Data Mining

Data Mining

اسلاید 1: Data MiningBy : Alireza Abazari

اسلاید 2: Data Mining چيست؟Data Mining عبارت است از اقتباس يا استخراج دانش از مجموعه ای از داده ها ، به بيان ديگر ، Data Mining فرايندی است که با استفاده از تکنيکهای هوشمند، دانش را از مجموعه ای از داده ها استخراج می کند.Data Mining از ساخت مدل های تحليلی ، دسته بندی و پيش بينی اطلاعات و ارائه نتايج با استفاده از ابزارهای مرتبط استفاده می کند.برای اينکه الگوريتم Data Mining بتواند عمل استخراج دانش را بخوبی انجام دهد، نياز به يک سری پيش پردازش ها بر روی مجموعه آموزشی و يک سری پس پردازش ها بر روی الگوهای استخراج شده دارد.

اسلاید 3: مراحل Data Miningپاک سازی داده ها: در اين مرحله داده های غير معتبر از مجموعه داده های آموزشی خارج می شوند. داده های دارای نويز، اطلاعات ناکامل و ... نمونه هايی از داده هايی هستند که با يد پاکسازی در مورد آنها انجام گردد.يکپارچه سازی داده ها: در اين مرحله، منابع چندگانه داده ای با هم ترکيب می شوند.انتخاب داده ها : داده های مرتبط به فرايند Data Mining از ساير داده ها جدا می شود. اين مبحث را می توان بخشی از فرايند کاهش اطلاعات نيز دانست. تبديل داده ها: داده ها به قالبی قابل استفاده برای Data Mining در می آيند. از اعمالی که در اين مرحله صورت می گيرد ، می توان به خلاصه سازی و يا محاسبه مقادير تجمعی اشاره کرد.Data Mining: بخش اصلی فرايند که در آن با استفاده از روش ها و تکنيکهای خاص ، استخراج الگو های دانش صورت می گيرد. ارزيابی الگوها: تشخيص الگو های صحيح مورد نظر ، از ساير الگو ها در اين مرحله انجام می شود. صحت الگوها بر اساس يک سری معيار های جذابيت سنجيده می شود.بازنمايی دانش: در اين بخش به منظور ارائه دانش استخراج شده به کاربر ، از يک سری ابزارهای بصری سازی استفاده می گردد.

اسلاید 4:

اسلاید 5: کاهش اطلاعاتکاهش اطلاعات عبارت است از توليد يک مجموعه کوچکتر از داده های اوليه که تحت عمليات Data Mining نتايج تقريبا يکسانی با نتايج Data Mining روی اطلاعات اوليه به دست می دهد.اين عمل را می توان از طريق حذف خصيصه های غير مرتبط با نوع عمليات Data Mining مورد نظر انجام داد.حذف خصيصه های مرتبط که در اثر اشتباه در ارزيابی ميزان ارتباط آنها با عمليات Data Mining انجام می گيرد، می تواند منجر به ناکارآمدی فرايند Data Mining و استخراج قوانين ناقص و در نتيجه بی ارزش شود.عدم حذف خصايص غير مرتبط می تواند زمان انجاخم عمليات Data Mining را به طرز قابل ملاحظه ای افزايش دهد.سه روش کلی برای انتخاب خصايص مرتبط با Data Mining وجود دارد:انتخاب پيش رونده: در هر مرحله خصيصه ای که بيشترين ارتباط را دارد، برگزيده می شود.انتخاب عقب رونده: در هر مرحله خصيصه ای که کمترين ارتباط را دارد، انتخاب و حذف می شود.روش ترکيبی : ترکيب هر دو روش پيش رونده و پس روندهسلسله مراتب مفهومی: روشی برای کاهش تعداد مقادير ممکن برای يک خصيصه ارائه می دهد، اگر چه داده های خروجی کلی تر بوده و فاقد برخی جزئيات هستند، اما اين داده ها بسيار ساده تر بوده و در سطح تجريدی بالاتری نسبت به داده های اوليه قرار دارند.

