نوشته‌ها

داده کاوی

داده کاوی و خدمات تحلیل داده جزو علومی است که امروز بسیار در سطح جامعه توسعه و پیشرفت یافته است و همین عامل نیز سبب افزایش میزان رشد و پیشرفت کسب و کارهای مختلف و صنعتی در سطح کشورمان شده است

اما داده کاوی چیست؟در پاسخ باید بگوییم که وقتی متخصص داده کاوی به یک کسب و کار مراجعه کرده و قصد ارائه خدمات داده کاوی به شرکت مورد نظر را دارند اولین سوالی که خواهند پرسید بدون شک این است که دیتاها و داده های اطلاعات فروش شما را برای ادامه کار نیازداریم و این موضوع خود برای معرفی علم داده کاوی کافی است تا بتوانیم به ابعاد این علم پی ببریم


مقاله  { داده کاوی چیست } را حتما مطالعه کنید


در واقع متخصصین داده کاوی با دریافت دیتاها و اطلاعات مورد نیاز از شما و کاوش این اطلاعات مناسبترین راه در رسیدن شما به اهداف کسب و کاری تان را پیشنهاد خواهند داد

خدمات شرکت های داده کاوی

تا این قسمت مقاله مسلما دید خوبی نسبت به داده کاوی یا تحلیل داده در ذهن شما شکل گرفته است اما به طور خلاصه بهتر است بگوییم که هر اطلاعاتی در هر کسب و کای می تواند نقش بسیار مهمی را در آن کسب و کار ایفا کند

حا این صنعت می تواند صنعت پزشکی باشد یا صنعت بازاریابی یا …

برای این که مبحث را طولانی تر نکنیم در زیر لینک مقالات مرتبطی را برای شما عزیزان گردآوری کرده ایم که به شرح زیر است :


نقش داده کاوی در صنعت

داده کاوی در پزشکی

داده کاوی در بورس


شناسایی شرکت متخصص داده کاوی

اما واقعا چگونه می توان شرکت های متخصص در حوزه داده کاوی و تحلیل داده را به خوبی شناسایی کرد؟

در حالت اول و ساده ترین نکته می توان به بازخوردهای افرادی که از ارتباط با این شرکتها گرفته اند توجه کرد و آن را مورد بررسی قرارداد اما اینکار نیز به سادگی نیست زیرا پیدا کردن اینطور افراد کار سختی می تواند باشد اما چند راهکارساده می توان اجرا کرد. به عنوان مثال می توان به نظراتی که کاربران وب  سایت یا شبکه های این شرکت منتشر می کنند دقت کرد و نسبت رضایت مشتریان از این شرکت را بدست آورد

داده کاوی در بازاریابی

داده کاوی در بازاریابی

همچنین در صورتی که این شرکت دارای گروه های اجتماعی نیز باشد می توان با حضور در این گروه ها چه به صورت حضوری و چه به صورت آنلاین صحبت های افراد در مورد این شرکت و همینطور نحوه پاسخگویی آنها به مراجعین را مورد بررسی قرارداد

این دو عامل مواردی هستند که می توانند به شما در پیدا کردن شرکت مناسب در این حوزه کمک شایانی بکنند.

مشاهده نمونه فعالیت های انجام شده و همچنین میزان اثر بخشی این فعالیت ها نیز یکی از عواملی هست که به شما در شناسایی کمک بسیار زیادی کرده و نقش مهمی در بدست آوردن وجه تمایز بین شرکت ها و کسب و کارها را ایفا می کند بنابراین در مراجعه به یک شرکت برای واسپاری فعالیت ها و مشاوره فعال، حتما به فاکتورهای مورد نظر دقت کرده و آنها را مورد بررسی قراردهید

شرکت تحلیل داده و داده کاوی همت در شهر مشهد

شهرمشهد دومین کلان شهر کشور است که به واسطه کسب و کارها و استارتاپ های گوناگون مستقر در این استان و شهر مذهبی از درصد رشد خوبی برخوردار بوده و اهمیت بالایی در توسعه مشاغل ایران دارد و به همین علت بسیاری از کسب و کارها میل به رشد و توسعه مشاغل خود در این شهر را دارند

شرکت داده کاوی همت با کادر متخصص خود در حوزه داده کاوی و نرم افزار آماده ارائه و انجام خدمات ویژه کسب و کارشما در اقصی نقاط کشور خصوصا شهرمشهد می باشد

با ما همراه باشید

داده کاوی در بازاریابی

در این مقاله قصد داریم پیرامون آموزش تخصصی داده کاوی یا تحلیل داده که توسط گروه تخصصی داده کاوی همت برگزار می گردد برای شما عزیزان بیشتر صحبت کرده و شما را با این مقوله آشنا کنیم، زیرا اگر شما عزیزان از علاقمندان به یادگیری این دانش باشید توصیه می کهنی که حتما با آموزش های دانشنامه گروه تخصصی داده کاوی همت همراه باشید

شما خواننده گرامی که در حال مطالعه این مطلب هستید حتما تا کنون کما بیش در مورد داده کاوی تحقیق کرده اید که هم اکنون به دنبال یادگیری این دانش روز هستید یا اینکه از طریق جتسجو به دنبال آموزش این دانش هستید و به همین جهت خالی از لطف نیست که با واژه داده کاوی بیشتر آشنا شوید

داده‌کاوی (به انگلیسی : Data Mining)، به مفهوم استخراج اطلاعات نهان یا الگوها و روابط مشخص در حجم زیادی از داده‌ها در یک یا چند بانک اطلاعاتی بزرگ گفته می‌شود. بسیاری از مردم داده کاوی را مترادف واژه‌های رایج کشف دانش در پایگاه‌داده‌ها (به انگلیسی: knowledge discovery in databases) (اختصاری KDD) می‌دانند. داده‌کاوی، پایگاه‌ها و مجموعه حجیم داده‌ها را در پی کشف و استخراج، مورد تحلیل قرار می‌دهد. این‌گونه مطالعات و کاوش‌ها را به واقع می‌توان همان امتداد و استمرار دانش کهن و همه جا گیر آمار دانست. تفاوت عمده در مقیاس، وسعت و گوناگونی زمینه‌ها و کاربردها، و نیز ابعاد و اندازه‌های داده‌های امروزین است که شیوه‌های ماشینی مربوط به یادگیری، مدل‌سازی، و آموزش را طلب می‌نماید.

