دانلود پایان نامه کاربرد داده کاوی در کشف دانش پنهان میان داده های سامانه 137 شهرداری تهران

اختصاصی از کوشا فایل دانلود پایان نامه کاربرد داده کاوی در کشف دانش پنهان میان داده های سامانه 137 شهرداری تهران دانلود با لینک مستقیم و پرسرعت .

دانلود پایان نامه کاربرد داده کاوی در کشف دانش پنهان میان داده های سامانه 137 شهرداری تهران

چکیده

شهرداری یکی از کلیدی ترین سازمان هایی است که در ارائه ی خدمات شهری به شهروندان نقش مهمی ایفا می کند. این سازمان با به کار بستن دانش فن آوری اطلاعات و سیستم های مخابراتی و نیز توان متخصصان داخلی و مجرب در مدیریت شهری، سامانه ای را ایجاد نموده است که شهروندان را نسبت به محیط زندگی خویش وارد عرصه مدیریت می نماید و تلاش نموده امور شهری را با مشارکت فعال همین شهروندان به انجام رساند. از این رو می توان سامانه ی 137 را بانک اطلاعاتی دانست که داده های ارزشمندی در زمینه ی مسایل شهری در آن جای گرفته است.

اطلاعات حاصل از این سامانه، حاوی مطالب مفیدی در مورد خدمات ارائه شده به شهروندان است و می تواند به عنوان منبعی مهم و مناسب در انجام تحلیل های داده کاوی مورد استفاده قرار بگیرد. به عنوان نمونه با استفاده از این تحلیل ها می توان وقایع و مشکلاتی که ممکن است در آینده گریبان شهر را بگیرد پیش بینی کرد و آماده مقابله با این مشکلات شد.

در این تحقیق که از نوع تحقیقات کاربردی –توصیفی محسوب می شود، داده های سال 1389 سامانه 137 با استفاده از نرم افزار کلمنتاین 12 برای انجام فرایند داده کاوی مورد استفاده قرار گرفته است. یکی از نتایج این تحقیق تعیین همگنی مناطق از منظر سامانه 137 با استفاده از تکنیک خوشه بندی به دو دسته است؛ که نشان می دهد مناطقی که در دسته دوم قرار گرفته اند آمادگی و آگاهی بیشتری برای برقراری ارتباط با سامانه دارند و میزان تماس بالاتر شهروندان این مناطق ارتباطی با مشکلات بیشتر آن ها ندارد.

هم چنین با استفاده از قوانین وابستگی ارتباط میان مشکلات، مناطق و نواحی مورد بررسی قرار گرفته است و مشخص گردید کدام نواحی در هر منطقه بیشتر مستعد بروز برخی مشکلات و معضلات شهری هستند که شهرداری می تواند با کسب آمادگی بیشتر از بروز آن جلوگیری نماید.

علاوه بر آن، نتایج به دست آمده، الگوهای جالبی را نیز در پیش بینی تعداد تماس های مربوط به آب گرفتگی و آب افتادگی یک منطقه بر اساس میزان بارش و یا تعیین وابستگی میان پیام های آب گرفتگی بین نواحی مختلف یک منطقه خاص به دست داد.

انتظار می رود نتایج به دست آمده در مدیریت مشکلات شهری و افزایش سطح رضایت مندی شهروندان موثر واقع شود.

