فایلود نیو
دانلود جزوه و تحقیقات آموزشی دانشجوییفایلود نیو
دانلود جزوه و تحقیقات آموزشی دانشجویینقش داده کاوی در تجارت الکترونیک
چکیده:
فناوری اطلاعات و ارتباطات خصوصا اینترنت، به صورت فعال حکومت ها را در قرن بیست و یکم به شدت تغیرداده است. داده-کاوی یکی از دستاورد های فناوری اطلاعات و ارتباطات برای بهبود تحلیل ها و تصمیمات سازمانی و استراتژی های مدیریتی می باشد. ادبیات بسیار وسیعی روی داده کاوی و تکنولوژی های بکارگیری موثر آن وجود دارد.
فرآیندهای تجارت الکترونیک و ابزارهای داده کاوی در بسیاری از شرکت ها انقلابی ایجاد کرده اند. داده هایی که، کسب و کارها درباره مشتریان و معاملات آنها جمع آوری می کنند بزرگترین سرمایه ی کسب و کارها هستند. داده کاوی مجموعه ای از تکنیک های خودکار استفاده شده برای استخراج اطلاعات ناشناخته از پایگاه داده های بزرگ است.
در این تحقیق انواع داده های موجود در وب سایت های تجارت الکترونیک را بررسی کرده و موارد استفاده از آنها در داده کاوی را ذکر می کنیم، همچنین نقش داده کاوی را در جهت بهبود ابعاد مختلف تجارت الکترونیک از جمله مدیریت ریسک، بازاریابی هدفمند، مدیریت مشتری، سیستم های پیشنهاد دهنده و شخصی سازی وب بیان می شود.
فهرست مطالب:
چکیده
مقدمه
تعریف کشف دانش داده کاوی
تاریخچه داده کاوی
روشهای گردآوری اطلاعات
آمار و داده کاوی
تفاوت داده کاوی و آنالیز های آماری
مقایسه روش های سنتی آماری با داده کاوی- مثال 1
مقایسه روش های سنتی آماری با داده کاوی- مثال 2
مراحل داده کاوی
یادگیری و بررسی حوزه کاربرد (شناسایی هدف)
انتخاب داده
آماده سازی داده ها
ارزیابی داده ها
قالب بندی پاسخ
انتخاب ابزار
مدلسازی
اعتبار سازی یافته‌ها
ارائه نتایج
استفاده از نتایج
انواع داده کاوی
فعالیت های داده کاوی
مراحل فرایند کشف دانش از پایگاه داده ها
انبارش داده ها
انتخاب داده ها
تبدیل داده ها
کاوش در داده ها
تفسیر نتیجه
نقش وهدف داده کاوی
ایده اصلی داده کاوی
استراتژی های داده کاوی
تکنیک های داده کاوی
درخت تصمیم گیری (Decision tree)
شبکه های عصبی (Neural networks)
نزدیک ترین همسایه (Nearest neighbor)
الگوریتمهای ژنتیک (Genetic algorithms
عملیات های داده کاوی
مدلسازی پیشگویی کننده
تقطیع پایگاه داده ها
تحلیل پیوند
تشخیص انحراف
چرخه تعالی داده کاوی
الگوریتمهای داده کاوی
شبکه های عصبی
درخت های انتخاب
استنتاج قانون
الگوریتمهای ژنتیک
مدل های فرآیند داده کاوی
مدل فرآیند دو سویه
تعریف مساله
ساختن یک پایگاه داده داده کاوی
جستجوی داده
آماده سازی داده برای مدل سازی
ساختن مدل داده کاوی
تائید اعتبارساده
ارزیابی و تفسیر
تایید اعتبار مدل
ایجاد معماری مدل و نتایج
معماری یک نمونه سیستم داده کاوی
برنامه های کاربردی داده کاوی
نرم افزارهای داده کاوی
مقدمه ای بر تجارت الکترونیکی
شناسایی فرصت های تجاری
مفاهیم پایه در تجارت الکترونیک
تعاریف تجارت الکترونیکی
تاریخچه تجارت الکترونیک
طبقه‌های مختلف تجارت الکترونیکی
تفاوت تجارت الکترونیکی با تجارت سنتی
فروشگاه همیشه باز است
ارتباط با مشتری از طریق ابزارهای الکترونیکی
مشتریان تعاملات انجام شده را تحت کنترل دارند
