داده کاوی در ورزش: به روش شبکه های عصبی dataMining

این تحقیق شامل سه فایل است فایل پاور پونت برای ارایه و فایل ورود و خلاصه مطالب
برای تحقیق و مقاله دانشگاهی
در سطح کارشناسی و ارشد

فهرست مطالب:
عنوان صفحه
خلاصه ………………………………………………………………………………………………………………………..۳
۱ – مقدمه …………………………………………………………………………………………………………………۴
۲- شبکه های عصبی…………………………………………………………………………………………………۵
۲- ۱ شبکه های عصبی backpropagation ……………………………………………………………..5
۲- ۲ شبکه عصبی ماژولار ……………………………………………………………………………………….۷
۳ – طراحی آزمایشی ………………………………………………………………………………………………۷
۳ -۱ داده های بازیکن و رتبه بندی ها ………………………………………………………………….۷
۳ -۲ پارامترهای شبکه عصبی ………………………………………………………………………………..۸
۳- ۳ مجموعه های شبکه عصبی ……………………………………………………………………………۹
۴ نتایج و بحث …………………………………………………………………………………………………………۹
۴-۱ آزمایشات برگشت ……………………………………………………………………………………………۹
۴-۲ آزمایشات طبقه شده شبکه عصبی ……………………………………………………………….۱۰
۴-۳ آزمایشات طبقه بندی ensemble شبکه عصبی ……………………………………………۱۲
۵- نتیجه ……………………………………………………………………………………………………………….۱۴
۶ – منابع ………………………………………………………………………………………………………………۱۵

خلاصه:
تکنیکهای داده کاوی بطور موفقیت آمیزی در زمینه¬های تجاری، صنعتی و علمی بکار گرفته شده است. ورزش حرفه¬ای نیز با حجم عظیمی از داده¬های گسترده نظیر بازیکن، جلسه آموزشی، تیم، بازی و فصل مواجه است. با این وجود استفاده کارآ از این داده¬ها محدود است. بسیاری از سازمانهای ورزشی به این مساله ¬پی برده¬اند که دانش دست نخورده زیادی داخل این داده¬ها وجود دارد و علایق روبه افزایش برای این تکنیکها جهت استفاده از این داده¬ها وجود دارد. هدف این تحقیق بررسی پتانسیل شبکه¬های عصبی (NNS) در کمک به فرآیند داده کاوی برای مساله شناسایی استعدادها می باشد (استعدادیابی). شبکه¬های عصبی از روش آموخته شده ای برای نمونه های آموزشی و تطبیق وزن داده ها، جهت کاهش خطای بین نتایج صحیح و نتایج تولید شده استفاده می¬کند. در شیوه های آماری به سختی می توان یک رابطه عمومی بین ورودی¬ها و خروجی¬ها مشخص کرد. در حالی که شبکه-های عصبی به تنهایی می¬توانند جهت پیش¬بینی کردن خروجی¬ها براساس داده¬های ورودی مورد استفاداه قرار گیرند. در این مقاله شیوه شبکه¬ عصبی در انتخاب بازیکنان لیگ فوتبال استرالیا بکار گرفته شده است. نتایج این تحقیق نشان می¬دهد که شبکه¬های عصبی پتانسیل کمک کردن به مدیران ورزشی، در بکارگیری نیروی انسانی و فرآیند تشخیص استعدادها را دارند.

لغات کلیدی: داده کاوی، استعدادیابی، شبکه های عصبی

کتاب مفاهیم و تکنیک های داده کاوی

ینک پرداخت و دانلود پایین مطلب

فرمت فایل : pdfوقبل چاپ می باشد

 تعداد صفحه :315

 پیشگفتار

پیشرفت های بوجود آمده در جمع آوری داده هاو قابلیت های ذخیره سازی در طی دهه های اخیر باعث شده در بسیاری از علوم با حجم بزرگی از اطلاعات روبرو شویم داده کاوی کوششی برای بدست آوردن اطلاعات مفید از میان این داده است و رشد بی رویهی داده ها در سطح جهان اهمیت داده کاوی را دو چندان کرده است کتاب حاضر حاوی مفاهیم و تکنیک های اساسی داده کاوی است و در ده فصل تنظیم شده است که در انتهای هر فصل پس از بیان خلاصه به توضیح منابع و مراجع برای مطالعهی بیشتر نیز پرداخته شده است.

