بررسی ساختارهای داده متفاوت جهت انتخاب روش خوشه بندی مناسب با مطالعه موردی بر روی پایگاه داده سرطان سینه Wisconsin

اختصاصی از فایل هلپ بررسی ساختارهای داده متفاوت جهت انتخاب روش خوشه بندی مناسب با مطالعه موردی بر روی پایگاه داده سرطان سینه Wisconsin دانلود با لینک مستقیم و پر سرعت .

مقالات علمی پژوهشی کامپیوتر با فرمت    Pdf       صفحات      14

چکیده :
الگوریتمهای خوشهبندی دادهها را به گروههایی تقسیم میکنند؛ به صورتی که دادههای درون هرر خوشره بریش تررین شرباهت و داده هرای
خوشههای متفاوت کمترین شباهت را به یکدیگر داشته باشند. انتخاب روش خوشهبندی مناسب و معیار فاصله یا شباهت مورد استفاده برای
هر پایگاه داده، از اهمیت ویژهای برخوردار است. به منظور تعیین روش مناسب، اولین قدم شرناخت کرافی از سراختار داده هرای موجرود در
پایگاه داده است. به عنوان مثال، توزیع دادههای هر خوشه، تعداد خوشهها و ارتباطات درون خوشهای و بین خوشهای از جمله مواردی بوده
که بر انتخاب معیار فاصله یا شباهت و روش خوشهبندی تاثیر زیادی داشته و در بهینه سازی عمل خوشره بنردی اثرر مسرتقیم دارنرد . پر از
تحلیل ساختار دادهها، میتوان با توجه به ویژگیهای معیارهای فاصله یا شباهت و روشهای خوشهبندی، تصمیمگیرری نمرود ه و بهتررین و
مناسبترین الگوریتم خوشهبندی را برگزید. در این مقاله پ از تحلیل ساختار دادههای پایگاه داده سرطان سینه Wisconsin ، روشهای
مختلف خوشهبندی و معیارهای شباهت مناسب مورد بررسی قرار گرفته است. نتایج آزمایشات با تحلیلهرای صرورت گرفتره تقرابم کامرل
دارند.
واژگان کلیدی: خوشه بندی، یادگیری بدون نظارت، شبکههای عصبی، سرطان سینه

پاورپوینت درباره جامعیت پایگاه داده وسیستم فعال

اختصاصی از فایل هلپ پاورپوینت درباره جامعیت پایگاه داده وسیستم فعال دانلود با لینک مستقیم و پر سرعت .

فرمت فایل :powerpoint (لینک دانلود پایین صفحه) تعداد صفحات64 صفحه

*تعریف جامعیت

*عوامل نقض جامعیت

*مسئولیت کنترل جامعیت

*انواع محدودیت های جامعیتی

*توصیف محدودیت های جامعیتی

*مثال های توصیف محدودیت

*زمان اعمال محدودیت

مقدمه ای بر داده کاوی

اختصاصی از فایل هلپ مقدمه ای بر داده کاوی دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 31

