15 سمینار کامل داده کاوی

اختصاصی از زد فایل 15 سمینار کامل داده کاوی دانلود با لینک مستقیم و پر سرعت .

15 سمینار کامل داده کاوی

به همراه منابع و اسلاید

بیش از 400 صفحه دکیومنت یا فرمت ورد

کاربردهای داده کاوی

 درسالهای اخیر در صنعت اطلاعات شاهد توجه زیادی به داده کاوی بوده ایم که می توان دلیل این توجه روز افزون را دسترسی به حجم بسیار زیادی از داده ها و نیاز به کشف و استخراج اطلاعات و دانش مفید از آنها دانست، و می توان از این اطلاعات و دانش کسب شده در قسمت های مختلفی همچون مدیریت کسب و کار ،کنترل تولید، تحلیل بازار و اکتشافاتی در زمینه دانش و مهندسی استفاده نمود.

با توجه با اهمیت این مبحث و کاربردهای آن ، در این فصل سعی بر آن شده تا خلاصه ای از کاربردهای داده کاوی در برخی از صنایع بزرگ مورد بررسی قرار گیرد و از آنجا که تکنیک های بصری سازی داده ها در کاربردهای داده کاوی کاملا مشهود است و در مباحث پیشین در این زمینه بحثی صورت نگرفته ، لذا در ائامه سعی بر آن شده تا با نگاهی گذرا به این مبحث آشنایی بیشتری با آن پیدا کنیم. و در پایان نیز اشاره ای به روندهای داده کاوی خواهیم کرد.
داده کاوی در زمینه علوم زیست شناسی[1] و تحلیل داده های DNA

در دهه های گذشته شاهد رشد سریع در تحقیقات زیست شناسی بوده ایم، از توسعه داروهای جدید و درمانهای پیشرفته سرطان گرفته تا شناخت و بررسی human genome بوسیله کشف الگوهای متوالی در مقیاس های بزرگ و عملکردهای ژنی.

علم تعامل زیادی با تحقیقات زیست شناسی که بر تحلیل داده هایDNA متمرکز است ،دارد.تحقیقات اخیر در زمینه تحلیل DNA ما را به سمت کشف علل ژنتیک بسیاری از امراض و ناتوانایی ها و همچنین کشف داروها و رویکردهای جدید برای تشخیص بیماریها وجلوگیری و درمان آنها هدایت می کند.تمرکز اصلی تحقیقات genome بر مطالعه توالی های DNA است.تمام توالی های DNA در بر دارنده چهار چوبی هستند که نوکلئوتیدهانامیده می شوند ، که عبارتند از:

enine(A),cytosine(C),guanine(G),thymine(T) .

هر انسان حدود 100000 ژن دارد و هر ژن شامل 100 نوکلئوتید است که با ترتیب خاصی قرار گرفته اند.تقریبا تعداد نامحدودی راههای مختلف برای ترتیب قرار گرفتن و توالی نوکلئوتیدها برای تشکیل ژنها وجود داردو این چالشی است برای شناسایی توالی قرارگرفتن ژن های خاص که نقش اصلی در بیماریهای مختلف را بازی میکنند.از زمانی که تحلیل الگوهای sequential و تکنیک های مشابه در داده کاوی توسعه و گسترش یافت ، داده کاوی تبدیل به ابزار قدرتمندی شد که سهم قابل توجهی در تحلیل های DNA دارد.

[1] Biomedical

استخراج قوانین وابستگی از پایگاههای داده

 Mining Association Rules From Databases

1- مقدمه

تحلیل وابستگیها یک حالت غیر نظارتی[1] داده کاوی می باشد که به جستجو برای یافتن ارتباط  در مجموعه داده ها می پردازد. یکی از کاربردیترین حالات تحلیل وابستگیها “تجزیه تحلیل سبد بازار[2]” می باشد.

