مقاله داده کاوی word

دسته بندي : مقاله » علوم پایه
لینک دانلود و خرید پایین توضیحات
دسته بندی : وورد
نوع فایل :  word (..doc) ( قابل ويرايش و آماده پرينت )
تعداد صفحه : 21 صفحه

 قسمتی از متن word (..doc) : 
 

21
‏نگاهی بر داده کاوی و کشف قوانین وابستگی
‏چکیده:
‏امروزه داده کاوی به عنوان یکی از مهمترین مسائل هوش مصنوعی و پایگاه داده، محققان یسیاری را به خود جذب کرده است. در این تحقیق ابتدا نگاه کلی بر داده کاوی، استراتژیهای داده کاوی و... داریم، سپس مسأله کشف قوانین وابستگی در پایگاه داده را به تفضیل بررسی کردیم و نگاهی به الگوریتمهای موجود برای آن داشتیم. سپس مسأله کشف قوانین وابستگی در پایگاه داده های پویا را مورد بحث قرار دادیم و الگوریتم های ارائه شده مربوطه را مطرح کردیم.
Data mining‏(داده كاوي)
‏تعريف :
‏ داده كاوي فرآيند بكارگيري يك يا چند تكنيك آموزش كامپيوتر، براي تحليل و استخراج ‏ داده هاي يك پايگاه داده مي باشد.در واقع هدف داده كاوي يافتن الگوهايي در داده هاست.
‏دانش كسب شده از فرآيند داده كاوي بصورت ‏مدل يا تعميمي از داده ها نشان داده مي شود.
‏ چندين روش داده كاوي وجود دارد با اين وجود همه روشها “‏ آموزش بر مبناي استنتاج “‏ را بكار مي برند.
‏آموزش بر مبناي استنتاج، فرآيند شكل گيري تعاريف ‏مفهوم عمومي‏ از طريق مشاهده مثالهاي خاص از مفاهيمي كه آموزش داده شده اند، است.
‏مثال زير نمونه اي از دانش بدست امده از طريق فرايند اموزش بر مبناي استنتاج است:
‏آيا تا كنون فكر كرده ايد، فروشگاههاي بزرگ اينترنتي در mail‏ هاي خود به مشتريان از چه تبليغاتي استفاده مي كنند؟ و آيا اين تبليغات براي همه مشتريان يكسان است؟
‏پاسخ اين است كه از روي دانش كسب شده از اطلاعات خريد افراد و نتيجه گيري از اين دانش، اين كار را انجام مي دهند.مثلا در نظر بگيريد يك قانون در پايگاه داده بصورت زير استخراج مي شود:
‏دقت = 80% : سيگار مي خرند ^ نان مي خرند كساني كه شير مي خرند
‏از روي اين قانون فروشگاه مي تواند به تمام كساني كه شير مي خرند تبليغات سيگار و انواع نان را نيز بفرستد.همچنين اين قانون در چيدن قفسه هاي فروشگاه نيز بي تاثير نخواهد بود.
‏{شير و نان و سيگار در قفسه هاي كنار هم چيده شوند}
‏كشف دانش در پايگاه داده 1.Khowledge Discovery in DB (KDD)
KDD ‏ يا كشف دانش در پايگاه داده اصطلاحي است كه مكررا بجاي داده كاوي بكار مي رود. از نظر تكنيكي، KDD‏ كاربردي از روشهاي علمي داده كاوي است.
‏بعلاوه براي انجام داده كاوي فرايند KDD‏ شامل :
‏1‏- يك روش براي تهيه داده ها و استخراج داده ها ،‏
‏2‏- تصميم گيري درباره عملي كه پس از داده كاوي بايد انجام شود،
‏مي باشد‏.
‏آيا داده كاوي براي حل مسائل ما مناسب است؟
2
‏ تصميم گيري در مورد اينكه آيا داده كاوي را به عنوان استراتژي حل مساله بكار ببريم يا نه، يك مساله دشوار است.
‏اما به عنوان نقطه شروع چهار سؤال عمومي را بايد در نظر بگيريم :
‏آيا به وضوح مي توانيم مساله را تعريف كنيم ؟
‏آيا بطور بالقوه داده با معني وجود دارد ؟
‏آيا داده ها شامل “‏ دانش پنهان”‏ هستند يا فقط براي هدف گزارشگري مناسبند ؟
‏آيا هزينه پردازش داده (براي داده كاوي) كمتر از سود حاصل از دانش پنهان بدست آمده از پروژه داده كاوي است ؟
‏يك مدل پردازش داده كاوي ساده ‏:
‏ در يك ديد كلي ، ما مي توانيم داده كاوي را به عنوان يك فرآيند چهار مرحله اي تعريف كنيم :
‏جمع آوري يك مجموعه از داده ها براي تحليل
‏ارائه اين داده ها به برنامه نرم افزاري داده كاوي
‏تفسير نتايج
‏بكارگيري نتايج براي مساله يا موقعيتهاي جديد‏
Data
Warehouse
Operational
Database
Data Mining
Interpretation
&
Evaluation
Result
Application
‏شكل فوق يك دياگرام از فرآيند داده كاوي را نشان مي دهد‏.
‏- جمع آوري داده ها :
‏ فرآيند داده كاوي احتياج به دسترسي به داده ها دارد. داده ممكن است در تعدادي ركورد، در چندين فايل پايگاه داده ذخيره شود و يا ممكن است داده فقط شامل چند صد ركورد در يك فايل ساده باشد.
‏با توجه به اينكه معمولا داده هاي واقعي شامل چندين هزار ركورد مي باشند، اولين گام در داده كاوي تهيه زير مجموعه مناسبي از داده براي پردازش است. گاهي اين مرحله احتياج به تلاش انسانهاي بسياري دارد. در كل سه راه متداول براي دستيابي فرآيند داده كاوي به داده وجود دارد :
‏ذخيره داده در “‏ ‏انبار داده 1 . Data Warehouse
‏ ”
‏ذخيره داده در پايگاه داده رابطه اي