دسته بندی سایت
پیوند ها
مروری بر دادهکاوی
امروزه با گسترش سیستمهای پایگاهی و حجم بالای دادههای ذخیره شده در این سیستمها، نیاز به ابزاری است تا بتوان دادههای ذخیره شده را پردازش کرد و اطلاعات حاصل از این پردازش را در اختیار کاربران قرار داد.
با استفاده از پرسشهای ساده در SQL و ابزارهای گوناگون گزارشگیری معمولی، میتوان اطلاعاتی را در اختیار کاربران قرار داد تا بتوانند به نتیجهگیری در مورد دادهها و روابط منطقی میان آنها بپردازند. امّا وقتی که حجم دادهها بالا باشد، کاربران هرچند زبردست و باتجربه باشند نمیتوانند الگوها مفید را در میان حجم انبوه دادهها تشخیص دهند و یا اگر قادر به این کار هم باشند، هزینه عملیات از نظر نیروی انسانی و مادی بسیار بالا است. از سوی دیگر، کاربران معمولاً فرضیهای را مطرح میکنند و سپس براساس گزارشات مشاهده شده به اثبات یا رد فرضیه میپردازند، در حالی که امروزه نیاز به روشهایی است که اصطلاحاً به کشف دانش [1] بپردازند یعنی با کمترین دخالت کاربر و بصورت خودکار الگوها و رابطههای منطقی را بیان نمایند.
داده کاوی[2] یکی از مهمترین این روشها است که به الگوهای مفید در دادهها با حداقل دخالت کاربران شناخته میشوند واطلاعاتی را در اختیار کاربران و تحلیل گران قرار میدهند تا براساس آن تصمیمات مهم و حیاتی در سازمانها اتخاذ شوند.
اصطلاح دادهکاوی زمانی بکار برده میشود که با حجم بزرگی از دادهها، در حد مگا یا ترابایت، مواجه باشیم. در تمامی منابع دادهکاوی بر این مطلب تأکید شده است. هرچه حجم دادهها بیشتر و روابط آنها پیچیدهتر باشد دسترسی به اطلاعات نهفته در میان دادهها مشکلتر میشود و نقش دادهکاوی بعنوان یکی از روشهای کشف دانش، روشنتر میگردد.
دادهکاوی بطور همزمان از چندین رشته علمی بهره میبرد نظیر: تکنولوژی پایگاه داده، هوش مصنوعی، یادگیری ماشین، شبکههای عصبی، آمار، الگو، سیستمهای مبتنی بر دانش[3]، حصول دانش[4]، بازیابی اطلاعات[5]، محاسبات سرعت بالا[6] و بازنمایی بصری داده[7].
اصطلاح Data Mining همانطور که از ترجمه آن به دادهکاوی مشخص میشود، به مفهوم استخراج اطلاعات نهان و یا الگوها و روابط مشخص در حجم زیادی از دادههای یک یا چند بانک اطلاعاتی بزرگ است. اطلاعات استخراج شده در تعریف Data Mining بطور ضمنی به معنی اطلاعاتی است که بر اساس آن بتوان به نتایجی دست یافت که بطور معمول ملموس نیستند. در این تعریف بر بزرگ بودن بانکهای اطلاعاتی و یا حجم زیاد دادههای مورد پردازش تاکید میشود. علت این است که از نظر آماری و تئوری اطلاعات، تجزیه و تحلیل دادهها و یا آنطور که در این اصطلاح تعبیر میشود، کاوش در حجم کم دادههای یک بانک به نتایج قابل قبولی منجر نمیشود. به کمک ابزارهای Data Mining میتوان مقادیر متغیرهای را پیشبینی و توصیف نمود. این ابزارها در فرایندهای تصمیمگیری متکی بر اطلاعات و دانش [8] کاربر فراوان دارند و فعالیتهای تجاری نوین و مدرن امروزه به شدت بر آن متکی است. فرایند Data Mining را نباید با روشهای متداول آنالیز داده و اطلاعات و سیستمهای تصمیمگیری معمولی یکی دانست. به کمک روشهای Data Mining میتوان به پرسشهایی (عمدتاً تجاری) پاسخ گفت که بطور سنتی عملاً امکان وجود ندارد.
در متون آکادمیک تعاریف گوناگونی برای داده کاوی ارائه شدهاند. در برخی از این تعاریف دادهکاوی در حد ابزاری که کاربران را قادر به ارتباط مستقیم با حجم عظیم دادهها میسازد معرفی گردیده است و در برخی دیگر، تعاریف دقیقتر که در آنها به کاوش در دادهها توجه میشود موجود است. برخی از این تعاریف عبارتند از:
همانگونه که در تعاریف گوناگون دادهکاوی مشاهده میشود، تقریباً در تمامی تعاریف به مفاهیمی چون استخراج دانش، تحلیل و یافتن بین دادهها اشاره شده است.