پیشرفت تکنولوژی فروشگاههای خرده فروشی را قادرساخته است حجم زیادی از داده های مربوط به خرید هر یک از مشتریان که از آن به عنوان سبد بازار یاد می‌شود را جمع‌آوری و ذخیره نمایند. داده‌های موجود در سبد بازارنشان‌دهنده خرید مشتری دریک زمان خاص هستند. هر مشتری خرید مجزایی را درکمیتهای مختلف وزمانهای متفاوت انجام می‌دهد. با تجزیه و تحلیل سبد بازاربینشی برای خرده‌فروشان ازاینکه چه محصولاتی با هم خریداری می‌شوند فراهم می گردد و بنابراین می‌توانند رفتارخرید مشتریان را پیش‌بینی کنند این کار به آنها کمک می کند که بهتر بتوانند کالاهای خود را سازماندهی کرده و چیدمان بهتری ازمحصولات خود داشته باشند و بنابراین سودآوری خود را افزایش دهند.

Association rule ها ماهیتاً قوانین احتمالی هستند. بعبارت دیگر قانون   XÞAلزوماً قانون X+YÞA رانتیجه نمی‌دهد زیرا این قانون ممکن است از شرط حداقل Support برخوردار نباشد.

[1] Undirected

[2]Market Basket -Basket Data

دانلود تحقیق وب کاوی در صنعت

اختصاصی از زد فایل دانلود تحقیق وب کاوی در صنعت دانلود با لینک مستقیم و پر سرعت .

شرح مختصر : با افزایش چشمگیر حجم اطلاعات و توسعه وب، نیاز به روش ها و تکنیک هایی که بتوانند امکان دستیابی کارا به داده‌ها و استخراج اطلاعات از آنها را فراهم کنند، بیش از پیش احساس می شود. وب کاوی یکی از زمینه های تحقیقاتی است که با به کارگیری تکنیک های داده کاوی به کشف و استخراج خودکار اطلاعات از اسناد و سرویس‌های وب می پردازد. در واقع وب کاوی، فرآیند کشف اطلاعات و دانش ناشناخته و مفید از داده های وب می باشد. روش های وب کاوی بر اساس آن که چه نوع داده ای را مورد کاوش قرار می دهند، به سه دسته کاوش محتوای وب، کاوش ساختار وب و کاوش استفاده از وب تقسیم می شوند. طی این گزارش پس از معرفی وب کاوی و بررسی مراحل آن، ارتباط وب کاوی با سایر زمینه های تحقیقاتی بررسی شده و به چالش ها، مشکلات و کاربردهای این زمینه تحقیقاتی اشاره می شود. همچنین هر یک از انواع وب کاوی به تفصیل مورد بررسی قرار می گیرند که در این پروژه بیشتر به وب کاوی در صنعت می پردازم. برای این منظور مدل ها، الگوریتم ها و کاربردهای هر طبقه معرفی می شوند.

فهرست :

مقدمه

فصل دوم: داده کاوی

مقدمه ای بر داده کاوی

چه چیزی سبب پیدایش داده کاوی شده است؟

مراحل کشف دانش

جایگاه داده کاوی در میان علوم مختلف

داده کاوی چه کارهایی نمی تواند انجام دهد؟

داده کاوی و انبار داده ها

داده کاوی و OLAP

کاربرد یادگیری ماشین و آمار در داده کاوی

توصیف داده ها در داده کاوی

خلاصه سازی و به تصویر در آوردن داده ها

خوشه بندی

تحلیل لینک

مدل های پیش بینی داده ها

دسته بندی

رگرسیون

سری های زمانی

مدل ها و الگوریتم های داده کاوی

شبکه های عصبی

درخت تصمیم

Multivariate Adaptive Regression Splines(MARS)

Rule induction

Knearest neibour and memorybased reansoning(MBR)

رگرسیون منطقی

تحلیل تفکیکی

مدل افزودنی کلی (GAM)

Boosting

سلسله مراتب انتخابها

داده کاوی و مدیریت بهینه وب سایت ها

داده‌کاوی و مدیریت دانش

فصل سوم: وب کاوی

تعریف وب کاوی

مراحل وب کاوی

وب کاوی و زمینه های تحقیقاتی مرتبط

وب کاوی و داده کاوی

وب کاوی و بازیابی اطلاعات

وب کاوی و استخراج اطلاعات

وب کاوی و یادگیری ماشین

انواع وب کاوی

چالش های وب کاوی

مشکلات ومحدودیت های وب کاوی در سایت های فارسی زبان

محتوا کاوی وب

فصل چهارم: وب کاوی در صنعت

انواع وب کاوی در صنعت

وب کاوی در صنعت نفت، گاز و پتروشیمی

مهندسی مخازن/ اکتشاف

مهندسی بهره برداری

مهندسی حفاری

بخشهای مدیریتی

کاربرد های دانش داده کاوی در صنعت بیمه

کاربردهای دانش داده کاوی در مدیریت شهری

کاربردهای داده کاوی در صنعت بانکداری

بخش بندی مشتریان

پژوهش های کاربردی

نتیجه گیری

منابع و ماخذ فارسی

مراجع و ماخذ لاتین و سایتهای اینترنتی

پایان نامه و تحقیق در رابطه با تکنیک های داده کاوی (فایل Word/ قابل ویرایش ) تعداد صفحات 80

اختصاصی از زد فایل پایان نامه و تحقیق در رابطه با تکنیک های داده کاوی (فایل Word/ قابل ویرایش ) تعداد صفحات 80 دانلود با لینک مستقیم و پر سرعت .

 تا به امروز نرم افزارهای تجاری و آموزشی فراوانی برای داده کاوی در حوزه های مختلف داده ها به دنیای علم و فناوری عرضه شده اند. هریک از آنها با توجه به نوع اصلی داده هایی که مورد کاوش قرار میدهند، روی الگوریتمهای خاصی متمرکز شده اند. مقایسه دقیق و علمی این ابزارها باید از جنبه های متفاوت و متعددی مانند تنوع انواع و فرمت داده های ورودی، حجم ممکن برای پردازش داده ها، الگـوریتمهای پیاده سـازی شده، روشهای ارزیابی نتایج، روشهای مصـور سـازی، روشهای پیش پردازش داده ها، واسطهای کاربر پسند، پلت‌فرمهای سازگار برای اجرا،قیمت و در دسترس بودن نرم افزار صورت گیرد. از آن میان، نرم افزار Weka با داشتن امکانات بسیار گسترده،امکان مقایسه خروجی روشهای مختلف با هم، راهنمای خوب، واسط گرافیگی کارا، سازگاری با سایر برنامه های ویندوزی، و از همه مهمتر وجود کتابی بسیار جامع و مرتبط با آن [Data Mining, witten et Al. 2005 ] ، معرفی میشود.

1- معرفی نرم افزار Weka

میزکارWeka ، مجموع‌های از الگوریتمهای روز یادگیری ماشینی و ابزارهای پیش پردازش داده‌ها میباشد. این نرم‌افزار به گونه‌ای طراحی شده است که میتوان به سرعت، روشهای موجود را به صورت انعطافپذیری روی مجموعه‌های جدید داده، آزمایش نمود. این نرم‌افزار، پشتیبانی‌های ارزشمندی را برای کل فرآیند داده کاوی های تجربی فراهم میکند. این پشتیبانی‌ها، آماده سازی داده‌های ورودی، ارزیابی آماری چارچوبهای یادگیری و نمایش گرافیکی داده‌های ورودی و نتایج یادگیری را در بر میگیرند. همچنین، هماهنگ با دامنه وسیع الگوریتمهای یادگیری، این نرم‌افزار شامل ابزارهای متنوع پیش پردازش داده‌هاست. این جعبه ابزار متنوع و جامع، از طریق یک واسط متداول در دسترس است، به نحوی که کاربر میتواند روشهای متفاوت را در آن با یکدیگر مقایسه کند و روشهایی را که برای مسایل مدنظر مناسبتر هستند، تشخیص دهد.

این سیستم به زبان جاوا نوشته شده و بر اساس لیسانس عمومی و فراگیر GNU انتشار یافته است.Weka تقریباً روی هر پلت فرمی اجرا میشود و نیز تحت سیستم عاملهای لینوکس، ویندوز، و مکینتاش، و حتی روی یک منشی دیجیتالی شخصی، آزمایش شده است.

این نرم افزار، یک واسط همگون برای بسیاری از الگوریتمهای یادگیری متفاوت، فراهم کرده است که از طریق آن روشهای پیش پردازش، پس از پردازش و ارزیابی نتایج طرح های یادگیری روی همه مجموعه های داده موجود، قابل اعمال است.

نرم افزار Weka ، پیاده سازی الگوریتمهای مختلف یادگیری را فراهم میکند و به آسانی میتوان آنها را به مجموعه های داده خود اعمال کرد.

  همچنین، این نرم افزار شامل مجموعه متنوعی از ابزارهای تبدیل مجموعه‌های داده ها، همانند الگوریتمهای گسسته سازی میباشد. در این محیط میتوان یک مجموعه داده را پیش پردازش کرد، آن را به یک طرح یادگیری وارد نمود، و دسته‌بندی حاصله و کارآیی‌اش را مورد تحلیل قرار داد.( همه این کارها، بدون نیاز به نوشتن هیچ قطعه برنامه‌ای میسر است.)

  این محیط، شامل روشهایی برای همه مسایل استاندارد داده کاوی مانند رگرسیون، رده‌بندی، خوشه‌بندی، کاوش قواعد انجمنی و انتخاب ویژگی میباشد. با در نظر گرفتن اینکه، داده‌ها بخش مکمل کار هستند، بسیاری از ابزارهای پیش پردازش داده‌ها و مصورسازی آنها فراهم گشته است. همه الگوریتم ها، ورودیهای خود را به صورت یک جدول رابطهای به فرمت ARFF دریافت میکنند. این فرمت داده‌ها، میتواند از یک فایل خوانده شده یا به وسیله یک درخواست از پایگاه دادهای تولید گردد.

یکی از راههای به کارگیری Weka ، اعمال یک روش یادگیری به یک مجموعه داده و تحلیل خروجی آن برای شناخت چیزهای بیشتری راجع به آن اطلاعات میباشد. راه دیگر استفاده از مدل یادگیری شده برای تولید پیشبینی‌هایی در مورد نمونه‌های جدید است. سومین راه، اعمال یادگیرنده‌های مختلف و مقایسه کارآیی آنها به منظور انتخاب یکی از آنها برای تخمین میباشد. روشهای یادگیری Classifier نامیده میشوند و در واسط تعاملی Weka ، میتوان هر یک از آنها را از منو انتخاب نمود. بسیاری از classifier ها پارامترهای قابل تنظیم دارند که میتوان از طریق صفحه ویژگی‌ها یا object editor به آنها دسترسی داشت. یک واحد ارزیابی مشترک، برای اندازه‌گیری کارآیی همه classifier به کار میرود.

پیاده سازیهای چارچوبهای یادگیری واقعی، منابع بسیار ارزشمندی هستند که Weka فراهم می کند. ابزارهایی که برای پیش پردازش داده‌ها استفاده میشوند Filter نامیده میشوند. همانند classifier ها، میتوان filter ها را از منوی مربوطه انتخاب کرده و آنها را با نیازمندیهای خود، سازگار نمود. در ادامه، به روش به کارگیری فیلترها اشاره میشود.

  علاوه بر موارد فوق، Weka شامل پیاده سازی الگوریتمهایی برای یادگیری قواعد انجمنی، خوشه‌بندی داده‌ها در جایی که هیچ دست‌های تعریف نشده است، و انتخاب ویژگیهای مرتبط در داده‌ها میباشد.

تعداد صفحات :80

فرمت فایل : Word

پیاده سازی وب سایت فروشگاه اینترنتی با استفاده از الگوریتم های داده کاوی

اختصاصی از زد فایل پیاده سازی وب سایت فروشگاه اینترنتی با استفاده از الگوریتم های داده کاوی دانلود با لینک مستقیم و پر سرعت .

فرمت فایل : word(قابل ویرایش)تعداد صفحات120

چکیده

داده کاوی و کشف دانش در پایگاه داده ها از جمله موضوع هایی هستند که همزمان با ایجاد و استفاده از پایگاه داده ها در اوایل دهه 80 برای جستجوی دانش در داده ها شکل گرفت.
شاید بتوان لوول (1983) را اولین شخصی دانست که گزارشی در مورد داده کاوی تحت عنوان « شبیه سازی فعالیت داده کاوی » ارائه نمود. همزمان با او پژوهشگران و متخصصان علوم رایانه، آمار، هوش مصنوعی، یادگیری ماشین و . . . نیز به پژوهش در این زمینه و زمینه های مرتبط با آن پرداخته اند.

هدف از انجام این پروژه ایجاد یک وب سایت فروشگاه اینترنتی با قابلیت ارزیابی مشتری به کمک الگورینم رگرسیون است. همچنین به بررسی دیگر الگوریتمها نیز پرداخته شده است.

کلمات کلیدی:
Data mining, ajax, silverligh, asp.net , data access layer, CART, nearest neigbour, regression logic,DataBase

فهرست مطالب

عنوان صفحه
مقدمه.................................................... 1
فصل یکم – داده کاوی ...................................... 2
1-1- مقدمه ای بر داده کاوی ................................ 2
1-2- چه چیزی سبب پیدایش داده کاوی شده است ؟ ............... 4
1-3- فرآیند داده کاوی .................................... 7
1-4- مراحل کشف دانش ....................................... 8
1-5- داده کاوی و انبار داده ها ........................... 13
1-6- خلاصه سازی و به تصویر در آوردن داده ها................. 15
1-7- مدل های پیش بینی داده ها ............................. 16
1-7-1- Classification .......................................... 16
1-7-2- Regression ............................................ 16
1-7-3- Time Series.......................................... 17
1-8- مدل ها و الگوریتم های داده کاوی ...................... 17
1-8-1- Decision trees ...................................... 17
1-8-2- Rule Induction ...................................... 20
فصل دوم – روش های کاهش داده ها
2-1- کاهش داده ............................................ 21
2-2- ابعاد مجموعه داده های بزرگ............................ 22
2-2-1- زمان محاسبه ......................................... 24
2-2-2- دقت پیشگویانه/توصیفی................................. 24
2-2-3- ارائه مدل داده کاوی.................................. 24
2-3- کاهش ویژگی ها......................................... 26
2-4- تجزیه و تحلیل عنصر اصلی............................... 41
2-5- کاهش مقادیر .......................................... 46
2-6- گسسته سازی ویژگی :تکنیک Chimerge...................... 52
2-7- کاهش موارد (حالات)..................................... 60
فصل سوم- مدیریت ارتباط با مشتری
3-1- تجریه و تحلیل......................................... 67
3-2- توضیح داده ها......................................... 68
3-3- تجزیه و تحلیل داده های به دست آمده.................... 70
3-4- شمای مدل.............................................. 75
3-4-1- مدل های برگشت منطقی.................................. 76
3-4-2- Rdial Basis Function Network................................ 79
3-4-3- مدل های درخت رده بندی................................ 81
3-4-4- مدل های نزدیکترین همسایگی (Nearrest-neighbour............. 88
3-5- مقایسه ی مدل.......................................... 89
فصل چهارم-آجاکس
4-1- معرفی اجاکس........................................... 95
4-2- Httprequest آجاکس..................................... 97
4-3- شی XMLHttpRequest..................................... 97
4-4- ارسال یک درخواست به سرور.............................. 98
4-5- مقایسه معماری Asp.net AJAx Extensionsوsp.net2........ 100
4-5-1- معماری Asp.net AJAX Extention........................ 100
4-5-2- معماری sp.net2..................................... 100
4-6-1- کنترل UpdatePanel.................................... 102
4-6-2- راه اندازها.......................................... 104
4-6-2-1- راه اندازغیرهمگام.................................. 104
4-6-2-2- راه انداز PostBack ................................ 104
4-6-3- Timer................................................ 104
4-6-4- UpdateProgress....................................... 105
فصل پنجم – سیلورلایت
-1- سیلورلایت چیست؟........................................ 108
-2- Does Dom به چه معناست؟................................ 112
-3- توضیحاتی در مورد نسخه سیلورلایت ....................... 113
-4- نصب سیلورلایت plug-in.................................. 115
-5- دریافت Silverlight SDK................................ 119
فصل ششم- توضیحاتی در رابطه با پروژه
6-1- معرفی معماری سه لایه................................... 123
6-2- ایجاد متدهای insert، update، delete به صورت سفارشی .......... 126
6-3- ایجاد کلاسهای BLL ..................................... 130
6-3-1-1- افزودن کارمند به لیست کارمندان..................... 132
6-3-1-2- ویرایش پروفایل کارمند............................. 132
6-3-2- OrdersBLL............................................ 133
6-3-2-1- ایجاد پروسیجر WickerBasket ....................... 133
6-3-2-2- افرودن پروسجر به DataSet و ایجاد TableAdapter.......... 134
6-3-3- استفاده از WickerbasketTableadapter در OrderBLL ............ 137
6-3-3-1- افزودن به سبد خرید................................. 137
6-3-3-2- حدف از سبد خرید.................................... 137
6-4- طراحی لایه ی ارائه...................................... 138
6-4-1- صفحه اصلی (HomePage)................................. 138
6-4-2- صفحه عضویت مشتری.................................... 142
6-4-3- صفحه کالاهای موجود................................... 143
6-4-4- صفحه نمایش سبد خرید................................. 145
6-4-5- صفحه پرداخت هزینه................................... 146
6-4-6- صفحه ورود کالا....................................... 148
6-4-7- صفحه ثبت اپراتور.................................... 148
6-4-8- ارزیابی مشتری با روش رگرسیون......................... 149
6-5- DataBase.............................................. 153
6-5-1- جدول مشتری.......................................... 
6-5-2- جدول اپراتور......................................... 
6-5-3- جدول سفارشات........................................ 
6-5-4- جدول محصولات......................................... 156
6-5-5- جدول غرفه ها......................................... 
6-5-6- جدول پرداخت.......................................... 157
6-5-7- جدول پرداخت هزینه................................... 158
6-5-8- جدول متطقه.......................................... 158
6-5-8- جدول Admin.......................................... 158
فصل هفتم-نتیجه گیری........................................ 160
منابع...................................................... 161

فهرست شکلها

عنوان صفحه
شکل1-1- داده کاوی به عنوان یک مرحله از فرآیند کشف دانش..... 5
شکل 1-2- فرآیند داده کاوی.................................. 7
شکل 1-3- سیر تکاملی صنعت پایگاه داده....................... 10
شکل 1-4- معماری یک نمونه سیستم داده کاوی................... 11
شکل 1-5- استخراج داده ها از انبار داده ها.................. 14
شکل 1-6- استخراج داده ها از چند پایگاه داده................ 15
شکل 1-7- درخت تصمیم گیری................................... 18
شکل2-1 گسسته سازی ویژگی سنی................................ 47
شکل 3-1- شرایط توزیع a میزان پرداختی (b) میزان محصول خریداری شده........................................................ 74
شکل 3-2- تکامل سرعت پایین شبکهRBF.......................... 80
شکل 3-3-ارزیابی دقت بی نظمی برای درخت بی نظمی با افزایش شماره ی سطح................................................ 82
شکل 3-4- درخت انتخاب CHAID................................. 87
شکل 4-1- کنترل های Server و اتصال کننده سرویس های کاربردی و ارتباطات ناهمزمان.......................................... 
شکل 4-2- Page Framework و کنترلهای سرور و سرویس های کاربردی... 
شکل 5-1- تعامل بین مرورگر وب پلیر سیلورلایت و XAML و HTML 
شکل5-2- معماری سیلورلایت.................................... 
شکل5-3- مقایسه ی سیلورلایت 1.0 و 1.1.......................... 
شکل 5-4- نصب استاندارد سیلورلایت............................ 
شکل 5-5- کلیک بر روی نصب سیلورلایت......................... 
شکل 5-6- نمایشی از انیمیشن سیلورلایت........................ 
شکل5-7- نصب in-place.......................................... 
شکل 5-8- نمایش لینک SDK.................................... 
شکل 5-9- نمایش فلودرهایی برای نصب SDK...................... 
شکل 6-1- چگونگی ارتباط لایه دستیابی به داده ها و پایگاه داده و رابط کاربر............................................... 
شکل 6-2- انتخاب پابگاه داده مورد نظر....................... 
شکل 6-3- پیکربندی TabelAdapter................................ 
شکل 6-4- ویزارد مربوط به table adapter.......................... 
شکل 6-5-تنظیم متد Update.................................... 
شکل 6-6-انتخاب نام برای متد................................ 
شکل 6-7-تایید صحت عملیات پیکربندی TableAdapter................ 
شکل 6-8- شمایی از معماری سه لایه............................ 
شکل 6-9-کلاسهای موجود در لایه ی نجاری........................ 
شکل 6-10- انتخاب پروسیجر .................................. 
شکل 6-11-انتخاب پروسیجر WickerBasket.......................... 
شکل 6- 12- TabelAdapter با نام WickerBasket...................... 
شکل 6- 13- انتخاب ObjectDataSource بعنوان رابط دیتابیس......... 
شکل 6- 14- انتخاب متد SelectCategories() جهت نمایش داده ها....... 
شکل 6- 15- صفحه ی اصلی..................................... 
شکل 6- 16 –انتخاب CategoriesBLL به عنوان کلاس مرتبط با ObjectDataSource 
شکل 6- 17- صفحه عضویت مشتری................................ 
شکل 6- 18- صفحه ی کالاهای موجود در غرفه 3.................... 
شکل 6-19- صفحه ی نمایش سبد خرید............................ 
شکل 6- 20 – صفحه ی پرداخت هزینه(از طریق شماره حساب)........ 
شکل 6- 21 – صفحه ی پرداخت هزینه (در هنگام تحویل)........... 
شکل 6- 22- صفحه ی ورود کالا................................. 
شکل 6-23- صفحه ثبت اپراتور................................. 
شکل 6-42- صفحه ی معیارهای ارزشیابی......................... 

