• طراحی سیستم‌های پیشنهاد دهنده با استفاده از متد گرادیان نزولی.
• طراحی سیستم‌های پیشنهاد دهنده با استفاده از متد حداقل خطای مربعات.
• طراحی سیستم‌های پیشنهاد دهنده با استفاده از متد الگوریتم ژنتیک.
• طراحی سیستم‌های پیشنهاد دهنده با استفاده از متد گرادیان نزولی و جست‌وجوی آشوب‌ناک.
• بهینه‌سازی به کمک الگوریتم ژنتیک بهبود یافته با استفاده از روش خوشه‌بندی k-means.
• رنگ آمیزی گراف به کمک‌ الگوریتم‌های تکاملی.
• تطبیق نمونه در پردازش ویدیو با قابلیت تشخیص اشیا متحرک.
• مات‌زدایی تصاویر به کمک تبدیل‌ framelet.

09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

• مات‌زدایی تصاویر به کمک تبدیل‌ wavelet.
• طراحی مدلی به‌منظور پنهان‌‎نگاری در تصاویر به‌کمک الگوریتم ژنتیک.
• طراحی مدلی به‌منظور پنهان‌‎نگاری ویدیویی به‌کمک الگوریتم ژنتیک.
• تطبیق تکه‌های یک تصویر پاره شده به‌کمک ویژگی‌های بافت تصویر.
• تشخیص دست خط.
• قطعه‌بندی تصاویر به‌کمک ترکیب GA و الگوریتم snakes.
• استخراج مرز بافت‌های مغزی به کمک پردازش تصاویر.
• تشخیص تومور به کمک پردازش تصاویر.
• تشخیص سرطان سینه با استفاده از تصاویر MRI.
• برنامه‌ریزی خطی به منظور حل مسائل چند مجهولی.
• تصحیح برگ‌های امتحانی چند گزینه‌ای به کمک Opencv.

09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

• طراحی مدل ژنتیک الگوریتم فازی به منظور حل مساله پاندول.
• تطبیق رشته‌ها به کمک روش‌های مختلف داده‌کاوی.
• قطعه بندی تصاویر به کمک روش ترکیبی pso و نگاشت saliency.
• برنامه‌ریزی و شبیه‌سازی خانه هوشمند به کمک شبیه ساز jade تحت زبان برنامه نویسی جاوا.
• داده‌کاوی به کمک نرم افزار rapid miner.
• داده‌کاوی به کمک نرم افزار weka.

09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

• داده کاوی به کمک oracle data mining tools.

