ورود کاربران

فایل های مرتبط

کاربران آنلاین

وضعيت آنلاين ها :

ميهمان :

13 نفر

اعضا :

0 نفر

مجموع :

13 نفر

آمار بازديد :

بازدید های امروز :

695

تعداد کل بازدید ها :

24911990

گزارشات سایت

فايل هاي رايگان:

105 فايل

فایل های غیر رایگان :

4,490 فايل

فایل های ويژه:

220 فايل

مجموع كاربران ويژه :

0 كاربر

مجموع کاربران عادي :

2,244 كاربر

در مورد داده کاوی و کشف قوانین وابستگی

دسته بندي : پروژه و مقاله,کامپیوتر
حجم فایل : 283.15 كيلوبايت
فرمت فايل هاي فشرده : word
تعداد صفحات : 41 صفحه
تعداد بازدید : 164 مرتبه

خرید فایل و دانلود

قیمت: 1,500 تومان
پس از پرداخت، لینک دانلود فایل برای شما نشان داده می شود.

امتیاز : 18

گزارش

فروشنده ی فایل

faezeh_r
سایر فایل ها

توضیحات :

موضوع : نگاهی بر داده کاوی و کشف قوانین وابستگی

فهرست

چکيده: 1

مقدمه : 2

Data mining(داده كاوي) 3

تعريف : 3

كشف دانش در پايگاه داده4

آيا داده كاوي براي حل مسائل ما مناسب است؟ 4

يك مدل پردازش داده كاويساده : 5

استراتژيهاي داده كاوي : 7

پيش گويي Perdiction : 9

1. شبكه عصبي : 10

2. برگشت آماري : 11

3. قوانين وابستگي : 12

الگوريتم partition : 17

الگوريتم هاي MaxEclat,Eclat : 19

S در الگوريتم فوق مجموعه اتمهاي زير شبكه است و F مجموعه اقلام بزرگ نهايي است و Tiمجموعه اقلام بزرگ جديد هستند.(يك سطح بالاتر). 21

الگوريتم با ساختار trie : 24

الگوريتم fp-grow : 25

1-نام آيتم 2- اشاره گري به اولين نود حامل آيتم 26

الگوريتم ساخت fp- tree: 26

Fp-tree شرطي : 28

الگوريتم ايجاد مجموعه آيتم هاي بزرگ بوسيله درخت fp-tree : 29

الگوريتم برداري : 30

الگوريتم ارائه شده: 30

يك الگوريتم جديد براي پايگاه داده هاي پويا : 33

نگهداري قوانين وابستگي : 34

بنابراين يک مجموعه آيتم مثل X ميتواند در پايگاه داده جديد (DB-db) بزرگ نباشد . 35

اين الگوريتم به شکل زير آمده است : 35

مشخص شدن mيک مساله قابل بحث و تحقيق است . 35

نتيجه گيري: 36

با افزايش سيستمهاي كامپيوتر و گسترش تكنولوژي اطلاعات , بحث اصلي در علم كامپيوتر از چگونگي جمع آوري اطلاعات به نحوه استفاده از اطلاعات منتقل شده است . سيستمهاي داده كاوي ,اين امكان را به كاربر مي دهند كه بتواند انبوه داده هاي جمع آوري شده را تفسير كنند و دانش نهفته در آن را استخراج نمايند . داده كاوي به هر نوع كشف دانش و يا الگوي پنهان در پايگاه داده ها اطلاق مي شود . امروزه داده کاوی به عنوان یکی از مهمترین مسائل هوش مصنوعی و پایگاه داده ، محققان بسیاری را به خود جذب کرده است . در این تحقیق ابتدا نگاه کلی بر داده کاوی ، استراتژیهای داده کاوی و... داریم ، سپس مسأله کشف قوانین وابستگی در پایگاه داده را به تفضیل بررسی کردیم و نگاهی به الگوریتمهای موجود برای آن داشتیم . سپس مسأله کشف قوانین وابستگی در پایگاه داده های پویا را مورد بحث قرار دادیم و الگوریتم های ارائه شده مربوطه را مطرح کردیم .

Data mining(داده كاوي)

تعريف :

Data Mining represents a process developed to examine large amounts of

data routinely collected. The term also refers to a collection of tools used to

perform the process. Data mining is used in most areas where data are

collected-marketing, health, communications, etc.

داده كاوي فرآيند بكارگيري يك يا چند تكنيك آموزش كامپيوتر، براي تحليل و استخراجداده هاي يك پايگاه داده مي باشد.در واقع هدف داده كاوي يافتن الگوهايي در داده هاست.

