داده کاوی،ترتیب و گروه سازی داده ها با استفاده از روش ماشین‎های بردار پشتیبان (SVM)

هدف از این پایان نامه داده کاوی،ترتیب و گروه سازی داده ها با استفاده از روش ماشین‎های بردار پشتیبان (SVM) می باشد

دسته بندی مهندسی نرم افزار
فرمت فایل doc
حجم فایل ۷۵۰ کیلو بایت
تعداد صفحات ۱۴۷
پس از پرداخت، لینک دانلود فایل برای شما نشان داده می شود

دانلود پایان نامه کارشناسی ارشد مهندسی نرم افزار

داده کاوی،ترتیب و گروه سازی داده ها با استفاده از روش ماشین‎های بردار پشتیبان (SVM)

چکیده:
داده کاوی یکی از شاخه های مطرح علمی است که در سالهای اخیر توسعه فراوانی یافته است. بنابر گزارش دانشگاه MIT، دانش نوین داده کاوی یکی از ده دانش در حال توسعه ای است که دهه آینده را با انقلاب تکنولوژیکی مواجه می سازد. دسته بندی داده ها، از مهمترین مباحث مطرح در داده کاوی است. در خصوص دسته بندی داده ها روش های گوناگونی ارائه گردیده است که ماشین بردار پشتیبان(SVM) از مهمترین آنها است و از آنجایی که بر مبنای فرمول-بندی ریاضیاتی است از دقت و خاصیت تعمیم بیشتری نسبت به سایر روش های دسته بندی برخوردار است. این پایان نامه به داده کاوی،ترتیب و گروه سازی داده ها با استفاده از روش ماشین‎های بردار پشتیبان (SVM)می پردازد.
ابتدا مقدمه و برخی از مباحث مورد نیاز در SVM مطرح می گردد. سپس اصول و پایه های دسته بندی داده های دو دسته ای به روش SVM مطرح می گردد و همچنین انواع روش-های SVM به همراه مثال ارائه می گردد. بعلاوه یک مثال واقعی از کاربرد روش SVM در دسته بندی داده های دو دسته ای ارائه خواهد شد. در ادامه نیز برخی از روش های دسته بندی برای داده های چند دسته ای مطرح می گردد. درپایان با ورود به بحث نادقیقی داده ها، و در نظر گرفتن دو حالت برای داده های فازی، روش هایی برای دسته بندی این داده ها عنوان می گردد. بعلاوه با درنظر گرفتن یک پارامتر فازی در فرمول بندی روش SVM به ارائه راه حل پرداخته می شود. در خاتمه یک مثال کاربردی برای داده های فازی مطرح می گردد. ضمنا بخش هایی که با علامت * مشخص شده است حاصل پژوهش های مولف می باشد.
کلمات کلیدی:

SVM

داده کاوی
دسته بندی داده ها
ماشین‎های بردار پشتیبان

تاریخچه داده کاوی

در طول دهه های گذشته با پیشرفت روز افزون کاربرد پایگاه داده ها ، حجم داده های ثبت شده بطور متوسط هر پنج سال دو برابر می شود. در این میان سازمان هایی موفق هستند که بتوانند حداقل ۷% داده هایشان را تحلیل کنند. تحقیقات انجام یافته نشان می دهد که سازمان ها کمتر از ۱% داده هایشان را تحلیل می کنند. به عبارت دیگر در حالی که غرق در اطلاعات می-باشند، تشنه دانش هستند[۵۰].بنابر گزارش دانشگاه MIT دانش نوین داده کاوی یکی از ده دانش در حال توسعه ای است که دهه آینده را با انقلاب تکنولوژیکی مواجه می سازد. این تکنولوژی، امروزه دارای کاربردهای وسیعی در حوزه های مختلف است، به گونه ای که امروزه حد و مرزی برای کاربرد این دانش درنظر نگرفته و زمینه های کاری این دانش را از ذرات کف اقیانوس ها تا اعماق فضا می دانند [۵۰].
مفهوم داده کاوی برای نخستین بار در سال ۱۹۸۹ و در کنار کنفرانس هوش مصنوعی توسط پیاتتسکی شاپیرو و در شهر دترویت معرفی شد. در سال ۱۹۹۱ نیز کارگاه های کشف دانش از پایگاه داده ها، توسط پیاتتسکی و همکارانش برگزار گردید. همچنین در فاصله سال-های ۱۹۹۱ تا ۱۹۹۴ کارگاه هایی در این خصوص توسط فیاد و دیگران برگزار شد و در سال ۱۹۹۶ اولین شماره مجله کشف دانش از پایگاه داده ها منتشر شد. از آن زمان تاکنون کنفرانس های سالانه منظمی در خصوص داده کاوی و کشف دانش برگزار گردیده است. دانش داده کاوی که نام آن از استخراج معدن گرفته شده است با زدودن متعلقات غیرضروری داده ها و استخراج روابط سودمند از آنها، روابط پیچیده بین داده ها را آشکار کرده و راه را جهت تصمیم گیری هموار می سازد.
فهرست مطالب
۱-فصل اول:مقدمه و پیشنیازها .۱
۱-۱ مقدمه ۲
۱-۱-۱ تاریخچه داده-کاوی .۲
۱-۱-۲ تعریف داده-کاوی ۲