وب کاوی

استفاده از وب داده های  وب یکی از گام های کلیدی در کشف دانش در پایگاه داده، ایجاد یک مجموعه داده مناسب جهت انجام داده کاوی می باشد.در وب کاوی این داده می تواند از سمت سرور، مشتری، پروکسی سرور یا از یک پایگاه داده سازمان جمع آوری شود. هر کدام از این داده ها نه تنها از نظ منابع داده متفاوت می باشند بلکه از نظر انواع داده های موجود و محدوده مکانی که آن داده از آنجا جمع آوری می شود و متد پیاده سازی آن انواع داده ای که در وب کاوی استفاده می شود شامل:محتوا: داده واقعی در صفحات وب، داده ای که صفحه وب برای نمایش آن به کاربران طراحی شده است.که معمولاً از متن و گرافیک تشکیل شده ولی به آن محدود نمی شود.ساختار: داده ای که سازمان دهی محتوا را مشخص می سازد. اطلاعات ساختار درون صفحات شامل ترتیب انواع تگ های XML  یا HTML در یک صفحه داده شده می باشد و می تواند به صورت یک ساختار درختی نمایش داده شود که تگ ریشه درخت می باشد. اصلی ترین نوع از اطلاعات ساختاری بین صفحات، هایپرلینک است که یک صفحه را به دیگری مرتبط می کند.استفاده: داده ای که الگوی استفاده از صفحات وب را مشخص می سازد، مثل آدرس های IP، رجوع به صفحات و تاریخ و زمان دسترسی پروفایل کاربر: داده ای که اطلاعات آماری درباره کاربران وب سایت فراهم می سازد که شامل داده ثبت نام و اطلاعات پروفایل مشتری می باشد.منابع داده داده های استفاده که از منابع مختلفی جمع آوری می شود، الگوهای راهبری از بخش های مختلفی از کل ترافیک وب را نمایش می دهد.  جمع آوری در سطح سرورلاگ های وب سرور یک منبع مهم برای اجرای وب کاوی استفاده از وب محسوب می شود زیرا به طور صریح رفتار مرورگری تمام مشاهده کنندگان سایت را ثبت می کند. داده ای که در لاگ سرور ثبت می شود، دسترسی به یک وب سایت که از سوی  تمام کاربران صورت می گیرد را منعکس می کند. این فایل های لاگ به فرمت های گوناگونی چون Common log یا Extended log ذخیر می شوند.جمع آوری در سطح مشتریجمع آوری داده در سطح مشتری می تواند با بکارگیری یک عامل از راه دور( مثل اپلت های جاوا یا جاوا اسکریپت) یا با تغییر کد مرجع یک مرورگر موجود( مثل Mozilla یا Mosaic)  پیاده سازی شود.پیاده سازی این نوع روش  جمع آوری داده در سطح مشتری به همکاری کاربر در هر دو مورد ذکر شده نیاز دارد.جمع آوری در سطح پروکسییک پروکسی وب به عنوان یک سطح میانی از ذخیره سازی بین مرورگر سمت مشتری و وب سرور محسوب می شود تا زمان بارگذاری  صفحه وبی که توسط کاربر تجربه شده را کاهش دهد همانطور که بار ترافیکی در سمت مشتری و سرور را کاهش می دهد.داده های لاگ مربوط به وب معمولاً حجیم و گسترده هستند وبه منظور کشف الگو،  این داده ها باید در یک دید یکپارچه، سازگار و جامع جمع آوری شوند . در بیشتر کاربردهای داده کاوی پیش پردازش داده با حذف و فیلتر کردن داده های افزونه و بی ربط  و حذف نویزو تبدیل و رفع  هر ناسازگاری   سروکار دارد. پیش پردازش داده  نقش اساسی در کاربردهای کشف دانش در  داده  استفاده از وب دارا هستند و مهمترین مساله در بیشتر روش های کشف الگو، مشکل آن ها در اداره داده های استفاده از وب در مقیاس بزرگ است . به همین خاطر اکثر فرایندهای KDWUD   به طور غیر بر خط انجام می شوند . تحلیل داده استفاده بدون روش پیش پردازش مناسب نتایج ضعیف و یا حتی خرابی را بدنبال خواهد داشت . بنابراین متودولوژی برای پیش پردازش باید به کار گرفته شود تا هر مجموعه ای از فایل های لاگ وب سرور را به مجموعه ساختاریافته ای از جداول در مدل پایگاه داده رابطه ای تبدیل کند . فایل های لاگ از وی سایت های مختلف یک سازمان با هم ادغام می شوند تا رفتار کاربرانی که از طریقی ملموس راهبری داشته اند را نمایش دهد . بنابراین این فایل ها باید با حذف درخواست هایی که مورد نیاز نیستند، پاک می شوند مانند درخواست های ضمنی برای آبجکت های تعبیه شده در صفحات وب و یا درخواست هایی که بوسیله مشتری های غیر انسانی وب سایت ها یجاد می شود . درخواست های باقیمانده  با کاربر، نشست های کاربر و مشاهدات و مشاهده  صفحات،  گروه بندی می شود . و در نهایت مجموعه های پاک و تبدیل شده از درخواست های کاربران در یک مدل پایگاه داده رابطه ای ذخیره می شود . از فیلتر هایی برای فیلتر کردن داده های بدون استفاده، بی ربط و ناخواسته استفاده می شود تحلیلگر می تواند فایل های لاگ را از وب سرورهای متفاوت جمع آوری کند و تصمیم گیری کند که کدامیک از ورودی ها مطلوب هستند . در واقع هدف این است که اندازه بزرگ داده های استفاده از وب موجود به طور قابل توجهی کاهش یابد  و در عین حال کیفیت آن با سازمان دهی آن و فراهم سازی متغیر های یکپارچه  اضافی برای تحلیل  داده کاوی افزایش یابد .