شناخت رفتار مشتری
نقش دولت در تجارت الکترونیک
هوشمندی کسب و کار
تعریف هوشمندی کسب و کار
اهداف اصلی هوشمندی کسب و کار
نتایج فنی سیستمهای هوشمندی کسب و کار
تحلیل مزیتها و معایب رقبا
انبوه داده ها و اطلاعات
فرآیند هوشمندی کسب و کار در سازمانها و شرکت‌ها
هوشمندی کسب و کار ۲.۰
جمع بندی هوشمندی کسب و کار
انواع داده های موجود در یک سایت تجارت الکترونیک
اطلاعات کوکی و سرور
پروفایل ها / داده های ورودی کاربر
اسناد وب و وب متا دیتا ها
داده کاوی در تجارت الکترونیک
کاربردهای داده کاوی در تجارت الکترونیک
مدیریت ریسک و بازاریابی هدفمند
مدیریت مشتری
سیستم های پیشنهاد دهنده
شخصی سازی وب
جمع بندی و نتیجه گیری
مراجع
فهرست جدول ها
فهرست شکل ها
تعداد مشاهده: 3292 مشاهده
فرمت فایل دانلودی:.docx
فرمت فایل اصلی: docx
تعداد صفحات: 67
حجم فایل:713 کیلوبایت
-
راهنمای استفاده:
گزارش تخصصی و کمیاب مناسب جهت استفاده دانشجویان رشته کامپیوتر و فناوری اطلاعات
-
محتوای فایل دانلودی:
در قالب فایل word و قابل ویرایش
مدیریت اعتبارسنجی مشتریان دریافت تسهیلات بانکی با رویکرد داده کاوی
چکیده:
پیشرفت شگفت انگیز فن آوری رایانه ای و مجهز شدن بشر به این ابزار، سبب پیشرفت فوق العاده در کسب و ذخیره سازی داده های عددی و همچنین بوجود آمدن پایگاه داده های بزرگ در زمینه های مختلف شده است. داده های تبادلات تجاری، کشاورزی، ترافیک، اینترنت، داده های نجومی، جزئیات مکالمات تلفنی، داده های پزشکی و درمانگاهی مثالهایی از چنین پایگاه داده ها میباشند. در واقع تکنیکهای تولید و جمع آوری پایگاه داده ها بسیار سریعتر از توانایی ما در درک و استفاده از آنها رشد کرده است. از اواخر دهة 80 بشر به فکر دستیابی به اطلاعات نهفته در این داده های حجیم، که با بکار بردن سیستم های سنتی استفاده از پایگاه داده ها میسر نبود، افتاد و تلاشها برای انجام این کار را شروع کرد.
داده کاوی فرآیندی است که در آغاز دهة 90 پا به عرصه ظهور گذاشته و با نگرشی نو، به مسئله ی استخراج اطلاعات از پایگاه داده ها می پردازد.
در سال 1996، اولین شمارة مجلة کشف دانش و معرفت از پایگاه داده ها منتشر شد . در حال حاضر، داده کاوی مهمترین فناوری جهت بهره برداری موثر از داده های حجیم بوده و اهمیت آن رو به فزونی است.
بانک ها به منظور تعیین ریسک اعتباری و ارائه خدمات مالی به مشتریان خود نیازمند شناسایی دقیق آن ها هستند. مدل های اعتبارسنجی می توانند در این زمینه به پشتیبانی از بانک ها بپردازند. درختان تصمیم گیری به عنوان یکی از تکنیک های داده کاوی کاربرد زیادی در اعتبارسنجی مشتریان بانک ها و اعطای تسهیلات اعتباری به آنها دارند. مسئله اصلی شامل دقت طبقه بندی، پیچیدگی، اندازه بیش از حد و عدم انعطاف پذیری درختان تصمیم گیری در طبقه بندی و اعتبار سنجی مشتریان است. هدف از این پژوهش ارائه مدل تلفیقی پیشنهادی برای حل مسائل فوق و بهینه سازی درختان تصمیم گیری با بکارگیری تکنیک های خوشه بندی و الگوریتم ژنتیک است. می توان با انتخاب ویژگی های مناسب توسط الگوریتم ژنتیک و ساخت درختان تصمیم گیری به کاهش پیچیدگی، افزایش انعطاف پذیری و دقت طبقه بندی پرداخت.
