انجام پروژه داده کاوی
آموزش نرم افزار داده کاوی وکا weka
لطفا با یک کلیک ما را در گوگل محبوب کنید آموزش نرم افزار داده کاوی وکا Weka مقدمه تا به امروز نرم افزارهای تجاری و آموزشی فراوانی برای داده کاوی در حوزه های مختلف داده ها به دنیای علم و فناوری عرضه شده اند. هریک از آنها با توجه به نوع اصلی داده هایی که مورد کاوش قرار میدهند، روی الگوریتمهای خاصی متمرکز شده اند. مقایسه دقیق و علمی این ابزارها باید از جنبه های متفاوت و متعددی مانند تنوع انواع و فرمت داده های ورودی، حجم ممکن برای پردازش داده ها، الگـوریتمهای پیاده سـازی شده، روشهای ارزیابی نتایج، روشهای مصـور سـازی، روشهای پیش پردازش داده ها، واسطهای کاربر پسند، پلت‌فرمهای سازگار برای اجرا،قیمت و در دسترس بودن نرم افزار صورت گیرد. از آن میان، نرم افزار Weka با داشتن امکانات بسیار گسترده،امکان مقایسه خروجی روشهای مختلف با هم، راهنمای خوب، واسط گرافیگی کارا، سازگاری با سایر برنامه های ویندوزی، و از همه مهمتر وجود کتابی بسیار جامع و مرتبط با آن [Data Mining, witten et Al. 2005 ] ، معرفی میشود. 1- معرفی نرم افزار WekaمیزکارWeka ، مجموع‌های از الگوریتمهای روز یادگیری ماشینی و ابزارهای پیش پردازش داده‌ها میباشد. این نرم‌افزار به گونه‌ای طراحی شده است که میتوان به سرعت، روشهای موجود را به صورت انعطافپذیری روی مجموعه‌های جدید داده، آزمایش نمود. این نرم‌افزار، پشتیبانی‌های ارزشمندی را برای کل فرآیند داده کاوی های تجربی فراهم میکند. این پشتیبانی‌ها، آماده سازی داده‌های ورودی، ارزیابی آماری چارچوبهای یادگیری و نمایش گرافیکی داده‌های ورودی و نتایج یادگیری را در بر میگیرند. همچنین، هماهنگ با دامنه وسیع الگوریتمهای یادگیری، این نرم‌افزار شامل ابزارهای متنوع پیش پردازش داده‌هاست. این جعبه ابزار متنوع و جامع، از طریق یک واسط متداول در دسترس است، به نحوی که کاربر میتواند روشهای متفاوت را در آن با یکدیگر مقایسه کند و روشهایی را که برای مسایل مدنظر مناسبتر هستند، تشخیص دهد.نرم‌افزار Weka در دانشگاه Waikato واقع در نیوزلند توسعه یافته است و اسم آن از عبارت"Waikato Environment for knowledge Analysis" استخراج گشته است. همچنین Weka ، نام پرندهای با طبیعت جستجوگر است که پرواز نمیکند و در نیوزلند، یافت میشود. (شکل زیر)این سیستم به زبان جاوا نوشته شده و بر اساس لیسانس عمومی و فراگیر GNU انتشار یافته است.Weka تقریباً روی هر پلت فرمی اجرا میشود و نیز تحت سیستم عاملهای لینوکس، ویندوز، و مکینتاش، و حتی روی یک منشی دیجیتالی شخصی، آزمایش شده است. این نرم افزار، یک واسط همگون برای بسیاری از الگوریتمهای یادگیری متفاوت، فراهم کرده است که ...
