فهرست چکیده 4 مقدمه 6 فصل اول – مفاهیم داده کاوی 9 مديريت ذخيره سازی و دستيابی اطلاعات 9 ساختار بانک اطلاعاتی سازمان: 10 داده کاوی (Data Mining): 11 مفاهيم پايه در داده کاوي 13 تعريف داده کاوي 14 مراحل فرايند کشف دانش از پايگاه داده ها 16 الگوريتم هاي داده كاوي 22 آماده سازي داده براي مدل سازي 30 درک قلمرو 38 ابزارهای تجاری داده کاوی Tools DM Commercial 46 منابع اطلاعاتی مورد استفاده 47 محدودیت های داده کاوی 56 حفاظت از حریم شخصی در سیستم‌های داده‌كاوی 56 فصل دوم : کاربردهای داده کاوی 59 کاربرد داده کاوی در کسب و کار هوشمند بانک 60 داده كاوي درمديريت ارتباط بامشتري 61 کاربردهای داده کاوی در کتابخانه ها و محیط های دانشگاهی 63 داده کاوی و مدیریت موسسات دانشگاهی 65 داده کاوی و مدیریت بهینه وب سایت ها 66 داده‌كاوي و مديريت دانش 67 كاربرد داده‌كاوي در آموزش عالي 68 فصل سوم – بررسی موردی1: وب کاوی 70 معماری وب کاوی 70 مشكلات ومحدوديت هاي وب كاوي در سايت هاي فارسي زبان 75 محتوا کاوی وب 76 فصل چهارم – بررسی موردی 2 : داده کاوی در شهر الکترونیک 79 زمينه دادهکاوي در شهر الکترونيک 81 کاربردهاي دادهکاوي در شهر الکترونيک 83 چالشهاي دادهکاوي در شهر الکترونيک 88 مراجع و ماخذ 97 چکیده امروزه با گسترش سيستم هاي پايگاهي و حجم بالاي داده ها ي ذخيره شده در اين سيستم ها ، نياز به ابزاري است تا بتوان داده هاي ذخيره شده را پردازش کردواطلاعات حاصل از اين پردازش را در اختيار کاربران قرار داد . با استفاده از پرسش هاي ساده در SQL و ابزارهاي گوناگون گزارش گيري معمولي ، مي توان اطلاعاتي را در اختيار کاربران قرار داد تا بتوانند به نتيجه گيري در مورد داده ها و روابط منطقي ميان آنها بپردازند اما وقتي که حجم داده ها بالا باشد ، کاربران هر چند زبر دست و با تجربه باشند نمي توانند الگوهاي مفيد را در ميان حجم انبوه داده ها تشخيص دهند و يا اگر قادر به اين کار هم با شند ، هزينه عمليات از نظر نيروي انساني و مادي بسيار بالا است . از سوي ديگر کاربران معمولا فرضيه اي را مطرح مي کنند و سپس بر اساس گزارشات مشاهده شده به اثبات يا رد فرضيه مي پردازند ، در حالي که امروزه نياز به روشهايي است که اصطلاحا به کشف دانش بپردازند يعني با کمترين دخالت کاربر و به صورت خودکار الگوها و رابطه هاي منطقي را بيان نمايند . داده کاوي يکي از مهمترين اين روشها است که به وسيله آن الگوهاي مفيد در داده ها با حداقل دخالت کاربران شناخته مي شوند و اطلاعاتي را در اختيار کاربران و تحليل گران قرار مي دهند تا براساس آنها تصميمات مهم و حياتي در سازمانها اتخاذ شوند . در داده کاوي از بخشي از علم آمار به نام تحليل اکتشافي داده ها استفاده مي شود که در آن بر کشف اطلاعات نهفته و ناشناخته از درون حجم انبوه داده ها تاکيد مي شود . علاوه بر اين داده کاوي با هوش مصنوعي و يادگيري ماشين نيز ارتباط تنگاتنگي دارد ، بنابراين مي توان گفت در داده کاوي تئوريهاي پايگاه داده ها ، هوش مصنوعي ، يادگيري ماشين و علم آمار را در هم مي آميزند تا زمينه کاربردي فراهم شود .