فرمول بندی مسالهفرض کنید مجموعه R={r1,r2,r3,…,rn}   مجموعه تمام منابع وباز یک وب سایت باشد . اگرU={u1,u2,…,um}  مجموعه تمام کاربرانی که به سایت دسترسی داشتند،  باشد؛ عنصر لاگ بصورت li=   تعریف می شود که  ui Є U ; ri ЄRاست و t  زمان دسترسی را نمایش می دهد،  s  وضعیت درخواست وref i  صفحه مورد مراجعه را نمایش می دهد . ref i در برخی ازفرمت های لاگ های وب مثل CLF در حالی که صفحه مورد مراجعه ثبت نشده،  اختیاری است . s یک کد سه رقمی است که موفقیت یا شکست درخواست مورد نظر را نشان می دهد . همچنین در موارد دیگر دلیل شکست را نیز بیان می کند . یک وضعیت با مقدار s=200 نشان می دهد که درخواست  موفق است در حالی که وضعیت با مقدار s=404  نشان دهنده این است که فایل مورد درخواست  در محل مورد نظر یافت نشده است . li={li1,li2,…,lim}  به ترتیب صعودی ذخیره می شوند که یک لاگ وب سرور را تشکیل می دهند . در صورت داشتن N وب سرور، مجموعه فایل های لاگ,…,LN}  Log={L1, L2 است .با بکارگیری این علائم مسئله پیش پردازش به صورت زیر فرمول بندی می شود . " با دریافت یک مجموعه از فایل های لاگ مربوط به لاگ های وب سایت های مختلف، کاربر، نشست های کاربر، مشاهده  و مشاهدات صفحات کاربران وب سایت در یک بازه زمانی مشخص ∆t  استخراج می شود ."پیش پردازش داده همانطور که در شکل نشان داده شده است فرایند پیش پردازش گام های زیر را در بر می گیرد :ادغام فایل های لاگ از وب سرورهای گوناگونپاک کردن داده شناسایی کاربران، نشست ها و مشاهده  هافرمت بندی داده و خلاصه سازی آنادغامدر ابتدای پیش پردازش داده، درخواست از تمام فایل های لاگ در Log در یک فایل لاگ الحاقی £همراه  با نام وب سرور جهت تشخیص بین درخواست های ایجاد شده مربوط به وب سرورهای مختلف  وهمچنین توجه به همگام سازی کلاک های وب سرورهای مختلف که از لحاظ  زمانی متفاوت اند . در شکل 2 شبه کد مربوط  به این عمل نشان داده شده است . به خاطر دلایل محرمانگی، فایل لاگ نتیجه f را بی نام کرده  بطوریکه وقتی که فایل های لاگ  به اشتراک گذاشته می شود یا نتایج  منتشر می شوند،  نام  میزبان یا آدرس های IP ، از بین می روند . بنابراین  نام اصلی میزبان با یک شناسنده ای که اطلاعاتی درباره محدوده دامنه ( کد کشور یا نوع سازمان مثل .edu , .com ,.org) نگهداری می کند، جایگزین می شود . مسئله ادغام به صورت زیر فرمولبندی می شود:با دریافت یک مجموعه فایل های لاگ Log={L1,L2,…,Ln}  این فایل های لاگ در یک فایل لاگ مجزا و منفرد ادغام می شود ( فایل لاگ الحاقی ) فرض کنید Li، i امین فایل لاگ می باشد . Li.c را به عنوان اشاره گر بر روی درخواست های Li در نظر بگیرید وLi.1 عنصر لاگ جاری از Li است که با Li.c نشان داده می شود و Li.1.time، زمان t مربوط به عنصرلاگ  جاری از Li می باشد و همچنین  S=(w1,w2,…,wn) آرایه ای از اسامی وب سرورها می باشد به طوری که S[i]  نام وب سرور مربوط به لاگ L i.1 می باشد .مراحل :1.     مقداردهی اولیه اشاره گر فایل لاگ الحاقی  £2.     اسکن عناصر لاگ از هر فایل لاگ Li در Log  و افزودن  آن به £3.     مرتب سازی عناصر £ به طور صعودی بر اساس زمان دسترسی آن هابرگرداندن مقدار £پاک کردن داده ·         گام دوم در پیش پردازش داده حذف درخواست های بدون استفاده  از فایل های لاگ می باشد . بطوریکه اگر تمام ورودی های لاگ معتبر نباشند، باید ورودی های بیربط را حذف کنیم .معمولاً این فرایند تمام درخواستهایی که منابع غیر قابل تحلیل مثل تصاویر، فایل های چندرسانه ای و فایل های مربوط به سبک صفحات را در بر می گیرند، را حذف می کند . برای مثال درخواستهای مربوط  به  محتوای صفحات گرافیکی ( تصاویر *.jpg & *.gif) و همچنین درخواستهای مربوط  به هر فایل دیگر در یک صفحه وب یا حتی نشست های راهبری که توسط رباط ها و اسپا یدر های وب انجام می شود .  با فیلتر کردن داده های بی استفاده، می توانیم سایز فایل لاگ را کاهش داده تا از فضای ذخیره سازی کوچکتری  استفاده کرده و نیز کارهای بعدی را آسان تر  کنیم .برای نمونه، با فیلتر کردن درخواست های تصاویر، سایز فایل های لاگ وب سرور نسبت به سایز اولیه اش تا 50 درصد کاهش می یابد . بنابراین پاک کردن داده حذف ورودی  های بی ربطی چون موارد زیر می باشد:   درخواستهایی که توسط برنامه های خودکار انجام می شود مثل : Web Robot ,Spiders و Crawler ها .این برنامه ها ترافیکی بر روی وب سایت ایجاد می کنند که می توانند بر روی  آمار سایت  تاثیر بگذارند و همچنین در بررسی هایی که توسط KDWUD انجام می شود مطلوب نیستند .·  درخواستهای مربوط به فایل های تصویری که  به صفحات  مشخصی اختصاص داده می شود . درخواست یک کاربر برای مشاهده یک صفحه خاص معمولاً در چندین در چندین عنصر از لاگ منعکس می شود زیرا هر صفحه گرافیک هایی را شامل می شود که فقط آنهایی برای ما مهم هستند که کاربر صریحاً آنها را درخواست کرده که معمولاً فایل های منتی هسنتد .·  عناصر با کدهای وضعیت HTTP  نا موفق . کدهای وضعیت HTTP  برای نشان دادن موفقیت یا شکست یک درخواست بکار می روند که در اینجا ما فقط عناصر با کد بین 200 تا 299 که با موفقیت انجام شده اند در نظر می گیریم .·   عناصری که متدی به غیر از GET  و POST  دارند .