داده کاوی در پزشکی

داده کاوی در پزشکی

به زبان رایج داده کاوی جزو علوم روزی است که در بسیاری از کسب و کارها از جمله صنعت ، پزشکی، داروسازی، بازاریابی و … وارد عمل شده و به هوشمند شدن آن حوزه نیز کمک شایانی می کند و به همین علت است که امروز این علم اهمیت بالایی پیدا کرده است


اگر از علاقمندان به مبحث داده کاوی هستید توصیه می کنیم مقاله { داده کاوی } ما را به دقت مطالعه کرده و سوالات خود را از گروه تخصصی داده کاوی همت بپرسید

 


چرا آموزش داده کاوی ببینیم؟

شاید شما داشنجوی عزیز این سوال را از خود بپرسید که چرا باید داده کاوی بیاموزیم یا آموزش تخصصی آنرا ببینیم؟

حتما در جریان هستید که این علم یکی از علومی است که هنوز در کشور ما ایران همه گیر و رایج نشده است و به همین علت بسیاری از کسب و کارها هنگامی که این واژه را می شوند یا می بیند چرایی و سوالات زیادی در ذهن آنها شکل میگیرد و ممکن است حتی تمایلی نسبت به ورود به این حوزه نداشته باشند

پاسخ در این است که این علم یکی از به روزترین علوم دنیا هست که در بسیاری از کسب و کارهای مهم کشور نقش عمیقی را ایفا می کند و به عنوان مثال بهتر است چند نوع را برای شما عزیزان مثال بزنیم؟

داده کاوی در بازار بورس اوراق بهادار

بورس یکی از بازارهای سرمایه گذاری فوق العاده پر سود هر کشوری هست که بسیاری از ثروتمندان و سرمایه گذاران بخش های مختلف در جهت چند برابر کردن دارایی های خود به این بازار رجوع می کنند اما برای موفقیت در بازار بورس داده کاوی چه نقشی دارد؟

داده کاوی بورس

همانطور که خوب میدانید خرید وفروش در بازار بورس تابع یکسری تخصص ها و مهارت هایی است که نقش بسیار مهمی در معاملات بورسی را دارند که از جمله این توانمندی ها توانایی تحلیل بازار، تحلیل شاخص و تحلیل سهام های خوب بازار است که هرزمان نام تحلیل و پیش بینی می آید شاید شما بهتر بدانید که داده کاوی یا تحلیل داده ایفاگر نقش مهمی در این مقوله است


جهت کسب اطلاعات بیشتر در مورد {  نفش داده کاوی در بورس }  کلیک کنید


بنابراین داده کاوی نقش بسیاری مهمی در بازار بورس داشته و بسیاری از علاقمندان به کار در این حوزه به سمت این علم سوق داده می شوند

داده کاوی در صنعت

در بسیاری از کسب و کارها خصوصا بازاریابی و هتل داری و … تحلیل داده کمک شایانی به این علوم می تواند بکند

همواره بسیاری از کسب و کارها در سال و روزهای متعدد اطلاعات انباشته شده و متعددی در کسب و کار خود دارند که بسیاری از آنها نیز به درستی نمیتوانند از این اطلاعات بهره لازم را ببرند. در این میان داده کاوی به کمک این صنعت ها آمده و با جمع آوری دیتا و اطلاعات لازم و آنالیز و تحلیل داده های مربوط به کسب و کار کمک کرده و قدمی در راه پیشرفت آن کسب و کار برخواهد داشت

داده کاوی در بازاریابی

داده کاوی در بازاریابی

به عنوان مثال با داده کاوی در هتل داری به راختی می توان از طریق فرم ها و پرسش نامه هایی که در معرض مسافرین قرار می گیرد به اطلاعات لازم در جهت نحوه ارائه خدمات بهتر می توان دسترسی پیدا کرده و با پیش بینی های لازم میزان بهره وری کسب و کار را افزایش داد


جهت مطالعه بیشتر جهت { نقش داده کاوی در صنعت } حتما این مقاله را بخوانید


این مساله در صنعت بازاریابی نیز بسیار مهم بوده و می توان از طریق داده های مختلف هر کسب و کار بهترین روش بازاریابی و فروش محصولات را تعیین کرده و نسبت به افزایش رشد فروش آن کسب و کار قدم مهمی برداشت

جمع  بندی :

به طور کل داده کاوی علم امروز و فرداست که با ورود آن به کسب و کارهای مختلف به راحتی قدم مهمی در راه توسعه و پیشرفت محصولات برداشته و در آینده بسیاری از جوامع و کسب و کارها به طور اجباری و لازم به سمت این دانش آمده و نسبت به فراگیری آن اقدام می  کنند

پس شما دوست عزیز اگر قصد سرمایه گذاری بر روی خود را دارید پیشنهاد می کنیم حتما نسبت به فراگیری از علم همین امروز اقدام کنید

پیشنهاد می کنیم از دپارتمان آموزش ما دیدن فرمایید.

 


دپارتمان آموزش گروه تخصصی داده کاوی همت


موفق باشید

 

داده کاوی در پزشکی

داده كاوي ويژگي هاي پزشكي بيماران با هدف تشخيص خودكار

داده كاوي به معناي استخراج اطلاعات نهفته، بازشناخت روابط و الگوهاي پنهان و به طور كلي كشف دانش سودمند از داده با حجم بالا است. استخراج قواعد طبقه بندي نوعي داده كاوي است كه در آن دانشي به شكل چندين قانون ساده و فهم پذير از داده كشف شده و در آينده براي تصميم گيري و پيشگويي به كار برده مي شود. از مهمترين زمينـه هـاي كـاربـردي استخـراج قـواعـد طبقـه بنـدي در حيطـه علـم پـزشكي است. با به كارگيري الگوريتم هاي داده كاو مي توان سيستم هاي هوشمندي ابداع كرد كه به شكل خودكار و بدون نياز به نظارت پزشك قادر به فهم و تفسير ويژگي هاي پزشكي افراد باشند يا اطلاعات مفيدي را اكتشاف كنند كه متخصصان را در قضاوت صحيح ياري رساند. در ادبيات داده كاوي تا كنون مجموعه بسيار متنوعي از روش ها ارائه شده است كه هر يك داراي نقاط ضعف و قدرت به خصوصي بوده كه عملكرد آن بسته به نوع داده و شرايط حاكم بر مساله متفاوت است، بنابر اين نمي تواند به تنهايي بهترين روش تلقي شود. در اين روش بررسي، پياده سازي و استفاده تركيبي از الگوريتم ها و راهكار هاي گوناگون داده كاوي و ارائه روش هاي جديد و كارآمد تر به منظور پيش بيني و طبقه بندي پرداخته مي شود. از روش هاي كلاسيك شناخته شده جهت كشف قواعد طبقه بنـدي مبتنـي بـر الگـوريتـم هـاي تكاملي و ابزار هاي جستجو قدرتمند GA، PSO و IWOاستفاده مي شود كه به كارگيري الگوريتم بهينه سازي علف هرز (IWO) به منظور داده كاوي براي نخستين بار نوآوري اين روش محسوب مي شود. همچنين يك روش جديد و ابتكاري تلفيقي جهت استخراج قواعد طبقه بندي از شبكه عصبي RBFآموزش يـافتـه بـه كمـك الگـوريتم كلني مورچه گان پيشنهاد شده است. در اعمال به چندين مجموعه داده مرجع برتري عملكرد كليه الگوريتم هاي پيشنهادي در كشف اطلاعات مفيد و استخراج قواعد طبقه بندي دقيق و تفسير پذير، نسبت به روش هاي كلاسيك به اثبات رسيده است. اين روش ها توانسته اند داده هاي Wisconsinمربوط به بيماران مبتلا به سرطان را با دقت بالاي 99% به درستي طبقه بندي كنند، هرچند طبقه بندي مجموعه داده هاي SPECT قلبي دشوار تر بوده و دقت از حدود 80% فراتر نرفته است.

