود ، می باشد. آیا داده کاوی برای حل مسائل ما مناسب است؟ تصمیم گیری در مورد اینکه آیا داده کاوی را به عنوان استراتژی حل مساله بکار ببریم یا نه، یک مساله دشوار است. اما به عنوان نقطه شروع چهار سؤال عمومی را باید در نظر بگیریم : آیا به وضوح می توانیم مساله را تعریف کنیم ؟ آیا بطور بالقوه داده با معنی وجود دارد ؟ آیا داده ها شامل “ دانش پنهان” هستند یا فقط برای هدف گزارشگری مناسبند ؟ آیا هزینه پردازش داده (برای داده کاوی) کمتر از سود حاصل از دانش پنهان بدست آمده از پروژه داده کاوی است ؟ یک مدل پردازش داده کاوی ساده : در یک دید کلی ، ما می توانیم داده کاوی را به عنوان یک فرآیند چهار مرحله ای تعریف کنیم : جمع آوری یک مجموعه از داده ها برای تحلیل ارائه این داده ها به برنامه نرم افزاری داده کاوی تفسیر نتایج بکارگیری نتایج برای مساله یا موقعیتهای جدید ۱٫Khowledge Discovery in DB (KDD) (توضیحات کامل در داخل فایل) نوع فایل: پایان نامه پیشینه : دارد پروپوزال: دارد نوع فایل: word موضوع: دانلود رایگان پایان نامه نگاهی بر داده کاوی و کشف قوانین وابستگی منبع: دارد رشته: علوم کامپیوتر لینک دانلود : دانلود رایگان پایان نامه نگاهی بر داده کاوی و کشف قوانین وابستگی منابع پایان نامه منابع: ۱)A.amiri,R.Feldman and R.Kashi. A new and versatile method for association generation. Information Systems, vol. 22,no. 6, pp. 333-347, 1999. ۲)J.Hipp,U.Guntzer and G.Nakhaeizadeh.Algorithms for Association Rules data Mining _ a General survey and comparision. Source, ACM SIGKDD Explorations Newsletter,2(1):58–۶۴, July 2000. ۳) Y.Lee ,T.Hong and W.Lin.Mining association rules with multiple mininmum supports using minimum constraints . International Journal of Approximate Reasoning 40(2005) 44-54. ۴)S.Zhang ,X.Wn , J.Zhang and C.Zhang. A Decremental Algorithm for Maintaining Frequent Itemsets in Dynamic Database. DaWaK 2005, LNCS 3589, pp. 305–۳۱۴, ۲۰۰۵٫ ۵) S.Tseng.An Efficient Method for Mining Association Rules With Item Constraint . Technical Report No. CSD-99-1089,2000. ۶) P.Hsu,Y.chen and C.ling.Algorithms for mining associations rules in bag database . INFORMATION SCIENCES 166(2004) 31-47. ۷)Y.GAO,J.MA and L.Ma. A New Algorithm for mining fuzzy association rules.preceedings of third international confrance of machine learning and cybmetic, shanghai,26_29 Agust 2004 . اطلاعات مورد نیاز نیز با استفاده از اینترنت تهیه شده است .کلید واژه های مورد استفاده عبارتند از : Data Mining , Graph Data Base , Graph Search Algorithms سایتهایی که با کلید واژه های فوق نمایش داده می شوند تعداد نسبتا زیادی را تشکیل می دهند پس از مطالعه سایتها ,سایتهای زیر قابل استفاده تشخیص داده شدند و مورد استفاده قرار گرفتند : citeseer.nj.nec.com/gting94graphdb.html : صفحه ابتدایی GraphDB است که نحوه پیاده سازی گراف در بانک اطلاعاتی را توضیح می دهد . db.cs.sfu.ca/DBMiner: سایتی است حاوی اطلاعاتی در مورد معماری نرم افزار داده کاوی و نمونه یکنرم افزارتولید شده در این زمینه که بر روی انبار داده عمل داده کاوی را انجام می دهد . db.cs.sfu.ca/GeoMiner: سایتی است حاوی اطلاعاتی در مورد داده کاوی و یک پروژه در زمینه داده کاوی فضایی . www.mecani.org : سایتی است حاوی اطلاعاتی در مورد بانکهای اطلاعاتی. www.sigmod.com: سایتی است حاوی اطلاعاتی در مورد داده کاوی از بانکهای رابطه ای و فضایی. ftp.fas.sfu.ca : این سایت حاوی معماری و الگوریتمهای متعددی برای سیستمهای داده کاوی است .