صفحه محصول - پاورپوینت داده کاوی

پاورپوینت داده کاوی (pptx) 40 اسلاید

دسته بندی : پاورپوینت

نوع فایل : PowerPoint (.pptx) ( قابل ویرایش و آماده پرینت )

تعداد اسلاید: 40 اسلاید

قسمتی از متن PowerPoint (.pptx) :

بنام ایزد دانا نام درس : مدیریت داده و کامپیوتر نام استاد : جناب دکتر حق شناس اسامی گروه : آقایان فرحانی – براهی – بهرامی- فاطمی نسب رشته : کارشناسی ارشد مهندسی صنایع- مدیریت سیستم و بهره وری منبع : کتاب داده کاوی جلد 2 ( DATA MINING ) موضوع : شبکه های عصبی مصنوعی تاریخچه : 1- بررسی عملکرد نورون های بیولوژیک قبل از اختراع کامپیوترهای دیجیتال( دهه های 1930و1940 ) 2- وارن مک کالچ ( متخصص اعصاب ) و والتر پیتس ( منطق دان )مدل ساده عملکرد نورون های بیولوژیک را تحت مقاله ای بنام محاسبات منطقی در فعالیت عصبی منتشر کردند. (1943 ) 3-پس از اختراع کامپیوترهای دیجیتال در دهه 1950 دانشمندان علوم پایه براساس فعالیتهای مک کالچ و پیتس مدلهایی بنام پرسپترون( Perceptron ) ایجاد کردند.( تعادل چوب قائم روی سطح متحرک) 4-بعلت ضعیف بودن کامپیوترها و نقایص نظری موفقیت محدودی در شبکه های اولیه بدست آمد.( سال 1968 دو پروفسور بنام های سایمون پاپرت و مارین مینسکی) 5- جان هاپفیلد از موسسه تکنولوژی کالیفرنیا روش پس انتشار خطا را ابداع کرد که فاقد نقایص و خطاهای اولیه بود.(1982 ) و از سطح آزمایشگاهی به سمت فعالیتهای عملی و تجاری حرکت کرد. روشی برای محاسبه است که بر پایه اتصال به هم پیوسته چندین واحد پردازشی ساخته میشود . شبکه از تعداد دلخواهی سلول یا گره یا واحد یا نرون تشکیل میشود که مجموعه ورودی را به خروجی ربط می دهند . شبکه عصبی چیست؟ Target marketing پيدا کردن الگوي خريد مشتري Cross-market analysis پيدا کردن قوانين انجمني مربوط به خريد مشتريان Customer profiling دسته بندي مشتريان براساس نوع خريد آناليز نيازهاي مشتريان تشخيص محصولات مناسب براي دسته‌هاي مختلف مشتريان تشخيص فاکتورهايي براي جذب مشتريان جديد کاربرد‌هاي داده کاوي – آناليز بازار قدرتمند ترین شبکه های عصبی ، شبکه های عصبی بیولوژیک می باشند مغز انسان به او این امکان را می دهد که از تجارب خود استفاده کرده و آنها را تعمیم دهد. شبکه ها از ارتباطات عصبی موجود در مغز انسان الهام گرفته و آنها را روی کامپیوتر های دیجیتال پیاده سازی می کنند. در واقع از مغز و نحوه کار آن بمنظور ساخت کامپیوتر الگوبرداری می نماید. الهام از طبیعت مطالعه شبکه های عصبی مصنوعی تا حد زیادی ملهم از سیستم های یادگیر طبیعی است که در آنها یک مجموعه پیچیده از نرونهای به هم متصل در کار یادگیری دخیل هستند . گمان میرود که مغز انسان از تعداد 10 11 نرون تشکیل شده باشد که هر نرون با تقریبا 10 4 نرون دیگر در ارتباط است . سرعت سوئیچنگ نرونها در حدود 10 -3 ثانیه است که در مقایسه با کامپیوترها 10 -10 ) ثانیه ( بسیار ناچیز مینماید . با این وجود آدمی قادر است در 0.1 ثانیه تصویر یک انسان را بازشناسائی نماید . این قدرت فوق العاده باید از پردازش موازی توزیع شده در تعدادی زیادی از نرونها حاصل شده باشد . نوعی از شبکه عصبی برمبنای یک واحد محاسباتی به نام پرسپترون ساخته میشود . یک پرسپترون برداری از ورودیهای با مقادیر حقیقی را گرفته و یک ترکیب خطی از این ورودیها را محاسبه میکند . اگر حاصل از یک مقدار آستانه بیشتر بود خروجی پرسپترون برابر با 1 و در غیر اینصورت معادل -1 خواهد بود . Perceptron عوامل رواج استفاده از شبکه های عصبی در دهه 1980 : قدرت محاسباتی کافی در اختیار متخصصین قرار گرفت. تحلیل گران با پی بردن به ارتباط بین شبکه های عصبی و روش های آماری ، درک بهتری نسبت به این شبکه ها پیدا کرده بودند. خودکار شدن سیستم های عملیاتی که منجر به تولید داداه های مرتبط شده بود. دانشمندان به کاربردهایی با اولویت بالاتری نسبت به هوش مصنوعی دست یافته بودند. در واقع یک رویکرد جدی در ارتباط با تولید ابزار و امکانات کلربردی ایجاد شد. کاربرد شبکه های عصبی در مسئله ارزیابی ملک: بمنظور ارزیابی خوب و سازگار و محاسبه ارزش بازار ، فردی مک ، اتحادیه شرکتهای رهن وام خانه ، محصولی بنام Loan Prospector تهیه کردکه این ارزیابی را بصورت خودکار برای تمام خانه های سرتاسر ایالات متحده انجام می داد. این شبکه عصبی از یک ارزیاب تقلید می کند که ارزش بازار ملک را براساس ویژگیهای ملک محاسبه می کند. منطقه – اتاق خواب اضافه – پارکینگ بزرگتر – سبک معماری – مساحت و فضای آزاد و ... یک مسئله خوب جهت پیش بینی و تخمین مناسب دارای سه ویژگی می باشد : ورودیهای قابل درک خروجی قابل درک وجود تجربه کافی و در دسترس