Artificial Intelligence - هوش مصنوعی  
انجمن را در گوگل محبوب کنيد :

بازگشت   Artificial Intelligence - هوش مصنوعی > داده کاوی > داده كاوی(Data mining)


 
تبليغات سايت
Iranian Association for the Advancement of Artificial Intelligence
ارسال تاپيک جديد  پاسخ
 
LinkBack ابزارهاي تاپيک نحوه نمايش
قديمي ۰۸-۱۳-۱۳۸۸, ۰۷:۴۶ بعد از ظهر   #1 (لینک دائم)
Administrator
 
آواتار Astaraki
 
تاريخ عضويت: خرداد ۱۳۸۷
محل سكونت: تهران-کرج!
پست ها: 3,465
تشكرها: 754
16,337 تشكر در 3,127 پست
My Mood: Mehrabon
ارسال پيغام Yahoo به Astaraki
Wink جايگاه داده کاوي در مديريت دانش

جايگاه داده کاوي در مديريت دانش

چکيده
تغيير روند توجه سازمان‏ها از منابع مالي به سرمايه‏هاي انساني٬ فراهم آمدن زمينه‏هاي تراكم و حتي انفجار اطلاعات از طريق فناوري اطلاعات و ارتباطات در سازمان‏ها٬ الزام و اهميت مديرت دانش را بيش از گذشته به رخ كشيده است. استخراج اطلاعات مناسب از ميان انبوه داده‏ها و تبديل آنها به دانش مورد نياز سازمان، بويژه در تصميم‌گيري‏هاي سازماني٬ نيازمند استفاده از روش‏هاي نوين در اين حوزه است. داده كاوي يكي از اين ابزار و رويكردهاست كه در فضاي مديريت دانش سازمان‏ها به كشف دانش از پايگاه داده‏ها كمك مي‏كند.


مديريت دانش


امروزه در عصر يادگيري٬ كاركنان را ارزشمندترين منبع سازمان به حساب مي‏آورند. كاركنان٬ حجم عظيم داده‏ها٬ اطلاعات و دانش سازمان را توليد مي‏كنند و به‏كار مي‏بندند.از اين‏رو٬ مديريت دانش در كنار مديريت منابع انساني در سازمان‏هاي نوين٬ ضرورت يافته است. مديريت دانش٬ رويكردي سيستمي و يكپارچه است كه براي تمامي دارائي‏هاي اطلاعاتي سازمان اعم از: مستندات٬ پايگاه داده‏ها٬ خط‏مشي‏ها٬ رويه‏ها و تجربيات كاركنان و سازمان را دربر مي‏گيرد و به اشتراك مي‏گذارد. مديريت دانش، سكوي تسهيل كننده استخراج٬ ذخيره‏سازي٬ يكپارچه‏سازي٬ انتقال٬ مشاهده٬ تجزيه و تحليل و استفاده از دانش در سازمان است. مديريت دانش درجهت حفظ٬ تجزيه و تحليل٬ سازماندهي٬ بهبود و تسهيم تجارب كسب و كار٬ به‏عنوان ابزار٬ روش و راهبرد در سازمان به‏كارمي‏رود. در واقع، مديريت دانش متدلوژي استخراج سيستمي و استفاده از دانش در سازمان است كه از طريق همين دانش و سرمايه فكري٬ ثروت و ارزش مي‏آفريند. در نگرش سيستمي به مديريت دانش٬ سه مؤلفه اصلي منابع انساني٬ فرايندها و فناوري دخالت و با يكديگر همپوشاني دارند (شكل 1) .





