عنوان پروژه: وب¬ کاوی در صنعت
عنوان پروژه:
وب کاوی در صنعت
با افزایش چشمگیر حجم اطلاعات و توسعه وب، نیاز به روش ها و تکنیک هایی که بتوانند امکان دستیابی کارا به داده‌ها و استخراج اطلاعات از آنها را فراهم کنند، بیش از پیش احساس می شود. وب کاوی یکی از زمینه های تحقیقاتی است که با به کارگیری تکنیک های داده کاوی به کشف و استخراج خودکار اطلاعات از اسناد و سرویس‌های وب می پردازد. در واقع وب کاوی، فرآیند کشف اطلاعات و دانش ناشناخته و مفید از داده های وب می باشد. روش های وب کاوی بر اساس آن که چه نوع داده ای را مورد کاوش قرار می دهند، به سه دسته کاوش محتوای وب، کاوش ساختار وب و کاوش استفاده از وب تقسیم می شوند. طی این گزارش پس از معرفی وب کاوی و بررسی مراحل آن، ارتباط وب کاوی با سایر زمینه های تحقیقاتی بررسی شده و به چالش ها، مشکلات و کاربردهای این زمینه تحقیقاتی اشاره می شود. همچنین هر یک از انواع وب کاوی به تفصیل مورد بررسی قرار می گیرند که در این پروژه بیشتر به وب کاوی در صنعت می پردازم. برای این منظور مدل ها، الگوریتم ها و کاربردهای هر طبقه معرفی می شوند.
فهرست مطالب
عنوان شماره صفحه
فصل اول:مقدمه
مقدمه
فصل دوم:داده کاوی
2- 1 مقدمه ای بر داده کاوی
2-1-1 چه چیزی سبب پیدایش داده کاوی شده است؟
2-2 مراحل کشف دانش
2- 3 جایگاه داده کاوی در میان علوم مختلف
2-4 داده کاوی چه کارهایی نمی تواند انجام دهد؟
2-5 داده کاوی و انبار داده ها
2-6 داده کاوی و OLAP
2-7 کاربرد یادگیری ماشین و آمار در داده کاوی
2-8 توصیف داده ها در داده کاوی
2-8-1 خلاصه سازی و به تصویر در آوردن داده ها
2-8-2 خوشه بندی
2-8-3 تحلیل لینک
2-9 مدل های پیش بینی داده ها
2-9-1 دسته بندی
2-9-2 رگرسیون
2-9-3 سری های زمانی
2-10 مدل ها و الگوریتم های داده کاوی
2-10-1 شبکه های عصبی
2-10-2 درخت تصمیم
2-10-3 Multivariate Adaptive Regression Splines(MARS)
2-10-4 Rule induction
داده کاوی در مدیریت ارتباط با مشتری-مدیریت
دانلودپروژه مدیریت-داده کاوی در مدیریت ارتباط با مشتری-مدیریت
دانلود پروژه داده کاوی ثبت احوال با نرم افزار کلمنتاین
شرح مختصر : امروزه با گسترش سیستم های پایگاهی و حجم بالای داده ها ی ذخیره شده در این سیستم ها ، نیاز به ابزاری است تا بتوان داده های ذخیره شده را پردازش کرد و اطلاعات حاصل از این پردازش را در اختیار کاربران قرار داد . با استفاده از پرسش های ساده در SQL و ابزارهای گوناگون گزارش گیری معمولی ، می توان اطلاعاتی را در اختیار کاربران قرار داد تا بتوانند به نتیجه گیری در مورد داده ها و روابط منطقی میان آنها بپردازند اما وقتی که حجم داده ها بالا باشد ، کاربران هر چند زبر دست و با تجربه باشند نمی توانند الگوهای مفید را در میان حجم انبوه داده ها تشخیص دهند و یا اگر قادر به این کار هم با شند ، هزینه عملیات از نظر نیروی انسانی و مادی بسیار بالا است .
از سوی دیگر کاربران معمولا فرضیه ای را مطرح می کنند و سپس بر اساس گزارشات مشاهده شده به اثبات یا رد فرضیه می پردازند ، در حالی که امروزه نیاز به روشهایی است که اصطلاحا به کشف دانش بپردازند یعنی با کمترین دخالت کاربر و به صورت خودکار الگوها و رابطه های منطقی را بیان نمایند . داده کاوی یکی از مهمترین این روشها است که به وسیله آن الگوهای مفید در داده ها با حداقل دخالت کاربران شناخته می شوند و اطلاعاتی را در اختیار کاربران و تحلیل گران قرار می دهند تا براساس آنها تصمیمات مهم و حیاتی در سازمانها اتخاذ شوند .
در پروژه داده کاوی از بخشی از علم آمار به نام تحلیل اکتشافی داده ها استفاده می شود که در آن بر کشف اطلاعات نهفته و ناشناخته از درون حجم انبوه داده ها تاکید می شود . علاوه بر این داده کاوی با هوش مصنوعی و یادگیری ماشین نیز ارتباط تنگاتنگی دارد ، بنابراین می توان گفت در داده کاوی تئوریهای پایگاه داده ها ، هوش مصنوعی ، یادگیری ماشین و علم آمار را در هم می آمیزند تا زمینه کاربردی فراهم شود . باید توجه داشت که اصطلاح داده کاوی زمانی به کار برده می شود که با حجم بزرگی از داده ها ، در حد مگا یا ترابایت ، مواجه باشیم . در تمامی منابع داده کاوی بر این مطلب تاکید شده است . هر چه حجم داده ها بیشتر و روابط میان آنها پیچیده تر باشد دسترسی به اطلاعات نهفته در میان داده ها مشکلتر می شود و نقش داده کاوی به عنوان یکی از روشهای کشف دانش ، روشن تر می گردد.
فهرست :
چکیده
مقدمه
پرسشنامه
پروژه داده کاوی
معرفی فیلدهای پرسشنامه
مراحل انجام کار با کلمنتاین
الگوریتم C5.O
خوشه بندی
K-means
Kohonen
قواعد تلازمی
Apriori
شبکه عصبی
Neuralnet
استفاده از پارتیشن
استفاده از C5.O
استفاده از Neuralnet
استفاده از Bayes Net