اسلاید 6: اطلاعات مورد نياز برای عمليات Data Miningداده های مرتبط با فرايند Data Mining: بانک اطلاعاتی ممکن است شامل تعداد زيادی از رکورد ها باشد که تنها بخش کوچکی از آنها با فرايند Data Mining مرتبط هستند. مشخص کردن اين بخش از اطلاعات بايد توسط کاربر انجام گيرد.نوع دانشی که بايد استخراج شود: نوع روتين هايی که بايد بر روی داده های انتخاب شده اعمال شوند، بايد مشخص گردد.دانش زمينه ای : کاربران می توانند، با مشخص کردن دانش زمينه ای فرايند Data Mining را هدايت نمايند، برای نمونه حدس کاربر در مورد رفتار اطلاعات.معيارهای ارزيابی دانش استخراج شده: اين معيارها ممکن است در زمان اجرای فرايند Data Mining و يا پس از پايان Data Mining ، روی دانش استخراج شده اعمال شده و بخش ارزشمند دانش را مشخص نمايند.نحوه ارائه دانش استخراج شده: نمايش دانش و قوانين استخراج شده در قالب های مختلفی نظير جدول ، نمودار ، درخت تصميم گيری و ...

اسلاید 7: روشهای مختلف Data Mining اين روشها بطور کلی به دو دسته زير تقسيم می شوند:الگوريتمهای يادگيری با نظارت (Prediction Method)الگوريتمهای يادگيری بدون نظارت) (Description Methodsدر الگوريتمهای يادگيری با نظارت هدف از Data Mining مشخص است و می دانيم که به دنبال چه نوع دانشی می گرديم. مانند دسته بندی. در روشهای يادگيری بدون نظارت، هدف کاملا تعريف شده نيست. مانند خوشه بندی.

اسلاید 8: روشهای بکار گرفته شده برای Knowledge Discovery دسته بندی(Classification [Predictive]) : در اين روش يک نمونه به يکی از چند دسته از پيش تعريف شده دسته بندی می شود.رگرسيون ( Regression [Predictive] ): پیش بینی یک مقدار متغیر مبنی بر متغیرهای دیگر .خوشه بندی ( (Clustering [Descriptive]: يک دسته داده را به يکی از چند خوشه نگاشت می کند. خوشه ها گروه بنديهای دسته های داده ای هستند که بر اساس شباهت برخی از معيارها بوجود می آيند.کشف قواعد وابستگی( Association Rule Discovery [Descriptive] ): روابط وابستگی بين خصيصه های مختلف را بيان می کند.تحليل دنباله : الگوهای دنباله ای همچون سريهای زمانی را مدل می کند.

اسلاید 9: Classification: Application 1 هدایت بازاریابی (Direct Marketing): اهداف : کاهش هزینه ی پست با موقعیت یابی گروهی از مصرف کنندگان .روش کار : استفاده از اطلاعات یک محصول که قبلا تولید شده به منظور استفاده در نمونه های جدید .ما با توجه به اطلاعات موجود بدانیم که چه فردی بیشتر چه چیزهایی را می خرد و چه چیزهایی را نمی خرد.جمع آوری نمودارهای آماری مختلف و اطلاعات مربوط به تعاملات مشتری و شرکت .

اسلاید 10: Classification: Application 2شناسایی تخلف (Fraud Detection):اهداف : شناسایی موارد کلاه برداری در معاملات کارتهای اعتباری .روش کار : استفاده از اطلاعات معاملات کارتهای اعتباری و اطلاعات دارنده ی آن . برچسب زدن به معاملات گذشته به عنوان کلاهبرداری یا معاملات نسبتا خوب.شناسایی یک مدل برای یک رده از معاملاتاستفاده از این مدل برای تشخیص کلاهبردای با مشاهده ی معاملات کارت اعتباری شخص .

اسلاید 11: Regression پیش بینی یک مقدار متغیر مبنی بر متغیرهای دیگر .مثلا : پیش بینی مقدار فروش یک محصول جدید بر مبنای هزینه تبلیغات پیش بینی سرعت باد به عنوان یک تابع از دما ، رطوبت ، فشار هوا وغیره .