انجام پروژه های داده کاوی با نرم افزار وکا weka
لطفا کلیک کنید انجام پروژه های داده کاوی با نرم افزار وکا weka تماس با من :09199240029
آشنایی با نرم افزار های داده کاوی
معرفی نرم افزار Weka ميزكارWeka ، مجموع‌هاي از الگوريتمهاي روز يادگيري ماشيني و ابزارهاي پيش پردازش داده‌ها ميباشد. اين نرم‌افزار به گونه‌اي طراحي شده است كه ميتوان به سرعت، روشهاي موجود را به صورت انعطافپذيري روي مجموعه‌هاي جديد داده، آزمايش نمود. اين نرم‌افزار، پشتيباني‌هاي ارزشمندي را براي كل فرآيند داده كاوي هاي تجربي فراهم ميكند. اين پشتيباني‌ها، آماده سازي داده‌هاي ورودي، ارزيابي آماري چارچوبهاي يادگيري و نمايش گرافيكي داده‌هاي ورودي و نتايج يادگيري را در بر ميگيرند. همچنين، هماهنگ با دامنه وسيع الگوريتمهاي يادگيري، اين نرم‌افزار شامل ابزارهاي متنوع پيش پردازش داده‌هاست. اين جعبه ابزار متنوع و جامع، از طريق يك واسط متداول در دسترس است، به نحوي كه كاربر ميتواند روشهاي متفاوت را در آن با يكديگر مقايسه كند و روشهايي را كه براي مسايل مدنظر مناسبتر هستند، تشخيص دهد. نرم‌افزار Weka در دانشگاه Waikato واقع در نيوزلند توسعه يافته است و اسم آن از عبارت"Waikato Environment for knowledge Analysis" استخراج گشته است. همچنين Weka ، نام پرندهاي با طبيعت جستجوگر است كه پرواز نميكند و در نيوزلند، يافت ميشود. اين سيستم به زبان جاوا نوشته شده و بر اساس ليسانس عمومي و فراگير GNU انتشار يافته است.Weka تقريباً روي هر پلت فرمي اجرا ميشود و نيز تحت سيستم عاملهاي لينوكس، ويندوز، و مكينتاش، و حتي روي يك منشي ديجيتالي شخصي، آزمايش شده است. اين نرم افزار، يك واسط همگون براي بسياري از الگوريتمهاي يادگيري متفاوت، فراهم كرده است كه از طريق آن روشهاي پيش پردازش، پس از پردازش و ارزيابي نتايج طرح هاي يادگيري روي همه مجموعه هاي داده موجود، قابل اعمال است. نرم افزار Weka ، پياده سازي الگوريتمهاي مختلف يادگيري را فراهم ميكند و به آساني ميتوان آنها را به مجموعه هاي داده خود اعمال كرد. همچنين، اين نرم افزار شامل مجموعه متنوعي از ابزارهاي تبديل مجموعه‌هاي داده ها، همانند الگوريتمهاي گسسته سازي ميباشد. در اين محيط ميتوان يك مجموعه داده را پيش پردازش كرد، آن را به يك طرح يادگيري وارد نمود، و دسته‌بندي حاصله و كارآيي‌اش را مورد تحليل قرار داد.( همه اين كارها، بدون نياز به نوشتن هيچ قطعه برنامه‌اي ميسر است.) اين محيط، شامل روشهايي براي همه مسايل استاندارد داده كاوي مانند رگرسيون، رده‌بندي، خوشه‌بندي، كاوش قواعد انجمني و انتخاب ويژگي ميباشد. با در نظر گرفتن اينكه، داده‌ها بخش مكمل كار هستند، بسياري از ابزارهاي پيش پردازش داده‌ها و مصورسازي آنها فراهم گشته است. همه الگوريتم ها، وروديهاي خود را به صورت يك جدول رابطهاي به فرمت ARFF دريافت ...
انجام پروژه های داده کاوی
انجام پروژه های داده کاوی با قیمت مناسب و ارزان و با کیفیت بالا انجام می شود: -پروژه با موضوع داده کاوی و کاربرد آن -پیاده سازی پروژه های مربوط به داده کاوی با زبان برنامه نویسی Matlab و پایگاه داده SQL Server برای اولین بار در ایران -انجام پروژه های داده کاوی با استفاده از ابزارهای CLIMENTALوwekaو... -برنامه نویسی به زبان دلفی و پایگاه داده اسکیوال سرور و اکسس -انجام پروژه های برنامه نویسی به زبان سی شارپ و پایگاه داده اوراکل -انجام کارهای تحقیقاتی و مقاله با موضوع داده کاوی در مجلات و کنفرانس های معتبر بین المللی -در ضمن پروژه داده کاوی با سرعت و کیفیت مناسب در کمترین زمان ممکن تحویل داده می شود. پروژه ها توسط یک تیم قوی و منسجم از دانشجویان و فارغ التحصیلان دانشگاه صنعتی شریف انجام می شود. به دلیل ترویج علم و دانش ،پروژه دانشجویی تحت هیچ شرایطی انجام نمی شود. شما می توانید با پست الکترونیکی [email protected] تماس بگیرید.