داده كاوي در بهداشت و درمان

حوزه پزشكي و سلامت از بخش هاي مهم در جوامع صنعتي است. استخراج دانايي از ميان حجم انبوه داده هاي مرتبط با سوابق بيماري و پرونده هاي پزشكي افراد با استفاده از فرايند داده كاوي مي تواند منجر به شناسايي قوانين حاكم بر ايجاد، رشد و تسري بيماري ها شده و اطلاعات ارزشمندي را به منظور شناسايي علل رخداد بيماري ها، تشخيص، پيش بيني و درمان بيماري ها با توجه به عوامل محيطي حاكم در اختيار متخصصان و دست انداران حوزه سلامت قرار دهد. نتيجه اين مساله به معناي افزايش عمر و ايجاد آرامش براي افراد جامعه است.

 

داده کاوی در پزشکی

داده کاوی در پزشکی

مهمترين خدمات قابل ارايه با استفاده از روش هاي داده كاوي

بررسي ميزان تاثير دارو بر بيماري و اثرات جانبي آن

تـشخيـص و پيـش بينـي انـواع بيمـاري هـا مانند تشخيص يا پيش بيني انواع سرطان

تعيين روش درمان بيماري ها

پيش بيني ميزان موفقيت اقدامات پزشكي مانند اعمال جراحي

تـجــزيــه و تـحـلـيــل داده هــاي مـوجـود در سيستم هاي اطلاعات سلامت (HIS)

تحليل عكس هاي پزشكي

ساخت مدلي براي تعيين نوع درمان سنگ حالب با را هكار داده كاوي

داده كاوي (Data mining) مترادف با يكي از عــبــــارت هــــاي اســتــخـــراج دانـــش، بـــرداشـــت اطلاعات، وارسي داده ها و حتي لايروبي كردن داده هـا اسـت كـه در حقيقت كشف دانش در پـايگاه داد ه ها Knowledge Discovery in Databases (KDD را توصيف مي كند.

به طور ساده داده كاوي شامل استخراج دانش از حـجم عظيم داده ها مي شود. البته عباراتي مانند كشف دانش از داده، استخراج دانش، آناليز الگوها و لايروبي داده را نيز مي توان معادل واژه داده كاوي به كار برد.

فـرايـنـد كـشـف دانـش داراي چـندين مرحله است كه دقت در انجام هر كدام از اين مراحل، روي كـيـفـيـت كـل فـرايند تاثيرگذار است . اين مـراحـل عـبـارتـنـد از :1- فهم و تعريف مسئله : مرحله اول فهم حوزه كاري و مسئله اي است كه سعي در پيدا كردن راه حل براي آن است درك كـامـل مـسـئـله پيش نياز ضروري براي انتخاب روش مناسب داده كاوي و كشف دانش مفيد از ميان داده ها است.

2- جمع آوري و پيش پردازش داده ها: پيش پردازش داده ها خود شامل مراحلي است .

ايــن مــراحـل عـبـارتـنـد از: يـكـپـارچـه سـازي، حـذف نـويزها، مقابله با مقادير مفقوده و تغيير شـكـل داده هـا، كـاهـش تعـداد داده هـا يـا تعـداد ويژگي ها و غيره.

3- داده كـاوي: مـرحـلـه سـوم هـمـان مـرحـلـه دادهكاوي است كه با انجام آن الگوها و مدل هاي پنهان در ميان داده ها استخراج مي شود. در اين مرحله بايد نخست وظيفه داده كاوي و سپس روش داده كاوي را انتخاب كرد.

4- تفسير و ارزيابي نتايج : مرحله چهارم شامل تفسير نتايج به دست آمده از مرحله سوم است. لزوما نتايج به دست آمده از مرحله سوم قابل اطمينان نيستند و ممكن است بيانگر دانش مفيد و قابل استفاده

نباشند. به همين خاطر بايد اين نتايج را به گونه اي ارزيابي كرد . براي ارزيابي مدل به دست آمده مي توان در ابتداي امر، داده ها را به دو دسته آموزش (train) و آزمايش (test) تقسيم كرد، مدل را روي داده هاي آموزش ساخت و سپس نتايج به دست آمده را روي داده هاي تست آزمايش كرد و دقت مدل را محاسبه كرد.

استفاده از دانش كشف شده: مرحله آخر استفاده از دانش استخراج شده از داده ها به صورت عملي است. در حقيقت هدف از انجام مراحل مختلف كشف دانش، دست يابي به نتايجي است كه بتوان از آن ها در دنياي واقعي و براي بهبود كارايي سازمان ها استفاده كرد . اين دانش استخراج شده مي تواند به عنوان يك سيستم كمك تصميم در دنياي واقعي مورد استفاده قرار گيرد . داده كاوي روي داده هاي پزشكي از اهميت بالايي برخوردار است و طراحي سيستم هاي كمك تصميم جهت ياري رساندن به پزشكان در زمينه تشخيص نوع بيماري يا انتخاب نوع درمان مناسب، با كمك داده كاوي مي تواند كمك شاياني در زمينه نجات جان انسان ها انجام دهد . يكي از اندام هايي كه در بدن نقش اساسي و كليدي ايفا مي كند، كليه است. انجام آزمايشات مناسب و انتخاب روش هاي درماني مطلوب براي افرادي كه به يكي از بيماري هاي كليوي مبتلا هستند، بسيار حائز اهميـت اسـت چـرا كـه كـوتـاهـي در درمـان بيمـاري هاي كليوي مي تواند منجر به از كارافتادگي ساير ارگان هاي بدن و در برخي موارد منجر به مرگ بيمار شود . يكي از بيماري هاي مربوط به كليه، تشكيل سنگ كليه در افراد است .

امروزه روش هاي درماني مختلف براي برخورد با اين بيماري وجود دارد اما انتخاب روش درماني مناسب كه علاوه بر آسيب رساني كمتر به فرد، داراي خروجي مطلوب نيـز بـاشـد، كـاري پيچيـده اسـت . معمولا روش درماني براي اين بيماري با توجه به خصوصيات سنگ، انتخاب مي شود كه البته در بسياري از موارد روش درماني مناسب توسط پزشك براي بيمار انتخاب نمي شود. بدين جهت طراحي يك سيستم تصميم يار جهت انتخاب نوع درمان سنگ كليه با توجه به خصوصيات سنگ و بيمار و با كمك راهكار داده كاوي، مي تواند به پزشكان در انتخاب درمان ياري رسان باشد.

هـمــزمــان بــا گستـرش و رشـد داده كـاوي و كـاربـردهـاي آن در دهـه اخيـر، تـوجـه پژوهشگراني از حوزه پزشكي و سلامت را به خود جلب كرده و به كارگيري آن در تحقيقات اين حوزه روندي رو به تزايد پيدا كرده است.

روش بررسي

اطـلاعـات مربوط به بيماران از بيمارستان شهيد هاشمي نژاد جمع آوري شده و كارهاي مربوط به ساخت مدل (ورود داده ها، پيـش پـردازش و سـاخـت مـدل) در آزمـايشگـاه فناوري اطلاعات دانشگاه تربيت مدرسانجام شده است.