نسبت مديريت دانش و داده‏كاوي


ابزار متفاوتي براي به‏كارگيري مديريت دانش در سازمان٬ استفاده مي‏شود. يكي از مهم‌ترين آنها٬ داده‏كاوي است. هنگامي كه طراحي مجدد فرايندهاي كسب و كار (BRP) مورد نظر است٬ داده‏كاوي به‏عنوان تكنيك٬ درخدمت مديريت دانش قرار مي‏گيرد. درهربنگاه صنعتي٬ اقتصادي و تجاري نيز دانش با ارزش در مورد مشتري٬ محصول و بازار را مي‏توان از طريق داده‏كاوي به‏دست آورد. با بزرگ‏ترشدن حجم داده‏ها و اطلاعات سازمان‏ها٬ اهميت اين مسئله روزبه‏روز بيشتر مي‏شود. وقتي حجم داده‏ها زياد است٬ از سيستم‏هاي پايگاه داده‏ها (DBS/DBMS) براي مديريت آنها استفاده مي‏شود. در حالت زيادبودن حجم داده‏ها٬ داده‏كاوي براي استخراج و به‏دست آوردن دانش به‏كار مي‏آيد. وقتي حجم دانش زياد است از سيستم مديريت دانش (KMS) استفاده مي‏شود.
داده كاوي
پيشينه طرح موضوع داده‏كاوي به دهه 1980 و به صورت جدي، به دهه 1990 برمي‏گردد. پيش از آن٬ از سيستم‏هاي جمع‏آوري و مديريت داده‏ها و اصطلاحاً لايروبي داده‏ها استفاده مي‏شد٬ اما به مرور زمان٬ استخراج و كشف سريع و دقيق اطلاعات با ارزش و پنهان از پايگاه داده‏ها به‏عنوان داده‏كاوي مورد توجه قرار گرفت. به اين شكل بود كه فرايند داده‏كاوي به عنوان فرايند آماري و تجزيه و تحليل درفرايند كشف دانش در پايگاه داده‏ها (KDD) 1 پررنگ شد٬ به حدي كه گاه٬ داده‏كاوي (DM) به‏عنوان مترادف كشف دانش در پايگاه داده‏ها(KDD) مورد استفاده قرار مي‏گرفت. امروزه فرايند استخراج اطلاعات معتبر٬ از پيش ناشناخته٬ قابل فهم و قابل اعتماد از پايگاه داده‏هاي بزرگ و استفاده از آن در تصميم‏گيري و در فعاليت‏هاي تجاري داده‏كاوي ناميده مي‏شود. در تعاريف متعدد و متنوع براي داده‏كاوي برموضوعاتي نظير: استخراج دانش كلان٬ كاوش در داده‏ها٬ تجزيه و تحليل داده‏ها و يافتن روابط و الگوهاي مطمئن بين داده‏ها تاكيد مي‏شود. هدف نهايي داده‏كاوي٬ ايجاد سيستم‏هاي پشتيباني تصميم‏گيري سازماني است. داده‏كاوي به استخراج اطلاعات مفيد و دانش از حجم زياد داده‏ها مي‏پردازد. داده‏كاوي٬ الگوهاي حاوي اطلاعات را در داده‏هاي موجود جست‌وجو مي‌كند. اين الگوها و الگوريتم‏ها، مي‏توانند توصيفي باشند يعني داده‏ها را توصيف كنند و يا جنبه پيش‏بيني داشته باشند، يعني از متغيرها براي پيش‏بيني ارزش‏هاي ناشناخته ساير متغيرها به‏كار روند. داده‏كاوي توصيفي، به‏دنبال يافتن اگرها در فعاليت‏ها يا اقدامات گذشته است و داده‏كاوي پيش‏بينانه با نگاه به سابقه٬ رفتار آينده را پيش‏بيني مي‏كند.
داده‏كاوي چه هست و چه نيست
موارد زير در حوزه داده‏كاوي قرار مي‏گيرند:
• استخراج يا كاوش دانش از ميان حجم عظيم داده‏ها
• استخراج اطلاعات و مدل كردن الگوهاي پنهاني در ميان انبوه داده‏ها
• استخراج اطلاعات غيرمنتظره٬ ناشناخته و بالقوه مفيد از داده‏ها.
• استخراج اطلاعات يا الگوهاي مفيد و جالب از داده‏ها در پايگاه داده‏هاي بزرگ
موارد زير در محدوده داده‏كاوي قرار نمي‏گيرند:
• انبارش داده‏ها
• پردازش قياسي داده‏ها
• سيستم‏هاي خبره (ES)
• فرايند تجزيه و تحليل مستقيم
• ابزار تجزيه و تحليل آماري
• مشاهده‏گري داده‏ها
حوزه‏هاي داده‏كاوي
داده‏كاوي در سه حوزه مستقل به كار مي‏رود و در آنها ريشه دوانده است:
1. آمار كلاسيك و الگوهاي آماري
2. هوش مصنوعي
3. يادگيري خودكار و شبكه‏هاي عصبي
در داده‏كاوي٬ هوش مصنوعي٬ يادگيري خودكار٬ تئوري پايگاه داده‏ها و علم آمار درهم آميخته شده است. براي انجام داده‏كاوي از ابزار مختلف نظير: تفكيك كردن٬ دسته‏بندي٬ درخت تصميم‏گيري٬ تحليل قواعد وابستگي٬ تحليل خوشه‏ها و الگوريتم‏هاي عمومي استفاده مي‏شود (شكل2).




مراحل فرايند


هدف داده‏كاوي٬ تجزيه و تحليل اكتشافي داده‏ها٬ كشف الگوها و قواعد و الگوريتم‏ها٬ مدل‏سازي پيش‏بينانه و جست‌وجوي انحرافات است. براي انجام اين هدف٬ فرايند داده‏كاوي درجهت كشف دانش در مراحل مختلف انجام مي‌شود (شكل 3) كه عبارت است از:
1. اولين گام در داده‏كاوي٬ شناسايي هدف و فهم حوزه كاربرد آن است و مشخص مي‏كند كه چه‏كاري٬ در چه حوزه‏اي انجام خواهد شد
2. انتخاب داده‏ها يعني تعيين اهداف براي تجزيه و تحليل و كشف آن
3. آماده‏سازي داده‏ها شامل تميزسازي داده‏ها
4. اتخاذ بهترين روش داده‏كاوي براي دست‏يابي به اهداف
5. اجراي داده‏كاوي يعني به‏كارگيري الگوريتم
6. ارزيابي و اعتبارسنجي يافته‏ها
7. استفاده از نتايج و تثبيت و تحكيم دانش كشف شده
8. تصميم گيري براساس دانش كشف شده.




شكل ( 3 )

طراحي سيستم داده‏كاوي


اگر از داده‏كاوي براي مهندسي مجدد كسب و كار استفاده شود٬ مراحلي كه ذكر شد به صورت زير قابل استفاده خواهند بود :
1. فهم و درك كسب و كار شامل تعيين اهداف كسب و كار٬ ارزيابي موقعيت٬ تعيين هدف داده‏كاوي و طرح پروژه.
2. فهم و درك داده شامل جمع‏آوري داده‏ها٬ توصيف داده‏ها٬ كيفيت داده‏ و صحه‏گذاري٬ آناليز اكتشافي داده‏ها.
3. آماده‏سازي داده شامل انتخاب٬ ساخت و انتقال متغيرها٬ يكپارچه‏سازي و فرمت‌دهي داده‏ها
4. ساختن مدل و صحه‏گذاري شامل طرح اوليه٬ ساخت مدل و ارزيابي مدل
5. ارزيابي و تغيير شامل ارزيابي نتايج٬ فرايند بازنگري و تعيين مراحل بعدي
6. جاري‏سازي شامل اجراي طرح٬ تدوين گزارش نهائي٬ پايش و نگهداري طرح و بازنگري آن
موانع و چالش‏ها
با وجود مزاياي فراوان كه داده‏كاوي براي مديريت دانش سازمان‏ها و دست‏يابي به دانش براي تصميم‏گيري سازماني دارد٬ اين حوزه با موانع و چالش‏هايي روبه‏روست كه عبارتند از:
1. فقدان داده براي پشتيباني تجزيه و تحليل
2. قدرت محدود محاسبه براي به‌دست آوردن محاسبات رياضي مورد نياز الگوريتم‏هاي داده‏كاوي
3. عدم مطلوبيت و جذابيت بيشتر الگوها
4. خطر وجود داده‏هاي آلوده و كسب نتايج كاملاً غلط.
5. تمركز بيش از حد برالگوريتم‏ها
6. هزينه نسبتاً گران سرمايه‏گذاري در همه حوزه‏ها
7. عدم پوشش كامل همه حوزه‏ها
كاربرد داده‏كاوي
امروزه داده‏كاوي در حوزه‏هاي بسيار متنوع و متفاوت استفاده مي‏شود:
حوزه علم: شيمي٬ فيزيك٬ داروسازي٬ تجزيه و تحليل تصاوير پزشكي٬ تعيين نوع رفتار با بيماران و پيشگويي ميزان موفقيت‏هاي اعمال پزشكي٬ تعيين ميزان موفقيت روش‏هاي درماني در برخورد با بيماري‏هاي سخت٬ بيوشيمي٬ حسگرهاي كنترل در اقمار مصنوعي٬ بيوعلم شامل توصيف ژن‏ها و تقسيم‏بندي گروه پروتئين‏ها و توسعه داروها.
خرده ‏فروشي: تجزيه و تحليل سبد خريد بازار٬ تعيين الگوهاي خريد مشتريان
بانكداري: پيش‏بيني الگوهاي كلاهبرداري از طريق كارت‏هاي اعتباري٬ تعيين ميزان استفاده از كارت‏هاي اعتباري براساس گروه‏هاي اجتماعي
فروش و بازاريابي: تجزيه و تحليل سهام و سرمايه٬ تعيين مشتريان وفادار٬ مديريت ريسك و پيش‏بيني فروش
بيمه: تجزيه و تحليل دعاوي و پيشگويي ميزان جريمه بيمه نامه‏هاي جديد توسط مشتريان.
حوزه‏هاي ديگر نظير: ورزش و سرگرمي٬ فضانوردي و ديگر حوزه‏هاي علم.

منابع
1. O.Folorunso, A.Ogunde/ "The Electronic Journal Of K.M. " , Vol. 2,2004
2. B. Fernandez / Et. Al., "Knowledge Management"/ Cho. 12, 2004.
3. N.Balac/ "Introduction To Data Mining" , 2006.
Astaraki آفلاين است   پاسخ با نقل قول
از Astaraki تشكر كرده اند:
aimaryam (۰۶-۱۸-۱۳۸۹), shahak (۰۸-۲۷-۱۳۸۸), ya zahra (۰۹-۲-۱۳۸۸)

  #ADS
نشان دهنده تبلیغات
تبليغگر
 
 
 
تاريخ عضويت: -
محل سكونت: -
سن: 2010
پست ها: -
 

نشان دهنده تبلیغات is online  
پاسخ



كاربران در حال ديدن تاپيک: 1 (0 عضو و 1 مهمان)
 

قوانين ارسال
You may not post new threads
You may not post replies
You may not post attachments
You may not edit your posts

BB code is فعال
شکلکها فعال است
كد [IMG] فعال است
كدهاي HTML غير فعال است
Trackbacks are فعال
Pingbacks are فعال
Refbacks are فعال




زمان محلي شما با تنظيم GMT +3.5 هم اکنون ۰۴:۱۷ بعد از ظهر ميباشد.


Powered by vBulletin® Version 3.8.3
Copyright ©2000 - 2024, Jelsoft Enterprises Ltd.
Search Engine Friendly URLs by vBSEO 3.1.0 ©2007, Crawlability, Inc.

Teach and Learn at Hexib | Sponsored by www.Syavash.com and Product In Review

استفاده از مطالب انجمن در سایر سایت ها، تنها با ذکر انجمن هوش مصنوعي به عنوان منبع و لینک مستقیم به خود مطلب مجاز است

Inactive Reminders By Icora Web Design