مرور اجمالی

به طور کی، داده کاوی( که گاهی اوقات موسوم به کشف دانش یا داده است)، فرایند تحلیل داده ها از نقطه نظرات مختلف و خلاصه سازی آن به اطلاعات مقید است. اطلاعاتی را که می توان برای افزایش درامد، کاهش هزینه و یا هر دو مورد استفاده قرار داد. نرم افزار داده کاوی، یکی از ابزار های تحلیلی برای تحلیل داده ها است. این نرم افزار به کاربران امکان تحلیل داده ها را از ابعاد و زوایای مختلف، طبقه بندی آن و خلاصه سازی روابط شناسایی شده می دهد. از دیدگاه فنی، داده کاوی، فرایند یافت همبستگی یا الگو های میان چندین رشته در دیتابیس های رابطه مند بزرگ می باشد.

نواوری پیوسته

اگرچه داده کاوی یک اصطلاح نسبتا جدید است، با این حال فناوری یک اصطلاح جدید نمی باشد. شرکت ها از کامپیوتر های قوی برای پردازش حجم زیادی از داده های اسکنر سوپرمارکت و تحلیل گزارش های تحقیقاتی بازاری برای چندین سال استفاده کرده اند. با این حال، نواوری های مستمر در توان پردازش کامپیوتری، حافظه دیسک و نرم افزار های اماری به شدت موجب افزایش صحت تجزیه تحلیل ها ضمن کاهش هزینه شده است.

مثال

برای مثال، یک سوپر مارکت از ظرفیت داده کاوی نرم افزار اوراکل برای تحلیل الگوهای خرید محلی استفاده کرده است. آن ها کشف کرده اند که وقتی مردان پوشک را در روز پنج شنبه یا شنبه خرید می کنند، آن ها تمایل دارند آبجو نیز بخرند. تحلیل بیشتر نشان داده است که این خریداران معمولا خرید هفتگی از سوپر مارکت را در روز شنبه انجام دهند. در پنج شنبه، با این حال آن ها چند ایتم را خریداری می کنند. خرده فروش به این نتیجه رسیده است که مردان آبجو را برای اخر هفته خریداری می کنند. سوپر مارکت می تواند از این اطلاعات جدیدا کشف شده به شیوه های مختلف برای افزایش سود و درامد استفاده کند. برای مثال،آن ها می توانند ویترین ابجو را نزدیک ویترین پوشک قرار دهند. و، آن ها می توانند اطمینان حاصل کنند که ابجو و پوشک با قیمت کامل در پنج شنبه بفروشند.

داده ها، اطلاعات و دانش

داده ها

داده ها شامل هر گونه حقایق، اعداد و متونی هستند که می توانند توسط یک کامپیوتر پردازش شوند. امروزه، سازمان ها در حال انباشت طیف وسیعی از داده ها به فرمت ها و دیتابیس های مختلف هستند از جمله :

• داده های عملیاتی یا تراکنشی نظیر فروش، هزینه، موجودی، و حسابداری
• داده های غیر عملیاتی نظیر فروش صنعتی، داده های پیش بینی و داده های اقتصادی کلان
• فرا داده ها، داده های مربوط به خود داده ها نظیر طرح دیتابیس منطقی یا تعاریف دیکشنری داده ها

اطلاعات

الگو ها، رابط و همبستگی های میان همه این داده ها می توانند اطلاعات را در اختیار بگذارند. برای مثال، تحلیل داده های نقطه تراکنش فروش خرده فروشی می توانند اطلاعاتی را در مورد نوع محصول فروشی و زمان آن ارایه کنند

دانش

اطلاعات را می توان به دانش مربوط به الگو های تاریخی و تغییرات آینده تبدیل کرد. برای مثال، اطلاعات خلاصه در خصوص فروش سوپرمارکت را می توان از حیث تلاش های تبلیغاتی برای ارایه دانش رفتار خرید مصرف کننده تحلیل کرد. از این روی، یک خرده فروش یا تولید کننده قادر به تعیین نوع گویه هایی است که بیشترین حساسیت را به تلاش های تبلیغاتی دارند.