فصل اول به مقدمه ای در مورد مفاهیم داده کاوی می پردازد. در واقع این فصل توضیحی مفصل در مورد مطالب موجود در کتاب است تکنیک های آماده سازی داده ها موضوع فصل بعدی را تشکیل می دهد در فصل سوم توضیحی مختصر در مورد انبار داده ها و

OLAP

داریم.

 دو فصل چهارم و پنجم به قوانین انجمنی و موضوعات پیشرفته پیرامون آن تخصیص داده شده است روش های طبقه بندی داده ها و همچنین چگونگی ارزیابی آنها در فصل های ششم و هفتم بررسی می شوندالگوریتم های مختلف خوشه بندی نیز در فصل های هشتم و نهم بحث می شوند.

 همانطور که ملاحظه می فرمایید سه موضوع قوانین انجمنی، طبقه بندی و خوشه بندی مفاهیم محوری این کتاب محسوب میشوند و برای هر یک دو فصل تخصیص داده شده است .

در فصل پایانی به برخی از موضوعات مرتبط با داده کاوی به اختصار اشاره ای خواهیم داشت

در این فصل ابتدا برخی از کاربردهای عملی داده کاوی بیان شده است و سپس از چند محصول تجاری داده کاوی نام برده ایم

در انتهای فصل هم به گونه های دیگر داده کاوی مانند متن کاوی، وب کاوی و ... پرداخته ایم

اینکه بعضی بر این باورند که در حوزهی علم کامپیوتر نباید کتابی به فارسی تالیف و یا ترجمه شود و به همین دلیل دست روی دست گذاشته اند، منصفانه نیست. اما در این نکته که به دلایلی تالیف و بخصوص ترجمه ی کتاب در این حیطه با مشکالتی همراه است، با آنها هم نظر هستیم. دوستانی که چنین کردهاند با این مصائب نیز به خوبی آشنا هستند

تبدیل و ترجمه ی واژگان بیگانه به صورت مستقیم به زبان فارسی یا امکانپذیر نیست و یا خواننده را به وادی دیگری سوق میدهد و برای او در بسیاری از موارد ناآشنا است. به همین دلیل در نگارش کتاب حاضر تمام سعی و تلاش خود را به کار بردهایم، تا واژه ها به جای ترجمه ی مستقیم تفسیر شوند. در برخی از موارد نیز عین واژه در متن کتاب استفاده شده است، چرا که حقیر کلمات و واژگان مناسبی را برای آن نیافتم. از پیچیده نویسی و مبهم گویی پرهیز شده و بر ساده نویسی تاکید شده است. لذا در بسیاری از موارد چنانچه سختگیرانه قضاوت کنید، شاید بتوان ادعا نمود که دستور زبان فارسی به درستی رعایت نشده است، ولی در عوض امیدواریم خواننده با یک متن گیج کننده مواجه نشود.

اینکه این کتاب ارزنده است یاخیر، نه اینکه موضوع مهمی نباشد، اما در درجه ی اول با نوشتن آن خود را اقناع نمودهام. زیرا خواندن و نوشتن از بزرگ ترین شادی های من محسوب میشوند و با نوشتن بر این باورم که به نحوی در دیگران پخش میشوم. با وجود همه ی سعی و تلاش که در تمام مراحل آماده سازی این کتاب انجام گرفته است، یقین دارم که عاری از اشتباه نیست، چرا که تنها مکتوب بینقص همان معجزه ی جاوید قرآن کریم است. افسوس که نمیتوان بازگشت و از نو ساخت، اما دست کم به آنها که در آغاز راهند می توان یادگاری کوچکی داد، شاید به کارشان بیاید. در آخر ضمن سپاسگزاری از همهی کسانی که مرا یاری داده اند و با پذیرش مسئولیت هرگونه کاستی احتمالی، امیدوارم که این اندک مفید افتد.

