فایل ورد کامل پیشینه تحقیق بیماری تنفسی و مفهوم و مراحل و کاربرد های داده کاوی و الگوهای رده بندی ۳۷ 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 پیشینه تحقیق بیماری تنفسی و مفهوم و مراحل و کاربرد های داده کاوی و الگوهای رده بندی ۳۷ صفحه در word دارای ۳۷ 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 پیشینه تحقیق بیماری تنفسی و مفهوم و مراحل و کاربرد های داده کاوی و الگوهای رده بندی ۳۷ 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 پیشینه تحقیق بیماری تنفسی و مفهوم و مراحل و کاربرد های داده کاوی و الگوهای رده بندی ۳۷ صفحه در word،به هیچ وجه بهم ریختگی وجود ندارد

---

بخشی از متن فایل ورد کامل پیشینه تحقیق بیماری تنفسی و مفهوم و مراحل و کاربرد های داده کاوی و الگوهای رده بندی ۳۷ صفحه در word :

بخشی از فهرست مطالب فایل ورد کامل پیشینه تحقیق بیماری تنفسی و مفهوم و مراحل و کاربرد های داده کاوی و الگوهای رده بندی ۳۷ صفحه در word

۲-۲ دادهکاوی    
۲-۲-۱ مفهوم دادهکاوی    
۲-۲-۲ مراحل دادهکاوی    
۲-۲-۳ پیشپردازش    
۲-۲-۳-۱ پاکسازی داده    
۲-۲-۳-۲ یکپارچهسازی داده    
۲-۲-۳-۳ تبدیل داده    
۲-۲-۳-۴ کاهش داده    
۲-۲-۳-۵ تصویر کردن برای کاهش بعد    
۲-۲-۴ دادهکاوی    
۲-۲-۵ پسپردازش    
۲-۲-۶ کاربردهای دادهکاوی    
۲-۳ دادهکاوی در پزشکی    
۲-۴ بیماری تنفسی    
۲-۴-۱ عفونت دستگاه تنفسی فوقانی    
۲-۴-۲ پنومونی    
۲-۴-۳ بیماری مزمن انسدادی ریه    
۲-۵ الگوریتمهای ردهبندی    
۲-۵-۱ درخت تصمیم    
۲-۵-۱-۱ CHAID    
۲-۵-۱-۲ ID3    
۲-۵-۱-۳ C5.0    
۲-۵-۲ ماشین بردار پشتیبان    
۲-۵-۳ شبکهی عصبی    
۲-۵-۴ Bagging    
۲-۵-۵ AdaBoost    
۲-۶ پیشینهی تحقیقات در بیماریهای تنفسی    
مراجع    

بخشی از منابع و مراجع فایل ورد کامل پیشینه تحقیق بیماری تنفسی و مفهوم و مراحل و کاربرد های داده کاوی و الگوهای رده بندی ۳۷ صفحه در word

[۲] غضنفری، مهدی، علی­زاده، سمیه و تیمورپور، بابک. «داده­کاوی و کشف دانش». تهران: انتشارات دانشگاه علم و صنعت ایران، چاپ اول، (۱۳۸۷)

[۵] Tan, Pang-Ning; Steinbach, Michael & Kumar, Vipin. Intro-duction to data mining. Michael Steinbach & Vipin Kumar, Pearson Addison Wesley, (2006)

[۶] Patil, Shantakumar B. & Kumaraswamy, Y.S. “Intelligent and Effective Heart Attack Prediction System Using Data Mining and Artificial Neural Network”. European Journal of Scien-tific Research, 31(4):642-656,

[۷] Gupta, Anamika; Kumar, Naveen & Bhatnagar, Vasudha. “Analysis of Medical Data using Data Mining and Formal Con-cept Analysis”. World Academy of Science, Engineering and Technology, 11:61-64, Jun

[۸] Gorunescu, Florin. “Data Mining Techniques in Computer-Aided Diagnosis: Non-Invasive Cancer Detection”. Interna-tional Journal of Biological and Medical Sciences, 1(2):105-108, September

[۹] Wasan, Siri Krishan; Bhatnagar, Vasudha & Kaur, Harleen. “The Impact of Data Mining Techniques on Medical Diagnos-tics”. Data Science Journal, 5:119-126,

[۱۰] Canlas, Ruben D. Data Mining in health care: Current Ap-plications and Issues. Master of Science in Information Tech-nology, Carnegie Mellon University, Australia, August

[۱۱] Silver, Michael; Sakata, Taiki; Su, Hua-Ching; Herman, Charles; Dolins, Steven B. & O’Shea, Michael J.. “Case study: how to apply data mining techniques in a healthcare data ware-house”. Journal of Healthcare Information Management, 15(2):155-164, Summer

[۱۲] Kaur, Harleen & Wasan, Siri K. “Empirical Study on Applica-tions of Data Mining Techniques in Healthcare”. Journal of Computer Science, 2(2):194-200, February

