پایان نامه کاربرد داده کاوی در بررسی مسائل نیروی انسانی یک سازمان

نوع فایل: pdf

تعداد صفحات: 151

توضیحات:
پایان نامه کارشناسی ارشد کاربرد داده کاوی در بررسی مسائل نیروی انسانی یک سازمان-رابطه با کارایی، در قالب فایل pdf و در حجم 151 صفحه.

چکیده:
در این پایان نامه، به ارزیابی رابطه بین کارایی و وضعیت کارکنان شعب پرداخته شده است.
کارایی هر سازمان رابطه مستقیمی با کارکنان آن سازمان دارد. مطالعه این موضوع که مولفه های نیروی انسانی مؤثر بر کارایی کدامها هستند و میزان تأثیر آنها چقدر است، موضوعی است که در قالب یک مدل داده کاوی به آن پرداخته شده است. در این تحقیق، تأثیر شاخص های نیروی انسانی از قبیل حداقل، حداکثر و میانگین سن و سابقه کار، میزان تحصیلات، حقوق و مزایا، تعداد فرزندان، حداقل، حداکثر و میانگین نمره ارزشیابی و ... بر کارایی شعب، مطالعه شده است. از آنجا که داده های پرسنل و کارایی شعب به صورت نسبتاً دقیق و کامپیوتری موجود است، برای یافتن رابطه بین شاخصهای نیروی انسانی و کارایی شعب، از داده کاوی استفاده شده است. داده کاوی، فرآیند کشف الگوها و روابط پنهان موجود بین داده ها است. داده های یک بانک به عنوان مطالعه موردی استفاده شده است. این تحقیق در سه فاز انجام شده است. فاز اول در سطح شعب مدیریت منطقه 6 تهران، فاز دوم به تفکیک درجه شعب و در سطح کل شعب تهران، و فاز سوم به تفکیک درجه شعب در سطح کل ایران انجام شد.
یافته های تحقیق نشان می دهد که الگوهای خاصی متناسب با درجه شعبه وجود دارد. در هر فاز با توجه به حجم داده ها، ابزارها و شاخص های موجود از ابزارهای مناسب استفاده و قواعد مناسب شناسایی شد. علاوه بر آن، در فاز سوم بر اساس مدل های بدست آمده، در هر شعبه تحلیل حساسیت انجام شد و شاخص های مؤثر بر کارایی شناسایی شد. برخی از قواعد کلی این تحقیق عبارتند از:

-    حداقل سن در شعب درجه 1، با کارایی رابطه مستقیم و در بقیه شعب رابطه یکنواخت دارد.
-    تعداد پرسنل با کارایی در شعب درجه 2 رابطه مستقیم و در شعب درجه 4 رابطه معکوس دارد.

فهرست مطالب:

فصل اول: کلیات

مقدمه

بیان مسئله

مفروضات مسئله

اهمیت موضوع تحقیق

اهداف تحقیق

قلمرو تحقیق

روش تحقیق

محدودیتهای تحقیق

فصل دوم: مرور ادبیات

داده کاوی

انبار داده ها

متاداده

دانش دامنه

فرآیند کشف دانش

مقدمات داده کاوی

روشهای داده کاوی

تکنیک های داده کاوی

طبقه بندی

خوشه یابی

مصورسازی داده ها

درخت تصمیم گیری

شبکه های عصبی

کاربردهای شبکه های عصبی

ساختار و انواع شبکه های عصبی مصنوعی

انواع یادگیری در شبکه های عصبی

انتشار به عقب

قواعد جمعی

تحلیل همبستگی

تحلیل عاملی

کاربردهای داده کاوی

کاربرد داده کاوی در مسائل نیروی انسانی سازمانها

تحلیل پوششی داده ها

نتیجه گیری

فصل سوم: مدل سازی

مقدمه

مراحل داده کاوی

شناخت دامنه مورد مطالعه

انتخاب داده ها

پاکسازی و پردازش اولیه

کشف الگوها

کشف دانش

نتیجه گیری

فصل چهارم: تحلیل ها

مقدمه

اعتبار

اصطلاحات

تکنیک های داده کاوی

درخت تصمیم گیری

خوشه یابی

مصورسازی و ضرایب همبستگی

شبکه عصبی

شبکه عصبی برای مدلسازی شاخصهای نیروی انسانی و کارایی

تحلیل توالی

سیستم پشتیبان تصمیم

نتایج

نتایج فاز اول

نتایج فاز دوم

نتایج فاز سوم

نتیجه گیری

فصل پنجم: یافته های تحقیق

مقدمه

رابطه کارایی با وضعیت پرسنل

عدم اعتبار فرمهای ارزشیابی

سیستمهای پشتیبان تصمیم

داده کاوی و مهندسی صنایع

داده کاوی در بانک

فصل ششم: نتیجه گیری و پیشنهادها

نتایج تحقیق

پیشنهاد برای تحقیقات آتی

پیشنهادهای کلی

مراجع

پایان نامه روش های دسته بندی جریان داده

چکیده

 حجم بزرگ داده ها به تنهایی به مدیران سازمان ها در تصمیم سازی و تصمیم گیری هیچ کمکی نمی کند، بلکه باعث سردرگمی مدیران سازمان ها نیز می شود.بنابراین مدیریت داده های خام و تبدیل داده های خارجی و داخلی سازمان به اطلاعات و دانش با استفاده از تکنیک های گوناگون،نقش اساسی و محوری دارد.از تکنیک های معروف در این زمینه داده کاوی است،که می تواند بر روی بانک اطلاعاتی انجام شود و دانش مورد نیاز را بدست آورد.در فصل اول به بررسی این مفهوم پرداختیم. کاوش خوشه ها نیز یکی از تکنیک های حائز اهمیت در زمینه رو به رشد،معروف به داده کاوی اکتشافی می باشد که در رشته های گوناگون مهندسی و علمی از قبیل زیست شناسی،روان شناسی،پزشکی،بازاریابی،کامپیوتر و نقشه برداری ماهواره ای به کار گرفته شده است. این مفهوم در فصل های سوم و چهارم دنبال شده است.در فصل سوم به یکی از الگوریتم های خوشه بندی به نام CStree پرداخته شده و نقاط ضعف این الگوریتم نیز مطرح شده است .تحلیل خوشه ها،اطلاعات را بوسیله یک ساختار اساسی مختصر بدو شکل گروه بندی تنها یا گروه بندی سلسله مراتبی سازماندهی می نماید.خوشه بندی ،ابزاری برای اکتشاف ساختارهایی از درون داده هاست که نیاز به هیچ فرضی از آنها نیست.این روش در هوش مصنوعی و شناسایی الگو،یادگیری بدون ناظر نامیده می شود.الگوریتم های خوشه بندی گوناگونی برای استخراج دانش از درون مجموعه اطلاعات مختلف وجود دارد.اما عموما این الگوریتم ها حساس به داده های مورد آزمایش و برخی پارامترهای اولیه می باشند،لذا نتایج حاصل از آنها وابسته به ساختار داده ها می باشد.تاکنون الگوریتمی ارائه نشده است که بتواند هر گونه ساختار داده ای را استخراج نماید. یکی دیگر از پدیده های نوظهور در دنیای اطلاعات،داده های جریانی می باشند.این پدیده که در فصل چهارم مطرح شده است،اشاره به حجم وسیعی از اطلاعات انباشته شده دارد که محدودیت های فراوانی برای پردازش ایجاد کرده اند.اندازه این داده ها بیش از حافظه اصلی،یکی از این موانع می باشد.لذا می بایست الگوریتم های جدیدی برای برخورد با این گونه داده ها توسعه یابند

پنهان سازی چیست؟

پنهان سازی معادل فارسی واژه ی استگانوگرافی است که در اصل کلمه‌ای یونانی بوده و از دو کلمه Steganos به معنای "پنهان کردن" و Graphy به معنای" نوشتن" تشکیل شده است. ترجمه کلمه به کلمه این لغت "نوشته مخفی" است که البته برداشت این معنی از استگانوگرافی چندان متداول نیست و بیشتر به مفهوم پنهان سازی اطلاعات در یک رسانه به عنوان پوشش بکار می رود؛ به گونه ای که توسط اشخاص غیرمجاز قابل تشخیص نباشد.

به طور کلی موضوعاتی که پنهان سازی اطلاعات دربرگیرنده انها می باشد عبارتند از:

1-    موارد مربوط به حق مالکیت تولیدات نرم افزاری والکترونیکی شامل واترمارکینگ و اثر انگشت که جنبه تجاری از این علم هستند .

2-    استفاده از پنهان سازی در ارسال و دریافت پیام به صورت غیر محسوس]احمد 83[.

