مبانی نظری و پیشینه تحقیق داده کاوی و خوشه بندی فازی

دانلود مبانی نظری و پیشینه تحقیق کامپیوتر

مبانی نظری و پیشینه تحقیق داده کاوی و خوشه بندی فازی

دانلود مبانی نظری و پیشینه تحقیق داده کاوی و خوشه بندی فازی بصورت جامع و کامل برگرفته شده از پایان نامه کارشناسی ارشد با منابع بروز و جدید

*** سایر مبانی نظری و پیشینه تحقیق در مورد داده کاوی در لینک زیر قابل دسترس هستند:

لیست تمام مبانی نظری و پیشینه تحقیق درباره داده کاوی

مقدمه مبانی نظری داده کاوی و خوشه بندی فازی

داده کاوی
    داده کاوی به معنای یافتن نیمه خودکار الگوهای پنهان موجود در مجموعه داده های موجود می باشد. داده کاوی از مدل های تحلیلی ، کلاس بندی و تخمین و برآورد اطلاعات و ارائه نتایج با استفاده از ابزارهای مربوطه بهره می گیرد. می توان گفت که داده کاوی در جهت کشف اطلاعات پنهان و روابط موجود در بین داده های فعلی و پیش بینی موارد نا معلوم و یا مشاهده نشده عمل می کند. برای انجام عملیات داده کاوی لازم است قبلا روی داده های موجود پیش پردازش هایی انجام گیرد. عمل پیش پردازش اطلاعات خود از دو بخش کاهش اطلاعات و خلاصه سازی و کلی سازی داده ها تشکیل شده است.

کاهش اطلاعات عبارت است از تولید یک مجموعه کوچک تر، از داده های اولیه، که تحت عملیات داده کاوی نتایج تقریبا یکسانی با نتایج داده کاوی روی اطلاعات اولیه به دست دهد. پس از انجام عمل کاهش اطلاعات و حذف خصایص غیر مرتبط نوبت به خلاصه سازی و کلی سازی داده ها می رسد. داده های موجود در بانک های اطلاعاتی معمولا حاوی اطلاعات در سطوح پایینی هستند، بنابراین خلاصه سازی مجموعه بزرگی از داده-ها و ارائه آن به صورت یک مفهوم کلی اهمیت بسیار زیادی دارد. کلی سازی اطلاعات، فرآیندی است که تعداد زیادی از رکوردهای یک بانک اطلاعاتی را به صورت مفهومی در سطح بالاتر ارائه می نماید (هان و کمبر ، ۲۰۰۱).

    ، چهار عمل اصلی در داده کاوی انجام می شود که عبارتند از:
مدلسازی پیشگویی کننده ، تقطیع پایگاه داده ها ، تحلیل پیوند ، تشخیص انحراف.

از عملیات های اصلی مذکور ، یک یا بیش از یکی از آنها در پیاده سازی کاربردهای گوناگون داده کاوی استفاده می شوند. نگاهی به ترجمه تحت اللفظی داده کاوی، به ما به درک بهت این واژه کمک می کند. Mine به معنای استخراج از منابع نهفته و با ارزش زمین اتلاق می شود. پیوند این کلمه با کلمه داده، جستجوی عمیق جهت پیدا کردن اطلاعات اضافی مفید که قبلا نهفته بودند، از داده های قابل دسترس حجیم، را پیشنهاد می کند. داده کاوی یک رشته نسبتا جدید علمی می باشد که از انجام تحقیقات در رشته های آمار، یادگیری ماشینی، علوم کامپیوتر خصوصا مدیریت پایگاه داده شکل گرفته است (برسون و همکاران ، ۲۰۰۴).

خوشه بندی

    خوشه بندی به عنوان یکی از فعالیت های داده کاوی میباشد و به گروه بندی کردن تراکنش ها و مشاهدات یا حالت ها درکلاس-های مشابه می پردازد. همچنین یک خوشه مجموعه ای از رکوردها است که به هم شبیه می باشند و از رکوردهای بیرون خوشه تفاوت دارند. در خوشه بندی متغیر هدف وجود ندارد و به طبقه بندی تخمین و پیشگوئی مقدار متغیر هدف نمی پردازد (لاروس ، ۲۰۰۵).    خوشه بندی یکی از شاخه های یادگیری بدون نظارت می باشد و فرآیند خودکاری است که در طی آن، نمونه ها به دسته هایی که اعضای آن مشابه یکدیگر می با شند تقسیم می شوند که به این دسته ها خوشه گفته می شود. بنابراین خوشه مجموعه ای از اشیاء می باشد که در آن اشیاء با یکدیگر مشابه بوده و با اشیاء موجود در خوشه های دیگر غیر مشابه می باشند.

