کوشا فایل

کوشا فایل بانک فایل ایران ، دانلود فایل و پروژه

کوشا فایل

کوشا فایل بانک فایل ایران ، دانلود فایل و پروژه

پروژه نحوه ی کاربرد و عملکرد داده کاوی DMA (Data Mining Applications)

اختصاصی از کوشا فایل پروژه نحوه ی کاربرد و عملکرد داده کاوی DMA (Data Mining Applications) دانلود با لینک مستقیم و پر سرعت .

پروژه نحوه ی کاربرد و عملکرد داده کاوی DMA (Data Mining Applications)


پروژه نحوه ی کاربرد و عملکرد داده کاوی DMA (Data Mining Applications)

 

 

 

 

 

 

 



فرمت فایل : WORD (قابل ویرایش)

تعداد صفحات:65

فهرست مطالب:
فصل اول (مقدمه ای بر داده کاوی و اکتشاف دانش............................................................8
مقدمه                                                                                                                                                                          8
1-1    مفاهیم پایه در داده کاوی                                                                                                                                    8
2-1 تعریف  داده کاوی                                                                                                                                              9
3-1 تاریخچه داده کاوی                                                                                                                                            9
4-1 برخی کاربردهای داده کاوی                                                                                                                            10
5-1 مراحل فرایند کشف دانش از پایگاه داده ها                                                                                                       10
1-5-1 انبارش داده ها                                                                                                                                              10
2-5-1 انتخاب داده ها                                                                                                                                              11
3-5-1 تبدیل داده ها                                                                                                                                               11
4-5-1 کاوش در داده ها                                                                                                                                          11
5-5-1 تفسیر نتیجه                                                                                                                                                    11
6-1 عملیاتهای داده کاوی                                                                                                                                        12
1-6-1 مدلسازی پیشگویی کننده                                                                                                                               12
1-6-1 تقطیع پایگاه داده ها                                                                                                                                      13
1-6-1 تحلیل پیوند                                                                                                                                                   13
1-6-1 تشخیص انحراف                                                                                                                                            13
7-1 الگوریتم های داده کاوی                                                                                                                                  14
8-1 شبکه های عصبی                                                                                                                                                14
9-1 درخت های انتخاب                                                                                                                                           15
10-1 استنتاج قانون                                                                                                                                                   15
11-1 الگوریتم های ژنتیک                                                                                                                                        15
12-1 مدل فرایند دو سویه                                                                                                                                        16
13-1 نتیجه گیری                                                                                                                                                     19

فصل دوم (تشریح کامل داده کاوی  و کلیات – داده کاوی چیست؟).................................20
1-2 داده کاوی چیست ؟                                                                 20
2-2 فعالیتهای فرایندی داده کاوی                                                                                                                            21
1-2-2 اکتشاف                                                                                                                                     21
2-2-2 مدل پیش بینی                                                                                                                                              21
3-2-2 تحلیل های دادگاهی                                                                                                                                    21
3-2 پیشرفت در تکنولوژیهای داده پردازی                                                                                                               21
4-2 دیتا مارت                                                                                                                                                           22
5-2 انبار داده ها                                                                                                                                                       22
6-2 عناصر داده کاوی                                                                                                                                              23
7-2 فنون داده کاوی                                                                                                                              24
8-2 نرم افزار                                                                                                                                   25
9-2 کاربردهای داده کاوی                                                                                                                                      26
10-2 داده کاوی و کاربردهای آن در کسب وکار هوشمند بانک                                                                              26
11-2 داده کاوی و کاربردهای آن در مدیریت ارتباط شهری                                                                                   27
12-2 داده کاوی و کاربردهای آن در کتابخانه ها و محیطهای دانشگاهی                                                                  28
13-2 داده کاوی آماری و مدیریت بهینه وب سایتها                                                                                                  29
14-2 نتیجه گیری                                                                                                                                                       31

فصل سوم (تکنیک های داده کاوی در مدیریت ارتباط شهری)..........................................32
1-3 چکیده                                                                                                                                   32
2-3 مقدمه                                                                                                                                   33
3-3 تعاریف مدیریت ارتباط با مشتری                                                                                                                       33
4-3 تکنیک های داده کاوی در مدیریت ارتباط شهری                                                                                              34
1-4-3 تکنیک هایی برای کشف الگوی پنهان                                                                                                             35
1-1-4-3 قوانین کشف رابطه                                                                                                                                    36
2-1-4-3 الگوی کشف توالی                                                                                                                           37
2-4-3 خوشه بندی                                                                                                                                          38
1-2-4-3 الگوریتم K  میانگین                                                                                                                                  39
2-2-4-3 شبکه کوهنن                                                                                                                                          39
3-4-3 طبقه بندی                                                                                                                                                     40
1-3-4-3 درختهای تصمیم گیری                                                                                                                           41
2-3-4-3 نزدیکترین همسایگی                                                                                                                            42
5-3 جمع بندی                                                                                                                                              43
6-3 بحث ، نتیجه گیری و ارایه پیشنهادات                                                                                                                 44

فصل چهارم (فرصت ها و چالش های داده کاوی در شهر الکترونیکی)...............................46
1-4 مقدمه                                                                                                                                                        46
2-4 مزایای شهر الکترونیکی                                                                                                                                       47
3-4 داده کاوی چیست ؟                                                                                                                                          48
4-4 زمینه و تکامل تدریجی داده کاوی در شهر الکترونیک                                                                                       49
5-4 کاربردهای داده کاوی در شهر الکترونیک                                                                                                  50
6-4 چالش های داده کاوی در شهر الکترونیک                                    53
7-4 نتیجه گیری                                                                                                              57