فصل اول

تکنولوژی مدیریت پایگاه داده ها را های پیشرفته انواع مختلفی از داده می تواند در خود جای دهد در نتیجه تکنیک های  

اماری مدیریت سنتی و برای آنالیز این داده ها کافی نیست و استخراج دانش از این مقدار حجیم یک چالش بزرگ تلقی میشود

داده کاوی کوششی برای بدست آوردن اطلاعات  مفید از میان این داده هاست و رشد بی رویه ی داده ها در سطح جهان اهمیت داده کاوی را دو چندان کرده است.

در این فصل ابتدا به معرفی مفاهیم اصلی داده کاوی می پردازیم و پس از آن انواع داده ها که میتوان عملیات داده را کاوی بر روی آنها انجام داد، بیان میشوند. انتهای فصل به چالش های موجود در این حوزه می پردازد در واقع این فصل توضیحی مختصر در مورد فصل های آتی را در خود دارد

:استخراج دانش 1-1

پیشرفت بوجود آمده در جمع آوری داده ها و قابلیت های ذخیره سازی در طی دهه های اخیر باعث شده در بسیاری از علوم با حجم بزرگی از اطلاعات  روبرو شویم

محققان در زمینه های مختلف مانند مهندسی، اقتصاد  ،زیست شناسی و ستاره شناسی هر روز با مشاهدات بیشتر و بیشتری روبرو میشوند

در مقایسه با بسترهای دادهای قدیمی و کوچکتر، بسترهای دادهای امروزی چالش های جدیدی در تحلیل داده ها بوجود آورده اند

روش های آماری سنتی به دو دلیل امروزه کارائی خود را از دست داده اند علت اول افزایش تعداد مشاهدات است، و علت دوم که از اهمیت بالاتری برخوردار است، افزایش تعداد متغیرهای مربوط به یک مشاهده می باشد تعداد متغیرهایی که برای هر مشاهده باید اندازه گیری شود ابعاد داده ها نامیده می شود

واژه متغیر بیشتر در علم آمار استفاده میشود در حالی که در علوم کامپیوتر و یادگیری ماشین بیشتر از واژه های صفت خاصه

 و یا ویژگی استفاده میگردد

مراحل موجود در فرایند استخراج دانش در شکل1-1 نشان داده شده است و شامل مراحل زیر است:

جمع آوری داده ها: در این مرحله پس پالایش داده ها، چندین منبع دادهای در یک انبار داده ی یکپارچه قرار میگیرند.

انتخاب و آماده سازی داده ها: در این قسمت داده های مرتبط انتخاب میگردد و به شکل مناسبی برای داده کاوی تبدیل میشوند

داده کاوی: فرایندی که با به خدمت گرفتن روش های هوشمند در میان داده ها به دنبال الگوهای خاصی میگردد

تفسیر و ارزشیابی الگوها: از میان انبوه ی از الگوها، با تعریف معیارهای متنوع الگوهای محدودی برای تفسیر و تحلیل انتخاب می شود

ارائه ی دانش: در این مرحله با کمک ابزار بصری سازی و تکنیک های مختلف دانش کشف شده به کاربر و یا تحلیل گر ارائه میشود

اغلب کمپانی های بزرگ دارای تعدادی شعبه هستند که هر یک از آنها حجم زیادی از دادهها را تولید میکنند

حتی برخی از سازمان ها با وجود تمرکز بر روی یک محل اصلی برای مستقر شدن، دارای بخش هایی هستند که هر یک از آنها می تواند دارای سیستم های عملیاتی مربوط به خود و در نتیجه ساختار دادهای خاص خود باشند. جهت تحلیل داده ها و در نهایت اتخاذ یک تصمیم مدیریتی لازم  است اطاعات کلیه قسمت ها جمعی آوری شوند. تنظیم پرسوجوها بر اساس هر یک از این ساختارها کاری دشوار و ناکارآمد است. بعلاوه  داده ها معمولًا توصیفی از وضعیت کنونی را در خود دارند. در حالیکه تحلیل گر اکثر اوقات نیاز به داده های قدیمی را نیز یک ضرورت می داند . در این وضعیت انبار داده ها یک راه حل مناسب تلقی میشود. اگرچه وجود انبار داده ها پیش نیاز داده کاوی نیست ولی در کاربردهایی نظیر سازمان ها و شرکت های بزرگ با وجود داشتن یک انبار داده ها عمل داده کاوی بسیار آسان تر شود. انتخاب مجموعه داده های اصلی برای تحلیل اولین ضرورت است. بسیاری از الگوریتم رهای جمع آوری داده ها فقط با پایگاه داده های همگن کار میکنند که این مسئله نیز در جمع آوری داده ها محدودیت محسوب میشود.

هر ساختار کلیدی در انبار داده ها به صورت تلویحی یا مستقیم شامل عنصری از جنس زمان است. بر اساس این توضیحات یک انبار داده ها میتواند به عنوان مخزن داده های یک سازمان در نظر گرفته شود، تا با کمک آن گیریاز تصمیمبتوان های راهبردی حمایت کند. وظیفه ی آن ذخیره ی یکپارچه ی داده های سازمان است و از آنجا که عمل بهنگام سازی انبار داده ها عملی زمانبر محسوب می شود اغلب داده های بهنگام نیستند

بنابراین داده هاآن اندکی قدیمی هستند که البته این مسئله برای سیستم های تصمیم ساز مشکل بزرگی تلقی نمی شود.توضیحات بیشتر در مورد انبار داده ها را در فصل سوم مطالعه فرمایید

کتاب مفاهیم و تکنیک های داده کاوی

ینک پرداخت و دانلود پایین مطلب

فرمت فایل : pdfوقبل چاپ می باشد

 تعداد صفحه :315

 پیشگفتار

پیشرفت های بوجود آمده در جمع آوری داده هاو قابلیت های ذخیره سازی در طی دهه های اخیر باعث شده در بسیاری از علوم با حجم بزرگی از اطلاعات روبرو شویم داده کاوی کوششی برای بدست آوردن اطلاعات مفید از میان این داده است و رشد بی رویهی داده ها در سطح جهان اهمیت داده کاوی را دو چندان کرده است کتاب حاضر حاوی مفاهیم و تکنیک های اساسی داده کاوی است و در ده فصل تنظیم شده است که در انتهای هر فصل پس از بیان خلاصه به توضیح منابع و مراجع برای مطالعهی بیشتر نیز پرداخته شده است.

فصل اول به مقدمه ای در مورد مفاهیم داده کاوی می پردازد. در واقع این فصل توضیحی مفصل در مورد مطالب موجود در کتاب است تکنیک های آماده سازی داده ها موضوع فصل بعدی را تشکیل می دهد در فصل سوم توضیحی مختصر در مورد انبار داده ها و

OLAP

داریم.

 دو فصل چهارم و پنجم به قوانین انجمنی و موضوعات پیشرفته پیرامون آن تخصیص داده شده است روش های طبقه بندی داده ها و همچنین چگونگی ارزیابی آنها در فصل های ششم و هفتم بررسی می شوندالگوریتم های مختلف خوشه بندی نیز در فصل های هشتم و نهم بحث می شوند.

 همانطور که ملاحظه می فرمایید سه موضوع قوانین انجمنی، طبقه بندی و خوشه بندی مفاهیم محوری این کتاب محسوب میشوند و برای هر یک دو فصل تخصیص داده شده است .

