ک «شبکه اجتماعی» (Social Network)،

یک «شبکه اجتماعی» (Social Network)، ساختار اجتماعی تشکیل شده از افراد (یا سازمان‌ها) است. تحلیل شبکه‌‌های اجتماعی، رویکردی است که در آن شبکه را به صورت مجموعه‌ای از «گره‌ها» (Nodes) و روابط میان آن ها در نظر می‌گیرند
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
. گره‌ها، اشخاص و در واقع بازیگران درون شبکه هستند و روابط میان آن‌ها به صورت اتصالاتی بین گره‌ها نمایش داده می‌شود. ساختار شبکه‌های اجتماعی که ساختارهایی مبتنی بر گراف است، معمولا بسیار پیچیده‌اند. انواع گوناگونی از روابط مانند دوستی، همکاری، خویشاوندی، علاقمندی و مبادلات مالی ممکن است بین گره‌ها وجود داشته باشد. در واقع «تحلیل شبکه‌های اجتماعی» (Social Network Analysis | SNA) یک استراتژی برای بررسی ساختارهای اجتماعی با استفاده از نظریه‌های شبکه و گراف است.
همیت تجزیه و تحلیل احساسات و نظرات کاربران در شبکه های اجتماعی

در پست قبلی ما اقدام به انتشار یک نمونه از اطلاعات آماری که میتوان از شبکه های اجتماعی جمع آوری کرد نمودیم در این پست قصد داریم اهمیت نظرات مردم در مورد برند، محصول، کمپین تبلیغاتی و … شما را متذکر شویم و به نحوه به دست آوردن و جمع آوری کردن این اطلاعات که در حال حاضر یکی از سرویس های مجموعه بولتن میباشد بپردازیم.

تجزیه و تحلیل احساسات در رسانه های اجتماعی، یکی از منابع مهم اطلاعاتی به شمار میرود چرا که قادر خواهد بود در زمینه کسب و کارتان بینشی به شما بدهد که :

    استراژی های بازاریابی تان را تعیین کنید.
    موفقیت کمپین های تبلیغاتی خود را اصلاح کنید و بهبود ببخشید.
    پیام محصولتان را بهبود ببخشید.
    خدمات رسانی به مشتری را اصلاح کنید.
    KPI (شاخص کلیدی عملکرد) کسب و کارتان را آزمایش کنید.
    معیارهای جدید جهت کسب و کار خود ایجاد کنید.
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
و بطور کلی اگر تحلیل احساسات بدرستی انجام شود میتواند سود و زیان شما را در سطح عالی بهبود ببخشد.

بررسی قطبیت نظرات مردم در شبکه های اجتماعی و سایتهای خبری مختلف راجع به وزرای احتمالی دولت دوازدهم چگونه انجام شد؟

    جمع آوری نظرات مردم در سایت های خبری و شبکه های اجتماعی. که برای این منظور از زیر ساخت حال حاضر پروژه بولتن جهت پایش و جمع آوری نظرات استفاده کردیم.
    تشخیص کاربران منحصر به فردی که نظر خود را مطرح کرده اند.این امر در سایت های خبری کاری بسیار سخت و دارای خطایی بالا است زیرا بیشتر کاربران، با حساب کاربری منحصربفرد خود (شناسه کاربری) وارد نمیشوند و اغلب با حساب کاربرى مهمان نظر خود را ثبت میکنند، ولی در شبکه های اجتماعی فرایند ساده تر می شود و باعث می شود نظر یک نفر چند بار شمرده نشود.چرا که در شبکه های اجتماعی هر فرد دارای شناسه کاربری منحصربفرد است.
    تشخیص منفی یا مثبت بودن نظر فرد در مورد افراد مختلف
    تاثیر عامل زمان بر تغییر نظر افراد

بخش اول:
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
خوشبختانه به علت داشتن زیر ساخت حال حاضر پروژه بولتن ما در مرحله جمع آوری نظرات، مشکل و چالشی نداشتیم. تنها نیاز بود کلید واژه های صحیح برای جمع آوری تمام نظرات و مطالب مرتبط با دولت را تعریف نماییم.

بخش دوم :

ما توسط الگوریتم های خاص کاربران منحصر بفرد و تاثیرگذار در شبکه های اجتماعی را پیدا کرده و نظرات مرتبطی که راجع به آن وزیر پیشنهادی یا موضوع خاص داده اند را جمع آوری میکنیم .در اینجا برای حفظ حریم خصوصی، نام کاربری کاربران با یک عدد تعریف شده است و اطلاعات کاربران نگهداری نشده است.

بخش سوم:

تفکیک نظر کاربران در شبکه های اجتماعی مختلف نسبت به یک موضوع به سه گروه مثبت،منفی و ممتنع.

چالش هایی که در این مورد با آن روبرو بوده ایم عدم رعایت قواعد معمول زبان شبکه های اجتماعی،تفاوت ادبیات رایج در شبکه های اجتماعی مختلف، تشخیص کنایه ها، کوتاهی متن و .. میباشد. در این بخش پس از جمع آوری داده ها از شبکه های اجتماعی و وب سایت های خبری مختلف، برای هریک از داده ها مدل جداگانه ایی ساخته شد. سپس داده ها باید وارد مرحله پیش پردازش شوند پیش پردازش داده ها به گونه ایی بود که به ساختار زبان نوشتار نزدیک تر شوند، برای این کار از چندین مدل استفاده کردیم که اشتباهات املایی،تکراری نویسی، ریشه کلمات شکسته شده، نیم فاصله ها و … را اصلاح می کند.داده های پردازش شده به عنوان ورودی مدل استفاده می شود.

پس از انجام پیش پردازش، داده ها وارد مرحله مدلسازی میشوند. ابتدا بر اساس مدل یادگیری عمیقی که قبلا ساخته بودیم هر نظر را به یک بردار ویژگی عددی تبدیل می کنیم و در نهایت با استفاده از چند مدل مختلف و تجمیع نظرات آنها مدل نهایی ساخته می شود.
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
بخش چهارم:

نظر کاربر در طول زمان ممکن است نسبت به یک فرد (در اینجا منظور وزرای پیشنهادی) عوض شود و این امر، اعتبار نظر های قبلی او را کم می کند،ولی قطعا از بین نخواهد برد زیرا نظر خود شخص در جامعه پخش شده و تاثیر خود را داشته است.

ما با اضافه کردن تعدادی از آخرین نظرات کاربر و قطبی سنجی هر یک به صورت جداگانه و اضافه کردن تاثیر زمان به آن و اجماع آن ها به عددی میرسیم که قطبیت یک فرد را مشخص می کند.

در نهایت با پردازش عددی بیش از ۵،۵۰۰،۰۰۰ نظر به گزارشی کامل از وزرای پیشنهادی رسیدیم که مردم بیشترین صحبت را درمورد آن ها کرده‌اند و بیشترین نظر را داشتند، که در لینک زیر میتوانید نمودار بررسی این نظرات را ببینید.

شبکه های اجتماعی می توانند شامل هر چیزی اعم از خانواده، دوستان، کلاس درس، اشیا و سایر موارد مشابه باشند، با استفاده از ارتباطاتی که بین این اعضای شبکه وجود دارد می توان به موارد مهمی اعم از اعضای مهم و کارساز، اعضای استثناء، چگونگی شکل گیری اینگونه شبکه ها پی برد که برای کارهای تجاری و تحقیقاتی بسیار مهم اند، که برای دست یابی به این موارد باید شبکه های اجتماعی را با استفاده از ابزارهای خاص مورد تجزیه وتحلیل یا آنالیز قرار داد

حلیل شبکه های اجتماعی (Social Network Analysis) که گاهی به اختصار به آن SNA هم گفته می‌شود به معنای فرایند بررسی و ارزیابی ساختارهای یک شبکه اجتماعی به عنوان یک گراف از ابزارها یا انسانهاست که با خطوط ارتباطی به یکدیگر متصل هستند.
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
این خطوط ارتباطی می‌تواند رابطه دوستی، انتقال ویروس بیماری، رابطه ارسال و دریافت پیام و پیامک، تبادل نظر در زمینه رای دادن در یک انتخابات، رابطه ارسال و دریافت بسته های اطلاعاتی و یا هر نوع رابطه دیگری باشد.