فصل پنجم (نمونه عملی گیرنده های GPS سری SR399/E , SR299/E , 500 ).............58
1-5 مقدمه                                                                                                                                                        58
2-5 سابقه داده کاوی                                                                                                                                         59
3-5 مفهوم داده کاوی                                                                                                                                         60
4-5 فرایند داده کاوی                                                                                                                                             61
5-5 نرم افزارهای داده کاوی                                                                                                                                  61
6-5 داده کاوی و مدیریت دانش                                                                                                                           62
7-5 کاربرد داده کاوی در آموزش عالی                                                                                                                  62
8-5 نتیجه گیری                                                                                                                                                      63

گزیده ی مطالب.............................................................................................................64
تعاریف                                                                                                                                                            64
داده کاوی در مقابل استخراج دانش از پایگاه داده ها                                                                                   64
داده کاوی در مقابل پایگاه داده ها                                                                                                     64
ابزار های تجاری داده کاوی                                                                                                       65
منابع اطلاعاتی مورد استفاده                                                                                                                                  65
انبار داده                                                                                                                65

منابع...............................................................................................................................65



 
پیشگفتار:
یکی از نیازهای اساسی ما شناخت کمی و کیفی پدیده هایی است که با آنان رو به رو هستیم. با دستیابی به این شناخت و اهمیت سرشار آن می توان بر تعدادی از خواسته ها فائق آمد. یکی از این پدیده ها، Data_Mining است که بهترین وسیله جهت داده کاوی می باشد.
مجموعه ای که فرا رو دارید نگرشی بر کاربردها و عملکرد Data_Mining می باشد و در  5   فصل کلی، کلیات و تشریح کلی Data_Mining و کاربرد و معرفی نمونه هایی از کاربردهای Data_Mining بحث می کند. در این مجموعه سعی شده است که در عین حال سادگی ، مطلب به نحوی قابل قبول مورد بررسی قرار گیرد.
گرد آورنده این مجموعه بر خود وظیفه می داند که از کلیه دوستانی که در تهیه و تنظیم این نوشتار همکاری نموده اند ، به خصوص استاد محترم جناب آقای مهندس ذی حیات به سبب راهنمایی ها و فراهم آوردن امکان استفاده از تجربیات صمیمانه سپاسگذاری و قدردانی نماید.
در خاتمه به منظور تکامل بخشیدن به این مجموعه این حقیر از همکاری همه علاقه مندان استقبال کرده و دست آنان را به گرمی می فشارد تا با دریافت کلیه نظرات ، پیشنهادات و انتقادات و راهنمایی ها و همراهی اندیشوران محترم و با یاری خداوند متعال بتوان گامهای موثرتری جهت بر طرف کردن کاستی ها و نارسائی ها برداشت.
 


دانلود با لینک مستقیم


دانلود مقاله و تحقیق مروری بر داده کاوی و بررسی شبکه های عصبی‎ (تعداد صفحات )

اختصاصی از کوشا فایل دانلود مقاله و تحقیق مروری بر داده کاوی و بررسی شبکه های عصبی‎ (تعداد صفحات ) دانلود با لینک مستقیم و پرسرعت .

دانلود مقاله و تحقیق مروری بر داده کاوی و بررسی شبکه های عصبی‎ (تعداد صفحات )


دانلود مقاله و تحقیق مروری بر داده کاوی و بررسی شبکه های عصبی‎ (تعداد صفحات )

چندین دهه است که شرکت ها اطلاعات را جمع آوری می نمایند تا با ایجاد یک پایگاه داده انبوه اطلاعات را ذخیره کنند، با این حال که اطلاعات در دسترس آنها قرار دارد فقط تعداد کمی از شرکت ها قادر شده اند به ارزش واقعی ذخیره شده در آنها پی ببرند سوال این شرکتها این است که چگونه میتوان به ارزش واقعی این اطلاعات دست یافت؟ پاسخ آن داده کاوی است، که امروزه در بسیاری از صنعتها از جمله پزشکی، آموزش، ورزش و بسیاری از صنایع دیگر مورد استفاده قرار میگیرد. تکنیکهای بسیاری جهت داده کاوی وجود دارد از جمله شبکه های عصبی مصنوعی، رگرسیون، درخت تصمیم و غیره. همچنین طراحی شده است اشاره SAS که توسط شرکت JMP نرم افزارهایی نیز برای داده کاوی ایجاد شده است که میتوان به نرم افزار کرد. این مقاله به معرفی داده کاوی و برخی از روشهای داده کاوی و همچنین محیطهایی که از داده کاوی بهره میبرند به همراه نرم افزار های آن پرداخته است.

فهرست :

چکیده

مقدمه

داده کاوی

تکنیک های داده کاوی

دسته بندی

رگرسیون گیری

خوشه بندی

تجمع و همبستگی

درخت تصمیم گیری

ویزگی های درخت تصمیم

الگوریتم ژنتیک

شبکه های عصبی مصنوعی

ساختار شبکه عصبی

نورون

معماری شبکه عصبی

شبکه های پیش خور تک لایه

انواع یادگیری در شبکه های عصبی مصنوعی

داده کاوی در پزشکی

داده کاوی در سلامت

نرم افزار های داده کاوی

نتیجه گیری

مراجع


دانلود با لینک مستقیم

پایان نامه بررسی ومطالعه ی کامل داده کاوی و داده کاوی با SQL SERVER2005 پیاده سازی آن روی بانک اطلاعاتی(همراه با تصاویر )

اختصاصی از کوشا فایل پایان نامه بررسی ومطالعه ی کامل داده کاوی و داده کاوی با SQL SERVER2005 پیاده سازی آن روی بانک اطلاعاتی(همراه با تصاویر ) دانلود با لینک مستقیم و پرسرعت .

