هاست فایل

الگوریتم های خوشه بندی در شبکه های حسگر بی سیم

عنوان تحقیق: الگوریتم های خوشه بندی در شبکه های حسگر بی سیم

فرمت فایل: word

تعداد صفحات: 133

شرح مختصر:

شبکه های حسگر بی سیم شامل تعدا زیادی از سنسورهای کوچک است که که می توانند یک ابزار قوی برای جمع آوری داده در انواع محیط های داده ای متنوع باشند. داده های جمع آوری شده توسط هر حسگر به ایستگاه اصلی منتقل می شود تا به کاربر نهایی ارائه می شود. یکی از عمده ترین چالشها در این نوع شبکه ها، محدودیت مصرف انرژی است که مستقیما طول عمر شبکه حسگر را تحت تأثیر قرار میدهد ، خوشه بندی بعنوان یکی از روشهای شناخته شده ای است که بطور گسترده برای مواجه شدن با این چالش مورد استفاده قرار میگیرد.

خوشه بندی به شبکه های حسگر بی سیم معرفی شده است چرا که طبق آزمایشات انجام شده ،روشی موثر برای ارائه ی بهتر تجمع داده ها و مقیاس پذیری برای شبکه های حسگر بی سیم بزرگ است. خوشه بندی همچنین منابع انرژی محدود حسگرها را محافظت کرده و باعث صرفه جویی در مصرف انرژی می شود.