درخـت تصميم (Decision Tree): يكي از روشهـاي داده كـاوي روي پايگاه هاي داده، ساخت درخت تصميم مربوط به داده ها است. درخت تصميم يك ساختار درخت مانند دارد، در حـالـي كـه هر گره ورودي نشان دهنده يك امتحان روي يك ويژگي، هر شاخه خارج شده از آن گـره بـيـان كننده يكي از مقادير ممكن براي همان ويژگي و برگ ها نشان دهنده كلاس ها هـسـتند. فرايند دسته بندي هر نمونه با امتحان ويـژگـي بـيـان شـده در گره ريشه شروع شده و سپس از شاخه هاي درخت با توجه به مقدار آن ويژگي پايين مي آييم . سپس اين فرايند با امتحان گره بعدي كه در انتهاي شاخه انتخاب شده قرار دارد، ادامه مي يابد تا نهايتا به يك برگ برسيم . تـاكنون از درخت تصميم به عنوان روش داده كـاوي جـهـت استخراج الگوهاي نهان در داده هاي پزشكي، استفاده هاي زيادي شده است.

از آنجا كه عملكرد اين مدل، بهتر از عملكرد الـگـوريـتـم بـيـمـارسـتـانـي و مدل ذهني پزشكان اسـت، از آن مـي تـوان بـه عـنـوان سيستم كمك تـصـمـيـم جـهـت تـعـيـيـن نوع درمان سنگ هاي حالب در بيمارستان استفاده كرد . با كمك اين مـدل و بـا توجه به ويژگي هاي بيمار، پنج نوع درمــان مــوجـود در نـظـر گـرفـتـه شـده و درصـد موفقيت هر كدام از اين درمان ها پيش بيني مي شود. پزشك مي تواند با توجه به ميزان موفقيت هركدام از درما ن ها، درمان مناسب را براي بيمار انـتـخـاب كنـد . در الگـوريتـم بيمـارستـان، بـراي انتخاب نوع درمان فقط دو ويژگي اندازه و مكان سنگ مهم است ، ولي در مدل ساخته شده سن بيمار نيز در تصميم گيري موثر است. همچنين در الگوريتم بيمارستان براي سنگ هاي زير 10 و بالاي 10 ميلي متر دو روش درماني در نظر گرفته مي شود، در صورتي كه با توجه به مدل ساخته شده بايد براي انتخاب نوع درمان، سنگ هاي بيشتر و كمتر از هفت ميلي متر، بيشتر و كمتر از 11 ميلي متر، بيشتر و كمتر از 13 ميلي متر، بيشتر و كمتر از 20 و بيشتر و كمتر از 28 ميلي متر را در نظر گرفت و با توجه به اين اندازه نوع درمان را تعيين كرد.

تحقيق ها در زمينه داده كاوي

 

1-كـاربـرد داده كاوي در روش هاي ART درمان ناباروري

افـــزايـــش روزافـــزون پــيــشـــرفـــت در زمــيـنــه تــكــنـــولـــوژي اطـــلاعــات، بــاعــث ايـجــاد رشــد چـشـمگـيـري در عـلـوم شده است. يكي از اين رشــتـــه هـــا، عــلــم پــزشـكــي اســت. اسـتـفــاده از تـكـنـيـكهـاي دادهكـاوي در ايـن شـاخه از علم موجب شده كه در كليه مباحث، به خصوص بـحـث نـابـاروري بـتـوان سـيـسـتم هاي پزشكيار طـراحـي كـرد. عـوامـل مـخـتـلـفـي مـوجـب بـروز نـاباروري ميشود كه ميتوان آنها را به طور كلـي بـه دو دستـه تقسيـم كـرد: عوامل مردانه و عوامل زنانه كه هر كدام فاكتور هاي زيادي را شامل ميشوند و درمان خاص خود را دارند. روشهاي درماني از جمله IUI، IVF و غيره در اين حوزه استفاده ميشود. در اين تحقيق سعي بر اين است تا با استفاده از تحليلهاي دادهكاوي روشهاي غيرنظارتي، به تحليل دادههاي اين حــوزه پــرداخـتــه شـود تـا بتـوان بـه پـزشكـان در تصميمگيري جهت درمان بيماران كمك كرد.

2-كاربرد داده كاوي در بيماريهاي قلبي و عروقي

رشد چشمگير بيماريهاي قلبي و عروقي و اثرات و عوارض آن ها و هزينههاي بالايي كه بر جامعه وارد ميكند، باعث شده كه جامعه پزشكي به دنبال برنامه هايي جهت بررسي بيشتر، پيشگيري، شناسايي زود هنگام و درمان موثر آن باشد. از اينرو با استفاده از دادهكاوي و كشف دانش در سيستم مراكز قلب و عروق ميتوان دانش ارزشمند را ايجاد كرد كه اين دانش كشف شده ميتواند باعث بهبود كيفيت سرويس به وسيله مديران مركز شود و همچنين ميتواند به وسيله پزشكان استفاده شود تا رفتار آينده بيماران قلبي و عروقي از روي سابقه داده شده پيش بيني كنند و نيز تشخيص بيماري قلبي از روي ويژگيهاي گوناگون و نشانهها، ارزيابي فاكتورهاي ريسكي كه باعث افزايش حمله قلبي مي شود از مهمترين كاربردهاي داده كاوي و كشف دانش در سيستم بيماران قلبي و عروقي است

منابع

1-سيـد عليـرضـا كاج آبادي ؛ محمد حسين سرايي ؛ صديقه عسگري، داده كاوي پزشكي :راهكاري جهت كشف روابط بين عوامل خطرزاي قلبي، .artificial.ir

2- علي اكبر خاصه، داده كاوي، متن كاوي، و وب كاوي :تعاريف و كاربردها

3-نازلي خيرابي، حميد ، داده كاوي ويژگي هاي پزشكي بيماران به هدف تشخيص خودكار با استفاده از الگوريتم هاي هوشمند

4sites.google.com/site/daychegroup-

5- محمدمهدي سپهري، پريسا رهنما، پژمان شادپور، بابك تيمورپور، ساخت مدلي بـراي تعيين نوع درمان سنگ حالب با را هكار داده كاوي، مجله دانشكده پزشكي، دانشگاه علوم پزشكي تهران، دوره 67 ،شماره 6، شهريور 1388

داده کاوی

در این مقاله قصد داریم شما را با کلیات داده کاوی و همه مفاهیم آن و همچنین کاربرد های آن بیشتر آشنا کنیم

پس اگر از علاقمندان به علم داده کاوی هستید با ما همراه باشید تا با این علم به روز آشنا شوید

داده‌کاوی (به انگلیسی : Data Mining)، به مفهوم استخراج اطلاعات نهان یا الگوها و روابط مشخص در حجم زیادی از داده‌ها در یک یا چند بانک اطلاعاتی بزرگ گفته می‌شود. بسیاری از مردم داده کاوی را مترادف واژه‌های رایج کشف دانش در پایگاه‌داده‌ها (به انگلیسی: knowledge discovery in databases) (اختصاری KDD) می‌دانند. داده‌کاوی، پایگاه‌ها و مجموعه حجیم داده‌ها را در پی کشف و استخراج، مورد تحلیل قرار می‌دهد. این‌گونه مطالعات و کاوش‌ها را به واقع می‌توان همان امتداد و استمرار دانش کهن و همه جا گیر آمار دانست. تفاوت عمده در مقیاس، وسعت و گوناگونی زمینه‌ها و کاربردها، و نیز ابعاد و اندازه‌های داده‌های امروزین است که شیوه‌های ماشینی مربوط به یادگیری، مدل‌سازی، و آموزش را طلب می‌نماید.

