آمار معاملات روزانه و محاسبه متغیرهای مالی شرکت ایران خودرو دیزل در سال 84

آمار معاملات روزانه و محاسبه متغیرهای مالی شرکت ایران خودرو دیزل در سال 84 این فایل شامل آمار معاملات روزانه شرکتایران خودرو دیزل در سال 84 بوده و شامل بخشهای نوسان، نسبت قیمت به سود، سود هر سهم،بالاترین و پایین ترین قیمت، حجم سهام و ارزش بازاری می باشد

دسته بندی	حسابداری
فرمت فایل	zip
حجم فایل	26 کیلو بایت
تعداد صفحات فایل	5

این فایل شامل آمار معاملات روزانه شرکتایران خودرو دیزل در سال 84 بوده و شامل بخشهای نوسان، نسبت قیمت به سود، سود هر سهم،بالاترین و پایین ترین قیمت، حجم سهام و ارزش بازاری می باشد

آمار معاملات روزانه و محاسبه متغیرهای مالی شرکت ایران خودرو دیزل در سال 83

آمار معاملات روزانه و محاسبه متغیرهای مالی شرکت ایران خودرو دیزل در سال 83 این فایل شامل آمار معاملات روزانه شرکتایران خودرو دیزل در سال 83 بوده و شامل بخشهای نوسان، نسبت قیمت به سود، سود هر سهم،بالاترین و پایین ترین قیمت، حجم سهام و ارزش بازاری می باشد

دسته بندی	حسابداری
فرمت فایل	zip
حجم فایل	26 کیلو بایت
تعداد صفحات فایل	5

این فایل شامل آمار معاملات روزانه شرکتایران خودرو دیزل در سال 83 بوده و شامل بخشهای نوسان، نسبت قیمت به سود، سود هر سهم،بالاترین و پایین ترین قیمت، حجم سهام و ارزش بازاری می باشد

داده‌کاوی : محرمانگی و امنیت داده‌ها

داده‌کاوی : محرمانگی و امنیت داده‌ها پایگاه داده‌های بزرگی وجود دارند که بالقوه حاوی اطلاعات ارزشمندی هستند اما ارزش واقعی آنها هنگامی مشخص می‌شود که اطلاعات و دانش مفیدی از آنها استخراج گردد این اطلاعات می‌تواند به پشتیبانی در تصمیم‌گیری و یا هر توضیحی برای درک بهتر منبع منجر شود به همراه سوالات درس

دسته بندی	کامپیوتر
فرمت فایل	doc
حجم فایل	34 کیلو بایت
تعداد صفحات فایل	18

 داده‌کاوی : محرمانگی و امنیت داده‌ها

چکیده

داده‌کاوی فنی است که استخراج اطلاعات ناشناخته را از پایگاههای بزرگ داده میسر می‌سازد. سازمانها نیز از مزایای بهره‌گیری از این فن بی‌بهره نیستند. داده‌کاوی سازمانها را در درک بهتر داده‌های مربوط به بازار، رقبا، مشتریان و ... یاری رسانده و اثربخشی فعالیت آنها را افزایش می‌دهد. لیکن داده‌کاوی نیز مانند سایر فنون می‌تواند مورد استفادة نادرست قرار گیرد. داده‌کاوی هم می‌تواند الگوها و سایر انواع دانش را که تاکنون میسر نبوده، کشف کند و هم می‌تواند تهدیدی برای اطلاعات محرمانه و امنیت آنها باشد. در این تحقیق به موضوع محرمانگی اطلاعات شخصی و امنیت داده‌ها در داده‌کاوی پرداخته شده‌است.

کلیدواژه: داده‌کاوی، اطلاعات شخصی، محرمانگی، امنیت داده‌ها

1. مقدمه

پایگاه داده‌های بزرگی وجود دارند که بالقوه حاوی اطلاعات ارزشمندی هستند اما ارزش واقعی آنها هنگامی مشخص می‌شود که اطلاعات و دانش مفیدی از آنها استخراج گردد. این اطلاعات می‌تواند  به  پشتیبانی در تصمیم‌گیری و یا هر توضیحی برای  درک  بهتر منبع  منجر   شود (Yoon 1999). Chopoorian و همکارانش (2001) توضیح می‌دهد که بسیاری از سازمانها، پایگاههای داده‌ای بزرگی شامل بازار، رقبا و مشتریان دارند که با داشتن درک بهتری از این داده‌ها می‌توانند کسب و کار خود را بهتر درک کنند، خدمات بیشتری به مشتریان ارائه دهند و اثربخشی خود را افزایش دهند. داده‌کاوی را استخراج اطلاعات پنهان از پایگاه داده‌ها می‌دانند که به حل مسائل کسب و کار کمک می‌کند(Cook and Cook 2003). 