دانش كسب شده از فرآيند داده كاوي بصورت مدل يا تعميمي از داده ها نشان داده مي شود.

چندين روش داده كاوي وجود دارد با اين وجود همه روشها “آموزش بر مبناي استنتاج “ را بكار مي برند.

آموزش بر مبناي استنتاج، فرآيند شكل گيري تعاريف مفهوم عمومي از طريق مشاهده مثالهاي خاص از مفاهيمي كه آموزش داده شده اند، است.

مثال زير نمونه اي از دانش بدست امده از طريق فرايند اموزش بر مبناي استنتاج است:

آيا تا كنون فكر كرده ايد، فروشگاههاي بزرگ اينترنتي در mail هاي خود به مشتريان از چه تبليغاتي استفاده مي كنند؟ و آيا اين تبليغات براي همه مشتريان يكسان است؟

پاسخ اين است كه از روي دانش كسب شده از اطلاعات خريد افراد و نتيجه گيري از اين دانش، اين كار را انجام مي دهند.مثلا در نظر بگيريد يك قانون در پايگاه داده بصورت زير استخراج مي شود:

دقت = 80%:سيگار مي خرند ^نان مي خرند كساني كه شير مي خرند

از روي اين قانون فروشگاه مي تواند به تمام كساني كه شير مي خرند تبليغات سيگار و انواع نان را نيز بفرستد.همچنين اين قانون در چيدن قفسه هاي فروشگاه نيز بي تاثير نخواهد بود.

{شير و نان و سيگار در قفسه هاي كنار هم چيده شوند}

كشف دانش در پايگاه داده 1

KDDيا كشف دانش در پايگاه داده اصطلاحي است كه مكررا بجاي داده كاوي بكار مي رود. از نظر تكنيكي،KDD كاربردي از روشهاي علمي داده كاوي است.

بعلاوه براي انجام داده كاوي فرايند KDD شامل :

1-يك روش براي تهيه داده ها و استخراج داده ها ،

2-تصميم گيري درباره عملي كه پس از داده كاوي بايد انجام شود ، مي باشد.

آيا داده كاوي براي حل مسائل ما مناسب است؟

تصميم گيري در مورد اينكه آيا داده كاوي را به عنوان استراتژي حل مساله بكار ببريم يا نه، يك مساله دشوار است.

اما به عنوان نقطه شروع چهار سؤال عمومي را بايد در نظر بگيريم :

1. آيا به وضوح مي توانيم مساله را تعريف كنيم ؟

2. آيا بطور بالقوه داده با معني وجود دارد ؟

3. آيا داده ها شامل “ دانش پنهان” هستند يا فقط براي هدف گزارشگري مناسبند ؟

4. آيا هزينه پردازش داده (براي داده كاوي) كمتر از سود حاصل از دانش پنهان بدست آمده از پروژه داده كاوي است ؟

يك مدل پردازش داده كاوي ساده :

در يك ديد كلي ، ما مي توانيم داده كاوي را به عنوان يك فرآيند چهار مرحله اي تعريف كنيم :

1. جمع آوري يك مجموعه از داده ها براي تحليل

2. ارائه اين داده ها به برنامه نرم افزاري داده كاوي

3. تفسير نتايج

4. بكارگيري نتايج براي مساله يا موقعيتهاي جديد

- جمع آوري داده ها :

فرآيند داده كاوي احتياج به دسترسي به داده ها دارد. داده ممكن است در تعدادي ركورد، در چندين فايل پايگاه داده ذخيره شود و يا ممكن است داده فقط شامل چند صد ركورد در يك فايل ساده باشد.

با توجه به اينكه معمولا داده هاي واقعي شامل چندين هزار ركورد مي باشند، اولين گام در داده كاوي تهيه زير مجموعه مناسبي از داده براي پردازش است. گاهي اين مرحله احتياج به تلاش انسانهاي بسياري دارد. در كل سه راه متداول براي دستيابي فرآيند داده كاوي به داده وجود دارد :

1. ذخيره داده در “ انبار داده 1 ”

2. ذخيره داده در پايگاه داده رابطه اي

3. ذخيره داده در فايل ساده

برچسب ها : تحقیق درباره داده کاوی و کشف قوانین وابستگی دانلود مقاله در مورد کشف قوانین وابستگی دانلود پروژه درباره داده کاوی و کشف قوانین وابستگی در مورد data mining و کشف قوانین وابستگی

نظرات کاربران :

نظری توسط کاربران ثبت نشده است.

شما هم می توانید در مورد این فایل نظر دهید.