دانشکده برق و کامپیوتر

درس پایگاه دادههای پیشرفته 2

گزارش اول

مقدمهای بر دادهکاوی

مصطفی کیخا 810184097

علی عباسی 810184102

فهرست

1 مقدمه ای بر داده‌کاوی 3

1-1 چه چیزی سبب پیدایش داده کاوی شده است؟ 4

1-2 مراحل کشف دانش 6

1-3 جایگاه داده کاوی در میان علوم مختلف 11

1-4 داده کاوی چه کارهایی نمی تواند انجام دهد؟ 12

1-5 داده کاوی و انبار داده ها 13

1-6 داده کاوی و OLAP 14

1-7 کاربرد یادگیری ماشین و آمار در داده کاوی 15

2- توصیف داده ها در داده کاوی 15

2-1 خلاصه سازی و به تصویر در آوردن داده ها 15

2-2 خوشه بندی 16

2-3 تحلیل لینک 16

3- مدل های پیش بینی داده ها 17

3-1 Classification 17

3-2 Regression 17

3-3 Time series 18

4 مدل ها و الگوریتم های داده کاوی 18

4-1 شبکه های عصبی 18

4-2 Decision trees 22

4-3 Multivariate Adaptive Regression Splines(MARS) 24

4-4 Rule induction 25

4-5 K-nearest neibour and memory-based reansoning(MBR) 26

4-6 رگرسیون منطقی 27

4-7 تحلیل تفکیکی 27

4-8 مدل افزودنی کلی (GAM) 28

4-9 Boosting 28

5 سلسله مراتب انتخابها 29

1 مقدمه ای بر داده‌کاوی

در دو دهه قبل توانایی های فنی بشر در برای تولید و جمع آوری داده‌ها به سرعت افزایش یافته است. عواملی نظیر استفاده گسترده از بارکد برای تولیدات تجاری، به خدمت گرفتن کامپیوتر در کسب و کار، علوم، خدمات دولتی و پیشرفت در وسائل جمع آوری داده، از اسکن کردن متون و تصاویر تا سیستمهای سنجش از دور ماهواره ای، در این تغییرات نقش مهمی دارند [‎1].

بطور کلی استفاده همگانی از وب و اینترنت به عنوان یک سیستم اطلاع رسانی جهانی ما را مواجه با حجم زیادی از داده و اطلاعات می‌کند. این رشد انفجاری در داده‌های ذخیره شده، نیاز مبرم وجود تکنولوژی های جدید و ابزارهای خودکاری را ایجاد کرده که به صورت هوشمند به انسان یاری رسانند تا این حجم زیاد داده را به اطلاعات و دانش تبدیل کند: داده کاوی به عنوان یک راه حل برای این مسائل مطرح می باشد. در یک تعریف غیر رسمی داده کاوی فرآیندی است، خودکار برای استخراج الگوهایی که دانش را بازنمایی می کنند، که این دانش به صورت ضمنی در پایگاه داده های عظیم، انباره داده و دیگر مخازن بزرگ اطلاعات، ذخیره شده است. داده کاوی بطور همزمان از چندین رشته علمی بهره می برد نظیر: تکنولوژی پایگاه داده، هوش مصنوعی، یادگیری ماشین، شبکه های عصبی، آمار، شناسایی الگو، سیستم های مبتنی بر دانش، حصول دانش، بازیابی اطلاعات، محاسبات سرعت بالا و بازنمایی بصری داده . داده کاوی در اواخر دهه 1980 پدیدار گشته، در دهه 1990 گامهای بلندی در این شاخه از علم برداشته شده و انتظار می رود در این قرن به رشد و پیشرفت خود ادامه دهد [‎2].

واژه های «داده کاوی» و «کشف دانش در پایگاه داده» اغلب به صورت مترادف یکدیگر مورد استفاده قرار می گیرند. کشف دانش به عنوان یک فرآیند در شکل1-1 نشان داده شده است.

کشف دانش در پایگاه داده فرایند شناسایی درست، ساده، مفید، و نهایتا الگوها و مدلهای قابل فهم در داده ها می باشد. داده کاوی، مرحله ای از فرایند کشف دانش می باشد و شامل الگوریتمهای مخصوص داده کاوی است، بطوریکه، تحت محدودیتهای مؤثر محاسباتی قابل قبول، الگوها و یا مدلها را در داده کشف می کند [‎1]. به بیان ساده تر، داده کاوی به فرایند استخراج دانش ناشناخته، درست، و بالقوه مفید از داده اطلاق می شود. تعریف دیگر اینست که، داده کاوی گونه ای از تکنیکها برای شناسایی اطلاعات و یا دانش تصمیم گیری از قطعات داده می باشد، به نحوی که با استخراج آنها، در حوزه های تصمیم گیری، پیش بینی، پیشگویی، و تخمین مورد استفاده قرار گیرند. داده ها اغلب حجیم ، اما بدون ارزش می باشند، داده به تنهایی قابل استفاده نیست، بلکه دانش نهفته در داده ها قابل استفاده می باشد. به این دلیل اغلب به داده کاوی، تحلیل داده ای ثانویه گفته می شود.

1-1 چه چیزی سبب پیدایش داده کاوی شده است؟

اصلی ترین دلیلی که باعث شد داده کاوی کانون توجهات در صنعت اطلاعات قرار بگیرد، مساله در دسترس بودن حجم وسیعی از داده ها و نیاز شدید به اینکه از این داده ها اطلاعات و دانش سودمند استخراج کنیم. اطلاعات و دانش بدست آمده در کاربردهای وسیعی از مدیریت کسب و کار وکنترل تولید و تحلیل بازار تا طراحی مهندسی و تحقیقات علمی مورد استفاده قرار می گیرد.

