عنوان مقاله

+ بررسی و مطالعه کامل داده کاوی و داده کاوی با (SQL server 2005) پیاده سازی آن روی بانک اطلاعاتی دانشگاه آزاد

فهرست مطالب

+

  • چکیده
  • فصــل اولمقدمه ای بر داده کاوی
  •  ۱-۱-مقدمه
  • ۱-۲-عامل مسبب پیدایش داده کاوی
  • ۱-۳-داده کاوی و مفهوماکتشاف دانش(KDD)
  • ۱-۳-۱-تعریف داده کاوی
  • ۱-۳-۲- فرآیند داده‌کاوی
  • ۱-۳-۳-قابلیت های داده کاوی
  •  ۱-۳-۴-چه نوع داده‌هایی مورد کاوش قرار می گیرند؟
  • ۱-۴- وظایف داده کاوی
  • ۱-۱-۴-کلاس بندی
  • ۱-۴-۲- مراحل یک الگوریتم کلاس‌بندی
  • ۱-۴-۳-انواع روش‌های کلاس‌بندی
  • ۱-۴-۳-۱- درخت تصمیم
  •  ۱-۴-۳-۱-۱- کشف تقسیمات
  • ۱-۴-۳-۱-۲- دسته بندی با درخت تصمیم
  • ۱-۴-۳-۱-۳-انواع درخت‌های تصمیم
  • ۱-۴-۳-۱-۴- نحوه‌ی هرس کردن درخت
  •  ۱-۴-۳-۲- نزدیکترین همسایگی_ K
  • ۱-۴-۳-۳-بیزی
  • ۱-۴-۳-۳-۱ تئوری بیز
  • ۱-۴-۳-۳-۲ –دسته بندی ساده بیزی
  • ۱-۴-۳-۴- الگوریتمهای ژنتیک در فصل دو با آن آشنا می شویم
  • ۱-۴-۳-۵-شبکههای عصبی
  • ۱-۴-۴- ارزیابی روش‌های کلاس‌بندی
  •  -۲-۴-۱پیش بینی
  • ۱-۴-۳-انواع روش‌های پیش بینی
  • ۱-۴-۳-۱- رگرسیون
  • ۱-۴-۳-۱ -۱- رگرسیون خطی
  • ۱-۴-۳-۱-۲-رگرسیون منطقی
  • ۱-۴-۳- خوشه بندی
  • ۱-۴-۳-۱- تعریف فرآیند خوشه‌بندی
  • ۱-۴-۳-۲-کیفیت خوشه‌بندی
  • ۱-۴-۳-۳-روش ها و الگوریتم‌های خوشه‌بندی
  • ۱-۴-۳-۳-۱-روش های سلسلهمراتبی
  • ۱-۴-۳-۳-۱-۱- الگوریتم های سلسله مراتبی
  • ۱-۴-۳-۳-۱-۱-۱-الگوریتم خوشه بندی single-linkage
  • ۱-۴-۳-۳-۲-الگوریتم‌های تفکیک
  • ۱-۴-۳-۳-۳-روش‌های متکی برچگالی
  • ۱-۴-۳-۳-۴-روش‌های متکی بر گرید
  •  ۱-۴-۳-۳-۵-روش‌‌های متکی بر مدل
  • ۱-۴-۴- تخمین
  • ۱-۴-۴-۱- درخت تصمیم
  • ۱-۴-۴-۲- شبکه ی عصبی
  • ۱-۴-۵-سری های زمانی
  • ۱-۵-کاربردهای داده کاوی
  • ۱-۶-قوانین انجمنی
  • ۱-۶-۱-کاوش قوانین انجمنی
  • ۱-۶-۲-اصول کاوش قوانین انجمنی
  • ۱-۶-۳-اصول استقرا در کاوش قوانین انجمنی
  • ۱-۶-۴-الگوریتم Apriori
  • ۱-۷-متن کاوی
  • ۱-۷-۱- مقدمه
  • ۱-۷-۲- فرآیند متن کاوی
  • ۱-۷-۳- کاربردهای متن کاوی
  • ۱-۷-۳-۱- جستجو و بازیابی
  • ۱-۷-۳-۲-گروه بندی و طبقه بندی داده
  • ۱-۷-۳-۳-خلاصه سازی
  • ۱-۷-۳-۴- روابط میان مفاهیم
  • ۱-۷-۳-۵- یافتن و تحلیل ترند ها
  • ۱-۷-۳-۵- برچسب زدن نحوی (POS)
  •  ۱-۶-۲-۷-ایجاد تزاروس و آنتولوژی به صورت اتوماتیک
  • ۱-۸-تصویر کاوی
  • ۱-۹- وب کاوی
  • فصل دوم -الگوریتم ژنتیک
  • ۱-۲-مقدمه
  • ۲-۲-اصولالگوریتمژنتیک
  •  ۲-۲-۱-کد گذاری
  • ۲-۲-۱-۱-روش های کد گذاری