۱-۱-۳ کاربردهای داده-کاوی .۳

۱-۱-۴ دسته بندی داده-ها .۴
۱-۲ مطالبی از مطالبی از حساب دیفرانسیل، جبرخطی و تحقیق در عملیات ۵

۱-۳ نظریه مجموعه های فازی ۱۰

۱-۴ مطالبی از نظریه بازی-ها ۱۳
۱-۴-۱ تاریخچه نظریه بازی ۱۳
۱-۴-۲ نظریه بازی-ها .۱۴
۱-۴-۳ بازی های ماتریسی .۱۷

۲- فصل دوم:روش SVM برای دسته بندی داده های دو دسته ای ۲۰

۲-۱ مقدمه ۲۱
۲-۲ روش ابتدایی SVM برای دسته بندی داده های دودسته ای جدایی پذیر خطی ۲۱
۲-۳ روش SVM بر اساس نرم L1 برای دسته بندی داده های دودسته-ای .۳۰
۲-۴ روش SVM بر اساس فرم L2 برای دسته بندی داده های دودسته ای ۳۸
۲-۵ روش MCQP: مدل جدیدی برای دسته بندی داده های دو دسته ای بر مبنای روش SVM .43
۲-۶ روش SVM استاندارد ۵۴
۲-۷ پیش بینی بحران مالی در شركت های پذیرفته شده در بورس اوراق بهادار تهران بوسیله روش MCQP 59

۳-فصل سوم:روش SVM برای دسته بندی داده های چند دسته-ای ۶۳

۳-۱ مقدمه ۶۴
۳-۲ روش OSVM برای دسته بندی داده های چند دسته-ای .۶۴
۳-۳ روش PSVM برای دسته بندی داده های چند دسته-ای ۶۸
۳-۴ روش LP- PSVM برای دسته بندی داده های چند دسته-ای .۷۲
۳-۵ روشی برای تصمیم گیری در مورد داده های دسته بندی نشده .۷۵

۴-فصل چهارم:روش SVM برای دسته بندی داده های فازی .۷۸

۴-۱ مقدمه ۷۹
۴-۲ روش FSVM بر اساس نرم L1 برای دست بندی داده های دو دسته-ای .۸۰
۴-۳ روش FMCQP برای دسته بندی داده های دو دسته-ای .۸۴
۴-۴ روش FSVM استاندارد برای دسته بندی داده های دو دسته-ای ۸۸
۴-۵ روش SVM برای دسته بندی داده های فازی دو دسته ای جدایی پذیر خطی .۹۲
۴-۶: روش L1_SVM برای دسته بندی داده های فازی .۹۵
۴-۷ روش L1_SVM با ضریب اهمیت فازی برای خطای دسته بندی داده-ها .۹۷
۴-۸ پیش بینی بحران مالی درشركت های پذیرفته شده در بورس اوراق بهادار تهران بوسیله روش FMCQP .101
نتیجه گیری و فعالیت های پیش-رو .۱۰۴
مراجع .۱۰۸
ضمیمه ۱ .۱۱۰
ضمیمه ۲ .۱۲۲
ضمیمه ۳ .۱۲۳
واژه نامه فارسی به انگلیسی ۱۲۵
واژه نامه انگلیسی به فارسی ۱۳۰
پس از پرداخت، لینک دانلود فایل برای شما نشان داده می شود

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *