شرح مختصر : تعریف بانک اطلاعاتی : بانک اطلاعاتی مجموعه ای سازمان یافته و داده های مربوط به هم است موسسات و سازمان ها معمولا سیستم های اطلاعاتی خود را به دو صورت تشکیل داده و از آنها استفاده می کنند
سیستم های اطلاعاتی ساده در این روش داده ها در فایل های جداگانه ای قرار می گیرندو برای استفاده از داده های موجود در آن فایل سیستم های جدا گانه ای طراحی می شود به این نوع سیستم های اطلاعاتی سیستم پردازش فایل ها می گویند.
استفاده از بانکهای اطلاعاتی در این روش داده های موجود به صورت مجتمع یا بانک مورد استفاده قرار میگیرند در چنین سیستمی کاربر می تواند بدون سر در گمی با صرف وقت اندک اطلاعات مورد نیاز خود را از داده های موجود دریافت کند امروزه اکثر موسسات و سازمانها با این روش کار می کنند.
تعریف قانون معتبر سازی : به معنای این است که بتوان از ورود بعضی از مقادیرتکرای در بانک اطلاعاتی جلوگیری کرد.برای این کار فیلد هایی که نمی خواهیم چند بار از ما مقدار بگیرد را فیلد کلیدی میکنیم.راست کلیک روی فیلد و primary keyرا انتخاب میکنیم .به مثال توجه کنبد:
فهرست :
تعاریف و اصطلاحات
ایجاد یک جدول
گرفتن فایل عکس
فیلد کلید
ایجاد لیست کشوی
رابطه ها
کلید های کیبرد در اکسس
حرکت در رکوردها
تعداد صفحات:22
حجم فایل : 1,290 کیلوبایت
شرح مختصر : امروزه با گسترش سیستم های پایگاهی و حجم بالای داده ها ی ذخیره شده در این سیستم ها ، نیاز به ابزاری است تا بتوان داده های ذخیره شده را پردازش کرد و اطلاعات حاصل از این پردازش را در اختیار کاربران قرار داد . با استفاده از پرسش های ساده در SQL و ابزارهای گوناگون گزارش گیری معمولی ، می توان اطلاعاتی را در اختیار کاربران قرار داد تا بتوانند به نتیجه گیری در مورد داده ها و روابط منطقی میان آنها بپردازند اما وقتی که حجم داده ها بالا باشد ، کاربران هر چند زبر دست و با تجربه باشند نمی توانند الگوهای مفید را در میان حجم انبوه داده ها تشخیص دهند و یا اگر قادر به این کار هم با شند ، هزینه عملیات از نظر نیروی انسانی و مادی بسیار بالا است .
از سوی دیگر کاربران معمولا فرضیه ای را مطرح می کنند و سپس بر اساس گزارشات مشاهده شده به اثبات یا رد فرضیه می پردازند ، در حالی که امروزه نیاز به روشهایی است که اصطلاحا به کشف دانش بپردازند یعنی با کمترین دخالت کاربر و به صورت خودکار الگوها و رابطه های منطقی را بیان نمایند . داده کاوی یکی از مهمترین این روشها است که به وسیله آن الگوهای مفید در داده ها با حداقل دخالت کاربران شناخته می شوند و اطلاعاتی را در اختیار کاربران و تحلیل گران قرار می دهند تا براساس آنها تصمیمات مهم و حیاتی در سازمانها اتخاذ شوند .
در پروژه داده کاوی از بخشی از علم آمار به نام تحلیل اکتشافی داده ها استفاده می شود که در آن بر کشف اطلاعات نهفته و ناشناخته از درون حجم انبوه داده ها تاکید می شود . علاوه بر این داده کاوی با هوش مصنوعی و یادگیری ماشین نیز ارتباط تنگاتنگی دارد ، بنابراین می توان گفت در داده کاوی تئوریهای پایگاه داده ها ، هوش مصنوعی ، یادگیری ماشین و علم آمار را در هم می آمیزند تا زمینه کاربردی فراهم شود . باید توجه داشت که اصطلاح داده کاوی زمانی به کار برده می شود که با حجم بزرگی از داده ها ، در حد مگا یا ترابایت ، مواجه باشیم . در تمامی منابع داده کاوی بر این مطلب تاکید شده است . هر چه حجم داده ها بیشتر و روابط میان آنها پیچیده تر باشد دسترسی به اطلاعات نهفته در میان داده ها مشکلتر می شود و نقش داده کاوی به عنوان یکی از روشهای کشف دانش ، روشن تر می گردد.
فهرست :
چکیده
مقدمه
پرسشنامه
پروژه داده کاوی
معرفی فیلدهای پرسشنامه
مراحل انجام کار با کلمنتاین
الگوریتم C5.O
خوشه بندی
K-means
Kohonen
قواعد تلازمی
Apriori
شبکه عصبی
Neuralnet
استفاده از پارتیشن
استفاده از C5.O
استفاده از Neuralnet
استفاده از Bayes Net
تعداد صفحات:26
دانلود پروژه داده کاوی ثبت احوال با نرم افزار کلمنتاین
حجم فایل : 2,360 کیلوبایت
شرح مختصر : برنامهنویسی جزو حرفهها و تواناییها به حساب میآید که با داشتن آن، پنجرههای جدیدی از تجربه و توانایی به سوی افراد باز میشود و آنها با استفاده از خلاقیت خود میتوانند کارهای بدیع و جالبی را ایجاد کنید. تسلط به یکی از زبان های برنامه نویسی در حد یک متخصص و خبره ، می تواند باعث موفقیت شما در یافتن شغلی در حوزه IT شود . سیستم عاملها معمولاً امکانات اولیه برای کارکردن با سیستم را در اختیار کاربر قرار میدهند و با استفاده از منابع خود امکان تهیه و اجرای نرم افزارهای مختلف برای استفاده بهینه از سیستم را فراهم میکنند.
فهرست :
زبان های برنامه نویسی وب
محیط های برنامه نویسی php
مزیت های اصلی PHP
Asp.net
زبانهای برنامه نویسی دسک تاپ
محیط های برنامه نویسی جاوا
محیط برنامه نویسی C#
نرم افزار های مدیریت پایگاه داده
MySQL
PostgreSQL
Sql server
نسخه های sql server
سیستم عامل ها
یونیکس Unix
لینوکس
مکینتاش
سیستم عامل موبایل
منابع
تعداد اسلاید:42
دانلود پاورپوینت زبان های برنامه نویسی، پایگاه داده و سیستم عامل ها
حجم فایل : 1,380 کیلوبایت
شرح مختصر : داده های مورد استفاده در این پروژه از پایگاه داده دانشگاه آزاد قزوین تهیه شده است، این داده ها اطلاعات ۵۰۰ نفر دانشجوی مقطع کارشناسی رشته مهندسی صنایع (گرایش های تکنولوژی صنعتی و تولید صنعتی) است. که در قالب یک فایل اکسل با ۳۸۳۷۷ رکورد می باشد و سنوات تحصیلی ۱۳۸۴ تا ۱۳۹۰ را شامل می شود. مدلی که برای پیشبینی ارتقاء سطح علمی دانشجویان بر اساس اطلاعات موجود در پایگاه داده دانشگاه آزاد قزوین پیشنهاد میشود در زیر شرح داده میشود : در این مدل پیشنهادی مراحل مختلف فرآیند داده کاوی از جمله جمع آوری دادهها، آماده سازی و پیش پردازش داده ها را روی مجموعه آموزشی ذکر شده انجام داده و الگوریتمهای مختلف داده کاوی از جمله خوشه بندی، قوانین انجمنی، درخت تصمیمگیری، برای دادهها به کار گرفته شده است. ابتدا برای عملکرد بهتر الگوریتمهای داده کاوی یک سری عملیات پیشپردازشی روی دادهها انجام داده شده است. همچنین بعد از تجمیع دادهها داخل یک فایل خصیصههای عددی به خصیصه های گروهی معادل تبدیل شده است. برای مثال تمام نمرات دانشجویان به پنج گروه عالی، خوب، متوسط، ضعیف و مردود تقسیم بندی شده است.
کلمات کلیدی :
مقدمه ای بر داده کاوی
مقدمه ای بر نرم افزار Weka
شرح دیتاست پروژه
اعمال تکنیک درخت تصمیم بروی داده ها
قانون ها
اعمال تکنیک شبکه عصبی بروی داده ها
خروجی شبکه عصبی
اعمال تکنیک خوشه بندی بر وی داده ها
معرفی نرم افزار Weka
آموزش نرم افزار weka
انتخاب الگوریتم رده بندی
انتخاب الگوریتم خوشه بندی
تعداد صفحات:43
دانلود پروژه اجرای تکنیک های داده کاوی
شرح مختصر : با افزایش سیستمهای کامپیوتر و گسترش تکنولوژی اطلاعات , بحث اصلی در علم کامپیوتر از چگونگی جمع آوری اطلاعات به نحوه استفاده از اطلاعات منتقل شده است . سیستمهای داده کاوی ,این امکان را به کاربر می دهند که بتواند انبوه داده های جمع آوری شده را تفسیر کنند و دانش نهفته در آن را استخراج نمایند . داده کاوی به هر نوع کشف دانش و یا الگوی پنهان در پایگاه داده ها اطلاق می شود . امروزه داده کاوی به عنوان یکی از مهمترین مسائل هوش مصنوعی و پایگاه داده ، محققان بسیاری را به خود جذب کرده است . در این تحقیق ابتدا نگاه کلی بر داده کاوی ، استراتژیهای داده کاوی و… داریم ، سپس مسأله کشف قوانین وابستگی در پایگاه داده را به تفضیل بررسی کردیم و نگاهی به الگوریتمهای موجود برای آن داشتیم . سپس مسأله کشف قوانین وابستگی در پایگاه داده های پویا را مورد بحث قرار دادیم و الگوریتم های ارائه شده مربوطه را مطرح کردیم .
فهرست :
چکیده
مقدمه
کشف دانش در پایگاه داده
آیا داده کاوی برای حل مسائل ما مناسب است؟
جمع آوری داده ها
بکارگیری نتایج
استراتژیهای داده کاوی
پیش گویی Perdiction
Unsupervised Clustering دسته بندی بدون کنترل
تکنیکهای داده کاوی تحت کنترل
شبکه عصبی
برگشت آماری
قوانین وابستگی
الگوریتم Apriori
الگوریتم Aprior TID
الگوریتم partition
الگوریتم های MaxEclat,Eclat
الگوریتم با ساختار trie
الگوریتم fp-grow
ساخت fp- tree
Fp-tree شرطی
الگوریتم برداری
نگهداری قوانین وابستگی
الگوریتم کاهشی
تعداد صفحات:22
دانلود مقاله نگاهی بر داده کاوی و کشف قوانین وابستگی
حجم فایل : 273 کیلوبایت
شرح مختصر : داده کاوی به استخراج دانش از داده ها اشاره دارد و هسته اصلی آن در فصل مشترک یادگیری ماشین، آمار و پایگاه داده است.یک اتوماتای یادگیر را میتوان بصورت یک شئ مجرد که دارای تعداد متناهی عمل است، در نظر گرفت. اتوماتای یادگیر با انتخاب یک عمل از مجموعه عمل های خود و اِعمال آن بر محیط، عمل میکند. عمل مذکور توسط یک محیط تصادفی ارزیابی میشود و اتوماتا از پاسخ محیط برای انتخاب عمل بعدی خود استفاده میکند. در این مقاله یک کاوش کننده بر پایه اتوماتای یادگیر پیشنهاد شده است که LA-miner نام گذاری شده است.
فهرست :
چکیده مقاله
داده کاوی
اتوماتای یادگیر
داده کاوی با استفاده از اتوماتای یادگیر
نتایج آزمایشات
منابع و ماٌخذ
تعداد اسلاید:52
شرح مختصر : امروزه با گسترش سیستم های پایگاهی و حجم بالای داده ها ی ذخیره شده در این سیستم ها، نیاز به ابزاری است تا بتوان داده های ذخیره شده پردازش کرد و اطلاعات حاصل از این پردازش را در اختیار کاربران قرار داد. با استفاده ار پرسش های ساده درSQL و ابزارهای گوناگون گزارش گیری معمولی، می توان اطلاعاتی را در اختیار کاربران قرار داد تا بتوانند به نتیجه گیری در مورد داده ها و روابط منطقی میان آنها بپردازند اما وقتی که حجم داده ها بالا باشد، کاربران هر چقدرحرفه ای و با تجربه باشند نمی توانند الگوهای مفید را در میان حجم انبوه داده ها تشخیص دهند و یا اگر قادر به این کار هم با شند، هزینه عملیات از نظر نیروی انسانی و مالی بسیار بالا است. بنابراین میشود گفت که درحال حاضر یک تغییر الگو از مدل سازی و تحلیل های کلاسیک برپایه اصول اولیه به مدل های درحال پیشرفت و تحلیل های مربوط بطور مستقیم از داده ها وجود دارد. داده کاوی یکی از مهمترین این روشها است که به وسیله آن الگوهای مفید در داده ها با حداقل دخالت کاربران شناخته می شوند و اطلاعاتی را در اختیار کاربران و تحلیل گران قرار می دهند تا براساس آنها تصمیمات مهم و حیاتی در سازمانها اتخاذ شوند.
