مروري برالگوريتم هاي داده كاوي و عملكرد آنها

داده كاوي فرآيند بررسي و تجزيه و تحليل حجم زيادي از داده ها توسط ابزارهاي خودكار و يا نيمه خودكار است و هدف پيدا كردن الگوهاي پنهان و مجموعه قوانين حاكم بر داده ها است. در واقع سيستمهاي داده كاوي، اين امكان را به كاربر مي دهند كه بتوانند انبوه داده هاي جمع آوري شده را توسط ابزارهاي خودكار و يا نيمه خودكار تفسير كنند و دانش نهفته و يا الگوي پنهان در پايگاه داده ها را استخراج نمايند. اگر بخواهيم براي داده كاوي مرزبندي مشخص نماييم، داده كاوي مرز مشترك سه چيز است: 1- ماشين يادگيري 2- هوش مصنوعي 3- پايگاه داده. امروزه داده كاوي به عنوان يكي از مهمترين مسائل هوش مصنوعي و پايگاه داده، محققان بسياري را به خود جذب كرده است. در رابطه با داده كاوي الگوريتم هاي متعددي وجود دارد كه از جمله آنها مي توان به الگوريتم هاي CART، Naive Bayes، KNN، SVM، C4.5،Neural Network ، DBSCAN، K-MEANS، K-MEANS++،K-MEDOIDS و ... اشاره كرد. در اين تحقيق ابتدا يك تعريف كلي بر داده كاوي داشته و سپس نگاهي به برخي از الگوريتم هاي موجود براي آن خواهيم داشت.