شرح مختصر : امروزه در دانش پزشکی جمع آوری داده های فراوان در مورد بیماری های مختلف از اهمیت فراوانی برخوردار است. مراکز پزشکی با مقاصد گوناگونی به جمع آوری این داده ها می پردازند . تحقیق روی این داده ها و به دست آوردن نتایج و الگوهای مفید در رابطه با بیماری ها ،یکی از اهداف استفاده از این داده ها است . حجم زیاد این داده ها و سردرگمی حاصل از آن مشکلی است که مانع رسیدن به نتایج قابل توجه می شود . بنابراین از داده کاوی برای غلبه بر این مشکل و به دست آوردن روابط مفید بین عوامل خطر زا در بیماری ها استفاده می شود. این مقاله به معرفی داده کاوی وکاربردآن در صنعت پزشکی (پیش بینی بیماری) با استفاده از الگوریتم های داده کاوی به همراه نرم افزارهای مرتبط با آن پرداخته استقهرست :فصل اول : مقدمهمقدمهشرح و بیان مسئلههدف تحقیقاهمیت و کاربرد نتایج تحقیقمحدودیتتعریف عملیاتی واژگانفصل دوم : مفاهیم داده کاویتاریخچهموضوع داده کاوی چیست؟تعاریف داده کاویتفاوت داده کاوی و آنالیزهای آماریکاربرد های داده کاویچند مثال در مورد مفهوم داده کاویمراحل داده کاویمرحله اول: Business Understandingمرحله دوم: Data Understandingجمع آوری داده هابحث شرح و توصیف داده هامرحله سوم: Data PreparationData selecting :انتخاب دادهمرحله چهارم: Modellingمرحله پنجم: Evaluationمرحله ششم: Deploymentمفاهیم اساسی در داده کاویBaggingBoostingMetaLearningعناصر داده کاویتکنیک های داده کاویدسته بندیخوشه بندیرگرسیون گیریتجمع وهمبستگیدرخت تصمیم گیریالگوریتم ژنتیکشبکه های عصبی مصنوعیگام نهایی فرآیند داده کاوی،گزارش دادن استتکنولوژی های مرتبط با داده کاویانبار دادهOLAPمحدودیت هافصل سوم : کاربرد داده کاوی در پزشکیداده کاوی در عرصه سلامتاستراتژی های داده کاوینمونه هایی از کاربرد داده کاوی در سلامتمقایسه الگوریتم های هوشمند در شناسایی بیماری دیابتدسته بندی کننده Baggingدسته بندی کننده Naïve Bayseدسته بندی کننده SVMدسته بندی کننده Random Forestدسته بندی کننده Cفصل چهارم :درخت تصمیم وپیاده سازی نرم افزار وکااهدااف اصلی درخت های تصمیم گیری دسته بندی کنندهگام های لازم برای طراحی یک درخت تصمیم گیریجذابیت درختان تصمیمبازنمایی درخت تصمیممسائل مناسب برای یادگیری درخت تصمیممسائل در یادگیری درخت تصمیماورفیتینگ داده هاانواع روش های هرس کردنعام سازی درختمزایای درختان تصمیم نسبت به روش های دیگر داده کاویمعایب درختان تصمیمانواع درختان تصمیمدرختان رگراسیونالگوریتم IDالگوریتم Idhatاالگوریتم idالگوریتم idhatالگوریتم Cartالگوریتم Cنرم افزار های داده کاوینرم افزار WEKAقابلیت های WEKAنرم افزار JMPقابلیت های JMPپیاده سازی نرم افزار وکاپیاده سازی توسط الگوریتم Naïve Bayseپیاده سازی توسط الگوریتم Decision Treesایجاد مدل رگرسیونایجاد مدل خوشه بندیپیاده سازی با الگوریتم نزدیک ترین همسایهبرگه visualizeفصل پنجم:بحث ونتیجه گیریبحثنتیجه گیریپیشنهاداتمنابع