پایان نامه بررسی ومطالعه ی کامل داده کاوی و داده کاوی با SQL SERVER2005 پیاده سازی آن روی بانک اطلاعاتی(همراه با تصاویر )


پایان نامه بررسی ومطالعه ی کامل داده کاوی و داده کاوی با SQL SERVER2005 پیاده سازی آن روی بانک اطلاعاتی(همراه با تصاویر )

 

 

 

 

 

 

 

 

 



فرمت:word(قابل ویرایش)

تعداد صفحات:223

عنوان:

بررسی ومطالعه ی کامل داده کاوی و داده کاوی با SQL SERVER2005 پیاده سازی آن روی بانک اطلاعاتی دانشگاه آزاد قوچان

 

پایان نامه دوره کارشناسی کامپیوتر

گرایش نرم افزار

 

فهرست مطالب:

 

چکیده ۱۴

بررسی ومطالعه ی کامل داده کاوی و داده کاوی با SQL SERVER2005. 14

پیاده سازی آن روی بانک اطلاعاتی دانشگاه آزاد قوچان. ۱۴

فصــل اول. ۱۵

مقدمه ای بر داده کاوی ۱۵

۱-۱-مقدمه. ۱۶

۱-۲-عامل مسبب پیدایش داده کاوی.. ۱۷

-۳-داده کاوی و مفهوم  اکتشاف دانش    (K.D.D) 18

1-3-1-تعریف داده کاوی.. ۱۹

۱-۳-۲- فرآیند داده‌کاوی.. ۲۰

۱-۳-۳- قابلیت های داده کاوی.. ۲۱

۱-۳-۴-چه نوع داده‌هایی مورد کاوش قرار می گیرند؟. ۲۱

فایلهای ساده (FLAT FILES): 21

پایگاههای داده ای رابطه ای(RDBMS): 22

انبارهای داده ای.. ۲۲

۱-۴- وظایف داده کاوی.. ۲۳

۱-۱-۴-کلاس بندی.. ۲۳

۱-۴-۲- مراحل یک الگوریتم کلاس‌بندی.. ۲۴

۱-۴-۳-  انواع روش‌های کلاس‌بندی.. ۲۵

۱-۴-۳-۱- درخت تصمیم ۲۵

۱-۴-۳-۱-۱- کشف تقسیمات ۲۷

۱-۴-۳-۱-۲- دسته بندی با درخت تصمیم ۲۸

انواع درخت‌های تصمیم ۲۹

۱-۴-۳-۱-۴-   نحوه‌ی هرس کردن درخت.. ۳۰

۱-۴-۳-۲- نزدیکترین همسایگی_ K.. 31

1-4-3-3-بیزی.. ۳۲

۱-۴-۳-۳-۱ تئوری بیز. ۳۴

۱-۴-۳-۳-۲ -دسته بندی ساده بیزی.. ۳۶

یک مثال در توضیح طبقه بندی ساده بیزی.. ۳۸

ارزیابی روش‌های کلاس‌بندی.. ۴۱

-۲-۴-۱پیش بینی. ۴۲

۱-۴-۳-انواع روش‌های پیش بینی. ۴۳

۱-۴-۳-۱- رگرسیون. ۴۳

۱-۴-۳-۱ -۱- رگرسیون خطی.. ۴۳

۱-۴-۳-۱-۲-  رگرسیون منطقی. ۴۵

۱-۴-۳- خوشه بندی.. ۴۶

۱-۴-۳-۱- تعریف فرآیند خوشه‌بندی.. ۴۷

۱-۴-۳-۲-  کیفیت خوشه‌بندی.. ۴۷

۱-۴-۳-۳-  روش ها و الگوریتم‌های خوشه‌بندی.. ۴۸

۱-۴-۳-۳-۱-  روش های سلسله‌مراتبی‌ ۴۹

۱-۴-۳-۳-۱-۱- الگوریتم های سلسله مراتبی. ۴۹

۱-۴-۳-۳-۱-۱-۱-الگوریتم خوشه بندی single-linkage. 51

الگوریتم شامل مراحل زیر است : ۵۱

مثال: ۵۲

۱-۴-۳-۳-۲-  الگوریتم‌های تفکیک.. ۵۷

۱-۴-۳-۳-۳-  روش‌های متکی برچگالی. ۵۷

۱-۴-۳-۳-۴-  روش‌های متکی بر گرید ۵۸

۱-۴-۳-۳-۵-  روش‌‌های متکی بر مدل. ۵۸

۱-۴-۴- تخمین. ۵۸

۱-۴-۴-۱- درخت تصمیم ۵۹

۱-۴-۵- سری های زمانی : ۵۹

۱-۵-کاربردهای داده کاوی.. ۵۹

۱-۶-قوانین انجمنی. ۶۰

۱-۶-۱-کاوش قوانین انجمنی. ۶۱

۱-۶-۲-  اصول کاوش قوانین انجمنی. ۶۲

۱-۶-۳-  اصول استقرا در کاوش قوانین انجمنی. ۶۳

۱-۶-۴-  الگوریتم Apriori 66

1-7-متن کاوی.. ۶۷

۱-۷-۱- مقدمه. ۶۷

۱-۷-۲- فرآیند متن کاوی.. ۷۱

۱-۷-۳- کاربردهای متن کاوی.. ۷۳

۱-۷-۳-۱- جستجو و بازیابی. ۷۴

گروه بندی و طبقه بندی داده ۷۴

خلاصه سازی.. ۷۵

