مبانی نظری داده کاوی |مقالات ISI

 

 در مطالعه مبانی نظری داده کاوی

مبانی نظری داده کاوی | تعداد صفحات ۸ | به روز رسانی ۲۱-۰۱-۱۴۰۴

مفهوم داده کاوی

امروزه محققین با ابداع و پیشرفت علومی چون روشهای هوشمند که ابزاری توانمند و انعطاف پذیر هستند در جستجوی راههایی فراتر از روشهای متداول در شناخت و پیش بینی پارامترهای مهم می باشند(فرجی و همکاران، ۱۴۰۳: ۳۶).

هان و همکاران (۲۰۱۲) بیان می‌کنند که داده‌کاوی شامل مراحل مختلفی است که از جمله می‌توان به انتخاب و پیش‌پردازش داده‌ها، انتخاب و اعمال تکنیک‌ها و الگوریتم‌های مناسب، ارزیابی و تفسیر نتایج و ارائه دانش از داده‌ها اشاره کرد (فاییض و همکاران، ۲۰۱۶). داده‌کاوی دارای چندین روش و تکنیک است که بر اساس نوع داده‌ها و هدف داده‌کاوی می‌توان از آن‌ها استفاده کرد(آباده و همکاران، ۱۴۰۳: ۲۶۲).

ادامه

داده‌کاوی دانش جدید، معتبر و قابل پیگیری را با کمک ابزارهای هوش مصنوعی و آماری از حجم بالایی از داده‌ها کشف می‌کند. در این فرایند، تحلیلگران مقادیر زیادی از داده‌ها را انتخاب می‌کنند، بررسی می‌نمایند و مدل‌سازی می‌کنند تا بتوانند الگوهای پنهان را شناسایی کنند و برای کسب‌وکارها مزیت‌هایی ایجاد نمایند. متخصصان با تحلیل داده‌های گسترده، الگوهای ناشناخته را کشف می‌کنند و در نهایت، اطلاعات قابل فهم را از پایگاه داده‌های بزرگ استخراج می‌نمایند

داده‌کاوی به عنوان یکی از تکنیک‌های تحلیلی، به متخصصان این امکان را می‌دهد که با استفاده از الگوریتم‌های پیشرفته، بینش‌های ارزشمندی از مجموعه‌های داده بزرگ استخراج کنند. این فرایند شامل مراحل مشخصی است که تحلیلگران داده به دقت آنها را اجرا می‌کنند. داده‌کاوی به تنهایی مفید نیست، بلکه زمانی معنا پیدا می‌کند که به صورت کاربردی در یک مورد خاص استفاده شود. برای محقق شدن این هدف، سازمان‌ها باید مراحل زیر را طی کنند(پورسعید و همکاران، ۱۴۰۳: ۷۸۱):

الف) جمع‌آوری و یکپارچه‌سازی داده‌های داخلی و خارجی (خرید در کل سازمان به شکلی قابل درک).

ب) کاوش داده‌های یکپارچه برای تولید دانش، مرا نشانی و مطالعات فردی.

ادامه

داده‌کاوی فرآیند کشف الگوها و روابط معنادار در حجم انبوهی از داده‌ها است که با بهره‌گیری از ترکیب روش‌های آماری، الگوریتم‌های یادگیری ماشین و تکنیک‌های هوش مصنوعی انجام می‌پذیرد. این دانش تحلیلی به سازمان‌ها امکان می‌دهد تا با بررسی سیستماتیک داده‌های ورودی و تاریخی خود، بینش‌های ارزشمندی کسب کنند که در شرایط عادی قابل تشخیص نیست.

این دانش با تکیه بر الگوریتم‌ها و ابزارهایی که دارد، آمارهای این علم سبب شده تا بررسی درستی بین ارتباطات حوادث جنایی و اقداماتی بر اساس این تحلیل داده برای پیشگیری از جرم صورت گیرد(سادات موسوی آرا تومانیان و همکاران، ۱۴۰۲: ۵۵).

موفق‌ترین پروژه‌های داده‌کاوی در چارچوب فرایند استانداردی اجرا می‌شوند که روش کریسپ نام دارد. بر طبق این روش، پروژه داده‌کاوی شامل شش مرحله است که اولین آن‌ها فهم تجاری نام دارد و در آن، اهداف پروژه تعیین می‌شود. سپس در مرحلهٔ فهم، داده به جمع‌آوری و توصیف داده‌های اولیه و بررسی کیفیت داده‌ها پرداخته می‌شود.

