بررسی و مطالعه ی کامل داده کاوی و داده کاوی با SQL SERVER

بخشی از فهرست مطالب پروژه بررسی و مطالعه ی کامل داده کاوی و داده کاوی با SQL SERVER
چکیده
فصــل اول
مقدمه ای بر داده کاوی 
مقدمه
عامل مسبب پیدایش داده کاوی
تعریف داده کاوی 
فرآیند داده‌كاوی
چه نوع داده‌هایی مورد كاوش قرار می گیرند؟  
انواع روش‌های کلاس‌بندی 
درخت تصمیم
دسته بندی با درخت تصمیم
نزدیکترین همسایگی_ K
دسته بندی ساده بیزی
انواع روش‌های پیش بینی
روش‌های متكی برچگالی  
-  روش‌‌های متكی بر مدل
درخت تصمیم
قوانین انجمنی
كاوش قوانین انجمنی
اصول كاوش قوانین انجمنی
اصول استقرا در كاوش قوانین انجمنی
-  الگوریتم Apriori
متن کاوی
فرآیند متن کاوی
کاربردهای متن کاوی
جستجو و بازیابی
گروه بندی و طبقه بندی داده
روابط میان مفاهیم
یافتن و تحلیل ترند ها
برچسب زدن نحو (POS)
ایجاد تزاروس و آنتولوژی به صورت اتوماتیک
تصویر کاوی

فصل دوم
الگوریتم ژنتیک
مقدمه
مفاهیم پایه و لغات کلیدی
اصول الگوریتم ژنتیک
روش های کد گذاری
عملگر جهش ژنتیکی
دیگر پارامترها
مزایای الگوریتم های ژنتیک
محدودیت های الگوریتم های ژنتیک
انتخاب

فصل سوم
شبكه های عصبی           
چرا از شبکه های عصبی استفاده می کنیم؟
سلول عصبی
کاربرد های شبکه های عصبی

فصل چهارم
محاسبات نرم
مقدمه
محاسبات نرم  چیست ؟  
مجموعه های فازی
توابع عضویت
عملیات اصلی
نقش مجموعه¬های فازی در داده¬کاوی
خلاصه¬ سازی داده¬ها
نقش الگوریتم ژنتیک در داده کاوی
رگرسیون
بحث و نتیجه گیری

فصل پنجم
ابزارهای داده کاوی
نحوه ی انتخاب ابزارداده کاوی
چگونه می توان بهترین ابزار را انتخاب کرد؟

فصل ششم
نتایج داده کاوی با SQL SERVER2005  روی بانک اطلاعاتی دانشگاه
منابع وماخذ


چکیده
بررسی ومطالعه ی کامل داده کاوی و داده کاوی با SQL SERVER2005
پیاده سازی آن روی بانک اطلاعاتی دانشگاه آزاد قوچان

     امروزه با گسترش سیستم های پایگاهی و حجم بالای داده ها ی ذخیره شده در این سیستم ها ، نیاز به ابزاری است تا بتوان داده های ذخیره شده را پردازش کرد و اطلاعات حاصل از این پردازش را در اختیار کاربران قرار داد.
   داده کاوی یکی از مهمترین روش ها ی کشف دانش است که به وسیله آن الگوهای مفید در داده ها با حداقل دخالت کاربران شناخته می شوند و اطلاعاتی را در اختیار کاربران و تحلیل گران قرار می دهند تا براساس آنها تصمیمات مهم و حیاتی در سازمانها اتخاذ شوند.داده کاوی را تحلیل گران با اهداف گوناگونی از قبیل کلاس بندی, پیش بینی, خوشه بندی ,تخمین انجام می دهند. برای کلاس بندی, مدل هاو الگوریتم هایی مانند قاعده ی بیز, درخت تصمیم, شبکه ی عصبی, الگوریتم ژنتیک مطرح شده است.برای پیش بینی مدل رگرسیون خطی ومنطقی و برای خوشه بندی الگوریتم های سلسله مراتبی و تفکیکی,  وبرای تخمین مدل های درخت تصمیم و شبکه ی عصبی  مطرح می شود. در فصل دوم و سوم با الگوریتم ژنتیک که یکی از الگوریتم های داده کاوی و با شبکه ی عصبی که یکی از مدل های داده کاوی هستند آشنا می شویم .درفصل چهارم به محاسبات نرم و برخی از اجزای اصلی ان و نقش آنها در داده کاوی می پردازیم.
    در فصل پنجم با ابزارهای داده کاوی آشنا می شویم . برای داده کاوی ابزارهای متنوعی وجود دارد. می توان ابزارداده کاوی را با تطبیق آن ابزار با داده های مسئله و با توجه به محیط داده ای که می خواهید از آن استفاده کنید، و امکاناتی که آن ابزار دارد انتخاب کنید.وسپس به داده کاوی با SQLSERVER2005 می پردازیم .ودرفصل ششم به داده کاوی با SQL SERVER2005  روی بانک اطلاعاتی دانشگاه آزاد قوچان پرداختیم.
 کلمات کلیدی ،کلاس بندی ، خوشه بندی ، پیش بینی ، تخمین



