فایل ورد کامل تحقیق مروری بر روشهای داده کاوی ۲۵ صفحه در word

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 فایل ورد کامل تحقیق مروری بر روشهای داده کاوی ۲۵ صفحه در word دارای ۲۵ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

لطفا نگران مطالب داخل فایل نباشید، مطالب داخل صفحات بسیار عالی و قابل درک برای شما می باشد، ما عالی بودن این فایل رو تضمین می کنیم.

فایل ورد فایل ورد کامل تحقیق مروری بر روشهای داده کاوی ۲۵ صفحه در word  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی فایل ورد کامل تحقیق مروری بر روشهای داده کاوی ۲۵ صفحه در word،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن فایل ورد کامل تحقیق مروری بر روشهای داده کاوی ۲۵ صفحه در word :

بخشی از فهرست مطالب فایل ورد کامل تحقیق مروری بر روشهای داده کاوی ۲۵ صفحه در word

۲-۱داده کاوی و یادگیری ماشین
۲-۲ابزارها و تکنیک های داده کاوی
۲-۳روشهای داده کاوی
۲-۳-۱روشهای توصیف داده ها
۲-۳-۲روشهای تجزیه و تحلیل وابستگی
۲-۳-۳روشهای دسته بندی و پیشگویی
۲-۳-۴درخت تصمیم
۲-۳-۵-شبکه عصبی
۲-۳-۶-  استدلال مبتنی بر حافظه
۲-۳-۷-ماشین های بردار پشتیبانی
۲-۳-۸-روشهای خوشه بندی
۲-۳-۹-   روش K-Means
۲-۳-۱۰-شبکه کوهنن
۲-۳-۱۱-روش  دو گام
۲-۳-۱۲-روشهای تجزیه و تحلیل نویز
۲-۴دسته های نامتعادل]صنیعی آباده ۱۳۹۱[
۲-۴-۱راهکار مبتنی بر معیار
۲-۴-۲-راهکار مبتنی بر نمونه برداری
۲-۵پیشینه تحقیق
منابع و مأخذ
منابع فارسی
منابع انگلیسی

بخشی از منابع و مراجع فایل ورد کامل تحقیق مروری بر روشهای داده کاوی ۲۵ صفحه در word

] فولادی نیا و همکاران ۱۳۹۲ [ فولادی نیا بابک، کرمی زاده فرامرز، دستغیبی فرد غلامحسین، سامی اشکان، (۱۳۹۲)، “کشف تقلب در بیمه اتومبیل با استفاده از روش های داده کاوی”، هفتمین کنفرانس داده کاوی ایران، ۱۹ و ۲۰ آذر، تهران

]فولادی نیا ۱۳۹۲[ فولادی نیا بابک، (۱۳۹۲)، “کشف تقلب در بیمه اتومبیل با استفاده از روش های داده کاوی”، پابان نامه کارشناسی ارشد، دانشکده آموزشهای الکترونیکی، دانشگاه شیراز

]رستخیز پایدار ۱۳۸۹[ ندا رستخیز پایدار، (۱۳۸۹)، “بخش بندی مشتریان بر اساس ریسک با استفاده از تکنیک داده کاوی (مورد مطالعه: بیمه بدنه اتومبیل بیمه ملت) “،  وب سایت پژوهشکده بیمه.”

]صنیعی آباده ۱۳۹۱[ صنیعی آباده محمد، (۱۳۹۱)، “داده کاوی کاربردی”، چاپ اول، نشرنیازدانش، تهران-ایران

]عنبری ۱۳۸۹[ الهام عنبری، (۱۳۸۹)، “طبقه بندی ریسک بیمه گذاران در رشته بیمه بدنه اتومبیل با استفاده از داده کاوی”، وب سایت پژوهشکده بیمه

]مورکی علی‌آباد۱۳۹۰[  سمانه مورکی علی‌آباد ، (۱۳۹۰)، “طبقه‌بندی مشتریان صنعت بیمه با هدف شناسایی مشتریان بالقوه با استفاده از تکنیک‌های داده‌کاوی (مورد مطالعه: بیمه‌گذاران بیمه آتش‌سوزی شرکت بیمه  کارآفرین

