دانلود فایل پاورپوینت آشنایی با داده کاوی

PowerPoint قابل ویرایش
16 صفحه
8900 تومان

لطفا به نکات زیر در هنگام خرید دانلود فایل پاورپوینت آشنایی با داده کاوی توجه فرمایید.

1-در این مطلب، متن اسلاید های اولیه دانلود فایل پاورپوینت آشنایی با داده کاوی قرار داده شده است

2-به علت اینکه امکان درج تصاویر استفاده شده در پاورپوینت وجود ندارد،در صورتی که مایل به دریافت تصاویری از ان قبل از خرید هستید، می توانید با پشتیبانی تماس حاصل فرمایید

4-در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل اسلاید ها میباشد ودر فایل اصلی این پاورپوینت،به هیچ وجه بهم ریختگی وجود ندارد

5-در صورتی که اسلاید ها داری جدول و یا عکس باشند در متون زیر قرار نخواهند گرفت

— پاورپوینت شامل تصاویر میباشد —-

اسلاید ۱ :

معرفی
الگوریتم های داده کاوی
معرفی قانون کاوی
معرفی خوشه یابی
معرفی کلاس بندی

اسلاید ۲ :

تلاش انسان از ابتدا برای تحلیل مشاهدات
افزایش حجم اطلاعات
کتابخانه های الکترونیکی
اینترنت
اطلاعات مالی و سپرده گذاری و تجارت و ..
کشف دانش در پایگاه داده ها (KDD)

اسلاید ۳ :

Data warehousing : به فرایند جمع آوری و تمیز کردن دادهای تراکنش ها و مهیا کردن آن برای آنالیز و سیستم های پشتیبان تصمیم می باشد.
انتخاب و پیش پردازش اولیه : فرآیند بهبود کیفیت داده های موجود بر اساس روش های زیر:
تمیز کردن داده ها به منظور نرمال سازی ، خارج کردن نویز ، کنترل داده های گم شده ، کاهش redundancy و غیره
Data Integration : شامل یکی کردن داده های جمع آوری شده از چند منبع غیر همگن.
Data Reduction and Projection: انتخاب جزییات مفید که نشان دهنده داده های ما باشند‌، که معمولا” با توجه به کاری که می خواهیم انجام دهیم صورت می گیرد.
توصیف و ترجمه : شامل Visualize کردن و توصیف الگو های کشف شده می باشد.
تصدیق درستی

اسلاید ۴ :

مدل : تابع مدل Model Function)) و فرم نشان دادن (Representational form) آن مدل شامل پارامتر هایی است که باید از داده ها با توجه به تابع انتخاب شده و به وسیله فرم یا ابزار نشان دادن محاسبه شوند.
شرایط دلخواه :‌ یک پایه برای برتری دادن یک مدل یا مجموعه پارامتر ها بر دیگری بر اساس داده ها.
الگوریتم جستجو : مشخصات یک الگوریتم جستجو برای پیدا کردن یک مدل ، الگو یا پارامترهای خاص با داده ، مدل ها ، و شروط داده شده است.

اسلاید ۵ :

کلاس بندی (Classification): تابع مدل یک آیتم داده ای را در یک سری کلاس های از پیش تعریف شده کلاسه بندی می کند. (Supervised Learning)
رگرسیون (Regression): قصد این تابع تصویر کردن یک آیتم داده به یک مقدار واقعی پیش بینی است.
خوشه یابی(Clustering): یک آیتم داده ای را به یکی از چند خوشه تصویر می کند که این خوشه ها گروه های طبیعی هستند که بر اساس مثلا” متریک های شباهت ایجاد شده اند. هدف اصلی پیدا کردن نظم در داده ها می باشد. (Unsupervised Learning)
تولید قانون (Rule Generation):
Association rule mining and Dependency modeling که دومی به کشف وابستگی های قوی بین متغیر ها به کار می رود.