همانطور که در تعریف شبکه های اجتماعی اشاره شده، تحلیل شبکه های اجتماعی با استفاده از دانش ریاضی و نظریه گرافها، شکلی بسیار علمی و ساختاریافته به خود گرفته است و در حال حاضر تحلیل شبکه های اجتماعی از جمله گران‌ترین و پرسودترین تخصص های بشری محسوب می‌شود.

نمونه هایی از کاربردهای تحلیل شبکه های اجتماعی

 یکی از کاربردهای تحلیل شبکه های اجتماعی در تصمیم گیری و خط مشی گذاری است.

فرض کنید در یک کشور، یک بیماری خطرناک مانند ایدز (یا بسیاری از بیماریهای ویروسی دیگر) شیوع پیدا کرده باشد.

در صورتی که شیوع بیماری از حد مشخصی بیشتر نشود، سیاستگذاران ترجیح می‌دهند به شکل عمومی در مورد بیماری صحبت نکنند و با راهکارهای اختصاصی و تخصصی، نسبت به مدیریت آن اقدام کنند.
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
چون اعلام عمومی، هزینه های دیگری (مثل اضطراب و نگرانی عمومی) دارد که به منافع حاصل از آن نمی‌ارزد.

اما اگر شیوع از حد مشخصی فراتر رود، اعلام عمومی منطقی‌تر خواهد بود. چون مراقبت‌های فردی می‌تواند موجب مدیریت بهتر بیماری شود.

تحلیل شبکه های اجتماعی و شیوه ارتباطات مردم، می‌تواند کمک کند که سیاست گذاران، در زمینه تصمیم گیری برای اعلام یا عدم اعلام عمومی بیماری، انتخاب بهتری انجام دهند.

 شرکتهای ارائه دهنده خدمات شبکه های اجتماعی دیجیتال هم از جمله استفاده کنندگان جدی تحلیل شبکه های اجتماعی هستند.

پیشنهاد دوستان جدید در فیس بوک و یا پیشنهاد تصاویر توسط اینستاگرام که ما به صورت روزانه با آنها سر و کار داریم، خروجی الگوریتم های تحلیل شبکه های اجتماعی است.

همچنین،  گوگل را می‌توان یکی از بزرگترین متخصصان تحلیل شبکه های اجتماعی دانست.

مثال هایی از تحلیل شبکه های اجتماعی
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
برای تحلیل شبکه های اجتماعی، پارامترها و شاخصهای متعددی طراحی شده و مورد استفاده قرار می‌گیرد.

میزان تعامل هر گره (Node) با گره های دیگر، تفاوت یا تشابه توزیع جغرافیایی گره ها و توزیع دیجیتال آنها، عمق و شدت نفوذ اثر هر رفتار گره بر روی گره های دیگر، قرار گرفتن هر گره در مرکز یا میزان فاصله گرفتن آن از مرکز شبکه، تعامل یکسویه یا دوسویه ی گره با سایر گره ها، تنوع اطلاعات و ارتباطات بین گره ها و انتروپی موجود در شبکه اجتماعی، از جمله صدها پارامتر و معیاری هستند که در تحلیل شبکه های اجتماعی مورد توجه قرار می‌گیرند.

[لینک مرتبط: گره یا Node چیست؟]

  شما تاکنون در این بحث مشارکت نداشته‌اید.

این مبحث در حوزه علاقه من قرار دارد


 
برخی از دوستان متممی که به این درس علاقه مندند: محمدجوادتقوی , نازنین اصل مقصودی , حسین , رضا شادامروز , عاطفه اکبری

ترتیبی که متمم برای خواندن مطالب سری شبکه های اجتماعی به شما پیشنهاد می‌کند:
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
        شبکه های اجتماعی و شناخت علمی‌تر آنها
        تعریف شبکه های اجتماعی چیست؟ (شبکه اجتماعی)
        شبکه اجتماعی انسانی (تعریف و تاریخچه)
        فهرست شبکه های اجتماعی بر اساس تعداد کاربران فعال
        تحلیل شبکه های اجتماعی چیست؟ (Social Network Analysis)
        شبکه های اجتماعی و اشتباه‌های سرنوشت‌ساز در آنها
        تاریخچه هشتگ و استراتژی هشتگ (۱)
        هشتگ چیست + بهترین استراتژی استفاده از هشتگ در اینستاگرام (۲)
        هشتگ ربایی (هایجک کردن هشتگ ها)
        اشتباهات کسب و کارها در شبکه های اجتماعی (۱)
        اشتباهات کسب و کارها در شبکه های اجتماعی (۲)
        اشتباهات کسب و کارها در شبکه های اجتماعی (۳)
        اشتباهات کسب و کارها در شبکه های اجتماعی (۴)
        روش درست انتخاب بهترین هشتگ‌ها برای اینستاگرام چیست؟(۳)
        رید هافمن (معرفی و بیوگرافی)
        رید هافمن و مقاله در مورد شبکه های اجتماعی
        رابطه‌ی مدیران برتر جهان با شبکه های اجتماعی
        نظریه شش درجه جدایی
        ترند توییتر چیست و ترند در شبکه های اجتماعی به چه معناست؟
        شایعات و شایعه پراکنی در شبکه های اجتماعی
        شبکه اجتماعی ورو (Vero) – یک عضو جدید در اکوسیستم شبکه های اجتماعی
        شبکه های اجتماعی تخصصی
        آیا در شرکت خود خط مشی حضور در شبکه های اجتماعی را تعریف کرده‌اید؟
        خرید و فروش پیج اینستاگرام | فرصتها و تهدیدها

سری مطالب حوزه شبکه های اجتماعی
چند مطلب پیشنهادی:

  

09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]

حضور مدیران پانصد شرکت برتر فورچون در شبکه های اجتماعی - متمم - محل توسعه مهارتهای من

    رابطه‌ی مدیران برتر جهان با شبکه های اجتماعی
    شبکه اجتماعی VERO - ورو عضو جدید خانواده نرم افزارهای شبکه های اجتماعی است
    شبکه اجتماعی ورو (Vero) - یک عضو جدید در اکوسیستم شبکه های اجتماعی
    شبکه های اجتماعی تخصصی
    شبکه های اجتماعی تخصصی
    شایعه پراکنی در شبکه های اجتماعی
    شایعات و شایعه پراکنی در شبکه های اجتماعی
    شبکه های اجتماعی چه هستند و چگونه تعریف می‌شوند
    تعریف شبکه های اجتماعی چیست؟ (شبکه اجتماعی)
    اشتباهات کسب و کارها در شبکه های اجتماعی
    اشتباهات کسب و کارها در شبکه های اجتماعی (3)

تشخیص و پیش‌بینی بیماری‌ها

ر این سلسله مقالات به کاربرد داده‌کاوی در تحلیل، تشخیص و پیش‌بینی بیماری‌های مختلف پرداخته می‌شود. بدین ترتیب که با استفاده از الگوریتم‌ها و روش‌های داده‌کاوی در کنار اطلاعات بیماران مختلف راهی برای تحلیل، تشخیص و پیش‌بینی بیماری‌های مختلف ارائه

09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]

می‌شود. درواقع داده خام اطلاعات بیماران و روش‌های نیز روش‌های استفاده‌شده در علوم داده‌کاوی است که منجر به تولید دانشی مفید برای علوم پزشکی می‌گردد. مطالعه این مقالات می‌تواند برای اشخاصی که درزمینهٔ داده‌کاوی پزشکی و سلامت فعالیت می‌کنند راهگشا بوده و مفید واقع شود. بنا بر ادعای برخی علم پزشکی یک علم مبتنی بر آمار است و بسیاری از راه‌حل‌های ارائه شده برای بیماران از طریق روش‌ها و راه‌های تحلیل آماری حاصل می‌شود. این ادعا و واقعیت‌های مرتبط در این رشته مقالات که با عنوان استفاده از داده‌کاوی برای تحلیل بیماری‌ها در موارد مختلف تولید خواهد شد بررسی می‌شود. آکادمی داده امیدوار است در این رشته مقالات، پژوهشگران عزیز را با مفاهیم این حوزه و کارهای انجام‌شده آشنا نماید. 