دو برابر شدن قدرت پردازش کامپیوترها در هر 18 ماه،  پیشرفتهایی در فنون ذخیره‌سازی داده‌ها، سقوط هزینة ذخیره سازی و پیشرفتهایی در فنون داده‌کاوی در پایگاه داده‌های بزرگ (McAlister 1998) باعث روی آوردن به این تکنیک جدید شده است. لیکن هر چه اطلاعات بیشتری از طریق فرمهای الکترونیکی و به کمک اینترنت قابل دسترس می‌گردند و هرچه ابزار داده‌کاوی با قدرت بیشتر توسعه یافته و مورد استفاده قرار می‌گیرند، این سؤال پیش می‌آید که: آیا داده‌کاوی نیز مانند سایر فنون می‌تواند مورد استفاده نامناسب قرار گیرد؟  بنظر می‌رسد نیاز به بررسی تأثیرات ناشی از استفاده از این تکنیک داریم. 

 قبل از بررسی این موضوع به توضیح مختصری در بارة مفاهیمی چون داده، اطلاعات،  دانش، کشف دانش در پایگاه داده‌ها و داده‌کاوی می‌پردازیم.

2. داده، اطلاعات و دانش

سه واژة داده، اطلاعات و دانش سه واژة کلیدی در عصر اطلاعات هستند که متأسفانه به غلط به جای هم  استفاده می‌شوند.  Ackoffدر سال 1989 تعریفی از این سه واژه ارائه داده است. وی داده  را حقایق خامی می‌داند که تنها جنبة نمایشی دارند و به خودی خود دارای هیچ معنای خاصی نیستند و به هر فرمی اعم از سمبل، عدد و ... می‌توانند باشند. اطلاعات  با تعریف وی داده‌هایی هستند که دارای مفهوم هستند و می‌توانند مورد استفاده قرار گرفته و مفید باشند. مجموعه‌ای متناسب از اطلاعات که به منظور استفادة بهتر کنار هم قرار گرفته‌اند، دانش  نامیده شده‌است ِ(Ackoff 1989). رابطة بین داده، اطلاعات و دانش را Tuomi  در سال 1999 چنین بیان می‌دارد:

 داده‌کاوی: محرمانگی و امنیت داده‌ها

چکیده

داده‌کاوی فنی است که استخراج اطلاعات ناشناخته را از پایگاههای بزرگ داده میسر می‌سازد. سازمانها نیز از مزایای بهره‌گیری از این فن بی‌بهره نیستند. داده‌کاوی سازمانها را در درک بهتر داده‌های مربوط به بازار، رقبا، مشتریان و ... یاری رسانده و اثربخشی فعالیت آنها را افزایش می‌دهد. لیکن داده‌کاوی نیز مانند سایر فنون می‌تواند مورد استفادة نادرست قرار گیرد. داده‌کاوی هم می‌تواند الگوها و سایر انواع دانش را که تاکنون میسر نبوده، کشف کند و هم می‌تواند تهدیدی برای اطلاعات محرمانه و امنیت آنها باشد. در این تحقیق به موضوع محرمانگی اطلاعات شخصی و امنیت داده‌ها در داده‌کاوی پرداخته شده‌است.
کلیدواژه: داده‌کاوی، اطلاعات شخصی، محرمانگی، امنیت داده‌ها

1. مقدمه

 بسیاری از سازمانها، پایگاههای داده‌ای بزرگی شامل بازار، رقبا و مشتریان دارند که با داشتن درک بهتری از این داده‌ها می‌توانند کسب و کار خود را بهتر درک کنند، خدمات بیشتری به مشتریان ارائه دهند و اثربخشی خود را افزایش دهند. داده‌کاوی را استخراج اطلاعات پنهان از پایگاه داده‌ها می‌دانند که به حل مسائل کسب و کار کمک می‌کند(Cook and Cook 2003). دو برابر شدن قدرت پردازش کامپیوترها در هر 18 ماه،  پیشرفتهایی در فنون ذخیره‌سازی داده‌ها، سقوط هزینة ذخیره سازی و پیشرفتهایی در فنون داده‌کاوی در پایگاه داده‌های بزرگ (McAlister 1998) باعث روی آوردن به این تکنیک جدید شده است. لیکن هر چه اطلاعات بیشتری از طریق فرمهای الکترونیکی و به کمک اینترنت قابل دسترس می‌گردند و هرچه ابزار داده‌کاوی با قدرت بیشتر توسعه یافته و مورد استفاده قرار می‌گیرند، این سؤال پیش می‌آید که: آیا داده‌کاوی نیز مانند سایر فنون می‌تواند مورد استفاده نامناسب قرار گیرد؟  بنظر می‌رسد نیاز به بررسی تأثیرات ناشی از استفاده از این تکنیک داریم.  قبل از بررسی این موضوع به توضیح مختصری در بارة مفاهیمی چون داده، اطلاعات،  دانش، کشف دانش در پایگاه داده‌ها و داده‌کاوی می‌پردازیم.