در فصل پایانی به برخی از موضوعات مرتبط با داده کاوی به اختصار اشاره ای خواهیم داشت

در این فصل ابتدا برخی از کاربردهای عملی داده کاوی بیان شده است و سپس از چند محصول تجاری داده کاوی نام برده ایم

در انتهای فصل هم به گونه های دیگر داده کاوی مانند متن کاوی، وب کاوی و ... پرداخته ایم

اینکه بعضی بر این باورند که در حوزهی علم کامپیوتر نباید کتابی به فارسی تالیف و یا ترجمه شود و به همین دلیل دست روی دست گذاشته اند، منصفانه نیست. اما در این نکته که به دلایلی تالیف و بخصوص ترجمه ی کتاب در این حیطه با مشکالتی همراه است، با آنها هم نظر هستیم. دوستانی که چنین کردهاند با این مصائب نیز به خوبی آشنا هستند

تبدیل و ترجمه ی واژگان بیگانه به صورت مستقیم به زبان فارسی یا امکانپذیر نیست و یا خواننده را به وادی دیگری سوق میدهد و برای او در بسیاری از موارد ناآشنا است. به همین دلیل در نگارش کتاب حاضر تمام سعی و تلاش خود را به کار بردهایم، تا واژه ها به جای ترجمه ی مستقیم تفسیر شوند. در برخی از موارد نیز عین واژه در متن کتاب استفاده شده است، چرا که حقیر کلمات و واژگان مناسبی را برای آن نیافتم. از پیچیده نویسی و مبهم گویی پرهیز شده و بر ساده نویسی تاکید شده است. لذا در بسیاری از موارد چنانچه سختگیرانه قضاوت کنید، شاید بتوان ادعا نمود که دستور زبان فارسی به درستی رعایت نشده است، ولی در عوض امیدواریم خواننده با یک متن گیج کننده مواجه نشود.

اینکه این کتاب ارزنده است یاخیر، نه اینکه موضوع مهمی نباشد، اما در درجه ی اول با نوشتن آن خود را اقناع نمودهام. زیرا خواندن و نوشتن از بزرگ ترین شادی های من محسوب میشوند و با نوشتن بر این باورم که به نحوی در دیگران پخش میشوم. با وجود همه ی سعی و تلاش که در تمام مراحل آماده سازی این کتاب انجام گرفته است، یقین دارم که عاری از اشتباه نیست، چرا که تنها مکتوب بینقص همان معجزه ی جاوید قرآن کریم است. افسوس که نمیتوان بازگشت و از نو ساخت، اما دست کم به آنها که در آغاز راهند می توان یادگاری کوچکی داد، شاید به کارشان بیاید. در آخر ضمن سپاسگزاری از همهی کسانی که مرا یاری داده اند و با پذیرش مسئولیت هرگونه کاستی احتمالی، امیدوارم که این اندک مفید افتد.

فصل اول

تکنولوژی مدیریت پایگاه داده ها را های پیشرفته انواع مختلفی از داده می تواند در خود جای دهد در نتیجه تکنیک های  

اماری مدیریت سنتی و برای آنالیز این داده ها کافی نیست و استخراج دانش از این مقدار حجیم یک چالش بزرگ تلقی میشود

داده کاوی کوششی برای بدست آوردن اطلاعات  مفید از میان این داده هاست و رشد بی رویه ی داده ها در سطح جهان اهمیت داده کاوی را دو چندان کرده است.

در این فصل ابتدا به معرفی مفاهیم اصلی داده کاوی می پردازیم و پس از آن انواع داده ها که میتوان عملیات داده را کاوی بر روی آنها انجام داد، بیان میشوند. انتهای فصل به چالش های موجود در این حوزه می پردازد در واقع این فصل توضیحی مختصر در مورد فصل های آتی را در خود دارد

:استخراج دانش 1-1

پیشرفت بوجود آمده در جمع آوری داده ها و قابلیت های ذخیره سازی در طی دهه های اخیر باعث شده در بسیاری از علوم با حجم بزرگی از اطلاعات  روبرو شویم