۲-۲ داده­کاوی

تکنولوژی مدیریت پایگاه ­داده­ های پیشرفته انواع مختلفی از داده­ها را می­تواند در خود جای دهد، در نتیجه تکنیک­های آماری و ابزار مدیریت سنتی برای آنالیز این داده­ها کافی نیست و استخراج دانش[۱] از این مقدار حجیم یک چالش بزرگ تلقی می­شود. داده­کاوی کوششی برای به­دست آوردن اطلاعات مفید از میان این داده­هاست و رشد بی­رویه­ی داده­ها در سطح جهان اهمیت داده­کاوی را دو­ چندان کرده است

پایگاه ­داده­های پزشکی، شامل انبوهی از اطلاعات بیماران و وضعیت پزشکی آنهاست. ارتباطات و الگوهای نهفته در این داده­ها می­تواند دانش جدیدی در حوزه علوم پزشکی تولید کند. به­طوری­که امروزه استخراج دانش مفید و فراهم کردن ابزارهای تصمیم­گیری برای تشخیص و معالجه­ی بیماری­ها، به یک موضوع ضروری تبدیل شده است

۲-۲-۱ مفهوم داده­کاوی

در یک تعریف غیر رسمی داده­کاوی فرآیندی است، خودکار برای استخراج الگوهایی که دانش را بازنمایی می­کنند، که این دانش به صورت ضمنی در پایگاه داده­های عظیم، انبارداده[۲]و دیگر مخازن بزرگ اطلاعات، ذخیره شده است. داده­کاوی به­طور همزمان از چندین رشته علمی بهره می­برد نظیر: تکنولوژی پایگاه داده، هوش مصنوعی، یادگیری ماشین، شبکه­های عصبی، آمار، شناسایی الگو، سیستم­های مبتنی بردانش[۳]، حصول دانش[۴]، بازیابی اطلاعات[۵]، محاسبات سرعت بالا[۶] و بازنمایی بصری داده[۷]

۲-۲-۲ مراحل داده­کاوی

داده­کاوی اغلب به­عنوان بخشی از فرآیند «کشف دانش از پایگاه­داده»، تلقی می­شود. کشف دانش از پایگاه داده، فرآیندی است که داده­های خام را به دانش مفید تبدیل می­کند که علاوه بر داده­کاوی، شامل دو مرحله­ی پیش­پردازش و پس­پردازش نیز می­باشد

۲-۲-۳ پیش­پردازش

هدف پیش­پردازش، تبدیل داده­های خام به قالبی است که برای تحلیل­های بعدی مناسب باشد. همچنین این مرحله به شناسایی ویژگی­ها و قطعات مختلف داده، کمک می­کند. از آنجائی­که داده­ها ممکن است با قالب­های مختلف و در پایگاه داده­های متفاوتی ذخیره شده باشند، اغلب زمان زیادی برای پیش­پردازش داده لازم است[۵]

پیش­پردازش داده، یک محدوده­ی وسیع شامل استراتژی­ها و تکنیک­های مختلفی است که به­صورت بسیار پیچیده­ای با یک­دیگر در رابطه­اند و این ارتباطات پیچیده، معرفی رهیافت­ها و ایده­های اصلی پیش­پردازش را به­صورت منظم و ساخت­یافته بسیار مشکل می­کند

وظایف پیش­پردازش عبارتند از: پاک­سازی داده­ها[۸]، یکپارچه­سازی داده­ها[۹]، تبدیل داده[۱۰]، کاهش داده[۱۱]، تصویر کردن و کاهش بعد[۲]

۲-۲-۳-۱ پاک­سازی داده

خطاهای عملیاتی اغلب باعث می­شوند که داده­های به­دست آمده از منابع دنیای واقعی، پرغلط، ناقص و ناسازگار باشند. ابتدا لازم است، چنین داده­های بی­کیفیتی، تمیز شوند. وظایف اصلی پاک­سازی داده­ها عبارتند از

پرکردن ویژگی­هایی با مقدار گمشده[۱۲] : رویکردهای مختلفی در برخورد با مقادیر گمشده وجود دارد که عبارتند از: حذف رکورد، پرکردن به­صورت دستی، جایگزینی با یک مقدار ثابت سراسری، جایگزینی با مقدار میانگین، جایگزینی با مقادیری با احتمال بالاتر (با استفاده از رابطه­های بیزی، درخت تصمیم­گیری یا پسانمایی[۱۳] )

شناخت داده­های پرت[۱۴] و هموار کردن داده­های نویزدار[۱۵]

اصلاح داده­های ناسازگار

رفع مشکل افزونگی که بر اثر یکپارچه­سازی داده­ها ایجاد شده است

۲-۲-۳-۲ یکپارچه­سازی داده

داده­کاوی اغلب به یکپارچه­سازی داده (ادغام داده­ها از چندین منبع داده) نیاز دارد. همچنین ممکن است لازم باشد که داده­ها به شکل مناسب داده­کاوی تبدیل شوند. در این مرحله، داده­های چندین منبع را در یک  مخزن منسجم ترکیب می­کنیم