روابط میان مفاهیم ۷۶

۱-۷-۳-۵- یافتن و تحلیل ترند ها ۷۶

برچسب زدن نحوی (POS) 77

1-6-2-7-  ایجاد تزاروس و آنتولوژی به صورت اتوماتیک… ۷۷

۱-۸-تصویر کاوی.. ۷۸

۱-۹- وب کاوی.. ۷۹

فصل دوم ۸۲

الگوریتم ژنتیک… ۸۲

۱-۲-مقدمه. ۸۳

مفاهیم پایه و لغات کلیدی.. ۸۳

۲-۲- اصول الگوریتم ژنتیک… ۸۴

۲-۲-۱-کد گذاری.. ۸۴

۲-۲-۱-۱- روش های کد گذاری.. ۸۴

۲-۲-۱-۱-۱- کدگذاری دودویی. ۸۴

۲-۲-۱-۱-۲-کدگذاری مقادیر. ۸۵

۲-۲-۱-۱-۳- کدگذاری درختی. ۸۵

۲-۲-۲- ارزیابی. ۸۶

۲-۲-۳-انتخاب.. ۸۷

۲-۲-۳-۱-انتخاب گردونه دوار. ۸۷

۲-۲-۳-۲- انتخاب رتبه ای.. ۸۸

۲-۲-۳-۳- انتخاب حالت استوار. ۹۰

۲-۲-۳-۴-نخبه گزینی. ۹۰

۲-۲-۴- عملگرهای تغییر. ۹۰

۲-۲-۴-۱-عملگر Crossover 91

2-2-4-2-عملگر جهش ژنتیکی. ۹۲

۲-۲-۴-۳-احتمال  Crossover و جهش.. ۹۳

۲-۲-۵- کدبرداری.. ۹۳

۲-۲-۶-دیگر پارامترها ۹۴

۲-۴-مزایای الگوریتم های ژنتیک… ۹۶

۲-۵- محدودیت های الگوریتم های ژنتیک… ۹۷

۲-۶-چند نمونه از کاربرد های الگوریتم های ژنتیک… ۹۸

۲-۶-۱-یک مثال ساده ۹۹

نسل اول. ۱۰۰

نسل بعدی.. ۱۰۲

جهش(Mutation) 103

فصل سوم ۱۰۴

شبکه های عصبی. ۱۰۴

۳-۱-چرا از شبکه های عصبی استفاده می کنیم؟. ۱۰۵

۳-۲-سلول عصبی. ۱۰۶

۳-۳-نحوه عملکرد مغز. ۱۰۸

۳-۴-مدل ریاضی نرون. ۱۰۸

۳-۵- آموزش شبکه‌های عصبی. ۱۱۶

۳-۶-کاربرد های شبکه های عصبی. ۱۱۹

فصل چهارم ۱۲۲

محاسبات نرم ۱۲۲

۴-۱-مقدمه. ۱۲۳

۴-۲-محاسبات نرم  چیست ؟. ۱۲۶

۴-۲-۱-رابطه. ۱۲۷

۴-۲-۲-مجموعه های فازی.. ۱۳۰

۴-۲-۲-۱-توابع عضویت.. ۱۳۵

۴-۲-۲-۲- عملیات اصلی. ۱۳۷

۴-۲-۳-نقش مجموعههای فازی در دادهکاوی.. ۱۳۸

۴-۲-۳-۱- خوشه بندی.. ۱۳۹

۴-۲-۳-۲- خلاصه سازی دادهها ۱۴۰

۴-۲-۳-۳- تصویر کاوی.. ۱۴۱

۴-۲-۴- الگوریتم  ژنتیک… ۱۴۲

۴-۲-۵-نقش الگوریتم ژنتیک در داده کاوی.. ۱۴۹

۴-۲-۵-۱- رگرسیون. ۱۴۹

۴-۲-۵-۲-  قوانین انجمنی. ۱۵۰

۴-۳- بحث و نتیجه گیری.. ۱۵۳

فصل پنجم ۱۵۵

ابزارهای داده کاوی.. ۱۵۵

۵-۱- نحوه ی انتخاب ابزارداده کاوی.. ۱۵۶

۵-۳- چگونه می توان بهترین ابزار را انتخاب کرد؟. ۱۶۳

۵-۴-ابزار های داده کاوی که در ۲۰۰۷ استفاده شده است : ۱۶۵

۵-۵-داده کاوی با sqlserver 2005. 165

5-5-10-  Microsoft-Loistic-Regression. 213

5-5-11-Microsoft-Linear-Regression. 213

فصل ششم ۲۱۴

نتایج داده کاوی با SQL SERVER2005. 214

روی بانک اطلاعاتی دانشگاه آزاد قوچان. ۲۱۴

۱-۶-نتایج Data Mining With Sql Server 2005   روی بانک اطلاعاتی دانشگاه آزاد قوچان. ۲۱۵

۱-۶-۱-Microsoft association rule. 215

1-6-2- Algorithm cluster 216

1-6-3- Neural network. 216

1-6-4- Modle naive-bayes. 217

1-6-5-Microsoft Tree Viewer 220

تعداد خواهر وبرادران دانشجویان ورودی سال ۷۴ حدودا بین ۱-۲ تاطبق آمار بوده است . ۲۲۰

۷-۱-نتیجه گیری.. ۲۲۱

منابع وماخذ ۲۲۳

 

چکیده:


بررسی ومطالعه ی کامل داده کاوی و داده کاوی با SQL SERVER2005
پیاده سازی آن روی بانک اطلاعاتی دانشگاه آزاد قوچان

