دانلود فایل پاورپوینت داده کاوی

PowerPoint قابل ویرایش
16 صفحه
8900 تومان

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

1-در این مطلب، متن اسلاید های اولیه دانلود فایل پاورپوینت 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 :

مقدمه

پیشینه طرح موضوع داده‏کاوی به دهه ۱۹۸۰ و به صورت جدی، به دهه ۱۹۹۰ برمی‏گردد. پیش از آن٬ از سیستم‏های جمع‏آوری و مدیریت داده‏ها و اصطلاحاً لایروبی داده‏ها استفاده می‏شد٬ اما به مرور زمان٬ استخراج و کشف سریع و دقیق اطلاعات با ارزش و پنهان از پایگاه داده‏ها به‏عنوان داده‏کاوی مورد توجه قرار گرفت. به این شکل بود که فرایند داده‏کاوی به عنوان فرایند آماری و تجزیه و تحلیل درفرایند کشف دانش در پایگاه داده‏ها (KDD) پررنگ شد ،به حدی که گاه٬ داده‏کاوی (DM) به‏عنوان مترادف کشف دانش در پایگاه داده‏ها(KDD) مورد استفاده قرار می‏گرفت[۲]. امروزه فرایند استخراج اطلاعات معتبر٬ از پیش ناشناخته٬ قابل فهم و قابل اعتماد از پایگاه داده‏های بزرگ و استفاده از آن در تصمیم‏گیری و در فعالیت‏های تجاری داده‏کاوی نامیده می‏شود[۱]. در تعاریف متعدد و متنوع برای داده‏کاوی برموضوعاتی نظیر: استخراج دانش کلان٬ کاوش در داده‏ها٬ تجزیه و تحلیل داده‏ها و یافتن روابط و الگوهای مطمئن بین داده‏ها تاکید می‏شود. هدف نهایی داده‏کاوی٬ ایجاد سیستم‏های پشتیبانی تصمیم‏گیری سازمانی است. داده‏کاوی به استخراج اطلاعات مفید و دانش از حجم زیاد داده‏ها می‏پردازد. داده‏کاوی٬ الگوهای حاوی اطلاعات را در داده‏های موجود جست‌وجو می‌کند. این الگوها و الگوریتم‏ها، می‏توانند توصیفی باشند یعنی داده‏ها را توصیف کنند و یا جنبه پیش‏بینی داشته باشند، یعنی از متغیرها برای پیش‏بینی ارزش‏های ناشناخته سایر متغیرها به‏کار روند. داده‏کاوی توصیفی، به‏دنبال یافتن اگرها در فعالیت‏ها یا اقدامات گذشته است و داده‏کاوی پیش‏بینانه با نگاه به سابقه٬ رفتار آینده را پیش‏بینی می‏کند[۱].

اسلاید ۲ :

حوزه فعالیتهای داده کاوی

هدف داده‏کاوی٬ تجزیه و تحلیلاکتشافی داده‏ها٬ کشف الگوها و قواعد و الگوریتم‏ها٬ مدل‏سازی پیش‏بینانه وجست‌وجوی انحرافات است. برای انجام این هدف٬ فرایند داده‏کاوی درجهت کشف دانش درمراحل مختلف انجام می‌شودکه عبارت است از:

  1. شناسایی هدف و فهم حوزه کاربرد آن است و مشخص می‏کند که چه‏کاری٬ در چه حوزه‏ایانجام خواهد شد.
  2. انتخاب داده‏ها یعنی تعیین اهداف برای تجزیه و تحلیل و کشفآن
  3. آماده‏سازی داده‏ها شامل تمیزسازی داده‏ها
  4. اتخاذ بهترین روشداده‏کاوی برای دست‏یابی به اهداف
  5. اجرای داده‏کاوی یعنی به‏کارگیریالگوریتم
  6. ارزیابی و اعتبارسنجی یافته‏ها
  7. استفاده از نتایج و تثبیت وتحکیم دانش کشف شده
  8. تصمیم گیری براساس دانش کشف شده