در سال ۱۹۶۰ آماردانان اصطلاح “Data Fishing” یا “Data Dredging”به معنای “صید داده” را جهت کشف هر گونه ارتباط در حجم بسیار بزرگی از داده‌ها بدون در نظر گرفتن هیچگونه پیش فرضی بکار بردند. بعد از سی سال و با انباشته شدن داده‌ها در پایگاه داده اصطلاح داده کاوی در حدود سال ۱۹۹۰ رواج بیشتری یافت. اصطلاحات دیگری نظیر “Data Archaeology”یا “Information Harvesting” یا “Information Discovery” یا”Knowledge Extraction” نیز بکار رفته‌اند.

بسیاری از شرکت‌ها و موسسات دارای حجم انبوهی از اطلاعات هستند. تکنیک‌های داده‌کاوی به‌طور تاریخی به گونه‌ای گسترش یافته‌اند که به سادگی می‌توان آن‌ها را بر ابزارهای نرم‌افزاری و … امروزی تطبیق داده و از اطلاعات جمع‌آوری شده بهترین بهره را برد.

در صورتی که سیستم‌های داده‌کاوی بر روی سکوهای Client/Server قوی نصب شده باشد و دسترسی به بانک‌های اطلاعاتی بزرگ فراهم باشد، می‌توان به سوالاتی از قبیل :کدامیک از مشتریان ممکن است خریدار کدامیک از محصولات آینده شرکت باشند، چرا، در کدام مقطع زمانی و بسیاری از موارد مشابه پاسخ داد.

 

داده کاوی

داده کاوی

ویژگی‌ها

یکی از ویژگی‌های کلیدی در بسیاری از ابتکارات مربوط به تأمین امنیت ملی، داده کاوی است. داده کاوی که به عنوان ابزاری برای کشف جرایم، ارزیابی میزان ریسک و فروش محصولات به کار می‌رود، در بر گیرنده ابزارهای تجزیه و تحلیل اطلاعات به منظور کشف الگوهای معتبر و ناشناخته در بین انبوهی از داده هاست. داده کاوی غالباً در زمینه تأمین امنیت ملی به منزله ابزاری برای شناسایی فعالیت‌های افراد خرابکار شامل جابه جایی پول و ارتباطات بین آن‌ها و همچنین شناسایی و ردگیری خود آن‌ها با بررسی سوابق مربوط به مهاجرت و مسافرت هاست.

داده کاوی پیشرفت قابل ملاحظه‌ای را در نوع ابزارهای تحلیل موجود نشان می‌دهد اما محدودیت‌هایی نیز دارد. یکی از این محدودیت‌ها این است که با وجود اینکه به آشکارسازی الگوها و روابط کمک می‌کند اما اطلاعاتی را دربارهٔ ارزش یا میزان اهمیت آن‌ها به دست نمی‌دهد. دومین محدودیت آن این است که با وجود توانایی شناسایی روابط بین رفتارها یا متغیرها لزوماً قادر به کشف روابط علت و معلولی نیست. موفقیت داده کاوی در گرو بهره‌گیری از کارشناسان فنی و تحلیل گران کار آزموده‌ای است که از توانایی کافی برای طبقه‌بندی تحلیل‌ها و تغییر آن‌ها برخوردار هستند.

بهره‌برداری از داده کاوی در دو بخش دولتی و بخش خصوصی رو به گسترش است. صنایعی چون بانکداری، بیمه، بهداشت و بازاریابی آن را عموماً برای کاهش هزینه‌ها، ارتقاء کیفی پژوهش‌ها و بالاتر بردن میزان فروش به کار می‌برند. کاربرد اصلی داده کاوی در بخش دولتی به عنوان ابزاری برای تشخیص جرایم بوده‌است اما امروزه دامنه بهره‌برداری از آن گسترش روزافزونی یافته و سنجش و بهینه‌سازی برنامه‌ها را نیز در بر می‌گیرد. بررسی برخی از برنامه‌های کاربردی مربوط به داده کاوی که برای تأمین امنیت ملی به کار می‌روند، نشان دهنده رشد قابل ملاحظه‌ای در رابطه با کمیت و دامنه داده‌هایی است که باید تجزیه و تحلیل شوند.

داده کاوی

داده کاوی

توانایی‌های فنی در داده کاوی از اهمیت ویژه‌ای برخوردار اند اما عوامل دیگری نیز مانند چگونگی پیاده‌سازی و نظارت ممکن است نتیجه کار را تحت تأثیر قرار دهند. یکی از این عوامل کیفیت داده هاست که بر میزان دقت و کامل بودن آن دلالت دارد. عامل دوم میزان سازگاری نرم‌افزار داده کاوی با بانک‌های اطلاعاتی است که از سوی شرکت‌های متفاوتی عرضه می‌شوند. عامل سومی که باید به آن اشاره کرد به بیراهه رفتن داده کاوی و بهره‌برداری از داده‌ها به منظوری است که در ابتدا با این نیت گرد آوری نشده‌اند. حفظ حریم خصوصی افراد عامل دیگری است که باید به آن توجه داشت.

اصولاً به پرسش‌های زیر در زمینه داده کاوی باید پاسخ داده شود:

  • سازمان‌های دولتی تا چه حدی مجاز به بهره‌برداری از داده‌ها هستند؟
  • آیا از داده‌ها در چارچوبی غیر متعارف بهره‌برداری می‌شود؟
  • کدام قوانین حفظ حریم خصوصی ممکن است به داده کاوی مربوط شوند؟

کاوش در داده‌ها بخشی بزرگ از سامانه‌های هوشمند است. سامانه‌های هوشمند زیر شاخه‌ای بزرگ و پرکاربرد از زمینه علمی جدید و پهناور یادگیری ماشینی هستند که خود زمینه‌ای در هوش مصنوعی است. فرایند گروه گروه کردن مجموعه‌ای از اشیاء فیزیکی یا مجرد به صورت طبقه‌هایی از اشیاء مشابه هم را خوشه‌بندی می‌نامیم.

با توجه به اندازه‌های گوناگون (و در اغلب کاربردها بسیار بزرگ و پیچیده) مجموعه‌های داده‌ها مقیاس‌پذیری الگوریتم‌های به کار رفته معیاری مهم در مفاهیم مربوط به کاوش در داده‌ها است.

کاوش‌های ماشینی در متون حالتی خاص از زمینهٔ عمومی‌تر کاوش در داده‌ها بوده، و به آن دسته از کاوش‌ها اطلاق می‌شود که در آن‌ها داده‌های مورد مطالعه از جنس متون نوشته شده به زبان‌های طبیعی انسانی باشد.