2. داده، اطلاعات و دانش

سه واژة داده، اطلاعات و دانش سه واژة کلیدی در عصر اطلاعات هستند که متأسفانه به غلط به جای هم  استفاده می‌شوند.  Ackoffدر سال 1989 تعریفی از این سه واژه ارائه داده است. وی داده  را حقایق خامی می‌داند که تنها جنبة نمایشی دارند و به خودی خود دارای هیچ معنای خاصی نیستند و به هر فرمی اعم از سمبل، عدد و ... می‌توانند باشند. اطلاعات  با تعریف وی داده‌هایی هستند که دارای مفهوم هستند و می‌توانند مورد استفاده قرار گرفته و مفید باشند. مجموعه‌ای متناسب از اطلاعات که به منظور استفادة بهتر کنار هم قرار گرفته‌اند، دانش  نامیده شده‌است ِ(Ackoff 1989). رابطة بین داده، اطلاعات و دانش را Tuomi  در سال 1999 چنین بیان می‌دارد:

سئوالات داده‌کاوی: محرمانگی و امنیت داده‌ها

سئوال 1. عوامل روی آوردن به تکنیک داده‌کاوی را ذکر کنید.

-         دو برابر شدن قدرت پردازش کامپیوترها در هر 18 ماه

-         پیشرفتهایی در فنون ذخیره‌سازی داده‌ها

-        سقوط هزینة ذخیره سازی

-        پیشرفتهایی در فنون داده‌کاوی در پایگاه داده‌های بزرگ

داده کاوی توالی های تکرارپذیر

داده کاوی توالی های تکرارپذیر یکی از مسائل بسیار data mining استخراج توالیهای تکرارپذیر از یک پایگاه داده تراکنشی می باشد هدف کشف توالیهای تکرارپذیر از وقایع می باشد

دسته بندی	کامپیوتر
فرمت فایل	doc
حجم فایل	31 کیلو بایت
تعداد صفحات فایل	18

 سمینار درس  data mining 

Frequent  sequences

ALGORITHMS FOR MINING FREQUENT SEQUENCES

مساله داده کاوی توالیهای تکرارپذیر این است که تکرارپذیری را که در زیر توالیهای یک پایگاه داده تکرارپذیر روی می دهد استخراج کنیم.

مقدمه

بعضی از کاربردهای sequence mining عبارت است از:

• با انجام بر روی پایگاه داده پزشکی محقق ممکن است به این موضوع پی ببرد که رویدادن توالی نشانه های معینی منجر به بیماری معینی می گردد.
• با تحلیل weblog (گزارشات روزانه بدست آمده از web ) یک  web site  می تواند محبوبترین صفحات  web را که مورد بازدید واقع می شود شناسایی کند .
• آنالیز توالی  DNA یکی از سطوح تحقیق بسیار مهم است در علم ژنتیک که اجازه می دهد بیماریهای ارثی را کشف کنیم و پیش بینی کنیم که آیا یک فرد ناقل بیماری معینی می باشد یا نه ؟
•  یک کتابفروش اینترنتی می تواند تحلیل کند توالیهای خرید مشتریانش را برای دستیابی به الگوی خرید آنها و می تواند به مغازه در طراحی استراتژی فروش کمک کند.

اولین مدلی که در این زمینه ارائه شده بود دارای پایگاه داده ای متشکل از تراکنش ها می شود. هر  Transaction مجموعه ای از آیتمها در ارتباط با یک  ID برای مشتری و یک  ID برای زمان. اگر این  transaction  ها با  ID هایشان گروهبندی شوند و سپس بر اساس افزایش  ID زمان هر مشتری مرتب شوند تعدادی توالی مشتری بدست می آید.هر توالی مشتری نشان دهنده سفارشی است که یک مشتری انجام داده است. مساله این است که زیرتوالیهایی پیدا کنیم که در بین همه مشتریان زیاد تکرار شده اند.

هدف از این بخش جستجوی الگوریتم های مختلف و در دسترس برای داده کاوی توالیها و سپس تحلیل مشخصه ها و محیطهای کاربری هر یک می باشد.

ابتدا چهار الگوریتم مهم برای  sequencing ارائه می گردد.که عبارتد از  gsp ,  MFS، SPADE و  PREFIXSPAN می باشند.

