دانلود فایل پاورپوینت سمینار ارشد و کارشناسی با موضوع داده کاوی و کاربرد آن 61 اسلاید
— پاورپوینت شامل تصاویر میباشد —-
اسلاید ۱ :
داده کاوی و دلایل پیدایش آن
توسعه تکنولوژیهای ذخیره و بازیابی اطلاعات
افزایش روزافزون حجم اطلاعات ذخیره شده
تنوع بسیار زیاد در اطلاعات موجود
بانکهای اطلاعاتی
فایلهای چندرسانه ای (تصاویر متحرک، فایلهای صوتی)
اطلاعات متنی و فاقد ساختار
آرشیوهای اطلاعاتی، به دلیل حجم بسیار زیاد، غالبا به مقبره های اطلاعات تبدیل می شوند.
علیرغم هزینه های سنگین در بخش تکنولوژی اطلاعات، بسیاری از تصمیمها همچنان در فقر اطلاعاتی اتخاذ می گردند.
از قابلیتهای بالقوه اطلاعات ذخیره شده استفاده نمی شود.
نیاز به تبدیل اطلاعات به دانش در بسیاری زمینه ها آشکار گردیده است.
وقایعی نظیر ۱۱ سپتامبر، لزوم خودکار یا حداقل نیمه خودکار بودن فرآیند تبدیل اطلاعات به دانش را به خوبی نشان می دهند.
داده کاوی به دهه ۸۰ برمی گردد.
داده کاوی با تلاش برای اعمال تکنیکهای هوش مصنوعی بر روی بانکهای اطلاعاتی آغاز گردید.
اسلاید ۲ :
پردازش اطلاعات:
از فایلهای متنی تا داده کاوی
حرکت از روشهای ابتدائی پردازش اطلاعات به داده کاوی، همواره برحسب نیاز
حوزه های مختلف بوده است.
سیر کلی تکنولوژی پردازش اطلاعات را می توان به صورت زیر خلاصه کرد:
فایلها: اطلاعات ناهمگون، فاقد ساختار مشخص، اشتباهات متعدد، پردازش در حد تهیه فهرست
بانکهای اطلاعاتی خاص: اطلاعات ناهمگون، اشتباهات نسبتا کمتر، گزارشات آماری ساده
بانکهای اطلاعاتی رابطه ای: اطلاعات همگون، ارتباطات مشخص، اشتباهات کمتر، گزارشات آماری پیچیده و مقایسه ای و شامل ارتباطات عناصر مختلف
بانکهای اطلاعاتی تحلیلی: ویژه تحلیل اطلاعات، ارائه یک مدل چندوجهی و امکان ساخت و مشاهده سریع گزارشات خاص، توانائی محدود در ذخیره سازی و پردازش انواع اطلاعات (معمولا فقط اطلاعات عددی)
داده کاوی: امکان پردازش انواع اطلاعات، قابلیت کشف دانش از اطلاعات موجود
اسلاید ۳ :
یک تعریف تئوریک از داده کاوی
داده کاوی عبارت است از فرآیند (نیمه)خودکار استخراج دانش (در قالب الگوهای پنهان) از مجموعه اطلاعات ورودی.
معمولا آگاهی اندکی در مورد دانش هدف وجود دارد.
ورودی عمدتا بسیار حجیم و پردازش دستی آن ناممکن است.
نتایج حاصل از داده کاوی، با روشهای سنتی پردازش اطلاعات (گزارش گیری) قابل دستیابی نیست.
خودکار یا نیمه خودکار بودن داده کاوی به معنای حداقل نیاز به دخالت کاربر است.
انواع اطلاعات (و نه صرفا اطلاعات عددی) قابل پردازش می باشند.
اسلاید ۴ :
جایگاه داده کاوی
داده کاوی را می توان یک شاخه از یادگیری ماشین دانست.
به دلیل عدم وجود یک چارچوب تئوریک برای داده کاوی، در نظر گرفتن آن به عنوان زیر مجموعه ای از یادگیری ماشین می تواند مورد بحث قرار گیرد.
تلاشهای اندکی برای توسعه یک چارچوب تئوریک برای داده کاوی انجام گرفته است.
این میزان تلاش کافی نبوده و به نتیجه قابل قبولی نرسیده است.