چه چیزی داده کاوی نیست؟
داده کاوی چیست؟
آموزش ابزارِ داده کاوی رپیدماینر

09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]

​معرفی منابع برای یادگیری داده کاوی

در مقاله‌ای با عنوان "تشخیص بیماری ام اس با استفاده از الگوریتم‌ها داده‌کاوی" دو پژوهشگر دانشگاه امیرکبیر سعی کرده‌اند مدلی برای تشخیص بیماری ام اس ارائه دهند. در این تحقیق بیماری ام اس موردتوجه قرارگرفته است. بیماری ام اس یک بیماری فلج‌کننده‌ی مغز و نخاع درواقع دستگاه عصبی مرکزی است. در بیماری ام اس، سیستم ایمنی بدن به بافت عصبی حمله کرده و موجب اختلال در ارتباط بین مغز و دیگر مناطق بدن می‌شود. درنهایت، این بیماری منجر به تخریب و یا آسیب دائمی به اعصاب می‌شود  که اثرات جبران‌ناپذیری به بدن بیمار وارد می‌کند. تشخیص این بیماری در مراحل ابتدایی می‌تواند در مسیر درمان این بیماری بسیار کارگشا باشد. این تحقیق نیز بر این بنانهاده شده است که بتواند با استفاده از الگوریتم داده‌کاوی این بیماری را پیش‌بینی نماید.
در این تحقیق مجموعه داده مورداستفاده شامل اطلاعات 144 بیمار مبتلابه بیماری ام اس است. این مجموعه داده شامل 12 ویژگی می‌باشد. محققین از دو الگوریتم معروف یادگیری ماشین یعنی الگوریتم‌های ماشین بردار پشتیبان و الگوریتم نایوبیز برای ایجاد مدل طبقه‌بندی بهره برده‌اند. بر اساس نتایج به‌دست‌آمده دقت طبقه‌بندی 77 درصدی توسط الگوریتم ماشین بردار پشتیبان به‌دست‌آمده است. در بیماری ام اس حتی چند ساعت تشخیص زودتر می‌تواند اثرات مهمی در فرآیند درمان داشته باشد. بدین ترتیب در این تحقیق

09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]

سعی شده است روشی برای پیش‌بینی ارائه گردد. این تحقیق توسط عاطفه صادقیان و عباس احمدی انجام‌شده است. شایسته است برای تحقیقات بیشتر مجموعه داده این پژوهش توسط این محققین در اختیار همه قرار داده شود.

در این سلسله مقالات به مفاهیم و کاربرد های داده‌کاوی، متن کاوی و علوم مرتبط با علم داده پرداخته می‌شود. با توجه به حجم عظیم مقالات تولید شده در زبان فارسی در حوزه داده کاوی و علم داده، آکادمی داده تصمیم گرفت مقالات فارسی منتشر شده در این حوزه را خلاصه برداری کرده و در اختیار علاقه مندان قرار دهد. این مقالات ابتدا با معرفی موضوع و کارهای انجام شده آغاز می شود و سپس مجموعه داده یا دیتاست تحقیق ارائه می شود و سپس پیاده سازی انجام شده در رپیدماینر، وکا یا پایتون ارائه شده و نتایج تحلیل می شود.
در این رشته نوشته ها ابتدا خلاصه ای از مقاله ارائه شده و سپس نتیجه گیری مقاله عینا آورده می گردد و سپس فایل پی دی اف آن نیز برای دانلود در اختیار محققین و پژوهشگران عزیز قرار می گیرد.
 09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
ما جریان کاری برای یک برنامه ای را ارائه می دهیم که با پیدا کردن الگو های مربوط به تقلب در پایگاه داده ای بزرگ به حل مشکلات حیاتی پولشویی  کمک می کند . سهم اصلی کار این الگوریتم این است که به جای استفاده از روش های سنتی نظارت بر داده ها برای تشخیص تقلب از الگوریتم الگوی تطبیق استفاده می کند و روش ما توضیح داد که چرا روش ما از روش سنتی روسن تر و کاربردی تر است . در حوزه تشخیص تقلب ما معتقدیم که این روش می تواند منطق کلیدی و یک راه حل واقعی برای کشف تقلب و توسعه در آینده است. ما اهمیت و بزرگ بودن مشکل را معرفی کردیم و توضیح دادیم که چگونه این الگوریتم می تواند در این زمینه مفید باشد با توجه به آینده کار بر روی سیستم، ما معتقدیم که سیستم میتواند مقیاس پذیر ساخته و پر اساس معیارهای پیشنهادی بهبود یابد که به شکل بهتری برای مشکلی که در دست داریم استفاده شود به عنوان فرآیند کشف دانش ، یک تعامل بین کاربر و سیستم داده کاوی است که اغلب تعیین ماهیت اطلاعات دشوارتر است،

09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]

 (2005 ,.S . Bandyopadhyay et al) . بنابراین برای بدست آوردن دانش مناسب و قابل استفاده از مجموعه پایگاه داده ی داده شده ضروری است که کاربر قادر به این باشد که تمرکز خود را بر روی جستجوی هایشان هوشمندانه تر کنن

وم روانشناسی یکی از علوم پرطرفدار در حوزه علوم انسانی است. روان شناسی علمی است که رفتار و فرآیندهای ذهنی موجودات زنده بخصوص انسان را مورد تجزیه و تحلیل قرار می دهد. روان شناسی علم گسترده ای است که شاخه های متنوعی مانند روان شناسی رفتاری، شناختی، فرهنگی، فردی، رشد، تکاملی، مثبت گرا، اجتماعی و کاربردهای گسترده ای دارد.
این گستردگی علم روان شناسی باعث تولید داده های فراوانی در این حوزه شده است. این داده های خام می تواند برای داده کاوی فرصت مهمی باشد، تا با استفاده از  ابزارهای داده کاوی از آنها دانشی تولید شود تا روان کاوان بتوانند به نتایج کامل تری برای درمان بیماران برسند.

09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]

چه چیزی داده کاوی نیست؟

داده کاوی چیست؟
پیش بینی رفتارهای بشری بر اساس داده های رفتاری او قابل انجام است و حوزه مطالعاتی گسترده ای با نام پیش بینی رفتار ایجاد شده است. در این حوزه با تحلیل رفتارهای گذشته یک فرد درباره رفتارهای آتی او قضاوت و پیش بینی می شود.برای مثال با تحلیل توییت های یک فرد در شبکه اجتماعی توییتر می توان درباره شرایط روحی او قضاوت کرد.  یک فرد دارای افسردگی شدید ، اقدام به تولید توییت هایی می کند که دارای نشانه هایی از این افسردگی است. در سال های اخیر تحقیقات بسیاری برای پیش بینی خودکشی از طریق پستهای شبکه های اجتماعی انجام شده است که یکی از کاربردهای مهم داده کاوی در روان شناسی است.
آموزش ابزارِ داده کاوی رپیدماینر
​معرفی منابع برای یادگیری داده کاوی
کاربردهای داده کاوی در روانشناسی دارای فرصت های بسیار برای محققین است. به دلیل گستردگی علم روانشناسی می توان تصور کرد که کاربرد داده کاوی نیز می تواند گسترده باشد. به خصوص با آمدن شبکه های اجتماعی و استفاده گسترده از آن، داده کاوی اطلاعات تولید شده در شبکه های اجتماعی نیز مورد توجه بوده است. به طور مثال پیش بینی شخصیت یک فرد. آیا می توان با رصد تولیدات محتوایی یک فرد در شبکه های اجتماعی درباره شخصیت او قضاوت کرد؟ بر اساس تحقیقات انجام شده پاسخ این سوال آری است. هر تیپ شخصیتی رفتار متمایزی در شبکه های اجتماعی از خود نشان می دهند. و این موضوع باعث شده است تحقیقات بسیاری در حوزه داده کاوی برای پیش بینی شخصیت افراد انجام شود. این حوزه مطالعاتی در واقع تحقیقات مشترکی است که توسط محققین داده کاوی و روانشناسی به صورت مشتریک انجام می شود.

09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]

برای تحلیل داده ها و استفاده از الگوریتم های داده کاوی برای این کار نیاز به محققین داده کاوی است. در کنار آن برای تحلیل و بررسی نتایج به دست آمده نیز روانشناسان و محققین حوزه روان شناسی می بایست حضور داشته باشند. اغلب تحقیقات این حوزه مطالعاتی توسط تیمی از هر دو گروه انجام شده است.

