دانلود گزارشهای کارآموزی و پروژه دانشجویی

بررسی و مطالعه کامل داده کاوی و داده کاوی با (SQL server 2005) پیاده سازی آن روی بانک اطلاعاتی دانشگاه آزاد

فهرست مطالب
* چکیده
* فصــل اول- مقدمه ای بر داده کاوی
*  ۱-۱-مقدمه
* ۱-۲-عامل مسبب پیدایش داده کاوی
* ۱-۳-داده کاوی و مفهوماکتشاف دانش(KDD)
* ۱-۳-۱-تعریف داده کاوی
* ۱-۳-۲- فرآیند داده‌کاوی
* ۱-۳-۳-قابلیت های داده کاوی
*  ۱-۳-۴-چه نوع داده‌هایی مورد کاوش قرار می گیرند؟
* ۱-۴- وظایف داده کاوی
* ۱-۱-۴-کلاس بندی
* ۱-۴-۲- مراحل یک الگوریتم کلاس‌بندی
* ۱-۴-۳-انواع روش‌های کلاس‌بندی
* ۱-۴-۳-۱- درخت تصمیم
*  ۱-۴-۳-۱-۱- کشف تقسیمات
* ۱-۴-۳-۱-۲- دسته بندی با درخت تصمیم
* ۱-۴-۳-۱-۳-انواع درخت‌های تصمیم
* ۱-۴-۳-۱-۴- نحوه‌ی هرس کردن درخت
*  ۱-۴-۳-۲- نزدیکترین همسایگی_ K
* ۱-۴-۳-۳-بیزی
* ۱-۴-۳-۳-۱ تئوری بیز
* ۱-۴-۳-۳-۲ -دسته بندی ساده بیزی
* ۱-۴-۳-۴- الگوریتم‌های ژنتیک در فصل دو با آن آشنا می شویم
* ۱-۴-۳-۵-شبکه‌های عصبی
* ۱-۴-۴- ارزیابی روش‌های کلاس‌بندی
*  -۲-۴-۱پیش بینی
* ۱-۴-۳-انواع روش‌های پیش بینی
* ۱-۴-۳-۱- رگرسیون
* ۱-۴-۳-۱ -۱- رگرسیون خطی
* ۱-۴-۳-۱-۲-رگرسیون منطقی
* ۱-۴-۳- خوشه بندی
* ۱-۴-۳-۱- تعریف فرآیند خوشه‌بندی
* ۱-۴-۳-۲-کیفیت خوشه‌بندی
* ۱-۴-۳-۳-روش ها و الگوریتم‌های خوشه‌بندی
* ۱-۴-۳-۳-۱-روش های سلسله‌مراتبی
* ۱-۴-۳-۳-۱-۱- الگوریتم های سلسله مراتبی
* ۱-۴-۳-۳-۱-۱-۱-الگوریتم خوشه بندی single-linkage
* ۱-۴-۳-۳-۲-الگوریتم‌های تفکیک
* ۱-۴-۳-۳-۳-روش‌های متکی برچگالی
* ۱-۴-۳-۳-۴-روش‌های متکی بر گرید
*  ۱-۴-۳-۳-۵-روش‌‌های متکی بر مدل
* ۱-۴-۴- تخمین
* ۱-۴-۴-۱- درخت تصمیم
* ۱-۴-۴-۲- شبکه ی عصبی
* ۱-۴-۵-سری های زمانی
* ۱-۵-کاربردهای داده کاوی
* ۱-۶-قوانین انجمنی
* ۱-۶-۱-کاوش قوانین انجمنی
* ۱-۶-۲-اصول کاوش قوانین انجمنی
* ۱-۶-۳-اصول استقرا در کاوش قوانین انجمنی
* ۱-۶-۴-الگوریتم Apriori
* ۱-۷-متن کاوی
* ۱-۷-۱- مقدمه
* ۱-۷-۲- فرآیند متن کاوی
* ۱-۷-۳- کاربردهای متن کاوی
* ۱-۷-۳-۱- جستجو و بازیابی
* ۱-۷-۳-۲-گروه بندی و طبقه بندی داده
* ۱-۷-۳-۳-خلاصه سازی
* ۱-۷-۳-۴- روابط میان مفاهیم
* ۱-۷-۳-۵- یافتن و تحلیل ترند ها
* ۱-۷-۳-۵- برچسب زدن نحوی (POS)
*  ۱-۶-۲-۷-ایجاد تزاروس و آنتولوژی به صورت اتوماتیک
* ۱-۸-تصویر کاوی
* ۱-۹- وب کاوی
* فصل دوم -الگوریتم ژنتیک
* ۱-۲-مقدمه
* ۲-۲-اصولالگوریتمژنتیک
*  ۲-۲-۱-کد گذاری
* ۲-۲-۱-۱-روش های کد گذاری