واژه های «دادهکاوی» و «کشف دانش در پایگاه داده»[9] اغلب بصورت مترادف یکدیگر مورد استفاده قرار میگیرد. کشف دانش در پایگاه داده فرایند شناسایی درست، ساده، مفید و نهایتا الگوها و مدلهای قابل فهم در دادهها میباشد. دادهکاوی، مرحلهای از فرایند کشف دانش میباشد و شامل الگوریتمهای مخصوص دادهکاوی است، بطوریکه تحت محدودیتهای مؤثر محاسباتی قابل قبول، الگوها و یا مدلها را در داده کشف میکند.
دادهها اغلب حجیم امّا بدون ارزش میباشند، داده به تنهایی قابل استفاده نیست، بلکه دانش نهفته در دادهها قابل استفاده میباشد. به این دلیل به دادهکاوی، تحلیل دادهای ثانویه[10] گفته میشود.
اخیرا دادهکاوی موضوع بسیاری از مقالات، کنفرانسها و رسالههای عملی شده است، امّا این واژه تا اوایل دهه نود مفهومی نداشت و به کاربرده نمیشد.
در دهه شصت و پیش از آن زمینههایی برای ایجاد سیستمهای جمعآوری و مدیریت دادهها ایجاد شد و تحقیقاتی در این زمینه انجام پذیرفت که منجر به معرفی و ایجاد سیستمهای مدیریت پایگاه دادهها گردید.
ایجاد و توسعه مدلهای دادهای برای پایگاه سلسله مراتبی، شبکهای و بخصوص رابطهای در دهه هفتاد، منجر به معرفی مفاهیمی همچون شاخصگذاری و سازمادهی دادهها و در نهایت ایجاد زبان پرسش SQL در اوایل دهه هشتاد گردید تا کاربران بتوانند گزارشات و فرمهای اطلاعاتی موردنظر خود را ، از این طریق ایجاد نمایند.
توسعه سیستمهای پایگاهی پیشرفته در دهه هشتاد و ایجاد پایگاهها شیگرا، کاربرد گرا[11] و فعال[12] باعث توسعه همه جانبه و کاربردی شدن این سیستمها در سراسر جهان گردید. بدین ترتیب DBMSهایی همچون Oracle, DB2, Sybase, ... ایجاد شدند و حجم زیادی از اطلاعات با استفاده از این سیستمها مورد پردازش قرار گرفتند. شاید بتوان مهمترین جنبه در معرفی دادهکاوی را مبحث کشف دانش از پایگاه دادهها (KDD)[13] دانست بطوریکه در بسیاری موارد DM [14] و KDD بصورت مترادف مورد استفاده قرار میگیرند.
همانطور که در تعریف دادهکاوی ذکر شد، هدف جستجو و کشف الگوهایی در پایگاه داده ها و استفاده از آنها در اخذ تصمیمات حیاتی است، بنابراین میتوان گفت که DM بخشی از فرایند KDD است که در نهایت به ایجاد سیستمهای DSS [15] میشود. شکل 1-1 نقش داده کاوی در فرایند کشف دانش از پایگاه داده ها را نشان میدهد.
برای اولین بار مفهوم دادهکاوی در کارگاه IJCAI[16] در زمینه KDD توسّط Shapir مطرح گردید. به دنبال آن در سالهای 1991 تا 1994 ، کارگاههای KDD مفاهیم جدیدی را در این شاخه علم ارائه کردند بطوریکه بسیاری از علوم و مفاهیم با آن مرتبط گردیدند.
اصلیترین دلیلی که باعث شد دادهکاوی کانون توجهات در صنعت اطلاعات قرار بگیرد، مساله در دسترس بودن حجم وسیعی از دادهها و نیاز شدید به اینکه از این دادهها اطلاعات و دانش سودمند استخراج کنیم. اطلاعات و دانش بدست آمده در کاربردهای وسیعی از مدیریت کسب و کار و کنترل تولید و تحلیل بازار تا طراحی مهندسی و تحقیقات علمی مورد استفاده قرار میگیرد.
شکل 1-1 مراحل فرایند کشف دانش
داده کاوی را میتوان حاصل سیر تکاملی طبیعی تکنولوژی اطلاعات دانست، که این سیر تکاملی ناشی از یک سیر تکاملی در صنعت پایگاه داده میباشد، نظیر عملیات: جمعآوری دادهها و ایجاد پایگاه داده، مدیریت داده و تحلیل و فهم دادهها. در شکل 2-1 این روند تکاملی در پایگاههای داده نشان داده شده است.
تکاملی تکنولوژی پایگاه داده و استفاده فراوان آن در کاربردهای مختلف سبب جمعآوری حجم فراوانی داده شده است. این دادههای فراوان باعث ایجاد نیاز ابزارهای قدرتمند برای تحلیل دادهها گشته، زیرا در حال حاضر به لحاظ داده ثروتمند هستیم ولی دچار کمبود اطلاعات میباشیم.
ابزارهای دادهکاوی داده ها را آنالیز میکنند و الگوهای دادهای را کشف میکنند که میتوان از آن در کاربردهایی نظیر: تعیین استراتژی برای کسب و کار، پایگاه دانش[17] و تحقیقات علمی و پزشکی، استفاده کرد. شکاف موجود بین دادهها و اطلاعات سبب ایجاد نیاز برای ابزارهای دادهکاوی شده است تا دادههای بیارزش را به دانشی ارزشمند تبدیل کنیم.
بطور ساده دادهکاوی به معنای استخراج یا «معدنکاری»[18] دانش از مقدار زیادی داده خام است. البته این نامگذاری برای این فرایند تا حدی نامناسب است، زیرا بطور مثال عملیات معدنکاری برای استخراج طلا از صخره و ماسه را طلاکاوی مینامیم، نه ماسهکاوی یا صخرهکاوی. بنابراین بهتر بود به این فرایند نامی شبیه به «استخراج دانش از داده» میدادیم که متأسفانه بسیار طولانی است. «دانشکاوی» بعنوان یک عبارت کوتاهتر بعنوان جایگزین، نمیتواند بیانگر تأکید و اهمیت بر معدنکاری مقدار زیاد داده باشد. معدنکاری عبارتی است که بلافاصله انسان را به یاد فرایندی میاندازد که به دنبال یافتن مجموعه کوچکی از قطعات ارزشمند از حجم بسیار زیادی از مواد خام هستیم.
با اینکه این فرایند تا حدی دارای نامگذاری ناقص است ولی این نامگذاری یعنی دادهکاوی بسیار عمومیت پیدا کرده است. البته اسامی دیگر نیز برای این فرایند پیشنهاد شده که بعضا بسیار متفاوت با واژه دادهکاوی است، نظیر: استخراج دانش از پایگاه داده، استخراج دانش[19]، آنالیز داده/ الگو، باستان شناسی داده[20]، و لایروبی دادهها[21].
شکل 2-1 سیر تکاملی صنعت پایگاه داده
با توجه به مطالب عنوان شده، یکی از تعاریف عنوان شده برای دادهکاوی چنین بود:
«دادهکاوی عبارت است از فرایند یافتن دانش از مقادیر عظیم دادههای ذخیره شده در پایگاه داده، انباره داده و یا دیگر مخازن اطلاعات»
براساس این دیدگاه یک سیستم دادهکاوی بطور نمونه دارای اجزای اصلی زیر است که شکل 3-1 بیانگر معماری سیستم است.
شکل 3-1 معماری یک نمونه سیستم دادهکاوی
1- پایگاه داده، انباره داده (Data warehouse) یا دیگر مخازن اطلاعات:
که مجموعهای از پایگاه دادهها، انبار داده، صفحه گسترده[22]، یا دیگر انواع مخازن اطلاعات.
2- سرویس دهنده پایگاه داده یا انبار داده:
که مسئول بازیابی دادههای مرتبط براساس نوع درخواست دادهکاوی کاربر میباشد.
3- پایگاه دانش:
این پایگاه از دانش زمینه[23] تشکیل شده تا به جستجو کمک کند، یا برای ارزیابی الگوهای یافته شده از آن استفاده میشود.
4- موتور دادهکاوی[24]
این موتور جزء اصلی از سیستم دادهکاوی است و بطور ایدآل شامل مجموعهای از پیمانه[25] هایی نظیر توصیف[26] ، ارتباط[27]، کلاسبندی[28]، آنالیز خوشهها[29] و آنالیز تکامل و انحراف[30] است.
5- پیمانه ارزیابی الگو[31]
این جزء معیارهای جذابیت[32] را بکار میبندد و با پیمانهی دادهکاوی تعامل میکند، بدینصورت که تمرکز آن بر جستجو بین الگوهای جذاب میباشد، و از یک حد آستانه جذابیت استفاده میکند تا الگوهای کشف شده را ارزیابی کند.
6- واسط کاربر گرافیکی[33]: این پیمانه بین کاربر و سیستم دادهکاوی ارتباط برقرار میکند، به کاربر اجازه میدهد تا با سیستم دادهکاوی از طریق پرس وجو[34] ارتباط برقرار کند، این جزء به کاربر اجازه میدهد تا شمای پایگاه داده یا انبار داده را مرور کرده، الگوهای یافته شده را ارزیابی کرده و الگوها را در فرمهای بصری گوناگون بازنمایی کند.
با انجام فرایند دادهکاوی، دانش، ارتباط یا اطلاعات سطح بالا از پایگاه داده استخراج میشود و قابل مرور از دیدگاههای مختلف خواهد بود. دانش کشف شده در سیستمهای تصمیمیار، کنترل فرایند، مدیریت اطلاعات پردازش پرس و جو[35] قابل استفاده خواهد بود.
ریشههای دادهکاوی در میان سه خانواده از علوم، قابل پیگیری میباشد.
مهمترین این خانوادهها، آمار کلاسیک[36] میباشد. بدون آمار، هیچ دادهکاوی وجود نخواهد داشت، بطوریکه آمار، اساس اغلب تکنولوژیهایی میباشد که دادهکاوی بر روی آنها بنا میشود. آمار کلاسیک مفاهیمی مانند تحلیل رگرسیون، توزیع استاندارد، انحراف استاندارد، واریانس، تحلیل خوشه، و فاصلههای اطمینان را که همه این موارد برای مطالعه داده و ارتباط بین دادهها میباشد، را در بر میگیرد. مطمئناً تحلیل آماری کلاسیک نقش اساسی در تکنیکهای دادهکاوی ایفاء میکند.
دومین خانوادهای که دادهکاوی به آن تعلق دارد هوش مصنوعی میباشد. هوش مصنوعی که بر پایه روشهای ابتکاری میباشد و با آمار ضدیت دارد، تلاش دارد تا فرایندی مانند فکر انسان، را برای حل مسائل آماری بکار بندد.
چون این رویکرد نیاز به توان محاسباتی بالایی دارد، تا اوایل دهه 1980 عملی نشد. هوش مصنوعی کاربردهای کمی را در حوزههای علمی و حکومتی پیدا کرد، امّا نیاز به استفاده از کامپیوترهای بزرگ باعث شد همه افراد نتوانند از تکنیکهای ارائه شده استفاده کنند.
سومین خانواده دادهکاوی، یادگیری ماشین[37] میباشد، که به مفهوم دقیقتر، اجتماع آمار و هوش مصنوعی میباشد. در حالیکه هوش مصنوعی نتوانست موفقیت تجاری کسب کند، یادگیری ماشین در بسیاری از موارد جایگزین آن گردید. از یادگیری ماشین بعنوان تحول هوش مصنوعی یاد شد، چون مخلوطی از روشهای ابتکاری هوش مصنوعی به همراه تحلیل آماری پیشرفت میباشد. یادگیری ماشین اجازه میدهد تا برنامههای کامپیوتری در مورد دادهای که آنها مطالعه میکنند، مانند برنامههایی که تصمیمات متفاوتی بر مبنای کیفیت داده مطالعه شده میگیرند، یادگیری داشته باشند و برای مفاهیم پایهای آن از آمار استفاده میکنند و از الگوریتمها و روشهای ابتکاری هوش مصنوعی را برای رسیدن به هدف بهره میگیرند.
دادهکاوی در بسیاری از جهات، سازگاری تکنیکهای یادگیری ماشین با کاربردهای تجاری است. بهترین توصیف از دادهکاوی بوسیله اجتماع آمار، هوش مصنوعی و یادگیری ماشین بدست میآید. این تکنیکها سپس با کمک یکدیگر، برای مطالعه داده و پیداکردن الگوهای نهفته در آنها استفاده میشوند.
6-1- قابلیتهای دادهکاوی
[1] - Knowledge Discovery
[2] - Data Mining
[3] - Knowledge-based system
[4] - Knowledge- acquisition
[5] - information retrieval
[6] - High-performance computing
[7] - Data visualization
[8] - Data and Knowledge driven
[9] - Knowledge Discovery in Database
[10] - Secondary Data Analysis
[11] - Application Oriented
[12] - Active DBMS
[13] - Knowledge Discovery From Database
[14] - Data Mining
[15] - Decision Support System
[16] - Workshop
[17] - Knowledge base
[18] - Mining
[19] - Knowledge extraction
[20] - Data archaeology
[21] - Data dredging
[22] - Spread sheets
[23] - Domain knowledge
[24] - Data mining engine
[25] - Module
[26] - Characterization
[27] - Association
[28] - Classification
[29] -Cluster analysis
[30] - Evolution and deviation analysis
[31] - Pattern evaluation module
[32] - Interesting measures
[33] - Graphical User Interface
[34] - Query
[35] - Query processing
[36] - Classic Statistics
[37] - Machine Learning
مبلغ واقعی 16,000 تومان 50% تخفیف مبلغ قابل پرداخت 8,000 تومان
محبوب ترین ها
پرفروش ترین ها