چکیده
فصل اول: مقدمه ای بر داده کاوی
1-1-مقدمه
1-2-عامل مسبب پیدایش داده کاوی
1-3-داده کاوی و مفهوم اکتشاف دانش (KDD)
1-3-1-تعریف داده کاوی
1-3-2- فرآیند داده کاوی
1-3-3-قابلیت های داده کاوی
1-3-4-چه نوع داده هایی مورد کاوش قرار می گیرند؟
1-4- وظایف داده کاوی
1-1-4-کلاس بندی
1-4-2- مراحل یک الگوریتم کلاس بندی
1-4-3-انواع روش های کلاس بندی
1-4-3-1- درخت تصمیم
1-4-3-1-1- کشف تقسیمات
1-4-3-1-2- دسته بندی با درخت تصمیم
1-4-3-1-3-انواع درخت های تصمیم
1-4-3-1-4- نحوه ی هرس کردن درخت
1-4-3-2- نزدیکترین همسایگی K
1-4-3-3-بیزی
1-4-3-3-1 تئوری بیز
1-4-3-3-2 -دسته بندی ساده بیزی
1-4-3-4- الگوریتم های ژنتیک در فصل دو با آن آشنا می شویم
1-4-3-5-شبکه های عصبی
1-4-4- ارزیابی روش های کلاس بندی
-2-4-1پیش بینی
1-4-3-انواع روش های پیش بینی
1-4-3-1- رگرسیون
1-4-3-1 -1- رگرسیون خطی
1-4-3-1-2-رگرسیون منطقی
1-4-3- خوشه بندی
1-4-3-1- تعریف فرآیند خوشه بندی
1-4-3-2-کیفیت خوشه بندی
1-4-3-3-روش ها و الگوریتم های خوشه بندی
1-4-3-3-1-روش های سلسله مراتبی
1-4-3-3-1-1- الگوریتم های سلسله مراتبی
1-4-3-3-1-1-1-الگوریتم خوشه بندی single-linkage
1-4-3-3-2-الگوریتم های تفکیک
1-4-3-3-3-روش های متکی برچگالی
1-4-3-3-4-روش های متکی بر گرید
1-4-3-3-5-روش های متکی بر مدل
1-4-4- تخمین
1-4-4-1- درخت تصمیم
1-4-4-2- شبکه عصبی
1-4-5-سری های زمانی
1-5-کاربردهای داده کاوی
1-6-قوانین انجمنی
1-6-1-کاوش قوانین انجمنی
1-6-2-اصول کاوش قوانین انجمنی
1-6-3-اصول استقرا در کاوش قوانین انجمنی
1-6-4-الگوریتم Apriori
1-7-متن کاوی
1-7-1- مقدمه
1-7-2- فرآیند متن کاوی
1-7-3- کاربردهای متن کاوی
1-7-3-1- جستجو و بازیابی
1-7-3-2-گروه بندی و طبقه بندی داده
1-7-3-3-خلاصه سازی
1-7-3-4- روابط میان مفاهیم
1-7-3-5- یافتن و تحلیل ترند ها
1-7-3-5- برچسب زدن نحوی (POS)
1-6-2-7-ایجاد تزاروس و آنتولوژی به صورت اتوماتیک
1-8-تصویر کاوی
1-9- وب کاوی
فصل دوم: الگوریتم ژنتیک
1-2-مقدمه
2-2-اصول الگوریتم ژنتیک
2-2-1-کد گذاری
2-2-1-1-روش های کد گذاری
2-2-1-1-1-کدگذاری دودویی
2-2-1-1-2-کدگذاری مقادیر
2-2-1-1-3-کدگذاری درختی
2-2-2- ارزیابی
2-2-3-انتخاب
2-2-3-1-انتخاب گردونه دوار
2-2-3-2-انتخاب رتبه ای
2-2-3-3-انتخاب حالت استوار
2-2-3-4-نخبه گزینی
2-2-4-عملگرهای تغییر
2-2-4-1-عملگر Crossover
2-2-4-2-عملگر جهش ژنتیکی
2-2-4-3-احتمالCrossover و جهش
2-2-5-کدبرداری
2-2-6-دیگر پارامترها
2-4-مزایای الگوریتم های ژنتیک
2-5- محدودیت های الگوریتم های ژنتیک
2-6-چند نمونه از کاربرد های الگوریتم های ژنتیک
2-6-1-یک مثال ساده
فصل سوم: شبکه های عصبی
3-1-چرا از شبکه های عصبی استفاده می کنیم؟
3-2-سلول عصبی
3-3-نحوه عملکرد مغز
3-4-مدل ریاضی نرون
3-5-آموزش شبکه های عصبی
3-6-کاربرد های شبکه های عصبی
فصل چهارم: محاسبات نرم
4-1-مقدمه
4-2-محاسبات نرمچیست؟
4-2-1-رابطه
4-2-2-مجموعه های فازی
4-2-2-1-توابع عضویت
4-2-2-2- عملیات اصلی
4-2-3-نقش مجموعه های فازی در داده کاوی
4-2-3-1- خوشه بندی
4-2-3-2- خلاصه سازی دادهها
4-2-3-3- تصویر کاوی
4-2-4- الگوریتم ژنتیک
4-2-5-نقش الگوریتم ژنتیک در داده کاوی
4-2-5-1- رگرسیون
4-2-5-2-قوانین انجمنی
4-3-بحث و نتیجه گیری
فصل پنجم: ابزارهای داده کاوی
5-1- نحوه انتخاب ابزارداده کاوی
5-2-1-ابزار SPSS-Clemantine
5-2-3-ابزار KXEN
5-2-4-مدل Insightful
5-2-5-مدل Affinium
5-3- چگونه می توان بهترین ابزار را انتخاب کرد؟
5-4-ابزار های داده کاوی که در 2007 استفاده شده است
5-5-داده کاوی با sqlserver 2005
5-5-1-اتصال به سرورازمنوی
5-5-2- ایجاد Data source
5-5-3- ایجاد Data source view
5-5-4- ایجاد Mining structures
5-5-5- Microsoft association rule
5-5-6- Algorithm cluster
5-5-7- Neural network
5-5-8-Modle naive-bayes
5-5-9-Microsoft Tree Viewer
5-5-10-Microsoft-Loistic-Regression
5-5-11-Microsoft-Linear-Regression
فصل ششم: نتایج داده کاوی با SQL SERVER2005 روی بانک اطلاعاتی دانشگاه آزاد قوچان
•1-6-نتایج Data Mining With Sql Server 2005 روی بانک اطلاعاتی دانشگاه آزاد قوچان
1-6-1-Microsoft association rule
1-6-2- Algorithm cluster
1-6-3- Neural network
1-6-4- Modle naive-bayes
1-6-5-Microsoft Tree Viewer
7-1-نتیجه گیری
منابع و ماخذ
بررسی تأثیر کیفیت خدمات بانکداری الکترونیک بر رضایتمندی مشتریان با استفاده از مدل ترکیبی کانو و تح