دانلود پایان نامه داده کاوی و کاربرد آن در تشخیص بیماری ها ( دیابت )
شرح مختصر : امروزه در دانش پزشکی جمع آوری داده های فراوان در مورد بیماری های مختلف از اهمیت فراوانی برخوردار است. مراکز پزشکی با مقاصد گوناگونی به جمع آوری این داده ها می پردازند . تحقیق روی این داده ها و به دست آوردن نتایج و الگوهای مفید در رابطه با بیماری ها ،یکی از اهداف استفاده از این داده ها است . حجم زیاد این داده ها و سردرگمی حاصل از آن مشکلی است که مانع رسیدن به نتایج قابل توجه می شود . بنابراین از داده کاوی برای غلبه بر این مشکل و به دست آوردن روابط مفید بین عوامل خطر زا در بیماری ها استفاده می شود. این مقاله به معرفی داده کاوی وکاربردآن در صنعت پزشکی (پیش بینی بیماری) با استفاده از الگوریتم های داده کاوی به همراه نرم افزارهای مرتبط با آن پرداخته استقهرست :فصل اول : مقدمهمقدمهشرح و بیان مسئلههدف تحقیقاهمیت و کاربرد نتایج تحقیقمحدودیتتعریف عملیاتی واژگانفصل دوم : مفاهیم داده کاویتاریخچهموضوع داده کاوی چیست؟تعاریف داده کاویتفاوت داده کاوی و آنالیزهای آماریکاربرد های داده کاویچند مثال در مورد مفهوم داده کاویمراحل داده کاویمرحله اول: Business Understandingمرحله دوم: Data Understandingجمع آوری داده هابحث شرح و توصیف داده هامرحله سوم: Data PreparationData selecting :انتخاب دادهمرحله چهارم: Modellingمرحله پنجم: Evaluationمرحله ششم: Deploymentمفاهیم اساسی در داده کاویBaggingBoostingMetaLearningعناصر داده کاویتکنیک های داده کاویدسته بندیخوشه بندیرگرسیون گیریتجمع وهمبستگیدرخت تصمیم گیریالگوریتم ژنتیکشبکه های عصبی مصنوعیگام نهایی فرآیند داده کاوی،گزارش دادن استتکنولوژی های مرتبط با داده کاویانبار دادهOLAPمحدودیت هافصل سوم : کاربرد داده کاوی در پزشکیداده کاوی در عرصه سلامتاستراتژی های داده کاوینمونه هایی از کاربرد داده کاوی در سلامتمقایسه الگوریتم های هوشمند در شناسایی بیماری دیابتدسته بندی کننده Baggingدسته بندی کننده Naïve Bayseدسته بندی کننده SVMدسته بندی کننده Random Forestدسته بندی کننده Cفصل چهارم :درخت تصمیم وپیاده سازی نرم افزار وکااهدااف اصلی درخت های تصمیم گیری دسته بندی کنندهگام های لازم برای طراحی یک درخت تصمیم گیریجذابیت درختان تصمیمبازنمایی درخت تصمیممسائل مناسب برای یادگیری درخت تصمیممسائل در یادگیری درخت تصمیماورفیتینگ داده هاانواع روش های هرس کردنعام سازی درختمزایای درختان تصمیم نسبت به روش های دیگر داده کاویمعایب درختان تصمیمانواع درختان تصمیمدرختان رگراسیونالگوریتم IDالگوریتم Idhatاالگوریتم idالگوریتم idhatالگوریتم Cartالگوریتم Cنرم افزار های داده کاوینرم افزار WEKAقابلیت های WEKAنرم افزار JMPقابلیت های JMPپیاده سازی نرم افزار وکاپیاده سازی توسط الگوریتم Naïve Bayseپیاده سازی توسط الگوریتم Decision Treesایجاد مدل رگرسیونایجاد مدل خوشه بندیپیاده سازی با الگوریتم نزدیک ترین همسایهبرگه visualizeفصل پنجم:بحث ونتیجه گیریبحثنتیجه گیریپیشنهاداتمنابع