در مدل تلفیقی پیشنهادی ابتدا عمل خوشه بندی برروی مجموعه داده اعتباری صورت می گیرد.سپس توسط الگوریتم طبقه بندی متا و الگوریتم انتخاب ویژگی مبتنی بر درخت تصمیم گیری ژنتیکی، درخت تصمیم گیری C4.5 در هر خوشه ساخته می شود. در نهایت با اتخاذ یک استراتژی مناسب، بهترین درختان تصمیم گیری در هر خوشه برای اعتبارسنجی مشتریان انتخاب می شوند. ابزار یادگیری ماشین وکا و نرم افزار GATree برای تحلیل نتایج بکار می رود. نتایج نشان می دهد که مدل تلفیقی پیشنهادی دقت طبقه بندی بالاتری نسبت به اکثر الگوریتم های طبقه بندی مور مقایسه در این پژوهش دارد و مشتریان اعتباری بانک را با پیچیدگی کمتری طبقه بندی می کند.
فهرست مطالب:
چکیده
کلید واژه ها
فصل اول: داده کاوی
مقدمه
داده کاوی چیست؟
تاریخچه داده کاوی
ویژگی های داده کاوی
مزایای داده کاوی
مراحل داده کاوی
عملیات داده کاوی
نرم افزارهای داده کاوی
نمونه های از نرم افزارهای داده کاوی
کاربردهای داده کاوی
کاربرد داده کاوی در بانکداری الکترونیکی
نمونه ای از کاربرد داده کاوی در بانکداری
مراحل عمل داده کاوی از یک پایگاه داده
فصل دوم: داده کاوی و بانکداری
تشریح داده کاوی در بانک
شناسایی و طبقه بندی مشتریان کلیدی
اهمیت دستیابی به رضایتمندی مشتری
فرایند داده کاوی در مدیریت ارتباط با مشتری
استخراج داده
تکنیک های استخراج داده
کاربردهای استخراج داده در بخش بانکداری
تعیین اعتبار مشتریان بانک
مجموعه داده
ریسک اعتباری و اعتبار سنجی
طبقه بندی و درختان تصمیم گیری
خوشه بندی
انتخاب ویژگی ها
الگوریتم ژنتیک
مدل تلفیقی پیشنهادی
آموزش، تست مدل
مقایسه نتایج درخت تصمیم گیری مدل تلفیقی پیشنهادی با سایر درختان تصمیم گیری
فصل سوم: استنتاج
نتیجه گیری
فصل چهارم: پیوست ها
پیوست
فصل پنجم: منابع
منابع
فهرست جدولها
فهرست شکل ها
تعداد مشاهده: 1444 مشاهده
فرمت فایل دانلودی:.doc
فرمت فایل اصلی: doc
تعداد صفحات: 75
حجم فایل:2,145 کیلوبایت
-
راهنمای استفاده:
مناسب برای دانشجویان رشته مهندسی کامپیوتر
اختصاصی سایت فایلود و بدون مشابه
-
محتوای فایل دانلودی:
در قالب فایل word و قابل ویرایش
کاربرد داده کاوی در سازمان های پلیسی و قضایی به منظور شناسایی الگوهای جرم و کشف جرایم
چکیده:
پیشگیری ازجرم یکی از موضوعات اساسی و مهم در زندگی بشر بوده که در طول تاریخ به شیوه های مختلف و گوناگون مورد بررسی قرار گرفته است.
با توجه به گسترش فناوری های اطلاعات و ارتباطات و راه اندازی سیستم های جامع اطلاعاتی در سازمان های پلیسی و قضایی و همچنین نیروی انتظامی و ثبت اطلاعات مجرمان در بانک های اطلاعاتی به منظور شناسایی جرم و کشف جرایم یکی از ضرورت های پلیس ایران و دستگاه های قضایی می باشد.