امروزه با گسترش سیستم های پایگاهی و حجم بالای داده ها ی ذخیره شده در این سیستم ها ، نیاز به ابزاری است تا بتوان داده های ذخیره شده را پردازش کرد و اطلاعات حاصل از این پردازش را در اختیار کاربران قرار داد.
داده کاوی یکی از مهمترین روش ها ی کشف دانش است که به وسیله آن الگوهای مفید در داده ها با حداقل دخالت کاربران شناخته می شوند و اطلاعاتی را در اختیار کاربران و تحلیل گران قرار می دهند تا براساس آنها تصمیمات مهم و حیاتی در سازمانها اتخاذ شوند.داده کاوی را تحلیل گران با اهداف گوناگونی از قبیل کلاس بندی, پیش بینی, خوشه بندی ,تخمین انجام می دهند. برای کلاس بندی, مدل هاو الگوریتم هایی مانند قاعده ی بیز, درخت تصمیم, شبکه ی عصبی, الگوریتم ژنتیک مطرح شده است.برای پیش بینی مدل رگرسیون خطی ومنطقی و برای خوشه بندی الگوریتم های سلسله مراتبی و تفکیکی, وبرای تخمین مدل های درخت تصمیم و شبکه ی عصبی مطرح می شود. در فصل دوم و سوم با الگوریتم ژنتیک که یکی از الگوریتم های داده کاوی و با شبکه ی عصبی که یکی از مدل های داده کاوی هستند آشنا می شویم .درفصل چهارم به محاسبات نرم و برخی از اجزای اصلی ان و نقش آنها در داده کاوی می پردازیم.
در فصل پنجم با ابزارهای داده کاوی آشنا می شویم . برای داده کاوی ابزارهای متنوعی وجود دارد. می توان ابزارداده کاوی را با تطبیق آن ابزار با داده های مسئله و با توجه به محیط داده ای که می خواهید از آن استفاده کنید، و امکاناتی که آن ابزار دارد انتخاب کنید.وسپس به داده کاوی با SQLSERVER2005 می پردازیم .ودرفصل ششم به داده کاوی با SQL SERVER2005 روی بانک اطلاعاتی دانشگاه آزاد قوچان پرداختیم.
کلمات کلیدی ،کلاس بندی ، خوشه بندی ، پیش بینی ، تخمین

فصــل اول

مقدمه ای بر داده کاوی

۱-۱-مقدمه
امروزه با گسترش سیستم های پایگاهی و حجم بالای داده ها ی ذخیره شده در این سیستم ها ، نیاز به ابزاری است تا بتوان داده های ذخیره شده را پردازش کرد و اطلاعات حاصل از این پردازش را در اختیار کاربران قرار داد .با استفاده از ابزارهای گوناگون گزارش گیری معمولی ، می توان اطلاعاتی را در اختیار کاربران قرار داد تا بتوانند به نتیجه گیری در مورد داده ها و روابط منطقی میان آنها بپردازند اما وقتی که حجم داده ها خیلی بالا باشد ، کاربران هر چند زبر دست و با تجربه باشند نمی توانند الگوهای مفید را در میان حجم انبوه داده ها تشخیص دهند و یا اگر قادر به این کار هم با شوند ، هزینه عملیات از نظر نیروی انسانی و مادی بسیار بالا است .از سوی دیگر کاربران معمولا فرضیه ای را مطرح می کنند و سپس بر اساس گزارشات مشاهده شده به اثبات یا رد فرضیه می پردازند ، در حالی که امروزه نیاز به روشهایی است که اصطلاحا به کشف دانش بپردازند یعنی با کمترین دخالت کاربر و به صورت خودکار الگوها و رابطه های منطقی را بیان نمایند .
داده کاوی یکی از مهمترین این روش ها است که به وسیله آن الگوهای مفید در داده ها با حداقل دخالت کاربران شناخته می شوند و اطلاعاتی را در اختیار کاربران و تحلیل گران قرار می دهند تا براساس آنها تصمیمات مهم و حیاتی در سازمانها اتخاذ شوند .

۱-۲-عامل مسبب پیدایش داده کاوی
اصلی ترین دلیلی که باعث شده داده کاوی کانون توجهات در صنعت اطلاعات قرار بگیرد، مساله در دسترس بودن حجم وسیعی از داده ها و نیاز شدید به اینکه از این داده ها, اطلاعات و دانش سودمند استخراج کنیم. اطلاعات و دانش بدست آمده در کاربردهای وسیعی مورد استفاده قرار می گیرد.
داده کاوی را می توان حاصل سیر تکاملی طبیعی تکنولوژی اطلاعات دانست، که این سیر تکاملی ناشی از یک سیر تکاملی در صنعت پایگاه داده می باشد، نظیر عملیات جمع آوری داده ها وایجاد پایگاه داده، مدیریت داده و تحلیل و فهم داده ها.
تکامل تکنولوژی پایگاه داده و استفاده فراوان آن در کاربردهای مختلف سبب جمع آوری حجم فراوانی داده شده است. این داده های فراوان باعث ایجاد نیاز برای ابزارهای قدرتمند برای تحلیل داده ها گشته، زیرا در حال حاضر به لحاظ داده ثروتمند هستیم ولی دچار کمبود اطلاعات می باشیم.
ابزارهای داده کاوی داده ها را آنالیز می کنند و الگوهای داده ها را کشف می کنند که می توان از آن در کاربردهایی نظیر تعیین استراتژی برای کسب و کار، پایگاه دانش و تحقیقات علمی و پزشکی، استفاده کرد. شکاف موجود بین داده ها و اطلاعات سبب ایجاد نیاز برای ابزارهای داده کاوی شده است تا داده های بی ارزش را به دانشی ارزشمند تبدیل کنیم .