فهرست مطالب

عنوان                                                                                                                                 صفحه

فصل اول: کلیات

مقدمه. 1

1-1-   بیان مساله. 2

1-2-   هدف تحقیق.. 3

1-3-   سوالات تحقیق.. 3

1-4-   اهمیت و ضرورت تحقیق.. 4

1-5-   قلمرو تحقیق.. 5

1-5-1-      از منظر سازمانی.. 5

1-5-2-      از منظر زمانی و مکانی.. 5

1-5-3-      از منظر موضوعی.. 5

1-6-   روش تحقیق و جمع آوری اطلاعات.. 5

1-7-   تعریف واژه ها و اصطلاحات فنی.. 6

1-8-   خلاصه فصل اول. 6

فصل دوم: ادبیات تحقیق

مقدمه    8

2-1-   مبانی نظری.. 9

2-1-1-      تاریخچه داده کاوی.. 9

2-1-2-      تعریف داده کاوی.. 10

2-1-3-      انواع داده کاوی.. 11

2-1-4-      دلایل استفاده از داده کاوی.. 12

2-1-5-      پیش نیازهای یک داده کاوی موفق.. 12

2-1-6-      مراحل فرایند داده کاوی ( استاندارد CRISP-DM ) 13

2-1-6-1شناخت کسب و کار 14

2-1-6-2شناخت داده ها 14

2-1-6-3آماده سازی داده ها 15

2-1-6-4مدل سازی.. 15

2-1-6-5ارزیابی مدل. 15

2-1-6-6توسعه ی مدل. 16

2-1-7-      قابلیت های اساسی داده کاوی.. 16

2-1-7-1   طبقه بندی.......................................................................................................................................... 16

2-1-7-2   پیش بینی........................................................................................................................................... 17