انبار های داده ها

پیشرفت های بنیادین در جذب داده ها، توان پردازشی، انتقال داده ها و ظرفیت های ذخیره سازی و حافظه ای سازمان ها را قادر به تلفیق دیتابیس های مختلف در انبار های داده ها می کنند. انبار داده ها به صورت فرایند مدیریت داده های متمرکز و نیز بازیابی آن ها تعریف می شود. انبار داده ها نظیر داده کاوی، یک اصطلاح نسبتا جدید است اگرچه این مفهوم به خودی خود به مدت سال ها وجود داشته است. انبار داده ها یک چشم انداز ایده ال برای حفظ مخازن مرکزی داد ه های سازمانی است. متمرکز سازی داده ها برای بیشیته سازی دسترسی و تحلیل کاربر نیاز است. پیشرفت های فناوری مهم موجب شده است تا این چشم انداز به یک واقعیت برای بسیاری از شرکت ها تبدیل شود. و پیشرفت های دیگر در نرم افزار های تحلیل داده ها به کاربران امکان دسترسی به این داده ها را به طور رایگان می دهد. نرم افزار تحلیل داده ها، از داده کاوی پشتیبانی می کند.

دانلود رایگان درس داده کاوی دانشگاه اصفهان

جلسه اول

جلسه دوم

جلسه سوم

جلسه چهارم

جلسه پنجم

جلسه ششم

جلسه هفتم

جلسه هشتم

جلسه نهم

جلسه دهم

جلسه یازدهم

جلسه دوازدهم

جلسه سیزدهم

جلسه چهاردهم

جلسه پانزدهم

جلسه شانزدهم

جلسه هفدهم

جلسه هیجدهم

جلسه نوزدهم

جلسه بیستم

محصولات مرتبط

نوشته داده کاوی data mining اولین بار در ايران متلب. پدیدار شد.

تکنیک های هوش محاسباتی (CI) طی سال های اخیر توجه بسیاری از مهندسان تحقیق، تصمیم گیرندگان، و محققان برای حل تعداد نامحدودی از مسائل پیچیده ی واقعی به خصوص مربوط به حوزه ی بهینه سازی را جلب کرده است. در متغیرهای تصمیمی چندگانه غیرمطمیئن و بی نظم، محدودیت های پیچیده، محیط مشوش و رویکردهای کلاسیک و سنتی قادر به ارائه ی راه حل های مناسبی برای مسائل بهینه سازی نمی باشد. هوش محاسباتی از تکنیک هایی استقبال می کند که از بهینه سازی جهانی جستجو، یادگیری ماشین، استدلال تقریبی، و سیستم پیوندگرا استفاده می کنند. تکنیک های هوش مصنوعی شامل مجموعه ای از یادگیری، اقتباس و تحول می باشد که برای برنامه های هوش و جدید مورد استفاده قرار می گیرند. همچنین هوش مصنوعی به عنوان یکی از مسیرهای تحقیق پیشرفته محسوب می شود چراکه راه حل های موثر، قوی و راحت برای مسائل پیچیده ی واقعی را می توان ایجاد کرد.

درباره ی این کتاب

راه حل های مسائل مبتنی بر محدودیت برای استفاده از الگوهای MATLAB و SIMULINK به عنوان پایه و ستون این کتاب انتخاب شده اند. کتاب حاضر نگاشته شده است تا عملکرد هوش محاسباتی را به لحاظ ارائه ی دانش، سازگاری، بهینگی و سرعت پردازش برای مسائل واقعی مختلفی را بررسی کند. این کتاب به الگوهای هوش محاسباتی و نقش آن ها در کارکردهای مختلف مهندسی مانند تعهد به واحد و بار پخش بار اقتصادی، کاهش هارمونیک، کنترل فرکانس بار و تنظیم ولتاژ اتوماتیک، برنامه ریزی فروشگاه کار، مسیریابی وسیله نقلیه multi depot( چند مخزنه )و نهان نگاری تصویر دیجیتال می پردازد. تاثیر الگوریتم هوش محاسباتی در حوزه ی سیستم های قدرت، سیستم های کنترل، اتوماسیون صنعتی و پردازش عکس با اجرای کاربردی از طریق MATLAB/SIMULINK توضیح داده می شوند. هر کارکرد با اجرای الگوریتم هوش محاسباتی، روش شناسی برای بکارگیری الگوریتم هوش محاسباتی برای مسئله ی مورد نظر، رویکرد مسئله با استفاده از MATLAB/SIMULINK، و بررسی جامع با آزمون داده مبتنی بر مسئله انجام می شود.

توضیح مفصلی برای هر یک از مباحث ارائه شده است با این هدف تا مهندسان و دانشمندان بتوانند از مقدمه های موجود بر موضوعات کارکرد و تحقیق بهره ببرند. این کتاب دانشجویان لیسانس، ارشد و دکتری و محققین علاقمند به فهم و اجرای الگوریتم های هوش محاسباتی برای کارکردهای متعدد مبتنی بر MATLAB/SIMULINK را مخاطب خود قرار می دهد.

