داده کاوی، مفهوم و کاربرد آن در آموزش عالی (Data mining, concept and its application in higher education)

مقدمه

از هنگامی که رایانه در تحلیل و ذخیره سازی داده ها بکار رفت (1950) پس از حدود 20 سال، حجم داده ها در پایگاه داده ها دو برابر شد. ولی پس از گذشت دو دهه و همزمان با پیشرفت فن آوری اطلاعات(IT)  هر دو سال یکبار حجم داده ها، دو برابر شد. همچنین تعداد پایگاه داده ها با سرعت بیشتری رشد نمود. این در حالی است که تعداد متخصصین تحلیل داده ها و آمارشناسان با این سرعت رشد نکرد. حتی اگر چنین امری اتفاق می افتاد، بسیاری از پایگاه داده ها چنان گسترش یافته اند که شامل چندصد میلیون یا چندصد میلیارد رکورد ثبت شده هستند و امکان تحلیل و استخراج اطلاعات با روش های معمول آماری از دل انبوه داده ها مستلزم چند روز کار با رایانه- های موجود  است. حال با وجود سیستم های یکپارچه اطلاعاتی، سیستم های یکپارچه بانکی و تجارت الکترونیک، لحظه به لحظه به حجم داده ها در پایگاه داده های مربوط اضافه شده و باعث    به وجود آمدن انبارهای ( توده های ) عظیمی از داده ها شده است به طوری که ضرورت کشف و استخراج سریع و دقیق دانش از این پایگاه داده ها را بیش از پیش نمایان کرده است (چنان که در عصر حاضر گفته می شود « اطلاعات طلاست» ).

مقاله : سیستم های اطلاعات مدیریت

عنوان مقاله :  سیستم های اطلاعات مدیریت

شرح مختصر : امروزه تجارت ثانیه به ثانیه دگرگون میشود و ساختاری پیچیده تر به خود میگیرد. در این شرایط، مدیران با انبوهی از اطلاعات مواجه هستند که این اطلاعات باید تحلیل، قابل فهم، نگهداری و بازیابی گردد. وقتی مدیر یک سازمان می خواهد تصمیم بگیرد، داده های فراوانی که اغلب مفید نیستند، در اختیارش قرار می‌گیرد. این داده ها باید پالایش و معنی‌دار شوند و به اطلاعات مفید تبدیل شوند. اینجا است که نیاز به سیستمهای اطلاعات مدیریت احساس می شود. دانش سیستمهای اطلاعات مدیریت، اطلاعات مربوط به زمان گذشته و حال را گردآوری میکند، امکان پیشبینی آینده را فراهم میآورد و اطلاعات مورد نیاز مدیران را در اختیار آنها قرار میدهد تا بتوانند تصمیمات مقتضی را اتخاذ کنند. همانطور که از عبارت تعریف کننده اش پیداست، به سه بحث گسترده ی مدیریت، اطلاعات و سیستم پیوند خورده است. برای این منظور این مقاله در فصلهای مجزا، سه مقوله ی اساسی را مورد بحث قرار میدهد و در نهایت به شرح اختصاصی MIS میپردازد.

مقاله بهمراه ترجمه : بکاربردن داده کاوی در کاوش پایگاه های داده ای حوادث

چکیده

در ده های اخیر تعداد بسیار زیادی از پایگاه های داده ای حوادث که در واقع به طور اتفاقی تولید شده اند رو به گسترش بوده و برای تشخیص الگوهای این مجموعه داده ها به صورت فوری تلاش هایی انجام شده است. در این تحقیق مجموعه ای از داده های مربوط به ماشین آلات ثابت در شهر هریس ارائه شده توسط مرکز ملی پاسخ گوی برای بررسی استفاده شده است. در این مقاله با طبقه بندی اطلاعات در گروهای مختلف با استفاده از ابزار داده کاوی، الگوهای جالبی از داده های حوادث ایجاد شده نظیر انواع ماشین آلات درگیر، نوع ماده شیمیایی که از آنها آزاد می شود و علت آن بدست آمد. در ادامه با توجه به اطلاعات حاصل شده از این پایگاه های داده ای، احتمال خرابی سالانه ماشین آلات اصلاح شده است.