2-1-7-3    تحلیل خوشه ای.. 17

2-1-7-4    تخمین.. 18

2-1-7-5    گروه بندی شباهت یا قوانین وابستگی.. 19

2-1-7-6    توصیف و نمایه سازی.. 20

2-1-8-      دسته بندی الگوریتم های داده کاوی.. 20

2-1-9-      الگوریتم های خوشه بندی.. 21

2-1-9-1روش افرازی ( تقسیم بندی) 21

2-1-9-1-1الگوریتم K-means. 22

2-1-9-2روش های سلسله مراتبی.. 22

2-1-9-3روش های مبتنی بر چگالی.. 23

2-1-10-    الگوریتم های وابستگی قواعد. 23

2-1-10-1الگوریتم Naïve. 23

2-1-10-2 الگوریتم Apriori 24

2-1-11-    الگوریتم های طبقه بندی.. 26

2-1-11-1الگوریتم درخت طبقه بندی و رگرسیون (CART) 26

2-1-11-2الگوریتم درخت تصمیم C4.5.. 27

2-1-11-3الگوریتم های شبکه های بیزین.. 29

2-2-1-      مدیریت شهری و شهرداری.. 30

2-2-2-      نقش فن آوری اطلاعات در توسعه ی مدیریت شهری.. 31

2-2-3-      معرفی سامانه مدیریت شهری 137 شهرداری تهران.. 33

2-2-3-1نحوه ی عملکرد سامانه مدیریت شهری 137. 36

2-2-3-2ماموریت های مرکز سامانه مدیریت شهری 137. 38

2-2-3-3رویکردهای اجرایی مرکز سامانه مدیریت شهری 137. 38

2-2-3-4چشم انداز مرکز سامانه مدیریت شهری 137. 39

2-2-3-5ساختار سازمانی سامانه مدیریت شهری 137. 39

2-2   مدل مفهومی تحقیق.. 40

2-3-   ادبیات یاپیشینه تحقیق.. 40

2-4-   خلاصه فصل دوم. 44

فصل سوم: روش تحقیق

مقدمه    46

3-1- نوع تحقیق   46

3-2- مدل فرایندی داده کاوی بر اساس استاندارد CRISP-DM... 47

3-2-1-      شناخت کسب و کار 47

3-2-2-      شناخت داده ها 48

3-2-3-      آماده سازی داده ها 48

3-2-4-      مدل سازی.. 49

3-2-5-      ارزیابی مدل.. 49

3-2-6-      توسعه مدل.. 49

3-3-             داده های تحقیق.. 50

3-4-             جامعه آماری, روش نمونه گیری و حجم نمونه. 50

3-5-             روش گردآوری اطلاعات و ابزار سنجش... 50

3-6-             نوع داده ها و مقیاس آن ها 51

3-7-             ساختار اجرایی تحقیق.. 51

3-7-1-      درک مساله کسب و کار 51

3-7-2-      درک داده ها 52

3-7-3-      آماده سازی داده ها 53

3-7-4-      مدل سازی.. 55

3-7-5-      ارزیابی نتایج.. 56

3-7-6-      به کارگیری مدل.. 56

3-8-             مدل اجرایی تحقیق.. 56

3-9-             خلاصه فصل سوم. 58

فصل چهارم: تجزیه و تحلیل داده ها

مقدمه   60

4-1-   توصیف داده ها 60

4-2-   تحلیل توصیفی داده ها با استفاده از جداول و نمودارهای توصیفی.. 63

4-2-1-      طبقه بندی بر اساس نوع مشکل.. 63

4-2-2-      طبقه بندی بر اساس منطقه بروز مشکل.. 66

4-2-3-      شاخص‌های توصیفی سرانه. 67

4-3-   تحلیل داده ها با استفاده از تکنیک های داده کاوی.. 70

4-3-1-      شناسایی مناطق همگن از منظر سامانه 137. 70

4-3-1-1ارزیابی خوشه ها 76

4-3-2-      پیش بینی وضعیت تماس های آب گرفتگی در هر یک از مناطق به ازای بارش هر میلیمتر باران. 77

4-3-2-1 مدل تعمیم یافته خطی.. 77

4-3-2-2مدل شبکه‌های عصبی.. 82

4-3-3       تعیین ارتباط میان آب گرفتگی نواحی مختلف یک منطقه. 84

4-3-4       تعیین نواحی مستعدتر در هر منطقه در بروز مشکلات و معضلات شهری.. 86

4-4-   خلاصه فصل چهارم. 87

فصل پنجم: بحث و نتیجه گیری

مقدمه   89

5-1-خلاصه    89

5-2-   دلایل با اهمیت بودن نتایج و دستاوردهای تحقیق.. 90

5-3-   جنبه ی نوآوری تحقیق.. 91

5-4-   نتایج تحقیق.. 91

5-4-1-      نتایج تحلیل توصیفی.. 91

5-4-2-      نتایج حاصل از تحلیل داده کاوی و ارائه ی دانش استخراج شده 94

5-4-2-1نتایج حاصل از شناسایی مناطق همگن با استفاده از روش خوشه بندی دو مرحله ای.. 94

5-4-2-2- نتایج پیش بینی تماس های آب گرفتگی در هر یک از مناطق به ازای بارش هر میلیمتر باران. 95

5-4-2-3تعیین ارتباط میان آب گرفتگی نواحی مختلف یک منطقه. 96

5-4-2-4نتایج تحلیل قوانین وابستگی برای شناسایی نواحی مستعدتر در هر منطقه در بروز مشکلات و معضلات شهری. 97

5-5- پاسخ به سوالات تحقیق.. 97

5-6- محدودیت‌های تحقیق.. 98

5-7- پیشنهادات تحقیق.. 99

5-8- پیشنهادات جهت تحقیقات آتی.. 100

5-9- خلاصه فصل پنجم.. 101

فهرست منابع     102

چکیده انگلیسی   105

دانلود پایان نامه داده کاوی در پایگاه داده های بزرگ (تعداد صفحات 103)

اختصاصی از کوشا فایل دانلود پایان نامه داده کاوی در پایگاه داده های بزرگ (تعداد صفحات 103) دانلود با لینک مستقیم و پرسرعت .

