داده کاوی و درخت تصمیم

در این فصل برخی از مهمترین پژوهش های انجام شده در زمینه های مرتبط به موضوع پژوهش مورد بررسی قرار می گیرد. همچنین در این فصل به معرفی مروری کلی بر ادبیات تحقیق، جزئیات مربوط به الگوریتم ها، متغیرها و مجهولات پژوهش و سایر موارد لازم جهت آگاهی بیشتر پرداخته خواهد شد. داده کاوی چیست؟ چه کاربردهایی دارد و روش اجرای آن چگونه است؟ فلسفه ی داده کاوی این است که آینده بسیار به گذشته شبیه است. داده کاوی به شما کمک می کند تا رفتار کسب و کار خود در گذشته را دقیق بشناسید و بر اساس آن آینده را با تقریب بالایی پیش بینی کنید. داده کاوی فضای حاکم بر کسب و کار شما را شفاف می کند و شما را مجبور می کند واقع بینانه تصمیم بگیرید. داده کاوی چیست؟ داده کاوی چیست؟ چه کاربردهایی دارد و روش اجرای آن چگونه است؟ «داده کاوی» ترجمه ی عبارت «Data Mining» و به معنای «کاویدن معادن داده» است. داده کاوی یعنی استخراج اطلاعات گرانبها از حجم عظیم معادن داده! کلمه ی Mining در معنای تحت الفظی خود یعنی «استخراج از معدن» بکار می رود و در واقع عبارت Data Mining نشان می دهد که حجم انبوه اطلاعات مانند یک معدن عمل می کند و از ظاهر آن مشخص نیست چه عناصر گرانبهایی در عمق این معدن وجود دارد. تنها با کند و کاو و استخراج این معدن است که می توان به آن عناصر گرانبها دست پیدا کرد. تفاوت اصلی داده کاوی و علم آمار، در حجم داده های مورد تحلیل، روش مدل سازی داده ها و استفاده از هوش مصنوعی است. داده کاوی شاخه ی توسعه یافته و پیچیده ی علم آمار است. علم آمار به تنهایی برای صاحبان صنایع و شرکت ها بسیار اهمیت دارد. اما اهمیت داده کاوی فراتر از علم آمار می رود و امکاناتی در اختیار شما قرار می دهد که ساز و کارهایی آماری از انجام آنها ناتوان هستند. تفاوت اصلی علم آمار با شاخه ی توسعه یافته ی خود یعنی داده کاوی، در حجم داده های مورد تحلیل و روش مدل سازی داده هاست. در بیشتر موارد حجم داده های اولیه ی مورد استفاده در داده کاوی آنقدر زیاد است که به یک چالش زمان بر و هزینه بر تبدیل می شود. اما مدل سازی داده های ورودی و دستیابی به اطلاعات پنهان و ارزشمند

کلیدواژه ها:

داده کاوی ، الگوریتم ها ، متغیرها ، مجهولات پژوهش ، هوش مصنوعی