محققان در زمینه های مختلف مانند مهندسی، اقتصاد  ،زیست شناسی و ستاره شناسی هر روز با مشاهدات بیشتر و بیشتری روبرو میشوند

در مقایسه با بسترهای دادهای قدیمی و کوچکتر، بسترهای دادهای امروزی چالش های جدیدی در تحلیل داده ها بوجود آورده اند

روش های آماری سنتی به دو دلیل امروزه کارائی خود را از دست داده اند علت اول افزایش تعداد مشاهدات است، و علت دوم که از اهمیت بالاتری برخوردار است، افزایش تعداد متغیرهای مربوط به یک مشاهده می باشد تعداد متغیرهایی که برای هر مشاهده باید اندازه گیری شود ابعاد داده ها نامیده می شود

واژه متغیر بیشتر در علم آمار استفاده میشود در حالی که در علوم کامپیوتر و یادگیری ماشین بیشتر از واژه های صفت خاصه

 و یا ویژگی استفاده میگردد

مراحل موجود در فرایند استخراج دانش در شکل1-1 نشان داده شده است و شامل مراحل زیر است:

جمع آوری داده ها: در این مرحله پس پالایش داده ها، چندین منبع دادهای در یک انبار داده ی یکپارچه قرار میگیرند.

انتخاب و آماده سازی داده ها: در این قسمت داده های مرتبط انتخاب میگردد و به شکل مناسبی برای داده کاوی تبدیل میشوند

داده کاوی: فرایندی که با به خدمت گرفتن روش های هوشمند در میان داده ها به دنبال الگوهای خاصی میگردد

تفسیر و ارزشیابی الگوها: از میان انبوه ی از الگوها، با تعریف معیارهای متنوع الگوهای محدودی برای تفسیر و تحلیل انتخاب می شود

ارائه ی دانش: در این مرحله با کمک ابزار بصری سازی و تکنیک های مختلف دانش کشف شده به کاربر و یا تحلیل گر ارائه میشود

اغلب کمپانی های بزرگ دارای تعدادی شعبه هستند که هر یک از آنها حجم زیادی از دادهها را تولید میکنند

حتی برخی از سازمان ها با وجود تمرکز بر روی یک محل اصلی برای مستقر شدن، دارای بخش هایی هستند که هر یک از آنها می تواند دارای سیستم های عملیاتی مربوط به خود و در نتیجه ساختار دادهای خاص خود باشند. جهت تحلیل داده ها و در نهایت اتخاذ یک تصمیم مدیریتی لازم  است اطاعات کلیه قسمت ها جمعی آوری شوند. تنظیم پرسوجوها بر اساس هر یک از این ساختارها کاری دشوار و ناکارآمد است. بعلاوه  داده ها معمولًا توصیفی از وضعیت کنونی را در خود دارند. در حالیکه تحلیل گر اکثر اوقات نیاز به داده های قدیمی را نیز یک ضرورت می داند . در این وضعیت انبار داده ها یک راه حل مناسب تلقی میشود. اگرچه وجود انبار داده ها پیش نیاز داده کاوی نیست ولی در کاربردهایی نظیر سازمان ها و شرکت های بزرگ با وجود داشتن یک انبار داده ها عمل داده کاوی بسیار آسان تر شود. انتخاب مجموعه داده های اصلی برای تحلیل اولین ضرورت است. بسیاری از الگوریتم رهای جمع آوری داده ها فقط با پایگاه داده های همگن کار میکنند که این مسئله نیز در جمع آوری داده ها محدودیت محسوب میشود.