برای مشابه بودن می توان معیارهای مختلفی را در نظر گرفت مثلا می توان معیار فاصله را برای خوشه بندی مورد استفاده قرار داد و اشیائی را که به یکدیگر نزدیک تر هستند را بعنوان یک خوشه در نظر گرفت که به این نوع خوشه بندی، خوشه بندی مبتنی بر فاصله نیز گفته می شود. بعنوان یک مثال شکل زیر را در نظر بگیرید در این شکل هر یک از دایره های کوچک یک وسیله نقلیه (شیء) را نشان می دهد که با ویژگی های وزن و حداکثر سرعت مشخص شده اند. هر یک از بیضی ها یک خوشه می باشد و عبارت کنار هر بیضی برچسب آن خوشه را نشان می دهد. کل دستگاه مختصات که نمونه ها در آن نشان داده شده اند را فضای ویژگی می گویند.

فهرست مطالب

مبانی نظری  در مورد داده کاوی و خوشه بندی فازی

۱-۱-    تعریف واژه ها و اصلاحات  ۹
۱-۸-۱-  داده کاوی  ۹
۱-۸-۲-  خوشه بندی  ۹
۱-۸-۳-  داده کاوی پویا  ۹
۱-۸-۴-  منطق فازی  ۱۰

فصل دوم:  ادبیات تحقیق  ۱۱
۲-۱-   مقدمه  ۱۳
۲-۲-  داده کاوی  ۱۳
۲-۳-  خوشه بندی  ۱۶
۲-۳-۱-  هدف خوشه بندی  ۱۸
۲-۳-۲-  انواع خوشه بندی  ۱۸
۲-۳-۳-  الگوریتم های خوشه بندی  ۲۲
۲-۳-۴-  معیار فاصله  ۲۳
۲-۳-۵-  الگوریتم C-means  ۲۴
۲-۳-۶-  الگوریتم FCM  ۲۵

۲-۴-  طبقه بندی  ۲۹
۲-۵-  کشف قواعد وابستگی  ۳۰
۲-۶-  کشف الگوهای ترتیبی  ۳۰
۲-۷-  داده کاوی پویا  ۳۱
۲-۸-  خوشه بندی پویا  ۳۲
۲-۹-  روش های نوین برای خوشه بندی فازی پویا  ۳۴
۲-۹-۱-  اختصاص اعضای پویا به کلاس های ایستا  ۳۶
۲-۹-۱-۱-  روش به کار بردن مسیر در خوشه بندی  ۳۶

۲-۹-۱-۲-  تشریح عملکرد c- میانگین فازی  ۳۷
۲-۹-۲-  اختصاص اعضای ایستا به کلاس پویا  ۳۹
۲-۹-۲-۱- شرح جزئیات روش پیشنهاد شده  ۴۱
۲-۱۰-  منطق فازی  ۴۸
۲-۱۰-۱  مجموعه های فازی  ۴۸
۲-۱۰-۲-  میانگین فازی  ۵۱

۲-۱۰-۲-۱-  میانگین مثلثی  ۵۱
۲-۱۰-۲-۲-  میانگین ذوزنقه ای  ۵۲
۲-۱۰-۳- فازی زدایی از میانگین فازی  ۵۲
۲-۱۱-  بخش بندی و تحلیل رفتار مشتریان  ۵۳

پیشینه تحقیق در مورد داده کاوی و خوشه بندی فازی

منابع

توضیحات:
فصل دوم پایان نامه کارشناسی ارشد (پیشینه و مبانی نظری پژوهش)

همراه با منبع نویسی درون متنی به شیوه APA جهت استفاده فصل دو پایان نامه

توضیحات نظری کامل در مورد متغیر

پیشینه داخلی و خارجی در مورد متغیر مربوطه و متغیرهای مشابه

رفرنس نویسی و پاورقی دقیق و مناسب

منبع :    انگلیسی وفارسی دارد (به شیوه APA)

نوع فایل:     WORD و قابل ویرایش با فرمت doc