شناسایی در این گام درخواستهای غیر ساختیافته یک فایل لاگ به صورت کاربر(user) ، نشست کاربر(user session) ، مشاهدات و ملافات صفحات(page view ,visit)   گروه بندی می شود . در پایان این گام فایل لاگ به صورت یک مجموعه از تراکنش ها خواهد بود (نشست کاربر یا مشاهدات )کاربردر بیشتر موارد فایل لاگ فقط آدرس های کامپیوتر ( نام یا IP)  و عامل کاربر را فراهم می سازد ( به عنوان مثال فایل های لاگ ECLF ) . برای وب سایتهایی که نیازمند ثبت کاربرهستند، فایل لاگ همچنین  User login را شامل می شود ( به عنوان سومین رکورد در یک عنصر لاگ ) که برای شناسایی کاربر استفاده می شود . وقتی که user login موجود نباشد هر IP  به عنوان کابر در نظر گرفته می شود . با این حال این واقعیت وجود دارد که یک آدرس IP  توسط چندین کاربر استفاده می شود واین  برای KDWUD جهت شناسایی کاربر کافی نیست . به هر حال هنوز هم  مکانیزمی برای تشخیص و تمایز بین کاربران برای تحلیل رفتار دسترسی کاربر مورد نیاز است .نشست کاربر شناسایی نشست کاربر از فایل لاگ بدلیل پروکسی سرورها، آدرس های پویا و مواردی که چندین کاربر از طریق یک کامپیوتر دسترسی پیدا می کنند ( در کتابخانه، کافی نت و...) یا یک کابر از چندین مرورگر یا کامپیوتر استفاده می کند، امکان پذیر نمی باشد . یک نشست کاربر به صورت ترتیبی از درخواست ها که بوسیله یک کاربرمنفرد  در یک دوره زمانی مشخص تعریف می شود . یک کاربر می تواند یک (یا چند) نشست در طول یک دوره زمانی داشته باشد .شناسایی نشست عبارت است از فرایند قطعه بندی لاگ دسترسی هر کاربر به نشست های دسترسی مجزا .دو روش بر اساس زمان وجود دارد که شامل روش مبتنی بر طول نشست (Session-duration)  و روش مبتنی بر page-stay-time . همچنین می توانیم از یک  آستانه زمانی timeout  استفاده می کنیم . در ادامه شبه کد مربوط به فرایند شناسایی نشست آورده شده است و بررسی می کند که آیا نشست به پایان رسیده یا اینکه فایل مورد رجوع در هیچ یک از نشست های باز قبلی وجود ندارد . در این صورت یک نشست جدید باز می شود .از آنجاییکه Log بوسیله IP address/Agent  ذخیره می شود تمام نشست های باز کاندیدهای بالقوه ای برای دسترسی به فایل پردازش شده هستند . تابع Session_ Gen   تابع Distance را فراخوانی می کند که این تابع history  مربوط به فایل هایی که اخیراً به فایل f دسترسی داشته اند را پیدا می کند .نمای صفحات(page view)  گام مربوط به شناسایی نمای صفحه تعیین می کند کدام درخواست فایل صفحه بخشی از همان نمای صفحه است و اینکه چه محتوایی ارائه شده است .این گام  لازم است  تا نتایج معناداری  برای  فاز تحلیل الگو فراهم شود و اگر این گام اجرا نشود الگوهای کشف شده تحت تاثیر فایل های صفحه که یک نمای صفحه معروف و مشخص را تشکیل می دهد قرار می گیرد . نمای صفحه با بکارگیری زمان درخواست مشخص می شود . برای درخواست هایی که در یک لحظه ایجاد شده اند تنها اولین درخواست حفظ می شود و بقیه دور ریخته می شوند . بعد از شناسایی نمای صفحه، فایل لاگ به طور نرمال فقط یک درخواست برای هر عمل کاربر در بر می گیرد . هر نشست باید با یک نمای صفحه ابتدایی شروع شود . یک فایل صفحه آغازین یا یک مجموعه از فایل های صفحه از تمام نمای صفحات بعدی مشتق می شود . در اکثر موارد، نمای صفحه آغازین از یک فایل تشکیل می شود یا با یک فایل منفرد که ساختار قاب را مشخص می سازد و بلافاصله منجر به درخواست فایل های صفحه بعدی می شود .خیلی به ندرت اتفاق می افتد که یک سایت غیر مرتبط به بیش از یک فایل صفحه ازیک  سایت دیگر از طریق یک ابر متن منفرد متصل شود .  در هر صورت چنین امری امکان پذیر است و برای چنین مواردی تمام فایل های صفحه که در نمای صفحه آغازین شرکت دارد، باید صراحتاً وارد الگوریتم شود . خلاصه سازی و فرمت بندی داده   این گام، آخرین گام پیش پردازش داده است . فایل ساختاریافته نشست ها و مشاهداتی را شامل می شود که به یک مدل پایگاه داده رابطه ای تبدیل می شود . سپس یک متد تجمیع  داده در سطح درخواست  اعمال شده و با مشاهدات و نشست های کاربر یکپارچه گشته بطور کامل پایگاه داده را پر کند . دو جدول در مدل پایگاه داده رابطه ای طراحی می شود؛ یکی برای ذخیره داده لاگ و دیگری برای ذخیره نشست ها . خلاصه سازی داده بر روی محاسبه متغیر های تجمیع شده در سطوح مختلف انتزاع دلالت دارد ( درخواست، مشاهده و نشست کاربر) .این متغیرهای جمع آوری شده بعداً در گام  داده کاوی مورد استفاده قرار می گیرد و مقادیر آماری را نمایش می دهند که اشیاء آنالیز شده را مشخص می سازند. برای نمونه، اگر شی مورد تحلیل یک نشست کاربر باشد، در داده جمع آوری شده در فرایند محاسباتی، متغیرهای زیر محاسبه می شوند:·         تعداد ملاقات ها در هر نشست طول هر نشست در ثانیه( اختلاف بین تاریخ  آخرین و اولین نشست) یا در صفحات مشاهده شده( تعداد کل مشاهدات صفحه) تعداد مشاهدات برای یک دوره زمانی مشخص، که می تواند یک روز، هفته یا یک ماه باشد.اگر شی مورد تحلیل یک مشاهده باشد، متغیرهای زیر محاسبه می شوند:·        طول مشاهدات بر حسب  زمان و صفحه مشاهده شده فاکتور تکراری در مشاهده·        درصد درخواست های موفقیت آمیز· میانگین زمان سپری شده بر روی یک صفحه  به طور مشابه، سایر متغیرهای جمع آوری شده که می توانند محاسبه شوند:· درصد درخواست ها یی که به هر وب سرور اختصاص یافته· تعداد مشاهده کنندگان و میزبان های منحصر به فرد در هر ساعت، هفته و ماه·  تعداد عاملان کاربر منحصر به فرد در هر ساعت،روز، هفته و ماه