داده کاوی، فرایند مرتب سازی و طبقه بندی داده های حجیم و آشکارسازی اطلاعات مرتبط باهم می باشد. امروزه داده کاوی به عنوان یکی از ابزارهای بسیار مهم مدیران جهت شناخت وضعیت دقیق تر سازمان و همچنین کمک در اتخاذ تصمیمات مناسب کاربرد دارد. با استفاده از این تکنیک، داده های موجود در سازمان با بکارگیری ابزارهای نرم افزاری، مورد بررسی و تحلیل دقیق قرار می گیرد تا الگوهای پنهان و پیچیده ای که در آنها وجود دارد کشف و استخراج گردد. داده کاوی را می توان نسل سوم تکنولوژیهایی نامید که با داده سروکار دارند. در نسل اول یا نسل سنتی، فقط انجام پرس و جو های ساده امکان پذیر بود، مثلا تعداد فروش یک کالای خاص چقدر است؟ میزان خرید یک مشتری خاص در ماه جاری چه مبلغی است؟ در نسل دوم یا همان پردازش لحظه ای برخط (OLAP) امکان پرس و جوی همزمان چند بعدی فراهم گردید. در این روش به عنوان مثال به سوالاتی مانند: «میزان فروش محصولات به تفکیک فروشنده، خریدار و مسیر خاص چقدر است؟ » بصورت لحظه ای و با استفاده از مکعب تصمیم و گزارش ماتریسی پاسخ داده می شود. اما در نسل سوم یا همان داده کاوی فقط مساله پرس و جو و دریافت گزارش ها از داده ها نیست، بلکه از حجم انبوه داده ها، الگوهایی کشف می شود که هیچ وقت امکان کشف این الگوها در OLAP یا روش سنتی وجود نداشت. انواع اطلاعات و الگوهایی که از طریق داده کاوی بدست می آیند و کاربرد دارند عبارتند از: وابستگی، تسلسل و توالی، طبقه بندی، خوشه بندی و پیش بینی. برای استخراج این الگوها اغلب از روشهای نوینی مانند شبکه عصبی و درختهای تصمیم استفاده می شود. در عمل برای امکان انجام داده کاوی و استفاده از تکنیکهای فوق الذکر، ابتدا باید نسبت به ایجاد یک انبار داده مناسب اقدام کرد. یک انبارداده در حقیقت پایگاه داده ای است که داده های جاری و همچنین سوابق قبلی تراکنشها را در خود ذخیره کرده و با منابع خارج سازمان نیز ارتباط برقرار می کند. اهداف کلی این مقاله عبارتند از ارایه تعریف دقیقی از انبار داده، بررسی تکنیکها و کاربردهای داده کاوی و کاربرد آن در مدیریت، معرفی شبکه عصبی به عنوان یکی از روشهای اجرای داده کاوی و بیان مفهوم درخت تصمیم و ارتباط آن با داده کاوی.

فهرست :

چکیده

مقدمه ای بر داده‌کاوی

فصل اول

 چه چیزی سبب پیدایش داده کاوی شده است

 مراحل کشف دانش

 جایگاه داده کاوی در میان علوم مختلف

 داده کاوی چه کارهایی نمی تواند انجام دهد؟

 داده کاوی و انبار داده ها

 داده کاوی و OLAP

 کاربرد یادگیری ماشین و آمار در داده کاوی

فصل دوم

 توصیف داده ها در داده کاوی

 خلاصه سازی و به تصویر در آوردن داده ها

 خوشه بندی

 تحلیل لینک

فصل سوم

 مدل های پیش بینی داده ها

Classification

Regression

Time series

فصل چهارم

 مدل ها و الگوریتم های داده کاوی

 شبکه های عصبی

Decision trees

Multivariate Adaptive Regression Splines(MARS)

Rule induction

Knearest neibour and memorybased reansoning(MBR)

 رگرسیون منطقی

 تحلیل تفکیکی

 مدل افزودنی کلی (GAM)