۱
-۳-داده کاوی و مفهوم اکتشاف دانش (K.D.D)
با حجم عظیم داده های ذخیره شده در فایلها، بانکهای اطلاعاتی و سایر بانک های داده ای، توسعه ی ابزارهایی برای تحلیل و شاید تفسیر چنین داده هایی و برای استخراج علوم شگفت انگیزی که می توانند در تصمیم گیری مفید باشند، امری بسیار مهم و ضروری است. داده کاوی با عنوان کشف دانش در پایگاه های داده (KDD) شناخته می‌شود. کشف علومی که قبلا ناشناخته بوده‌اند و اطلاعاتی که در بانکهای اطلاعاتی موجود بوده و ذاتا بالقوه و مفید هستند.
با وجود آنکه داده کاوی و کشف دانش در پایگاه‌های داده مترادف همدیگر هستند، ولی در اصل، داده کاوی ذاتاً بخشی و تنها قسمتی جزئی از فرآیند کشف دانش است. فرآیند کشف دانش در بر گیرنده ی چندین مرحله می باشد که از اطلاعات خام، گونه هایی از علوم جدید را بدست می دهد. مراحل کشف دانش به قرار زیر است:
۱- پاکسازی داده ها : در این فاز داده های اضافی و نامربوط از مجموعه داده ها حذف می شوند.(داده های ناکامل) [۲] ۲-یکپارچه سازی داده ها : چندین منبع داده ترکیب می شوند،

 

 

 

 


دانلود با لینک مستقیم

دانلود پایان نامه کارشناسی کامپیوتر پیرامون داده کاوی

اختصاصی از کوشا فایل دانلود پایان نامه کارشناسی کامپیوتر پیرامون داده کاوی دانلود با لینک مستقیم و پرسرعت .

دانلود پایان نامه کارشناسی کامپیوتر پیرامون داده کاوی


دانلود پایان نامه کارشناسی کامپیوتر پیرامون داده کاوی

 

 

 

 

 

 

 

 

 



فرمت:word(قابل ویرایش)

تعداد صفحات:144

 پایان نامه مقطع کارشناسی کامپیوتر

 

چکیده

 

بسیاری از فروشگاهها پس از گذشت یک ربع قرن از آغاز فعالیت، هنوز مشتری وفادار خود را دارند. این وفاداری تصادفی نیست. اداره کنندگان این فروشگاهها به سلایق و نیازهای مشتریان خویش واقف شده اند و توان مالی خرید آنها را می شناسند. وقتی کسی از آنها راهنمایی بخواهد پاسخ آنها براساس دانش اندوخته شان در مورد ذائقه و بودجه آن مشتری و همچنین دانش شان در باره محصولات خودشان خواهد بود.

افرادی که به این فروشگاه رفت و آمد دارند در مورد کالاهای آن فروشگاه چیزهای زیادی می دانند. هر چند این دانش یکی از دلایل آنها برای ایجاد خرید از آنجاست و به همین دلیل به فروشگاه های دیگر نمی روند ولی داشتن اطلاعات خودمانی و صمیمانه در باره هر شخص آنها را مشتری دائمی آنجا می کند و به یک مغازه مشابه دیگر در آنطرف خیابان و روبروی همین فروشگاه نمی روند و برخوردار بودن این فروشگاه از اطلاعات خودمانی و صمیمانه در باره هر شخص آنها را مشتری دائمی آنجام می کند . یک مغازه مشابه دیگر می تواند در آنطرف خیابان و روبروی همین مغازه باز شود ولی ماهها و حتی سالها طول می کشد تا آنها به این سطح از دانش در باره مشتریانشان دست یابند.

طبیعتاً تجارتهای کوچکی که مدیریت خوبی دارند می توانند به نحوه ایجاد رابطه با مشتریانشان پی ببرند. آنها با گذشت زمان در باره مشتریانشان به چیزهای بیشتر و بیشتری پی خواهند برد و از آن دانش برای خدمت بهتر به مشتریان استفاده خواهند نمود و نتیجه کار، مشتریان وفادار و خرسند و تجارتهای سودآور خواهد بود.

شرکتهای بزرگ با صدها هزار یا میلیونها نفر مشتری از مزیت برقراری روابط شخصی حقیقی با تک تک مشتریانشان بی بهره اند. این موسسات عظیم باید به وسایل دیگری برای برقراری رابطه با مشتریانشان تکیه نمایند. آنها باید یاد بگیرند که از آنچه که به وفور دارند یعنی داده هایی که از طریق تعامل با تک تک مشتریان به دست آمده است نهایت بهره را ببرند. این کتاب در مورد تکنیکهای تحلیلی بحث میکند که برای تبدیل داده های مشتریان به دانش در باره مشتریان استفاده میشود.

مدیریت روابط تحلیلی با مشتریان

شکی نیست که لازم است موسسات بزرگ نیز مانند تجارتهای خدمات مدار و کوچک از منافع برقراری روابط یک به یک با مشتریانشان بهره مند گردند. مدیریت روابط با مشتری موضوع گسترده ای است که در کتابها و کنفرانسهای زیادی در مورد آن بحث شده است. تمرکز این کتاب بر نقشی است که داده کاوی می تواند در بهبود مدیریت روابط با مشتری از طریق افزایش توان موسسات برای برقراری روابط با مشتریانشان ایفا کند.