ادامه

در مرحله آماده‌سازی داده‌ها، تیم تحلیل‌گران داده‌ها را انتخاب و پاکسازی می‌کند و سپس ظاهر داده‌ها را طراحی می‌نماید. در مرحله الگوسازی، آن‌ها تکنیک مناسب را انتخاب می‌کنند و در نهایت، الگوی ایجادشده را ارزیابی می‌کنند. پس از ارزیابی، طرح‌ریزی برای توسعه را اجرا می‌کنند و گزارش پایانی را تهیه می‌نمایند (پورسعید و همکاران، ۱۴۰۳: ۷۸۱)

مفهوم داده کاوی

علم داده‌کاوی فرایند انتخاب، کشف و مدل‌سازی حجم زیادی از داده‌ها به منظور کشف الگوهای ناشناخته است. با توجه به مقادیر زیاد داده‌ها در صنعت بیمه، می‌توان گفت فرایند داده‌کاوی در این صنعت امری اجتناب‌ناپذیر است.

به عبارت دیگر، داده‌کاوی ترکیبی از روش‌های یادگیری ماشین، تشخیص الگو، آمار، نظریه پایگاه داده و خلاصه‌سازی و یافتن ارتباط بین مفاهیم و الگوها به صورت خودکار از پایگاه داده‌های انبوه است.  هدف اصلی داده‌کاوی را می‌توان کمک به فرایند تصمیم‌گیری مدیران سازمان‌ها از طریق کشف دانش نهفته در پایگاه‌های داده دانست.

دو کاربرد اصلی داده‌کاوی عبارت‌اند از پیش‌بینی و همچنین یافتن روابط و الگوهای ناشناخته و توصیفاتی که شرح یک پایگاه داده بزرگ را ارائه می‌دهد(سادات موسوی و همکاران، ۱۴۰۲: ۷۳).

ادامه

علم استخراج اطلاعات مفید از مجموعه‌های بزرگ داده یا پایگاه داده به عنوان داده‌کاوی نامگذاری شده است. اگرچه مفاهیم داده‌کاوی دارای تاریخچه گسترده‌ای هستند، اما اصطلاح داده‌کاوی در اواسط دهه ۹۰ تقریباً جدید معرفی شده است. داده‌کاوی زمینه‌هایی از آمار، یادگیری ماشین، مدیریت داده‌ها و پایگاه‌داده‌ها، شناخت الگو، هوش مصنوعی و سایر زمینه‌ها را در بر می‌گیرد.

همه این‌ها مربوط به جنبه‌های خاصی از تجزیه و تحلیل داده‌ها است، بنابراین اشتراکات زیادی دارند، اما هر یک از آن‌ها مشکلات و انواع مختلفی برای حل خود دارند.  انگیزه اساسی استخراج داده‌ها، استخراج اطلاعات یا دانش مفید از فروشگاه‌ها یا مجموعه‌های بزرگ داده است. هدف از ساخت سیستم‌های رایانه‌ای که بتوانند خود را با شرایط خاص سازگار کنند و از تجربیات آن‌ها بیاموزند، محققان بسیاری از زمینه‌ها از جمله علوم کامپیوتر، مهندسی، ریاضیات، فیزیک، علوم اعصاب و علوم شناختی را به خود جلب کرده است.

ادامه

برخلاف بیشتر آمارها، داده‌کاوی معمولاً با داده‌هایی سروکار دارد که قبلاً به غیر از تجزیه و تحلیل داده‌کاوی برای مقاصد خاصی جمع‌آوری شده‌اند(حامدی و عربی، ۱۴۰۲: ۱۴). داده‌کاوی فرآیند کشف دانش مطلوب از مقدار بزرگی از داده‌ها معرفی می شود. داده‌کاوی در حقیقت فرایند کاملی از اعمال روش‌های مبتنی بر رایانه شامل تکنیک‌های جدید برای اکتشاف دانش از داده‌ها است.

ادامه

الگوریتم‌های داده‌کاوی به دو دسته کلی نظارتی و غیرنظارتی یا پیش‌بینی و توصیفی تقسیم شده‌اند. متغیر مستقل سایر متغیرهای معادله معرفی می شوند. در الگوریتم‌های توصیفی، هدف استخراج الگو از داده‌ها است که نیاز به تحلیل نتایج دارد و به دنبال کشف راهی برای آگاهی از خصوصیات داده‌ها می‌باشد(بهروز و همکاران، ۱۴۰۲: ۲۸۴)

مبانی نظری داده کاوی

آگد و همکاران در سال ۲۰۲۱ در نظریه خود به بررسی رابطه جامعه و فناوری کلان داده و داده کاوی پرداختند.  زمانی سطح هر یک از متغیرهای بیان‌شده  تغییر کند، می‌توان انتظار داشت که سطح  این متغیر نیز تغییر کند.