داده کاوی ، مفهوم و کاربرد آن
از هنگامي که رايانه در تحليل و ذخيره سازي داده ها بکار رفت (1950) پس از حدود 20 سال، حجم داده ها در پايگاه داده ها دو برابر شد. ولي پس از گذشت دو دهه و همزمان با پيشرفت فن آوري اطلاعات(IT) هر دو سال يکبار حجم داده ها، دو برابر شد. همچنين تعداد پايگاه داده ها با سرعت بيشتري رشد نمود. اين در حالي است که تعداد متخصصين تحليل داده ها و آمارشناسان با اين سرعت رشد نكرد. حتي اگر چنين امري اتفاق مي افتاد، بسياري از پايگاه داده ها چنان گسترش يافته اند که شامل چندصد ميليون يا چندصد ميليارد رکورد ثبت شده هستند و امکان تحليل و استخراج اطلاعات با روش هاي معمول آماري از دل انبوه داده ها مستلزم چند روز کار با رايانه- هاي موجود است. حال با وجود سيستم هاي يکپارچه اطلاعاتي، سيستم هاي يکپارچه بانکي و تجارت الکترونيک، لحظه به لحظه به حجم داده ها در پايگاه داده هاي مربوط اضافه شده و باعث به وجود آمدن انبارهاي ( توده هاي ) عظيمي از داده ها شده است به طوري که ضرورت کشف و استخراج سريع و دقيق دانش از اين پايگاه داده ها را بيش از پيش نمايان کرده است (چنان که در عصر حاضر گفته مي شود « اطلاعات طلاست» ). هم اکنون در هر کشور، سازمان ها، شرکت ها و . . . براي امور بازرگاني، پرسنلي، آموزشي، آماري و . . . پايگاه داده ها ايجاد يا خريداري شده است، به طوري که اين پايگاه داده ها براي مديران، برنامه ريزان، پژوهشگران و . . . جهت تصميم گيري هاي راهبردي، تهيه گزارش هاي مختلف، توصيف وضعيت جاري خود و . . . مي تواند مفيد باشد. داده کاوي[1] يا استخراج و کشف سريع و دقيق اطلاعات با ارزش و پنهان از اين پايگاه داده ها از جمله اموري است که هر کشور، سازمان و شرکتي به منظور توسعه علمي، فني و اقتصادي خود به آن نياز دارد. در کشور ما نيز سازمان ها، شرکت ها و مؤسسات دولتي و خصوصي به طور فزاينده ولي آهسته در حال ايجاد يا خريد نرم افزارهاي پايگاه داده ها و مکانيزه کردن سيستم هاي اطلاعات خود هستند، همچنين با توجه به فصول دهم و يازدهم قانون برنامه سوم توسعه در خصوص داد و ستدهاي الکترونيکي و همچنين تأکيد بر برخورداري کشور از فن آوري هاي جديد اطلاعات براي دستيابي آسان به اطلاعات داخلي و خارجي، دولت مکلف شده است امکانات لازم براي دستيابي آسان به اطلاعات، زمينه سازي براي اتصال کشور به شبکه هاي جهاني و ايجاد زير ساخت هاي ارتباطي و شاهراه هاي اطلاعاتي فراهم کند. واضح است اين امر باعث ايجاد پايگاه هاي عظيم داده ها شده و ضرورت استفاده از داده کاوي را بيش از پيش نمايان مي سازد. سابقه داده کاوي داده کاوي و کشف دانش در پايگاه داده ها از جمله موضوع هايي هستند که همزمان با ايجاد و استفاده ...
