دادهxad کاوی

دادهxad کاوی

به طور کلی، دادهxad کاوی فرایند تجزیه و تحلیل داده xadها از نگاه متفاوت و خلاصه کردن آنxadها در اطلاعات قابل استفاده است. اطلاعاتی که می xadتواند در افزایش درآمد، کاهش هزینه xadها و یا هردو مورد به شما کمک کند. یک نرم xadافزار دادهxad کاوی، یکی از چندین ابزار تحلیلی برای آنالیز دادهxad ها می باشد. به کاربران این اجازه را می xadدهد که داده xadها را از بعد های گوناگون تجزیه و تحلیل، آنxadها را دستهxad بندی کنند و سپس روابط شناسایی شده بین آنxadها را خلاصه کنند. از نظر فنی، دادهxad کاوی، فرایند یافتن روابط یا الگوها میان چندین زمینه در data baseهای بسیار بزرگ است.



داده xadکاوی چه کاری می xadتواند انجام دهد؟

متداول ترین کارایی دادهxad کاوی این است که توسط شرکت xadهایی با تمرکز بالا بر مشتری استفاده می xadگردد مانند سازمانxad های مالی، ارتباطی و بازاریابی. داده xadکاوی این شرکت xadها را قادر می xadسازد تا روابط میان عوامل "داخلی" مانند قیمت، تعیین موقعیت محصول یا مهارت xadهای کارکنان و عوامل "خارجی" مانند شاخص xadهای اقتصادی، رقابت و ویژگیxad های جمعیت xadشناختی مشتری را مشخص کنند. همچنین به آنxadها کمک میکند تا تأثیر بر فروش،درصد رضایت مشتری و سود شرکت را تعیین نمایند و یا حتی افزایش دهد. در نهایت، این اجازه را به آنxadها می xadدهد تا به منظور مشاهده دادهxad های تراکنشی جزئی، در اطلاعات خلاصه شده Drill Down کنند.

دادهxad کاوی چگونه کار میxad کند؟

هنگامی که ITدر سطح وسیع، سیستم xadهای تحلیلی و تراکنشی را جداگانه زیر و رو میxad کند، داده کاوی ارتباط بین این xadدو سیستم را فراهم می xadآورد. نرم xadافزار دادهxad کاوی، ارتباطات و الگوهای موجود در دادهxad های تراکنشی ذخیره شده بر اساس درخواست xadهای کاربر Open-ended را تحلیل میxad کند.

انواع مختلف نرم xadافزارهای تحلیلی موجود هستند: آماری، یادگیری ماشینی، و شبکه xadهای عصبی. در کل، به دنبال هر 4 نوع از روابط میxad گردیم:

کلاس ها:به مجموعهای از فیلدها و متدها (پروسیجر ها و توابع) که برای انجام وظیفه خاصی یا یکدیگر کارمیکنند کلاس گفته میشود . به طور خلاصه این که از کلاس برای کپسوله کردن وظایف استفاده میشود.

خوشه xadها: داده xadها بر اساس روابط منطقی بین آنxadها یا سلیقه ی مشتری دسته xadبندی می xadشوند. به طور مثال، دادهxad ها می xadتوانند برای شناسایی بخش xadهای بازار و یا شباهت مشتریان، داده کاوی شوند.

وابستگی xadها: دادهxad کاوی به منظور شناسایی وابستگیxad ها انجام می xadشود.

الگوهای زنجیره xadای: دادهxad کاوی به منظور پیش xadبینی الگوهای رفتاری و روندها صورت میxad گیرد. برای مثال، یک صندوقدار فرو، می xadتواند احتمال خرید مواد پودر لباس شویی را بر اساس خرید مشتریان از مواد شوینده پیش xadبینی کند.

داده xadکاوی شامل پنج عنصر عمده می xadشود:

استخراج، تبدیل و بارگزاری داده به یک سیستم انبار داده

ذخیره و مدیریت داده در یک سیستم پایگاه داده چندxadبعدی

فراهم xadآوری دسترسی به داده برای تحلیلگران کسب xadوxadکار و متخصصان فناوری اطلاعات

تحلیل داده با نرم xadافزارهای کاربردی

نمایش داده به شکلی قابل استفاده، مانند گراف یا جدول

سطوح متفاوتی از تحلیل، موجود هستند:

شبکه xadهای عصبی مجازی: مدل xadهای غیرخطی پیش xadبینی که از طریق آموزش یاد گرفته و از نظر ساختار مانند شبکه xadهای عصبی هستند.

الگوریتم xadهای ژنتیک: تکنیکxad های بهینه xadسازی که از فرایندهایی مانند ترکیب ژنتیکی و انتخاب طبیعی را به شکلی بر اساس مفاهیم تکامل طبیعی استفاده میxad کنند.

درختxad های تصمیم xadگیری: درخت تصمیم گیری یکی از ابزارهای قوی و متداول برای دسته بندی و پیش بینی می باشد درخت تصمیم گیری برخلاف شبکه های عصبی به تولید قانون می پردازد یعنی درخت تصمیم گیریپیش بینی خود را در قالب یکسری قوانین توضیح می دهد در حالیکه در شبکه های عصبی تنها پیش بینی بیان می شود و چگونگی آن در خود شبکه پنهان باقی می ماند

متد نزدیک xadترین همسایگی: تکنیکی که هر رکورد در ست داده را بر اساس ترکیبی از دسته xadهای متشکل از kرکورد متشابه به آن در یک ست داده تاریخی، دسته xadبندی می xadکند (جایی که k 1). گاهی تکنیک k-نزدیکxadترین همسایه هم نامیده می xadشود.

استنتاج قوانین: استخراج قوانین اگر آنxadگاه مفید از داده xadها بر اساس سطح اهمیت آماری

تصویرسازی داده xadها: تصویر سازی داده و خرجی حاصل از داده کاوی در بسیاری از موارد حیاتی است زیرا ممکن است شما با استفاده از داده کاوی به نتایج ارزشمند برای صاحبان صنایع و تجارت برسید ولی نتوانید آن ها را به خوبی تصویر سازی کنید و درک این نتایج در این صورت به سختی امکان پذیر خواهد شد.