شرح مختصر : امروزه با گسترش سیستم هاي پايگاهی و حجم بالاي داده ها ي ذخیره شده در اين سیستم ها ، نیاز به ابزاري است تا بتوان داده هاي ذخیره شده را پردازش کردواطلاعات حاصل از اين پردازش را در اختیار کاربران قرار داد. با استفاده از پرسش هاي ساده در SQL و ابزارهاي گوناگون گزارش گیري معمولی ، می توان اطلاعاتی را در اختیار کاربران قرار داد تا بتوانند به نتیجه گیري 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 الگوهاي مفید را در میان حجم انبوه داده ها تشخیص دهند و يا اگر قادر به اين کار هم با شند ، هزينه عملیات از نظر نیروي انسانی و مادي بسیار بالا است. از سوي ديگر کاربران معمولا فرضیه اي را مطرح می کنند و سپس بر اساس گزارشات مشاهده شده به اثبات يا رد فرضیه می پردازند ، در حالی که امروزه نیاز به روشهايی است که اصطلاحا به کشف دانش بپردازند يعنی با کمترين دخالت کاربر و به صورت خودکار الگوها و رابطه هاي منطقی را بیان نمايند. داده کاوي يکی از مهمترين اين روشها است که به وسیله آن الگوهاي 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 کاوي 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 اين داده کاوي با هوش مصنوعی و يادگیري ماشین نیز ارتباط تنگاتنگی دارد ، بنابراين می توان گفت در داده کاوي تئوريهاي پايگاه داده ها ، هوش مصنوعی ، يادگیري ماشین و علم آمار را در هم می آمیزند تا زمینه کاربردي فراهم شود. بايد توجه داشت که اصطلاح داده کاوي زمانی به کار برده می شود که با حجم بزرگی از داده ها ، در حد مگا يا ترابايت ، مواجه باشیم . در تمامی منابع داده کاوي بر اين 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 کاوي به عنوان يکی از روشهاي کشف دانش ، روشن تر می گردد.فهرست :چکیدهمقدمهفصل اول – مفاهیم داده کاویمديريت ذخیره سازی و دستیابی اطلاعاتساختار بانک اطلاعاتی سازمانداده کاوی (Data Mining)مفاهیم پايه در داده کاويتعريف داده کاويمراحل فرايند کشف دانش از پايگاه داده هاالگوريتم هاي داده کاويآماده سازی داده برای مدل سازیدرک قلمروابزارهاي تجاري داده کاوي Tools DM Commercialمنابع اطلاعاتی مورد استفادهمحدوديت هاي داده کاويحفاظت از حريم شخصی در سیستم های داده کاویفصل دوم کاربردهای داده کاویکاربرد داده کاوي در کسب و کار هوشمند بانکداده کاوي درمديريت ارتباط بامشتريداده کاوي و مديريت موسسات دانشگاهیداده کاوی و مديريت بهینه وب سايت هاداده کاوی و مديريت دانشکاربرد داده کاوی در آموزش عالیفصل سوم – بررسی موردی وب کاویمعماری وب کاویمشکلات ومحدوديت هاي وب کاوي در سايت هاي فارسی زبانمحتوا کاوی وبفصل چهارم – بررسی موردی داده کاوی در شهر الکترونیکزمینه دادهکاوی در شهر الکترونیککاربردهاي داده کاوي در شهر الکترونیکچالشهاي داده کاوي در شهر الکترونیکمراجع و ماخذ
دانلود پایان نامه داده کاوی، مفاهیم و کاربرد
شرح مختصر : امروزه با گسترش سیستم هاي پايگاهی و حجم بالاي داده ها ي ذخیره شده در اين سیستم ها ، نیاز به ابزاري است تا بتوان داده هاي ذخیره شده را پردازش کردواطلاعات حاصل از اين پردازش را در اختیار کاربران قرار داد. با استفاده از پرسش هاي ساده در SQL و ابزارهاي گوناگون گزارش گیري معمولی ، می توان اطلاعاتی را در اختیار کاربران قرار داد تا بتوانند به نتیجه گیري 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 الگوهاي مفید را در میان حجم انبوه داده ها تشخیص دهند و يا اگر قادر به اين کار هم با شند ، هزينه عملیات از نظر نیروي انسانی و مادي بسیار بالا است. از سوي ديگر کاربران معمولا فرضیه اي را مطرح می کنند و سپس بر اساس گزارشات مشاهده شده به اثبات يا رد فرضیه می پردازند ، در حالی که امروزه نیاز به روشهايی است که اصطلاحا به کشف دانش بپردازند يعنی با کمترين دخالت کاربر و به صورت خودکار الگوها و رابطه هاي منطقی را بیان نمايند. داده کاوي يکی از مهمترين اين روشها است که به وسیله آن الگوهاي 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 کاوي 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 اين داده کاوي با هوش مصنوعی و يادگیري ماشین نیز ارتباط تنگاتنگی دارد ، بنابراين می توان گفت در داده کاوي تئوريهاي پايگاه داده ها ، هوش مصنوعی ، يادگیري ماشین و علم آمار را در هم می آمیزند تا زمینه کاربردي فراهم شود. بايد توجه داشت که اصطلاح داده کاوي زمانی به کار برده می شود که با حجم بزرگی از داده ها ، در حد مگا يا ترابايت ، مواجه باشیم . در تمامی منابع داده کاوي بر اين 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 کاوي به عنوان يکی از روشهاي کشف دانش ، روشن تر می گردد.فهرست :چکیدهمقدمهفصل اول – مفاهیم داده کاویمديريت ذخیره سازی و دستیابی اطلاعاتساختار بانک اطلاعاتی سازمانداده کاوی (Data Mining)مفاهیم پايه در داده کاويتعريف داده کاويمراحل فرايند کشف دانش از پايگاه داده هاالگوريتم هاي داده کاويآماده سازی داده برای مدل سازیدرک قلمروابزارهاي تجاري داده کاوي Tools DM Commercialمنابع اطلاعاتی مورد استفادهمحدوديت هاي داده کاويحفاظت از حريم شخصی در سیستم های داده کاویفصل دوم کاربردهای داده کاویکاربرد داده کاوي در کسب و کار هوشمند بانکداده کاوي درمديريت ارتباط بامشتريداده کاوي و مديريت موسسات دانشگاهیداده کاوی و مديريت بهینه وب سايت هاداده کاوی و مديريت دانشکاربرد داده کاوی در آموزش عالیفصل سوم – بررسی موردی وب کاویمعماری وب کاویمشکلات ومحدوديت هاي وب کاوي در سايت هاي فارسی زبانمحتوا کاوی وبفصل چهارم – بررسی موردی داده کاوی در شهر الکترونیکزمینه دادهکاوی در شهر الکترونیککاربردهاي داده کاوي در شهر الکترونیکچالشهاي داده کاوي در شهر الکترونیکمراجع و ماخذ