آشنایی با داده کاوی
توصيف داده‌ها براي داده‌كاوي پيش از ساخت مدل‌هايي براي پيش‌بيني، اطلاعات و داده‌ها بايد «توصيف» شوند. اين كار در جهت فهم داده‌ها و برقراري ارتباط بيشتر با داده‌ها ضروري است. در ابتدا اين كار ميتواند با ابزاري نظير ميانگين‌گيري، انحراف معيار و آمار توصيفي انجام گيرد. همچنين ميتوان با بررسي توزيع داده‌ها و يا ساخت جداول متقاطع، ديد مناسب‌تري را از داده‌ها ايجاد كرد. در مسائل مختلف، داده‌ها به شكل‌هاي متفاوتي وجود دارند. گاهي داده‌ها پيوسته هستند و مي‌توانند هر مقداري داشته باشند (مثل مقدار فروش يك محصول)؛ گاهي نيز ميتوان داده‌ها را در گروه‌هايي دسته‌بندي كرد (مثل آبي، قرمز و سبز)؛ برخي از داده‌ها قابل ترتيب‌گذاري هستند (مثل بالا / وسط / پايين)؛ داده‌هايي نيز به صورت اسمي و بدون ترتيب و نظم منطقي وجود دارند (مثل كد پستي). ترسيم گراف و نمايش گرافيكي داده‌ها، ابزاري بسيار مهم و حياتي در آماده‌سازي داده‌ها هستند و اهميت آنها در فرايند تحليل داده‌ها قابل صرف نظر نيست. نمايش گرافيكي داده‌ها به افراد مختلف در بسياري اوقات منجر به فهم جنبه‌هاي جديدي از اطلاعات ميشود. برخي از روشهاي متداول و مفيد نمايش اطلاعات عبارتند از نمايش هيستوگرام و نمايش جعبه‌اي كه توزيع مقادير را نمايش مي‌دهند. همچنين ميتوان داده‌ها را به صورت پراكنده در گراف‌هاي دوبعدي و سه‌بعدي ارائه كرد. گراف‌هاي چند بعدي كه با روشهاي خاصي اطلاعات بيشتري را در يك گراف نمايش مي‌دهند، به ميزان قابل توجهي در فهم داده‌ها مؤثرند. نمايش گرافيكي اطلاعات به مخاطبين اين امكان را مي‌دهد كه در جنگلي از اطلاعات روي يك درخت متمركز شوند. استفاده از نمايش گرافيكي اطلاعات همچنين در كشف الگوها و روابط حاكم بر اطلاعات و يافتن مقادير استثنايي و مقادير مفقود بسيار راهگشاتر از جداول اعداد و متن هستند. البته نمايش گرافيكي حجم زيادي از اطلاعات كار دشواري است؛ زيرا ما به صفحات دوبعدي رايانه و يا كاغذ محدوديم. به عنوان مثال فرض كنيد بخواهيم رابطه‌ي بين قابليت اطمينان به اعتبار مالي افراد (مثل چك) را با سن، جنسيت، وضعيت تأهل و نوع كار آنها پيدا كنيم. اگر در اين كار هوشمندي خوبي به خرج دهيم، مي‌توانيم اين اطلاعات چند بعدي را در گراف‌هاي دو بعدي ارائه كنيم. اما از طرفي مخاطبان ما نيز بايد براي استفاده و نتيجه‌گيري از اين گراف‌ها به خوبي آموزش ببينند. همچنين اگر در گراف‌ها از رنگ استفاده شده باشد، افراد كور رنگ در استفاده از آن مشكل خواهند داشت! خوشه‌بندي خوشه‌بندي، داده‌ها را به گروه‌هاي مختلفي تقسيم ميكند. هدف اصلي ...
سیستم مدیریت پایگاه داده
وظايف سيستم مديريت پايگاه داده وظايف DBMS در سيستم های مختلف تا حدودی متقاوت بوده و بستگي به نوع كاربران آن دارد. اما به طور كلي اين وظايف عبارتند از: 1. امکان تعريف پايگاه داده2. امکان ايجاد پايگاه داده3. امکان دستکاري داده ها4. بازيابي پايگاه داده5. بهنگام سازي پايگاه داده (عمليات درج، حذف و جايگزيني)6. تامين تسهيلاتي براي کاربر به منظور توسعه سيستم7. امکان سازماندهي مجدد8. کنترل امنيت و جامعيت داده ها9. ايجاد ديکشنري داده ها10. امکان کنترل کارائي تراکنش تراکنش (transaction) یک برنامه فعال است که دنباله ای از دستورات را شامل می شود و به طور خاص بعضی عمليات آن روی پایگاه داده است. سه عمل تراکنشی خاص وجود دارد: start که نشان می دهد يک تراکنش دارد شروع می شود، commit که دلالت بر اتمام عادی تراکنش دارد و abort که بيان کننده پايان يافتن تراکنش به دليل سقط آن است و کليه اثرات ترکنش سقط شده بايد rollback يا بی اثر شود. وقتی تراکنش commit می شود تاثیرش روی پايگاه داده بايد دائمی شود. هر تراکنش باید پايگاه داده را از یک حالت سازگار به حالت سازگار بعدی ببرد. تراکنش بايد دارای خواص ACID باشد تا پايگاه داده را در حالت سازگار باقی نگهدارد. خواص ACID حروف اول چهار خاصيت زير می باشند: 1. اتميسيته (Atomicity) تراکنش ها اتمیک هستند یا اصلا شروع نمی شوند یا وقتی آغاز شدند حتما به پایان می رسند. یا همه عملیات انجام می شود یا هیچکدام. نگهداشتن خاصیت اتمیسیته به عهده کنترل همروندی و ترمیم است. 2. سازگاری (Consistency) یک تراکنش يا پايگاه داده را به حالت سازگار جديدی می برد يا اگر شکستی رخ داد کليه داده ها به حالت قبل از شروع تراکنش برمی گردند. 