09367292276
09367292276
azsoftir@gmail.com
azsoftir.com09367292276
09367292276
azsoftir@gmail.com
azsoftir.com09367292276
09367292276
azsoftir@gmail.com
azsoftir.com09367292276
09367292276
azsoftir@gmail.com
azsoftir.com09367292276
09367292276
azsoftir@gmail.com
azsoftir.com09367292276
09367292276
azsoftir@gmail.com
azsoftir.com09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

دنیای امروز دنیای تکنولوژی است و جو حاکم بر زندگی امروز، بشر را به سوی مکانیزه کردن و آسانترکردن وا می دارد. امروزه لازم است که همه کارها، حتی کارهایی که به نظر مهم و ضروری نمی آیند نیز با زندگی مکانیزه هماهنگ شوند. به عنوان مثال کلید خانه ها یا شرکتها دیگر از جنس فلز نیستند، در دنیای امروز کارتهای مغناطیسی یا نوری جای کلید را گرفته اند. با توسعه روز افزون تکنولوژی، و جایگزینی سیستم‏های نوین در

09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

تمامی عرصه‌ها ، بجای ساختار سنتی و کهنه، نظام بانکداری نیز پیرو این ارتقاء، سعی برآن دارد که در حوزه فن‌آوری ، مطلوبیت ممکن را برای مشتریان فراهم آورد. یکی از ابزارهای مهم در این عرصه، کارت اعتباری است. . با افزایش روزافزون گردش های مالی و انجام تجارت های بین المللی، هزینه تولید، نگهداری و تبدیلات ارزی برای کشورها بار گزافی را در پی داشت. برای همین در کنار روند رو به رشد فناوری، تشکیل مفهومی دربرگیرنده پول مجازی، با استفاده از ابزار الکترونیکی، باعث پیدایش تحولی در صنعت بانکداری و گرایشی با عنوان تجارت الکترونیکی گردید. اکنون بانکداری الکترونیکی می رود تا تحولی شگرف در ساختار پولی و مالی جهان ایجاد کند. با استفاده از کارت اعتباری، پول کاغذی در آینده، همان سرنوشت مبادله کالا به کالا را خواهد داشت. در این ارتباط استفاده از ابزاری جهت بهره برداری از این خدمات نظیر کارت های خرید، ترمینال های خرید، دستگاه های خودپرداز و کیوسک های اطلاع-رسانی متداول شد و مفاهیم نوینی مرتبط با آنها گسترش یافت.

09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

     با توجه به مطالب گفته شده واضح است که با افزایش وابستگی هرچه بیشتر بانک ها و سیستم های پرداخت به کارت های اعتباری و امثال آن، راه های تقلب در این سیستم ها نیز بیشتر می شوند. لغت "تقلب" در اینجا به سوء استفاده از سیستم سود یک سازمان اشاره می کند بدون اینکه لزوما به عواقب مستقیم قانونی منجر شود. این تقلب ها به طرز باورنکردنی در حال افزایش هستند و سالانه ضررهای میلیارد دلاری را برای صاحبان سرمایه و هم چنین بانک ها که مجریان این سیستم های مدرن هستند در بر دارد. بنابراین باید بتوان از طریق راهکارها و متدولوژی ها و حتی الگوریتم هایی در حوزه آمار، ریاضی، داده کاوی و غیره، تقلب ها را شناسایی کرد یا با شناخت الگوها از انجام آن ها جلوگیری کرد. در واقعیت غیر ممکن است که بتوان به طور قطعی راجع به مشروعیت یک تراکنش یا درخواست اظهار نظر کرد. کم هزینه ترین گزینه این است که مدرک های ممکن تقلب را از داده های در دسترس بیرون بکشیم که این کار توسط الگوریتم های ریاضی انجام می شود.

