تصمیم گیری مبتنی بر داده اكنون به صورت گسترده در حال پذیرش است و گرایش به Big Data نیز در حال رشد است. با وجود اینكه Big Data امری حقیقی است (برای مثال تخمین زده می شود Google به تنهایی در سال ۲۳۳۵ به مقدار ۹۴ میلیارد دلار در اقتصاد آمریكا مشاركت داشته است) اما در حال حاضر فاصله گسترده ای بین تحقق و پتانسیل آن وجود دارد.
مشكلات عدم تجانس، مقیاس، مناسبت زبانی، پیچیدگی و حریم خصوصی مرتبط با Big Data می توانند باعث تاخیر در پیشرفت در تمامی فازهای شاهراهی شوند كه می تواند از داده ها، ارزش آفرینی كند.
مشكلات بلافاصله پس از گرد آوری داده، هنگامی كه سیل داده ها بر ما الزام می كند كه تصمیم گیری كنیم، چه داده هایی را نگه داری كنیم، از چه داده هایی صرف نظر كنیم و چگونه آنچه را كه به وسیله فرا داده ها و بصورتی مطمئن نگه داری می شوند را ذخیره كنیم، شروع می شوند.
اغلب داده ها امروز ساختار یافته نیستند، برای مثال توئیت ها و بلاگها ساختارهای بسیار ضعیف مبتنی متن هستند؛ تصاویر و ویدئوها برای ذخیره و نمایش دارای ساختار هستند اما فاقد ساختاری به منظور جستجو و محتوای معنایی می باشند. اكنون تبدیل این داده ها به یک قالب ساختار یافته به منظور انجام تحلیل یک چالش بزرگ به شمار می رود.
ارزش داده ها به هنگام ارتباط با سایر داده ها به شدت افزایش می یابد؛ از این رو ادغام داده ای یک ارزش ساز بزرگ است. از آنجا كه امروزه بخش اعظم داده ها مستقیماً به صورت دیجیتال تولید می شوند، ما همزمان در معرض چالش و فرصتی هستیم كه بتوانیم بر روند ایجاد داده به منظور تسهیل ارتباطات بعدی تاثیر گذاشته و همچنین پیوند دهی خودكار آن با داده های قبلی را ممكن سازیم.
تحلیل داده، سازمان دهی، بازخوانی و مدل سازی نیز سایر چالش های اساسی این حوزه هستند. تحلیل داده ها در بسیاری از كاربردها موجب كند شدن می شود؛ آنهم به دلیل عدم مقیاس پذیری الگوریتم های بكار گرفته شده و پیچیدگی داده هایی كه باید تحلیل شوند. نهایتاً، ارائه نتایج و تعبیر آنها توسط كارشناسان غیر فنی نیز برای استخراج دانش قابل پیاده سازی حیاتی است….
فهرست مطالب
در پایین لیستی از مطالب را مشاهده می نمائید
- مقدمه …………………………………………………………………………………………………….. ۲
فصل اول
- مقدمه و كليات ……………………………………………………………………………………………. ۴
فصل دوم
- مروري بر تحقيقات پيشين……………………………………………………………………………… ۲۱
- ۲-۱- مقدمه ……………………………………………………………………………………………. ۲۲
- ۳-۲-۲- روشهاي مبتني بر توزيع ذاتي دادهها ………………………………………………………….. ۲۹
- ۳-۳- كارهاي مهم انجام شده در زمينه دادهكاوي با استفاده از عامل در داده هاي بزرگ ………………. ۲۶
- ۳-۴- كارهاي انجام شده در زمينه طبقهبندي جريان دادهها …………………………………………… ۳۳
- ۳-۴-۱- روشهاي طبقهبندي Ensemble-based ……………………………………………………. 33
- ۳-۴-۲- درخت تصميمهاي بسيار سريع (VFDT) ……………………………………………………… 31
- ۳-۴-۳- طبقهبندي On-Demand …………………………………………………………………… 39
- ۳-۴-۴- OLIN …………………………………………………………………………………………. 36
- ۳-۴-۹- الگوريتمهاي LWClass ………………………………………………………………………. 37
- ۳-۴-۶- الگوريتم ANNCAD ………………………………………………………………………….. 35
- ۳-۴-۷- الگوريتم SCALLOP ………………………………………………………………………….. 43