هر ساختار کلیدی در انبار داده ها به صورت تلویحی یا مستقیم شامل عنصری از جنس زمان است. بر اساس این توضیحات یک انبار داده ها میتواند به عنوان مخزن داده های یک سازمان در نظر گرفته شود، تا با کمک آن گیریاز تصمیمبتوان های راهبردی حمایت کند. وظیفه ی آن ذخیره ی یکپارچه ی داده های سازمان است و از آنجا که عمل بهنگام سازی انبار داده ها عملی زمانبر محسوب می شود اغلب داده های بهنگام نیستند

بنابراین داده هاآن اندکی قدیمی هستند که البته این مسئله برای سیستم های تصمیم ساز مشکل بزرگی تلقی نمی شود.توضیحات بیشتر در مورد انبار داده ها را در فصل سوم مطالعه فرمایید

پاورپوینت در مورد داده کاوی,مفاهیم، روشها، کاربردها و آینده

لینک دانلود و خرید پایین توضیحات

دسته بندی : پاورپوینت

نوع فایل :  .ppt ( قابل ویرایش و آماده پرینت )

تعداد اسلاید : 60 اسلاید

 قسمتی از متن .ppt : 

داده کاوی,مفاهیم، روشها، کاربردها و آینده

2

فهرست مطالب

مقدمه

معرفی داده‌کاوی و دلایل پیدایش آن

جایگاه داده‌کاوی در علوم کامپیوتر

مراحل و اجزای یک فرآیند داده‌کاوی

کاربردهای داده‌کاوی

کاربردهای تجاری

کاربردهای علمی

کاربردهای امنیتی

تکنیکهای داده‌کاوی

دسته بندی

قوانین تداعی

خوشه بندی

آینده داده‌کاوی: کاربردهای جدید، چالشها و دستاوردها

تشخیص ناهمگونی

داده‌کاوی توزیع شده

داده کاوی و حریم خصوصی

3

داده کاوی و دلایل پیدایش آن

توسعه تکنولوژیهای ذخیره و بازیابی اطلاعات

افزایش روزافزون حجم اطلاعات ذخیره شده

تنوع بسیار زیاد در اطلاعات موجود

بانکهای اطلاعاتی

فایلهای چندرسانه ای (تصاویر متحرک، فایلهای صوتی)

اطلاعات متنی و فاقد ساختار

آرشیوهای اطلاعاتی، به دلیل حجم بسیار زیاد، غالبا به مقبره های اطلاعات تبدیل می شوند.

علیرغم هزینه های سنگین در بخش تکنولوژی اطلاعات، بسیاری از تصمیمها همچنان در فقر اطلاعاتی اتخاذ می گردند.

از قابلیتهای بالقوه اطلاعات ذخیره شده استفاده نمی شود.

نیاز به تبدیل اطلاعات به دانش در بسیاری زمینه ها آشکار گردیده است.

وقایعی نظیر 11 سپتامبر، لزوم خودکار یا حداقل نیمه خودکار بودن فرآیند تبدیل اطلاعات به دانش را به خوبی نشان می دهند.

داده کاوی به دهه 80 برمی گردد.

داده کاوی با تلاش برای اعمال تکنیکهای هوش مصنوعی بر روی بانکهای اطلاعاتی آغاز گردید.

4

پردازش اطلاعات: از فایلهای متنی تا داده کاوی

حرکت از روشهای ابتدائی پردازش اطلاعات به داده کاوی، همواره برحسب نیاز حوزه های مختلف بوده است.

سیر کلی تکنولوژی پردازش اطلاعات را می توان به صورت زیر خلاصه کرد:

فایلها: اطلاعات ناهمگون، فاقد ساختار مشخص، اشتباهات متعدد، پردازش در حد تهیه فهرست

بانکهای اطلاعاتی خاص: اطلاعات ناهمگون، اشتباهات نسبتا کمتر، گزارشات آماری ساده

بانکهای اطلاعاتی رابطه ای: اطلاعات همگون، ارتباطات مشخص، اشتباهات کمتر، گزارشات آماری پیچیده و مقایسه ای و شامل ارتباطات عناصر مختلف

بانکهای اطلاعاتی تحلیلی: ویژه تحلیل اطلاعات، ارائه یک مدل چندوجهی و امکان ساخت و مشاهده سریع گزارشات خاص، توانائی محدود در ذخیره سازی و پردازش انواع اطلاعات (معمولا فقط اطلاعات عددی)