] ایزدپرست۱۳۸۹[ سید محمود ایزدپرست، (۱۳۸۹)، “ارائه چارچوبی برای پیش بینی خسارت مشتریان بیمه بدنه اتومبیل با استفاده از راهکار داده کاوی” ، وب سایت پژوهشکده بیمه

[Alpaydin 2010] Alpaydin E. (2010), “Introduction to Machine Learning”, The MIT Press Cambridge, Massachusetts London, England

[Koh & Geravis 2010] Koh H. C. and Geravis G. (2010), ”Fraud Detection Using Data Mining Techniques:Applications In The Motor Insurance Industry”, Journal of Proceedings of Business And Information, Volume 7, No 1, pp

[Han and Kamber 2001] Han J. and Kamber K, Data Mining: Concepts and Techniques, San Francisco, Morgan Kaufmann Publishers,

[Patil et. al 2012 ] Patil S. P. , Patil U. M. and Borse S. (2012), “ The novel approach for improving apriori algorithm for mining association rule”, World Journal of Science and Technology 2012, 2(3):75-78, Proceedings of “National Conference on Emerging Trends in Computer Technology (NCETCT-2012), Held at R. C. Patel Institute of Technology, Shirpur, Dist. Dhule, Maharashtra, India

[Ramamohan et. al 2012 ] Ramamohan Y. , Vasantharao K. , Chakravarti C. K. , Ratnam A. S. K (2012), “ A Study of Data Mining Tools in Knowledge Discovery Process”, International Journal of Soft Computing and Engineering (IJSCE), Volume-2, Issue-3, July

۲-۱ داده کاوی و یادگیری ماشین

داده کاوی ترکیبی از تکنیک های یادگیری ماشین، تشخیص الگو، آمار، تئوری پایگاه داده و خلاصه کردن و ارتباط بین مفاهیم و الگوهای جالب به صورت خودکار از پایگاه داده شرکتهای بزرگ است. هدف اصلی داده کاوی کمک به فرآیند تصمیم گیری از طریق استخراج دانش از داده هاست [Alpaydin 2010]

هدف داده کاوی آشکار کردن روندها یا الگوهایی که تا کنون ناشناخته بوده اند برای گرفتن تصمیمات بهتر است که این هدف را بوسیله به کارگیری روشهای آماری همچون تحلیل لجستیک و خوشه بندی و همچنین با استفاده از روشهای تحلیل داده به دست آمده از رشته های دیگر )همچون شبکه های عصبی در هوش مصنوعی و درختان تصمیم در یادگیری ماشین(  انجام میدهد[Koh & Gervis 2010] .  چون ابزارهای داده کاوی روند ها و رفتارهای آینده را توسط رصد پایگاه داده ها برای الگوهای نهان پیش بینی می کند با عث می شوند که سازمان ها تصمیمات مبتنی بر دانش گرفته و به سوالاتی که پیش از این حل آنها بسیار زمان بر بود پاسخ دهند [Ramamohan et. al 2012 ]

داده کاوی یک ابزار مفید برای کاوش دانش از داده حجیم است. [Patil et. al 2012 ]. داده کاوی یافتن اطلاعات بامعنای خاص ازیک تعداد زیادی ازداده بوسیله بعضی ازفناوری ها به عنوان رویه ای برای کشف دانش ازپایگاه داده است، که گام های آن شامل موارد زیر هستند [Han and Kamber 2001]

۱-پاک سازی داده ها :حذف داده دارای نویز و ناسازگار

۲-یکپارچه سازی داده: ترکیب منابع داده گوناگون

۳-انتخاب داده: یافتن داده مرتبط با موضوع از پایگاه داده

۴-تبدیل داده: تبدیل داده به شکل مناسب برای کاوش

۵-داده کاوی: استخراج مدل های داده با بهره گیری از تکنولوژی

۶- ارزیابی الگو: ارزیابی مدل هایی که واقعا برای ارائه دانش مفید هستند

۷-ارائه دانش: ارائه دانش بعد ازکاوش به کاربران بوسیله استفاده از تکنولوژیهایی همچون ارائه بصری [Lin & Yeh 2012]