بخشی از منابع و مراجع پروژه بررسی و مطالعه ی کامل داده کاوی و داده کاوی با SQL SERVER
 [1]:   
J.Han, and M.Kamber, “Data Mining: Concepts and Techniques”, San Diego Academic Press, 2001
[2]:
Matjaz Gams, Nada Lavarc, Review Of Five Emperical Learning Systems Whitin a Proposal Schemata,1987 , EWSL87.

 [3]:
 Introduction to Data Mining and Knowledge Discovery By Two Crows Corporation


 [4]:
 David J. HAND , Data Mining: Statistics and More? , December 2002.

[5]:
 Jeffery W. Seifert , Analyst in information science and Technology Policy, ‘ Data Mining : An Overview ‘ December 2004.


 [6]:
Ruby L. Kennedy, Yuchung Li, Benjamin Van Roy, Christopher D. Reed, Dr. Richard P. Lippmann, Solving Data Mining Problems Through Pattern Recognition, 1997.


[7]:
 J.Han, M.Kamber, Date Mining: Goncepts and Techinqeus, JimGray, Series Editor Morgan Kaufmann Publishers, Augest 2000.

 [8]:
  Artificial Intelligence, 1994] P. Langley and S. Sage. Induction of Selective      Bayesian Classifiers. Proc. 10th Conf. on

 [9]:
Two Crows Corporation,Introduction to Data Mining and Knowledge Discovery,1999

 [10]:
Ruby L. Kennedy, Yuchung Li, Benjamin Van Roy, Christopher D. Reed, Dr. Richard P. Lippmann, Solving Data Mining Problems Through Pattern Recognition, 1997.

        [11]:
 http://www.30sharp.com
   
 [12] P. Berkhin, Survay of clustering Data Mining Techniques, Accrue Software, CA. 2002.
    
 [13]:
 Sarawagi, Thomas, Agrawal, Integrating Association Rule Mining with Relational Database Systems: Alternative and Implecations

 [14]:
 Ramakrishnan Srikant, Rakesh Agrawal, Mining  Quanitative Associattion Rules in Large Relational Tables, 1995.


 [15]:
 Sehgal, A.K. Text Mining: The Search for Novelty in Text. Ph.D. Comprehensive Examination Report, Dept. of Computer Science, The University of Iowa, April 2004

[16] :
H. Zhuge et al. An Automatic Semantic Relationships Discovery Approach. The 13th International World Wide Web Conference (WWW2004), New York, USA, May 2004,
[17]:   
M. Rajman. Text Mining, knowledge extraction from unstructured textual data. Proc. of EUROSTAT Conference, Francfort (Deutchland), may, 1997

 [18]:
 M. A. Hearst. Untangling text data mining. In Proceedings of the ACL’99: the 37th Annual Meeting of the Association for Computational Linguistics. University of Maryland, June 20-26 1999

[19]:
Dr Alex Rogers , CM2408 – Symbolic Al Lecture 8 – Introduction to Genetic Algorithms ,December 2002

[20]:
Mehrdad Dianati , Insop Song , Mark Treiber , An Introduction to Genetic Algorithms and Evolution Strategies

     [21]:
 http--www.genetic-programming.com

[22]:
 PersianArticles@PetroleumTimes.htm

[23]:
www.talkorigins.org

[24]:

www.ccwmagazine.com

[25]:
www.gpwiki.org