انجام پایان نامه و پروژه های ارشد داده کاوی

 انجام پایان نامه  ارشد داده کاوی

الگوریتم های دسته بندیClassification

درخت تصمیم :C5.0 ، CHAID ، C&R ،QUEST

شبکه عصبی :Neural Net

شبکه بیزین : Bayes Net

ماشین بردار پشتیبان : SVM

رگرسیون : Regression ، Logeistic

الگوریتم های خوشه بندی Clustering

خوشه بندی : k-Means ، kohonen  ، Twostep ، Anomaly

الگوریتم های قواعد انجمنی : Apriori ، Carma ، Sequence

انجام پروژه های داده کاوی با نرم افزار
weka
clementine12
spss modeler14.2
rapidminer
در کوتاه ترین زمان و با قیمت مناسب

بیش از دهها پروژه اماده با نرم افزار های داده کاوی در زمینه های مختلف با قیمت مناسب برای دانشجویان کارشناسی و کارشناسی ارشد و دکتری

----------------------------------------

ساعات تماس 8 صبح الی

09367292276
09367292276
azsoftir@gmail.com
azsoftir.com09367292276
09367292276
azsoftir@gmail.com
azsoftir.com09367292276
09367292276
azsoftir@gmail.com

مروری بر ادبیات داده کاوی

!داده کاوی چیست

انگیزه کاوش داده ها در چیست

کاربرد داده کاوی در چیست

و قابلیت های آن(SPSS Modeler14.2) آشنایی با محیط کلمنتاین

( SPSS Modeler14.2) ورود داده ها با فرمت های مختلف به محیط کاری کلمنتاین

چگونگی ایجاد درک اولیه از داده ها و آماده سازی آن ، پیش پردازش داده ها

استفاده از آمارهای توصیفی و گرافهای متنوع

چگونگی تشخیص و برخورد با داده های گمشده

خوشه بندی

قواعد تلازمی

...دسته بندی و پیش بینی - درخت تصمیم ، شبکه های عصبی

تحلیل و تفسیر داده ها

. . . و

 09367292276
09367292276
azsoftir@gmail.com
azsoftir.com09367292276
09367292276
azsoftir@gmail.com
azsoftir.com09367292276
09367292276
azsoftir@gmail.com
azsoftir.com09367292276
09367292276
azsoftir@gmail.com
azsoftir.com09367292276
09367292276
azsoftir@gmail.com

آموزش نرم افزار کلمنتاین Clementine 12

آموزش  نرم افزار14 IBM SPSS Modeler

انجام پروژه های داده کاوی با نرم افزارClementine 12

انجام پروژه های داده کاوی با نرم افزار 14 IBM SPSS Modeler

• • فرآیند داده کاوی CRISP-DM
  • آشنایی با قابلیت های SPSS Modeler14.2
  • فرآیند داده کاوی در SPSS Modeler14.2
• شناسایی و آماده سازی مقدماتی داده ها
  • فراخوانی داده ها در محیط SPSS Modeler14.2
  • بررسی مفاهیم Storage و Type و اهمیت آنها
  • یکپارچه سازی داده ها (Merge and Append)
  • بررسی شاخص های کیفی داده ها (Data Audit)
  • مطالعه توصیفی و استنباطی داده ها در SPSS Modeler14.2
• مدل های پیش بینی کننده
  • طبقه بندی با انواع درخت های تصمیم در SPSS Modeler14.2
  • استفاده از درخت های رگرسیونی به منظور پیش بینی
  • ساخت مدل های پیش بینی کننده با شبکه های عصبی مصنوعی
  • ارزیابی مقدماتی مدلهای پیش بینی کننده

مشاوره در زمینه پروژه های داده کاوی

در مقاطع کارشناسی و کارشناسی ارشد

با نرم افزار weka- clementine 12

از ابتدا تا انتها

پروژه آماده داده کاوی با نرم افزار weka - clementine 12

09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

انباره داده ها

سازمانها درک کرده اند که سیستم های انبارداده ابزارهای ارزشمندی در رقابتهای امروزه هستند بنگاهای بسیاری میلونها دلار برای ساخت انبار داده صرف کرده اند طبق تعریف اینمون یکی از پیشتازان معماری در ساخت سیستمهای انبار داده ، انبار داده مجموعه ای موضوع گرا ،یکپارچه از زمانهای مختلف و غیر فرار به منظور پشتیانی از فرایند تصمیم سازی است.داده کاوی چیزی فراتر از پردازش بر روی یک پایگاه داده معمولی می باشد .