دانلود رایگان 

پایان نامه: یادگیری ماشین

پایان نامه:  یادگیری ماشین

یکی از موضوعاتی که بسیار به زمینه هوش نزدیک است یادگیری می باشد . در واقع بدون وجود یادگیری هوش نمی تواند وجود داشته باشد زیرا یادگیری ابزار دریافت دانش های جدید است. یادگیری شما را قادر می سازد ازتجارب ووقایعی که برای خودتان پیش آمده استفاده کنید . ازین رو توانایی یادگیری یک ابزار قدرتمند محسوب می شود و هیچ تعجبی ندارد که بسیاری از برنامه نویسان می خواهند برنامه ای بسازند که بتواند این ابزاررا به همان ترتیبی که انسانها استفاده می کنند بکارگیرد برنامه هایی که بتوانداین عمل را انجام دهد ازلحاظ تئوری برای همیشه آخرین برنامه ای است که نوشته می شود زیرا این برنامه می تواند وظایف مختلف خودش را به سادگی و با فکر کردن یاد بگیرد. فن آوری جدید اطلا عات که سالانه باعث تولید تعداد زیادی کامپیوترهای قدرتمند تر و جدید تر می شود امروزه امکان جمع آوری، انتقال، ترکیب و ذخیره حجم زیادی از اطلا عات را با هزینه زیاد، عملی ساخته است.افزایش مستندات و تصاویر،صداها و جداول و….ما را به سمت استخراج اطلاعات از این داده ها رهنمون می سازد و با یک نگاه دقیق به داده ها در می یابیم که داده ها به تنهایی اگرچه زیاد هم باشند کافی نیستند. . یک روش برای استخراج داده ها با حجم زیاد داده کاوی می باشد که ماشینهای یادگیرنده یکی از کاربردهای ان است این ماشینها دانش مربوط به نمونه ها و مستندات که داده های ما هستند را استخراج می کنند. این سیستم ها به عبارتی رفتار یادگیری انسان را در سیستم های هوشمند شبیه سازی می کند. ماشین های یادگیرنده در سیستم های هوشمند برای افزایش دانش و تغییر آن، افزایش کارآیی و تصحیح اتوماتیک خطا مورد استفاده قرار می گیرند.

فهرست :

مقدمه

یادگیری ماشین

بررسی سیستم های طبقه کننده بر اساس آموزش ماشین سود بخشنده

چرا یادگیری؟

کیو – یادگیری

چالش های حوزه یادگیری ماشین

داده کاوی با استفاده از اتوماتای یادگیر

دستاوردهای حدید گوگل در زمینه یادگیری ماشین

یادگیری سارسا فازی با توزیع محلی پاداش

روش جدید K نزدیکترین همسایه فازی و ناهموار برای طبقه بندی نیمه نظارتی

منابع

پاورپوینت داده‌کاوی جریان‌داده‌ها با درخت‌های تصمیم‌گیری

18 اسلاید

■ فرایندی دو مرحله ای است :■ساخت مدل :■تحلیل یک مجموعه آموزشی که مجموعه‌ای از تاپل‌های پایگاه است و مشخص کردن برچسب کلاس‌های مربوط به این تاپل‌ها .■ یک تاپل X با یک بردار صفت X=(x1,x2,…,xn) نمایش داده می‌شود . فرض می شود که هر تاپل به یک کلاس از پیش تعریف شده متعلق است .■هرکلاس با یک صفت که به آن صفت برچسب کلاس می‌گوییم مشخص می‌شود .■ مجموعه آموزشی به صورت تصادفی از پایگاه انتخاب می شود . ■به این مرحله ، مرحله یادگیری نیز می گویند .■استفاده از مدل :■از طریق یک تابع y=f(X) برچسب کلاس هر تاپل X از پایگاه را پیش بینی می شود . ■این تابع به صورت قواعد کلاسه‌بندی ، درخت‌های تصمیم گیری یا فرمول‌های ریاضی است . ■یکی از روش های کارآمد و با کاربرد گسترده کلاسه بندی است .■مدل حاصل از این روش به صورت درختهای تصمیم گیری است :■هر گره در این درخت نشان دهنده یک آزمون بر روی یک صفت است .■هر شاخه خارج شونده از یک گره نشان دهنده خروجی های ممکن آزمون است .■هر برگ نشان دهنده یک برچسب کلاس است .■نحوه استفاده از درخت تصمیم گیری :■اگر تاپلی چون X که برچسب کلاس آن نامشخص است داشته باشیم صفات این تاپل در درخت مورد آزمون قرار می گیرند و یک مسیر از ریشه به سمت یک برگ که برچسب یک کلاس را دارد ایجاد می شود .■الگوریتم پایه ■درخت به صورت بالا-پایین بازگشتی ساخته می شود .■در آغاز تمام مجموعه آموزشی در ریشه قرار دارند .■فرض می کنیم صفات مقادیر گسسته دارند .■صفات به صورت بازگشتی بر حسب صفات انتخاب شده بخش بندی می شوند .■صفات آزمون بر اساس یک روال هیوریستیک مانند بهره اطلاعاتی ، شاخص جینی یا نسبت بهره انتخاب می شوند .■شرایط توقف الگوریتم ■تمام نمونه های مربوط به یک نود متعلق به یک کلاس باشند .■صفتی برای بخش بندی بیشتر باقی نمانده باشد .■نمونه ای باقی نمانده باشد .