- ۳-۴-۸- طبقهبندي جريان دادهها با استفاده از يک روش Rule-based ……………………………… 41
- ۳-۹- جمعبندي ………………………………………………………………………………………… ۴۲
فصل سوم
- مقدمه اي بر تحليل و پردازش داده ها …………………………………………………………………… ۴۴
- ۳-۱-مقدمه …………………………………………………………………………………………….. ۴۹
- ۳-۲-فنون داده كاوي …………………………………………………………………………………… ۹۱
- ۳-۳-نرم افزار …………………………………………………………………………………………… ۹۲
۳-۴-كاربردهاي داده كاوي ……………………………………………………………………………… ۹۳ - ۳-۹-داده كاوي و كاربرد آن در كسب و كار هوشمند بانک…………………………………………….. ۹۳
- ۳-۶-داده كاوي درمديريت ارتباط بامشتري …………………………………………………………….. ۹۴
- ۳-۷-مديريت موسسات دانشگاهي ………………………………………………………………………. ۹۶
- ۳-۸-محدوديت ها ………………………………………………………………………………………. ۹۷
- ۳-۵-داده كاوي آماري و مديريت بهينه وب سايت ها …………………………………………………… ۹۷
- ۳-۱۳-داده كاوي در مقابل پايگاه داده Data Mining vs database ……………………………… 98
- ۳-۱۱-ابزارهاي تجاري داده كاوي DM Commercial Tools 95
- ۳-۱۲-منابع اطلاعاتي مورد استفاده …………………………………………………………………….. ۹۵
- ۳-۱۳-انبار داده …………………………………………………………………………………………. ۶۳
- ۳-۱۴-مسائل كسب و كار براي داده كاوي ………………………………………………………………. ۶۱
- ۳-۱۹-تعيين فرصت هاي كسب و كار و تجارت……………………………………………………………. ۶۲
- ۳-۱۶-مشكلات در راه كسب توانايي استفاده از نتايج داده كاوي ………………………………………… ۶۳
- ۳-۱۷-انجام عمل ……………………………………………………………………………………….. ۶۴
- ۳-۱۵-متدلوژي داده كاوي و بهترين تمرين هاي آن …………………………………………………….. ۶۹
- ۳-۲۳-مدل ها، پروفايل سازي، و پيش بيني ………………………………………………………………. ۶۵
- ۳-۲۱-پروفايل سازي …………………………………………………………………………………….. ۷۱
- ۳-۲۲-پيش بيني ……………………………………………………………………………………….. ۷۲
- ۳-۲۳-متدلوژي …………………………………………………………………………………………. ۷۲
- ۳-۲۴-متغيرهاي طبقه بندي شده، با مقادير بسيار ……………………………………………………… ۸۳
- ۳-۲۹-ارزيابي مدل هاي توصيفي ……………………………………………………………………….. ۸۳
- ۳-۲۶-وظايف داده كاوي ………………………………………………………………………………… ۸۶
- ۳-۲۷-نگاهي كوتاه به نرم افزار كلمنتاين ……………………………………………………………….. ۵۳
- پردازش و تحليل داده ها ………………………………………………………………………………… ۵۸
فصل چهارم
- ۴-۱-مقدمه …………………………………………………………………………………………….. ۵۵
- ۴-۲-ساختار شبكه عصبي ………………………………………………………………………………. ۵۵
- ۴-۲-يافتن تابع هدف …………………………………………………………………………………. ۱۳۵
- ۴-۳-محاسبه تابع هدف با استفاده از روش رگراسيون خطي: …………………………………………. ۱۱۲
- ۴-۴-بررسي ميزان خطا عملكرد روش رگراسيون ……………………………………………………… ۱۱۲
- ۴-۹-محاسبه ميزان خطاي نسبي پيش بيني در داده هاي آموزشي …………………………………… ۱۱۹
- ۴-۶-بررسي خطاي نسبي چند ركورد براي نمونه تصادفي ……………………………………………. ۱۱۷
فصل پنجم
- نتيجه گيري …………………………………………………………………………………………… ۱۱۵
- منابع ………………………………………………………………………………………………….. ۱۲۳
- ضمائم …………………………………………………………………………………………………. ۱۴۳
متا دانلود مرجع پروژه آماده کامپیوتر آماده پذیرش انجام پروژه برنامه نویسی کامپیوتر در کلیه زمینه ها می باشد.
نقد و بررسی‌ها
هیچ دیدگاهی برای این محصول نوشته نشده است.