اکتشاف در این مرحله معمولا با آماده سازی داده ها که ممکن است شامل تمیز کردن داده ها ، تبدیل داده ها ، زیر مجموعه های انتخاب آثار ضبط شده و انجام برخی از عملیات اولیه انتخابشروع می شود . سپس بسته به ماهیتتحلیلی ، این مرحله از فرایند استخراج داده ها ممکن است شامل هر انتخاب ساده و سرراست برای یک مدل رگرسیون استادانه درست شده را به تجزیه و تحلیل اکتشافی با استفاده از طیف گسترده ای از روش های گرافیکی و آماری به منظور شناسایی متغیرهای مربوطه و تعیین پیچیدگی از طبیعت مدل ها باشد. البته ناگفته نماند که داده کاوی معمولا با نوشتنمقدار زیادی گزارش و تحقیق و استعلام در آنها اشتباه گرفته می شود. اما در واقعداده کاوی هیچ کدام از اینها را شامل نمی شود. داده کاوی توسط تجهیزات خاصی صورتمی پذیرد، که عملیات کاوش را بر اساس تجزیه و تحلیل مکرر داده ها انجام می دهد

اسلاید ۳ :

 داده کاوی با آنالیز های متداول آماری نیز متفاوت است؛در زیرمی توان برخی ازاصلی ترین تفاوت های داده کاوی و آنالیز آماری را مشاهده نمود:

آنالیز آماری:

  • آمار شناسان همیشه با یک فرضیه شروع بهکار می کنند
  • آنها از داده های عددی استفاده می کنند
  • آمارشناسان بایدرابطه هایی را ایجاد کنند که به فرضیه آنها مربوط است
  • آنها می توانند دادههای نابجا و نادرست را در طول آنالیز مشخص کنند
  • آنها می توانند نتایج کار خودرا تفسیر و برای مدیران بیان کنند

داده کاوی :

  • به فرضیه احتیاجیندارد
  • ابزارهای داده کاوی از انواع مختلف داده ، نه تنها عددی می تواننداستفاده کنند
  • الگوریتمهای داده کاوی به طور اتوماتیک روابط را ایجاد میکنند
  • داده کاوی به داده های صحیح و درست نیاز دارد
  • نتایج داده کاوینسبتا پیچیده می باشد و نیاز به متخصصانی جهت بیان آنها به مدیران دارد

جهتدرک بهتر تفاوت داده کاوی و آنالیزهای آماری به مثال زیر که در مورد شناختکلاهبرداری های شرکت بیمه می باشد، توجه کنید.

اسلاید ۴ :

روش آنالیز آماری :

یک مفسر ممکن است متوجه الگوی رفتاری شود که سبب کلاهبرداری بیمه گردد. براساس این فرضیه، مفسر به طرح یک سری سوال می پردازد تا این موضوع را بررسی کند. اگرنتایج حاصله مناسب نبود، مفسر فرضیه را اصلاح می کند و یا با انتخاب فرضیه دیگریمجددا شروع می کند. این روش نه تنها وقت گیر است بلکه به قدرت تجزیه و تحلیل مفسرنیز بستگی دارد.مهمتر از همه اینکه این روش هیچ وقت الگوهای کلاهبرداری دیگریرا که مفسر به آنها مظنون نشده و در فرضیه جا نداده ، پیدا نمی کند.

روش داده کاوی :

یک مفسر سیستم های داده کاوی را ساخته و پس از طی مراحلی ازجمله جمع آوری داده ها، یکپارچه سازی و اخلاص داده ها به انجام عملیات دادهکاوی می پردازد. داده کاوی تمام الگوهای غیرعادی را که از حالت عادی و نرمالانحراف دارند و ممکن است منجر به کلاهبرداری شوند را پیدا می کند. نتایج دادهکاوی   حالت های مختلفی را که مفسر باید در مراحل بعدی تحقیق کند، نشان می دهند. درنهایت مدل های به دست آمده  می توانند مشتریانی را که امکان کلاهبرداری دارند، پیشبینی نمایند.