مثالهای زیر این تفاوت را آشکار می کند :
یک پرس جوی ساده و پیدا کردن تمامی افراد با نام علی در یک پایگاه داده بسیار ساده ولی در مقابل پیدا کردن افرادی که کارت اعتباری انها وضعیت مناسبی ندارد و در مرز ورشکستگی می باشد، خیلی ساده نیست .پیدا کردن افرادی که بیش از یکصد هزار تومان خرید داشته اند ساده است ولی در مقابل پیدا کردن افرادی که عادتهای خرید مشاهی دارند و یکسری اقلام خاصی را با هم خرید می کنند کار ساده ای نیست .

پیدا کردن افرادی که در یک تاریخ خاص از یک فروشگاه خاص شیر خریده اند ساده است

ولی در مقابل افرادی که غالبا شیر خریداری می کنند خیلی ساده نیست

داده کاوی و انبار داده ها :

علت اهمیت انبار داده ها این است که انباره داده ها شامل داده های جزئی و داده های کلی ، در کنار یکدیگر می باشند . بدون تردید داده کاوی به اطلاعات جزئی برای تحلیل نیازمند است ، اما داده ای خلاصه شده نیز به کار می آیند . از انجا که در انبار داده انواع داده ای خلاصه شده وجود دارد ، داده کاوی می تواند .به سرعت داده ای انبارداده انواع داده ای خلاصه شده وجود دارد ف داده کاوی می تواند به سرعت داده ای انبارداده را بررسی و این باعث کاهش تکرار تحلیلها توسط داده کاوی شود

  ویزگیهای مهم یک انبار داده عبارتند از موضوع محوری :
جامعیت
پویا پذیری
پایانی

09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
موضوع محوری : داده ها طبق یک موضوع خاص سازماندهی می شوند

جامعیت :داده ای انباره ،از تجمع دیگر داده ها ساخته می شوند

افق زمانی برای انبارداده ها بسیار مهم تر از داده های مرتبط با سیستم های عملیاتی می باشد

09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
پایگاه داده ها شامل داده های است که روزانه با انها کار می شود و بخشهای به آن اضافه و یا حذف می شود

قواعد تلازمی

استخراج قواعد تلازمی یا قواهد انجمنی نوعی عملیات داده کاوی است که به جستجو برای یافتن ارتباط بین ویژ گیها در مجموعه دادها می پردازد

09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
نام دیگر روش تحلیل تلازمی ، تحلیل سبد بازار می باشد . به عبارت دیگر تحلیل تلازمی مطلالعه ویژگیها یا خصوصیاتی میباشد که با یکدیگر همراه بوده و به دنبال استخراج قواعد از میان این خصوصیات میباشد

این روش به دنبال استخراج قواعد به منظور کمی کردن ارتباط میان دو یا چند خصوصیت است .قواعد تلازمی به شکل اگر و انگاه به همراه دو معیار پشتیبان و اطمینان تعریف می شود

همان طور که اشاره شد ، یکی از کاربردی ترین حالت های تحلیل قواعد تلازمی ، تجزیه و تحلیل سبد بازار است . پیشرفت فناوری ، فروشگاه های خرده فروشی را قادر ساخته است تا حجم زیادی از داده های خرید مشتریان که از ان به عنوان سبد بازار یاد میشود را جمع اوری و ذخیره نماید . هر مشتری خرید مجزایی را در مقادیر مختلف و زمانهای متفاوت انجام میدهد و داده های موجود در سبد بازار ،نشان دهنده خرید مشتری در یک زمان خاص است .با تجزیه و تحلیل سبد بازار خرده فروشان می توانند رفتار خرید مشتریان را پیش بینی کنند . این کار به انها کمک می کند تا بتوانند کالاهای خود را بهتر سازماندهی کرده .و چیدمان بهتری از محصولات خود داشته باشند و از این طریق سود آوری خود را افزایش دهند

09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
در اینجا به مثالهایی از کاربرد قواعد تلازمی اشاره میشود :

بررسی ارتباط بین توانایی خواندن کودکان با خواندن داستان توسط والدین برای آنها بررسی اینکه چه اقلامی در یک فروشگاه با یکدیکر خریداری میشوند و اینکه چه اقلامی هیچ گاه با یکدیگر خریداری نمی شوند تعیین نمونه ها در بررسی تاثیرات خطر ناک یک داروی جدید

الگوریتم درخت تصمیم

ساختار درخت تصمیم یک ساختار درختی ، شبیه فلوچارت میباشد

بالاترین گره در درخت گره ریشه است و گره های برگ ،دسته ها یا توزیع دسته ها را نشان می دهند