فهرست مطالب

چکیده1

مقدمه. 2

فصل اول :شبکه ی حسگر بی سیم. 3

مقدمه. 4

بررسی اجمالی مسائل کلیدی.. 6

انواع شبکه حسگر بی سیم. 11

ساختارهای شبکه حسگر بی سیم. 14

ویژگی‌های سخت‌افزاری:17

کاربردهای شبکه ی حسگر بی سیم. 20

عوامل موثر بر شبکه ی حسگر بی سیم. 26

پشته پروتکلی.. 33

نتیجه گیری بخش... 38

فصل دوم :انواع الگوریتم های خوشه بندی.. 39

مقدمه. 40

بررسی کلی خوشه بندی.. 40

الگوریتم های خوشه بندی سلسله مراتبی.. 40

الگوریتم های خوشه بندی طیفی.. 41

الگوریتم های خوشه بندی مبتنی بر شبکه ی گرید. 42

الگوریتم خوشه بندی مبتنی بر تراکم. 43

الگوریتم های خوشه بندی پارتیشن بندی.. 43

الگوریتم خوشه بندی ژنتیک k-means برای ترکیب مجموعه داده های عددی و قاطعانه. 44

الگوریتم مقیاس.......45

الگوریتم k-means هماهنگ.. 46

مقداردهی k-means با استفاده از الگوریتم ژنتیک.. 47

رویکرد مجموع خوشه ها برای داده های ترکیبی............48

الگوریتم تکاملی ترکیبی.......49

اصلاح جهانی الگوریتم k-means 50

الگوریتم ژنتیک k-means سریع. 50

نتیجه گیری بخش... 52

فصل سوم :الگوریتم های خوشه بندی در شبکه ی حسگر بی سیم. 53

مقدمه. 54

چالش ها در الگوریتم های خوشه بندی در شبکه ی حسگر بی سیم. 56

فرآیند خوشه بندی.. 58

پروتکل های خوشه بندی موجود. 59

الگوریتم های ابداعی......59

طرح های وزنی.......60

طرح های شبکه ی گرید. 62

طرح های سلسله مراتبی و دیگر طرح ها......64

الگوریتم های خوشه بندی در شبکه های حسگر بی سیم ناهمگون. 73

مدل ناهمگون برای شبکه های حسگر بی سیم......73

طبقه بندی ویژگی های خوشه بندی در شبکه های حسگر بی سیم ناهمگون......75

الگوریتم خوشه بندی برای شبکه های حسگر بی سیم ناهمگون......77

نتیجه گیری بخش... 92

فصل چهارم:بررسی دو الگوریتم خوشه بندی EECS و A-LEACH.. 93

مقدمه. 94

EECS.. 95

نمای کلی مشکلات.. 95

جزئیات EECS. 97

تحلیل EECS. 103

شبیه سازی.. 107

رویکردهای آینده112

A-LEACH.. 113

آثار مربوطه. 113

تجزیه و تحلیل انرژی پروتکل ها115

A-LEACH.. 115

شبیه سازی.. 118

رویکردهای آینده و نتیجه گیری 122

نتیجه گیری.. 123

فهرست اشکال

شکل .1 . طبقه بندی موضوعات مختلف در شبکه ی حسگر بی سیم. 8

شکل .2. ساختار کلی شبکه ی حسگر بی سیم. 16

شکل. 3. ساختار خودکار16

شکل. 4. ساختار نیمه خودکار17

شکل. 5.ساختار داخلی گره ی حسگر. 18

شکل 6. پشته ی پروتکلی.. 34

شکل 7 . نمونه ای از الگوریتم GROUP. 63

شکل .8 . الف )ساختار شبکه ب)شبکه بعد از چند دور78

شکل 9. الف) ساختار شبکه ب) خوشه بندی EDFCM.. 85

شکل 10. سلسله مراتب خوشه در زمینه ی سنجش... 87

شکل 11. دیاگرام شماتیک از مناطق در اندازه های مختلف.. 89

شکل .12. تاثیر هزینه ی سرخوشه ی موردنظر. 102

شکل. 13. پدیده ی شیب در شبکه. 105

شکل.14. الف : توزیع غیر یکنواخت ب : توزیع یکنواخت.. 107

شکل. 15. الف: صحنه ی معمولی ب: صحنه ی بزرگ 108

شکل .16. الف : صحنه ی معمولی ب: صحنه ی بزرگ 109

شکل. 17. الف : صحنه ی معمولی ب: صحنه ی بزرگ.. 110

شکل.18. تعداد خوشه ها در هر دور در EECSو LEACH(صحنه ی 1)111

شکل. 19.الف : صحنه ی معمولی ب : صحنه ی بزرگ.. 112

شکل .20. مدل شبکه ای A-LEACH.. 118

شکل 21. شبکه ی حسگر بی سیم با مدل A-LEACH.. 119

شکل .22. طول منطقه ی ثبات برای مقادیر مختلف ناهمگونی.. 120

شکل 23. تعداد گره های زنده نسبت با دور با m=0.1 و a=1. 120

شکل .24. تعداد گره های زنده نسبت به دور با m=0.3 و a=1. 121

شکل. 25. تعداد گره های زنده نسبت به دور با m=0.5 وa=1. 121

فهرست جداول

جدول 1 .مقایسه ی الگوریتم های خوشه بندی طرح سلسله مراتبی.. 72

جدول.2. مقایسه ی الگوریتم های خوشه بندی.. 91

جدول.3. مفهوم نمادها98

جدول .4 . توصیف حالات یا پیغام ها98

جدول 5 . پارامترهای شبیه سازی.. 107

برای خرید و دانلود اینجا کلیک کنید

الگوریتم خوشه بندی شبکه های حسگر بیسیم خوشه بندی الگوریتم الگوریتم ژنتیک شبکه بی سیم

سجاد سه‌شنبه 8 تیر 1395 ساعت 05:19

0 نظر

بررسی ومطالعه ی کامل داده کاوی و داده کاوی با SQL SERVER2005

پیاده سازی آن روی بانک اطلاعاتی دانشگاه آزاد قوچان

چکیده

داده کاوی یکی از مهمترین روش ها ی کشف دانش است که به وسیله آن الگوهای مفید در داده ها با حداقل دخالت کاربران شناخته می شوند و اطلاعاتی را در اختیار کاربران و تحلیل گران قرار می دهند تا براساس آنها تصمیمات مهم و حیاتی در سازمانها اتخاذ شوند.داده کاوی را تحلیل گران با اهداف گوناگونی از قبیل کلاس بندی, پیش بینی, خوشه بندی ,تخمین انجام می دهند. برای کلاس بندی, مدل هاو الگوریتم هایی مانند قاعده ی بیز, درخت تصمیم, شبکه ی عصبی, الگوریتم ژنتیک مطرح شده است.برای پیش بینی مدل رگرسیون خطی ومنطقی و برای خوشه بندی الگوریتم های سلسله مراتبی و تفکیکی, وبرای تخمین مدل های درخت تصمیم و شبکه ی عصبی مطرح می شود. در فصل دوم و سوم با الگوریتم ژنتیک که یکی از الگوریتم های داده کاوی و با شبکه ی عصبی که یکی از مدل های داده کاوی هستند آشنا می شویم .درفصل چهارم به محاسبات نرم و برخی از اجزای اصلی ان و نقش آنها در داده کاوی می پردازیم.