*  ۲-۲-۱-۱-۱-کدگذاری دودویی
* ۲-۲-۱-۱-۲-کدگذاری مقادیر
* ۲-۲-۱-۱-۳-کدگذاری درختی
* ۲-۲-۲- ارزیابی
*  ۲-۲-۳-انتخاب
* ۲-۲-۳-۱-انتخاب گردونه دوار
* ۲-۲-۳-۲-انتخاب رتبه ای
* ۲-۲-۳-۳-انتخاب حالت استوار
* ۲-۲-۳-۴-نخبه گزینی
* ۲-۲-۴-عملگرهای تغییر
* ۲-۲-۴-۱-عملگر Crossover
*  ۲-۲-۴-۲-عملگر جهش ژنتیکی
*  ۲-۲-۴-۳-احتمالCrossover و جهش
* ۲-۲-۵-کدبرداری
* ۲-۲-۶-دیگر پارامترها
*  ۲-۴-مزایای الگوریتم های ژنتیک
* ۲-۵- محدودیت های الگوریتم های ژنتیک
*  ۲-۶-چند نمونه از کاربرد های الگوریتم های ژنتیک
*  ۲-۶-۱-یک مثال ساده
* فصل سوم-شبکه های عصبی
* ۳-۱-چرا از شبکه های عصبی استفاده می کنیم؟
* ۳-۲-سلول عصبی
*  ۳-۳-نحوه عملکرد مغز
*  ۳-۴-مدل ریاضی نرون
*  ۳-۵-آموزش شبکه‌های عصبی
* ۳-۶-کاربرد های شبکه های عصبی
* فصل چهارم – محاسبات نرم
* ۴-۱-مقدمه
* ۴-۲-محاسبات نرمچیست ؟
*  ۴-۲-۱-رابطه
*  ۴-۲-۲-مجموعه های فازی
*  ۴-۲-۲-۱-توابع عضویت
* ۴-۲-۲-۲- عملیات اصلی
* ۴-۲-۳-نقش مجموعه­های فازی در داده­کاوی
* ۴-۲-۳-۱- خوشه بندی
* ۴-۲-۳-۲- خلاصه­ سازی داده­ها
*  ۴-۲-۳-۳- تصویر کاوی
* ۴-۲-۴- الگوریتمژنتیک
* ۴-۲-۵-نقش الگوریتم ژنتیک در داده کاوی
* ۴-۲-۵-۱- رگرسیون
* ۴-۲-۵-۲-قوانین انجمنی
* ۴-۳-بحث و نتیجه گیری
* فصل پنجم – ابزارهای داده کاوی
* ۵-۱- نحوه ی انتخاب ابزارداده کاوی
* ۵-۲-۱-ابزار SPSS-Clemantine
* ۵-۲-۳-ابزار KXEN
* ۵-۲-۴-مدل Insightful
* ۵-۲-۵-مدل Affinium
* ۵-۳- چگونه می توان بهترین ابزار را انتخاب کرد؟
* ۵-۴-ابزار های داده کاوی که در ۲۰۰۷ استفاده شده است
* ۵-۵-داده کاوی با sqlserver 2005
* ۵-۵-۱-اتصال به سرورازمنوی
* ۵-۵-۲- ایجاد Data source
* ۵-۵-۳- ایجادData source view
* ۵-۵-۴- ایجاد Mining structures
* ۵-۵-۵- Microsoft association rule
* ۵-۵-۶- Algorithm cluster
* ۵-۵-۷- Neural network
*  ۵-۵-۸-Modle naive-bayes
* ۵-۵-۹-Microsoft Tree Viewer
* ۵-۵-۱۰-Microsoft-Loistic-Regression
* ۵-۵-۱۱-Microsoft-Linear-Regression
* فصل ششم – نتایج دادهکاوی با SQL SERVER2005روی بانک اطلاعاتی دانشگاه آزاد قوچان
* ·۱-۶-نتایج Data Mining With Sql Server 2005 روی بانک اطلاعاتی دانشگاه آزاد قوچان
* ۱-۶-۱-Microsoft association rule
*  ۱-۶-۲- Algorithm cluster
* ۱-۶-۳- Neural network
* ۱-۶-۴- Modle naive-bayes
* ۱-۶-۵-Microsoft Tree Viewer
* ۷-۱-نتیجه گیری
* منابع وماخذ

(( برای دانلود کلیک کنید ))