تحلیلهای داده‏کاوی به دو روش با ناظر و بدون ناظر و از طریق الگوریتمهایی چون شبکه های عصبی((NN، طبقه بندی و درخت تصمیم( (C&RT، ژنتیک، تحلیل سبد خرید، شبکه کوهونن قابل اجراست. علاوه بر این الگوریتمهای رایج، همچنان الگوریتمهای جدیدی برای اهداف تحقیقات علمی یا تجاری از طریق طرحهای پژوهشی دانشگاهی، تولید می‏شود.

اسلاید ۵ :

ویژگیهای منحصر بفرد داده کاوی را می توان به صورت زیر برشمرد[۳]:

  • نه تنها بر فاز تحلیل، بلکه بر طراحی مطالعه و جمع آوری داده نیز تاثیر می گذارند
  • امکان جستجوی پاسخ سؤالات دقیق و با پیچیدگی بالا را در دادههای جمع‏آوری شده فراهم می کنند.
  • قادرند که به سؤالات بطور واضح و مشخص پاسخ دهند. مزیت اصلی و تفاوت آنها با سایر تکنیکها نیز در همین است که بجای ارائه صرف استراتژی کلان، پاسخهای دقیق در اختیار محقق قرار می دهند.
  • امکان سنجش اثر متغیرهای مختلف بر روی متغیرهای وابسته را فراهم می کنند.
  • به مدیران کمک می‏کنند که تأثیر سناریوهای آتی را مورد ارزیابی قرار دهند و با مدلسازی گزینه های متعدد و کمک به تصمیم گیری در شرایط عدم قطعیت به انتخاب مسیر حرکت بپردازند.

محققینی که تنها روابط دو به دو را در نظر میگیرند و از داده کاوی استفاده نمی کنند، ابزار قدرتمندی را از دست می دهند که می تواند اطلاعات سودمندی را در اختیار آنان قرار دهد. در مسائل واقعی چندین متغیر به طور همزمان بر روی پاسخ تاثیر می گذارند، از این رو آنالیزهای چندمتغیره جواب های دقیقتر و نزدیک به واقع تری را فراهم می کند. در شکل (۱) فرایند کسب دانش از پایگاه دادهها به صورت شماتیک بیان شده است[۴] همانطور که ملاحظه می شود یکی از گام های این فرایند، داده کاوی می باشد. موفقیت در این مرحله کاملا متاثر از سه گام قبل است بگونه ای که اگر هر کدام از مراحل قبلی به درستی انجام نپذیرد، نتایج حاصل از داده کاوی نه تنها مفید نبوده ممکن است گمراه کننده نیز باشد.

اسلاید ۶ :

تکنیکهای داده کاوی از جمله تکنیکهای نوین علمی هستند که در توصیف، تشریح، پیش بینی و کنترل پدیدهها به کار می روند[۳]. این تکنیکها به اندازه‏گیری، تشریح و پیش‏بینی درجه وابستگی میان متغیرها میپردازند. روشهای داده‏کاوی نه تنها بر جنبه های تحلیلی مطالعات، بلکه در طراحی و ابزارهای جمع آوری داده برای تصمیم‏گیری و حل مسائل نیز تأثیر می‏گذارند. موفق‏ترین پروژههای داده‏کاوی، در چارچوب فرآیند استانداردی اجرا می شودکه توسط یک تیم کاری در شرکت SPSS در قالب پروژهای به نام CRISP-DM ارائه شده است[۵]. برطبق CRISP-DM یک پروژه داده‏کاوی معین شامل چرخه حیاط شش مرحله‏ای است که توالی مراحل را نشان می دهد شکل (۲). هر مرحله از ترتیب مراحل اغلب نتیجه وابستگی مراحل قبلی را نیز دربر دارد. مهمترین وابستگی بین مراحل نمایش پیکانها می باشد. خاصیت تکراری CRISP حاکی از چرخه بیرونی است که اغلب منجر به راه

حلی برای مسئله تحقیقی یا تجاری با سوالات اضافی جالب توجه می شود.