آن ها در نظریه خود ارتباط بین متغیرهای استفاده از منابع و برقراری ارتباط موثرتر را با  این متغیر اثبات کردند. این محققین دریافتند که متغیرهای استفاده از منابع و برقراری ارتباط موثرتر می‌توانند بر سطح  این متغیر اثرگذار باشند. همچنین آن‌ها به این نتیجه رسیدند که وقتی سطح متغیرهای استفاده از منابع و برقراری ارتباط موثرتر دچار تغییر شود، احتمال تغییر در سطح متغیر  این متغیر نیز وجود دارد.

آن ها در نظریه خود اثبات کردند که  این متغیر می‌تواند تحت تأثیر استخراج دیجیتال قرار گیرد. به عبارتی  این متغیر معمولاً با تغییراتی که در متغیرهای استخراج دیجیتال ایجاد می‌شود، تغییر می‌کند. پیشنهاد می‌شود برای تغییر در سطح  این متغیر ابتدا سطوح مرتبط با متغیرهای استخراج دیجیتال را تغییر داد.این مفهوم سبب تغییر در سطوح متغرهای استخراج دیجیتال شرکت می شود.

ادامه

آن ها استدلال کردند که زمانی می‌توان  این متغیر را بهبود داد که به متغیرهای دیجیتالی شدن توجه شود. زمانی یک سازمان به متغیرهای دیجیتالی شدن توجه می‌کند، معمولاً سطح  این متغیر دچار تغییر می‌شود. اگر تغییرات ایجادشده در متغیرهای دیجیتالی شدن مثبت باشد معمولاً سطح  این متغیر بهبود می‌یابد.این مفهوم سبب بهبود در متغیرهای دیجیتالی اصلی شرکت می شود.

آن ها در مطالعه خود به این نتیجه رسیدند که متغیر  این متغیر از متغیرهای استفاده از داده‌های متعدد حیاتی تأثیر می‌پذیرد. به این صورت که سطح تغییرات متغیرهای استفاده از داده‌های متعدد حیاتی می‌تواند در سطح  این متغیر تغییر ایجاد نماید. از سوی دیگر این مطالعه پیشنهاد کرد که برای بهبود در سطح  این متغیر به نظر می‌رسد بهبودهایی در سطح متغیرهای استفاده از داده‌های متعدد حیاتی می‌تواند مفید باشد. سیستم‌های کلان داده بخش مهمی از داده کاوی معرفی می شود.

مبانی نظری داده کاوی

نظریه پان و ژانگ ( ۲۰۲۱ )

این تغییرات با توجه به نتایج حاصل از تحقیق می‌تواند هم‌جهت یا غیر هم‌جهت باشد. می‌توان انتظار داشت که با افزایش سطح آن‌ها سطح متغیر  این متغیر نیز بهبود یابد و با کاهش سطح آن‌ها سطح متغیر  این متغیر کاهش یابد. این مفهوم سبب تغییر در ساختار اطلاعات اصلی شرکت می شود.

آن ها متغیرهای تکنیک‌های مدل‌سازی اطلاعات را در ارتباط با  این متغیر موردبررسی قراردادند. این محققین دریافتند که متغیرهای تکنیک‌های مدل‌سازی اطلاعات معمولاً می‌توانند بر سطح  این متغیر اثرگذار باشند. به این صورت که با تغییر در سطح تکنیک‌های مدل‌سازی اطلاعات می‌توان انتظار داشت که سطح متغیر  این متغیر نیز دچار تغییر شود. همچنین این محققین اثبات کردند که  این متغیر درنهایت با تأثیرپذیری از متغیرهای تکنیک‌های مدل‌سازی اطلاعات می‌تواند تغییراتی را ایجاد نماید

مبانی نظری داده کاوی برای

آن ها در بررسی اثر متغیرهای سازمانی در داده کاوی دریافتند که این مفهوم سبب تغییر در شبه سازی اجرای کار شرکت می شود. به صورتی که افزایش یا کاهش در سطح متغیرهای شبیه‌سازی اجرای کار معمولاً سبب تغییر در سطح  این متغیر می‌شود. اگر این تغییرات همسو باشد با افزایش در مقدار متغیرهای اعلام‌شده معمولاً سطح  این متغیر نیز افزایش می‌یابد. اگر ارتباط بین متغیرها ناهم‌سو باشد آنگاه با افزایش متغیرهای موردبررسی، سطح  این متغیر کاهش خواهد یافت.این مفهوم سبب بهینه سازی در هزینه های استراتژیک شرکت می شود.