در فصل پنجم با ابزارهای داده کاوی آشنا می شویم . برای داده کاوی ابزارهای متنوعی وجود دارد. می توان ابزارداده کاوی را با تطبیق آن ابزار با داده های مسئله و با توجه به محیط داده ای که می خواهید از آن استفاده کنید، و امکاناتی که آن ابزار دارد انتخاب کنید.وسپس به داده کاوی با SQLSERVER2005 می پردازیم .ودرفصل ششم به داده کاوی با SQL SERVER2005 روی بانک اطلاعاتی دانشگاه آزاد قوچان پرداختیم.

کلمات کلیدی ،کلاس بندی ، خوشه بندی ، پیش بینی ، تخمین

مقدمه

امروزه با گسترش سیستم های پایگاهی و حجم بالای داده ها ی ذخیره شده در این سیستم ها ، نیاز به ابزاری است تا بتوان داده های ذخیره شده را پردازش کرد و اطلاعات حاصل از این پردازش را در اختیار کاربران قرار داد .با استفاده از ابزارهای گوناگون گزارش گیری معمولی ، می توان اطلاعاتی را در اختیار کاربران قرار داد تا بتوانند به نتیجه گیری در مورد داده ها و روابط منطقی میان آنها بپردازند اما وقتی که حجم داده ها خیلی بالا باشد ، کاربران هر چند زبر دست و با تجربه باشند نمی توانند الگوهای مفید را در میان حجم انبوه داده ها تشخیص دهند و یا اگر قادر به این کار هم با شوند ، هزینه عملیات از نظر نیروی انسانی و مادی بسیار بالا است .از سوی دیگر کاربران معمولا فرضیه ای را مطرح می کنند و سپس بر اساس گزارشات مشاهده شده به اثبات یا رد فرضیه می پردازند ، در حالی که امروزه نیاز به روشهایی است که اصطلاحا به کشف دانش بپردازند یعنی با کمترین دخالت کاربر و به صورت خودکار الگوها و رابطه های منطقی را بیان نمایند .

داده کاوی یکی از مهمترین این روش ها است که به وسیله آن الگوهای مفید در داده ها با حداقل دخالت کاربران شناخته می شوند و اطلاعاتی را در اختیار کاربران و تحلیل گران قرار می دهند تا براساس آنها تصمیمات مهم و حیاتی در سازمانها اتخاذ شوند .

تعداد صفحات 217 word

* چکیده

* فصــل اول- مقدمه ای بر داده کاوی

* 1-1-مقدمه

* 1-2-عامل مسبب پیدایش داده کاوی

* 1-3-داده کاوی و مفهوماکتشاف دانش(KDD)

* 1-3-1-تعریف داده کاوی

* 1-3-2- فرآیند داده‌کاوی

* 1-3-3-قابلیت های داده کاوی

* 1-3-4-چه نوع داده‌هایی مورد کاوش قرار می گیرند؟

* 1-4- وظایف داده کاوی

* 1-1-4-کلاس بندی

* 1-4-2- مراحل یک الگوریتم کلاس‌بندی

* 1-4-3-انواع روش‌های کلاس‌بندی

* 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 درخت‌های تصمیم

* 1-4-3-1-4- نحوه‌ی 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- الگوریتم‌های ژنتیک در فصل دو با آن آشنا می شویم

* 1-4-3-5-شبکه‌های عصبی

* 1-4-4- ارزیابی روش‌های کلاس‌بندی

* -2-4-1پیش بینی

* 1-4-3-انواع روش‌های 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 خوشه‌بندی

* 1-4-3-2-کیفیت خوشه‌بندی

* 1-4-3-3-روش ها و الگوریتم‌های خوشه‌بندی

* 1-4-3-3-1-روش های سلسله‌مراتبی

* 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-الگوریتم‌های تفکیک

* 1-4-3-3-3-روش‌های متکی برچگالی

* 1-4-3-3-4-روش‌های متکی بر گرید

* 1-4-3-3-5-روش‌‌های متکی بر مدل

* 1-4-4- تخمین

* 1-4-4-1- درخت تصمیم

* 1-4-4-2- شبکه ی 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-اصولالگوریتمژنتیک

* 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 شبکه‌های 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 مجموعههای فازی در دادهکاوی

* 4-2-3-1- خوشه بندی

* 4-2-3-2- خلاصه سازی دادهها

* 4-2-3-3- تصویر کاوی

* 4-2-4- الگوریتمژنتیک

* 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 ی 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- ایجادData 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 دادهکاوی با SQL SERVER2005روی 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 وماخذ

برای خرید و دانلود اینجا کلیک کنید

خوشه بندی مدل ریاضی نرون مطالعه ی کامل داده کاوی داده کاوی SQL SERVER2005 پیدایش داده کاوی الگوریتم کلاس‌بندی تئوری بیز الگوریتم‌های ژنتیک شبکه‌های عصبی