Boosting

فصل پنجم

  سلسله مراتب انتخابها

فصل ششم

 مراحل فرایند کشف دانش از پایگاه داده های بزرگ

 انبارش داده ها

انتخاب داده ها

تبدیل داده ها

کاوش در داده ها

تفسیر نتیجه

فصل هفتم

عملیات های داده کاوی

مدل سازی پیشگویی کننده

تقطیع پایگاه داده ها

تحلیل پیوند

فصل هشتم

قابلیت هایdata mainig

داده کاوی وانبار داده ها

داده کاوی آمار ویادگیری ماشین

کاربرد های داده کاوی

داده کاوی موفق

تحلیل ارتباطات

فصل نهم

طبقه بندی

حدس بازگشتی

سری های زمانی

درخت های انتخاب

استنتاج قانون

الگوریتم های ژنتیک

فصل دهم

فرایند های داده کاوی

مدل فرایند دو سویه

فصل یازدهم

ساختن یک پایگاه داده داده کاوی

جستجوی داده

آماده سازی داده برای مدل سازی

ساختن مدل برای داده کاوی

تائید اعتبار ساده

ارزیابی وتفسیر

فصل دوازدهم

ماتریس های پیچیدگی

ایجادمعماری مدل ونتایج

فصل سیزدهم

نتیجه گیری

منابع ومآخذ

پاور پوینت رشته کامپیوتر داده کاوی با استفاده از اتوماتای یادگیر

اختصاصی از کوشا فایل پاور پوینت رشته کامپیوتر داده کاوی با استفاده از اتوماتای یادگیر دانلود با لینک مستقیم و پرسرعت .

دانلود پاور پوینت رشته کامپیوتر داده کاوی با استفاده از اتوماتای یادگیر با فرمت ppt و قابل وریایش تعداد اسلاید 53

دانلود پاور پوینت آماده

چکیده

در این مقاله یک کاوش کننده داده (data miner)  بر پایه اتوماتای یادگیر پیشنهاد شده است که LA-miner  نام گذاری شده است.

 

LA-miner  قواعد طبقه بندی را از مجموعه داده ها (data set ) به طور خودکار استخراج می کند.

 

الگوریتم پیشنهادی  بر پایه بهینه سازی که از اتوماتای یادگیر استفاده می کند بنا نهاده شده است.

نتایج عملی نشان می دهد که عملکرد LA-miner  پیشنهاد شده قابل مقایسه و در بعضی مواقع بهتر از Ant-miner  (الگوریتم کاوش کننده بر مبنای الگوریتم بهینه سازی کلونی مورچه ها) و CNZ  (الگوریتم معروف داده کاوی برای طبقه بندی) است.

فهرست

چکیده مقاله
داده کاوی
اتوماتای یادگیر
داده کاوی با استفاده از اتوماتای یادگیر
نتایج آزمایشات
منابع و ماٌخذ

این فایل بسیار کامل و جامع طراحی شده و جهت ارائه در سمینار و کنفرانس بسیار مناسب است و با قیمتی بسیار اندک در اختیار شما دانشجویان عزیز قرار می گیرد

داده کاوی

اختصاصی از کوشا فایل داده کاوی دانلود با لینک مستقیم و پرسرعت .

فرمت : Word

تعداد صفحات : 144

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.

نگاهی بر داده کاوی و کشف قوانین وابستگی

اختصاصی از کوشا فایل نگاهی بر داده کاوی و کشف قوانین وابستگی دانلود با لینک مستقیم و پرسرعت .

#چکیده

مقدمه

کشف دانش در پایگاه داده

آیا داده کاوی برای حل مسائل ما مناسب است؟

جمع آوری داده ها

بکارگیری نتایج

استراتژیهای داده کاوی

پیش گویی Perdiction

Unsupervised Clustering دسته بندی بدون کنترل

تکنیکهای داده کاوی تحت کنترل

شبکه عصبی

برگشت آماری

قوانین وابستگی

الگوریتم  Apriori

الگوریتم Aprior TID

الگوریتم partition

الگوریتم های MaxEclat,Eclat

الگوریتم با ساختار trie

الگوریتم fp-grow

ساخت fp- tree

Fp-tree شرطی

#الگوریتم برداری