بخشی از پاورپوینت
--- پاورپوینت شامل تصاویر میباشد ----
اسلاید 1 :
از هنگامی که رايانه در تحليل و ذخيره سازی داده ها بکار رفت (1950) پس از حدود 20 سال، حجم داده ها در پايگاه داده ها دو برابر شد. ولی پس از گذشت دو دهه و همزمان با پيشرفت فن آوری اطلاعات(IT) هر دو سال يکبار حجم داده ها، دو برابر شد. همچنين تعداد پايگاه داده ها با سرعت بيشتری رشد نمود. اين در حالی است که تعداد متخصصين تحليل داده ها و آمارشناسان با اين سرعت رشد نكرد. حتی اگر چنين امری اتفاق می افتاد، بسياری از پايگاه داده ها چنان گسترش يافته اند که شامل چندصد ميليون يا چندصد ميليارد رکورد ثبت شده هستند و امکان تحليل و استخراج اطلاعات با روش های معمول آماری از دل انبوه داده ها مستلزم چند روز کار با رايانه های موجود است. حال با وجود سيستم های يکپارچه اطلاعاتی، سيستم های يکپارچه بانکی و تجارت الکترونيک، لحظه به لحظه به حجم داده ها در پايگاه داده های مربوط اضافه شده و باعث به وجود آمدن انبارهای عظيمی از داده ها شده است به طوری که ضرورت کشف و استخراج سريع و دقيق دانش از اين پايگاه داده ها را بيش از پيش نمايان کرده است .
چنان که در عصر حاضر گفته مي شود « اطلاعات طلاست»
اسلاید 2 :
داده کاوی و کشف دانش در پايگاه داده ها از جمله موضوع هايی هستند که همزمان با ايجاد و استفاده از پايگاه داده ها در اوايل دهه 80 برای جستجوی دانش در داده ها شکل گرفت.
شايد بتوان لوول (1983) را اولين شخصی دانست که گزارشی در مورد داده کاوی تحت عنوان « شبيه سازی فعاليت داده کاوی » ارائه نمود. همزمان با او پژوهشگران و متخصصان علوم رايانه، آمار، هوش مصنوعی، يادگيری ماشين و . . . نيز به پژوهش در اين زمينه و زمينه های مرتبط با آن پرداخته اند.
اسلاید 3 :
عبارت داده کاوی مترادف با يکی از عبارت های استخراج دانش، برداشت اطلاعات، وارسی داده ها و حتی لايروبی کردن داده هاست که در حقيقت کشف دانش در پايگاه داده ها[1] (KDD ) را توصيف می کند. بنابراين ايده ای که مبنای داده کاوی است يک فرآيند با اهميت از شناخت الگوهای بالقوه مفيد، تازه و درنهايت قابل درک در داده هاست.
اصطلاح داده کاوی را آمار شناسان، تحليل گران داده ها و انجمن سيستم های اطلاعات مديريت به کار برده اند در حالی که پژوهشگران يادگيری ماشين و هوش مصنوعی از KDD بيشتر استفاده مي کنند.
[1] - Knowledge Discovery of Database
اسلاید 4 :
« داده کاوی در حقيقت کشف ساختارهای جالب توجه، غير منتظره و با ارزش از داخل مجموعه وسيعی از داده ها می باشد و فعاليتی است که اساساً با آمار و تحليل دقيق داده ها منطبق است» هند (1998)
« داده کاوی فرآيند کشف رابطه ها، الگوها و روندهای جديد معنی داری است که به بررسی حجم وسيعی از اطلاعات ذخيره شده در انبارهای داده با فناوری های تشخيص الگو( مانند رياضي و آمار) می پردازد».
اسلاید 5 :
می توان فرآيند داده‌كاوی را طی مراحل زير به صورت نمودار نشان داد.
اسلاید 6 :
١. هم پيوندی
٢. طبقه بندی
٣.الگوهای ترتيبی
٤. خوشه بندی
اين قابليتها در صنايع مختلفی از خرده فروشی گرفته تا شركت های بزرگ مخابراتی برای بهينه سازی دستيابی به اهداف برنامه ريزی، بازا ريابی هدف دار و حفظ مشتری مورد استفاده قرار می گيرند.
اسلاید 7 :
- هم پيوندی
هم پيوندی قابليتی براي يافتن روابط ناشناخته موجود در اطلاعات است.
کاربردها : برنامه ريزی موجودی ، برنامه ريزی تبليغاتی برای فروش و مراسلات بازاريابی مستقيم
- طبقه بندی
طبقه بندی در واقع ارزشيابی ويژگيهای مجموعه ای از داد ه ها و سپس اختصاص دادن آ نها به مجموعه ای از گرو ههای از پيش تعريف شده است .
کاربردها : بازاريابی هدف، تصويب اعتبار و بررسی تقلب است.
اسلاید 8 :
- الگوهای ترتيبی :
قابليتهای ترتيبی هم مانند قابليتهای هم پيوندی اين خاصيت را دارند كه می توانند وقايع را با هم مرتبط كنند وعلاوه بر آن، اين قابليت جديد را هم دارند كه می توانند فاصله زمانی بين دو واقعه را تخمين بزنند.
4 . خوشه بندی :
قابليت خوشه بندی وظيفه تقسيم يك گروه ناهمجنس را در چندين زير گروه بر عهده دارد. اين فرايند يك تفاوت اساسی با طبقه بندی دارد . زيرا در اين مدل هيچ گونه الگوی آموزشی نداريم.
کاربرد : براي تعيين بهترين گروه های جامعه شناختی برای اهداف خاص بازاريابی است
اسلاید 9 :
.1کاربردهای تجاری
.2کاربردهای علمی
.3کاربردهای امنيتی
اسلاید 10 :
تقريبا در تمام سازمانها و انواع تجارتها، به دليل وجود اطلاعات، می توان داده کاوی را مورد استفاده قرار داد.
¡مديريت ارتباط با مشترِی
¡تحليل سبد خريد
¡شناسائی طبقات و گروههای اصلی مشتريان
¡تعيين ميزان تاثير عوامل مختلفی نظير تبليغات، تخفيف، ... بر ميزان و الگوهای فروش