اسلاید ۷ :

در زیر مراحل کاری در داده‏کاوی را توضیح می‏دهیم:

مرحله درک پروژه و فهم حوزه کاربرد: اولین مرحله پردازش استاندارد CRISP–DM   می باشد که به صورت آشکار اهداف و نیازمندیها آن مشخص می شود. ترجمه اهداف و محدودیت آن در قاعده‏سازی، تعریف مسئله داده‏کاوی و مهیا کردن استراتژی اولیه برای نائل شدن به اهداف تعریف می‏شود.

مرحله انتخاب دادها : این مرحله شامل جمع آوری دادها برای استفاده از تحلیل اکتشافی و مشخص کردن اطلاعات اولیه برای ارزیابی داده‏های با کیفیت و انتخاب دادهای مفید و مورد نیاز می باشد.

مرحله آماده سازی داده‏ها: آماده کردن داده‏های اولیه خام به داده‏های نهایی، این دادها در کلیه مراحل بعدی استفاده می شود و از این نظر این مرحله تحلیل و تلاش بیشتری را می طلبد. انتخاب عناصر و شناسه‏های تحلیل شده را برای کاوش داده‏ها اختصاص می دهیم. و با تمیز کردن دادهای خام آن را برای ابزارهای مدلسازی آماده می‏کنیم.

مرحله مدلسازی: با انتخاب و به‏کار بستن تکنیکهای مدلسازی مناسب و روش داده‏کاوی معین نتایج مدلسازی را بهینه می‏کنیم که در صورت نیاز می توانیم با برگشت به عقب تحلیل مدلسازی را بهینه تر نماییم.

مرحله ارزیابی: مشخص کردن اینکه آیا مدل انتخابی، ما را به اهدافمان که در اولین مرحله تعیین کردیم می‏رساند. اتخاذ تصمیم راجع به استفاده از نتایج داده‏کاوی برای اعتبارسنجی نیز در این مرحله انجام می‏شود.

مرحله تحکیم و گسترش :استفاده کردن از مدل ایجاد شده، برای مثال می تواند تولید یک گزارش ساده از خروجیها را نام برد، و برای یک مثال پیچیده تکمیل کردن پردازش داده‏کاوی موازی در سایر حوزه‏ها می باشد که این الگو‏ها به یک دانش مفید و قابل استفاده تبدیل می شوند و پس از بهبود آنها، الگوهایی که کارا محسوب می‏شوند در یک سیستم اجرایی به کار گرفته خواهند شد.

اسلاید ۸ :

مثال تفهیمی در مورد داده کاوی

یکی از نمونه های بارز داده کاوی را می توان در فروشگاه های زنجیره ای مشاهده نمود، که در آن سعی می شود ارتباط محصولات مختلف هنگام خرید مشتریان مشخص گردد. فروشگاه های زنجیره ای مشتاقند بدانند که چه محصولاتی با یکدیگر به فروش می روند .

برای مثال طی یک عملـیات داده کاوی گستـرده در یـک فروشـگاه زنجیره ای در آمریکای شمالی که بر روی حجـم عظیمـی از داده های فروش صورت گرفت، مشخص گردید که مردانی که برای خرید قنداق بچه به فروشگاه می روند معمولا آب جو نیز خریداری می کنند. همچنین مشخص گردید مشتریانی که تلویزیون خریداری می کنند، غالبا گلدان کریستالی نیز می خرند. نمونه مشابه عملیات داده کاوی را می توان در یک شرکت بزرگ تولید و عرضه پوشاک در اروپا مشاهده نمود، به شکلی که نتایج داده کاوی مشخص می کرد که افرادی که کراوات های ابریشمی خریداری می کنند، در همان روز یا روزهای آینده گیره کراوات مشکی رنگ نیز خریداری می کنند.

