پایان نامه داده کاوی، مفاهیم و کاربردفهرست مقاله:چکیدهمقدمهفصل اول – مفاهیم داده کاویمدیریت ذخیره سازی و دستیابی اطلاعاتساختار بانک اطلاعاتی سازمانداده کاوی (Data Mining)مفاهیم پایه در داده کاویتعریف داده کاویمراحل فرایند کشف دانش از پایگاه داده هاالگوریتم های داده کاویآماده سازی داده برای مدل سازیدرک قلمروابزارهای تجاری داده کاوی Tools DM Commercialمنابع اطلاعاتی مورد استفادهمحدودیت های داده کاویحفاظت از حریم شخصی در سیستمهای دادهکاویفصل دوم : کاربردهای داده کاویکاربرد داده کاوی در کسب و کار هوشمند بانکداده کاوی در مدیریت ارتباط با مشتریکاربردهای داده کاوی در کتابخانه ها و محیط های دانشگاهیداده کاوی و مدیریت موسسات دانشگاهیداده کاوی و مدیریت بهینه وب سایت هادادهکاوی و مدیریت دانشکاربرد دادهکاوی در آموزش عالیفصل سوم – بررسی موردی۱: وب کاویمعماری وب کاویمشکلات و محدودیت های وب کاوی در سایت های فارسی زبانمحتوا کاوی وبفصل چهارم – بررسی موردیداده کاوی در شهر الکترونیکزمینه داده کاوی در شهر الکترونیککاربردهای داده کاوی در شهر الکترونیکچالشهای داده کاوی در شهر الکترونیکمراجع و ماخذامروزه با گسترش سیستم های پایگاهی و حجم بالای داده ها ی ذخیره شده در این سیستم ها ، نیاز به ابزاری است تا بتوان داده های ذخیره شده را پردازش کردواطلاعات حاصل از این پردازش را در اختیار کاربران قرار داد . با استفاده از پرسش های ساده در SQL و ابزارهای گوناگون گزارش گیری معمولی ، می توان اطلاعاتی را در اختیار کاربران قرار داد تا بتوانند به نتیجه گیری در مورد داده ها و روابط منطقی میان آنها بپردازند اما وقتی که حجم داده ها بالا باشد ، کاربران هر چند زبر دست و با تجربه باشند نمی توانند الگوهای مفید را در میان حجم انبوه داده ها تشخیص دهند و یا اگر قادر به این کار هم با شند ، هزینه عملیات از نظر نیروی انسانی و مادی بسیار بالا است . از سوی دیگر کاربران معمولا فرضیه ای را مطرح می کنند و سپس بر اساس گزارشات مشاهده شده به اثبات یا رد فرضیه می پردازند ، در حالی که امروزه نیاز به روشهایی است که اصطلاحا به کشف دانش بپردازند یعنی با کمترین دخالت کاربر و به صورت خودکار الگوها و رابطه های منطقی را بیان نمایند . داده کاوی یکی از مهمترین این روشها است که به وسیله آن الگوهای مفید در داده ها با حداقل دخالت کاربران شناخته می شوند و اطلاعاتی را در اختیار کاربران و تحلیل گران قرار می دهند تا براساس آنها تصمیمات مهم و حیاتی در سازمانها اتخاذ شوند . در داده کاوی از بخشی از علم آمار به نام تحلیل اکتشافی داده ها استفاده می شود که در آن بر کشف اطلاعات نهفته و ناشناخته از درون حجم انبوه داده ها تاکید می شود . علاوه بر این داده کاوی با هوش مصنوعی و یادگیری ماشین نیز ارتباط تنگاتنگی دارد ، بنابراین می توان گفت در داده کاوی تئوریهای پایگاه داده ها ، هوش مصنوعی ، یادگیری ماشین و علم آمار را در هم می آمیزند تا زمینه کاربردی فراهم شود . باید توجه داشت که اصطلاح داده کاوی زمانی به کار برده می شود که با حجم بزرگی از داده ها ، در حد مگا یا ترابایت ، مواجه باشیم . در تمامی منابع داده کاوی بر این مطلب تاکید شده است . هر چه حجم داده ها بیشتر و روابط میان آنها پیچیده تر باشد دسترسی به اطلاعات نهفته در میان داده ها مشکلتر می شود و نقش داده کاوی به عنوان یکی از روشهای کشف دانش ، روشن تر می گردد .