ساختار کتاب

این کتاب شامل 7 فصل می شود. فصل اول مفاهیم بنیادین الگوریتم هوش محاسباتی و همچنین نقش الگوهای هوش محاسباتی در کاربرد مهندسی را توضیح می دهد.

همچنین، طبقه بندی مفصلی از الگوریتم های هوش محاسباتی با شبهه کد، حوزه های کاربرد، و مزایا و معایب هر الگوریتم نیز ارائه شده است. تحقیقی پیرامون حوزه های کاربرد با مقدمه ای بر مسئله های مبتنی بر محدودیت که در فصل های بعدی ارائه می شود نیز فراهم گردیده است.

فصل 2 به فرمول ریاضی تهعد به واحد (UC) و مسائل اعزام بار اقتصادی به همراه چارچوبی برای حل این مسائل می پردازد.

اجرای تکنیک های بهینه سازی مانند الگوریتم های ژنتیکی (GA)، شبکه ی تابع بنیادین مبتنی بر فازی-شعاعی (FRBFN)، بهینه سازی فزاینده ی ازدحام ذرات (EPSO)، تحول تفاضلی با یادگیری مخالفت-محور (DEOBL)، تحول تفاضلی با یادگیری مخالفت-محور بهبودیافته (IDE-OBL)، کلونی زنبور عسل مصنوعی (ABC)، و بهینه سازی جستجو فاخته (CSO) در حل تعهد به واحد و اعزام بار اقتصادی (UC-ELD) به همراه آنالیز مقایسه ای مبتنی بر هزینه سوخت، توان، کارآمدی محاسباتی و کارآمدی الگوریتمی ارائه شده اند.

فصل 3 به تاثیرات هارمونیک و روش های از بین بردن همسازها از طریق درایوهای اینورتر منبع ولتاژ (VSI) برای اندازه گیری هارمونیک در صنعت خمیر و کاغذ می پردازد.

مدل های MATLAB/SIMULINK برای درایوهای ایجاد شده برای کاهش هارمونیک با بکارگیری الگوریتم های هوش محاسباتی مانند GA و بهینه سازی تغذیه باکتری (BFO) برای کاهش همسازها ایجاد شده اند.

فصل 4 اهمیت کنترل فرکانس بار (LFC) و تنظیم کننده خودکار ولتاژ (AVR) در سیستم های تولید کننده ی قدرت را نشان می دهد.  سیستم های LFC و AVR با کمترل کننده ی PID به همراه پارامترهای مختلف بکاررفته برای شبیه سازی مدل سازی شده اند. همچنین، LFC و AVR با کنترل کننده ی PID که توسط منطق فازی، GA، بهینه سازی کلونی مورچه (ACO) و بهینه سازی ازدحام ذرات (PSO) تنظیم شده اند مورد آزمون قرار گرفتند. بعلاوه، ترکیب الگوریتم های تکاملی با فازی، GA، BF، و ورژن های بهبودیافته ی الگوریتم PSO بکار رفتند تا عملکرد LFC و AVR در سیستم های قدرت به هم متصل را آزمود.

فصل 5 مشکل زمانبندی نغازه کارها (JSSP) را به معنای فازی با استفاده از بهینه سازی فرا-اکتشافی مانند GA، PSO تصادفی، ACO، و بهینه سازی ازدحام ژنتیکی (GSO) حل می کند. فرمول و مدل ریاضی JSSP با اجرای اکتشافی هوشمند با فایل های MATLAB مشخص شده اند. الگوریتم ها با اجرای آزمایش روی مجموعه ای استاندارد از 162نمونه معیار بررسی می شوند که خود عملکد JSSP را ارزیابی می کند.

فصل 6 به مفاهیم پایه ای و مدل ریاضی مشکل مسیریابی وسایل نقلیه (MDVRP) می پردازد. این مسئله با تکنیک های زیستی مانند GA، PSO بهبود یافته، ABC، GSO، و GSO بهبودیافته اجرا می شود. کارآمدی تکنیک های پیشنهادی بر روی 5 نمونه معیار مختلف Cordeau  آزموده و ارزیابی می شوند. اکتشافی هوشمند به منظور ارزیابی عملکرد نمونه های MDVRP اجرا می شوند.

