تحلیل انواع گرایش های گذشته و آینده کاوی و کاوش انواع داده های ناهمگن

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 869

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

SENACONF02_155

تاریخ نمایه سازی: 30 آبان 1394

چکیده مقاله:

داده کاوی فرآیند استخراج اطلاعات مفید در داده ها است. داده کاوی استخراج اطلاعات پیشگویانه از پایگاه داده بزرگ ، یک روش جدید قدرتمند با انرژی عظیم . ابزارهای داده کاوی رفتارها و گرایش های آینده را پیش بینی می کنند و این امکان را به تجارت ها می دهد تا بر اساس دانش تصمیم گیری کنند. تحلیل های اتوماتیک و آینده نگر که توسط داده کاوی پیشنهاد می شود فراتر از تحلیل هایی قرار می گیرند که طبق رویدادهای گذشته توسط ابزارهای قبلی سیستم های تصمیم گیری انجام شده اند. داده و اطلاعات یا دانش نقش اساسی را در فعالیت های بشر ایفا می کنند. داده کاوی یک پروسه کشف دانش از طریق تحلیل حجم عظیمی از داده از چشم اندازهای گوناگون و خلاصه سازی آن به اطلاعات مفید و سودمند می باشد. به دلیل اهمیت استخراج اطلاعات از منابع عظیم داده، داده کاوی به یک جز ضروری و مهم در بخش های مختلف زندگی بشری تبدیل شده است . پیشرفت هایی در زمینه های آمار، فراگیری ماشین، هوش مصنوعی،الگوشناسی و محاسبات باعث ترقی برنامه های داده کاوی امروزی شده و این برنامه ها باعث توانمندی و بهبود زمینه های مختلف زندگی بشری شامل تجارت، تحصیل و پزشکی شده اند. از این رو این مقاله در مورد گرایشات و تغییرات آینده داد کاوی را نیز مورد کنکاش قرار می دهد. و به بررسی انواع داده های ناهمگن می پردازیم.

کلیدواژه ها:

داده کاوی ، گرایش های داده کاوی ، داده های ناهمگن ، KDD ، الگوریتم های داده کاوی

نویسندگان

لیلا قلی زاده

کارشناسی مهندسی فناوری اطلاعات، گرایش امنیت اطلاعات دانشگاه جامع علمی کاربردی واحد فومن

علیرضا پوربهرام

کارشناسی ارشد مهندسی نرم افزار دانشگاه آزاد اسلامی واحد رشت

مجید مظفری

کارشناسی ارشد مهندسی نرم افزار دانشگاه آزاد اسلامی واحد رشت

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Shonali Krishnaswamy. 20 _ Towards S itu ationawarenes S and ...
  • Heikki, Mannila. 1996. Data mining: machine learning, statistics, and databases, ...
  • Fayadd, U., Piatesky -Shapiro, G., and Smyth, P. 1996. From ...
  • Salmin, Sultana et al. 20 09. Ubiquitous Secretary: A Ubiquitous ...
  • [] Hsu, J. 2002. Data Mining Trends and Developments: The ...
  • Annual Conference for Information Systems Educators (ISECON 2002), ISSN: 1542-7382. ...
  • Kotsiantis, S., Kanellopulos, D., Pintelas, P. 2004. Multimedia mining. WSEAS ...
  • Abdulvahit, Torun. _ Ebnem, Dizgin. 2006. Using spatial data mining ...
  • T. M. Mitchel. 1982. Generalization as Search, Artificial Intelligence, 18(2), ...
  • R. Michalski., I. Mozetic., J. Hong., and N. Lavrac. 1986. ...
  • 1] J. R. Quinlan.1 992.Programs for Machine Learning, Morgan Kaufmann. ...
  • Piatetsky- Shapiro _ Gregory. 2000. _ The Data-Mining Industry Coming ...
  • Z. K. Baker and . K.Prasanna. 20 05. Efficient Parallel ...
  • Jing He.2009. Advances in Data Mining: History and Future, Third ...
  • Ali Meligy.2009. A Grid-Based Distributed SVM Data Mining Algorithm, European ...
  • S. Mitra, S. K. Pal, and P. Mitra. 2001. Data ...
  • Mark, J., Embrechts. 2005. Introduction to Scientific Data Mining: Direct ...
  • Han, J., & Kamber, M. 20 _ 1. Data mining: ...
  • Venkatadri.M, Dr. Lokanatha C. Reddy , " A Review _ ...
  • Jiawei Han & Micheline Kamber, "Data Mining: Concepts and Techniques", ...
  • Abhinna Agarwal, Durgesh Singh, Anubhav Kedia Akash Pandey, Vikas Goel, ...
  • نمایش کامل مراجع