مراحل داده كاوي
مراحل داده كاوي
داده كاوي عبارت است از فرايند بكارگيري تكنيك هاي يادگيري كامپيوتري براي تحليل و آناليز اتوماتيك و كشف دانش از داده هاي موجود در يك پابگاه داده است.
داده كاوي فرايند كشف روابط ناشناخته و الگو ها در داده است
مراحل داده كاوي
1. پاكسازي داده : براي از بين بردن اغتشاش در داده
2. جمع آوري داده : جمع آوري داده از منابع مختلف و قراردادن در يك جا (انباره داده )
3. انتخاب داده
4. تبديل داده
5. داده كاوي : استخراج الگوها با روشهاي هوشمند
6. ارزيابي الگو : مشخص كردن الگوهاي جالب
عوامل ايجاد داده كاوي
1. سيل اطلاعات
2. معاملات كامپيوتري ، اطلاعات علمي ، اطلاعات پزشكي اشخاص ، بازيها، شبكه جهاني وب
3. كاربرد اطلاعات به عنوان كالا
4. رشد انبار هاي داده و نياز به استخراج اطلاعات مفيد
5. راهكارهاي فناوري جديد اطلاعات
6. تحقيقات و پيشرفت در علوم از جمله هوش مصنوعي
كاربردهايي از داده كاوي :
مديريت بحران، تحليل شكست، مديريت روابط مشتري (CRM)
بازاريابي، بانكداري، بيمه، حمل و نقل، پزشكي، متن كاوي، شبكه كاوي، صوت كاوي، تصوير كاوي، سيستم هوا شناسي، سيستم ثبت احوال و صنعت
شناخت الگوها و كشف روابط پنهان ميان داده ها ، پيش بيني ، كشف داده هاي خارج از الگو به منظور كشف تقلب ، شناسايي و پيش بيني نيازهاي مشتريان
كنترل كيفيت، كنترل مهندسي و پيش بيني
صنعت خرده فروشي، تحليل مالي
سلسله مراتب استراتژي هاي داده كاوي
1- يادگيري نظارتي (1- تخمين 2- پيش بيني 3- طيقه بندي )
2- بادگيري غير نظارتي
3- تحليل سبد بازار
ابزار هاي داده كاوي
l درختان تصميم گيري
l شبكه هاي عصبي (شبكه هاي عصبي كوهونن و آرت براي طبقه بندي و خوشه بندي )
l قاعده هاي استقراء
l نزديكترين همسايگي
l الگوريتمهاي ژنتيك
l طبقه بندي
l خوشه بندي
l كشف جمعي
l تصويري كردن
داده ها در داده كاوي از سه منبع بدست مي آيند:
1- انبار داده ها
2- پايگاه داده رابطه اي
3- از صفحات گسترده
Data
mining process consists of applying learning techniques to computer
analysis and automated analysis and discovery of knowledge from existing
data in a Pabgah data.
Data mining process, discovering unknown patterns in relationships is
Data mining process
1. Data cleaning: to eliminate the confusion in the data
2. Data collection: Data collected from various sources and put in a place (data storage)
3. Data Selection
4. Data conversion
5. Data mining: mining patterns with intelligent methods
6. Pattern evaluation: identifying interesting patterns
Causes of data mining
1. Flood Information
2. Computerized trading, scientific information, medical information people, games, World Wide Web
3. Information use as cargo
4. Data warehouse development and the need to extract useful information
5. New information technology solutions
6. Research and development in science, including artificial intelligence
Applications of data mining:
Crisis management, failure analysis, customer relationship management (CRM)
Marketing,
banking, insurance, transportation, medical, text mining, Web mining,
audio mining, image mining, Weather systems, registration systems and
industry
Identify
patterns and discover hidden relationships among data, forecasting,
data out of the pattern discovery to detect fraud, identify and forecast
customer needs
Quality control, engineering control and forecasting
Industry, retail, financial analysis
Hierarchy of data mining strategies
1 - Learning Supervision (1 - estimate 2 - Prediction 3 - Tyqh Classification)
2 - non-supervisory wind
3 - Market Basket Analysis
Data mining tools
l Decision Trees
l neural networks (neural networks and Kvhvnn Art for classification and clustering)
l rule of induction
l nearest neighbors
l genetic algorithms
l category
l clustering
l collective discovery
figure l
Data mining data are obtained from three sources:
1 - Data Warehouse
2 - relational database
3 - Spreadsheets
با تشکر از کسانی که با نظرات و انتقادهای خود باعث بالا رفتن کیفیت وبلاگ می شوند.