09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

     با تحقیقات زیادی که در جوامع مختلف مخصوصا جوامع پیشرفته انجام شده، موتورهای تحلیلگر موجود در این راهکارها و نرم افزارها توسط سیستم های ایمنی مصنوعی، هوش مصنوعی، حسابرسی، پایگاه داده، محاسبات موازی و توزیع شده، اقتصاد، سیستم های حرفه ای، منطق فازی، الگوریتم های ژنتیک، یادگیری ماشین، شبکه های عصبی، تشخیص الگو، آمار، تجسم و دیگر زمینه ها بدست می آید. تعداد زیادی راهکارها و نرم افزارهای خاص برای پیدا کردن تقلب وجود دارد که تجارتهایی مانند کارت های اعتباری، تجارت الکترونیک، بیمه وصنایع ارتباطی را محافظت می کند.

     "کشف تقلب"  شامل نظارت کردن به رفتار میلیون ها کاربر برای تخمین، کشف و یا جلوگیری از رفتارهای نامطلوب است. راهکارهای متفاوتی برای کشف تقلب با تعریف داده شده وجود دارد که بعضی از آنها در حوزه داده کاوی اند. "داده کاوی" یعنی پیدا کردن دیدگاه هایی که از نظر آماری قابل اتکا باشند، از قبل شناخته شده نباشند، و از داده قابل انجام باشند. در تعریف دیگری "داده کاوی" به معنی کشف روابط، الگوها و یا جهت گیریهای جدید معنادار توسط پالایش کردن داده با استفاده از تکنواوژی های تشخیص الگو مانند تکنیک ها و الگوریتم های آماری  ریاضی است. این داده باید در دسترس، مرتبط، کافی و تمیز باشد. هم چنین مساله داده کاوی باید خوش تعریف باشد و نتوان آن را با ابزارهای گزارش و پاسخ حل کرد و بتوان آن را با یک مدل پردازش داده کاوی تعریف کرد. بنابراین برای حل مساله کشف تقلب با راهکارهی داده کاوی باید شرایط خاصی را رعایت کرد. راهکارهای دیگری نیز وجود دارند که در حوزه داده کاوی نیستند.

09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

     بنابراین در این متن ما به بررسی راه های مختلفی که در بالا ذکر شد می پردازیم و تا حدی نیز آنها را شرح می دهیم.در فصل اول تعاریفی از کارت های اعتباری و امثال آن ارایه می شود. در فصل دوم به معرفی داده کاوی و مختصری از تکنیک هایی که در این حوزه معمول هستند پرداخته می شود. در فصل سوم راهکارها و متدولوژی هایی که برای کشف تقلب موجود هستند معرفی می شوند. در فصل چهارم نیز مقایسه ایی بین این راهکارها انجام و نتیجه گیری صورت می گیرد.

09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

از نرم افزار های متداول در زمینه داده کاوی می توان  به نر مافزار های زیر اشاره نمود:

·        Weka

·         SQL Server 2005 Enterprise Edition

·        Rapid Miner

• SPSS climenta
• Orange
• 09367292276
  09367292276
  azsoftir@gmail.com
  azsoftir.com
  09367292276
  09367292276
  azsoftir@gmail.com
  azsoftir.com
• SAS
• Matlab
• Oracle Miner

ارائه کلیه خدمات آماری (مشاوره و انجام تحلیل آماری پایان نامه ها و تحقیق ها) خصوصا در زمینه آنالیز واریانس (جدول آنوا) و طرح و تجزیه آزمایشها ویژه دانشجویان رشته های کشاورزی و یا سایر رشته ها، با استفاده از نرم افزار SAS (ساس) اعلام می کند. تحلیلگر ما در زمینه آنالیز آماری و تفسیر و تحلیل خروجی نرم افزار SAS ، فارغ التحصیل کارشناسی ارشد رشته آمار اقتصادی از دانشگاه دولتی هستند.
ضمنا ما دارای نماد اعتماد الکترونیک از مرکز توسعه تجارت الکترونیک وابسته به وزارت صنعت معدن و تجارت هستیم. توصیه پلیس این است که کالاها و خدمات از سایتهای دارای نماد اعتماد الکترونیک خریداری شود. همچنین سایت اصلی این شرکت طی قراردادی با بانک ملت ، داری درگاه پرداخت الکترونیک برای پرداخت آسان هزینه تحلیل با SAS می باشد.

ارتباط با ما :
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
می توانید با کپی و پیست کردن آدرس از صفحات فوق بازدید نمایید.