تفسیر داده کاوی به عنوان زیر مجموعه ای از آمار، چندان قانع کننده نیست: مسائل با فضای حالت دارای ابعاد زیاد مهمترین وجه این تمایزند.
تفسیر داده کاوی به عنوان فرآیندی جهت تخمین تابع توزیع احتمال توأم نمونه ها: تکراری بودن داده کاوی چنین طبقه بندی را رد می کند.
نظریه داده کاوی معادل فشرده سازی، داده کاوی را فرآیندی برای فشرده سازی اطلاعات ورودی، از طریق پیدا کردن یک ساختار مناسب برای آن در نظر می گیرد.
اسلاید ۵ :
چند واقعیت
تعریف موجود، سبب ایجاد انتظاراتی غیرواقعی از داده کاوی می شود.
تا کنون، هیچ سیستم/فرآیند داده کاوی کاملا خودکاری که منطبق بر شرایط واقعی باشد، ساخته نشده است.
دخالت مستقیم کاربر، به خصوص در مراحل اولیه یک فرآیند داده کاوی، اجتناب ناپذیر است.
داده کاوی به یک هیولای پرقدرت شبیه است: رها کردن بدون هدف آن در سرزمین اطلاعات، مطمئنا نتایج خوبی در پی نخواهد داشت.
تمام قدمهای یک فرآیند داده کاوی توسط انسان تعریف می شود.
چند مرحله کلی در هر فرآیند داده کاوی وجود دارد.
اسلاید ۶ :
مراحل یک فرآیند داده کاوی
هریک از مراحل، با مشکلات خاص خود مواجه است.
پیرایش و تجمیع اطلاعات، معمولا حجم عمده کار را به خود اختصاص می دهند.
بازنمائی دانش، به خصوص در مورد داده کاوی، در موارد متعددی هیچ راه حل قابل قبولی ندارد.
اسلاید ۷ :
پایه های یک فرآیند داده کاوی
۵ پایه اصلی
مجموعه نمونه های آموزشی: باید انتخاب، جمع آوری و پیرایش شوند.
نوع دانش: نوع دانش مورد انتظار، تکنیک داده کاوی مورد استفاده را مشخص خواهد کرد.
دانش پایه: انتقال دانش موجود در مورد مسئله به فرآیند
داده کاوی، غالبا به صورت سلسله مراتبی از مفاهیم
معیارهای ارزیابی: ملاکهای ارزش دانش حاصل از داده کاوی، چه در زمان استخراج دانش و چه در زمان بازنمائی از اهمیت کلیدی برخوردار بوده و راهنمای فرآیند داده کاوی خواهند بود.
نحوه ارائه: معمولا بر حسب نوع دانش استخراج شده تعیین می شود. در موارد متعددی نیز روش مناسبی برای بازنمائی وجود ندارد.
اسلاید ۸ :
دانش پایه
دانش فعلی کاربر در مورد نمونه های آموزشی
غالبا به صورت سلسله مراتب مفهومی (Co cept Hierarchy)
به صورت ترتیب جزئی بین سطوح تجرد مطرح می شود
مثال: کشور > استان > شهر > منطقه
اسلاید ۹ :
مقدمه: خلاصه مطالب
üعدم کفایت روشهای سنتی در بهره برداری از پتانسیل اطلاعات در دسترس.
üسیر کلی روشهای پردازش اطلاعات، بر حسب نیاز حوزه های متفاوت، از فایلهای ساده تا داده کاوی.
üتعریف داده کاوی به عنوان یک فرآیند نیمه خودکار برای استخراج دانش از انواع اطلاعات ذخیره شده.
üجایگاه داده کاوی در یادگیری ماشین و نیاز به چارچوبهای تئوریک و فراگیر.
üابهام زدائی از تعریف موجود و جداکردن واقعیات از اهداف ایده آل و بلند مدت.
üمراحل اصلی یک فرآیند داده کاوی عبارتند از: انتخاب، پیرایش و تجمیع اطلاعات، استخراج دانش، بازنمائی و تفسیر دانش حاصل.
üپایه های اصلی یک فرآیند داده کاوی عبارتند از: اطلاعات ورودی، نوع دانش، دانش پایه، معیارهای ارزیابی دانش و روشهای بازنمائی آن.
اسلاید ۱۰ :
کاربردهای داده کاوی
کاربردهای تجاری
کاربردهای علمی
کاربردهای امنیتی