3. ايزوله بودن (Isolation) تراکنشی که در حال اجراست و هنوز به پايان نرسيده تاثیرش از بقيه مخفی است مگر اینکه commit شده باشند. اجرای همروند تراکنش ها باید به صورتی باشد که انگار پشت سرهم اجرا شده اند. حفظ اين خاصيت بر عهده کنترل همروندی است. 4. ماندگاری (Durability) از وقتی تراکنشی commit شد تاثیرش دائمی است؛ حتی اگر سیستم خراب شود داده در حالت درست خود باقی می ماند. اجزای سیستم مدیریت پایگاه داده وظایف DBMS توسط تعدادی مولفه نرم افزاری انجام می شود. هر كدام از این مولفه ها ممكن است مركب از چند واحد كوچكتر باشند. تعدادی از سرویس های که توسط مولفه های DBMS داده می شوند در زیر لیست شده است: 1. پردازش تراکنش (Transaction Processing) پردازش تراکنش عملیاتی که از منابع مختلف می رسد را روی پایگاه داده اجرا می کند به نحوی که خواص مطلوب تراکنش خدشه دار نشود. سرویس های کنترل همروندی و ترمیم به این مولفه برای برقراری خواص ACID کمک می کنند. به این ترتیب اجرای همروند تراکنش ...
داده‌كاوي در مديريت ارتباط با مشتري
شركت‌هاي كنوني، با تجزيه و تحليل چرخه زندگي مشتري، به افزايش ارزش مشتري دست يافته‌اند. ابزار و فناوري‌هاي انبار داده، داده‌كاوي و ديگر روشهاي مديريت ارتباط با مشتري، روشهايي هستند كه فرصت‌هاي جديدي را براي تجارت فراهم كرده‌اند.در واقع، امروزه ديدگاه محصول محوري جاي خود را به مشتري محوري داده است. بنابراين، با جمع‌آوري داده‌هاي مربوط به مشتري و تصميم‌گيري براساس الگوهاي استخراج شده از روابط پنهان ميان داده‌ها به وسيله ابزار داده‌كاوي ميتوان به خواسته مشتري محوري خود جامه عمل پوشاند. اين مقاله، مفاهيمي از مديريت ارتباط با مشتري و يكي از عناصر آن- داده‌كاوي- را بررسي ميكند.فرهنگ تجارت، در سال‌هاي اخير پيشرفت‌هايي كرده و به دنبال آن روابط اقتصادي مشتريان به شيوه‌هاي بنيادي و اساسي در حال تغيير است. شركت‌ها، به منظور نظارت بر اين‌گونه تغييرات، نيازمند ارائه راه‌حل‌هاي مناسب مي باشند. ظهور و پيدايش اينترنت در تغيير جهت مركز توجه بازاريابي، نقشي بسزا داشته است. درصورتي‌كه اطلاعات ON LINE بيشتر در دسترس قرار گيرد، موجب آگاهي و هوشياري بيشتر مشتريان ميشود. آنها در جريان تمام آنچه ارائه و پيشنهاد ميشود قرار ميگيرند و بهترين‌ها را تقاضا مي‌كنند. براي فائق آمدن بر چنين شرايطي بايد از سيستم‌هايي استفاده شود كه به‌طور دقيق نسبت به مشتريان واكنش نشان دهد. جمع‌آوري آمار مشتريان و داده‌هاي رفتاري آنها اين هدف اصلي و دقيق را ممكن ميكند. اين نوع هدف‌گيري به برنامه‌ريزي عالي هنگام ايجاد رقابتي سخت و به مشخص كردن مشتريان بالقوه هنگام عرضه محصولات جديد كمك ميكند.داده‌كاويامروزه با حجم عظيمي از داده‌ها روبه‌رو هستيم. براي استفاده از آنها به ابزار كشف دانش نياز داريم. داده‌كاوي به عنوان توانايي پيشرفته‌اي در تحليل داده و كشف دانش استفاده ميشود. داده‌كاوي در علوم (ستاره‌شناسي،...) ، در تجارت (تبليغات، مديريت ارتباط با مشتري،...) ، در وب (موتورهاي جست‌وجو،...) و در مسائل دولتي (فعاليت‌هاي ضد تروريستي،...) كاربرد دارد. فعاليت داده‌كاوي، شبيه استخراج زغال سنگ و طلا مي باشد. داده‌كاوي، اطلاعاتي را كه در انبارهاي داده مدفون شده است، استخراج ميكند.در واقع هدف از داده كاوي، ايجاد مدل‌هايي براي تصميم‌گيري است. اين مدل‌ها رفتارهاي آينده را براساس تحليل‌هاي گذشته، پيش‌بيني مي‌كنند. استفاده از داده‌كاوي به عنوان اهرمي براي آماده‌سازي داده‌ها و تكميل قابليت‌هاي انباره داده، بهترين موقعيت را براي كسب مزيت‌هاي رقابتي ايجاد ميكند.سيستم‌هاي BASE DATA نقشي مهم در سيستم‌هاي ...