چیستی

داده کاوی به بهره‌گیری از ابزارهای تجزیه و تحلیل داده‌ها به منظور کشف الگوها و روابط معتبری که تاکنون ناشناخته بوده‌اند اطلاق می‌شود. این ابزارها ممکن است مدل‌های آماری، الگوریتم‌های ریاضی و روش‌های یاد گیرنده (Machine Learning Methods) باشند که کار این خود را به صورت خودکار و بر اساس تجربه‌ای که از طریق شبکه‌های عصبی (Neural Networks) یا درخت‌های تصمیم‌گیری (Decision Trees) به دست می‌آورند بهبود می‌بخشد. داده کاوی منحصر به گردآوری و مدیریت داده‌ها نبوده و تجزیه و تحلیل اطلاعات و پیش‌بینی را نیز شامل می‌شود برنامه‌های کاربردی که با بررسی فایل‌های متن یا چند رسانه‌ای به کاوش داده‌ها می‌پردازند پارامترهای گوناگونی را در نظر می‌گیرد که عبارت اند از:

  • قواعد انجمنی (Association): الگوهایی که بر اساس آن یک رویداد به دیگری مربوط می‌شود مثلاً خرید قلم به خرید کاغذ.
  • ترتیب (Sequence): الگویی که به تجزیه و تحلیل توالی رویدادها پرداخته و مشخص می‌کند کدام رویداد، رویدادهای دیگری را در پی دارد مثلاً تولد یک نوزاد و خرید پوشک.
  • پیش‌بینی(Prediction): در پیش‌بینی هدف پیش‌بینی یک متغیر پیوسته می‌باشد. مانند پیش‌بینی نرخ ارز یا هزینه‌های درمانی.
  • رده‌بندی یا طبقه‌بندی (Classification): فرایندی برای پیدا کردن مدلی است که رده‌های موجود در داده‌ها را تعریف می‌نماید و متمایز می‌کند، با این هدف که بتوان از این مدل برای پیش‌بینی رده رکوردهایی که برچسب رده آن‌ها (متغیر هدف) ناشناخته می‌باشد، استفاده نمود. در حقیقت در رده‌بندی بر خلاف پیش‌بینی، هدف پیش‌بینی مقدار یک متغیر گسسته‌است. روش‌های مورد استفاده در پیش‌بینی و رده‌بندی عموماً یکسان هستند.
  • خوشه‌بندی (Clustering): گروه‌بندی مجموعه‌ای از اعضاء، رکوردها یا اشیاء به نحوی که اعضای موجود در یک خوشه بیشترین شباهت را به یکدیگر و کمترین شباهت را به اعضای خوشه‌های دیگر داشته باشند.
  • مصورسازی (visualization): مصورسازی داده‌ها یکی از قدرتمندترین و جذابترین روش‌های اکتشاف در داده‌ها می‌باشد

برنامه‌های کاربردی که در زمینه تجزیه و تحلیل اطلاعات به کار می‌روند از امکاناتی چون پرس و جوی ساخت یافته (Structured query) که در بسیاری از بانک‌های اطلاعاتی یافت می‌شود و از ابزارهای تجزیه و تحلیل آماری برخوردارند اما برنامه‌های مربوط به داده کاوی در عین برخورداری از این قابلیت‌ها از نظر نوع با آن‌ها تفاوت دارند. بسیاری از ابزارهای ساده برای تجزیه و تحلیل داده‌ها روشی بر پایه راستی آزمایی (verification) را به کار می‌برند که در آن فرضیه‌ای بسط داده شده آنگاه داده‌ها برای تأیید یا رد آن بررسی می‌شوند. به‌طور مثال ممکن است این نظریه مطرح شود که فردی که یک چکش خریده حتماً یک بسته میخ هم خواهد خرید. کارایی این روش به میزان خلاقیت کاربر برای ارائه فرضیه‌های متنوع و همچنین ساختار برنامه بکار رفته بستگی دارد. در مقابل در داده کاوی روش‌هایی برای کشف روابط بکار برده می‌شوند و به کمک الگوریتم‌هایی روابط چند بعدی بین داده‌ها تشخیص داده شده و آن‌هایی که یکتا (unique) یا رایج هستند شناسایی می‌شوند. به‌طور مثال در یک فروشگاه سخت‌افزار ممکن است بین خرید ابزار توسط مشتریان با تملک خانه شخصی یا نوع خودرو، سن، شغل، میزان درآمد یا فاصله محل اقامت آن‌ها با فروشگاه رابطه‌ای برقرار شود.

در نتیجه قابلیت‌های پیچیده‌اش برای موفقیت در تمرین داده کاوی دو مقدمه مهم است یکی فرمول واضحی از مشکل که قابل حل باشد و دیگری دسترسی به داده متناسب. بعضی از ناظران داده کاوی را مرحله‌ای در روند کشف دانش در پایگاه داده‌ها می‌دانند (KDD). مراحل دیگری در روند KDD به صورت تصاعدی شامل، پاکسازی داده، انتخاب داده انتقال داده، داده کاوی، الگوی ارزیابی، و عرضه دانش می‌باشد. بسیاری از پیشرفت‌ها در تکنولوژی و فرایندهای تجاری بر رشد علاقه‌مندی به داده کاوی در بخش‌های خصوصی و عمومی سهمی داشته‌اند. بعضی از این تغییرات شامل:

  • رشد شبکه‌های کامپیوتری که در ارتباط برقرار کردن پایگاه‌ها داده مورد استفاده قرار می‌گیرند.
  • توسعه افزایش تکنیکهایی بر پایه جستجو مثل شبکه‌های عصبی و الگوریتم‌های پیشرفته.
  • گسترش مدل محاسبه کلاینت سروری که به کاربران اجازه دسترسی به منابع داده‌های متمرکز شده را از روی دسک تاپ می‌دهد.
  • و افزایش توانایی به تلفیق داده از منابع غیر متجانس به یک منبع قابل جستجو می‌باشد.

علاوه بر پیشرفت ابزارهای مدیریت داده، افزایش قابلیت دسترسی به داده و کاهش نرخ نگهداری داده نقش ایفا می‌کند. در طول چند سال گذشته افزایش سریع جمع‌آوری و نگهداری حجم اطلاعات وجود داشته‌است. با پیشنهادهای برخی از ناظران مبنی بر آنکه کمیت داده‌های دنیا به‌طور تخمینی هر ساله دوبرابر می‌گردد. در همین زمان هزینه ذخیره‌سازی داده‌ها به‌طور قابل توجهی از دلار برای هر مگابایت به پنی برای مگابایت کاهش پیدا کرده‌است. مطابقاً قدرت محاسبه‌ها در هر ۱۸ – ۲۴ ماه به دوبرابر ارتقاء پیدا کرده‌است این در حالی است که هزینه قدرت محاسبه رو به کاهش است. داده کاوی به‌طور معمول در دو حوزه خصوصی و عمومی افزایش پیدا کرده‌است. سازمان‌ها داده کاوی را به عنوان ابزاری برای بازدید اطلاعات مشتریان کاهش تقلب و اتلاف و کمک به تحقیقات پزشکی استفاده می‌کنند. با اینهمه ازدیاد داده کاوی به طبع بعضی از پیاده‌سازی و پیامد اشتباه را هم دارد. این‌ها شامل نگرانی‌هایی در مورد کیفیت داده‌ای که تحلیل می‌گردد، توانایی کار گروهی پایگاه‌های داده و نرم‌افزارها بین ارگان‌ها و تخطی‌های بالقوه به حریم شخصی می‌باشد. همچنین ملاحظاتی در مورد محدودیت‌هایی در داده کاوی در ارگان‌ها که کارشان تأثیر بر امنیت دارد، نادیده گرفته می‌شود.

 

مفهوم مدیریت ذخیره سازی و دستیابی اطلاعات

داده‌های اطلاعاتی به عنوان یکی از منابع حیاتی سازمان شناخته می‌شود و بسیاری از سازمان‌ها با اطلاعات و دانش سازمانی خود مانند سایر دارایی‌های ارزشمندشان برخورد می‌کنند .