اسلاید 12: Example training database Two predictor attributes:Age and Car-type (Sport,Minivan and Truck) Spent indicates how muchperson spent during a recentvisit to the web site Dependent attribute isnumericalRegression Example

اسلاید 13: Clustering: Application 1 تقسیم بازار(Market Segmentation):اهداف : تقسیم بازار به زیر مجموعه های مستقل ،مبتنی بر مصرف کنندگان ،جایی که هر زیر مجموعه بتواند به عنوان یک بازار مستقل انتخاب شود .روش کار :جمع آوری مشخصات مختلف مصرف کنندگان بر پایه ی موقعیت جغرافیایی .یافتن گروه مصرف کنندگان مشابهاندازه گیری کیفیت گروه با مشاهده ی الگوهای خرید مصرف کنندگان در یک گروه در مقابل الگوهای دیگر گروه ها .

اسلاید 14: Clustering: Application 2 خوشه بندی اسناد (Document Clustering) :اهداف : برای پیدا کردن گروهی از اسناد که از لحاظ ظاهر شدن کلمات مهم در آنها شبیه به هم هستند روش کار :برای تشخیص عباراتی که در سند به طور متوالی تکرار میشوند . تشکیل یک مقیاس همانندی بر پایه ی فراوانی عبارات مختلف . استفاده از مقیاس در خوشه بندی .

اسلاید 15: Association Rule Discovery: Application 1 مدیریت دارایی(Inventory Management) :اهداف :یک شرکت تعمیر وسایل مصرف کنندگان خواستار پیش بینی ماهیت تعمیرات مصرف کنندگان است تا همیشه ماشین های سرویس دهنه اش را مجهز نگه دارد .روش کار :پردازش داده ها – ابزارها و قطعه هایی که که در تعمیرات قبلی در مکان های متفاوت نیاز شده است – و کشف الگوهای رخدادهای مختلف .

اسلاید 16: Data Mining Software INSIGHTFUL MINERAngoss Knowledge ACCESS ARMiner Eudaptics Viscovery Goal TV MDR Viscovery SOMineSPSS

اسلاید 17: مشکلات سيستم های Data Miningدو مشکل اصلی که اکثر سيستم های Data Mining با آن مواجه هستند، عبارتند از:حجم بالای داده های آموزشیوجود عدم قطعيت در اطلاعاتبرای رفع مشکلاتی که اين سيستم ها در برخورد با داده های حجيم دارند، معمولا روشهای زير استفاده می گردند:طراحی الگوريتم های سريع: کاهش پيچيدگيها، بهينه سازی، موازی سازیکاهش حجم داده ها: نمونه گيری ، گسسته سازی، کاهش ابعاد و ...بکارگيری يک ارائه رابطه ای: استفاده از قابليتهای ذخيره و بازيابی اطلاعات در پايگاههای داده

اسلاید 18: امکانات سيستم های مديريت پايگاه داده هابرای بکارگيری امکانات سيستمهای مديريت پايگاههای داده به منظور افزودن قابليت Data Mining ، مجموعه عملياتهای زير را می توان انجام داد:بکارگيری زبان SQL و ساير اشياء پايگاههای داده برای افزودن قابليت Data Mining به سيستم مديريت پايگاه دادهطراحی و ايجاد يک زبان پرس و جو همانند SQL برای پشتيبانی از انجام فعاليتهای مختلف Data Miningتوسعه مجموعه ای از عبارات به منظور پوشش دادن مجموعه عمليات Data Mining

اسلاید 19: وجود عدم قطعيت در اطلاعاتداده هاي عملياتی موجود در سيستم های اطلاعاتی معمولا دارای عدم قطعيت هستند. عدم قطعيت می تواند به اشکال مختلفی در پايگاههای داده ظهور کند.بطور کلی عدم قطعيت در سيستمهای پايگاه داده به دو دسته تقسيم می شوند:اطلاعات ناکامل (مقادير نامشخص): منظور خصيصه هايی است که مقداری برای آنها ثبت نشده است.اطلاعات ناسازگار: اطلاعاتی که در اثر اندازه گيری نادرست يا بوجود آمدن نويز در داده ها ايجاد شده باشد و مقادير ثبت شده با مقادير واقعی برابر نباشند.

اسلاید 20: سوال ؟؟؟با تشکر از تمام دوستانی که با من همراه بودند