انجام پایان نامه کلودسیم شبکه ابری
فوریه 16, 2017
شبیه سازی پایان نامه برق با سیمولینک و متلب
فوریه 19, 2017

داده‌کاوی (به انگلیسی: Data Mining) به مفهوم استخراج اطلاعات نهان و یا الگوها و روابط مشخص در حجم زیادی از داده‌ها در یک یا چند بانک اطلاعاتی بزرگ است. بسیاری از مردم داده کاوی را مترادف واژه های رایج کشف دانش از داده‌ها (KDD) می‌دانند. داده‌کاوی، پایگاه‌ها و مجموعه‌ حجیم داده‌ها را در پی کشف و استخراج، مورد تحلیل قرار می‌دهد. این گونه مطالعات و کاوش‌ها را به واقع می‌توان همان امتداد و استمرار دانش کهن و همه جا گیر آمار دانست. تفاوت عمده در مقیاس، وسعت و گوناگونی زمینه‌ها و کاربردها، و نیز ابعاد و اندازه‌های داده‌های امروزین است که شیوه‌های ماشینی مربوط به یادگیری، مدل‌سازی، و آموزش را طلب می‌نماید.

معروف‌ترین ابزارهای داده‌کاوی به ترتیب:

آر (زبان برنامه‌نویسی)

پایتون (زبان برنامه‌نویسی)

Clementine که نسخه ۱۳ ان با نام SPSS Modeler نامیده می‌شود.

نرم‌افزار وکا weka

متلب matlab

گروه آموزشی پژوهشی یارآموزان با گردآوری متخصصین حوزه داده کاوی و داده های بزرگ big data که از اساتید دانشگاه های برتر می باشند، آماده ارایه خدمات مشاوره در انجام شبیه سازی و مشاوره انجام پایان نامه می باشند.

 کتاب آموزشی مفاهیم و تکنیک های داده کاوی مناسب برای دانشجویان کارشناسی ارشد و دکتری را از اینجا دانلود کنید. در ادامه برخی از سرفصل های این کتاب آمده است.

 

استخراج دانش
انواع داده ها جهت داده کاوی
دادهکاوی و تکنیکهای آن
قوانین انجمنی
طبقه بندی
خوشه بندی
چالش های داده کاوی
آماده سازی داده ها
انبار دادهها و تکنولوژی OLAP
انبارسازی
الگوهای مکرر و قوانین انجمنی
مباحث پیشرفته در قوانین انجمنی
ارزیابی قوانین انجمنی
نکاتی پیرامون معیار پشتیبان
الگوهای غیرمکرر
الگوهای منفی و الگوهایی با همبستگی منفی
تکنیک هایی برای کاوش الگوهای غیرمکرر
تکنیک های مبتنی بر کاوش الگوهای منفی
تکنیک های مبتنی بر مقدار پشتیبان
انواع دیگری از قوانین انجمنی
صفات گسسته و قوانین انجمنی
قوانین انجمنی مقداری
سلسله مراتب مفهومی و قوانین انجمنی
طبقه بندی دادهها
روشی دیگر برای تخمین فاصلهی اطمینان
روشهای طبقه بندی و تخمین
الگوریتم درخت های تصمیم
الگوریتم  C4.5
ID3
الگوریتم  CART
الگوریتم   CHAID
طبقه بندی با کمک قانون بیز
روشهای طبقه بندی مبتنی بر یافتن شروط
الگوریتم های یادگیری قوانین
سنجش قوانین
بهینه نمودن قوانین
الگوریتم های  SVM
تفکیک پذیری خطی
تفکیک پذیر غیرخطی
طبقه بندی براساس تشابه نزدیک
نزدیکترین همسایه
رگرسیون غیرخطی و دیگر رگرسیونها
روشهای دیگر برای طبقه بندی
شبکه های عصبی
الگوریتم های ژنتیک
مجموعه های فازی
خوشه بندی
الگوریتم های خوشه بندی
معیارهای تشابه و انواع داده ها
معیارهای تشابه در داده های پیوسته
معیارهای تشابه در داده های دودویی(باینری)
معیارهای تشابه در داده های کیفی
تکنیکهای خوشه بندی مبتنی بر افراز داده ها
k-Means  الگوریتم
الگوریتم های دیگر مبتنی بر افراز داده ها
تکنیک های خوشه بندی سلسله مراتبی
معیارهای تشابه میان خوشه ها
انتخاب دو نمونه با بیشترین تشابه
انتخاب دو نمونه با کمترین تشابه
میانگین تشابه (عدم تشابه) میان زوج نمونه ها
 ROCK الگوریتم
 Chameleonالگوریتم
 DIANA الگوریتم
تکنیک های مبتنی بر تراکم
 DBSCAN  الگوریتم
 OPTICS  الگوریتم
تکنیک های مبتنی بر گرید
تکنیکهای خوشه بندی مبتنی بر مدل
الگوریتم EM
خوشهبندی مفهومی بررسی ساختار داده ها
تعداد خوشه ها
داده کاوی و بانکداری
داده کاوی و فروشگاه ها
داده کاوی و مخابرات
داده کاوی و بیوانفورماتیک
متن کاوی

فرم ثبت سفارش

 

 

پاسخ دهید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *