پایان نامه دوره کارشناسی کامپیوتر : گرایش نرم افزار
چکیده
فصل اول: مقدمه ای بر داده کاوی
1-1-مقدمه
1-2-عامل مسبب پیدایش داده کاوی
1-3-داده کاوی و مفهوم اکتشاف دانش (KDD)
1-3-1-تعریف داده کاوی
1-3-2- فرآیند داده کاوی
1-3-3-قابلیت های داده کاوی
1-3-4-چه نوع داده هایی مورد کاوش قرار می گیرند؟
1-4- وظایف داده کاوی
1-1-4-کلاس بندی
1-4-2- مراحل یک الگوریتم کلاس بندی
1-4-3-انواع روش های کلاس بندی
1-4-3-1- درخت تصمیم 1-4-3-1-1- کشف تقسیمات
1-4-3-1-2- دسته بندی با درخت تصمیم
1-4-3-1-3-انواع درخت های تصمیم
1-4-3-1-4- نحوۀ هرس کردن درخت
1-4-3-2- نزدیکترین همسایگی K
1-4-3-3-بیزی 1-4-3-3-1 تئوری بیز
1-4-3-3-2 -دسته بندی ساده بیزی
1-4-3-4- الگوریتم های ژنتیک در فصل دو با آن آشنا می شویم
1-4-3-5-شبکه های عصبی
1-4-4- ارزیابی روش های کلاس بندی
-2-4-1پیش بینی
1-4-3-انواع روش های پیش بینی
1-4-3-1- رگرسیون
1-4-3-1 -1- رگرسیون خطی
1-4-3-1-2-رگرسیون منطقی
1-4-3- خوشه بندی
1-4-3-1- تعریف فرآیند خوشه بندی
1-4-3-2-کیفیت خوشه بندی
1-4-3-3-روش ها و الگوریتم های خوشه بندی
1-4-3-3-1-روش های سلسله مراتبی
1-4-3-3-1-1- الگوریتم های سلسله مراتبی
1-4-3-3-1-1-1-الگوریتم خوشه بندی single-linkage
1-4-3-3-2-الگوریتم های تفکیک
1-4-3-3-3-روش های متکی برچگالی
1-4-3-3-4-روش های متکی بر گرید
1-4-3-3-5-روش های متکی بر مدل
1-4-4- تخمین
1-4-4-1- درخت تصمیم
1-4-4-2- شبکه عصبی
1-4-5-سری های زمانی
1-5-کاربردهای داده کاوی
1-6-قوانین انجمنی
1-6-1-کاوش قوانین انجمنی
1-6-2-اصول کاوش قوانین انجمنی
1-6-3-اصول استقرا در کاوش قوانین انجمنی
1-6-4-الگوریتم Apriori
1-7-متن کاوی
1-7-1- مقدمه
1-7-2- فرآیند متن کاوی
1-7-3- کاربردهای متن کاوی
1-7-3-1- جستجو و بازیابی
1-7-3-2-گروه بندی و طبقه بندی داده
1-7-3-3-خلاصه سازی
1-7-3-4- روابط میان مفاهیم
1-7-3-5- یافتن و تحلیل ترند ها
1-7-3-5- برچسب زدن نحوی (POS)
1-6-2-7-ایجاد تزاروس و آنتولوژی به صورت اتوماتیک
1-8-تصویر کاوی
1-9- وب کاوی
فصل دوم: الگوریتم ژنتیک
1-2-مقدمه
2-2-اصول الگوریتم ژنتیک
2-2-1-کد گذاری
2-2-1-1-روش های کد گذاری
2-2-1-1-1-کدگذاری دودویی
2-2-1-1-2-کدگذاری مقادیر
2-2-1-1-3-کدگذاری درختی
2-2-2- ارزیابی
2-2-3-انتخاب
2-2-3-1-انتخاب گردونه دوار
2-2-3-2-انتخاب رتبه ای
2-2-3-3-انتخاب حالت استوار
2-2-3-4-نخبه گزینی
2-2-4-عملگرهای تغییر
2-2-4-1-عملگر Crossover
2-2-4-2-عملگر جهش ژنتیکی
2-2-4-3-احتمالCrossover و جهش
2-2-5-کدبرداری
2-2-6-دیگر پارامترها
2-4-مزایای الگوریتم های ژنتیک
2-5- محدودیت های الگوریتم های ژنتیک
2-6-چند نمونه از کاربرد های الگوریتم های ژنتیک
2-6-1-یک مثال ساده
فصل سوم: شبکه های عصبی
3-1-چرا از شبکه های عصبی استفاده می کنیم؟
3-2-سلول عصبی
3-3-نحوه عملکرد مغز
3-4-مدل ریاضی نرون
3-5-آموزش شبکه های عصبی
3-6-کاربرد های شبکه های عصبی
فصل چهارم: محاسبات نرم
4-1-مقدمه
4-2-محاسبات نرمچیست؟
4-2-1-رابطه
4-2-2-مجموعه های فازی
4-2-2-1-توابع عضویت
4-2-2-2- عملیات اصلی
4-2-3-نقش مجموعه های فازی در داده کاوی
4-2-3-1- خوشه بندی
4-2-3-2- خلاصه سازی دادهها
4-2-3-3- تصویر کاوی
4-2-4- الگوریتم ژنتیک
4-2-5-نقش الگوریتم ژنتیک در داده کاوی
4-2-5-1- رگرسیون
4-2-5-2-قوانین انجمنی
4-3-بحث و نتیجه گیری
فصل پنجم: ابزارهای داده کاوی
5-1- نحوه انتخاب ابزارداده کاوی
5-2-1-ابزار SPSS-Clemantine
5-2-3-ابزار KXEN
5-2-4-مدل Insightful
5-2-5-مدل Affinium
5-3- چگونه می توان بهترین ابزار را انتخاب کرد؟
5-4-ابزار های داده کاوی که در 2007 استفاده شده است
5-5-داده کاوی با sqlserver 2005
5-5-1-اتصال به سرورازمنوی
5-5-2- ایجاد Data source
5-5-3- ایجاد Data source view
5-5-4- ایجاد Mining structures
5-5-5- Microsoft association rule
5-5-6- Algorithm cluster
5-5-7- Neural network
5-5-8-Modle naive-bayes
5-5-9-Microsoft Tree Viewer
5-5-10-Microsoft-Loistic-Regression
5-5-11-Microsoft-Linear-Regression
فصل ششم: نتایج داده کاوی با SQL SERVER2005 روی بانک اطلاعاتی دانشگاه آزاد قوچان
•1-6-نتایج Data Mining With Sql Server 2005 روی بانک اطلاعاتی دانشگاه آزاد قوچان
1-6-1-Microsoft association rule
1-6-2- Algorithm cluster
1-6-3- Neural network
1-6-4- Modle naive-bayes
1-6-5-Microsoft Tree Viewer
7-1-نتیجه گیری
منابع و ماخذ
چکیده
یک الگوریتم آرایشی به نام Genie برای تخصیص مدول ها (modules) به مکان های موجود برروی قطعات ارائه می شود. Genie نوعی تطابق و انطباق تکنیک الگوریتم ژنتیکی است که درگذشته به عنوان ابزار جامعه هوش مصنوعی مورد استفاده بوده است. این تکنیک به نوعی به عنوان پارادایم آزمایش و بررسی فضای وضعیت محسوب می شود. این تکنیک با ملاحظه هم زمان و دستکاری مجموعه ای از جواب ها، به جواب های خود دست میابد. به عنوان مثال، راه ها جهت تولید و ایجاد راه حل های «فرزندان، با هم در جفت گیری» می کند. Genie در بسیاری از نمونه های آزمایشی کوچک به طور گسترده به آن ها پرداخته شده است. راه حل های مشاهده شده آن کاملاً خوب و در چند نمونه به صورت مطلوب بوده اند.
کلیدواژگان: آرایش، الگوریتم های ژنتیکی، VLSI، طرح فیزیکی
مقدمه
LAYOUT PROBLEM مشکل اصلی در طراحی قطعه های VLSI است. به دلیل پیچیدگی که دارد غالباً به چند مشکل فرعی مجزا تجزیه می شود:
1. طراحی قطعه
2. جزء بندی
3. آرایش
4. مسیریابی
در این مقاله به بررسی مشکل آرایش – تخصیص عناصر مدار به مکان های روی قطعه پرداخته می شود. مسئله آرایش عبارت است از مجموعه ای از عناصر مدار یا ورودی های m، { e m و ...، e 1} = M و مجموعه ای از سیگنال ها یا شبکه های n، { Sn و ...، S1 } = N. شبکه عبارت است از مجموعه ای از مدال های به هم متصل. ما علاوه براین مجموعه ای از مکان های قطعه L یا Slot را ارائه خواهیم داد. وقتی L≥m است، { Cl و ...، C1 } = L. Solt ها به صورت یک ماتریس همراه با ردیف های r و ستون های C سازمان دهی می شوند. هدف از این، طراحی بهینه و مطلوب هر مدول متناسب با Solt خود آن در حالی که محدودیت های الکتریکی را تحقق می بخشد می باشد. در این وضعیت بهینگی و مطلوبیت بر اساس مسیریابی مورد انتظار آرایش اندازه گیری می شود. دو مؤلفه مشترک بسیاری از اندازه های مسیریابی عبارت است از برآورد میزان تراکم سیم و میزان سیم مورد نیاز برای مسیر تمام اتصالات و ارتباطات. به حداقل رساندن میزان تراکم سیم مورد انتظار اهمیت دارد به گونه ای که یک سیم کشی عملی معمولاً با تراکم کمتر راحتر است. کم کردن میزان مورد انتظار سیم نیز اهمیت دارد. به گونه ای میزان آماده سازی سیگنال مدار معمولاً نسبت معکوس با میزان سیم دارد.
خلاصه
یک الگوریتم آرایشی به نام Genie برای تخصیص مدول ها (modules) به مکان های موجود برروی قطعات ارائه می شود. Genie نوعی تطابق و انطباق تکنیک الگوریتم ژنتیکی است که درگذشته به عنوان ابزار جامعۀ هوش مصنوعی مورد استفاده بوده است. این تکنیک به نوعی به عنوان پارادایم آزمایش و بررسی فضای وضعیت محسوب می شود. این تکنیک با ملاحظه هم زمان و دستکاری مجموعه ای از جواب ها، به جواب های خود دست میابد. به عنوان مثال، راه ها جهت تولید و ایجاد راه حل های ' فرزندان، با هم در جفت گیری ' می کند. Genie در بسیاری از نمونه های آزمایشی کوچک به طور گسترده به آن ها پرداخته شده است. راه حل های مشاهده شده آن کاملاً خوب و در چند نمونه به صورت مطلوب بوده اند.
کلمات کلیدی: آرایش، الگوریتم های ژنتیکی، VLSI، طرح فیزیکی
مقدمه
LAYOUT PROBLEM مشکل اصلی در طراحی قطعه های VLSI است. به دلیل پیچیدگی که دارد غالباً به چند مشکل فرعی مجزا تجزیه می شود:
1.طراحی قطعه
2.جزء بندی
3.آرایش
4.مسیریابی
در این مقاله به بررسی مشکل آرایش – تخصیص عناصر مدار به مکان های روی قطعه پرداخته می شود. مسئله آرایش عبارت است از مجموعه ای از عناصر مدار یا ورودی های m، { e m و...، e 1} = M و مجموعه ای از سیگنال ها یا شبکه های n، { Sn و...، S1 } = N. شبکه عبارت است از مجموعه ای از مدال های به هم متصل. ما علاوه براین مجموعه ای از مکان های قطعه L یا Slot را ارائه خواهیم داد. وقتی L≥m است، { Cl و...، C1 } = L. Solt ها به صورت یک ماتریس همراه با ردیف های r و ستون های C سازمان دهی می شوند. هدف از این، طراحی بهینه و مطلوب هر مدول متناسب با Solt خود آن در حالی که محدودیت های الکتریکی را تحقق می بخشد می باشد. در این وضعیت بهینگی و مطلوبیت بر اساس مسیریابی مورد انتظار آرایش اندازه گیری می شود. دو مؤلفه مشترک بسیاری از اندازه های مسیریابی عبارت است از برآورد میزان تراکم سیم و میزان سیم مورد نیاز برای مسیر تمام اتصالات و ارتباطات. به حداقل رساندن میزان تراکم سیم مورد انتظار اهمیت دارد به گونه ای که یک سیم کشی عملی معمولاً با تراکم کمتر راحتر است. کم کردن میزان مورد انتظار سیم نیز اهمیت دارد. به گونه ای میزان آماده سازی سیگنال مدار معمولاً نسبت معکوس با میزان سیم دارد.