09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]

علاوه بر شخصیت با استفاده از بررسی داده های شبکه های اجتماعی می توان در مورد علاقه مندی های افراد نیز قضاوت کرد. به طور مثال شخصی که از 3200 اخیر اون بیش از دو هزار توییت در مورد مسائل سیاسی روز است به راحتی می توان درباره علاقه مندی های سیاسی او صحبت کرد. امروزه بسیاری از تحقیقات روانشناسی با استفاده از داده کاوی بر پایه اطلاعات منتشر شده در شبکه های اجتماعی انجام می پذیرد.
در وب سایت دیتاهارت مجموعه داده مناسب برای داده کاوی روانشناسی عرضه شده است. در این مجموعه داده درباره بیماری افسردگی بحث شده است.  در واقع از دهها ویژگی برای پیدا کردن احتمال وقوع یا عدم وقوع افسردگی استفاده شده است. در این مجموعه داده سعی شده است بر اساس ویژگی هایی مانند جنسیت، سن، وضعیت تاهل، وضع مالی، شغل، ورزش، موسیقی و ایمان فرد درباره احتمال وقوع افسردگی در او صحبت شود.
کادمی داده  که به زودی پنجمین سال فعالیت خود را جشن می گیرد سالهاست به دنبال ایجاد محتوای مفید برای علاقه مندان علوم داده‌کاوی، متن کاوی و علوم مرتبط با علم داده، مدیریت دانش، هوش تجاری و مباحث مرتبط است.  آکادمی داده  امیدوار است با این اقدامات بتواند اثری هر چند اندک در افزایش آگاهی علاقه مندان به این حوزه ها داشته باشد. در این سری مقالات  آکادمی داده  تلاش دارد مقالات جالب، جدید، پر محتوا و اثرگزار را در علوم داده‌کاوی، متن کاوی، مدیریت دانش، هوش تجاری و مباحث مرتبط ارایه نماید. در این سری مقالات ابتدا مقدمه و سپس نتیجه گیری مقالات ارایه شده است و سپس‌ فایل پی دی اف مقاله برای دانلود رایگان علاقه مندان توسط  آکادمی داده تهیه شده و قابل دانلود است.
چکیده
امروزه با پیشرفت فناوری، مجموعه داده های بزرگ دارای ویژگی های زیاد و پیچیدگی محاسباتی بالا به وجود آمده اند. از این رو، انتخاب زیرمجموعه ویژگی با کمترین ویژگی، سرعت بیشتر و کارایی بالا امر بسیار مهمی می باشد. الگوریتم های رایج انتخاب ویژگی با بررسی نکردن روابط میان ویژگیها، کاهش دقت را به وجود می آورند. لذا، محققان برای بررسی روابط میان ویژگی ها و رسیدن به دقت بیشتر، روان انتخاب ویژگی متنی را تئوری بازی ها را ارائه داده اند که در داده ها با تعداد زیاد ویژگی، پیچیدگی محاسباتی بیشتری دارند لذا افزایش سرعت انتخاب، ویژگی مبنی بر بازی های همکارانه در کنار دقت بالا می تراند برای انتخاب زیر مجموعه ویژگی بهینه برای داده های بزرگ استفاده شود. در این مقاله، الگوریتم FSCG ارائه شده است که ابتدا با محاسبه F-Score ویژگیها مرتب شده و سپس برای هر ویژگی ارزش شپلی- شوبیک محاسبه می شود. لذا F-Score با تشخیص ویژگی های بین دو کلاس، نقطه ضعف ارزش شپلی-شوبیک که بار محاسباتی بالا به خاطر تعداد زیاد انتخاب ویژگی های جفت با ائتلاف های بین ویژگی ها است را | می پوشاند و ارزش شپلی شوبیک با مشخص کردن سهم هر ویژگی در یک همکاری نقطه ضعف F- Score را پیدا می کند. این الگوریتم روی تعدادی از مجموعه داده های UCI پیاده سازی و ارزیابی ویژگی های انتخابی برای مجموعه داده ها با استفاده از دسته بند ماشین بردار پشتیبان (SVM) انجام شده است. تعداد ویژگی های انتخاب شده، دقت و زمان اجرای روش FSCG با روش های بدون کاهش ویژگی و روش Shaply Value Embedded Genetic Algorithm) SVEGA) مقایسه شده است. نتایج نشان می دهد که روش FSCG بر روی داده ها با تعداد ویژگی های زیاد با انتخاب زیر مجموعه ویژگی بهینه، علاوه بر دقت، بار محاسباتی کمتر و سرعت بیشتر را ارائه داده است.
نتیجه گیری
با توجه به اینکه روز به روز به ابعاد داده ها افزوده می شود. مسئله انتخاب ویژگی به یک موضوع بسیار مهم برای محققان تبدیل شده است. انتخاب ویژگی برای کاهش تعداد ویژگی هایی که دارای ویژگی های زیادی هستند، به کار برده می شود. مسئله انتخاب ویژگی، یکی از مسائلی است که در بسیاری از کاربردها به خصوص طبقه بندی در مبحث یادگیری ماشین و همچنین شناسایی آماری الگو اهمیت فراوانی دارد، زیرا در این کاربر تنها تعداد زیادی ویژگی وجود دارد که بسیاری از آن ها یا بلااستفاده هستند و یا اینکه بار اطلاعاتی چندانی ندارند. حذف نکردن این ویژگی ها مشکلی از لحاظ اطلاعاتی ایجاد نمی کنند ولی بار محاسباتی را برای کاربرد مورد نظر بالا می برده و علاوه بر این باعث می شود که اطلاعات غیر مفید زیادی را به همراه داده های مقید ذخیره کنیم. برای مسئله انتخاب ویژگی، راه حل ها و الگوریتم های متعددی ارائه شده است که ممکن است برخی از ویژگی های مهم را افزونگی حساب کرده و آن را از بین ببرند شناسایی زیر مجموعه ویژگی بهینه نقش بسیار مهمی در کارایی مسائل طبقه بندی، ایفا می کنند.
در این مقاله، برای رفع مشکلات روش های انتخاب ویژگی معمول و رسیدن به صحت بیشتر در کنار سرعت بالا و بار محاسباتی که در داده - های با حجم بالا، روش انتخاب ویژگی بهبود یافته مبتنی بر نظریه ی بازی های همکارانه به نام FSC پیشنهاد شده است. این روش ترکیب روش F - Scare و محاسبه ارزش شپلی-شوبیک می باشد. FSCG ابتدا با استفاده از روش F - Score ویژگی های بین کلاس ها را تشخیص داده و سپس سهم هر ویژگی را با محاسبه ارزش شپلی-شوبیک محاسبه می کند. به منظور محاسبه میزان دقت، از طبقه بند SVM بر روی هفت مجموعه داده پزشکی از UCI استفاده شده است. نتایج نشان می دهند که روش پیشنهادی با کاهش ویژگی، توانسته زیر مجموعه ویژگی های مناسبی را انتخاب نماید که موجب افزایش دقت طبقه بند شده است همچنین در داده های بزرگ بالا علاوه بر افزایش دقت، بار محاسباتی کمتر و سرعت بیشتر را ارائه دهد.
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]

رزیابی کارآمد و موثر وفاداری مشتری برای توسعه مدیریت ارتباط با مشتری با استفاده از روش داده کاوی

