پیشینه تحقیق بیماری تنفسی و مفهوم و مراحل و کاربرد های  داده کاوی و الگوهای رده بندی دارای ۳۳ صفحه می باشد   فایل پیشینه تحقیق به صورت ورد  word و قابل ویرایش می باشد. بلافاصله بعد از پرداخت و خرید لینک دنلود فایل نمایش داده می شود و قادر خواهید بود  آن را دانلود و دریافت نمایید . ضمناً لینک دانلود فایل همان لحظه به آدرس ایمیل ثبت شده شما ارسال می گردد.

فهرست مطالب

۲-۲٫ دادهکاوی    ۳
۲-۲-۱٫ مفهوم دادهکاوی    ۳
۲-۲-۲٫ مراحل دادهکاوی    ۴
۲-۲-۳٫ پیشپردازش    ۴
۲-۲-۳-۱٫ پاکسازی داده    ۴
۲-۲-۳-۲٫ یکپارچهسازی داده    ۵
۲-۲-۳-۳٫ تبدیل داده    ۵
۲-۲-۳-۴٫ کاهش داده    ۶
۲-۲-۳-۵٫ تصویر کردن برای کاهش بعد    ۶
۲-۲-۴٫ دادهکاوی    ۷
۲-۲-۵٫ پسپردازش    ۸
۲-۲-۶٫ کاربردهای دادهکاوی    ۸
۲-۳٫ دادهکاوی در پزشکی    ۸
۲-۴٫ بیماری تنفسی    ۱۰
۲-۴-۱٫ عفونت دستگاه تنفسی فوقانی    ۱۱
۲-۴-۲٫ پنومونی    ۱۱
۲-۴-۳٫ بیماری مزمن انسدادی ریه    ۱۲
۲-۵٫ الگوریتمهای ردهبندی    ۱۲
۲-۵-۱٫ درخت تصمیم    ۱۳
۲-۵-۱-۱٫ CHAID    ۱۴
۲-۵-۱-۲٫ ID3    ۱۴
۲-۵-۱-۳٫ C5.0    ۱۵
۲-۵-۲٫ ماشین بردار پشتیبان    ۱۵
۲-۵-۳٫ شبکهی عصبی    ۱۸
۲-۵-۴٫ Bagging    ۱۹
۲-۵-۵٫ AdaBoost    ۲۱
۲-۶٫ پیشینهی تحقیقات در بیماریهای تنفسی    ۲۴
مراجع    ۲۶

منابع

[۲] غضنفری، مهدی، علی­زاده، سمیه و تیمورپور، بابک. «داده­کاوی و کشف دانش». تهران: انتشارات دانشگاه علم و صنعت ایران، چاپ اول، (۱۳۸۷).

[۵] Tan, Pang-Ning; Steinbach, Michael & Kumar, Vipin. Intro-duction to data mining. Michael Steinbach & Vipin Kumar, Pearson Addison Wesley, (2006).

[۶] Patil, Shantakumar B. & Kumaraswamy, Y.S. “Intelligent and Effective Heart Attack Prediction System Using Data Mining and Artificial Neural Network”. European Journal of Scien-tific Research, 31(4):642-656, 2009.

[۷] Gupta, Anamika; Kumar, Naveen & Bhatnagar, Vasudha. “Analysis of Medical Data using Data Mining and Formal Con-cept Analysis”. World Academy of Science, Engineering and Technology, 11:61-64, Jun 2005.

[۸] Gorunescu, Florin. “Data Mining Techniques in Computer-Aided Diagnosis: Non-Invasive Cancer Detection”. Interna-tional Journal of Biological and Medical Sciences, 1(2):105-108, September 2007.

[۹] Wasan, Siri Krishan; Bhatnagar, Vasudha & Kaur, Harleen. “The Impact of Data Mining Techniques on Medical Diagnos-tics”. Data Science Journal, 5:119-126, 2006.

