بررسی و مطالعه کامل داده کاوی با (SQL server 2005) پیاده سازی آن روی بانک اطلاعاتی

پایان نامه دوره کارشناسی کامپیوتر : گرایش نرم افزار

چکیده

فصل اول: مقدمه ای بر داده کاوی

1-1-مقدمه

1-2-عامل مسبب پیدایش داده کاوی

1-3-داده کاوی و مفهوم اکتشاف دانش (KDD)

1-3-1-تعریف داده کاوی

1-3-2- فرآیند داده کاوی

1-3-3-قابلیت های داده کاوی

1-3-4-چه نوع داده هایی مورد کاوش قرار می گیرند؟

1-4- وظایف داده کاوی

1-1-4-کلاس بندی

1-4-2- مراحل یک الگوریتم کلاس بندی

1-4-3-انواع روش های کلاس بندی

1-4-3-1- درخت تصمیم 1-4-3-1-1- کشف تقسیمات

1-4-3-1-2- دسته بندی با درخت تصمیم

1-4-3-1-3-انواع درخت های تصمیم

1-4-3-1-4- نحو? هرس کردن درخت

1-4-3-2- نزدیکترین همسایگی K

1-4-3-3-بیزی 1-4-3-3-1 تئوری بیز

1-4-3-3-2 -دسته بندی ساده بیزی

1-4-3-4- الگوریتم های ژنتیک در فصل دو با آن آشنا می شویم

1-4-3-5-شبکه های عصبی

1-4-4- ارزیابی روش های کلاس بندی

-2-4-1پیش بینی

1-4-3-انواع روش های پیش بینی

1-4-3-1- رگرسیون

1-4-3-1 -1- رگرسیون خطی

1-4-3-1-2-رگرسیون منطقی

1-4-3- خوشه بندی

1-4-3-1- تعریف فرآیند خوشه بندی

1-4-3-2-کیفیت خوشه بندی

1-4-3-3-روش ها و الگوریتم های خوشه بندی

1-4-3-3-1-روش های سلسله مراتبی

1-4-3-3-1-1- الگوریتم های سلسله مراتبی

1-4-3-3-1-1-1-الگوریتم خوشه بندی single-linkage

1-4-3-3-2-الگوریتم های تفکیک

1-4-3-3-3-روش های متکی برچگالی

1-4-3-3-4-روش های متکی بر گرید

1-4-3-3-5-روش های متکی بر مدل

1-4-4- تخمین

1-4-4-1- درخت تصمیم

1-4-4-2- شبکه عصبی

1-4-5-سری های زمانی

1-5-کاربردهای داده کاوی

1-6-قوانین انجمنی

1-6-1-کاوش قوانین انجمنی

1-6-2-اصول کاوش قوانین انجمنی

1-6-3-اصول استقرا در کاوش قوانین انجمنی

1-6-4-الگوریتم Apriori

1-7-متن کاوی

1-7-1- مقدمه

1-7-2- فرآیند متن کاوی

1-7-3- کاربردهای متن کاوی

1-7-3-1- جستجو و بازیابی

1-7-3-2-گروه بندی و طبقه بندی داده

1-7-3-3-خلاصه سازی

1-7-3-4- روابط میان مفاهیم

1-7-3-5- یافتن و تحلیل ترند ها

1-7-3-5- برچسب زدن نحوی (POS)

1-6-2-7-ایجاد تزاروس و آنتولوژی به صورت اتوماتیک

1-8-تصویر کاوی

1-9- وب کاوی

فصل دوم: الگوریتم ژنتیک

1-2-مقدمه

2-2-اصول الگوریتم ژنتیک

2-2-1-کد گذاری

2-2-1-1-روش های کد گذاری

2-2-1-1-1-کدگذاری دودویی

2-2-1-1-2-کدگذاری مقادیر

2-2-1-1-3-کدگذاری درختی

2-2-2- ارزیابی

2-2-3-انتخاب

2-2-3-1-انتخاب گردونه دوار

2-2-3-2-انتخاب رتبه ای

2-2-3-3-انتخاب حالت استوار

2-2-3-4-نخبه گزینی

2-2-4-عملگرهای تغییر

2-2-4-1-عملگر Crossover

2-2-4-2-عملگر جهش ژنتیکی

2-2-4-3-احتمالCrossover و جهش

2-2-5-کدبرداری

2-2-6-دیگر پارامترها

2-4-مزایای الگوریتم های ژنتیک

2-5- محدودیت های الگوریتم های ژنتیک

2-6-چند نمونه از کاربرد های الگوریتم های ژنتیک

2-6-1-یک مثال ساده

فصل سوم: شبکه های عصبی

3-1-چرا از شبکه های عصبی استفاده می کنیم؟

3-2-سلول عصبی

3-3-نحوه عملکرد مغز

3-4-مدل ریاضی نرون

3-5-آموزش شبکه های عصبی

3-6-کاربرد های شبکه های عصبی

فصل چهارم: محاسبات نرم

4-1-مقدمه

4-2-محاسبات نرمچیست؟

4-2-1-رابطه

4-2-2-مجموعه های فازی

4-2-2-1-توابع عضویت

4-2-2-2- عملیات اصلی

4-2-3-نقش مجموعه های فازی در داده کاوی

4-2-3-1- خوشه بندی

4-2-3-2- خلاصه سازی دادهها

4-2-3-3- تصویر کاوی

4-2-4- الگوریتم ژنتیک

4-2-5-نقش الگوریتم ژنتیک در داده کاوی

4-2-5-1- رگرسیون

4-2-5-2-قوانین انجمنی

4-3-بحث و نتیجه گیری

فصل پنجم: ابزارهای داده کاوی

5-1- نحوه انتخاب ابزارداده کاوی

5-2-1-ابزار SPSS-Clemantine

5-2-3-ابزار KXEN

5-2-4-مدل Insightful

5-2-5-مدل Affinium

5-3- چگونه می توان بهترین ابزار را انتخاب کرد؟

5-4-ابزار های داده کاوی که در 2007 استفاده شده است

5-5-داده کاوی با sqlserver 2005

5-5-1-اتصال به سرورازمنوی

5-5-2- ایجاد Data source

5-5-3- ایجاد Data source view

5-5-4- ایجاد Mining structures

5-5-5- Microsoft association rule

5-5-6- Algorithm cluster

5-5-7- Neural network

5-5-8-Modle naive-bayes

5-5-9-Microsoft Tree Viewer

5-5-10-Microsoft-Loistic-Regression

5-5-11-Microsoft-Linear-Regression

فصل ششم: نتایج داده کاوی با SQL SERVER2005 روی بانک اطلاعاتی دانشگاه آزاد قوچان

•1-6-نتایج Data Mining With Sql Server 2005 روی بانک اطلاعاتی دانشگاه آزاد قوچان

1-6-1-Microsoft association rule

1-6-2- Algorithm cluster

1-6-3- Neural network

1-6-4- Modle naive-bayes

1-6-5-Microsoft Tree Viewer

7-1-نتیجه گیری

منابع و ماخذ