رزیابی کارآمد و موثر وفاداری مشتری برای توسعه مدیریت ارتباط با مشتری با استفاده از روش داده کاوی
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
بازدید در این سلسله مقالات به مفاهیم و کاربرد های داده‌کاوی، متن کاوی و علوم مرتبط با علم داده پرداخته می‌شود. با توجه به حجم عظیم مقالات تولید شده در زبان فارسی در حوزه داده کاوی و علم داده، آکادمی داده تصمیم گرفت مقالات فارسی منتشر شده در این حوزه را خلاصه برداری کرده و در اختیار علاقه مندان قرار دهد. این مقالات ابتدا با معرفی موضوع و کارهای انجام شده آغاز می شود و سپس مجموعه داده یا دیتاست تحقیق ارائه می شود و سپس پیاده سازی انجام شده در رپیدماینر، وکا یا پایتون ارائه شده و نتایج تحلیل می شود.
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail] نوشته ها ابتدا خلاصه ای از مقاله ارائه شده و سپس نتیجه گیری مقاله عینا آورده می گردد و سپس فایل پی دی اف آن نیز برای دانلود در اختیار محققین و پژوهشگران عزیز قرار می گیرد.
 ن سلسله مقالات به کاربرد داده‌کاوی در تحلیل، تشخیص و پیش‌بینی بیماری‌های مختلف پرداخته می‌شود. بدین ترتیب که با استفاده از الگوریتم‌ها و روش‌های داده‌کاوی در کنار اطلاعات بیماران مختلف راهی برای تحلیل، تشخیص و پیش‌بینی بیماری‌های مختلف ارائه می‌شود. درواقع داده خام اطلاعات بیماران و روش‌های نیز روش‌های استفاده‌شده در علوم داده‌کاوی است که منجر به تولید دانشی مفید برای علوم پزشکی می‌گردد. مطالعه این مقالات می‌تواند برای اشخاصی که درزمینهٔ داده‌کاوی پزشکی و سلامت فعالیت می‌کنند راهگشا بوده و مفید واقع شود. بنا بر ادعای برخی علم پزشکی یک علم مبتنی بر آمار است و بسیاری از راه‌حل‌های ارائه‌شده برای بیماران از طریق روش‌ها و راه‌های تحلیل آماری حاصل می‌شود. این ادعا و واقعیت‌های مرتبط در این رشته مقالات که با عنوان استفاده از داده‌کاوی برای تحلیل بیماری‌ها در موارد مختلف تولید خواهد شد بررسی می‌شود. آکادمی داده امیدوار است در این رشته مقالات، پژوهشگران عزیز را با مفاهیم این حوزه و کارهای انجام‌شده آشنا نماید. 
در این مقاله درباره تحقیق با عنوان"استفاده از تکنیک های داده کاوی جهت تشخیص دیابت با استفاده از چربی خون " صحبت خواهد شد. 09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
مقدمه: بیماری دیابت یکی از شایع ترین، خطرناک ترین و پرهزینه ترین بیماری های حال حاضر دنیا است که با نرخ هشدار دهنده ای در حال افزایش است. استفاده از روش های داده کاوی می تواند به تشخیص زودهنگام دیابت کمک کند که باعث جلوگیری از پیشرفت این بیماری و خیلی از عوارض آن مانند بیماری قلب و عروق، مشکالت بینایی و بیماری های کلیوی می شود.
مواد و روش ها: در این تحقیق از نرم افزار داده کاوی رپیدماینر برای مدل سازی به منظور دسته بندی بیماران به دیابتی و غیر دیابتی استفاده شده است. داده های مورد نیاز این تحقیق از پایگاه داده یکی از آزمایشگاه های شهرستان نهاوند استخراج شده است که شامل داده های 6075 بیمار در بازه سال های 1387 تا 1392 است. این داده ها شامل متغیرهای عمومی سن و جنسیت و هم چنین متغیرهای انواع چربی خون و میزان قندخون ناشتا است.
چه چیزی داده کاوی نیست؟
داده کاوی چیست؟
آموزش ابزارِ داده کاوی رپیدماینر
​معرفی منابع برای یادگیری داده کاوی
یافته های پژوهش: پس از مدل سازی با استفاده از تکنیک های مختلف دسته بندی بهترین دقت مدل مربوط به مدل درخت تصمیم  c4.5 بوده که برابر 90 درصد می باشد.
بحث و نتیجه گیری: به منظور تشخیص به موقع دیابت تکنیک های مختلفی با روش ها و متغیرهای گوناگونی ارائه گردیده است. در تحقیق پیش رو نیز با استفاده از رابطه هم افزایی انواع چربی خون با قندخون ناشتا و با استفاده از تکنیک های داده کاوی روشی برای تشخیص 09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
در این تحقیق بر روی یکی از بیماری‌های مشهور در دنیا یعنی بیماری دیابت پژوهش انجام شده است. دیابت چهارمین علت مرگ و میر در بیشتر کشورهای توسعه یافته است. در این تحقیق مجموعه داده‌ای شامل 6075 نفر موردبررسی قرارگرفته است که از 6075 بیمار 587 بیمار یعنی 6 درصد بیماران مبتلا به دیابت بودند. در واقع مجموعه داده این تحقیق یک مجموعه داده نا متعادل می باشد.  این مجموعه داده  توسط آزمایشگاه شهر نهاوند تهیه‌شده و از مجموعه داده های بومی در حوزه استفاده از داده‌کاوی برای پیش‌بینی بیماری‌هاست. یکی از نقاط قوت این کار استفاده از پنج الگوریتم برای ایجاد مدل طبقه‌بندی است بر اساس پیاده‌سازی انجام‌شده الگوریتم درخت با 90 درصد بهترین عملکرد را داشته است. متاسفانه مجموعه داده این تحقیق نیز در دسترس عموم محققین قرار نگرفته است.

روش پیشنهادی نشان داده است که به منظور خوشه بندی، زمانی که ما مدل  WRFM گسترش یافته را با الگوریتم K میانگین ترکیب میکنیم، میتوانیم پیشرفت فوق العاده ای در طبقه بندی صحت و درستی به منظور رسیدن به یک مدیریت ارتباط با مشتری عالی را ببینیم. به عنوان مثال، فاصله و نرخ یکپارچگی هر خوشه معمولا توسط بسیاری از محققان به عنوان پارامترهای جداگانه و مستقل استفاده میشود، در این مطالعه ترکیب این دو پارامتر در تجزیه و تحلیل خوشه بندی و طبقه بندی در نظر گرفته شده است. نتایج آزمون آماری برای ارزیابی مدل نشان داده است که روششناسی توسعهیافته برای مدیریت ارتباط با مشتری دارای یک نتیجه قابل قبول با سطح بالایی از اطمینان در مقایسه با سایر مدل های معمول استفاده  شده توسط محققان است. روش مدیریت ارتباط با مشتری پیشنهاد شده میتواند توسط صنایع و همچنین بخشهای خدمات در ارزیابی وفاداری مشتریانشان به شیوه هایی کارآمدتر و موثرتر استفاده شود.

09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]

ارزیابی کارآمد و موثر وفاداری مشتری برای توسعه مدیریت ارتباط با مشتری با استفاده از روش داده کاوی مقاله کاربرد تکنیک داده کاوی در مدیریت روابط مشتری مقاله طراحی ساختار مدیریت ارتباط با مشتریان مبتنی بر داده کاوی مقاله تعیین تکنیک های مناسب داده کاوی جهت شناسایی مشتریان ترجیحی در یک سیستم مدیریت ارتباط با مشتری مقاله داده کاوی در مدیریت ارتباط با مشتری مقاله بهبود فرآیند مدیریت ارتباط با مشتری با استفاده از رویکرد مهندسی نیازمندی ها و روش داده کاوی مقاله کاربرد تکنیک های داده کاوی در مدیریت ریزش مشتری مقاله مدلی برای تحلیل رفتار مشتریان الکترونیک طب سنتی با استفاده از الگوریتم داده کاوی به منظور بهبود ارتباط با مشتری (مطالعه موردی:عسل درمانی) مقاله کاربرد داده کاوی در مدیریت ارتباط با مشتری مقاله ارائه یک راهکار جدید مدیریت ارتباط با مشتری مبتنی بر رویکرد داده کاوی مقاله استفاده از داده کاوی در مدیریت ریسک مشتریان بانک ها مقاله داده کاوی و مدیریت ارتباط با مشتری مقاله مدیریت ارتباط با مشتری توسط زنجیره تامین وتکنیک های داده کاوی مقاله بررسی رابطه بین مدیریت ارتباط با مشتری، داده کاوی مدیریت دانش جهت دستیابی و ایجاد مدیریت دانش مشتری با رویکرد کسب مزیت رقابتی سازمانها در تجارت الکترونیکی مقاله به کارگیری روشهای داده کاوی جهت مدیریت دانش مشتریان: رویکردی جهت صرفه جویی در زمان هزینه (مطالعه موردی:بانک مهر اقتصاد) مقاله بهبود مدیریت ارتباط با مشتری مبتنی بر داده کاوی مقاله بررسی نقش داده کاوی در مدیریت ارتباط با مشتری مقاله طراحی مدل کاربرد داده کاوی در مدیریت دانش مشتری مقاله کاربرد داده کاوی در مدیریت ارتباط با مشتری مقاله داده کاوی ابزار جذاب رتبه سنجی اعتباری مشتریان جهت ارتقاء مدیریت روابط مشتریان سازمانها مقاله استفاده از تکنیک های داده کاوی در استخراج الگوهای پنهان وبهبود مدیریت روابط مشتریان و مراجعین شعب سازمان تأمین اجتماعی مقاله استفاده ازداده کاوی در سیستم مدیریت ارتباط با مشتری شرکت های بیمه (مطالعه موردی در زمینه شناسایی مشتری) مقاله مدیریت ارتباط با مشتری با استفاده از داده کاوی در سیستم بانکداری مقاله استفاده از تکنیک داده کاوی در مدیریت ارتباط با مشتری مقاله بهبود مدیریت ارتباط با مشتری در صنعت بانکداری مبتنی بر تکنیکهای داده کاوی مقاله مدیریت بر اطلاعات مشتری در مدیریت زنجیره تأمین با استفاده از رویکرد مقاله آگاھی از رفتار و احساس مشتریان برای تصمیم گیری و مدیریت سازمان، با رویکرد نرمال در آنالیز احساس و استفاده از معنا شناسی متنی (متن کاوی) در شبکه ھای اجتماعی مقاله ارائه روشی برای تعیین الزامات پیاده سازی مدیریت دانش مشتری (CKM) (مورد کاوی: گروه خودرو سازی بهمن) مقاله نقش مدیریت روابط مشتریان الکترونیکی در بازاریابی اینترنتی مورد کاوی شرکتها و سازمانهای ایرانی مقاله آسیب شناسی مدیریت ارتباط با مشتری : موردکاوی یک شرکت خودرو سازی مقاله بررسی تاثیر مدیریت ارتباط الکترونیکی با مشتری بر رضایت مشتریان «موردکاوی شرکت چینی بهداشتی گلسار فارس» مقاله مدیریت دانش مشتری در مدیریت زنجیره تأمین : یک رویکرد داده کاوی 09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]انک پاسارگاد) مقاله داده کاوی اطلاعات در مدیریت زنجیره تامین جهت افزایش رضایت مندی مشتریان مقاله نقش داده کاوی در مدیریت روابط مشتری مقاله بررسی تکنیک های داده کاوی در جهت مدیریت بهتر ارتباط با مشتریان مقاله مدیریت ارتباط با مشتری در نظام بانکی توسط تکنیک های داده کاوی مقاله تلفیق داده کاوی و AHP برای بهبود مدیریت ارتباط با مشتریان در بانک ها مقاله مدیریت منسجم خدمات بانکی و رضایت مشتری ( موردی کاوی : بانک ملت حافظ شهرکرد) مقاله تاثیر مدیریت تجربه مشتری بر تکرار خرید( مورد کاوی : رستوران های زنجیره ای پدرخوب درشهر تهران) مقاله کاربرد تکنیک های داده کاوی در مدیریت ریزش مشتری مقاله مطالعه ی داده کاوی براساس مدیریت مشتری در تجارت الکترونیک مقاله کاربرد تکنیک داده کاوی در مدیریت روابط مشتری مقاله مدیریت ارتباط با مشتری در صنعت بانکداری با استفاده از داده کاوی)الگوریتم شبکه عصبی و ازدحام ذرات( مقاله بررسی نقش داده کاوی در مدیریت ارتباط با مشتری (مورد مطالعه سازمان آتش نشانی و خدمات ایمنی تهران) مقاله ترکیب داده کاوی و مدیریت دانش در مدیریت ارتباط با مشتری مقاله بررسی تکنیک های داده کاوی بمنظور مدیریت ارتباط با مشتریان مقاله رابطه بین داده کاوی، مدیریت دانش و مدیریت ارتباط با مشتری جهت کسب مزیت رقابتی سازمان ها در تجارت الکترونیکی مقاله داده کاوی در مدیریت ارتباط با مشتری مقاله کاربردهای داده کاوی در تجزیه و تحلیل مدیریت ریسک مشتریان بانک ها مقاله داده کاوی مشترکین شرکت مخابرات برای بهبود مدیریت ارتباط با مشتری مقاله مدیریت دانش مشتری در مدیریت زنجیره تامین : یک رویکرد داده کاوی مقاله مدیریت ارتباط با مشتری با استفاده از داده کاوی در سیستم بانکداری مقاله

09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]

تخراج اتوماتیک داده از وب برای کاربرد سیستمهای هوشمندی تجاری
بازدید  آکادمی داده  که به زودی پنجمین سال فعالیت خود را جشن می گیرد سالهاست به دنبال ایجاد محتوای مفید برای علاقه مندان علوم داده‌کاوی، متن کاوی و علوم مرتبط با علم داده، مدیریت دانش، هوش تجاری و مباحث مرتبط است.  آکادمی داده  امیدوار است با این اقدامات بتواند اثری هر چند اندک در افزایش آگاهی علاقه مندان به این حوزه ها داشته باشد. در این سری مقالات  آکادمی داده  تلاش دارد مقالات جالب، جدید، پر محتوا و اثرگزار را در علوم داده‌کاوی، متن کاوی، مدیریت دانش، هوش تجاری و مباحث مرتبط ارایه نماید. در این سری مقالات ابتدا مقدمه و سپس نتیجه گیری مقالات ارایه شده است و سپس‌ فایل پی دی اف مقاله برای دانلود رایگان علاقه مندان توسط  آکادمی داده تهیه شده و قابل دانلود است.
چکیده:
دسترسی به اطلاعات بازار، رقباء و مشتریان از طریق موتورهای جستجوگر و مرور دستی تقریبا ناکارآمد و خمیر بهینه است هدف از این تحقیق ارایه یک روش کار آمد و الگوی موفق برای استخراج اتوماتیک داده از وب و مجتمع سازی آنها با اطلاعات انباره داده سازمانی برای کاربرد سیستم های هوشمندی تجاری است. در این روش با استفاده از یک نرم افزار تجاری و تکنولوژی رابر یک معماری موثر و قوی برای فرآیندهای استخراج، ساختاردهی مجدد و بارگذاری داده ها به سیستم هوشمندی تجاری ایجاد شده است. نتایج بدست آمده نشان می دهد که تکنولوژی رایر برای استخراج داده های خارجی و مجتمع سازی آنها با داده های انباره داده سازمانی بسیار مناسب و کارآمد می باشد.
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
در این مقاله چگونگی استخراج اتوماتیک داده های شبه ساخت یافته از وب برای کسب اطلاعات بازار و رقباء و پشتیبانی از تصمیم بیان گردید. همچنین قابلیتهای نرم افزار LixTo در مورد تولید را پر و پردازشهای موثر روی داده های وب توضیح داده شدند. نتیجه این پردازشها یک فایل XML ساختیافته است که براحتی میتواند بوسیله سیستم های هوشمندی تجاری باهر پایگاه داده با رابط استاندارد مورد استفاده قرار گیرد. همچنین روش ایجاد ناحیه میانجی و بارگذاری داده ها به انباره داده اوراکل با استفاده از رابط JDBC توضیح داده شدند. مجتمع سازی داده های خارجی با سیستم های هوشمندی تجاری دارای مزیتهای متفاوتی است که در زیر خلاصه میشوند:
 1- مجتمع سازی سریع داده ها برای پشتیبانی از واکنش سریع سازمان به نیازها و تغییرات بازار
 ۲- فعال سازی مکانیزم های هشدار توسط عامل های گزارش دهی سیستم هوشمندی تجاری
 ٣- کسب تصویر واقعی تر از بازار
 ۴- کاهش هزینه های آموزش بعلت داشتن رابط گرافیکی
5- کاهش زمان و هزینه تلاش افراد برای بازیابی اطلاعات
 ۶- کاهش خطاهای جمع آوری و تجمیع داده ها
 ۷- دسترسی به منابع داده بیشتر با دانه بندی دلخواه
 ۸- بهبود نمایان سازی و افزایش کیفیت داده
بدین ترتیب دانشگران و تحلیل گران داده قادر به کسب اطلاعات در مورد وضعیت های بازار، رقباء، قیمت محصولات و مواد و ارزیابی رفتار بازار به صورت بلادرنگ خواهند بود. آگاهی سریع درمورد این امر منجر به اخذ تصمیمات درست و به موقع و افزایش توان رقابتی سازمان می گردد. همچنین تکنولوژی راپر برای استخراج داده های خارجی سازمان و مجتمع سازی با داده های انباره داده بسیار مناسب و کارآمد می باشد.
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
مجموعه مقالات فارسی در مورد هوش تجاری یا هوشمندی کسب و کار  که شامل چهار صد 400 مقاله فارسی در مورد هوش تجاری یا هوشمندی کسب و کار است به صورت یکجا نیز از طریق لینک قابل دسترسی هستند.
 