سجاد یکشنبه 30 خرداد 1395 ساعت 11:15

0 نظر

پایان نامه داده کاوی و کاربرد آن در تشخیص بیماری

دسته: مهندسی فناوری اطلاعات, مهندسی کامپیوتر

عنوان پایان نامه : پایان نامه داده کاوی و کاربرد آن در تشخیص بیماری

قالب بندی : PDF

قیمت: 2800 تومان

فهرست :

فصل اول

مقدمه

شرح و بیان مسئله

هدف تحقیق

اهمیت و کاربرد نتایج تحقیق

محدودیت

تعریف عملیاتی واژگان

فصل دوم : مفاهیم داده کاوی

تاریخچه

موضوع داده کاوی چیست؟

تعاریف داده کاوی

تفاوت داده کاوی و آنالیزهای آماری

کاربرد های داده کاوی

چند مثال در مورد مفهوم داده کاوی

مراحل داده کاوی

مرحله اول: Business Understanding

مرحله دوم: Data Understanding

جمع آوری داده ها

بحث شرح و توصیف داده ها

مرحله سوم: Data Preparation

Data selecting :انتخاب داده

مرحله چهارم: Modelling

مرحله پنجم: Evaluation

مرحله ششم: Deployment

مفاهیم اساسی در داده کاوی

Bagging

Boosting

MetaLearning

عناصر داده کاوی

تکنیک های داده کاوی

دسته بندی

خوشه بندی

رگرسیون گیری

تجمع وهمبستگی

درخت تصمیم گیری

الگوریتم ژنتیک

شبکه های عصبی مصنوعی

گام نهایی فرآیند داده کاوی،گزارش دادن است

تکنولوژی های مرتبط با داده کاوی

انبار داده

OLAP

محدودیت ها

فصل سوم : کاربرد داده کاوی در پزشکی

داده کاوی در عرصه سلامت

استراتژی های داده کاوی

نمونه هایی از کاربرد داده کاوی در سلامت

شرح مختصر:

امروزه در دانش پزشکی جمع آوری داده های فراوان در مورد بیماری های مختلف از اهمیت فراوانی برخوردار است. مراکز پزشکی با مقاصد گوناگونی به جمع آوری این داده ها می پردازند . تحقیق روی این داده ها و به دست آوردن نتایج و الگوهای مفید در رابطه با بیماری ها ،یکی از اهداف استفاده از این داده ها است . حجم زیاد این داده ها و سردرگمی حاصل از آن مشکلی است که مانع رسیدن به نتایج قابل توجه می شود . بنابراین از داده کاوی برای غلبه بر این مشکل و به دست آوردن روابط مفید بین عوامل خطر زا در بیماری ها استفاده می شود. این مقاله به معرفی داده کاوی وکاربردآن در صنعت پزشکی (پیش بینی بیماری) با استفاده از الگوریتم های داده کاوی به همراه نرم افزارهای مرتبط با آن پرداخته است.

برای خرید و دانلود اینجا کلیک کنید

فناوری اطلاعات داده کاوی تشخیص بیماری آنالیز آماری تکنیک های داده کاوی خوشه بندی رگرسیون گیری درخت تصمیم گیری الگوریتم ژنتیک شبکه عصبی مصنوعی

سجاد سه‌شنبه 25 خرداد 1395 ساعت 04:04

0 نظر

داده کاوی و مدیریت ارتباط با مشتری در بانکداری

عنوان پایان نامه: داده کاوی و مدیریت ارتباط با مشتری در بانکداری

فرمت فایل: word

تعداد صفحات: 138

شرح مختصر:

رقابتهای جهانی، بازارهای پویا و چرخههای نوآوری و فناوری که به سرعت در حال کوتاه شدن هستند همگی چالشهای مهمی را برای صنعت مالی و بانکداری ایجاد کرده اند و نیاز به استفاده از سیستمهای پشتیبان از تصمیم جهت بهبود فرآیندهای تصمیمگیری در این سازمانها بیش از پیش اهمیت پیدا کرده است. در این میان داده هایی که در پایگاههای اطلاعاتی این سازمانها نگهداری میشوند به عنوان منابع ارزشمند اطلاعات و دانش موردنیاز جهت تصمیمگیریهای سازمانی مطرح میباشند.