جايگاه داده‌كاوي در مديريت دانش
مديريت دانش1امروزه در عصر يادگيري، كاركنان را ارزشمندترين منبع سازمان به‌شمارمي‌آورند. كاركنان، حجم عظيم داده‌ها، اطلاعات و دانش سازمان را توليد كرده و به‌كار مي‌بندند. از اين‌رو در سازمان‌هاي نوين، هم‌كناري مديريت دانش و مديريت منابع انساني، به امري ضروري تبديل شده است. مديريت دانش، رويكردي سيستمي و يكپارچه است كه تمامي دارايي‌هاي اطلاعاتي سازمان، اعم از: مستندات، پايگاه داده‌ها، خطي‌مشي‌ها، رويه‌ها و تجربيات كاركنان و سازمان را در برمي‌گيرد و به اشتراك مي‌گذارد. مديريت دانش، سكوي تسهيل كننده استخراج، ذخيره‌سازي، يكپارچه سازي، انتقال، مشاهده، تجزيه و تحليل و استفاده از دانش در سازمان است. مديريت دانش به منظور حفظ، تجزيه و تحليل، سازماندهي، بهبود و تسهيم تجارب كسب و كار، بهعنوان ابزار، روش و راهبرد در سازمان بهكارميرود. در واقع، مديريت دانش متدلوژي استخراج سيستمي و استفاده از دانش در سازمان است كه از طريق همين دانش و سرمايه فكري، ثروت و ارزش ميآفريند. در نگرش سيستمي به مديريت دانش، سه مؤلفه اصلي: منابع انساني، فرايندها و فناوري دخالت و با يكديگر همپوشاني دارند (شكل 1).شكل 1نسبت مديريت دانش و داده‌كاوي2براي به‌كارگيري مديريت دانش در سازمان، از ابزار متفاوتي استفاده ميشود كه يكي از مهم‌ترين آنها، داده‌كاوي است. هنگامي كه طراحي مجدد فرايندهاي كسب و كار (BRP) مورد نظر است، داده‌كاوي به عنوان تكنيك، در خدمت مديريت دانش قرار مي‌گيرد. در هر بنگاه صنعتي، اقتصادي و تجاري نيز دانش با ارزش در مورد مشتري، محصول و بازار را ميتوان از طريق داده‌كاوي به‌دست آورد. با بزرگ‌تر شدن حجم داده‌ها و اطلاعات سازمان‌ها، اهميت اين مسئله روزبه‌روز بيشتر ميشود. هنگامي كه حجم داده‌ها زياد است، براي مديريت آنها از سيستم‌هاي پايگاه داده‌ها (DBS/DBMS) استفاده ميشود. در حالت زياد بودن حجم داده‌ها، داده‌كاوي براي استخراج و به دست آوردن دانش به‌كار مي‌آيد. هنگامي كه حجم دانش زياد است، از سيستم مديريت دانش (KMS) استفاده ميشود.داده‌كاويپيشينه طرح موضوع داده‌كاوي به دهه 1980 و به صورت جدي، به دهه 1990 برمي‌گردد. پيش از آن از سيستم‌هاي جمع‌آوري و مديريت داده‌ها و اصطلاحاً لايروبي داده‌ها استفاده مي‌شد، اما به مرور زمان، استخراج و كشف سريع و دقيق اطلاعات با ارزش و پنهان از پايگاه داده‌ها، به عنوان داده‌كاوي مورد توجه قرار گرفت. به اين شكل بود كه فرايند داده‌كاوي به عنوان فرايند آماري و تجزيه و تحليل در فرايند كشف دانش در پايگاه داده‌ها (KDD)3 پررنگ شد، به حدي كه گاه، داده‌كاوي (DM) به عنوان ...