یک روش ترکیبی مبتنی بر شبکه ایمنی مصنوعی و اتوماتای یادگیر برای خوشه بندی داده ها

خوشه بندی یکی از وظایف اصلی در داده کاوی بشمار میرود.وقتی تعداد نمونه ها و ابعاد داده ها بسیار باشند، استفاده از اتوماتای یادگیر بمنظور خوشه بندی بسیار زمانگیر خواهد بود.در این مقاله یه رهیافت دو مرحله ای برای خوشه بندی داده ها مبتنی بر شبکه ایمنی مصنوعی و اتوماتای یادگیر پیشنهاد شده است.در ابتدا با استفاده از شبکه ایمنی مصنوعی حجم داده های مورد نیاز کاهش می یابد . کاهش حجم داده ها بصورت سطری با کم کردن نمونه ها در مجموعه داده صورت میپذیرد....

داده کاوی پزشکی :راهکاری جهت کشف روابط بین عوامل خطرزای قلبی

امروزه در دانش پزشکی شاهد جمع آوری داده های فراوان در مورد بیماریهای مختلف هستیم . مراکز پزشکی با مقاصد گوناگون به
جمع آوری این د اده ها می پردازن د . تحقیق روی این داده ها و بدست آوردن نتایج و الگوهای مفید در رابطه با بیماریها یکی از اهداف
استفاده از این داده هاس ت . حجم زیاد این داده ها و سردرگمی حاصل از آن مشکلی است که مانع رسیدن به نتایج قابل توجه می شو د .
در این مقاله از داده کاوی ب ر ای غلبه بر این مشکل و بدست آوردن روابط مفید بین عوامل خطر زا در بیماریهای قلب و عروق استفاده
کرده ایم . این بیماریها با توجه به شیوع و سهمی که در مرگ و میر انسانها دارند از اهمیت بالایی برخوردارن د . داده کاوی دانش استخراج
روابط و الگوهای مفید پنهان در حج م زیاد داده اس ت . تکنیک استفاده شده در این مقاله دسته بندی به کمک درختهای تصمیم گیری و
نرم افزار استفاده شده CART است...

پاورپوینت تکنیک های داده کاوی در بازاریابی فروش و مدیریت ارتباط با مشتری

فرمت فایل : word (قابل ویرایش) تعداد صفحات : 33 صفحه

بخشی از متن :

تعریف :

– استخراج دانش از انبوه داده ها

– کشف الگوها و قوانین پنهان در داده ها

یک شرکت تجاری می تواند با داده کاوی از طریق درک بهتر مشتریانش فرآیند های بازاریابی، فروش و عملیات حمایت از مشتریانش را بهبود بخشد.

دسته بندی برای پیش بینی خروجی های گسسته استفاده می شود

مشتریان خوب یا بد

چه کسانی کالا (سرویس) X را خرید می کنند

مشتریان متقلب در بیمه

مشتریان بدحساب در بانک

مطالعه تطبیقی قابلیت های فرایادگیرنده های مبتنی بر الگوریتم بوستینگ و نیازهای داده کاوی در بانک های اطلاعاتی توزیع شده

در دهه اخیر تحقیقات زیادی در حوزه داده کاوی انجام شده که به الگوریتم ها و روش های متنوعی برای استخراج خودکار اطلاعات مستتر در داده ها منتهی گردیده است.اما چالش های زیادی فراروی بهره گیری از روش های داده ماوی در حوزه های مختلف کاربردی وجود دارد.

در این پژوهش مولفه های مختلف این الگوریتم، بعنوان یک فراگیرنده شرح داده می شود.همچنین چگونگی بهره گیری از قابلیت های این الگوریتم در رفع چالش های فراروی داده کاوی در پایگاه داده بسیار یزرگ و توزیع شده بصورت تفصیلی مورد بررسی قرار میگیرد.فرمت فایل pdf در 16 صفحه میباشد.

تحقیق درباره بررسی کاربرد علم آمار در داده کاوی

فرمت فایل : word (قابل ویرایش) تعداد صفحات : 11 صفحه

مقدمه و مقایسه :

آمار شاخه ای از علم ریاضی است که به جمع آوری توضیح و تفسیر داده ها می پردازد.[3 ] این مبحث به گونه ای است که روزانه کاربرد زیادی دارد. در مقایسه این عام با data mining قدمت بیشتری دارد و جزء ورشهای کلاسیک داده کاوی محسوب می شود،وجه اشتراک تکنیکهای آماری وdata mining بیشتر درتخمین وپیش بینی است.[2]البته از آزمونهای آماری در ارزیابی نتایج داده کاوی نیزاستفاده می شود. درکل ا گر تخمین و پیش بینی جزء وظایف data mining در نظر گرفته شوند،تحلیل های آماری،data mining را بیش از یک قرن اجرا کرده است.به عقیده بعضی DM ابتدا ازآمار و تحلیل های آماری تحلیل شروع شد. [ 2] می توان تحلیل های آماری از قبیل فاصله اطمینان،رگرسیون و... را مقدمه و پیش زمینه  DMرا دانست که بتدریج در زمینه های دیگر ومتد های دیگررشد و توسعه پیدا کرد. پس در واقع متدهای آماری جزو روشهای کلاسیک و قدیمی DM محسوب می شوند.در جایی اینگونه بحث می شود که با تعریف دقیق ، آماریا تکنیکهای آماری جزء داده کاوی(data mining) نیستند.این روشها خیلی قبل تر از data mining استفاده می شدند.با این وجود، تکنیکها آماری توسط داده ها بکار برده می شوند و برای کشف موضوعات و ساختن مدلهای پیشگویانه مورد استفاده قرار می گیرند.[3]

مقدمه و مقا یسه

آمار شاخه ای از علم ریاضی است که به جمع آوری توضیح و تفسیر داده ها می پردازد.[3 ] این مبحث به گونه ای است که روزانه کاربرد زیادی دارد. در مقایسه این عام با data mining قدمت بیشتری دارد و جزء ورشهای کلاسیک داده کاوی محسوب می شود،وجه اشتراک تکنیکهای آماری وdata mining بیشتر درتخمین وپیش بینی است.[2]البته از آزمونهای آماری در ارزیابی نتایج داده کاوی نیزاستفاده می شود. درکل ا گر تخمین و پیش بینی جزء وظایف data mining در نظر گرفته شوند،تحلیل های آماری،data mining را بیش از یک قرن اجرا کرده است.به عقیده بعضی DM ابتدا ازآمار و تحلیل های آماری تحلیل شروع شد. [ 2] می توان تحلیل های آماری از قبیل فاصله اطمینان،رگرسیون و... را مقدمه و پیش زمینه  DMرا دانست که بتدریج در زمینه های دیگر ومتد های دیگررشد و توسعه پیدا کرد. پس در واقع متدهای آماری جزو روشهای کلاسیک و قدیمی DM محسوب می شوند.در جایی اینگونه بحث می شود که با تعریف دقیق ، آماریا تکنیکهای آماری جزء داده کاوی(data mining) نیستند.این روشها خیلی قبل تر از data mining استفاده می شدند.با این وجود، تکنیکها آماری توسط داده ها بکار برده می شوند و برای کشف موضوعات و ساختن مدلهای پیشگویانه مورد استفاده قرار می گیرند.[3]