این فایل حاوی جزوه آموزشی بهینه کاوی و روش های آن می باشد که به صورت فرمت PDF در 84 صفحه در اختیار شما عزیزان قرار گرفته است، در صورت تمایل می توانید این محصول را از فروشگاه خریداری و دانلود نمایید.
فهرست
مقدمه و تعاریف
انواع روش های بهینه کاوی
فرایند بهینه کاوی
تصویر محیط برنامه
.jpg)
لینک دانلود و خرید پایین توضیحات
فرمت فایل word و قابل ویرایش و پرینت
تعداد صفحات: 71
روانکاوی به عنوان روشی برای درمان
«تنها معیاری که حقیقت را به وسیلة آن میتوان ارزیابی کرد، نتایج عملی حاصل از آن است».
«مائوتسه تونگ»
افراد غیرحرفهای روانکاوی را بیشتر به عنوان روشی برای درمان اختلالهای روانی، روانرنجوری و احتمالاً روانپریشی به شمار میآورند. مسلم است که فروید برای نخستین بار نظریه و روشهای روانکاوی را برای درمان بیماران روانی مطرح و ادعاهای بسیاری را در مورد این روشها بیان کرده است. نخستین ادعا این است که روانکاوی میتواند ناراحتیهای بیماران روانی را درمان کند؛ و دومین ادعا این است که فقط روانکاوی میتواند این کار را انجام دهد. نظریة او دربارة روانرنجوریها و روانپریشیها اساساً تأکید دارد که شکایتهایی که بیمار نزد روانپزشک یا روانشناس بیان می‌کند، صرفاً نشانههای برخی از بیماریهای بنیادی و عمیقتر هستند و تا این بیماریها درمان نشوند، امیدی برای بهبود بیمار وجود نخواهد داشت، و چنانچه تلاش کنیم تا این نشانهها را رفع کنیم، دوباره عود خواهند کرد و یا نشانههای دیگر جانشین آنها خواهند شد؛ برای مثال، نشانة دیگری که در حد نشانة پیشین و یا حتی شدیدتر از آن است ظاهر میشود. پس رویگردانی فروید از آنچه وی آنها را «درمانهای سمپتوماتیک» (یا نشانگر) مینامد، از این امر ریشه میگیرد و جانشینان جدید او نیز بر این عقیده اصرار میورزند.
به باور فروید، «اختلالی» که در پس نشانههای ظاهری قرار دارد به سرکوبی افکار و احساسهایی مربوط میشود که با اخلاق و نگرش هشیار بیمار در تعارض هستند و نشانههای بیماری بیانگر این افکار و امیال سرکوفته و ناهشیارند. از دیدگاه فروید تنها راه درمان آن است که بیمار به بینش» برسد، و این کار به کمک تعبیر رؤیاها، لغزشهای اتفاقی در گفتار، فراموشیهای لحظهای در حافظه و اعمال نامناسب امکانپذیر است. فروید عقیده داشت که همة این پدیدهها به وسیلة موضوعهای سرکوب شدهای ایجاد میشوند که خاستگاه آنها قابل پیگیری است و به محض «بینش» یافتن نسبت به آنها نشانههای بیماری ناپدید میشوند و بیمار درمان خواهد شد. البته معنای واژة «بینش» از دیدگاه فروید نه تنها شامل توافق شناختی با درمانگر است بلکه پذیرش هیجانی پیوند علت و معلولی را نیز دربرمیگیرد. فروید معتقد بود که ممکن است برخی از روشهای درمان برای مدتی بدون رسیدن به چنین بینشی، در ناپدید کردن بیماری موفق باشند، ولی بیماری باقی خواهد ماند.
این الگو که از دیدگاه پزشکی نسبت به بیماریها گرفته شده، در نظر پزشکان بسیار گیرا است، زیرا همیشه به آنان گفته شده است که نباید تب را به طور مستقیم درمان کرد، چرا که تب تنها یک نشانه است. کاری که باید انجام شود آن است که بیماری ایجادکنندة تب را درمان کنیم، زیرا وقتی خود بیماری از میان رفت، تب نیز قطع خواهد شد. البته در پزشکی عمومی نیز قایل شدن تمایز میان بیماری و نشانة بیماری همواره روشن نیست، برای مثال، آیا پای شکسته یک بیماری است یا نشانة آن است؟ فروید و پیروانش هیچگاه دربارة کاربردپذیری الگوی پزشکی برای اختلالهای روانی تردید به خود راه ندادهاند ولی همانطور که خواهیم دید، دیدگاه آنان به طور قطع درست نیست و دیدگاههای دیگری در برابر آن مطرح شدهاند.
در سالهای بعد، فروید نسبت به امکان کاربرد روانکاوی به عنوان روشی برای درمان
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[.