در تمامی صنایع، شرکتهای آینده نگر به سمت این هدف حرکت می کنند که تمام مشتریان را به صورت فردی درک نمایند و از این شناخت برای تسهیل تجارتی استفاده نمایند که مشتری می خواهد با آنها انجام دهد به جای اینکه با رقبایشان همین تجارت را برقرار نماید. این موسسات یاد می گیرند که ارزش هر مشتری را در نظر بگیرند تا تشخیص دهند که کدام یک از مشتریان ارزش سرمایه گذاری و صرف تلاش مداوم را دارند و دور کدام یک را باید خط کشید. این تغییر نگرش و تمرکز بر مشتریان فردی بجای تمرکز بر بخشهای وسیع بازار نیازمند تغییر در کل شرکت است و مطمئناً به بخشهای بازاریابی، فروش و پشتیبانی مشتریان هم سرایت می نماید.

برای بیشتر شرکتها استقرار یک تجارت حول روابط با مشتریان تغییری بنیادین است. بانکها همواره به حفظ تعادل بین هزینه ای که به سرمایه گذاران در بانک می پردازند و سود حاصل از وامهای پرداختی به وام گیرندگان توجه می کنند. شرکتهای مخابرات بر نوع و چگونگی ارتباطات تلفنی مشتریان توجه دارند. شرکتای بیمه بر تعادل پرداخت خسارات بیمه گذاران و مدیریت سرمایه گذاریهای انجام یافته با پول حال از دریافت حق بیمه ها متمرکز شده اند. داده کاوی کمک می کند تا نهادی محصول مدار به نهادی مشتری مدار تبدیل شود. داده کاوی به تعبیری دقیق تر به مجموعه ای از ابزارها و تکنیکها اطلاق می شود و یکی از چند تکنولوژی لازم برای حمایت از شرکتی مشتری مدار می باشد. از منظری وسیعتر داده کاوی دیدگاهی است که مطابق آن اعمال تجاری باید براساس یادگیری باشند، دیدگاهی که در آن تصمیمات آگاهانه بهتر از تصمیمات بدون آگاهی هستند. داده کاوی ، موثر واقع شود باید سایر نیازمندیهای مدیریت ارتباط با مشتریان نیز برآورده شود. یک شرکت به منظور ایجاد رابطه ای یادگیرنده با مشتریان خود باید قادر باشد:

    متوجه آنچه مشتریانش انجام می دهند باشد.
    عملکرد شرکت و مشتریان شرکت در طول دورانهای مختلف را همیشه به یاد داشته باشد.
    از آنچه به یاد می آورد درس بگیرد.
    براساس آنجه یاد گرفته عمل کند تا مشتریانش سودآورتر باشند.

اگرچه تمرکز این کتاب بر گزینه سوم یعنی درس گرفتن از آنچه در گذشته رخ داده می باشد ولی باید گفت یادگیری در خلا اتفاق نمی افتد. باید سیستمهای پردازش تعاملات برای پی بردن به تعاملات مشتریان، انبار داده ها برای ذخیره اطلاعات در مورد رفتارهای گذشته مشتریان و یک استراتژی برای رابطه با مشتری وجود داشته باشد تا آن برنامه ها را به مرحله عمل در آورد.

نقش سیستمهای پردازش تعاملات

یک تجارت کوچک با مشتریان خود روابطی را از طریق توجه به نیازهایشان، به یاد داشتن ترجیحاتشان و درس گرفتن از تعاملات گذشته برقرار می کند تا در آینده به آنها بهتر ارائه خدمات نماید. چگونه یک شرکت عظیم می تواند مشابه این کار را انجام دهد. وقتی این امکان هست که اغلب کارمندان آن شرکت هرگز به صورت شخصی با مشتریان رابطه نداشته باشند؟ حتی اگر تعامل با مشتری هم وجود داشته باشد ممکن است این روابط هر بار با فروشنده یا کارمند متفاوتی در مرکز تلفن برقرار شود. پس چگونه شرکت می تواند به این تعاملات توجه کند. آنها را به یاد آورد و از آنها درس بگیرد؟ چه چیزی می تواند جایگزین حس خلاق یک فروشنده شود که مشتریانش را با اسم و از روی چهره و صدا می شناسد و عادتها و ترجیحات آنها را به یاد می آورد؟ پاسخ این است که هیچ چیز نمی تواند جایگزین شود ولی این مسئله بدان معنی نیست که نمی توان سعی و تلاش کرد. از طریق به کارگیری هوشمندانه تکنولوژیهای اطلاعات حتی بزرگترین شرکتها هم می توانند به نتایج شگفت انگیزی برسند. در شرکتهای تجاری عظیم، اولین گام یعنی توجه به آنچه مشتری انجام می دهد از قبل و به صورت خودکار در آمده است. سیستمهای پردازش تعاملات همه جا هستند و ظاهراً داده هایی را در مورد همه چیز جمع آوری می کنند. نتایج ثبت شده توسط دستگاههای اتوماتیک سخن گو، سرورهای وب، اسکنرهای بارکد کالاهای فروش رفته وموارد مشابه ، تولید کننده داده های خام برای داده کاوی هستند.

 


دانلود با لینک مستقیم

دانلود پایان نامه کامل در مورد داده کاوی در مدیریت ارتباط با مشتری (تعداد صفحات )

اختصاصی از کوشا فایل دانلود پایان نامه کامل در مورد داده کاوی در مدیریت ارتباط با مشتری (تعداد صفحات ) دانلود با لینک مستقیم و پرسرعت .

دانلود پایان نامه کامل در مورد داده کاوی در مدیریت ارتباط با مشتری (تعداد صفحات )


دانلود پایان نامه کامل در مورد  داده کاوی در مدیریت ارتباط با مشتری (تعداد صفحات )

امروزه با گسترش سیستم های پایگاهی و حجم بالای داده ها ی ذخیره شده در این سیستم ها، نیاز به ابزاری است تا بتوان داده های ذخیره شده پردازش کرد و اطلاعات حاصل از این پردازش را در اختیار کاربران قرار داد. با استفاده ار پرسش های ساده در SQL و ابزارهای گوناگون گزارش گیری معمولی، می توان اطلاعاتی را در اختیار کاربران قرار داد تا بتوانند به نتیجه گیری در مورد داده ها و روابط منطقی میان آنها بپردازن د اما وقتی که حجم داده ها بالا باشد، کاربران هر چقدرحرفه ای و با تجربه باشند نمی توانند الگوهای مفید را در میان حجم انبوه داده ها تشخیص دهند و یا اگر قادر به این کار هم با شند، هزینه عملیات از نظر نیروی انسانی و مالی بسیار بالا است. بنابراین می شود گفت که درحال حاضر یک تغییر الگو از مدل سازی و تحلیل های کلاسیک برپایه اصول اولیه به مدل های درحال پیشرفت و تحلیل های مربوط بطور مستقیم از داده ها وجود دارد. داده کاوی یکی از مهمترین این روشها است که به وسیله آن الگوهای مفید در داده ها با حداقل دخالت کاربران شناخته می شوند و اطلاعاتی را در اختیار کاربران و تحلیل گران قرار می دهند تا براساس آنها تصمیمات مهم و حیاتی در سازمانها اتخاذ شوند. در داده کاوی از بخشی از به نام تحلیل اکتشافی داده ها استفاده می شود که در آن بر کشف اطلاعات نهفته و ناشناخته از درون حجم انبوه داده ها تاکید می شودبنابراین می توان گفت در داده کاوی تئوریهای پایگاه داده ها، هوش مصنوعی، یادگیری ماشین وعلم آمار را در هم می آمیزند تا زمینه کاربردی فراهم شود. باید توجه داشت که اصطلاح داده کاوی زمانی به کار برده می شود که با حجم بزرگی از داد ه ها در حد گیگابایت یا ترابایت، مواجه باشیم که از این نظر یکی از بزرگترین بازارهای هدف، انبارجامع داده ها، مراکز داده وسیستم های پشتیبانی تصمیم برای بدست آوردن تخصص هایی در صنایعی مثل شبکه های توزیع مویرگی، تولیدف مخابرات، بیمه و …می باشد.

مدیریت ارتباط با مشتری به همه فرآیندها و فناوری هایی گفته می شود که در شرکت ها و سازمان ها برای شناسایی، ترغیب، گسترش، حفظ و ارائه خدمت به مشتریان به کار می رود. سازمان ها با استفاده از CRM می توانند چرخه فروش را کوتاهتر و وفاداری مشتری به ایجاد روابط نزدیکتر و درآمد را افزایش دهند. سیستم مدیریت روابط با مشتری می تواند کمک کند تا مشتریان موجود حفظ شوند و مشتریان جدیدی جذب شوند. سازمان ها برخی روش هایی را شامل مدیریت ارتباط با مشتری، تحلیل ارزش مشتری، استراتژی سازمانی و ساز و کارهای خدماتی که کارایی ارتباطات مشتری را بهبو د می دهد بکار می برند. مدیریت ارتباط با مشتری استراتژی ای برای کسب مشتریان جدید و نگهداشتن آنها است. مدیریت ارتباط با مشتری عملیاتی شامل تمام فعالیتهای مرتبط با مشتریان بی واسطه همچون شرکتها می باشد. ارتباط بین این دو( داده کاوی و مدریت ارتباط با مشتری) خیلی مهم و اساسی می باشد زیرا شر کت ها با داده کاوی خواسته های مشتریان خود را می شناسند و بر اساس با آن به مشتریان خود سرویس می دهند در این مقاله در بخش اول با مقدمه ای از داده کاوی و تاریخچه ای در این مورد را برسی می کنیم و در بخش بعد با داده کاوی اشنا می شویم بعد با وب کاوی که اساس بسیاری از شرکت ها برای استخراج داده های خام از پرتال های خود هستند اشنا می شویم در بخش چهارم با مدریت ارتباط با مشتری اشنا می شویم و در فصل آخر ارتباط بین این دو را برسی می کنیم

فهرست :

چکیده

 فصل اول مقدمه

 مقدمه

 تاریخچه

 فصل دوم داده کاوی

 تعریف داده کاوی

 تعریف جامع

 مراکز داده چیست

 برخی از کاربرد های داده کاوی در محیط واقعی

 چرخه تعالی داده کاوی

 فرآیند داده کاوی

 مدل ها ، پروفایل سازی و پیش بینی

 پروفایل سازی

 متدلوژی

 دیگر نظریه ها

 وظایف داده کاوی

 آماده سازی داده ها

 فصل سوم وب کاوی

 وب کاوی

 روش های وب کاوی

 فصل چهارم مدیریت ارتباط با مشتری

 تاریخچه

 مشتری کیست

 مدیریت ارتباط با مشتری

 نقش مدیران ارشد در ارتباط با مشتریان

 مزایای بکار گیری سیستم های مدیریت ارتباط با مشتری

 چارچوب گارتنر

 اندازه گیری رضایت مشتری

تفاوت  CSM و CRM

 فصل پنجم ارتباط بین داده کاوی و مدیریت ارتباط با مشتری

 ارتباط بین داده کاوی و مدیریت ارتباط با مشتری

 مدیریت ارتباط با مشتری

نتیجه گیری

منابع و ماخذ


دانلود با لینک مستقیم