در خصوص نرم افزار SAS
نرم افزار SAS که مخفف عبارت Statistical Analysis System است، یکی از قدرتمندترین نرم افزارهای آماری است که دارای قابلیت های بسیاری در اکثر زمینه های آمار می باشد. سرعت پردازش اطلاعات در این نرم افزار به نحو قابل توجهی بالا است؛ این نرم افزار توانایی انجام انواع تحلیل های آماری شامل آمار توصیفی، انجام انواع آزمون های آماری پارامتری و ناپارامتری از جمله آزمون های بررسی نرمال بودن (کلموگروف-اسمیرنوف، شاپیرو و...) آزمون های دوجمله ای، آزمون دقیق فیشر، آزمون کای دو، آزمون نسبت درستنمایی، آزمون مقایسه میانگین ها و نسبت ها و ... را داراست.
همچنین با توجه به کاربرد آمار در رشته های مختلف، نرم افزار SAS زمینه تجزیه و تحلیل اطلاعات را به خوبی فراهم آورده است. از جمله این کاربردها می توان به آنالیز واریانس (آنوا)، تجزیه و تحلیل انواع سریهای زمانی(برازش الگوهای میانگین متحرک، اتورگرسیو، ARCH و سایر سری های زمانی)، ‌انواع رگرسیون خطی و غیرخطی، رگرسیون لجستیک، رگرسیون دو و چندمتغیره، تحلیل داده های بقا (داده های سانسور شده)، انواع طرح های تحلیل واریانس یکطرفه و چندطرفه (طرح های کرت خوردشده، مربع لاتین، طرح 2k و موارد دیگر)، تحلیل تشخیصی (تحلیل ممیزی)، آنالیز کواریانس و ... اشاره کرد.

SAS قطعا می تواند یکی از بهترین گزینه ها بخصوص برای دانشجویان رشته های اقتصاد، کشاورزی، پزشکی و... باشد..

azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

-تحلیل پروژه های داده کاویData Mining با استفاده از نرم افزار Weka ، Clementine ، Rapid Miner و SAS Enterprise Miner

2-آموزش مقاله نویسی در سطح انواع ژورنالها ی ISI و غیر ISI و کنفرانس های بین المللی داخلی و خارجی و IEEE.
در طی برگزاری این جلسه آموزشی شما توانایی استخراج مقاله از پایان نامه خود را نیز در تمام سطوح پیدا می کنید.
در این جلسه به شما آموزش داده می شودکه چگونه بیش از یک مقاله از پایان نامه خود استخراج نمایید.

و همچنین مکان و نحوه ارسال مقاله واینکه چه نکاتی را باید در متن مقاله لحاظ کنید تا مقاله شما مورد پذیرش واقع شود را فرا خواهید گرفت.azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

نحوه ارائه شفاهی مقالات در کنفرانس های داخلی و خارجی و نکاتی را که باید لحاظ کنید را فرا خواهید گرفت.
آیا می دانستید که برای ارائه مقالات بین المللی و به زبان انگلیسی شما نیازی به تسلط داشتن به زبان انگلیسی ندارید!!!
و اینکه چگونه می توانید بفهمید که مقاله ای را که آماده کرده اید در چه سطی قابلیت پذیرفته شدن را دارد.
و هزاران نکته ی دیگر .....
تیم تحقیقاتی سهند تا کنون بیش از 50 مقاله علمی در سطوح بین المللی به چاپ رسانده است که شما می توانید از تجربیات صادقانه این تیم بهره گیرید.
ضمنا استخراج مقاله از پایان نامه خود را می توانید به دست متخصصان تیم سهند بسپارید.

3- انجام مشاوره و اجرای پروژه های مدیریت دانش (Knowledge Management)و
مدیریت منابع انسانی(Human Resource Management)
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
4- تحلیل پروژه های داده کاویData Mining با استفاده از نرم افزار Weka ، Clementine ، Rapid Miner و SAS Enterprise Miner

5- تدوین مدل های رتبه بندی با استفاده از تکنیک های تصمیم گیری چند معیاره MCDMاز قبیل AHP، TOPSIS، SAW، ELECTRE ، Group TOPSIS، FUZZY AHP، FUZZY TOPSIS

6- طراحی سیستمهای استنتاج فازی ومنطق فازی Fuzzy Logic، شبکه های عصبی-فازی ANFISو نرم افزار FIS MATLAB سیستم های خبره فازی
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
7- تجزیه و تحلیل آماری پایان نامه، تحقیقات میدانی و پرسشنامه ای با استفاده از نرم افزار SPSS و Lisrel

8- بررسی و تحلیل کارایی و بهره وری از طریق تحلیل پوششی داده ها DEA با استفاده از نرم افزار EMS و WinDEAP

9- طراحی سیستمهای خبره Expert Systems تحت shell با استفاده از نرم افزارهای VP-expert و Clips

10- مدل سازی بوسیله شبکه های عصبی مصنوعی ANN و الگوریتم ژنتیک GA

11- انجام پروژه های کنترل کیفیت و مباحث مرتبط با ISO.

12- مدیریت ارتباط با مشتری (CRM) و نرم افزار Sugar CRM .