[۱۰] Canlas, Ruben D. Data Mining in health care: Current Ap-plications and Issues. Master of Science in Information Tech-nology, Carnegie Mellon University, Australia, August 2009.

[۱۱] Silver, Michael; Sakata, Taiki; Su, Hua-Ching; Herman, Charles; Dolins, Steven B. & O’Shea, Michael J.. “Case study: how to apply data mining techniques in a healthcare data ware-house”. Journal of Healthcare Information Management, 15(2):155-164, Summer 2001.

[۱۲] Kaur, Harleen & Wasan, Siri K. “Empirical Study on Applica-tions of Data Mining Techniques in Healthcare”. Journal of Computer Science, 2(2):194-200, February 2006.

۲-۲٫ داده­کاوی

تکنولوژی مدیریت پایگاه ­داده­ های پیشرفته انواع مختلفی از داده­ها را می­تواند در خود جای دهد، در نتیجه تکنیک­های آماری و ابزار مدیریت سنتی برای آنالیز این داده­ها کافی نیست و استخراج دانش[۱] از این مقدار حجیم یک چالش بزرگ تلقی می­شود. داده­کاوی کوششی برای به­دست آوردن اطلاعات مفید از میان این داده­هاست و رشد بی­رویه­ی داده­ها در سطح جهان اهمیت داده­کاوی را دو­ چندان کرده است.

پایگاه ­داده­های پزشکی، شامل انبوهی از اطلاعات بیماران و وضعیت پزشکی آنهاست. ارتباطات و الگوهای نهفته در این داده­ها می­تواند دانش جدیدی در حوزه علوم پزشکی تولید کند. به­طوری­که امروزه استخراج دانش مفید و فراهم کردن ابزارهای تصمیم­گیری برای تشخیص و معالجه­ی بیماری­ها، به یک موضوع ضروری تبدیل شده است.

۲-۲-۱٫ مفهوم داده­کاوی

در یک تعریف غیر رسمی داده­کاوی فرآیندی است، خودکار برای استخراج الگوهایی که دانش را بازنمایی می­کنند، که این دانش به صورت ضمنی در پایگاه داده­های عظیم، انبارداده[۲]و دیگر مخازن بزرگ اطلاعات، ذخیره شده است. داده­کاوی به­طور همزمان از چندین رشته علمی بهره می­برد نظیر: تکنولوژی پایگاه داده، هوش مصنوعی، یادگیری ماشین، شبکه­های عصبی، آمار، شناسایی الگو، سیستم­های مبتنی بردانش[۳]، حصول دانش[۴]، بازیابی اطلاعات[۵]، محاسبات سرعت بالا^[۶] و بازنمایی بصری داده^[۷] .

۲-۲-۲٫ مراحل داده­کاوی

داده­کاوی اغلب به­عنوان بخشی از فرآیند «کشف دانش از پایگاه­داده»، تلقی می­شود. کشف دانش از پایگاه داده، فرآیندی است که داده­های خام را به دانش مفید تبدیل می­کند که علاوه بر داده­کاوی، شامل دو مرحله­ی پیش­پردازش و پس­پردازش نیز می­باشد.

۲-۲-۳٫ پیش­پردازش

هدف پیش­پردازش، تبدیل داده­های خام به قالبی است که برای تحلیل­های بعدی مناسب باشد. همچنین این مرحله به شناسایی ویژگی­ها و قطعات مختلف داده، کمک می­کند. از آنجائی­که داده­ها ممکن است با قالب­های مختلف و در پایگاه داده­های متفاوتی ذخیره شده باشند، اغلب زمان زیادی برای پیش­پردازش داده لازم است[۵].

پیش­پردازش داده، یک محدوده­ی وسیع شامل استراتژی­ها و تکنیک­های مختلفی است که به­صورت بسیار پیچیده­ای با یک­دیگر در رابطه­اند و این ارتباطات پیچیده، معرفی رهیافت­ها و ایده­های اصلی پیش­پردازش را به­صورت منظم و ساخت­یافته بسیار مشکل می­کند.

