داده‌کاوی ‌و کشف ‌دانش ‌در SQL SERVER

شنبه 11 خرداد 1392  12:01 ق.ظ

داده‌کاوی ‌و کشف ‌دانش ‌در SQL SERVER

ناشر: اندیشه‌سرا

نویسنده: فاطمه باقرزاده

قطع: وزیری

تعداد صفحه: 176

بها: 7000 تومان

شابك: 9786005716467

رده‌بندی دیویی: 7585/005

رده‌بندی كنگره: 2ب4س/9/76 QA


مرکز پخش: 66966925

فهرست

فصل اول

داده‌کاوی چیست؟

ضرورت داده‌کاوی برای مسائل تجاری

Classification

Clustering

Association

Regression

Forcasting

Sequence Analysis

Deviation Analysis

تکنیک‌های داده‌کاوی

جریان داده

چرخه پروژه داده‌کاوی


فرآیند داده‌کاوی

CRISP-DM

درک کسب و کار

درک اطلاعات

آماده‌سازی داده

مدل‌سازی

ارزیابی

Deployment

SEMMA

مراحل فرآیند SEMMA

داده‌کاوی و بازار آن

وسعت بازار داده‌کاوی

عرضه‌کنندگان و محصولات عمده

مسائل و چالش‌های کنونی

استانداردهای داده‌کاوی

فصل دوم

استفاده از OLE DB برای داده‌کاوی

معرفی OLE DB

چرا برای داده‌کاوی از OLE DB استفاده می‌شود؟

مفاهیم اولیه در OLE DB برای داده‌کاوی

Case

Case Key

Nested Key

Case Table و Nested Table

ستون‌های عددی و ستون‌های جدولی

مدل داده کاوی

ایجاد مدل

آموزش مدل

پیش‌بینی مدل

DMX

سه مرحله داده‌کاوی


Singleton Queries

فصل سوم

داده‌کاوی در SQL Server

معرفی Business Intelligence Development Studio

درک رابط گرافیکی کاربر

حالت آفلاین و حالت فوری

حالت فوری

نحوه‌ی کار در حالت فوری

حالت آفلاین

شروع در حالت آفلاین

ساخت اشیای داده‌کاوی

Data Source

استفاده از Data Source View

ایجاد و ویرایش مدل‌ها

ساختار‌ها و مدل‌ها

استفاده از Data Mining Wizard

استفاده از Data Mining Designer

کار با Mining Structure Editor

کار با Mining Models Editor

پردازش

استفاده از مدل‌ها

درک نماهای مدل

استفاده از Mining Accuracy Chart

ایجاد گزارش‌های داده‌کاوی

استفاده از SQL Server Management Studio

درک رابط کاربری Management Studio

استفاده از Object Explorer

فصل چهارم

Microsoft Naïve Bayes

معرفی الگوریتم Naïve Bayes

درک اصول Naïve Bayes

پارامترهای Naïve Bayes

DMX

درک محتوای Naïve Bayes

کاوش درمدل Naïve Bayes

Dependency Net

Attribute Profiles

Attribute Characteristics

Attribute Discrimination

فصل پنجم

درختان تصمیم مایکروسافت

معرفی درخت تصمیم

اصول درخت تصمیم

مفاهیم اولیه رشد درخت

طرز کار در یک متغیر با حالت‌های زیاد

اجتناب از Overtraining

در‌بر‌گرفتن دانش قبلی

انتخاب مشخصه

استفاده از ورودی‌های پیوسته

رگرسیون

آنالیز انجمنی با درخت تصمیم مایکروسافت

پارامترهای الگوریتم

استفاده از درخت تصمیم

جست‌وجوهای DMX

مدل طبقه‌بندی

مدل رگرسیون

مدل انجمن

محتوای مدل

تفسیر مدل

فصل ششم

خوشه‌بندی مایکروسافت

معرفی الگوریتم خوشه‌بندی مایکروسافت

معرفی اصول خوشه‌بندی

خوشه‌بندی سخت در مقابل خوشه‌بندی نرم

خوشه‌بندی گسسته

خوشه‌بندی توسعه پذیر

پیش‌بینی خوشه بندی

پارامترهای الگوریتم

استفاده از مدل خوشه‌بندی

خوشه‌بندی به عنوان یک گام تحلیلی

DMX

Cluster

ClusterProbability

PredictHistogram

CaseLikelihood

محتوای مدل

درک مدل‌های خوشهبندی

انجام یک بررسی سطح بالا

انتخاب یک خوشه و تعیین تفاوت آن

تعیین تفاوت یک خوشه با خوشه‌های مجاور خود

تأیید درست بودن اظهارات شما

برچسب زدن خوشه‌ها


نوشته شده توسط: بهزاد پاکروح | آخرین ویرایش:جمعه 4 مرداد 1392 | نظرات() 


شبکه اجتماعی فارسی کلوب | Buy Website Traffic | Buy Targeted Website Traffic