امروزه بانکها از پایگاههای اطلاعاتی متعدد و گستردهای برخوردار هستند که حاوی اطلاعات مربوط به مبادلات و جزئیات دیگر مربوط به مشتریانشان است. اطلاعات ارزشمند تجاری از درون همین ذخایر دادهای قابل بازیابی هستند. اما پشتیبانی از این دست تحلیلها و تصمیم گیری با استفاده از زبانهای گزارشگیری سنتی امکانپذیر نخواهد بود. روشهای سنتی آماری نیز از ظرفیت کافی در تحلیل این داده ها برخوردار نیستند و لذا متدولوژیهای مدرن داده کاوی و ابزارهای مربوط به آن در فرآیندهای تصمیمگیری نه فقط در بانکها و نهادهای مالی بلکه در دیگر صنایع نیز بیش از پیش بکار گرفته میشوند.

داده کاوی به نوبه خود در راستای حل مسائل موجود در کسب و کار در صنعت بانکداری و مالی آن هم به واسطه یافتن الگوها، روابط علی و معلولی و روابط حاکم در قیمتهای بازار و اطلاعات کسب و کار و مشتریان به کار میرود. از موارد کاربرد دادهکاوی در صنعت بانکداری میتوان به موارد زیر اشاره کرد:

1. طراحی مکانیزمهایی برای مدیریت ارتباط با مشتری از طریق بخشبندی مشتریان و استخراج قواعد رفتاری آنها جهت هدایت فعالیتهای بازاریابی بانک.

2. مدلسازی پاسخ بازار به تصمیمات کلان بانک و شناسایی اثر هریک از سیاستهای بازاریابی بر تقاضا و امکان شبیهسازی تعاملی سیاستها و تصمیمات بازاریابی قبل از اجرا.

3. ارزیابی ریسک اعتبار مشتریان متقاضی وام.

4. محاسبه کارایی شعب با ترکیب مدلهای تحلیل پوششی داده ها و داده کاوی.

5. پیشبینی سریهای زمانی مالی و کشف تقلب و سوء استفاده های مالی.

بکارگیری داده کاوی میتواند ارزش افزوده فراوانی را برای بانکها حاصل نماید. تحقیقات گستردهای که در این حوزه در کشورهای مختلف صورت گرفته به توسعه سیستمهای پشتیبان از تصمیم سودمندی انجامیده است که منافع فراوانی را عاید بانکها نموده است.

علیرغم حجم انبوه تحقیقات و پژوهشهایی که در کشورهای پیشرفته در زمینه توسعه و بکارگیری تکنیکهای دادهکاوی در صنعت بانکداری به عمل آمده و نتیجه آن بهبود فرایندهای بانکی بوده است، زمینه های بالقوه بسیاری در بکارگیری این دانش در بانکها و موسسات مالی کشورمان وجود دارد. بنابراین زمینهسازی جهت آشنایی کارشناسان و متخصصین امور بانکی با تکنیکهای داده کاوی و کاربردهای آن و همچنین برگزاری دورههای آموزشی در این زمینه و بکارگیری عملی این علم در بانکها و سایر مؤسسات مالی کشور از اهمیت بسزایی برخوردار است.

فهرست مطالب

مقدمه		1
فصل اول		3
	مقدمه	4
	فرایند کشف دانش و داده کاوی	9
	معرفی برخی از روش های داده کاوی	14
	تحلیل انحراف	15
	نمایه سازی	17
	قوانین وابستگی	18
	تحلیل توالی	22
	خوشه بندی	24
	دسته بندی	29
	پیش بینی	32
فصل دوم		34
	مقدمه	35
	داده کاوی در بازاریابی	37
	مدیریت ارتباط با مشتری	40
	مراقبت از مشتری	47
	داده کاوی و تحلیل رویگردانی مشتریان	49
	داده کاوی و پیش بینی عملکرد بانک	70
	داده کاوی در ارزیابی اعتبار مشتریان بانک	74
	کاربرد داده کاوی در ارزیابی عملکرد بانک	81
فصل سوم		86
	کاربرد داده کاوی در بخش بندی مشتریان	87
	ارزش چرخه عمر مشتری	90
	استفاده از مدلهای خوشه بندی	92
	ارائه سرویس مناسب به مشتریان	98
	رتبه بندی اعتبار متقاضیان دریافت وام	101
	رتبه بندی اعتبار با استفاده از نسبت های مالی	104
	بخش بندی دارندگان کارت های اعتباری	107
	پروژه طراحی بخش بندی رفتاری	109
	آماده سازی داده ها	111
	انتخاب جمعیت بخش بندی	112
	شاخص های کلیدی عملکرد	113
	سه گام اصلی فرایند تحلیل	116
منابع		133