۲-۲-۳-۳ تبدیل داده

در این مرحله، داده­ها به شکل مناسب برای داده­کاوی تبدیل می­شوند. این مرحله، شامل بخش­های زیر می­باشد

هموارسازی: این بخش از تبدیل داده، با حذف نویز سروکار دارد

تجمیع: شامل عملیات تلخیص و تجمیع روی داده­هاست. مثل تبدیل فروش روزانه به فروش هفتگی یا ماهانه

تعمیم: جایگزینی داده­ی سطح پائین با مفاهیم سطح بالاتر. مثل تبدیل متغیر پیوسته­ی سن به یک مفهوم سطح بالاتر مثل جوان، میانسال یا مسن

ایجاد ویژگی[۱۶] : گاهی برای کمک به فرآیند داده­کاوی لازم است که ویژگی جدیدی از روی ویژگی­های موجود ساخته شود

نرمال­سازی: نرمال­سازی شامل تغییر مقیاس داده­ها به گونه­ایست که آن­ها را به یک دامنه­ی کوچک و معین مثل ] ۱،۱-[ نگاشت کند. مهمترین روش­های نرمال­سازی عبارتند از: Min-Max،  Z-Score و نرمال­سازی با استفاده از مقیاس­بندی اعشاری[۱۷]

۲-۲-۳-۴ کاهش داده

روش­های کاهش داده، می­تواند برای به­دست آوردن یک بازنمایی کوچک­تر و کاهش­یافته از داده، که بسیار کم­حجم­تر از داده­های اصلی بوده و البته یکپارچگی داده­های اصلی را حفظ می­کند، به­کار می­رود. استراتژی­های کاهش داده، عبارتند از: تجمیع مکعبی داده[۱۸]، انتخاب زیرمجموعه­ای از ویژگی­ها[۱۹]، کاهش تعداد نقاط، گسسته­سازی و تولید سلسله مراتب مفهومی

۲-۲-۳-۵ تصویر کردن برای کاهش بعد

در کاهش بعد از طریق تصویر کردن، تبدیلات و کدگذاری­هایی روی داده انجام می­شود که در نهایت بازنمایی کاهش­یافته یا فشرده­ای از داده­های اصلی به­دست می­آید

۲-۲-۴ داده­کاوی

وظایف داده­ کاوی را می­توان به دو بخش کلی تقسیم کرد: توصیفی و پیش­بینانه

وظایف توصیفی، خواص عمومی داده­ها را مشخص می­کنند. هدف از توصیف، یافتن الگوهایی در مورد داده­هاست که برای انسان قابل تفسیر باشد

وظایف پیش­بینانه به منظور پیش­بینی رفتارهای آینده، مورد استفاده قرار می­گیرند. منظور از پیش­بینی، به­کارگیری چند متغیر یا ویژگی در پایگاه داده برای پیش­بینی مقادیر آینده یا مقادیر ناشناخته­ی دیگر متغیرهاست[۲]

وظایف پیش­بینانه را می­توان به دو دسته تقسیم کرد: رده­بندی و پسانمایی. رده­بندی برای پیش­بینی مقدار یک متغیر گسسته به­کار می­رود. درحالی­که پسانمایی برای پیش­بینی مقدار یک متغیر پیوسته، مورد استفاده قرار می­گیرد. در انتهای این فصل، به معرفی برخی از تکنیک­های موجود برای حل مسائل رده­بندی که در این تحقیق مورد استفاده قرار گرفته است، خواهیم پرداخت

وظایف توصیفی را نیز می­توان به سه دسته تقسیم کرد: تحلیل انجمنی[۲۰]، خوشه­بندی[۲۱] و تشخیص انحراف[۲۲]. هدف فرآیند تحلیل انجمنی، ایجاد مجموعه­ای از قوانین است که ارتباطات بین مجموعه­ای از ویژگی­ها را که به­شدت به یکدیگر وابسته هستند، بیان می­کند. هدف خوشه­بندی، معرفی گروه­هایی از داده است به­طوری­که داده­هایی که در یک خوشه حضور دارند، نسبت به داده­هایی که در یک خوشه­ی دیگر قرار دارند، شباهت بسیار بیشتری به یکدیگر دارند. در فرآیند تشخیص انحراف نیز هدف، کشف موارد غیرطبیعی یا خارج از محدوده است که شامل داده­هایی هستند که با بقیه­ی داده­های حاضر در مجموعه، بسیار متفاوت­اند[۵]

۱ Knowledge Discovery

[۲] Data Warehouse

[۳] Knowledge-based System

[۴] Knowledge-acquisition

[۵] Information  Retrieval

[۶] High-performance Computing

[۷] Data Visualization

۶ Data Cleaning

۷ Data Integration

۸ Data Transformation

۹ Data Reduction

۱ Missing Value

۲ Regression

۳ Outlier

۴ Noise

۱ Feature Creation

۲ Normalization by decimal  scaling

۳ Data cube aggregation

۴ Attribute subset selection

۱ Association Analysis

۲ Clustering

۳ Anomaly Detection