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 اول– مقدمه 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
======
دیدگاهتان را بنویسید