۲-۲ ابزارها و تکنیک های داده کاوی

با توجه به تنوع حجم و نوع داده ها، روش های آماری زیادی برای کشف قوانین نهفته در داده ها وجود دارند. این روش ها می توانند با ناظر یا بدون ناظر باشند. [Bolton & Hand 2002]  در روش های با ناظر، نمونه هایی از مواردخسارتی موجود است و مدلی ساخته می شود که براساس آن، خسارتی یا غیر خسارتی بودن نمونه های جدید مشخص می شود. این روش جهت تشخیص انواع خسارت هایی مناسب است که از قبل وجود داشته اند]فولادی نیا و همکاران ۱۳۹۲[

روش های بدون ناظر، به دنبال کشف نمونه هایی هستند که کمترین شباهت را با نمونه های نرمال دارند. برای انجام فعالیت هایی که در هر فاز داده کاوی باید انجام شود از ابزارها و تکنیک های گوناگونی چون الگوریتمهای پایگاه داده، تکنیکهای هوش مصنوعی، روشهای آماری، ابزارهای گرافیک کامپیوتری و مصور سازی استفاده می شود. هر چند داده کاوی لزوما به حجم داده زیادی بعنوان ورودی نیاز ندارد ولی امکان دارد در یک فرآیند داده کاوی حجم داده زیادی وجود داشته باشد

در اینجاست که از تکنیک ها وابزارهای پایگاه داده ها مثل نرمالسازی، تشخیص و تصحیح خطا و تبدیل داده ها بخصوص در فازهای شناخت داده و آماده سازی داده استفاده می شود. همچنین تقریبا در اکثرفرآیند های داده کاوی از مفاهیم، روشها و تکنیک های آماری مثل روشهای میانگین گیری )ماهیانه، سالیانه و . . . (، روشهای محاسبه واریانس و انحراف معیار و تکنیک های محاسبه احتمال بهره برداری های فراوانی می شود. یکی دیگر از شاخه های علمی که به کمک داده کاوی آمده است هوش مصنوعی می باشد

هدف هوش مصنوعی هوشمند سازی رفتار ماشینها است. می توان گفت تکنیک های هوش مصنوعی بطور گسترده ای در فرآیند داده کاوی به کار می رود بطوریکه بعضی از آماردانها ابزارهای داده کاوی را بعنوان هوش آماری مصنوعی معرفی می کنند

قابلیت یادگیری بزرگترین فایده هوش مصنوعی است که بطور گسترده ای در داده کاوی استفاده می شود. تکنیک های هوش مصنوعی که در داده کاوی بسیار زیاد مورد استفاده قرار می گیرند عبارتند از شبکه های عصبی، روشهای تشخیص الگوی یادگیری ماشین و الگوریتمهای ژنتیک ونهایتا تکنیک ها و ابزارهای گرافیک کامپیوتری و مصور سازی که  بشدت در داده کاوی بکار گرفته می شوند و به کمک آنها می توان داده های چند بعدی را به گونه ای نمایش داد که تجزیه وتحلیل نتایج برای انسان براحتی امکان پذیر باشد [Gupta 2006]

۲-۳روشهای داده کاوی

عمده روشهای داده کاوی عبارتند از روشهای توصیف داده ها، روشهای تجزیه و تحلیل وابستگی، روشهای دسته بندی و پیشگویی، روشهای خوشه بندی، روشهای تجزیه و تحلیل نویز

می توان روش های مختلف کاوش داده را در دو گروه روش های پیش بینی و روش های توصیفی طبقه بندی نمود. روش های پیش بینی در متون علمی به عنوان روش های با ناظر[۱] نیزشناخته می شوند. روش های دسته بندی[۲]، رگرسیون[۳] و تشخیص انحراف[۴] از روشهای یادگیری مدل در داده کاوی با ماهیت پیش بینی هستند. در الگوریتم های دسته بندی مجموعه داده اولیه به دو مجموعه داده با عنوان مجموعه داده های آموزشی[۵] و مجموعه داده های آزمایشی[۶] تقسیم می شود که با استفاده از مجموعه داده های آموزشی مدل ساخته می شود و از مجموعه داده های آزمایشی برای اعتبار سنجی و محاسبه دقت مدل ساخته شده استفاده می شود. هررکورد شامل یک مجموعه ویژگی است

[۱] Supervised Methods

[۲] Classification

[۳] Regression

[۴] Anomaly  Detection

[۵] Train Dataset

[۶] Test Dataset