پایان نامه داده کاوی، مفاهیم و کاربردفهرست مقاله:چکیدهمقدمهفصل اول – مفاهیم داده کاویمدیریت ذخیره سازی و دستیابی اطلاعاتساختار بانک اطلاعاتی سازمانداده کاوی (Data Mining)مفاهیم پایه در داده کاویتعریف داده کاویمراحل فرایند کشف دانش از پایگاه داده هاالگوریتم های داده کاویآماده سازی داده برای مدل سازیدرک قلمروابزارهای تجاری داده کاوی Tools DM Commercialمنابع اطلاعاتی مورد استفادهمحدودیت های داده کاویحفاظت از حریم شخصی در سیستمهای دادهکاویفصل دوم : کاربردهای داده کاویکاربرد داده کاوی در کسب و کار هوشمند بانکداده کاوی در مدیریت ارتباط با مشتریکاربردهای داده کاوی در کتابخانه ها و محیط های دانشگاهیداده کاوی و مدیریت موسسات دانشگاهیداده کاوی و مدیریت بهینه وب سایت هادادهکاوی و مدیریت دانشکاربرد دادهکاوی در آموزش عالیفصل سوم – بررسی موردی۱: وب کاویمعماری وب کاویمشکلات و محدودیت های وب کاوی در سایت های فارسی زبانمحتوا کاوی وبفصل چهارم – بررسی موردیداده کاوی در شهر الکترونیکزمینه داده کاوی در شهر الکترونیککاربردهای داده کاوی در شهر الکترونیکچالشهای داده کاوی در شهر الکترونیکمراجع و ماخذامروزه با گسترش سیستم های پایگاهی و حجم بالای داده ها ی ذخیره شده در این سیستم ها ، نیاز به ابزاری است تا بتوان داده های ذخیره شده را پردازش کردواطلاعات حاصل از این پردازش را در اختیار کاربران قرار داد . با استفاده از پرسش های ساده در SQL و ابزارهای گوناگون گزارش گیری معمولی ، می توان اطلاعاتی را در اختیار کاربران قرار داد تا بتوانند به نتیجه گیری در مورد داده ها و روابط منطقی میان آنها بپردازند اما وقتی که حجم داده ها بالا باشد ، کاربران هر چند زبر دست و با تجربه باشند نمی توانند الگوهای مفید را در میان حجم انبوه داده ها تشخیص دهند و یا اگر قادر به این کار هم با شند ، هزینه عملیات از نظر نیروی انسانی و مادی بسیار بالا است . از سوی دیگر کاربران معمولا فرضیه ای را مطرح می کنند و سپس بر اساس گزارشات مشاهده شده به اثبات یا رد فرضیه می پردازند ، در حالی که امروزه نیاز به روشهایی است که اصطلاحا به کشف دانش بپردازند یعنی با کمترین دخالت کاربر و به صورت خودکار الگوها و رابطه های منطقی را بیان نمایند . داده کاوی یکی از مهمترین این روشها است که به وسیله آن الگوهای مفید در داده ها با حداقل دخالت کاربران شناخته می شوند و اطلاعاتی را در اختیار کاربران و تحلیل گران قرار می دهند تا براساس آنها تصمیمات مهم و حیاتی در سازمانها اتخاذ شوند . در داده کاوی از بخشی از علم آمار به نام تحلیل اکتشافی داده ها استفاده می شود که در آن بر کشف اطلاعات نهفته و ناشناخته از درون حجم انبوه داده ها تاکید می شود . علاوه بر این داده کاوی با هوش مصنوعی و یادگیری ماشین نیز ارتباط تنگاتنگی دارد ، بنابراین می توان گفت در داده کاوی تئوریهای پایگاه داده ها ، هوش مصنوعی ، یادگیری ماشین و علم آمار را در هم می آمیزند تا زمینه کاربردی فراهم شود . باید توجه داشت که اصطلاح داده کاوی زمانی به کار برده می شود که با حجم بزرگی از داده ها ، در حد مگا یا ترابایت ، مواجه باشیم . در تمامی منابع داده کاوی بر این مطلب تاکید شده است . هر چه حجم داده ها بیشتر و روابط میان آنها پیچیده تر باشد دسترسی به اطلاعات نهفته در میان داده ها مشکلتر می شود و نقش داده کاوی به عنوان یکی از روشهای کشف دانش ، روشن تر می گردد .