در میان همه الگوریتمها، GSP یک الگوریتم چند فازی تکرارشونده می باشد. این الگوریتم تعدادی از آیتمها را بررسی اجمالی میکند. بسیار شبیه به ساختار الگوریتم    APRIORIبرای داده کاوی  ASSOCIATION RULES  ،GSP کارش را با پیدا کردن همه توالیهای با طول یک با بررسی اجمالی پایگاه داده  شروع می کند. این شیوه سپس  برای توالیهای با طول 2 بکار برده می شود.میزان SUPPORT یا تکرار÷ذیری از توالیهای انتخاب شده با مرور مجدد پایگاه داده محاسبه می شود.آن توالیهایی با طول 2 که تکرار پذیر هستند برای تولید توالیهای منتخب با طول 3 بکار برده می شوندو به همین ترتیب. این فرآیند تا زمانی تکرار می شود که در بررسی اجمالی پایگاه داده توالیهای تکرارپذیر بیشتری کشف نشوند. GSP الگوریتم کارایی می باشد.

بهر حال تعداد تکرارها ( و بنابر این مرور پایگاه داده ) مورد نیاز در  GSP وابسته به طول بلند ترین توالیهای تکرار÷ذیر در پایگاه داده می باشند. بنابراین در صورتیکه پایگاه داده بزرگ باشد و یا اگر آن دربردارنده طولهای بزرگی از توالیهای تکرارپذیر باشند ، هزینه  I/O (ورودی ، خروجی) در  GSP بالا خواهد بود.

برای بهبود اجرای I/O در GSP، الگوریتمی که MFS گفته می شود بدست آمده است. MFS ابتدا جوابهای تقریبی را پیدا می کند وSest و برای مجموعه توالیهای تکرارپذیر یکراه برای دستیابی به  Sest، تحلیل داده ای یک نمونه از پایگاه داده مورد استفاده، برای مثال، GSP است.

MFS سپس یکبار پایگاه داده را برای تعیین توالیهایی که در Sest تکرار پذیر هستند مرور می کند .

آنالیز خوشه‌ای

آنالیز خوشه‌ای آنالیز خوشه‌ای یک فعالیت مهم‌ انسان است خیلی زود بچه‌ها یاد می‌گیرند که گربه‌هاوسگها را از هم تشخیص دهند یا بین حیوانها وگیاهان تفاوت قائل شوند این تشخیصها براساس شم و حس نیمه هوشیار خوشه بندی آنهاست که بطور پیوسته بهبود می‌یابد آنالیز خوشه‌ای کاربرد گسترده‌ای داشته است که عبارتند از شناسایی متن، آنالیز داده، پردازشهای تصویر و تحقیقات بازار

دسته بندی	کامپیوتر
فرمت فایل	doc
حجم فایل	356 کیلو بایت
تعداد صفحات فایل	59

 Data mining clustering in

  آنالیز خوشه‌ای

مقدمه:

به عنوان شاخه‌ای از آمار، آنالیز خوشه‌ای برای سالها بطور وسیعی مورد مطالعه قرار گرفته است و برروی فاصله متمرکز شده است. ابزارهای آنالیز خوشه ای که مبتنی بر K-means و K-medoids و چند روش دیگر هستند، در خیلی از بسته های نرم افزاری آمار مانند Sas , S-plus , Spss درست شده‌اند. دریادیگری ماشینی، خوشه بندی مثالی از یادگیری بدون نظارت می‌باشد. برخلاف کلاس بندی، خوشه بندی  ویا یادگیری بدون نظارت، روی کلاس‌های از قبل تعریف شده و یا ویژگی هدفی تکیه ندارند. به همین دلیل خوشه بندی شکلی از یادگیری بوسیلة مشاهدات است تا یادگیری با مثالها.

در آنالیز خوشه‌ای مسائل زیر عنوان می‌شوند:

-        آنالیز خوشه‌ای چیست؟

-        یک دسته بندی از روشهای خوشه بندی اصلی

-        روشهای افزار بندی

-        روشهای سلسله مراتبی

حال به ترتیب یکی یکی وارد مباحث می‌شویم.

آنالیز خوشه‌ای چیست؟

ابتدا بررسی می‌کنیم خوشه بندی چیست. خوشه بندی، گروهبندی نمونه‌های مشابه با هم در یک نمونة داده‌ای می‌باشد و مسائل اساسی مربوط به آن عبارتند از:

-        توزیع داده‌های به K گروه مختلف که نقاط هر گروه با یکدیگر مشابهند.

-        تشابه بین نقاط از روی برخی فاصله‌های متر یک ( که باید انتخاب شوند) تعریف می‌شود.

خوشه‌بندی برای کارهای زیر سودمند ست: