داده کاوی

داده کاوی چیست؟

1. مقدمه

1.2 داده کاوی: یک گام ضروری در کشف دانش

داده کاوی، یک گام ضروری در کشف دانش

1.3 تنوع انواع داده ها برای داده کاوی

تنوع انواع داده ها برای داده کاوی

1.4 استخراج انواع دانش

1.4.1 خلاصه سازی داده های چند بعدی
1.4.2 استخراج الگوهای مکرر، انجمن ها و همبستگی ها
1.4.3 طبقه بندی و رگرسیون برای تجزیه و تحلیل پیش بینی
1.4.4 تجزیه و تحلیل خوشه
1.4.5 یادگیری عمیق
1.4.6 تجزیه و تحلیل داده های پرت
1.4.7 آیا همه نتایج معدن جالب است؟

1.5 داده کاوی: تلاقی رشته های متعدد

1.5.1 امار و داده کاوی
1.5.2 یادگیری ماشین و داده کاوی
1.5.3 تکنولوژی پایگاه داده و داده کاوی
1.5.4 علم داده و داده کاوی
1.5.5 سایر علوم و داده کاوی

1.10 منابع

منابع

2. داده ها، اندازه گیری ها و پیش پردازش داده ها

داده کاوی چیست؟

ما در دنیایی زندگی می‌کنیم که حجم عظیمی از داده‌هابه طور مداوم و سریع تولید می‌شود.

“ما در عصر اطلاعات زندگی می‌کنیم” یک ضرب المثل رایج است که امروزی آن را زیادی در حوزه‌های اطلاعات و تکنولوژی میشنویم. با این حال، ما در واقع در عصر داده زندگی می‌کنیم. هر روز ترابایت یا پنابایت داده به شبکه‌های رایانه ای، شبکه جهانی وب یا WWW، انواع دستگاه‌های تجارتی، خبرگذاری‌ها، جامعه، علم، مهندسی و تقریبا هر جنبه دیگری از زندگی روزمره سرازیر می‌شود. این رشد انفجاری حجم داده‌های موجود نتیجه کامپیوتری شدن جامعه ما و توسعه سریع ابزار‌های قدرتمند محاسباتی، سنجش و جمع آوری داده، ذخیره سازی و انتشار است.

کسب و کار‌ها در سرتاسر جهان مجموعه داده‌های غول پیکیری تولید می‌کنند، از جمله معاملات فروش، سوابق معاملات سهام، توضیحات محصول و غیره. همچنین در حوزه‌های دیگر همچون عملکرد سیستم، مشاهدات مهندسی و نظارت بر محیط، تحقیقات زیست پزشکی، صنعت بهداشت و … داده‌های حجیم و خیلی بزرگی تولید می‌شوند. بنابراین فهرست منابعی که حجم عظیمی از داده را تولید می‌کنند بی پایان است.

این حجم خیلی عظیم از داده که در حال رشد است، زمان ما را به عصر داده تبدیل می‌کند. برای اینکه اطلاعات ارزشمند از این مقادیر عظیم داده کشف شود و این داده‌ها را به دانشی ارزشمند تبدیل کرد، نیاز هست تا از ابزار‌های قدرتمندی استفاده کرد. این ضرورت به این نوع ابزار‌ها منجر به تولد داده‌کاوی شده است.

در واقع تعریف داده کاوی، این است که داده‌کاوی فرآیند کشف الگو‌ها، مدل‌ها و سایر انواع دانش در مجموعه داده‌های حجیم و بزرگ است. البته اصطلاح داده‌کاوی یا Data Mining، به معنی این است که برای کاوش یا استخراج داده به کار می‌رود. زیرا وقتی در اصطلاح‌های معدن کاری به فرض مثال Gold mining می‌گوییم، منظور این است که به استخراج طلا می‌پردازیم. در واقع داده‌کاوی باید به طور دقیق تری دانش‌کاوی از داده نامیده می‌شد که در واقع به این معنی است که یک فرآیندی است که مجموعه کوچکی از قطعات گران بها (دانش) را از مقدار زیادی مواد خام(داده‌ها) پیدا می‌کند. بنابراین چنین نام یک نام گمراه کننده‌ای از نظر اسمی است ولی به یک انتخاب محبوب تبدیل شده است. همچنین دیگر اصطلاح‌هایی هستند که معنایی مشابه با داده‌کاوی دارند. مثلا، دانش‌کاوی از داده یا knowledge mining from data (KDD)، کشف الگو، استخراج دانش، باستان شناسی داده، آنالیز داده، و برداشت اطلاعات.

نویسنده:

دکتر محمدرضا عاطفی

رییس هیات مدیره گروه ناب
عضو هیئت علمی دانشگاه

مشاوره

مشاهده جزئیات

مشاوره

مشاهده جزئیات

مشاوره

مشاهده جزئیات

آموزش

مشاهده جزئیات

بینش های مرتبط

استراتژی

داده کاوی چیست؟

1.1 داده کاوی چیست؟

1.2 داده کاوی: یک گام ضروری در کشف دانش

1.3 تنوع انواع داده ها برای داده کاوی

1.4 استخراج انواع دانش

1.5 داده کاوی: تلاقی رشته های متعدد

1.6 داده کاوی و کاربردها

1.7 جامعه و داده کاوی

1.8 خلاصه

1.9 تمرین ها

1.10 منابع

2.1 انواع داده ها

داده کاوی چیست؟

مشاوره

مشاوره

مشاوره

آموزش

بینش های مرتبط

استراتژی کسب‌وکار اقیانوس آبی: کلید غلبه بر رکود اقتصادی

از استراتژی اقیانوس آبی تا رهبری اقیانوس آبی

تصمیمات نوکیا

آیا می‌توان از رهبری اقیانوس آبی برای استارتاپ‌ها استفاده کرد؟

آیا می توانید کارکنان غیرمتعهد و منفعل را به کارکنان متعهد و درگیر تبدیل کنید؟

تفاوت‌های کلیدی رهبری اقیانوس آبی نسبت به رویکردهای رهبری سنتی

عملیاتی کردن رهبری اقیانوس آبی

رابطه میان پایداری زیست محیطی و اجتماعی

استراتژی اقیانوس آبی – مطالعه موردی تلفن‌های همراه سامسونگ

سیاست اقیانوس آبی: پیروزی ترودو در انتخابات

نقشه ذهنیِ رهبری اقیانوس آبی

حرکت به سمت استراتژی اقیانوس آبی

تئوری رهبری اقیانوس آبی

استراتژی اقیانوس آبی: بازار شخصی خود را بسازید – خرده فروشی

پنج روند اقتصاد جهانی

سرمایه‌گذاری مخاطره‌‌آمیز

حرکت به سمت آینده، نه ماندن در گذشته

ضرورت استراتژی نوآوری

چشم انداز ارتش آمریکا برای سال ۲۰۲۸

دیدگاهتان را بنویسید لغو پاسخ