فهرست جدولها

عنوان صفحه
جدول 2-2 ماتریس همبستگی برای داده های Iris................. 43
جدول2 – 3 مقادیرویژه برای داده های Iris...................... 45
جدول 4-2 مجموعه داده ها بر روی ویژگی مرتب شده پیوسته با کلاس های متناظر 55
جدول 5-2 یک جدول احتمال برای داده ها دسته بندی.............. 56
جدول -26 جدول احتمال برای فواصل [7.5,8.5] و[8.5,10].............. 57
جدول -27جدول احتمال برای فواصل [0,7.5] و[7.5,10]................ 59
جدول -28 جدول احتمال برای فواصل [0,10] و [10,42]............... 61
جدول 3-1- متغیرهای مورد استفاده مشتری...................... 70
جدول 3-2- توزیع متغیرهای پاسخگو............................ 72
جدول 3-3- توزیع شرطی متغیرهای تشریحی، روی متغیرهای socio..... 72
جدول 3-4– احتمال دسته بندی متغیرپاسخگو و متغیر قسط......... 72
جدول 3-5-داده های بررسی شده............................. 77
جدول 3-6- انتخاب مدل بازگشت منطقی.......................... 78
جدول 3-7- قانون ها در درخت بی نظمی......................... 83
جدول 3-8- ماتریس بهم ریختگی برای مدل بازگشت منطقی.......... 90
جدول 3-9- ماتریس بهم ریختگی برای درخت بی نظمی CART......... 
جدول 3-10- ماتریس بهم ریختگی در شبکه ی RBF................. 
جدول 3-11- ماتریس بهم ریختگی در مدل nearest-neigbour ............ 
جدول 3-12- خلاصه ای از مقایسه ی misclassification خطاها.......... 94
جدول5-1- لیست سیستم عامل هاو مرورگرهای پشتیبانی شده توسط سیلورلایت .................................................. 112

پیاده سازی سه متد اساسی دسته بندی و رگرسیون در داده کاوی

اختصاصی از زد فایل پیاده سازی سه متد اساسی دسته بندی و رگرسیون در داده کاوی دانلود با لینک مستقیم و پر سرعت .

فرمت فایل : power point (قابل ویرایش) تعداد اسلایدها : 33 اسلاید

در این پروژه سه متد  دسته بندی در داده کاوی پیاده سازی شده وسپس آن ها را از نظر دقت عملکرد با یکدیگر مقایسه می کند.که دو الگوریتم آن مربوط به رگرسیون و یک متد آن مربوط به clasificasion می باشد.