بی شک شرایط اجتماعی بشر رویارویی با پدیده جرم راغیر قابل اجتناب می کند. هدف اصلی این تحقیق مطالعه وبررسی روش مبتنی بر داده کاوی است، این روش با استفاده از ابزارها والگوریتم های داده کاوی و بکارگیری بانک اطلاعاتی موجود می تواند درحوزه های مختلفی همچون شناسایی، پیش بینی وپیشگیری ازجرایم مورد بررسی قرار گرفته و با کنترل دقیق تر نیروها و آرایش نظامی آن ها در مکان جرم از وقوع جرم پیشگیری کند.
فهرست مطالب:
چکیده
مقدمه
تعریف داده کاوی
شکل شماره یک
1. فرایندهای داده کاوی
1.1 تعریف مسئله
1.2 ساختن یک پایگاه داده برای داده کاوی
1.3 جستجوی داده
1.4 آماده سازی داده برای مدل سازی
1.5 تایید اعتبار ساده
1.6 ارزیابی وتفسیروتایید اعتبارمدل
2. کارکردها و وظایف داده کاوی
شکل شماره دو
2.1 پیش بینی
2.2 دسته بندی
2.3 رگریسون
2.4 سری های زمانی
2.5 قوانین باهم آیی
2.6 خوشه بندی
2.7 خلاصه سازی
2.8 کشف توالی
3. داده کاوی در برخی سازمان های پلیسی و قضایی
3.1 داده کاوی وتحلیل حوادث
3.2 داده کاوی وبررسی جرم صحنه
3.3 داده کاوی ودوباره قربانی شدن
3.4 داده کاوی وحوادث تیراندازی
3.5 داده کاوی وسرقت مسلحانه
3.6 داده کاوی وجرایم خشونت آمیز
3.7 داده کاوی وحملات تروریستی
3.8 داده کاوی وسرقت ازمنازل
3.9 داده کاوی وجرایم مجازی
4. روش های داده کاوی
4.1 روش خوشه بندی
Association rule mining 4.2
Sequential pattern mining 4.3
String comparator 4.4
5. قوانین نالازمی در داده کاوی
5.1 ضریب پشتیبان
5.2 ضریب اطمینان
5.3 الگوریتم کای میانگ
5.4 ارزیابی کیفیت خوشه بندی
6. روش های تحلیل داده ها
شکل شماره چهار
جدول شماره یک
6.1 تحلیل نتایج
جدول شماره دو
جدول شماره سوم
جدول شماره چهارم
جدول شماره پنجم
جدول شماره ششم
جدول شماره هفتم
جدول شماره هشتم
جمع بندی ونتیجه گیری
منابع
تعداد مشاهده: 1588 مشاهده
فرمت فایل دانلودی:.docx
فرمت فایل اصلی: docx
تعداد صفحات: 42
حجم فایل:212 کیلوبایت
-
راهنمای استفاده:
مناسب جهت استفاده دانشجویان رشته کامپیوتر و فناوری اطلاعات
-
محتوای فایل دانلودی:
در قالب فایل word و قابل ویرایش
همراه با شکل، نمودار، جدول، پاورقی، فهرست شکل ها، منابع
تحقیق نقد و بررسی Data Maining
چکیده:
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 کردواطلاعات حاصل از این پردازش را در اختیار کاربران قرار داد.
با استفاده از پرسش های ساده در SQL و ابزارهای گوناگون گزارش گیری معمولی، میتوان اطلاعاتی را در اختیار کاربران قرار داد تا بتوانند به نتیجه گیری در مورد داده ها و روابط منطقی میان آنها بپردازند اما وقتی که حجم داده ها بالا باشد، کاربران هر چند زبر دست و با تجربه باشند نمی توانند الگوهای مفید را در میان حجم انبوه داده ها تشخیص دهند و یا اگر قادر به این کار هم باشند ، هزینه عملیات از نظر نیروی انسانی و مادی بسیار بالا است.
از سوی دیگر کاربران معمولا فرضیه ای را مطرح می کنند و سپس بر اساس گزارشات مشاهده شده به اثبات یا رد فرضیه می پردازند ، در حالی که امروزه نیاز به روشهایی است که اصطلاحا به کشف دانش بپردازند یعنی با کمترین دخالت کاربر و به صورت خودکار الگوها و رابطه های منطقی را بیان نمایند.