آن ها اثبات کرد که متغیرهای تصمیم‌گیری تاکتیکی بر  این متغیر اثرگذار هستند. این محققین اثبات کردند که متغیرهای تصمیم‌گیری تاکتیکی می‌توانند بر میزان داده کاوی اثرگذار باشند.  این موضوع با توجه به نمونه آماری و ماهیت سازمانی که موردبررسی قرارگرفته است ممکن است متفاوت باشد. اما در کل این محققین استدلال کردند که با تغییر در سطح متغیرهای تصمیم‌گیری تاکتیکی می‌توان شاهد تغییر در سطح متغیر  این متغیر بود.این مفهوم سبب ارتقا در تصمیم گیری های مهم شرکت می شود.

مبانی نظری داده کاوی

استدلال آن‌ها بر این بود متغیر  این متغیر با متغیرهای پیش بینی و بهینه سازی ساختار فیزیکی در ارتباط است. یا به عبارتی این محققین استدلال کردند که متغیر سازمانی ممکن است تحت تأثیر متغیرهای پیش بینی و بهینه سازی ساختار فیزیکی قرار گیرد و با تغییر در سطح این متغیرها، سطح آن دچار تغییر شود.این مفهوم سبب بهینه سازی اطلاعات اولیه شرکت می شود.

این محققین اثبات کردند که متغیرهای کار و نیروی انسانی با  این متغیر در ارتباط است و یا بر آن تأثیر خواهد داشت. این مفهوم سبب ارتقا در توانمندی مدیران اصلی شرکت می شود.این مفهوم سبب بهبود در کار و نیروی انسانی شرکت می شود.

سال۲۰۱۹

موریتز و همکاران (۲۰۱۹) در مطالعه خود ارتباط متغیرهای شبکه های اختلاف جمعی و طیف سنجی و داده¬کاوی را تحت آزمون قرار دادند. آنها نشان دادند که متغیر داده¬کاوی در نهایت تحت تغییرات متغیرهای شبکه های اختلاف جمعی و طیف سنجی می تواند تغییر نماید. این تغییرات با توجه به نتایج حاصل از تحقیق می تواند هم جهت یا غیر همجهت باشد. زمانی که سطح متغیرهای شبکه های اختلاف جمعی و طیف سنجی در سازمان هم جهت با داده¬کاوی باشند، می توان انتظار داشت که با افزایش سطح آنها سطح متغیر داده¬کاوی نیز بهبود یابد و با کاهش سطح آنها سطح متغیر داده¬کاوی کاهش یابد.

اسچالگر در سال ۲۰۱۹ در نظریه خود ارتباط بین متغیرهای امکان پذیری، مدل سازی و داده¬کاوی را اثبات کردند. این محققین دریافتند که متغیرهای امکان پذیری و مدل سازی می توانند بر سطح داده¬کاوی اثرگذار باشند. همچنین آنها به این نتیجه رسیدند که وقتی سطح متغیرهای امکان پذیری و مدل سازی دچار تغییر شود، احتمال تغییر در سطح متغیر داده¬کاوی نیز وجود دارد.این مفهوم سبب بهبود در نتایج اصلی شرکت می شود.

 سال ۲۰۲۰

رن در سال ۲۰۲۰ در نظریه خود اثبات کردند که داده¬کاوی می تواند تحت تاثیر ارزیابی پایدار، و سلسله مراتب قرار گیرد. به عبارتی داده¬کاوی  معمولا با تغییراتی که در متغیرهای ارزیابی پایدار، و سلسله مراتب ایجاد می شود، دچار تغییر می شود. زمانی که سازمان در نظر داشته باشه سطح داده¬کاوی را تغییر دهد، پیشنهاد می شود که ابتدا سطوح مرتبط با متغیرهای ارزیابی پایدار، و سلسله مراتب را تغییر دهد.این مفهوم سبب پایداری در متغیرهای ارزیابی    شرکت می شود.

 سال ۲۰۱۸

توبین و همکاران در سال ۲۰۱۸ استدلال کردند که زمانی می توان داده کاوی را بهبود داد که به متغیرهای تولید و توسعه توجه شود.  این مفهوم تغییرات مثبت در متغیرها را درست ارزیابی می کند. این مفهوم سبب تغییر در تجزیه و تحلیل اطلاعات اصلی شرکت می شود.این مفهوم سبب توسعه در متغیرهای اصلی شرکت می شود.