دانلود مقاله ای در مورد داده کاوی و کشف قوانین وابستگی
دانلود مقاله ای در باره داده کاوی و کشف قوانین وابستگی
موضوعمقاله: دیتا کاوی و کشف قوانین وابستگی
قالب بندی: word ، قابل ویرایش
تعداد صفحات: 22
شرح مختصر:
چکیده:
با افزایش سیستمهای کامپیوتر و اشاعه تکنولوژی اطلاعات , بحث اصلی در دانش کامپیوتر از چگونگی جمع آوری اطلاعات به روش استفاده از اطلاعات منتقل شده است . سیستمهای داده کاوی ,این امکان را به کاربر می دهند که بتواند انبوه داده های جمع آوری شده را تفسیر کنند و دانش نهفته در آن را استخراج نمایند .
داده کاوی به هر نوع کشف فرهنگ و یا الگوی پنهان در پایگاه دیتا ها اطلاق می شود . امروزه دیتا کاوی به عنوان یکی از مهمترین مسائل هوش مصنوعی و پایگاه دیتا ، محققان بسیاری را به خویش جذب کرده است . در این پژوهش آغاز نگاه کلی بر دیتا کاوی ، استراتژیهای داده کاوی و... داریم ، سپس مسأله کشف قوانین وابستگی در پایگاه داده را به تفضیل رسیدگی کردیم و نگاهی به الگوریتمهای موجود برای آن داشتیم . سپس مسأله کشف قوانین برگزیدن در پایگاه دیتا های پرکار را باره بحث قرار دادیم و الگوریتم های ارائه شده مربوطه را مطرح کردیم .
مقدمه :
هدف از این اراِئه و تحقیق بررسی روشهای مطرح دیتا کاوی است .داده کاوی هر گونه استخراج ادب و یا الگواز دیتا های موجود در پایگاه دیتا است که این دانشها و الگوها ضمنی و نهان در داده ها هستند ,از دیتا کاوی می طاقت جهت امور ردیف 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 بالقوه در سیستم است که به شناخت بهتر سیستم کمک می کند .به عنوان نمونه می نا به استفاده ترکیبی از شیوه خوشه بندی جهت تخصیص بودجه به تقسیم های گوناگون از کتب اشاره کرد .
سیستمهای داده کاوی تقریبا از اوایل دهه 1990 باره توجه پیمان گرفتند . دلیل 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 . بعد 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 متعدد دیتا معنی استخراج کند و داده کاوی به همین قصد ایجاد و رشد یافت .
بنابر این قصد اصلی از دیتا کاوی ,کشف ادب بالقوه در محیط مورد بررسی است که این ادب 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 مدل (اروپایی) می تواند بیانگر رابطه بین گونه کالا و میزان تقاضای آن باشد .
در این تحقیق داده کاوی باره بحث قرار می گیرد . علل به کارگیری داده کاوی و منابعی که دیتا کاوی بر روی آنها اعمال می شود ,علاوه بر این چکیده ای از روشهای رایج دیتا 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 .
Data mining(داده کاوی)
تعریف :
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.
دیتا کاوی فرآیند بکارگیری یک یا چند تکنیک تعلیم کامپیوتر، برای تحلیل و استخراج دیتا های یک پایگاه دیتا 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 اثر دیتا می شود.
چندین طریق داده کاوی وجود دارد با این وجود همه روشها “ تعلیم 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 مثال ای از فرهنگ توسط امده از طریق فرایند اموزش بر مبنای استنتاج است:
آیا تا کنون فکر کرده اید، فروشگاههای کبیر اینترنتی در mail های خود به مشتریان از چه تبلیغاتی بهرهگیری می کنند؟ و آیا این تبلیغات برای کل مشتریان یکسان است؟
فهرست :
چکیده
مقدمه
کشف دانش در پایگاه داده
آیا دیتا کاوی برای حل مسائل ما مناسب است؟
جمع آوری داده ها
بکارگیری نتایج
استراتژیهای دیتا کاوی
پیش گویی Perdiction
Unsupervised Clustering تقسیم بندی بدون کنترل
تکنیکهای داده کاوی تحت کنترل
شبکه عصبی
برگشت آماری
قوانین وابستگی
الگوریتم Apriori
الگوریتم Aprior TID
الگوریتم partition
الگوریتم های MaxEclat,Eclat
الگوریتم با ساختار trie
الگوریتم fp-grow
ساخت fp- tree
Fp-tree شرطی
الگوریتم برداری
نگهداری قوانین وابستگی
الگوریتم کاهشی