وظایف پیش­پردازش عبارتند از: پاک­سازی داده­ها[۸]، یکپارچه­سازی داده­ها[۹]، تبدیل داده[۱۰]، کاهش داده[۱۱]، تصویر کردن و کاهش بعد[۲].

۲-۲-۳-۱٫ پاک­سازی داده

خطاهای عملیاتی اغلب باعث می­شوند که داده­های به­دست آمده از منابع دنیای واقعی، پرغلط، ناقص و ناسازگار باشند. ابتدا لازم است، چنین داده­های بی­کیفیتی، تمیز شوند. وظایف اصلی پاک­سازی داده­ها عبارتند از:

پرکردن ویژگی­هایی با مقدار گمشده[۱۲] : رویکردهای مختلفی در برخورد با مقادیر گمشده وجود دارد که عبارتند از: حذف رکورد، پرکردن به­صورت دستی، جایگزینی با یک مقدار ثابت سراسری، جایگزینی با مقدار میانگین، جایگزینی با مقادیری با احتمال بالاتر (با استفاده از رابطه­های بیزی، درخت تصمیم­گیری یا پسانمایی[۱۳] ).

شناخت داده­های پرت[۱۴] و هموار کردن داده­های نویزدار[۱۵].

اصلاح داده­های ناسازگار.

رفع مشکل افزونگی که بر اثر یکپارچه­سازی داده­ها ایجاد شده است.

۲-۲-۳-۲٫ یکپارچه­سازی داده

داده­کاوی اغلب به یکپارچه­سازی داده (ادغام داده­ها از چندین منبع داده) نیاز دارد. همچنین ممکن است لازم باشد که داده­ها به شکل مناسب داده­کاوی تبدیل شوند. در این مرحله، داده­های چندین منبع را در یک  مخزن منسجم ترکیب می­کنیم.

۲-۲-۳-۳٫ تبدیل داده

در این مرحله، داده­ها به شکل مناسب برای داده­کاوی تبدیل می­شوند. این مرحله، شامل بخش­های زیر می­باشد:

هموارسازی: این بخش از تبدیل داده، با حذف نویز سروکار دارد.

تجمیع: شامل عملیات تلخیص و تجمیع روی داده­هاست. مثل تبدیل فروش روزانه به فروش هفتگی یا ماهانه.

تعمیم: جایگزینی داده­ی سطح پائین با مفاهیم سطح بالاتر. مثل تبدیل متغیر پیوسته­ی سن به یک مفهوم سطح بالاتر مثل جوان، میانسال یا مسن.

ایجاد ویژگی[۱۶] : گاهی برای کمک به فرآیند داده­کاوی لازم است که ویژگی جدیدی از روی ویژگی­های موجود ساخته شود.

نرمال­سازی: نرمال­سازی شامل تغییر مقیاس داده­ها به گونه­ایست که آن­ها را به یک دامنه­ی کوچک و معین مثل ] ۱،۱-[ نگاشت کند. مهمترین روش­های نرمال­سازی عبارتند از: Min-Max،  Z-Score و نرمال­سازی با استفاده از مقیاس­بندی اعشاری[۱۷].

۲-۲-۳-۴٫ کاهش داده

روش­های کاهش داده، می­تواند برای به­دست آوردن یک بازنمایی کوچک­تر و کاهش­یافته از داده، که بسیار کم­حجم­تر از داده­های اصلی بوده و البته یکپارچگی داده­های اصلی را حفظ می­کند، به­کار می­رود. استراتژی­های کاهش داده، عبارتند از: تجمیع مکعبی داده[۱۸]، انتخاب زیرمجموعه­ای از ویژگی­ها[۱۹]، کاهش تعداد نقاط، گسسته­سازی و تولید سلسله مراتب مفهومی.