داده کاوی را می توان حاصل سیر تکاملی طبیعی تکنولوژی اطلاعات دانست، که این سیر تکاملی ناشی از یک سیر تکاملی در صنعت پایگاه داده می باشد، نظیر عملیات: جمع آوری داده ها وایجاد پایگاه داده، مدیریت داده و تحلیل و فهم داده ها. در شکل1-2 این روند تکاملی در پایگاه های داده نشان داده شده است ]‎3[.

شبیه سازی داده همبسته سرعت باد برای برآورد پخش بار اقتصادی (کد 18)

اختصاصی از فایل هلپ شبیه سازی داده همبسته سرعت باد برای برآورد پخش بار اقتصادی (کد 18) دانلود با لینک مستقیم و پر سرعت .

چکیده مقاله

مسئله پخش بار اقتصادی، شامل مینیمم کردن هزینه تولید توان تقاضا شده توسط یک سیستم برق، بوسیله پخش بار مناسب توان تولیدی بین ژنراتورهای موجود است. مشکل در پیش بینی تولید قدرت باد بدین معنی است که هزینه های جریمه و رزرو باید هنگامی که درگیر برآورد هستیم، در نظر گرفته شوند. هنگامی که این هزینه ها و همبستگی بین مقادیر سرعت باد، که باید به عنوان ورودی دیگری درنظر گرفته شوند زیرا دارای تاثیر هستند، را برآورد می کنیم، آنالیز توان خروجی هر توربین باد به طور جداگانه کافی نیست. این مقاله، روشی جدید برای تولید مقادیر همبسته سرعت باد معرفی می کند و چگونگی کاربرد آن را هنگامی که پخش بار اقتصادی را برآورد می کنیم، توضیح می دهد. یک مطالعه موردی برای آنالیز این که آیا در نظر گرفتن همبستگی در مسئله تاثیری دارد یا نه، انجام می شود.

مقاله اصلی به همراه ترجمه

عنوان انگلیسی مقاله ( Simulation of Correlated Wind Speed Data for Economic Dispatch Evaluation)
 

تحقیق و بررسی در مورد کاربرد کامپیوتر در ریاضی 36 ص

اختصاصی از فایل هلپ تحقیق و بررسی در مورد کاربرد کامپیوتر در ریاضی 36 ص دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 34

تحلیل داده ها

1- ارقام با معنی:

برای تعیین رقمهای با معنا ، رقمها را از سمت چپ به راست می شماریم. صفرهایی ک قبل از اولین رقم سمت چپ نوشته می شوندجزء رقمهای با معنا به حساب نمی آیند این صفرها به هنگام تبدیل یکاها ظاهر می شوند و تبدیل یکاها نباید تعداد رقمهای با معنا را تغییر دهد

12/6 : سه رقم بامعنی

0010306/0 :پنج رقم با معنی که اولین رقم با معنی یک است.صفرهای قبل از یک با معنی نیستند

20/1 : سه رقم با معنی در صورتیکه صفر با معنی نباشد عدد باید به صورت2/1 نوشته شود

38500 : سه رقم با معنی، چیزی برای اینکه نشان دهد صفرها با معنی هستند یا نه مشخص نیست می توان این ابهام را با نوشتن بصورتهای زیر برطرف کرد:

: هیچکدام از صفرها با معنی نیستند

: یکی از صفرها با معنی است

:هر دو صفر با معنی است

m 040/0 = Cm0 /4=mm40 که هر سه دارای سه رقم با معنی هستند.

2- گرد کردن اعداد:

اگر بخواهیم ارقام عدد 3563342/2 را به دو رقم کاهش دهیم، این عمل را گرد کردن عدد می نامند. برای این منظور باید به رقم سوم توجه کنیم بدین صورت که اگر قم سوم بزرگتر یا مساوی5 باشد رقم دوم به طرف بالا گرد می شود و اگر رقم سوم کوچکتر از 5 باشد رقم دوم به حال خود گذاشته می شود

4/1 3563342/2

62700 62654

108/0 10759/0

3- محاسبات و ارقام با معنی:

می خواهیم سطح مقطع یک استوانه به قطر6/7 را بدست آوریم:

اشکال کار: اگر دقت کنیم محاسبات تا 10 رقم با معنی است اگر از کامپیوتری تا 100 رقم استفاده می کردیم چه؟ در صورتیکه قطر کره تا دو رقم با معنی است بنابراین در اینگونه موارد به نکات زیر توجه می کنیم:

توجه: اگر مجبورید محاسبه ای را که در آن خطای مقادیر مشخص نیست انجام دهید و می بایستی فقط با ارقام با معنی کار کنید به نکات زیر توجه کنید:

الف ) زمانی که اعداد را در هم ضرب و یا بر هم تقسیم می کنید: عددی که با کمترین ارقام با معنی در محاسبه است را شناسایی کنید به حاصل محاسبه همین تعداد ارقام با معنی نسبت دهید

چون 7/3 با دو رقم با معنی است

ب ) زمانی که اعداد را با هم جمع و یا از هم کم می کنید: تعداد ارقام اعشاری عدد حاصل از محاسبه را برابر تعداد کمترین ارقام اعشاری اعداد شرکت داده شده در محاسبه گرد کنید

کمترین اعشار مربوط به1/13 است

مثال: شعاع یک کره5/13 سانتیمتر برآورد شده است. حجم ایمن کره را بدست آورید؟

جواب:

مثال: چگالی کرهای به جرم44/0 گرم و قطر76/4 میلی متر را بدست آورید؟

4- متغیرهای وابسته و مستقل:

به کمیتی که مقدار آن را می توانیم تنظیم نمائیم و یا در طول آزمایش به دلخواه تغییر داده می شود، متغیر مستقل گفته می شود و آنرا به عنوان مختصهx در نمودار می گیریم.

به کمیتی که بر اثر تغییر در متغیر مستقل پیدا می کند، متغیر وابسته گفته می شود و به عنوان مختصهy در نمودار گرفته می شود.

مثلا در آزمایش انبساط طولی میله در اثر حرارت دما متغیر مستقل و طول میله متغیر وابسته می باشد

5- خطا :

تمام اندازه گیریها متاثر از خطای آزمایش هستند.منطور این است که اگر مجبور با انجام اندازه گیریهای پیایی یک کمیت بخوصوص باشیم، به احتمال زیاد به تغییراتی در مقادیر مشاهده شده برخورد خواهیم کرد. گرچه امکان دارد بتوانیم مقدار خطا را با بهبود روش آزمایش و یا بکارگیری روشهای آماری کاهش دهیم ولی هرگز نمی توانیم آن را حذف کنیم.

1-5- خطای دقت وسایل اندازه گیری :

هیچ وسیله اندازه گیری وجود ندارد که بتواند کمیتی را با دقت بینهایت اندازه گیری نماید.بنابراین نادیده گرفتن خطای وسایل اندازه گیری در آزمایش اجتناب ناپذیر است.

اگر اندازه کمیتی که اندازه می گیریم با گذر زمان تغییر نکند، مقدار خطا را نصف کوچکترین درجه بندی آن وسیله در نظر می گیریم.

مثال:

متر کوچکترین درجه mm1 = مقدار خطا

پس اندازه گیریی mm54 را بصورت بیان می کنیم

دما سنج کوچکترین درجه ºC2 = مقدار خطا

پس اندازه گیریی ºC60 را بصورت بیان می کنیم

2-5- خطای خواندن مقدار اندازه گیری:

3-5- خطای درجه بندی وسایل اندازه گیری:

تعریف خطای مطلق: اگر خطا را با همان یکای کمیت اندازه گیری شده بیان نمائیم، به این خطا، خطای مطلق کمیت اندازه گیری گفته می شود

تعریف خطای نسبی: اگر خطا بصورت کسری باشد، به این کسر، خطای نسبی مقدار کمیت اندازه گیری شده گفته می شود

4-5- ترکیب خطاها :

ممکن است در آزمایشی نیاز به یافت چند کمیت، که باید آنها را بعداُ در معادله ای وارد کنیم، داشته باشیم برای مثال ممکن است جرم و حجم جسمی را اندازه بگیریم و سپس نیاز به محاسبه چگالی داشته باشم، که با رابطه زیر تعریف می شود: سوال اینجاست که چه ترکیبی از خطاهای مقادیر m وV ] اندازه خطای را بدست می دهد. بدین منظور سه روش زیر ارائه داده می شود:

الف) روش اول: این روش را با دومثال زیر توضیح می دهیم:

مثال1: قطر سیمی با مقطع دایره ای برابر است با: مطلوب است اندازه سطح سیم و مقدار خطای آن؟