این فایل حاوی مطالعه مهندسی نرم افزار 1- نمودارهای جریان داده می باشد که به صورت فرمت PowerPoint در 24 اسلاید در اختیار شما عزیزان قرار گرفته است، در صورت تمایل می توانید این محصول را از فروشگاه خریداری و دانلود نمایید.
فهرست
نمودارهای جریان داده (DFD)
نمودار سطح صفر
در سطوح بعدی
عملیات منطقی و فیزیکی
حفاظت از داده ها
نامگذاری فرآیندها
هموارسازی
تصویر محیط برنامه
مقاله انگلیسی Data-Mining-with-Big-Data مربوط به سال 2014 بوده و به تعداد 11 صفحه می باشد که به تعداد 28 صفحه ترجمه شده است به همراه فایل پاورپوینت فارسی می باشد در زیر چکیده این مقاله به همراه ترجمه آن آورده شده است .
Abstract
—Big Data concern large-volume, complex, growing data sets with multiple, autonomous sources. With the fast development
of networking, data storage, and the data collection capacity, Big Data are now rapidly expanding in all science and engineering
domains, including physical, biological and biomedical sciences. This paper presents a HACE theorem that characterizes the features
of the Big Data revolution, and proposes a Big Data processing model, from the data mining perspective. This data-driven model
involves demand-driven aggregation of information sources, mining and analysis, user interest modeling, and security and privacy
considerations. We analyze the challenging issues in the data-driven model and also in the Big Data revolution.
چکیده
داده های بزرگ به مسایلی همچون گنجایش های پیچیده و بزرگ - مجموعه داده های رو به رشد با منابع متعدد مسقل مربوط می شود . با توسعه بسیار سریع شبکه ها- ذخیره سازی داده و ظرفیت مجموعه داده ها -دادهه های حجیم به سرعت در تمام زمینه های علوم و مهندسی شامل فیزیک و بیولوژیک و زیست پزشکی در حال گسترش است .از این رو این مقاله قاعده HACE ویژگی های انقلاب داده های بزرگ را توصیف و نمونه ای از مدل پردازش داده های بزرگ از نقطه نظر دادی کاوی را ارایه میکند. این مدل داده محور شامل تراک درخواست محوری منابع اطلاعات - کاوش و تحلیل - مدل سازی بهره وری کاربر و ملاحظات امنیتی و حریم اختصاصی می شود. ما مباحث چالش برانگیز در متد های داده محور و هم چنین انقلاب داده های بزرگ را تشریح و مورد بررسی قرار میدهیم .
عنوان پروژه : کتابخانه آنلاین همراه با پایگاه داده SQLServer
قالب بندی : ASP.NET, CSharp
شرح مختصر : این پروژه، یک کتابخانه آنلاین ( Online Library ) است که در ASP.NET و به زبان برنامه نویسی #C نوشته شده است . از امکانات آن می توان به موارد زیر اشاره کرد :
استفاده از بانک اطلاعاتی SQL Server
امکان ثبت نام و عضویت کاربران در کتابخانه
ثبت کتاب با جزئیات کامل در کتابخانه همراه با تصویر روی جلد و فایل الکترونیکی کتاب
گروه بندی کتاب ها و افزودن قفسه های کتاب
جستجوی کتاب توسط اعضاء
مطالعه کتاب توسط اعضاء
مدیریت کاربران عضو
عنوان:
فارسی
کاربرد تکنیک های داده کاوی در اعتبارسنجی مشتریان بانکی
(مطالعه موردی مشتریان یک بانک خصوصی در شعب استان .......................)