فصل 7 نهان نگاری هوشمند و دیجیتالی تصویر مبتنی بر GA، PSO، و PSO ترکیبی را مشخص می سازد. طرح های پیش از نهان نگاری مانند تقسیم بندی تصویر، استخراج ویژگی، انتساب جهت گیری، و عادی سازی تصویر به همراه الگوریتم های پردازش تصویر ارائه شده اند. فرایند تعبیه ی علامت و استخراج تصویرهای از پیش پردازش ده در DWT به همراه حمله های هندسی و غیرهندسی به تفصیل ارائه شده اند. روند اجرای قدم به قدم الگوریتم های اکتشافی و قطعه فایل های MATLAB در این فصل مورد بحث قرار گرفته اند.

لینک دانلود

نوشته کتاب الگوهای هوش محاسباتی برای مسئله های بهینه با استفاده از MATLAB/SIMULINK اولین بار در ايران متلب. پدیدار شد.

هزینه مجموعه این سه فیلم آموزشی بدون تخفیف 69 هزارتومان می شود که شما می توانید با تخفیف بسته آموزشی داده کاوی را به مبلغ 49 هزارتومان خرید کنید.

لینک دانلود

نوشته بسته آموزشی داده کاوی اولین بار در ايران متلب. پدیدار شد.

گفته می شود این نرم افزار 99 درصد راه حل های آنالیزی پیشرفته را بدون هیچ زحمت کدنویسی برای  محقق داده کاوی فراهم می کند.

این نرم افزار با زبان برنامه نویسی جاوا نوشته شده است. تمامی عملیات در نرم افزار رپیدماینر توسط پنجره گرافیکی انجام می شود. عملیات workflow در رپیدماینر به نام فرایند process شناخته می شوند که شامل چندین عملگر operator تشکیل می شوند. هر عملگر یک وظیفه را در فرایند انجام می دهد.

این نرم افزار قابلیت ارتباط با نرم افزارهای داده کاوی دیگر مانند  R و  weka را دارد.

.

.

لینک دانلود

نوشته فيلم آموزشي رپيدماينر rapidminer اولین بار در ايران متلب. پدیدار شد.

اولین بار کلمنتاین بود که از نمایش گرافیکی برای ارتباط با کاربر استفاده کرد و این خود تحولی نو بود زیرا کاربر دیگر نیاز به کدنویسی نداشت. بعلاوه ایجاد یک مدل داده کاوی خیلی سریعتر انجام میشد و درنتیجه تصمیم گیری نهایی زودتر حاصل می شد.

کلمنتاین قدرت خود را ازترکیب با CRISPDM دارد که یک مدلسازی گرافیکی می باشد. با این نرم افزار بیشتر الگوریتم های داده کاوی را می شود پیاده سازی کرد.

هر فرایند در کلمنتاین clementine به صورت یک آیکون (icon) یا گره (node) بیان می شود. با اتصال گره ها یک stream ساخته می شود که مسیر تغییر داده در طول فرایند را نشان می دهد.

کار در کلمنتاین شبیه استفاده از یک سیستم ساخت فرایندهای تصویری می باشد که می تواند داده های جهان واقعیت و آمار و الگوریتم های پیچیده را در دل خود بیان کند.

در ابتدای کار با کلمنتاین شاید یک مقدار مشکل به نظر برسد اما به مرور متوجه می شوید که کار با این نرم افزار بسیار ساده می باشد. ایران متلب هم در همین راستا فیلم آموزشی نرم افزار کلمنتاین را تهیه کرد تا علاقه مندان داده کاوی بتوانند الگوریتم های خود را در این نرم افزار هم مانند وکا و رپیدماینر پیاده سازی کنند.

برخی از مزیت های کامنتین برای دانشجویان :

روش ساخت بصری مدل ، که کار در آن را تبدیل به یک کار هنری کرده است.

مفهوم “مسیر داده” شما را قادر می سازد که چندین مدل را در دل یک مدل جا دهید.

کلیک و ساخت مدل (هیچ کدنویسی لازم نیست)

مدلهای گوناگون و جامع در بیشتر الگوریتم های مهم و کاربردی مورد نیاز متخصصین حرفه ای

برخی از مدلهای پشتیبانی شده در کلمنتاین :

درخت تصمیم

درخت C&R

QUEST

CHAID

C 5.0

لیست تصمیم Decision List

شبکه های عصبی

رگرسیون

رگرسیون خطی

رگرسیون لاجستیک

شبکه بیزین

ماشین بردار پشتیبان SVM

ماژول استنتاج قانون عمومی (GRI)

مدل apriori

مدل CARMA

مدل sequence

K-means

کوهنن kohonen

Two Step

شناسایی anomaly

دانلود

نوشته فیلم آموزشی کلمنتاین clementine اولین بار در ايران متلب. پدیدار شد.