  •  ۲-۲-۱-۱-۱-کدگذاری دودویی
  • ۲-۲-۱-۱-۲-کدگذاری مقادیر
  • ۲-۲-۱-۱-۳-کدگذاری درختی
  • ۲-۲-۲- ارزیابی
  •  ۲-۲-۳-انتخاب
  • ۲-۲-۳-۱-انتخاب گردونه دوار
  • ۲-۲-۳-۲-انتخاب رتبه ای
  • ۲-۲-۳-۳-انتخاب حالت استوار
  • ۲-۲-۳-۴-نخبه گزینی
  • ۲-۲-۴-عملگرهای تغییر
  • ۲-۲-۴-۱-عملگر Crossover
  •  ۲-۲-۴-۲-عملگر جهش ژنتیکی
  •  ۲-۲-۴-۳-احتمالCrossover و جهش
  • ۲-۲-۵-کدبرداری
  • ۲-۲-۶-دیگر پارامترها
  •  ۲-۴-مزایای الگوریتم های ژنتیک
  • ۲-۵- محدودیت های الگوریتم های ژنتیک
  •  ۲-۶-چند نمونه از کاربرد های الگوریتم های ژنتیک
  •  ۲-۶-۱-یک مثال ساده
  • فصل سوم-شبکه های عصبی
  • ۳-۱-چرا از شبکه های عصبی استفاده می کنیم؟
  • ۳-۲-سلول عصبی
  •  ۳-۳-نحوه عملکرد مغز
  •  ۳-۴-مدل ریاضی نرون
  •  ۳-۵-آموزش شبکه‌های عصبی
  • ۳-۶-کاربرد های شبکه های عصبی
  • فصل چهارم – محاسبات نرم
  • ۴-۱-مقدمه
  • ۴-۲-محاسبات نرمچیست ؟
  •  ۴-۲-۱-رابطه
  •  ۴-۲-۲-مجموعه های فازی
  •  ۴-۲-۲-۱-توابع عضویت
  • ۴-۲-۲-۲- عملیات اصلی
  • ۴-۲-۳-نقش مجموعه­های فازی در داده­کاوی
  • ۴-۲-۳-۱- خوشه بندی
  • ۴-۲-۳-۲- خلاصه­ سازی داده­ها
  •  ۴-۲-۳-۳- تصویر کاوی
  • ۴-۲-۴- الگوریتمژنتیک
  • ۴-۲-۵-نقش الگوریتم ژنتیک در داده کاوی
  • ۴-۲-۵-۱- رگرسیون
  • ۴-۲-۵-۲-قوانین انجمنی
  • ۴-۳-بحث و نتیجه گیری
  • فصل پنجم – ابزارهای داده کاوی
  • ۵-۱- نحوه ی انتخاب ابزارداده کاوی
  • ۵-۲-۱-ابزار SPSS-Clemantine
  • ۵-۲-۳-ابزار KXEN
  • ۵-۲-۴-مدل Insightful
  • ۵-۲-۵-مدل Affinium
  • ۵-۳- چگونه می توان بهترین ابزار را انتخاب کرد؟
  • ۵-۴-ابزار های داده کاوی که در ۲۰۰۷ استفاده شده است
  • ۵-۵-داده کاوی با sqlserver 2005
  • ۵-۵-۱-اتصال به سرورازمنوی
  • ۵-۵-۲- ایجاد Data source
  • ۵-۵-۳- ایجادData source view
  • ۵-۵-۴- ایجاد Mining structures
  • ۵-۵-۵- Microsoft association rule
  • ۵-۵-۶- Algorithm cluster
  • ۵-۵-۷- Neural network
  •  ۵-۵-۸-Modle naive-bayes
  • ۵-۵-۹-Microsoft Tree Viewer
  • ۵-۵-۱۰-Microsoft-Loistic-Regression
  • ۵-۵-۱۱-Microsoft-Linear-Regression
  • فصل ششم – نتایج دادهکاوی با SQL SERVER2005روی بانک اطلاعاتی دانشگاه آزاد قوچان
  • ·۱-۶-نتایج Data Mining With Sql Server 2005 روی بانک اطلاعاتی دانشگاه آزاد قوچان
  • ۱-۶-۱-Microsoft association rule
  •  ۱-۶-۲- Algorithm cluster
  • ۱-۶-۳- Neural network
  • ۱-۶-۴- Modle naive-bayes
  • ۱-۶-۵-Microsoft Tree Viewer
  • ۷-۱-نتیجه گیری
  • منابع وماخذ

======