به روشنی این مطلب قابل درک است که این نوع استفاده از داده کاوی می تواند فروشگاه ها را در برگزاری هوشمندانه فستیوال های فروش و نحوه ارائه اجناس به مشتریان یاری رساند.

نمونه دیگر استفاده از داده کاوی در زمینه فروش را می توان در یک شرکت بزرگ دوبلاژ و تکثیر و عرضه فیلم های سینمایی در آمریکای شمالی مشاهده نمود که در آن عملیات داده کاوی، روابط مشتریان و هنرپیشه های سینمایی و نیز گروه های مختلف مشتریان بر اساس سبک فیلم ها ( ترسناک، رمانتیک، حادثه ای و …) مشخص گردید.

بنابراین آن شرکت به صورت کاملا هوشمندانه می توانست مشتریان بالقوه فیلم های سینمایی را بر اساس علاقه مشتریان به هنرپیشه های مختلف و سبک های سینمایی شناسایی کند.

از دیگر زمینه های به کارگیری داده کاوی، استفاده بیمارستانها و کارخانه های داروسازی جهت کشف الگوها و مدلهای ناشناخته تاثیر دارو ها بر بیماری های مختلف و نیز بیماران گروه های سنی مختلف را می توان نام برد.

استفاده از داده کاوی در زمینه های مالی و بانکداری به شناخت مشتریان پر خطر و سودجو بر اساس معیار هایی از جمله سن ، درآمد، وضعیت سکونت، تحصیلات، شغل و غیره می انجامد.

از کاربرد های داده کاوی می توان به نمونه های زیر اشاره کرد :

▪ بانکداری :

ـ از جالب توجه ترین کاربرد های داده کاوی می توان به کشف پول شویی اشاره کرد.

ـ تشخیص مشتریان ثابت و همیشگی

ـ تعیین مشتریان استفاده کننده از یک سرویس خاص

▪ بیمه :

ـ پیش گویی میزان استقبال از بیمه نامه های جدید

ـ تشخیص کلاهبرداری ها و مشخص کردن رفتار های نا متناسب

ـ تشخیص نیاز مشتریان و خواسته های آنها

ـ تشخیص تخلفات پزشکی

واضح است که زمینه استفاده از داده کاوی بی نهایت گسترده است.و دو مثال فوق به خاطر درک راحت تر انتخاب شده اند.

اسلاید ۹ :

نتیجه گیری

بررسی اجمالی پژوهشهای صورت گرفته در حوزه دانش ابزراهای داده‏کاوی نشان می دهد که تحقیقات عمیق و اساسی در این باره خصوصاً در ایران اندک شمار است. از سوی دیگر با افزایش سرعت تحول در علوم، ضرورت استفاده از دانشهای نوین بیش از پیش محرز شده است . داده کاوی به عنوان یک رشته علمی نوین در زمینه بازیابی و استخراج اطلاعات می تواند نقش مهمی در جهت دستیابی به این اهداف داشته باشد. امروزه اکثر نرم افرار های پایگاه داده ای مثل ORACLE و SQL Server نیز شامل ابزارهایی داده کاوی شده اند ولی نرم افزار های تخصصی داده‏کاوی همچون Intelligent Miner , Darwin , Mine Set, Knowledge Studio, Data Mind از مهمترین ابزار های داده کاوی به شمار می روند. در این مقاله قابلیتهای داده کاوی و مراحل کاری آن معرفی شد که در گامهای بعد می توان تأثیر آن را در عملآ زمود.

 

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