8 مقاله فارسی جدید درباره داده کاوی درتشخیص بیماری جهت استفاده و بهره برداری قرار داده شده است ./
فرمت مقالات : PDF/
عناوین مقالات
تماس با ما برای راهنمایی یا ترجمه با آدرس ایمیل:
magale.computer@gmail.com
شماره تماس ما در نرم افزار تلگرام:
+98 9337843121
کانال تلگرام @maghalecomputer
توجه: اگر کارت بانکی شما رمز دوم ندارد، در خرید الکترونیکی به مشکل برخورد کردید و یا به هر دلیلی تمایل به پرداخت الکترونیکی ندارید با ما تماس بگیرید تا راههای دیگری برای پرداخت به شما پیشنهاد کنیم.
1- مقایسه کارایی طبقه بندی های مختلف متن برای عقیده کاوی در نقد کالا
2-کمی سازی گرایش احساسی نظرات متنی فارسی مشتریان بر روی کالای مشتریان بر روی ویژگی های کالا
3- مقایسه کارایی طبقه بندی های مختلف متن برای عقیده کاوی در نقد کالا
4-افزایش هوش تجاری براساس تحلیل عقاید در نقدهای فارسی
چکیده :
با گسترش تجارت الکترونیک و سیستمهای مدیریت درخواست مشتری، روزانه حجم عظیمی از دادههای متنی توسط کاربران بهطور مستقیم و غیرمستقیم تولید میشود. این دادههای متنی ارزش اطالعاتی بسیار باالیی دارند و واضح و بدیهی است که بررسی تمامی آنها بهطور دستی توسط انسان سخت و دشوار و در برخی موارد غیرممکن است. از طرفی خریداران یک محصول و حتی مدیران نیاز دارند تا اطالعات جامع و کارآمدی که حاصل تمامی نظرات داده شده است را مشاهده نمایند تا بتوانند در کوتاهترین زمان تصمیم درستی در خصوص کمیت و کیفیت در راستای گسترش خرید و یا فروش آن محصول اتخاذ نمایند. بررسی نتایج نشان میدهد که 11 %کاربران اینترنت قبل از خرید یک محصول یا خدمات راجع به آن جستجو نمودهاند و دیگر نظرات را مطالعه کردهاند. لذا در دهه اخیر، حوزه تحلیل احساست، نگاه بسیاری از محققان حوزه صنعت و دانشگاه را به خود معطوف کرده است اما متأسفانه بسیاری از این پژوهشها مختص زبان انگلیسی بوده و کارهای بسیار کمی در زبان فارسی صورت پذیرفته است. در این مقاله به ارائه چارچوبی خواهیم پرداخت که میتواند با استفاده از متون نقد کاربران در زبان فارسی قطبیت آن را پیشبینی نموده و ویژگیهای مورد نقد را استخراج نماید. در این راستای، ابتدا در مرحله پیشپردازش دادهها با جداسازی کلمات و جمالت، و ریشهیابی کلمات، اطالعات موردنیاز از نقدها استخراج شده و در گام بعدی با استفاده از مدل SVM نظرات و عقیده کاربران در مورد یک محصول و ویژگیهای آن طبقهبندی نمودیم. در پایان نیز مدل آموزش داده شده توانست با سرعت و دقت باالیی قطبیت نقدهای نوشته شده کاربران را بهدرستی پیشبینی نماید.
واژگان کلیدی: هوش تجاری، تحلیل احساسات، عقیدهکاوی، پردازش زبان طبیعی، مدل SVM
5-مروری بر رویکردهای ارائه شده در نظرکاوی
چکیده:
به طور کلی، عقیده کاوی و تجزیه و تحلیل احساسات کمک می کند تا شرکت ها و ارائه دهندگان خدمات عقاید و احساسات مشتریان و کاربران خود را بدانند و بر اساس نیازهای مشتریان و کاربران محصوالت و خدمات خود را ارائه دهند. رایت در ]21 ] ادعا می کند که "برای بسیاری از کسب و کار ها، عقیده کاوی آنالین، یک نوع ارز مجازی است که می تواند باعث شکست یا موفقیت یک محصول در بازار شود.". از طرفی این حوزه یکی از برترین عالیق دانشمندانی مانند روانشناسان اجتماعی را تشکیل می دهد، طوری که در برخی منابع عقیده کاوی را باز شدن پنجره ای به روی تفکر روانی و واکنش آنالین جوامع می دانند. این مسئله به مطالعه و درک اذهان عمومی در جوامع در زمان های خاص )در مورد موضوعات خاص موجود در جامعه( کمک می کند. به عنوان مثال، عقیده کاوی می تواند برای تحلیلگران سیاسی در پیش بینی نتایج انتخابات استفاده داشته باشد.
کلمات کلیدی:عقیده ، عقیده کاوی ، آنتولوژی ، آنتروپی ، یادگیری ماشین ، احساسات ، شبکه عصبی ، زبان شناسی