اسلاید ۶ :

خلاصه و فشرده سازی (Summarization and condensation): یک توصیف فشرده از داده ها به ما می دهد.
آنالیز دنباله ها (Sequence Analysis): الگو های دنباله مثل سریهای زمانی را مدل می کند.
مثال :
کشف آنومالی در سیستم
پیش بینی وضع هوا
تشخیص تومور در عکس های مغزی

اسلاید ۷ :

هدف اصلی :پیدا کردن قوانین منطقی که بر داده ها حاکم می باشد
روش های اصلی :
Association Rule Mining : به صورت عبارت هایی است به شکل X=>Y که X و Y زیر مجموعه از تمام ویژهگیها هستند. و این ادعا با درجه اعتبار بزرگتر از c درست باشد.
Classification Rule Mining: یک پروسه کنترل شده که از یک سری مجموعه داده برای آموزش استفاده می کند و هدف پیدا کردن قوانین در داده هابه منظور پیش بینی کلاس از پیش تعریف شده برای یک سری داده تستی می باشد
Dependency Rule Mining : یک پروسه کنترل شده است که ویژهگیها را به دو قسمت هدف و غیر هدف تقسیم می کند و قسمت غیر هدف فقط می تواند در قسمت شرط باشد ولی به دنبال قوانینی هستیم که شامل ویژهگیهای هدف باشد.

اسلاید ۸ :

هدف اصلی :کاهش فاصله بین بردار های داخل یک خوشه و افزایش فاصله بین خوشه ها می باشد.
چالش های اصلی: انتخاب تعداد خوشه مناسب ، تعریف معیار فاصله و تشخیص خوشه هایی که شکل منظم ندارند ، می باشد.
انواع برخورد ها :
Partial)Sequential): یک بخش اولیه درست می کند و بعد بوسیله از روشهای تکرار شونده برای بهینه کردن هدف کار استفاده می شود.
Hierarchical : بدین صورت که ابتدا کل داده ها را در یک خوشه قرار می دهد سپس این خوشه را در چند گام می شکند تا به n کلاستر برسد.
بر اساس بهینه سازی : روش های K-Means و توابع Density

اسلاید ۹ :

هدف اصلی :پیدا کردن روشی خاص و پارامترهای روش به گونه ای که علاوه بر خطای کم قابلیت عمومی شدن را نیز داشته باشد.
روش های اصلی در کلاس بندی :
درخت تصمیم : فضای تصمیم را به تکه های ثابت می شکند.
Probabilistic or Generative Model : از روش های آماری معمولا“ مبتنی بر تئوری Bayes استفاده می شود.
Nearest Neighbor Classifiers: کمترین فاصله را نمونه ها نشان دسته (Prototype) ها محاسبه می کند.
رگرسیونی : می تواند چندجمله ای باشد مثلا“ شکل : aX1+bX2+c=Ci باشد.

اسلاید ۱۰ :

ادامه روش های اصلی در کلاس بندی:

شبکه های عصبی : یکی از پرکاربردترین روشهای محاسبات نرم ( Soft Computing) ساختار ANN شامل یک سری گره می باشد که با تعدادی رابط جهت دار به هم متصل می باشند. خروجی تمام گره های شبکه خاصیت بستگی به یک سری پارامتر قابل تغییر مرتبط به این گره ها دارد.

شبکه های RBF : از مدل های عمومی تشخیص تابعی که در کلاس بندی نیز استفاده می شود. خصوصیات نزدیک به شبکه های عصبی دارد ولی از نظر رفتار شفاف تر است.

Support Vector Machines : ایده اصلی این است که با یک تصویرغیر خطی داده هایی را که نمی توان با یک مرز تصمیم خطی در فضای خصوصیات جدا کرد را به فضایی با بعد بالاتر ببرد که در این بعد به توان یک مرز تصمیم خطی برای داده ها رسم کرد.

مطالب فوق فقط متون اسلاید های ابتدایی پاورپوینت بوده اند . جهت دریافت کل ان ، لطفا خریداری نمایید .
PowerPointقابل ویرایش - قیمت 8900 تومان در 16 صفحه
سایر مقالات موجود در این موضوع
دیدگاه خود را مطرح فرمایید . وظیفه ماست که به سوالات شما پاسخ دهیم

پاسخ دیدگاه شما ایمیل خواهد شد