زیر شاخه های داده کاوی

ش

زیر شاخه های داده کاوی را به چند دسته می توان تقسیم بندی نمود که در این مقاله قصد بررسی آنها را داریم. 

کاوش وب یا همان وب ماینینگ 

یکی از زمینه های پر کاربرد داده کاوی کاهش کاوش وب می باشد. در این باره الگوریتم های مختلفی مطرح می باشند، مانند: کشف قواعد باهم آیی، الگوریتم های مبتنی بر تراکنش و طول مرجع. وب کاوی دارای کاربرد های مختلفی می باشد که درک و فهم مقصد کاربر در جستجو، تحلیل جریان کلیک و تحلیل ترافیک وب سایت ها در وب معنایی برخی از آنها می باشند.

تصویر کاوی (پردازش تصویر)

 یکی از کاربردهای مهم و اساسی داده کاوی در سال‌های اخیر پردازش تصویر بوده که روز به روز بر اهمیت و دامنه استفاده از آن افزوده می شود. از الگوریتم های پرکاربرد در رابطه با پردازش تصویر یا همان تصویر کاوی می توان به بخش بندی تصویر و شناسایی اشیا اشاره نمود. کاوش تصویر یا همان تصویر کاوی دارای کاربردهای بسیار متنوعی در علوم مختلف از جمله پزشکی، برنامه ریزی شهری، موتورهای جستجوی وب، علوم فضایی و طور کلی هر جایی که تصویر موضوعیت دارد، می باشد.  به عنوان مثال در پزشکی از تصویر کاوی به منظور شناسایی الگوهای مربوط به انواع بیماری ها از جمله تومورهای سرطانی در تصویربرداری پزشکی استفاده می‌شود. کاربردی تصویربرداری بسیار متنوع بوده که از بین آنها می‌توان به ایندکس گذاری تصاویر، شناسایی اشیا در تصاویر، اسکرین لپ تاپ، تشخیص های پزشکی و بازیابی تصاویر از بانک‌های اطلاعاتی مربوطه در موتورهای جستجو اشاره نمود.

داده کاوی فضایی (داده کاوی مکانی)

 داده کاوی مکانی یا همان داده کاوی مکان محور در رابطه با داده های مکانی مانند داده های  مستخرج از سیستم های جی آی اس  موضوعیت دارد. در این نوع داده کاوی الگوریتم های مختلفی از قبیل خوشه بندی مکانی، دسته بندی  یا همان کلاس بندی مکانی و همچنین تعیین مشخصات مکانی مورد استفاده قرار می گیرند.  داده کاوی مکانی در حوزه های مختلف علوم دارای کاربردهای متنوع می باشد، مانند پیش بینی زلزله، مطالعات محیط زیستی، مطالعات منطقه ای، آشکارسازی روند های مکانی و سیستم مکان یابی جهانی

داده کاوی زمانی

داده کاوی زمانی مربوط به داده هایی بوده که بعد زمانی در رابطه با آنها مطرح می باشد، همانند سری های زمانی که در رابطه با یک موضوع اطلاعاتی را در گذر زمان به ما ارائه خواهند داد. سری های زمانی در حوزه های مختلف علوم و کسب و کار دارای کاربرد بسیار زیادی می باشند، چرا که خیلی از اوقات به دنبال این هستیم تا رفتار یک پدیده را در گذر زمان مورد پایش و تجزیه و تحلیل قرار دهیم و تغییرات مطلوب و نامطلوب متغیر مورد نظر را در گذر زمان رصد نماییم. در  چنین مواردی داده کاوی زمانی مورد کاربرد شایانی می باشد.  جمع بندی اینکه تحلیل داده های مرتبط با سری های زمانی به عنوان مهم ترین کاربرد داده کاوی زمانی در این روزها مطرح می باشد. الگوریتم های پرکاربرد مربوط به داده کاوی زمانی عبارتند از:

  • SPIRIT 
  • GPS algorithm 
  • SPADE
رای دادن به این post

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.