نکته: داده اطلاعاتی به اطلاعات خام سازمان اطلاق می‌شود و اطلاعات به داده‌های پردازش شده. همچنین داده‌های پردازش شده پس از طبقه‌بندی و آنالیز به دانش سازمان تبدیل می‌گردند.

حال تصور نمایید، دسترسی به اطلاعات در شرایطی که داده‌ها به روش نامناسبی نگهداری شوند و یا روش ضابطه مندی جهت دستیابی به آن‌ها وجود نداشته باشد تا چه حد مشکل است . برای رسیدن به یک سیستم اطلاعاتی مناسب، داده‌ها می‌بایست به صورتی منطقی طبقه‌بندی و ذخیره شوند تا استفاده از آن‌ها ساده‌تر بوده، با کارایی بیشتری تحلیل شوند و سریعتر مورد استفاده قرار گیرند و در نتیجه مدیریت بهتری بر آن‌ها اعمال شود.

ساختار بانک اطلاعاتی سازمان

داده‌های سازمان‌ها در انواع بانک‌های اطلاعاتی و با ساختارهای متنوعی ذخیره می‌گردند . طراحی و سازماندهی این ساختارها، بکارگیری و انتقال به بانک‌های اطلاعاتی پیشرفته و بهینه سازی آن‌ها یکی خدماتی است که توسط واحدهای فناوری اطلاعات ارائه می‌شود .

محدودیت‌های داده‌کاوی

در حالیکه محصولات داده کاوی ابزارهای قدرتمندی می‌باشند، اما در نوع کاربردی کافی نیستند. برای کسب موفقیت، داده کاوی نیازمند تحلیل گران حرفه‌ای و متخصصان ماهری می‌باشد که بتوانند ترکیب خروجی به وجود آمده را تحلیل و تفسیر نمایند. در نتیجه محدودیت‌های داده کاوی مربوط به داده اولیه یا افراد است تا اینکه مربوط به تکنولوژی باشد.

اگرچه {داده کاوی} به الگوهای مشخص و روابط آن‌ها کمک می‌کند، اما برای کاربر اهمیت و ارزش این الگوها را بیان نمی‌کند. تصمیماتی از این قبیل بر عهده خود کاربر است. برای نمونه در ارزیابی صحت داده کاوی، برنامه کاربردی در تشخیص مظنونان تروریست طراحی شده که ممکن است این مدل به کمک اطلاعات موجود در مورد تروریستهای شناخته شده، آزمایش شود. با اینهمه در حالیکه ممکن است اطلاعات شخص به‌طور معین دوباره تصدیق گردد، که این مورد به این منظور نیست که برنامه مظنونی را که رفتارش به‌طور خاص از مدل اصلی منحرف شده را تشخیص بدهد.

تشخیص رابطه بین رفتارها یا متغیرها یکی دیگر از محدودیت‌های داده کاوی می‌باشد که لزوماً روابط اتفاقی را تشخیص نمی‌دهد. برای مثال برنامه‌های کاربردی ممکن است الگوهای رفتاری را مشخص کند، مثل تمایل به خرید بلیط هواپیما درست قبل از حرکت که این موضوع به مشخصات درآمد، سطح تحصیلی و استفاده از اینترنت بستگی دارد. در حقیقت رفتارهای شخصی شامل شغل (نیاز به سفر در زمانی محدود) وضع خانوادگی (نیاز به مراقبت پزشکی برای مریض) یا تفریح (سود بردن از تخفیف دقایق پایانی برای دیدن مکان‌های جدید) ممکن است بر روی متغیرهای اضافه تأثیر بگذارد.

کاربردهای داده‌کاوی در علوم رایانه

در علم رایانه از داده‌کاوی برای کشف الگوی میان داده‌ها استفاده می‌شود، معمولاً داده‌های خام و معمولاً بی‌معنا وارد سیستم شده و پس از پردازش‌های مورد نیاز نتایج حاصل از داده که آن‌ها را اطلاعات می‌نامند، استخراج می‌گردد کاربردهای عمومی داده‌کاوی در علم کامپیوتر عبارتند از:

  • کشف الگوی میان داده‌ها
  • پیش‌بینی حدودی نتایج
  • به‌دست آوردن اطلاعات کاربردی
  • تمرکز بر روی داده‌های بزرگ

کاربردهای داده‌کاوی در رشته مهندسی صنایع

در مهندسی صنایع از داده‌کاوی در حوزه‌های مدیریت ارتباط با مشتری ، نگهداری و تعمیرات پیشگیرانه ، مدیریت زنجیره تأمین ، برنامه‌ریزی تولید ، کنترل کیفیت ، مدیریت پروژه ، ایمنی، بهداشت و محیط زیست  استفاده می‌شود. زبان رایج در استفاده از دیتا ماینینگ و تحلیل داده‌ها نرم افزار می‌باشد، اما به تازگی نرم افزار Rapidminer نیز با توجه به امکانات زیادش مورد توجه قرار گرفته‌است.

کاربردهای داده کاوی در کتابخانه ها

 

داده کاوی در ابتدا از حوزه تجارت برخاست اما کاربردهای آن در سایر حوزه هائی که به گردآوری حجم وسیعی از داده هائی می پردازند که دستخوش تغییرات پویا نیز می‌گردند؛ مفید شناخته شد. بخش‌هایی مثل بانکداری، تجارت الکترونیک، تجارت سهام، بیمارستان و هتل از این نمونه‌اند.

انتظار میرود که استفاده از داده کاوی در بخش آموزش به‌طور عام امکان‌های جدید بسیاری ارائه دهد. برخی کاربردهای داده کاوی در کتابخانه‌ها و قسمت اداری آموزش در ذیل مورد بحث قرار گرفته‌اند.

عملیات کتابداری به‌طور کلی شامل مدیریت مدارک، ارائه خدمات و امور اداره و نگهداری است. هر کدام از این کارکردها با انواع مختلفی از داده‌ها سروکار دارد و به‌طور جداگانه پردازش می‌شود. اگرچه، انجام تحلیل ترکیبی بر این مجموعه‌های داده  نیز می‌تواند افق تازه ای را بگشاید که به طرح خدمات جدید و تحول رویه‌ها و عملیات جاری کمک نماید. جدول یک برخی از کاربردهای ممکن داده کاوی را که می‌تواند در کتابداری مفید باشد ارائه می‌کند.

ابزارهای داده‌کاوی

معروف‌ترین ابزارهای داده‌کاوی برای انجام پروژه‌های داده کاوی به ترتیب پرطرفدار بودن

  1. آر (زبان برنامه‌نویسی)
  2. پایتون (زبان برنامه‌نویسی)
  3. رپیدماینر
  4. Clementine که نسخه ۱۳ ان با نام SPSS Modeler نامیده می‌شود.
  5. نرم‌افزار وکا
  6. متلب

نرم‌افزار

برنامه‌های کاربردی و نرم‌افزارهای داده کاوی متن-باز رایگان

  • Carrot2: پلتفرمی برای خوشه بندی متن و نتایج جستجو
  • Chemicalize.org: یک کاوشگر ساختمان شیمیایی و موتور جستجوی وب
  • ELKI: یک پروژه تحقیقاتی دانشگاهی با تحلیل خوشه‌ای پیشرفته و روش‌های تشخیص داده‌های خارج از محدوده که به زبان جاوا نوشته شده‌است.
  • GATE: یک پردازشگر زبان بومی و ابزار مهندسی زبان.

برنامه‌های کاربردی و نرم‌افزارهای داده کاوی تجاری

  • Angoss KnowledgeSTUDIO: ابزار داده کاوی تولید شده توسط Angoss.
  • BIRT Analytics: ابزار داده کاوی بصری و تحلیل پیش‌بینی گر تولید شده توسط Actuate Corporation.
  • Clarabridge: راه حل تحلیلگر کلاس متن.
  • (E-NI(e-mining, e-monitor: ابزار داده کاوی مبتنی بر الگوهای موقتی.
  • IBM SPSS Modeler: نرم‌افزار داده کاوی تولید شده توسط IBM
  • Microsoft Analysis Services: نرم‌افزار داده کاوی تولید شده توسط مایکروسافت
  • Oracle Data Mining: نرم‌افزار داده کاوی تولید شده توسط شرکت اوراکل
  • نرم افزار وکا

بررسی اجمالی بازار نرم‌افزارهای داده کاوی

تا کنون چندین محقق و سازمان بررسی‌هایی را بر روی ابزارهای داده کاوی و راهنماییهایی برای داده کاوها تهیه دیده‌اند. این بررسی‌ها بعضی از نقاط ضعف و قوت بسته‌های نرم‌افزاری را مشخص می‌کنند. همچنین خلاصه‌ای را از رفتارها، اولویت‌ها و دیدهای داده کاوها تهیه کرده‌اند. بعضی از این گزارش‌ها را در زیر می‌توانید مشاهده نمایید:

  • گزارش: 2011 Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery
  • Annual Rexer Analytics Data Miner Surveys تاریخ(2007–2011)

داده کاوی از جمله علم های روزی است که کاربردهای فرآوانی دارد که به بخشی از این کاربرها برای شما عزیزان پرداختیم

با سری مقالات داده کاوی گروه همت همراه باشید


مقاله به نقل از { ویکی پدیا }

سیگنال خرید 12 مهر ماه گروه همت

👉 @ihemmat

#بورس

#سیگنال_خرید

👈 خروجی داده کاوی نرم افزار پیشرفته گروه همت ویژه سیگنالهای خرید بازار بورس در تاریخ 28 مهر ماه 99 ویژه اعضای همت بصورت #رایگان

اولویت اول

شوینده

کطبس

ولراز

کبافق

اولویت دوم

حتوکا

کشرق

قپیرا

دپارس

👈 کلیه سیگنالها هرشب صورت تخصصی و کامل در بخش تحلیل داده وب سایت همت بارگزاری و به روز خواهند شد

👈 با مراجعه و مطالعه وب سایت>> کارتابل>> تحلیل داده میتوانید از تحلیل ها و اخبار روز بازار مطلع شوید

با نشر گروه همت ما را در ادامه راه همیاری کنید👇👇👇

@ihemmat

@ihemmat

سود عملیاتی و غیر عملیاتی

سود و زیان یکی از مهم‌ترین مفاهیمی است که سهامداران در فعالیت‌های اقتصادی خود باید به آن توجه کنند. از همین روی آشنایی با مفاهیم متنوع سود و انواع آن بسیار حائز اهمیت است. اینکه سود عملیاتی و سود غیرعملیاتی چه مفهومی دارند، از جمله مواردی هستند که سهامداران برای تصمیم‌گیری درست در حوزه سرمایه‌گذاری باید درباره آن به‌طور دقیق بدانند.

سود عملیاتی

سود عملیاتی قابلیت سوددهی عملیاتی یک واحد تجاری را مشخص می‌کندسود عملیاتی نشان‌دهنده‌ باقیمانده‌ سود بعد از محاسبه‌ تمام هزینه‌های عملیاتی مربوط به واحد تجاری است. علاوه بر بهای تمام‌شده‌ کالای فروش رفته، هزینه‌های اداری، عمومی و هزینه‌هایی نظیر اجاره و بیمه، حمل‌ونقل و کرایه در محاسبه‌ سود عملیاتی در نظر گرفته می‌شوند.

در حقیقت تمام هزینه‌هایی که برای حفظ فعالیت واحد تجاری ضروری هستند، باید در محاسبه‌ سود عملیاتی در نظر گرفته شوند.

با این‌حال سود عملیاتی نیز همانند سود ناخالص دربردارنده‌ بهره‌های پرداختی بابت بدهی‌ها، درآمد ناشی از سرمایه‌گذاری‌ها و مالیات نمی‌شود. سود عملیاتی قابلیت سوددهی عملیاتی یک واحد تجاری را مشخص می‌کند.

گفتنی است همه درآمدهایی که شرکت‌ها از طریق انجام عملیات اصلی خود کسب می‌کنند، درآمدهای عملیاتی شرکت محسوب می‌شود. همچنین همه هزینه‌هایی که در فرایند این درآمدهای عملیاتی ایجاد شوند، جزء هزینه‌های عملیاتی شرکت هستند.

اختلاف بین درآمدهای عملیاتی و هزینه‌های عملیاتی را سود عملیاتی می‌گویند. چنانچه شرکتی از محل فعالیت‌های غیر مرتبط با موضوع خود سودی کسب کند، در علم اقتصاد آن سود را سود غیرعملیاتی می‌نامند.

برای درک بهتر مفهومی که خواندید به مثال زیر توجه کنید:

درآمد کسب‌شده از محل فروش اتومبیل برای یک شرکت خودروسازی یک درآمد عملیاتی به‌حساب می‌آید. اما درآمد حاصل از فروش زمین یا ساختمان متعلق به شرکت خودروسازی، برای این شرکت یک درآمد عملیاتی نیست و آن را درآمد غیرعملیاتی می‌نامند.

سود غیرعملیاتی

سود غیرعملیاتی ناشی از فعالیت‌های غیرمرتبط با موضوع اصلی شرکت است. معمولاً سود غیرعملیاتی مربوط به سود حاصل از فروش دارایی‌های غیرمنقول، سود حاصل از سرمایه‌گذاری‌ها و سهام، سود حاصل از اوراق مشارکت و… می‌باشد که ممکن است بخشی از آن غیرمستمر باشد.

در محاسبه سود غیرعملیاتی و غیرمستمر ناشی از فروش دارایی‌های غیرمنقول کافی است درآمد ناشی از فروش دارایی مذکور را از بهای تمام شده تاریخی آن کسر کرده تا سود غیرعملیاتی آن بدست آید.

به‌عنوان‌مثال اگر در سال‌های گذشته زمینی به بهای تمام شده چهار میلیارد تومان خریداری و در دفاتر شرکت بهای تمام شده تاریخی آن به همین عدد نیز ثبت‌شده باشد و چندی بعد زمین مذکور توسط شرکت به مبلغ ۱۰ میلیارد تومان به‌فروش برسد، اختلاف ۶ میلیارد تومانی همان سود غیرعملیاتی ناشی از فروش زمین است که در صورت‌های مالی سود و زیان در سرفصل درآمد‌های غیرعملیاتی و متفرقه ثبت می‌شود.

منبع : کارگزاری مفید