فهرست چکیده 4 مقدمه 6 فصل اول – مفاهیم داده کاوی 9 مديريت ذخيره سازی و دستيابی اطلاعات 9 ساختار بانک اطلاعاتی سازمان: 10 داده کاوی (Data Mining): 11 مفاهيم پايه در داده کاوي 13 تعريف داده کاوي 14 مراحل فرايند کشف دانش از پايگاه داده ها 16 الگوريتم هاي داده كاوي 22 آماده سازي داده براي مدل سازي 30 درک قلمرو 38 ابزارهای تجاری داده کاوی Tools DM Commercial 46 منابع اطلاعاتی مورد استفاده 47 محدودیت های داده کاوی 56 حفاظت از حریم شخصی در سیستم‌های داده‌كاوی 56 فصل دوم : کاربردهای داده کاوی 59 کاربرد داده کاوی در کسب و کار هوشمند بانک 60 داده كاوي درمديريت ارتباط بامشتري 61 کاربردهای داده کاوی در کتابخانه ها و محیط های دانشگاهی 63 داده کاوی و مدیریت موسسات دانشگاهی 65 داده کاوی و مدیریت بهینه وب سایت ها 66 داده‌كاوي و مديريت دانش 67 كاربرد داده‌كاوي در آموزش عالي 68 فصل سوم – بررسی موردی1: وب کاوی 70 معماری وب کاوی 70 مشكلات ومحدوديت هاي وب كاوي در سايت هاي فارسي زبان 75 محتوا کاوی وب 76 فصل چهارم – بررسی موردی 2 : داده کاوی در شهر الکترونیک 79 زمينه دادهکاوي در شهر الکترونيک 81 کاربردهاي دادهکاوي در شهر الکترونيک 83 چالشهاي دادهکاوي در شهر الکترونيک 88 مراجع و ماخذ 97 چکیده امروزه با گسترش سيستم هاي پايگاهي و حجم بالاي داده ها ي ذخيره شده در اين سيستم ها ، نياز به ابزاري است تا بتوان داده هاي ذخيره شده را پردازش کردواطلاعات حاصل از اين پردازش را در اختيار کاربران قرار داد . با استفاده از پرسش هاي ساده در SQL و ابزارهاي گوناگون گزارش گيري معمولي ، مي توان اطلاعاتي را در اختيار کاربران قرار داد تا بتوانند به نتيجه گيري در مورد داده ها و روابط منطقي ميان آنها بپردازند اما وقتي که حجم داده ها بالا باشد ، کاربران هر چند زبر دست و با تجربه باشند نمي توانند الگوهاي مفيد را در ميان حجم انبوه داده ها تشخيص دهند و يا اگر قادر به اين کار هم با شند ، هزينه عمليات از نظر نيروي انساني و مادي بسيار بالا است . از سوي ديگر کاربران معمولا فرضيه اي را مطرح مي کنند و سپس بر اساس گزارشات مشاهده شده به اثبات يا رد فرضيه مي پردازند ، در حالي که امروزه نياز به روشهايي است که اصطلاحا به کشف دانش بپردازند يعني با کمترين دخالت کاربر و به صورت خودکار الگوها و رابطه هاي منطقي را بيان نمايند . داده کاوي يکي از مهمترين اين روشها است که به وسيله آن الگوهاي مفيد در داده ها با حداقل دخالت کاربران شناخته مي شوند و اطلاعاتي را در اختيار کاربران و تحليل گران قرار مي دهند تا براساس آنها تصميمات مهم و حياتي در سازمانها اتخاذ شوند . در داده کاوي از بخشي از علم آمار به نام تحليل اکتشافي داده ها استفاده مي شود که در آن بر کشف اطلاعات نهفته و ناشناخته از درون حجم انبوه داده ها تاکيد مي شود . علاوه بر اين داده کاوي با هوش مصنوعي و يادگيري ماشين نيز ارتباط تنگاتنگي دارد ، بنابراين مي توان گفت در داده کاوي تئوريهاي پايگاه داده ها ، هوش مصنوعي ، يادگيري ماشين و علم آمار را در هم مي آميزند تا زمينه کاربردي فراهم شود .