توجه به پنهان سازی اطلاعات از هر دو جنبه بالا دارای اهمیت است. چرا که با فراهم شدن زمینه های فناوری اطلاعات در کشور، لزوم استفاده از قانون حق تکثیر و حفظ حقوق مربوط به مالکیت محصولات نرم افزاری و تولیدات الکترونیکی اعم از موسیقی، اثار هنری ، کتاب های الکترونیکی وغیره، شناخت و استفاده از این علم را ایجاب می کند. همچنین پنهان سازی در ترکیب با رمزنگاری قدرت بسیار بالایی را درمقابل حملات مختلف پدید می اورد .شناخت پنهان سازی از جنبه های کنترلی برای پلیس اینترنتی جهت جلوگیری و شناخت معبری برای ارتباطات غیرمجاز و مشکوک نیز دارای اهمیت است

تعداد صفحات 112 word

فهرست مطالب

تقدیم به: 3

تقدیر و تشکر. 4

فصل اول مقدمه ای بر داده کاوی. 1

1-1 مقدمه 2

1-2عامل مسبب پیدایش داده کاوی. 2

1-3داده کاوی و مفهوم اکتشاف دانش (K.D.D) 3

1-3-1 تعریف داده کاوی. 5

2-3-1 فرایند داده‌کاوی. 6

1-3-3 قابلیتهای داده کاوی. 7

4-3-1 چه نوع داده‌هایی مورد کاوش قرار می گیرند؟ 8

4-1 وظایف داده کاوی. 9

1-4-1 کلاس بندی. 10

2-4-1 مراحل یک الگوریتم کلاس‌بندی. 11

3-4-1 انواع روش‌های کلاس‌بندی. 11

1-3-4-1 درخت تصمیم. 12

1-1-3-4-1 کشف تقسیمات.. 13

2-1-3-4-1 دسته بندی با درخت تصمیم. 15

3-1-3-4-1 انواع درخت‌های تصمیم. 17

4-1-3-4-1 نحوه‌ی هرس کردن درخت.. 17

2-3-4-1 بیزی. 18

1-2-3-4-1 تئوری بیز. 20

2-2-3-4-1 دسته بندی ساده بیزی. 22

4-4-1 ارزیابی روش‌های کلاس‌بندی. 28

4-1-6 انواع روش‌های پیش بینی. 29

1-4-6-1 رگرسیون. 29

1-4-6-1-1 رگرسیون خطی. 29

1-4-6-1-2 رگرسیون منطقی. 31

1-4-7 تخمین. 32

فصل دوم خوشه بندی. 34

2 1-تعریف فرایند خوشه‌بندی. 35

2-2 روش ها و الگوریتم‌های خوشه‌بندی. 36

2-3 روش و الگوریتم سلسله مراتبی. 37

2 3-1-روش های سلسله‌مراتبی. 37

2 3-2-الگوریتم های سلسله مراتبی. 38

2-3-3- الگوریتم خوشه بندی single-linkage. 39

2 3-4-الگوریتم‌های تفکیک... 45

3-5-2روش‌های متکی برچگالی. 46

3-7-2 روش‌‌های متکی بر مدل. 47

فصل سوم خوشه بندی CS tree. 48

3-1مقدمه 49

3-2 مروری بر روش های خوشه بندی جریان داده 50

3-3 خوشه بندی توری جریان داده 52

3-1-3 مروری بر روش خوشه بندی توری CS tree. 53

3-2- 3 بررسی نقاط ضعف الگوریتم CS tree. 56

3-4 الگوریتم پیشنهادی. 60

3-1-4 بازتعریف مفهوم همسایگی و رفع مشکل تقسیم بی معنی خوشه ها 63

3-5 اصلاح روند بروز رسانی خوشه ها 66

3-6 اصلاح ساختار نمایش خوشه ها 67

فصل چهارم جریان داده و مدل های ان. 69

4-1 مقدمه 70

4-2 کاربردهای داده های جریانی. 71

4-2-1 شبکه های حسگر. 71

4-2-2 تحلیل ترافیک شبکه 72

4-2-3 محرک های مالی. 73

4-2-4 تحلیل تراکنش ها 73

4-3 مدل داده های جریانی. 74

4-4 زیربنای نظری. 75

4-4-1 تکنیک های مبتنی بر داده 76

4-4-1-1 نمونه برداری. 76

4-4-1-2 پراکنده ساختن بار 77

4-4-1-3 طراحی اولیه 77

4-4-1-4 ساختمان داده خلاصه 78

4-4-1-5 انبوه سازی. 78

4-4-2 تکنیک های مبتنی بر وظیفه 78

4-4-2-1 الگوریتم های تخمین. 79

4-4-2-2 الگوریتم های مبتنی بر پنجره 79