انگلیسی
Application of Data Mining Techniques in the Validation of Bank Customers
(A Case Study of Customers of a Private Bank in ........................ Province Branches)
واژگان کلیدی:
فارسی
ریسک اعتباری، اعتبارسنجی، رگرسیون لوجیت، الگوریتم ژنتیک، شبکه عصبی مصنوعی خودسازمانده
انگلیسی
Credit Risk, validation, Logit regression, Genetic Algorithm, GMDH Artificial Neural Network
فهرست مطالب:
تعداد صفحات: 17
نگارش حرفه ای و آماده استفاده
لینک پرداخت و دانلود *پایین مطلب*
فرمت فایل:Word (قابل ویرایش و آماده پرینت)
تعداد صفحه42
بخشی از فهرست مطالب
چکیده
3- الگوریتم پیشنهادی : genetic fuzzy k-Modes (21)
پیوست – کد برنامه
مراجع
چکیده
خوشه بندی روشی است که داده های یک مجموعه داده را به گروه یا خوشه تقسیم می کند . از مرسوم ترین روش های خوشه بندی،الگوریتم های خوشه بندی k-Means وfuzzy k-Means می باشند.این دو الگوریتم فقط روی داده های عددی عمل می کنند و به منظور رفع این محدودیت، الگوریتم های k-Modes و fuzzy k-Modes ارائه شدند که مجموعه داده های گروهی (دسته ای) را نیز خوشه بندی می کنند. . با این وجود، این الگوریتم ها ،شبیه همه روال های بهینه سازی دیگر که برای مینیمم عمومی یک تابع جستجو می کنند، احتمال گیر افتادن در یک مینیمم محلی وجود دارد. به منظوردستیابی به جوبب بهینه عمومی ، الگوریتم های تکاملی مانند ژنتیک و جدول جستجو با الگوریتم های مذکور ترکیب می شوند. در این پژوهش، الگوریتم ژنتیک ، GA، را با الگوریتم fuzzy k-Modes ترکیب شده ،بطوریکه عملگر ادغام به عنوان یک مرحله از الگوریتم fuzzy k-Modes تعریف می شود. آزمایش ها روی دو مجموعه داده واقعی انجام شده است تا همراه با مثال کارایی الگوریتم پیشنهادی را روشن نماید.
1.مقدمه
به عنوان یک ابزار اولیه در داده کاوی[1] ،تجزیه و تحلیل خوشه ، که تجزیه و تحلیل سگمنت نیز نامیده می شود،روشی است که داده ها را به گروه هایی همگن تحت عنوان خوشه تقسیم می کند.در چنین روشی داده های موجود در یک کلاستر یا خوشه خیلی شبیه به هم و داده ها ی کلاستر های مختلف خیلی متفاوت نسبت به هم هستند.اغلب، شباهت بر مبنای معیار فاصله می باشد.
آنالیز خوشه،خوشه بندی، تکنیک عمومی برای آنالیز داده های آماری می باشد که در بسیاری زمینه ها مانند یادگیری ماشین ، داده کاوی ، شناسایی الگو و آنالیز تصویر کاربرد دارد.در کنار اصطلاح خوشه بندی داده (یا فقط خوشه بندی)،بعضی اصطلاحات دیگرنیزهمانند کلاس بندی اتوماتیک[2] ،طبقه بندی عددی[3]، آنالیز نوع شناسی[4] ، با معنای مشابه استفاده می شود[1].
به طور کلی ،یک الگوریتم خوشه بندی خوب معمولا برای طراحی شامل چهار فاز ذیل را شامل می شود:1- نمایش داده[5]2- مدل کردن[6].3- بهینه سازی[7].4- اعتبار سنجی[2][8] ..
فاز نمایش داده، تعیین می کند که چه نوعی از ساختارهای خوشه می تواند داده ها را شناسایی کند.سپس فاز مدلینگ ضوابط و معیار ها را برروی ساختار تعریف می کند بطوریکه که ساختارها ی گروه های مطلوب را از موارد نامطلوب مجزا می کند.در فاز مدلینگ ، در طول جستجو برای ساختار های مخفی در داده ،یک معیار کیفیت مانند معیار بهینه سازی یا معیار تقریب تولید می شود. بعبارتی دیگرفاز بهینه سازش،ساختار های موثرتر و بهینه تر را انتخاب میکند. از آنجا که فرآیند خوشه بندی ،یک فرایند بدون