داده کاوی یکی از مهمترین این روشها 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.
در داده کاوی از بخشی از علم آمار به نام تحلیل اکتشافی داده ها استفاده می شود که در آن بر کشف اطلاعات نهفته و ناشناخته از درون حجم انبوه داده ها تاکید می شود. علاوه بر این داده کاوی با هوش مصنوعی و یادگیری ماشین نیز ارتباط تنگاتنگی دارد، بنابراین می توان گفت در داده کاوی تئوریهای پایگاه داده ها، هوش مصنوعی، یادگیری ماشین و علم آمار را در هم می آمیزند تا زمینه کاربردی فراهم شود.
باید توجه داشت که اصطلاح داده کاوی زمانی به کار برده می شود که با حجم بزرگی از داده ها، در حد مگا یا ترابایت، مواجه باشیم. در تمامی منابع داده کاوی بر این مطلب تاکید شده است.
هر چه حجم داده ها بیشتر و روابط میان آنها پیچیده تر باشد دسترسی به اطلاعات نهفته در میان داده ها مشکلتر می شود و نقش داده کاوی به عنوان یکی از روشهای کشف دانش، روشن تر می گردد.
فهرست مطالب:
چکیده
مقدمه
مفاهیم داده کاوی
مدیریت ذخیره سازی و دستیابی اطلاعات
ساختار بانک اطلاعاتی سازمان
داده کاوی (Data Mining)
مفاهیم پایه در داده کاوی
تعریف داده کاوی
مراحل فرایند کشف دانش از پایگاه داده ها
الگوریتم های داده کاوی
آماده سازی داده برای مدل سازی
درک قلمرو
ابزارهای تجاری داده کاوی Tools DM Commercial
منابع اطلاعاتی مورد استفاده
منابع اطلاعاتی گوناگونی را میتوان در زمینه داده کاوی بکار برد
محدودیت های داده کاوی
مراجع و ماخذ فارسی
مراجع و ماخذ لاتین و سایتهای اینترنت
تعداد مشاهده: 892 مشاهده
فرمت فایل دانلودی:.docx
فرمت فایل اصلی: docx
تعداد صفحات: 54
حجم فایل:206 کیلوبایت
-
راهنمای استفاده:
مناسب جهت استفاده دانشجویان رشته کامپیوتر و فناوری اطلاعات
-
محتوای فایل دانلودی:
در قالب فایل word و قابل ویرایش
مقاله معماری توزیع شده برای داده کاوی و ادغام
بخشی از متن:
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 پردازش کرد و اطلاعات حاصل از این پردازش را در اختیار کاربران قرار داد.
با استفاده ار پرسش های ساده در SQL و ابزارهای گوناگون گزارش گیری معمولی، می توان اطلاعاتی را در اختیار کاربران قرار داد تا بتوانند به نتیجه گیری در مورد داده ها و روابط منطقی میان آنها بپردازند اما وقتی که حجم داده ها بالا باشد، کاربران هر چند زبر دست و با تجربه باشند نمی توانند الگوهای مفید را در میان حجم انبوه داده ها تشخیص دهند و یا اگر قادر به این کار هم با شند، هزینه عملیات از نظر نیروی انسانی و مادی بسیار بالا است. ...
فهرست مطالب:
مقدمه ای بر داده کاوی
مفاهیم پایه در داده کاوی
داده کاوی توزیع شده
بررسی یک مقاله
یک معماری توزیع شده برای داده کاوی و ادغام
چکیده
1. مقدمه
2. معماری DMI
3. DMI Language
نمونه یک در خواست DMIL
بررسی امکان سنجی
نمونه از تست فرایند DMI
نگاشت به یک فرایند DMI جزئی شده
4. فلسفه جریان داده
5.کارهای مرتبط (Related Work)
6. نتایج و کار بیشتر
تعداد مشاهده: 1862 مشاهده
فرمت فایل دانلودی:.docx
فرمت فایل اصلی: docx
تعداد صفحات: 20
حجم فایل:1,916 کیلوبایت
-
راهنمای استفاده:
مناسب جهت استفاده دانشجویان کامپیوتر و فناوری اطلاعات
-
محتوای فایل دانلودی:
در قالب فایل word و قابل ویرایش