کتاب پیچ بهترین و سریعترین سایت دانلود کارآموزی و پروژه

تعداد صفحات:71
نوع فایل:word
فهرست مطالب:
مقدمه
عناصر داده کاوی
پردازش تحلیلی پیوسته
قوانین وابستگی
شبکه های عصبی
الگوریتم ژنتیکی
نرم افزار
کاربردهای داده کاوی
داده کاوی و کاربرد آن در کسب و کار هوشمند بانک
داده کاوی در مدیریت ارتباط با مشتری
کاربردهای داده کاوی در کتابخانه ها و محیط های دانشگاهی
مدیریت موسسات دانشگاهی
داده کاوی آماری و مدیریت بهینه وب سایت ها
داده کاوی در مقابل پایگاه داده Data Mining vsdatabase
ابزارهای تجاری داده کاوی
منابع اطلاعاتی مورد استفاده
انبار داده
مسائل کسب و کار برای داده کاوی
چرخه تعالی داده کاوی چیست؟
متدلوژی داده‌کاوی و بهترین تمرین های آن
یادگیری چیزهایی که درست نیستند
الگوهایی که ممکن است هیچ قانون اصولی را ارائه نکنند
چیدمان مدل ممکن است بازتاب دهنده جمعیت وابسته نباشد
ممکن است داده در سطح اشتباهی از جزئیات باشد
یادگیری چیزهایی که درست ولی بلااستفاده اند
مدل‌ها، پروفایل سازی، و پیش‌ بینی
پیش بینی
متدلوژی
تبدیل مسئله کسب و کار به مسئله داده‌کاوی
انتخاب داده مناسب
پیش به سوی شناخت داده
ساختن یک مجموعه مدل
تثبیت مسئله با داده‌ها
تبدیل داده برای آوردن اطلاعات به سطح
ساختن مدل ها
ارزیابی مدل ها
استقرار مدل ها
ارزیابی نتایج
شروع دوباره
وظایف داده کاوی
دسته بندی
خوشه‌بندی
تخمین
وابستگی
رگرسیون
پیشگویی
تحلیل توالی
تحلیل انحراف
نمایه‌سازی
منابع

مقدمه:
از هنگامی که رایانه در تحلیل و ذخیره سازی داده ها بکار رفت (1950) پس از حدود 20 سال، حجم داده ها در پایگاه داده ها دو برابر شد. ولی پس از گذشت دو دهه و همزمان با پیشرفت فن آوری اطلاعات (IT) هر دو سال یکبار حجم داده ها، دو برابر شده و همچنین تعداد پایگاه داده ها با سرعت بیشتری رشد نمود. این در حالی است که تعداد متخصصین تحلیل داده ها با این سرعت رشد نکرد. حتی اگر چنین امری اتفاق می افتاد، بسیاری از پایگاه داده ها چنان گسترش یافته‌اند که شامل چند صد میلیون یا چند صد میلیارد رکورد ثبت شده هستند. امکان تحلیل و استخراج اطلاعات با روشهای معمول آماری از دل انبوه داده ها مستلزم چند روز کار با رایانه های موجود است. حال با وجود سیستم های یکپارچه اطلاعاتی، سیستم های یکپارچه بانکی و تجارت الکترونیک، لحظه به لحظه به حجم داده ها در پایگاه داده های مربوط اضافه شده و باعث به وجود آمدن انبارهای عظیمی از داده ها شده است.
این واقعیت، ضرورت کشف و استخراج سریع و دقیق دانش از این پایگاه داده ها را بیش از پیش نمایان کرده است، چنان که در عصر حاضر گفته میشود اطلاعات طلاست.
هم اکنون در هر کشور، سازمان، شرکت و غیره برای امور بازرگانی، پرسنلی، آموزشی، آماری و غیره پایگاه داده ها ایجاد یا خریداری شده است. بطوری که این پایگاه داده ها برای مدیران، برنامه ریزان، پژوهشگران جهت، تصمیم گیری های راهبردی، تهیه گزارش های مختلف، توصیف وضعیت جاری خود و سایر اهداف می تواند مفید باشد. بسیاری از این داده ها از نرم افزارهای تجاری، مثل کاربردهای مالی، ERPها، CRMها و web log ها، می آیند. نتیجه این جمع آوری داده ها این میشود که در سازمان ها، داده ها غنی ولی دانش ضعیف، است. جمع آوری داده ها، بسیار انبوه میشود و به سرعت اندازه آن افزایش می یابد و استفاده عملی از داده ها را محدود می سازد.
داده‌کاوی استخراج و تحلیل مقدار زیادی داده به منظور کشف قوانین و الگوهای معنی دار در آن هاست. هدف اصلی داده کاوی، استخراج الگوهایی از داده ها، افزایش ارزش اصلی آن ها و انتقال داده ها به صورت دانش است.

 

برچسب ها : ابزارهای تجاری, الگوریتم ژنتیک, تجارت الکترونيک, تحلیل, تحلیل انحراف, تحلیل توالی, تخمین, خوشه‌بندی, داده, داده کاوی, دانش, دانشگاه, دانلود, دسته بندی, ذخيره سازی, رایانه, رگرسیون, سازمان, شبکه های عصبی, فناوری اطلاعات, قانون, متدلوژی, مديريت ارتباط با مشتری, موسسات, نرم افزار, نمایه‌سازی, وابستگی, وب سایت, پروفایل, پروژه, پیشگویی, پیش‌ بینی, کسب و کار,

امتياز : 3 | نظر شما : 1 2 3 4 5 6

نوشته شده توسط ketabpich در چهارشنبه 16 دی 1394 ساعت 18:19 موضوع | تعداد بازديد : 228 | لينک ثابت

تعداد صفحات:20
نوع فایل:word
فهرست مطالب:
چکیده
مقدمه
الگوریتم ژنتیک
مقدمه
مفاهیم اولیه در الگوریتم ژنتیک
کد کردن
رشته
جمعیت
مقدار برازندگی
عملگر ترکیب
عملگر جهش
فرآیند نتخاب
تعیین مراحل اولیه قبل از اجرای الگوریتم
تعیین نحوه نمایش یا کد بندی نقاط فضای جستجو
تعریف میزان برازندگی
تعیین پارامترها و متغیرها
مشخص کردن شرط پایان تکرار و نحوه انتخاب خروجی الگوریتم
الگوریتم ژنتیک ترکیبی ابتکاری برای زمان بندی JOB SHOP
نتایج محاسباتی
منابع

چکیده:
زمان بندی برای تولید کارگاهی (job shop) از دو زمینه مدیریت محصول و بهره وری گروهی خیلی مهم است.
هر چند که این امر کاملا متفاوت است با بدست آوردن یک جواب بهینه با متدهای بهینه یابی مرسوم، زیرا مسئله مورد نظر دارای محاسبات خیلی پیچیده میباشد.(مسئله فوق از نوع NP-Hardاست.)
اثبات شده است که الگوریتم ژنتیک (GA) برای تنوع وضعیت هایی که شامل زمان بندی و توالی می باشند(S.S) موثر می باشد.
در این مقاله یک نوع الگوریتم ژنتیکی ابتکاری هایبرید برای مسئله n/m/G/Cmax پیشنهاد شده است، هایبرید به این خاطر که قوانین زمان بندی از قبیل SPT و MWKR با الگوریتم ژنتیک ادغام شده اند، همچنین از تکنیک جستجوی محلی (NST ) بعنوان رویه ای کمکی جهت بهبود حل عملکردی کمک گرفته ایم.
کارایی و اثر بخشی این الگوریتم جدید به وسیله مقایسه با برخی متدهای معروف دیگر از قبیل الگوریتم های NST (تکنیک جستجوی محلی)، SA (تبرید شبیه سازی شده) و ژنتیک، به اثبات رسیده است.

 

برچسب ها : اثر بخشی, الگوریتم, الگوریتم ژنتیک, برازندگی, بهره وری, تولید, جمعیت, دانلود, دانلود پروژه, رشته, زمان بندی, شبیه سازی, عملگر, متغير, محاسبات, مدیریت محصول, هایبرید, پارامتر, پروژه, ژنتیک, کارایی, کارگاه,

امتياز : 3 | نظر شما : 1 2 3 4 5 6

نوشته شده توسط ketabpich در چهارشنبه 25 فروردين 1395 ساعت 13:58 موضوع | تعداد بازديد : 257 | لينک ثابت