مروری بر داده کاوی و بررسی شبکه های عصبی
چندین دهه است که شرکت ها اطلاعات را جمع آوری می نمایند تا با ایجاد یک پایگاه داده انبوه اطلاعات را ذخیره کنند، با این حال که اطلاعات در دسترس آنها قرار دارد فقط تعداد کمی از شرکت ها قادر شده اند به ارزش واقعی ذخیره شده در آنها پی ببرند سوال این شرکتها این است که چگونه میتوان به ارزش واقعی این اطلاعات دست یافت؟ پاسخ آن داده کاوی است، که امروزه در بسیاری از صنعتها از جمله پزشکی، آموزش، ورزش و بسیاری از صنایع دیگر مورد استفاده قرار میگیرد. تکنیکهای بسیاری جهت داده کاوی وجود دارد از جمله شبکه های عصبی مصنوعی، رگرسیون، درخت تصمیم و غیره. همچنین طراحی شده است اشاره SAS که توسط شرکت JMP نرم افزارهایی نیز برای داده کاوی ایجاد شده است که میتوان به نرم افزار کرد. این مقاله به معرفی داده کاوی و برخی از روشهای داده کاوی و همچنین محیطهایی که از داده کاوی بهره میبرند به همراه نرم افزار های آن پرداخته است.
فهرست :
چکیده
مقدمه
داده کاوی
تکنیک های داده کاوی
دسته بندی
رگرسیون گیری
خوشه بندی
تجمع و همبستگی
درخت تصمیم گیری
ویزگی های درخت تصمیم
الگوریتم ژنتیک
شبکه های عصبی مصنوعی
ساختار شبکه عصبی
نورون
معماری شبکه عصبی
شبکه های پیش خور تک لایه
انواع یادگیری در شبکه های عصبی مصنوعی
داده کاوی در پزشکی
داده کاوی در سلامت
نرم افزار های داده کاوی
نتیجه گیری
مراجع
دانلود پروژه در مورد اجرای تکنیک های داده کاوی (با قابلیت ویرایش و دریافت فایل Word ورد doc) تعداد صفحات 80
شرح مختصر : داده های مورد استفاده در این پروژه از پایگاه داده دانشگاه آزاد قزوین تهیه شده است، این داده ها اطلاعات ۵۰۰ نفر دانشجوی مقطع کارشناسی رشته مهندسی صنایع (گرایش های تکنولوژی صنعتی و تولید صنعتی) است. که در قالب یک فایل اکسل با ۳۸۳۷۷ رکورد می باشد و سنوات تحصیلی ۱۳۸۴ تا ۱۳۹۰ را شامل می شود. مدلی که برای پیشبینی ارتقاء سطح علمی دانشجویان بر اساس اطلاعات موجود در پایگاه داده دانشگاه آزاد قزوین پیشنهاد میشود در زیر شرح داده میشود : در این مدل پیشنهادی مراحل مختلف فرآیند داده کاوی از جمله جمع آوری دادهها، آماده سازی و پیش پردازش داده ها را روی مجموعه آموزشی ذکر شده انجام داده و الگوریتمهای مختلف داده کاوی از جمله خوشه بندی، قوانین انجمنی، درخت تصمیمگیری، برای دادهها به کار گرفته شده است. ابتدا برای عملکرد بهتر الگوریتمهای داده کاوی یک سری عملیات پیشپردازشی روی دادهها انجام داده شده است. همچنین بعد از تجمیع دادهها داخل یک فایل خصیصههای عددی به خصیصه های گروهی معادل تبدیل شده است. برای مثال تمام نمرات دانشجویان به پنج گروه عالی، خوب، متوسط، ضعیف و مردود تقسیم بندی شده است.
مروری بر داده کاوی و بررسی شبکه های عصبی
چندین دهه است که شرکت ها اطلاعات را جمع آوری می نمایند تا با ایجاد یک پایگاه داده انبوه اطلاعات را ذخیره کنند، با این حال که اطلاعات در دسترس آنها قرار دارد فقط تعداد کمی از شرکت ها قادر شده اند به ارزش واقعی ذخیره شده در آنها پی ببرند سوال این شرکتها این است که چگونه میتوان به ارزش واقعی این اطلاعات دست یافت؟ پاسخ آن داده کاوی است، که امروزه در بسیاری از صنعتها از جمله پزشکی، آموزش، ورزش و بسیاری از صنایع دیگر مورد استفاده قرار میگیرد. تکنیکهای بسیاری جهت داده کاوی وجود دارد از جمله شبکه های عصبی مصنوعی، رگرسیون، درخت تصمیم و غیره. همچنین طراحی شده است اشاره SAS که توسط شرکت JMP نرم افزارهایی نیز برای داده کاوی ایجاد شده است که میتوان به نرم افزار کرد. این مقاله به معرفی داده کاوی و برخی از روشهای داده کاوی و همچنین محیطهایی که از داده کاوی بهره میبرند به همراه نرم افزار های آن پرداخته است.
فهرست :
چکیده
مقدمه
داده کاوی
تکنیک های داده کاوی
دسته بندی
رگرسیون گیری
خوشه بندی
تجمع و همبستگی
درخت تصمیم گیری
ویزگی های درخت تصمیم
الگوریتم ژنتیک
شبکه های عصبی مصنوعی
ساختار شبکه عصبی
نورون
معماری شبکه عصبی
شبکه های پیش خور تک لایه
انواع یادگیری در شبکه های عصبی مصنوعی
داده کاوی در پزشکی
داده کاوی در سلامت
نرم افزار های داده کاوی
نتیجه گیری
مراجع