در این مقاله درباره تحقیق با عنوان" پیش بینی احتمال وقوع افسردگی با استفاده از داده کاوی" صحبت خواهد شد. در خلاصه این مقاله
در این تحقیق از الگوریتم درخت تصمیم گیری برای پیش بینی احتمال وقوع افسردگی استفاده شده است. مجموعه داده این تحقیق شامل 30 ویژگی انسانی است. در واقع از 30 ویژگی برای پیدا کردن احتمال وقوع یا عدم وقوع افسردگی استفاده شده است. این ویژگی ها بین 0 تا 3 مقدار دهی شده است که کمترین تا بیشترین مقدار را نشان می دهد. در این دیتاست 600 بیمار بررسی شده است که میزان قابل قبولی برای تحقیقات علمی است. هدف از استفاده از الگوریتم درخت تصمیم گیری پیدا کردن مهمترین عامل برای افسرده شدن افراد است. این تحقیق با دید کلاسیک به موضوعات داده کاوی سلامت نگریسته است و سعی کرده با استفاده از یکی از الگوریتم های یادگیری ماشین اقدام به تولید مدل پیش بینی افسردگی کند. بهتر بود تعداد الگوریتم های مورد بررسی قرار گرفته افزایش می یافت و با استفاده از روش های کاهش ویژگی سعی می شد بهترین ویژگی ها برای پیش بینی افسردگی افراد ارائه می شد. این تحقیق می تواند نسخه اولیه برای تحقیقات بعدی بر روی دیتاست ارائه شده باشد و دقت ها به دست آمده با این مقاله بیس مقایسه گردد.
این مقاله از طریق لینک قابل دسترسی است. محققین و دانشجویان علاقه مند می‌توانند از آن استفاده نمایند. در کنار آن دیتاست این تحقیق توسط دیتاهارت خریداری شده است و محققینی که به آن احتیاج دارند می توانند از دیتاهارت تهیه بفرمایند. برای خرید به این لینک مراجعه بفرمایید.
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]

انجام پروژه های داده کاوی با متلب ، پایتون، رپیدماینر ، وکا و

… ت
همیارپروژه با داشتن مجریانی از بهترین دانشگاه های کشور و تجربه چندساله در انجام پروژه های دانشجویی ، آماده است پروژه های داده کاوی شما را با بهترین کیفیت انجام دهد.جهت سفارش پروژه data mining با شماره تماس بگیرید.
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]داده کاوی
مشاوره و انجام پایان نامه و پروژه های کارشناسی ارشد داده کاوی

الگوریتم های دسته بندیClassification

درخت تصمیم :C5.0 ، CHAID ، C&R ،QUEST ، RandomForest ،REPTree ،ID3،NBTree

شبکه عصبی :Neural Net ،perceptron ،AutoMLP

شبکه بیزین : Bayes Net،NaiveBayes

ماشین بردار پشتیبان : SVM ،LibSVM ،Support Vector Machine (Linear)

رگرسیون : Regression ، Logeistic

نزدیکترین همسایه: KNN

الگوریتم های خوشه بندی Clustering

خوشه بندی : k-Means ، kohonen ، Twostep ، Anomaly

الگوریتم های قواعد انجمنی : Apriori ، Carma ، Sequence ، FP-Growth
انجام پروژه های داده کاوی با نرم افزار وکا Weka
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]نرم‌افزار Weka در دانشگاه Waikato واقع در نیوزلند توسعه یافته است و اسم آن از عبارت”Waikato Environment for knowledge Analysis” استخراج گشته است. همچنین Weka ، نام پرندهای با طبیعت جستجوگر است که پرواز نمیکند و در نیوزلند، یافت میشود.

این سیستم به زبان جاوا نوشته شده و بر اساس لیسانس عمومی و فراگیر GNU انتشار یافته است.Weka تقریباً روی هر پلت فرمی اجرا میشود و نیز تحت سیستم عاملهای لینوکس، ویندوز، و مکینتاش، و حتی روی یک منشی دیجیتالی شخصی، آزمایش شده است.

نرم افزار Weka ، پیاده سازی الگوریتمهای مختلف یادگیری را فراهم میکند و به آسانی میتوان آنها را به مجموعه های داده خود اعمال کرد.
انجام پروژه های داده کاوی با نرم افزار رپید ماینر RapidMiner

بنابر تحقیقات انجام شده نرم افزار RapidMiner یکی از پرکاربرد ترین نرم افزارهای داده کاوی طی سال های اخیر بوده است.

متن باز بودن و استفاده از کتابخانه های آن برای برنامه نویسان به همراه امکان استفاده از محیط گرافیکی آن بدون استفاده از دانش برنامه نویسی باعث گشته طیف متنوعی از کاربران به سراغ این ابزار متمایل گردند. تنوع الگوریتم های آماده سازی و مدلسازی در این ابزار باعث شده تا بسیاری از پروژه های تحقیقاتی، آکادمیک و همچنین پروژه های اجرایی حداقل بخشی از روند پیاده سازی مدل ها را در این ابزار مورد آزمایش قرار دهند.
انجام پروژه های داده کاوی با نرم افزار کلمنتاین Clementine12

این نرم افزار برای آنالیزهای آماری به صورت سرور و کلاینت استفاده می شود و در واقع محاسبات بسیار پیچیده را به صورت متمرکز می توان به وسیله آن انجام داد. این نرم افزار ابتدا تحت سیستم عاملهای یونیکس و لینوکس اجرا می شد ولی نسخه های جدید آن در محیط ویندوز نیز قابل نصب است قابلیت استفاده از پایگاه داده هایی مانند SQL را نیز دارد.
انجام پروژه های داده کاوی با نرم افزار SPSS Modeler14.2
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail] SPSS نرم‌افزار رایانه‌ای است که برای تحلیل‌های آماری به کار می‌رود. SPSS مخفف عبارت Sciences Statistical Package for the Social به معنی بسته ی آماری برای علوم اجتماعی می باشد. IBM SPSS Modeler نرم افزاری از شرکت SPSS است که در ابتدا با نام کلمنتاین (Clementine 12) ارائه می شد که در نسخه جدید به SPSS Modeler تغییر نام پیدا کرد. این نرم افزار یکی از بهترین ابزارهای داده کاوی است و برنامه ای حرفه ای برای انجام محاسبات پیچیده و آنالیزهای آماری به صورت سرور و کلاینت می باشد که بیشتر توسط دانشجویان مهندسی صنایع و مدیریت مالی و اقتصاد مورد استفاده قرار می گیرد.

آموزش کامل داده کاوی با weka

---

هدف از این آموزش فراگیری انجام کارهای داده کاوی مختلف با نرم افزار weka می باشد.بی شک نرم افزار weka یکی از قوی ترین وکاربرپسندترین نرم افزارهای داده کاوی به شمار می رود. وهدف انجام کارهای مهم داده کاوی است :

موارد موجو دراین فایل :

1. شروع کار با weka

2. نصب weka

3. نحوه ورود انواع مختلف داده در نرم افزار weka

4. پیش پردازش داده ها در weka

5.   خواندن و فیلتر کردن فایل ها

6. تبدیل فایل ها به فرمتarff

7. به کارگیری فیلتر ها

8. نحوه Classifyکردن داده ها با انواع مختلف کلاسیفایرها

9. نحوه انجام رگرسیون

10. نحوه انجام خوشه بندی

11. اجرای قوانین وابستگی

12. شرح کامل قسمت های مختلف نرم افزار wekaاز جمله :

13. استفاده ازخط فرمان سیستم عامل

    استفاده ازخط فرمان

    استقاده ازواسط کابری

    استفاده از weka  در برنامه های دیگر

14. پنجره اصلی

15.  قسمت های اصلی

    اطلاعات ورودی در weka

    قسمت های اصلی در weka

16. فرمت اطلاعات ورودی در weka

17. توضیح برگه explorer

18. توضیح برگه classify

19. توضیح برگه Clustering

20. توضیح برگه Associate

21. توضیح برگه

22. 
    
23. 
    

24. Visualize

---

09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]

---

weka مجموعه ای از به روزترین الگوریتمهای یادگیری ماشینی و ابزارهایی برای پیش پردازش داده ها میباشد.  WEKA در قالب واسطهای کاربری مناسب در اختیار کاربران قرار میگیرد بنابراین کاربران میتوانند  با توجه اینکه کلیه امکانات متدهای مختلف را بر روی دادههای خود پیاده سازی کرده و بهترین الگوریتم را برای کار انتخاب نمایند.. همچنین این نرم افزار تحت مجوز Java که ماشین مجازی بدان معناست که استفاده از آن رایگان بوده و کاربران به راحتی میتوانند به کدمنبع های آن دسترسی داشته و حتی آنها را برحسب نیاز تغییر داده و روشهای دیگری را نیز به آنها اضافه کنند.
این نرم افزار توسط جاوا پیاده سازی شده و شما می توانید مستقیما از وکا استفاده کنید یا در کد جاوای برنامه خود مورد استفاده قرار دهید. در وکا مجموعه کاملی از الگوریتم ها ارائه شده است که می توان در نظرکاوی، متن کاوی و امور مختلف داده کاوی مورد استفاده قرار داد. یکی از نقاط قوت وکا عملکرد مناسب الگوریتم ماشین یادگیری این نرم افزار است. الگوریتم به شکلی پیاده سازی شده اند که عملکرد قابل قبولی نسبت به بقیه نرم افزارها ارائه می دهند. در کنار این نکات قوت وکا ظاهر کاربرپسندی نیز دارد.

 این پکیج شامل چهار واسط کاربری متفاوت می‌باشد:

•  Explorer: در این حالت شما می‌توانید روش‌های مختلف آماده‌سازی، تبدیل و الگوریتم‌های مدلسازی بر روی داده‌ها را اجرا کنید.

• Experimenter: در این حالت فقط امکان اجرای الگوریتم‌های مختلف رده‌بندی به صورت هم‌زمان و مقایسه نتایج آن‌ها وجود دارد. تمامی شاخص‌های مورد نیاز به منظور بررسی مدل‌های رده بندی در این قسمت تعریف شده و قرار دارند و گزارشات مفصلی را از جمله آزمون T می توان در این قسمت پس از مدلسازی استخراج نمود.

• Knowledge Flow: در این قسمت یک واسط گرافیکی طراحی شده است که مانند نرم افزارهای IBM Modeler و رپیدماینر در آن می توان جریان های داده ای مختلف تولید نمود.

•  (command line interface (CLI: در این حالت امکان مدلسازی توسط کدنویسی خط به خط قرار دارد.

• 
  
• 
  

09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]

• در وکا داده ها می توانند به فرمت های مختلف از جمله Excel، CSV و Arff باشند. اما به طور کلی این نرم افزار با داده‌ها به فرمت Arff میانه بهتری دارد.

یکی از راه­‏های به کارگیری Weka ، اعمال یک روش یادگیری به یک مجموعه داده و تحلیل خروجی آن برای شناخت چیزهای بیشتری راجع به آن اطلاعات می‏­باشد. راه دیگر استفاده از مدل یادگیری شده برای تولید پیش‏بینی­‏هایی در مورد نمونه­‏های جدید است. سومین راه، اعمال یادگیرنده­‏های مختلف و مقایسه کارآیی آنها به منظور انتخاب یکی از آنها برای تخمین می‏­باشد. روش­‏های یادگیری Classifier نامیده می‏­شوند و در واسط تعاملی Weka ، می‏­توان هر یک از آنها را از منو انتخاب نمود. بسیاری از classifier ‏ها پارامترهای قابل تنظیم دارند که می‏­توان از طریق صفحه ویژگی‏‏ها یا object editor به آنها دسترسی داشت. یک واحد ارزیابی مشترک، برای اندازه‏گیری کارآیی همه classifier به کار می‏­رود.

پیاده سازی­‏های چارچوب­‏های یادگیری واقعی، منابع بسیار ارزشمندی هستند که Weka فراهم می‏­کند. ابزارهایی که برای پیش پردازش داده­‏ها استفاده می‏­شوند. filter نامیده می‏­شوند. همانند classifier ‏ها، می‏­توان filter ‏ها را از منوی مربوطه انتخاب کرده و آنها را با نیازمندی­‏های خود، سازگار نمود. در ادامه، به روش به کارگیری فیلترها اشاره می‏­شود.

علاوه بر موارد فوق، Weka شامل پیاده سازی الگوریتم­‏هایی برای یادگیری قواعد انجمنی، خوشه­بندی داده­‏ها در جایی که هیچ دسته­ای تعریف نشده است، و انتخاب ویژگی‏های مرتبط در داده­‏ها می‏­شود.

09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]

پروژه داده کاوی با نرم افزار وکا

پروژه داده کاوی با نرم افزار وکا
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
باسلام اطفا فایل ضمیمه را مطالعه بفرمایید لطفا کسانی که تخصص کافی دارند پیشنهادبدهند چون پروژه برای پایان نامه است و از اهمیت بالایی برخوردار است / دقیقا مطابق خواسته هایی فایل ضمیمه شده باشد در غیر...
انجام پروژه با متلب و وکا

سلام این فایل ضمیمه رو لطفا مطاله بفرمایید میشه کدهاشو با متلب نوشت و وکا فقط واسه کلاسیفیکشن و دسته بندی هست ممنون میشم انجام بدین فقط چون پروژه از اهمیت فوق العاده ای برای من برخوردار است فق...
پیاده سازی مقاله در نرم افزار وکا
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
یک مقاله در خصوص تشخیص پیوند در شبکه ها است که سعی دارد روش نظارت شده وزن دار و بدون وزن را با حالت نظارت نشده مقایسه کند. برای اینکار 8 معیار تعریف کرده و آنها را برای مجموعه داده در نرم افزار وکا مح...
تمرین 2 نرم افزار وکا weka

تمرین درسی نرم افزار درس یادگیری ماشین قسمت دوم و سوم زیرساخت:نرم افزار وکا weka
تمرین داده کاوی با نرم افزار وکا - فوری

سه تمرین مربوط به دسته بندی,خوشه بندی,ایتم های پرتکرار.حل با نرم افزار وکا.داکیومنت مراحل انجام کار ضروری است.زیرساخت:ویندوز 7 یا 8 فرقی ندارد فقط اینکه برنامه وکا اجرا شود...
انجام پروژه یادگیری ماشین با متلب یا وکا و نرم افزار Gephiبر روی داده ضمیمه شده

1. با استفاده از یکی از روشهای درخت تصمیم دسته بندی داده های توئیتر را انجام دهید نتایج را ارزیابی و تحلیل نمایید ، معیار نمره صحت نتایج و ارزیابی تحلیلی میباشد 2. با استفاده از خوشه بندی مبتنی بر...
انجام پروژه وکا
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
باسلام  دیتاست یک مقاله رو خروجی ان رو با نرم افزا Wekaخارج بشه حدامکان مقاله کنفرانسی نباشه  و جدید باشه و روش کارو خودم هم بتونم توضیح بدم
کار با نرم افزار وکا

کار با نرم افزار وکا و انجام الگوریتم naive bayes  بر روی آن
انجام چند الگوریتم بر روی دیتاست بر روی نرم افزار وکا

با سلام  میخواهم الگوریتم های زیر بر روی دیتاست با وکا اجرا شود :  Multinomial Naïve Bays Bernoulli Naïve Bays Logistic Regression k ) KNN(1), KNN(2), KNN(3)   می...
تمرین درس یادگیری ماشین با نرم افزار وکا یا متلب

انجام  دو تمرین با نرم افزار وکا در رابطه با کاهش ابعاد داده با PCA و خوشه بندی با الگوریتم های مختلف . شرح کامل تمرین ضمیمه شده است.
تشخیص جوامع همپوشان با استفاده از نرم افزار وکا

سلام بنده دانشجوی کارشناسی ارشد در رشته نرم فزار می باشم و  موضوع پایان نامه ام تشخیص جوامع  با استفاده از نرم افزار وکا هست را باید انجام دهید و یک پایان نامه مقایسه ای است با کارهای قبلی . در واق...
مشاوره و راهنمایی برای یک پروژه با نرم افزار داده کاوی وکا
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
به یک مجری احتیاج دارم جهت مشاوره و راهنمایی در زمینه داده کاوی بت وکا برای پایان نامه ام.
مشاوره و راهنمایی برای یک پروژه با نرم افزار داده کاوی وکا

با سلام یک پروژه دانشگاهی هست برای پایان نامه که فصل 4ان رو میخواهم با وکا انجام بدم. رشته مدیریت مالی
مشاوره و راهنمایی برای یک پروژه با نرم افزار داده کاوی وکا
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
انجام فصل 4پایانه با نرم افزار وکا یا پایتون ، پایان نامه مالی مربوط به ابزارهای دستهربندی