09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
درخت تصمیم یکی از ابزار های قوی و متداول برای دسته بندی و پیش بینی می باشد.در خت تصمیم بر خلاف شبکه های عصبی به تولید قاعده می پردازد.در ساختار درخت تصمیم ف پیش بینی به دست امده از درخت در قالب یگسری قواعد توضیح داده می شود . در حالی که در شبکه های عصبی تنها نتیجه پیش بینی بیان میشود و چگونگی به دست امدن انها در خود شبکه پنهان می ماند. همچنین در درخت تصمیم برخلاف شبکه های عصبی ضرورتی وجود ندارد که داده ها لزوما به صورت عددی باشند
:خصوصیات درخت تصمیم به موارد زیر می تواند اشاره کند :

09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
روش درخت تصمیم در تقسیم بندی داده ها به گرو ه های مختلف به گونه ای است که هیچ داده ای حذف نمی شود ، تعداد داده ها در گروه مادر با مجموع داده ها در شاخه های در خت ایجاد شده برابر است

استفاده از درخت تصمیم اسان است

درک مدل ایجاد شده توسط درخت تصمیم اسان است

دسته بندی هایی که توسط درخت تصمیم ایجد می شوند ، از روی شباهت داده های ذخیره شده در پارامتر های پیش بینی کننده ، قابل انجام می باشد

09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
انواع متغیر های موجود در داده های در خت تصمیم :

در مسائل مرتبط با درختهای تصمیم با دو نوع متغیر ها مواجه هستیم :

متغیر های عددی مثل مشخصه "سن که مقادیر ان عددی است

متغیر های طبقه ای مثل مشخصه نوع ماشین که مقادیر آن متنی و گروهی میباشد

از این متغیر ها برای پیش بینی متغیر هدف یا متغیر وابسته استفاده می کنیم در مثال فوق به متغیر های سن و نوع ماشین که متغیر های مستقل هستند ، متغیر پیش بینی کننده گویند و به متغیر های وابسته برچسب دسته گویند . در مثال بالا متغیر ریسک تصادف از نوع برچسب دسته می باشد

09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
اگر متغیر وابسته از نوع عددی باشد مسئله رگرسیون یا پیش بینی تبدیل خواهد شد و اگر این متغیر از نوع طبقه ای باشد با یک مسئله دسته بندی مواجه هستیم

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 با­شند تقسیم می شوند که به این دسته ها خوشه گفته می­شود. 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 نزدیکتر هستند را بعنوان یک خوشه در نظر گرفت که به این نوع خوشه بندی، خوشه بندی مبتنی بر فاصله نیز گفته می شود

خوشه­ بندی به عمل تقسیم جمعیت ناهمگن به تعدادی از زیر مجموعه­ ها یا خوشه ­های همگن گفته می­شود. وجه تمایز خوشه­بندی از دسته­بندی این است که خوشه بندی به دسته ­های از پیش تعیین شده تکیه ندارد. در دسته­ بندی بر اساس یک مدل هر کدام از داده­ها به دسته­ای از پیش تعیین شده اختصاص می­یابد؛ این دسته­ ها یا از ابتدا در طبیعت وجود داشته­اند(مثل جنسیت، رنگ پوست و مثال­هایی از این قبیل) یا از طریق یافته­های پژوهش­های پیشین تعیین گردیده ­اند

در خوشه­ بندی هیچ دستۀ از پیش تعیین شده ­ای وجود ندارد و داده ­ها صرفاً براساس تشابه گروه ­بندی می­شوند و عناوین هر گروه نیز توسط کاربر تعیین می­گردد. به طور مثال خوشه­ های علائم بیماری­ها ممکن است بیماری­های مختلفی را نشان دهند و خوشه­ های ویژگی­های مشتریان ممکن است حاکی از بخش­های مختلف بازار باشد
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

خوشه ­بندی معمولاً به عنوان پیش درآمدی برای بکارگیری سایر تحلیل ­های داده­کاوی یا مدل­سازی به کار می­رود. به عنوان مثال، خوشه­ بندی ممکن است اولین گام در تلاش برای تقسیم­ بندی بازار باشد؛ برای ایجاد یک قانون که در همۀ موارد کاربرد داشته باشد و به این سؤال پاسخ دهد که مشتریان به چه نوع تبلیغاتی به بهترین نحو پاسخ می­دهند اول باید مشتریان را به خوشه­ های متشکل از افرادی با عادات مشابه خرید تقسیم نمود و سپس پرسید که چه نوع تبلیغاتی برای هر خوشه به بهترین نحو عمل می­ کند

09367292276
09367292276
azsoftir@gmail.com
azsoftir.com