در متون آکادمیک تعاریف گوناگونی برای داده کاوی ارائه شده اند. در برخی از این تعاریف داده کاوی در حد ابزاری که کاربران را قادر به ارتباط مستقیم با حجم عظیم داده ها می سازد معرفی گردیده است و در برخی دیگر، تعاریف دقیقتر که درآنها به کاوش در داده ها توجه می شود موجود است.
9صفحه
مشحصات فایل
عنوان:نوع داده های انتزاعی(ساختمان داده ها و الگوریتمها)
قالب بندی:پاورپوینت
تعداد اسلاید:18
محتوا
Data
نوع داده Data Types
نوع داده انتزاعی Abstract Data Type
نوع داده های اولیه در جاوا
نوع داده های اولیه در جاوا
اعداد گویا
توصیف رسمی ADT
کلاس های جاوا
بیان ADT با شبه کد Java
توصیف داده ها
توصیف عملیات
توصیف یک عمل در ADT
ADT اعداد گویا
آرایه
پیاده سازی ADT
خلاصه
تمرین
Data
مشخصات
ساختمان داده ها به زبان C
امیر علیخانزاده
باغانی
Fundamental of data Structure in C
Horowitz Ellis
قالب بندی:
تعداد اسلاید:320
به دلیل جامع و زیاد بودن موضوعات مورد اشاره پاورپوینت فقط سر فصل های آن در اینچا اشاره کردیم و در پاورپوینت بسیار زیبا و کامل و جانع اشاره شده و مناسب برای تدریس و تهیه شده توسط استائان میباشد
محتویات
فصل اول : مفاهیم اساسی
آشنایی با سیکل زندگی نرم افزار
آشنایی با الگوریتم
آشنایی با پشته
آشنایی با اشاره گر ها
لیست ها و لیست حلقوی
آشنایی با درخت
آشنایی با گراف
جستجو
نیازمندیها
تحلیل:
1- شیوه از بالا به پایین
2- شیوه از پایین به بالا
1-1 سیکل زندگی نرم افزار- طراحی
طراحی
و. . .
مشخصات فایل
عنوان:اصـول طراحـی پایگـاه داده ها
قالب بندی:word
تعداد صفحات:61
محتویات
تعریف پایگاه داده ها(Data Base)
هدف پایگاه داده ها
تعریف افزونگی
انواع افزونگی
مراحل کار پایگاه داده ها
رسم شکل مشی نا پایگاهی
رسم شکل مشی پایگاهی
مزایاو معایب در ناپایگاهی
مزایا و معایب در پایگاهی
معایت
عناصر محیط سیستم های پایگاهی
معماری
معماری سیستم پایگاهی
مزایای توزیع شده
معایب توزیع شده
انواع مدلسازی
مدلسازی معنایی داده ها
نکات مربوط به نوع موجودیت
نکات مهم مربوط به صفت
نکـات مهم مربوط به رابطه
چندی (کاردینالیتی)
تعداد حالات کاردینالیتی
مدلسازی معنایی داده ها (ER)
ارتباط چند موجودیتی - ارتباط یگانی
ارتباط سه موجودیتی
ارتباط سه موجودیتی از نگاهی دیگر
سه فقره اطلاع دو موجودیتی
موجودیت ضعیف – قوی
ER گسترش یافته ((EER
جمع بندی مدلسازی
ساختـار داده ای DS: ( Data Stracturr)
انـواع DS
RDS : Relational Data structure)ساختار داده ای رابطه ای
رفتار TDS در عملیات DB
دستورات در Sql
برای ارتباط M:N می توان از 3 روش ذیل استفاده کنیم
رفتار HDS در عملیات DB : (با فرض روش 2 و داشتن SC )
جمـع بنـدی HDS
رفتـار NDS در عملیـات در DB
تفاوت اساسی در HDS و NSD
معمـاری DB
دید خارجی External View
دید داخلی Internal View
استقلال داده ای : (DI= Data Independence)
دلایل تغییر دید ادراکی
مکانیزم دید روی دی
مزایای دید
معایب مفهوم دید
پایگاه داده رابطه ای
خصوصیات رابطه
فرق جدول و رابطه
دامنه
مزایای مفهوم دامنه
در تقاطع سطر و ستون بیش از یک مقدار داریم
مزایای رابطه نرمال نسبت به غیر نرمال
طراحـی RDB
قواعد عـام
روش های اعمال C2 در عمل حـذف
و . . .