داده کاوی: امکان پردازش انواع اطلاعات، قابلیت کشف دانش از اطلاعات موجود

پاورپوینت در مورد داده کاوی,مفاهیم، روشها، کاربردها و آینده

لینک دانلود و خرید پایین توضیحات

دسته بندی : پاورپوینت

نوع فایل :  .ppt ( قابل ویرایش و آماده پرینت )

تعداد اسلاید : 60 اسلاید

 قسمتی از متن .ppt : 

داده کاوی,مفاهیم، روشها، کاربردها و آینده

2

فهرست مطالب

مقدمه

معرفی داده‌کاوی و دلایل پیدایش آن

جایگاه داده‌کاوی در علوم کامپیوتر

مراحل و اجزای یک فرآیند داده‌کاوی

کاربردهای داده‌کاوی

کاربردهای تجاری

کاربردهای علمی

کاربردهای امنیتی

تکنیکهای داده‌کاوی

دسته بندی

قوانین تداعی

خوشه بندی

آینده داده‌کاوی: کاربردهای جدید، چالشها و دستاوردها

تشخیص ناهمگونی

داده‌کاوی توزیع شده

داده کاوی و حریم خصوصی

3

داده کاوی و دلایل پیدایش آن

توسعه تکنولوژیهای ذخیره و بازیابی اطلاعات

افزایش روزافزون حجم اطلاعات ذخیره شده

تنوع بسیار زیاد در اطلاعات موجود

بانکهای اطلاعاتی

فایلهای چندرسانه ای (تصاویر متحرک، فایلهای صوتی)

اطلاعات متنی و فاقد ساختار

آرشیوهای اطلاعاتی، به دلیل حجم بسیار زیاد، غالبا به مقبره های اطلاعات تبدیل می شوند.

علیرغم هزینه های سنگین در بخش تکنولوژی اطلاعات، بسیاری از تصمیمها همچنان در فقر اطلاعاتی اتخاذ می گردند.

از قابلیتهای بالقوه اطلاعات ذخیره شده استفاده نمی شود.

نیاز به تبدیل اطلاعات به دانش در بسیاری زمینه ها آشکار گردیده است.

وقایعی نظیر 11 سپتامبر، لزوم خودکار یا حداقل نیمه خودکار بودن فرآیند تبدیل اطلاعات به دانش را به خوبی نشان می دهند.

داده کاوی به دهه 80 برمی گردد.

داده کاوی با تلاش برای اعمال تکنیکهای هوش مصنوعی بر روی بانکهای اطلاعاتی آغاز گردید.

4

پردازش اطلاعات: از فایلهای متنی تا داده کاوی

حرکت از روشهای ابتدائی پردازش اطلاعات به داده کاوی، همواره برحسب نیاز حوزه های مختلف بوده است.

سیر کلی تکنولوژی پردازش اطلاعات را می توان به صورت زیر خلاصه کرد:

فایلها: اطلاعات ناهمگون، فاقد ساختار مشخص، اشتباهات متعدد، پردازش در حد تهیه فهرست

بانکهای اطلاعاتی خاص: اطلاعات ناهمگون، اشتباهات نسبتا کمتر، گزارشات آماری ساده

بانکهای اطلاعاتی رابطه ای: اطلاعات همگون، ارتباطات مشخص، اشتباهات کمتر، گزارشات آماری پیچیده و مقایسه ای و شامل ارتباطات عناصر مختلف

بانکهای اطلاعاتی تحلیلی: ویژه تحلیل اطلاعات، ارائه یک مدل چندوجهی و امکان ساخت و مشاهده سریع گزارشات خاص، توانائی محدود در ذخیره سازی و پردازش انواع اطلاعات (معمولا فقط اطلاعات عددی)

داده کاوی: امکان پردازش انواع اطلاعات، قابلیت کشف دانش از اطلاعات موجود