دانلود ترجمه مقاله تکنیک ها و کاربردهای داده کاوی – بازبینی یک دهه از 2000 تا 2011

1. مقدمه 2. نگرشی به تکنیک های داده کاوی 3. شبکه عصبی و کاربردهای آن 4. معماری الگوریتم و کاربردهای آن 5. روش مبتنی بر پیش بینی پویا و کاربردهای آن 6. تحلیل معماری سیستم و کاربردهای آن 7. سیستم های عامل هوشمند و کاربردهای آنها 8. مدلسازی و کاربردهای آن 9. سیستم های مبتنی بر دانش و کاربردهای آنها 10. بهینه سازی سیستم و کاربردهای آن 11. سیستم های اطلاعات و کاربردهای آنها 12. بحث، محدودیت ها و پیشنهادات 13. نتیجه گیری

13. نتیجه گیری: این مقاله یک بازبینی از مکتوبات قبلی مرتبط با DMT و کاربردهای آن از سال 2000 تا 2011 ارائه میکند. در اینجا از تحقیق بر اساس کلمه کلیدی و عناوین مقاله استفاده شده است. نتیجه گیری شد که توسعه DMT به سمت تخصصی تر شدن پیش می رود و توسعه کاربردهای DMT هنوز بستگی به مسئله دارد. پیشنهاد می شود که متدولوژی های علمی اجتماعی مختلف مانند روانشناسی، علوم شناختی و رفتار انسانی از DMT بعنوان متدولوژی متناوب استفاده شوند. یکپارچگی متدهای کیفی،کمی و علمی و یکپارچگی مطالعات DMT میزان درک موضوع را افزایش می دهد. در نهایت، توانایی تغییر مداوم و ایجاد درک جدید، مزیت اصلی متدولوژی DMT است و در مرکز کاربردهای DMT در آینده قرار خواهد داشت.

13. Conclusions This paper presents a review of literature concerned with DMT and its applications, from 2000 to 2011. It used a search of keyword indices and article titles. It is concluded that development of DMT is tending to become more expertise-oriented and that the development of DMT applications is more problem-centered. It is suggested that different social science methodologies, such as psychology, cognitive science and human behavior might use DMT as an alternative methodology. Integration of qualitative, quantitative and scientific methods and the integration of studies of DMT methodologies will increase understanding of the subject. Finally, the ability to continually change and provide new understanding is the principle advantage of DMT methodologies, and will be at the core of DMT applications, in future.

بخشی از ترجمه مقاله (صفحه 4 و 5 فایل ورد ترجمه)

نرم افزار داده کاوی

برنامه های داده کاوی، روابط و الگوها را در داده ها بر اساس آنچه که کاربران درخواست می دهند، آنالیز و تحلیل می کنند.به عنوان مثال، نرم افزار داده کاوی را می توان برای ایجاد کلاس های اطلاعاتی مورد استفاده قرار داد. به منظور نشان دادن این موضوع، فرض کنید یک رستوران تمایل دارد تا از داده کاوی برای تعیین زمان پیشنهاد تخفیفات خاص استفاده کند. بر این اساس، اطلاعات جمع آوری شده قبلی را بررسی کرده و کلاس هایی را بر مبنای زمان حضور مشتریان در رستوران و آنچه که سفارش داده اند ایجاد می کند.

در موارد دیگر، داده کاوان، شاخه هایی اطلاعاتی را بر مبنای روابط منطقی یافته و یا الگوهای پیوسته قبلی را برای نتیجه گیری در مورد رویه و رفتار مشتریان بررسی می کند.

فرآیندهای داده کاوی

پروسه داده کاوی به پنج مرحله تقسیم می گردد. در مرحله اول، سازمان ها، داده ها را جمع آوری کرده و آن را در انبارهای داده ای بارگذاری می کنند. سپس، آنها را روی سرورهای داخلی و یا سرورهای ابری، ذخیره سازی و مدیریت می کنند. تحلیل گران تجاری، تیم های مدیریتی و متخصصین فناوری اطلاعات به داده ها دسترسی یافته و نحوه سازمان دهی آنها را تعیین می کنند. سپس، یک سری نرم افزارها، این داده ها را بر اساس نتایج کاربران مرتب کرده و نهایتا، کاربر نهایی، اطلاعات را قالب یک نمودار یا جدول ارائه می دهد.