۲-۲-۳-۵٫ تصویر کردن برای کاهش بعد

در کاهش بعد از طریق تصویر کردن، تبدیلات و کدگذاری­هایی روی داده انجام می­شود که در نهایت بازنمایی کاهش­یافته یا فشرده­ای از داده­های اصلی به­دست می­آید.

۲-۲-۴٫ داده­کاوی

وظایف داده­ کاوی را می­توان به دو بخش کلی تقسیم کرد: توصیفی و پیش­بینانه.

وظایف توصیفی، خواص عمومی داده­ها را مشخص می­کنند. هدف از توصیف، یافتن الگوهایی در مورد داده­هاست که برای انسان قابل تفسیر باشد.

وظایف پیش­بینانه به منظور پیش­بینی رفتارهای آینده، مورد استفاده قرار می­گیرند. منظور از پیش­بینی، به­کارگیری چند متغیر یا ویژگی در پایگاه داده برای پیش­بینی مقادیر آینده یا مقادیر ناشناخته­ی دیگر متغیرهاست[۲].

وظایف پیش­بینانه را می­توان به دو دسته تقسیم کرد: رده­بندی و پسانمایی. رده­بندی برای پیش­بینی مقدار یک متغیر گسسته به­کار می­رود. درحالی­که پسانمایی برای پیش­بینی مقدار یک متغیر پیوسته، مورد استفاده قرار می­گیرد. در انتهای این فصل، به معرفی برخی از تکنیک­های موجود برای حل مسائل رده­بندی که در این تحقیق مورد استفاده قرار گرفته است، خواهیم پرداخت.

وظایف توصیفی را نیز می­توان به سه دسته تقسیم کرد: تحلیل انجمنی[۲۰]، خوشه­بندی[۲۱] و تشخیص انحراف[۲۲]. هدف فرآیند تحلیل انجمنی، ایجاد مجموعه­ای از قوانین است که ارتباطات بین مجموعه­ای از ویژگی­ها را که به­شدت به یکدیگر وابسته هستند، بیان می­کند. هدف خوشه­بندی، معرفی گروه­هایی از داده است به­طوری­که داده­هایی که در یک خوشه حضور دارند، نسبت به داده­هایی که در یک خوشه­ی دیگر قرار دارند، شباهت بسیار بیشتری به یکدیگر دارند. در فرآیند تشخیص انحراف نیز هدف، کشف موارد غیرطبیعی یا خارج از محدوده است که شامل داده­هایی هستند که با بقیه­ی داده­های حاضر در مجموعه، بسیار متفاوت­اند[۵].

^۱ Knowledge Discovery

[۲] Data Warehouse

[۳] Knowledge-based System

[۴] Knowledge-acquisition

[۵] Information  Retrieval

[۶] High-performance Computing

[۷] Data Visualization

^۶ Data Cleaning

^۷ Data Integration

^۸ Data Transformation

^۹ Data Reduction

^۱ Missing Value

^۲ Regression

^۳ Outlier

^۴ Noise

^۱ Feature Creation

^۲ Normalization by decimal  scaling

^۳ Data cube aggregation

^۴ Attribute subset selection

^۱ Association Analysis

^۲ Clustering

^۳ Anomaly Detection

تمامی فایل های پیشینه تحقیق و پرسشنامه و مقالات مربوطه به صورت فایل دنلودی می باشند و شما به محض پرداخت آنلاین مبلغ همان لحظه قادر به دریافت فایل خواهید بود. این عملیات کاملاً خودکار بوده و توسط سیستم انجام می پذیرد. جهت پرداخت مبلغ شما به درگاه پرداخت یکی از بانک ها منتقل خواهید شد، برای پرداخت آنلاین از درگاه بانک این بانک ها، حتماً نیاز نیست که شما شماره کارت همان بانک را داشته باشید و بلکه شما میتوانید از طریق همه کارت های عضو شبکه بانکی، مبلغ  را پرداخت نمایید.