چکیده:
دردو دهه قبل تواناييهای فنی بشر برای توليد و جمعآوری دادهها به سرعت افزايش يافته است. عواملی نظير استفاده گسترده از بارکد برای توليدات تجاری، به خدمت گرفتن کامپيوتر در کسبوکار، علوم، خدمات دولتی و پيشرفت در وسائل جمعآوری داده، از اسکن کردن متون و تصاوير تا سيستمهای سنجش از دور ماهوارهای، در اين تغييرات نقش مهمی دارند.
بطور کلی استفاده همگانی از وب و اينترنت به عنوان يک سيستم اطلاع رسانی جهانی ما را مواجه با حجم زیادی از داده و اطلاعات می‌کند. اين رشد انفجاری در دادههای ذخيره شده، نياز مبرم وجود تکنولوژیهای جديد و ابزارهای خودکاری را ايجاد کرده که به صورت هوشمند به انسان ياری رسانند تا اين حجم زياد داده را به اطلاعات و دانش تبديل کند. دادهکاوی به عنوان يک راه حل برای اين مسائل مطرح مي باشد. در يک تعريف غير رسمی دادهکاوی فرآيندی است، خودکار برای استخراج الگوهايی که دانش را بازنمايی ميکنند، که اين دانش به صورت ضمنی در پايگاه دادههای عظيم، انبارهداده[۱] و ديگر مخازن بزرگ اطلاعات، ذخيره شده است.
به لحاظ اینکه در چند سال اخیر مبحث دادهکاوی و اکتشاف دانش موضوع بسیاری از مقالات و کنفرانسها قرار گرفته و نرمافزارهای آن در بازار به شدت مورد توجه قرار گرفته، از اینرو در مقاله سعی بر آن شده تا گذری بر آن داشته باشیم.
در این مقاله درفصل مروری بر دادهکاوی خواهیم داشت . که به طور عمده به تاریخچه ، تعاریف، کاربردها وارتباط آن با انبار داده و OLAP خواهیم پرداخت. در پایان فصل مراحل فرایند کشف دانش از پایگاه دادهها را ذکر کردیم که دادهکاوی یکی از مراحل آن است.
در فصل ۲ یکی از شیوههای دادهکاوی که از سبد خرید گرفته شده است توضیح داده شده است . در این فصل به شرح قوانین ارتباطی خواهیم پرداخت که در آن بعد از دستهبندی الگوریتمها ، الگوریتم Apriori ( که یک الگوریتم پایه در این زمینه است ) و الگوریتم FP-Growth ( یک الگوریتم جدید میباشد) را با شرح یک مثال توضیح میدهیم و در آخر آن دو را با هم مقایسه میکنیم .
در فصل ۳ مباحث وبکاوی و متنکاوی را که در بسیاری از مراجع جزء کاربردهای دادهکاوی به حساب میآید شرح داده خواهد شد.
فهرست اشکال
فهرست جداول
فصل۱: مقدمه ای بر داده کاوی
۱-۱ تعریف داده کاوی
۲-۱ تاریخچه داده کاوی
۳-۱ چه چیزی سبب پیدایش داده کاوی شده است؟
۴-۱ اجزای سیستم داده کاوی
۵-۱ جایگاه داده کاوی در میان علوم مختلف
۶-۱ قابلیتهای داده کاوی
۷-۱ چرا به داده کاوی نیاز داریم؟
۸-۱ داده کاوی چه کارهایی نمی تواند انجام دهد؟
۹-۱ کاربردهای داده کاوی
۱-۹-۱ کاربردهای پیش بینی کننده
۲-۹-۱ کاربردهای توصیف کننده
۱۰-۱ ابزارهای تجاری داده کاوی
۱۱-۱ داده کاوی و انبار داده ها
۱-۱۱-۱ تعاریف انبار داده
۲-۱۱-۱ چهار خصوصیت اصلی انبار داده
۳-۱۱-۱ موارد تفاوت انبار داده و پایگاه داده
۱۲-۱ داده کاوی و OLAP …
۱-۱۲-۱ OLAP
۲-۱۲-۱ انواع OLAP
۱۳-۱ مراحل فرایند کشف دانش از پایگاه داده ها
۱-۱۳-۱ انبارش داده ها
۲-۱۳-۱ انتخاب داده ها
۳-۱۳-۱ پاکسازی- پیش پردازش- آماده سازی
۴-۱۳-۱ تبدیل داده ها
۵-۱۳-۱ کاوش در داده ها (Data Mining) .
۶-۱۳-۱ تفسیر نتیجه
فصل ۲: قوانین ارتباطی
۱-۲ قوانین ارتباطی
۲-۲ اصول پایه
۱-۲-۲ شرح مشکل جدی
۲-۲-۲ پیمایش فضای جستجو
۳-۲-۲ مشخص کردن درجه حمایت مجموعه اقلام
۳-۲ الگوریتمهای عمومی
۱-۳-۲ دسته بندی
۲-۳-۲ BFS و شمارش رویداد ها
۳-۳-۲ BFS و دونیم سازی TID-list
۴-۳-۲ DFS و شمارش رویداد ..
۵-۳-۲ DFS و دو نیم سازی TID-list
۴-۲ الگوریتم Apriori
۱-۴-۲ مفاهیم کلیدی
۲-۴-۲ پیاده سازی الگوریتم Apriori
۳-۴-۲ معایب Apriori و رفع آنها
۵-۲ الگوریتم رشد الگوی تکرارشونده
۱-۵-۲ چرا رشد الگوی تکرار سریع است؟
۶-۲ مقایسه دو الگوریتم Apriori و FP-growth
۷-۲ تحلیل ارتباطات
فصل ۳: وب کاوی و متن کاوی
۱-۳ وب کاوی
۱-۱-۳ الگوریتمهای هیتس و لاگسام
۲-۱-۳ کاوش الگوهای پیمایش مسیر
۲-۳ متن کاوی
۱-۲-۳ کاربردهای متن کاوی
۱-۱-۲-۳ جستجو و بازیابی
۲-۱-۲-۳ گروه بندی و طبقه بندی
۳-۱-۲-۳ خلاصه سازی
۴-۱-۲-۳ روابط میان مفاهیم
۵-۱-۲-۳ یافتن و تحلیل گرایشات
۶-۱-۲-۳ برچسب زدن نحوی (pos)
۷-۱-۲-۳ ایجاد Thesaurus و آنتولوژی به صورت اتوماتیک
۲-۲-۳ فرایند متن کاوی
۳-۲-۳ روشهای متنکاوی
مراجع
برچسب ها:
پروژه الگوریتم Apriori وب کاوی متن کاوی مقاله پایگاه داده