4-4-2-3 الگوریتم های دانه دانه سازی نتایج. 80

4-5 خوشه بندی داده های جریانی. 80

4-5-1 بهبود روش های سنتی. 81

4-5-1-1 الگوریتم CLARANS. 82

4-5-1-2 الگوریتم BIRCH.. 84

4-5-2 ظهور تکنیک های جدید. 87

4-5-2-1 الگوریتم مبتنی بر چگالی DBSCAN.. 87

4-5-2-2 الگوریتم مبتنی بر گریدSTING.. 90

4-6 بحث در مورد الگوریتم ها 93

4-6-1 ایا توسعه روش های سنتی درست است؟ 93

4-6-2 روش های جدید چه پیشنهاداتی دارند؟ 94

منابع. 96

فهرست اشکال

شکل 1-1 فرآینده داده کاوی.. 7

شکل1-2 نمونه یک درخت تصمیم.. 13

شکل 1-3 یک تقسیم بندی خوب ، درجه خلوص را برای فرزندان افزایش می دهد. 15

 شکل 3-1 تقسیم خوشه های با معنی به زیر خوشه های بی معنی.. 58

 شکل3-2 خطاهای روش Cs tree در ترکیب خوشه های یک بعدی و ایجاد خوشه های چند بعدی- قسمت A خطا در تعداد خوشه ها ، قسمت B خطا در شکل خوشه ها، قسمت C خطا در مرز خوشه ها 59

 شکل3 -3  روی هم افتادگی خوشه ها در بروز رسانی به روش Cs tree. 60

شکل 4-2  الگوریتم خوشه بندی CLARA.. 82

شکل 4-3  الگوریتم خوشه بندی CLARANS . 84

شکل 4-4  الگوریتم خوشه بندی BIRCH.. 86

  شکل 4-6 الگوریتم خوشه بندی.STING.. 92

تحقیق جالب درباره ی داده کاوی و کشف قوانین وابستگی

با افزایش سیستمهای کامپیوتر و گسترش تکنولوژی اطلاعات , بحث اصلی در علم کامپیوتر از چگونگی جمع آوری اطلاعات به نحوه استفاده از اطلاعات منتقل شده است . سیستمهای داده کاوی ,این امکان را به کاربر می دهند که بتواند انبوه داده های جمع آوری شده را تفسیر کنند و دانش نهفته در آن را استخراج نمایند .

داده کاوی به هر نوع کشف دانش و یا الگوی پنهان در پایگاه داده ها اطلاق می شود . امروزه داده کاوی به عنوان یکی از مهمترین مسائل هوش مصنوعی و پایگاه داده ، محققان بسیاری را به خود جذب کرده است . در این تحقیق ابتدا نگاه کلی بر داده کاوی ، استراتژیهای داده کاوی و... داریم ، سپس مسأله کشف قوانین وابستگی در پایگاه داده را به تفضیل بررسی کردیم و نگاهی به الگوریتمهای موجود برای آن داشتیم . سپس مسأله کشف قوانین وابستگی در پایگاه داده های پویا را مورد بحث قرار دادیم و الگوریتم های ارائه شده مربوطه را مطرح کردیم .

آموزش تصویری نرم افزار داده کاوی رپید ماینر به زبان فارسی

آموزش رپید ماینر 7 به زبان فارسی.حجم دانلود این آموزش 374 مگا بایت است.در صورتی که تمایل به دریافت این فایل بصورت حضوری دارید با شماره زیر تماس بگیرید.قیمت فایل بصورت حضوری بدون احتساب مبلغ پستی 4000 تومان میباشد.

گل پور: 09119951744  تلگرام: softwareone@

پایان نامه بررسی ومطالعه ی کامل داده کاوی و داده کاوی با SQL SERVER2005 و پیاده سازی آن روی بانک اطلاعاتی دانشگاه آزاد قوچان

چکیده

بررسی ومطالعه ی کامل داده کاوی و داده کاوی با SQL SERVER2005 پیاده سازی آن روی بانک اطلاعاتی دانشگاه آزاد قوچان

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.

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

فرمت فایل: ورد (قابل ویرایش)

تعداد صفحات: 217