13-آموزش نرم افزار های تخصصی ذیل:
SPSS , Rapid Miner, SAS Interprise Miner ، Weka , Clementine، FIS MATLAB ،ANFIS
، VP-expert , Lingo, DS, Sugar CRM.

14- طراحی سیستم پشتیبان تصمیم (Decision Support System(DSS))

azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
ارائه مشاوره در خصوص فصول پایان نامه جهت تکمیل تحقیق و آگاهی از چگونگی تحلیل داده ها و نتایج حاصله برای ارائه کار به استاد راهنما و راهنمایی برای آمادگی در جلسه دفاع پایان نامه و راهنمایی و کمک جهت تسریع در اتمام پایان نامه و تجزیه تحلیل داده های پایان نامه.
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
قیمت: توافقی با توجه به حجم کار
آدرس: در سراسر کشور می توانید از خدمات ما بهره مند شوید.

هدف از تشکیل کلاس آموزشی Clementine 12، آموزش و ارائه تجربیات مدرسین این گروه در یک دوره کوتاه مدت و فشره به علاقمندان و شرکت کنندگان در این دوره می باشد. عزیزان شرکت کننده پس از طی این دوره قادر خواهند بود، در جهت پیاده سازی فرآیند داده کاوی بصورت نرم افزاری، در حل مسائل از دانش داده کاوی خود استفاده نمایند.

مخاطبان این دوره دانشجویان مقاطع مختلف رشته های مهندسی و علوم کامپیوتر، آمار، مهندسی صنایع، مدیریت و سایر رشته های مرتبط می باشند. همچنین محققان و کارشناسان شرکت ها و سازمانهای دولتی و خصوصی که به نوعی با تجزیه و تحلیل داده های انبوه سروکار دارند نیز از مخاطبان اصلی این کلاس هستند.

محتوای دوره

azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

- آشنایی با محیط Clementine 12 و قابلیت های آن

- پشتیبانی Clementine 12 از استاندارد CRISP-DM

- ورود داده ها با فرمت های مختلف به محیط کاری Clementine 12

- چگونگی ایجاد درک اولیه از داده ها و آماده سازی آن

o استفاده از آمار توصیفی و گرافهای متنوع

o چگونگی تشخیص و برخورد با داده های گمشده و پرت

- مدلسازی

o طبقه بندی

azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

o پیش بینی

آمادگی خویش را برای انجام تجزیه و تحلیل داده های با حجم بسیار بالا یا داده کاوی با نرم افزار معروف وکا (WEKA) اعلام می کند.سفارش انجام داده کاوی با سایر نرم افزارهای مربوط نیز پذیرفته می شود.
برای تماس با تحلیلگر داده کاوی این شرکت (سرکار خانم دهقان) با شماره زیر تماس بگیرید:
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
سایت اینترنتی ویژه این شرکت آماری:www.spss-iran.ir
قابل ذکر است ما دارای نماد اعتماد دائم الکترونیک در ارائه خدمات تحلیلی آماری بوده و به صورت تخصصی به موضوع تجزیه و تحلیلهای آماری می پردازیم. سایت مذکور دارای درگاه اینترنتی بانک ملت برای پرداخت آسان هزینه تحلیل می باشد.
هزینه تحلیل را نیز هنگامی به ما پرداخت نمایید که از تایید آن توسط استاد خود یا ناظر پروژه آماری مطمئن شدید!!

قابل ذکر است این شرکت آماده انجام خدمات تجزیه و تحلیل آماری پایان نامه ها و مقالات، آزمون های اقتصاد سنجی و همچنین مدل سازی معادلات ساختاری با نرم افزار های آماری مانند spss، sas، eviews، R، lisrel، Amos، smart pls، expert choice و مانند آن می باشیم.

درباره داده کاوی یا DATA MINING:
امروزه لحظه به لحظه به حجم داده ها در پایگاه داده ها اضافه شده و انبارهای ( توده های ) عظیمی از داده ها ایجاد شده است ، به طوری که ضرورت کشف و استخراج سریع و دقیق دانش از این پایگاه داده ها را بیش از پیش نمایان کرده و داده کاوی را به مهم ترین فناوری برای بهره وری موثر ، صحیح و سریع ازداده های حجیم تبدیل نموده است که اهمیت آن رو به فزونی است.09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
داده کاوی پل ارتباطی میان علم آمار ، علم کامپیوتر ، هوش مصنوعی ، الگوشناسی ، فراگیری ماشین داده ، . . . می باشد. داده کاوی فرآیندی پیچیده جهت شناسایی الگوها و مدل های صحیح، جدید و به صورت بالقوه مفید، در حجم وسیعی از داده می باشد، به طریقی که این الگو ها و مدلها برای انسانها قابل درک باشند.
کاربردهای عمومی داده کاوی بیشتر شامل تقسیم کردن داده ها در خوشه های مقتضی، کدگذاریهای مناسب، کاوش برای الگوها و طراحی کردن با استفاده از فنون آماری و الگوریتمهای ژنتیکی است.

نرم افزارهای انجام داده کاوی:

نرم افزارهای آماری عمومی مثل SPSS, SAS, STATISTICA با امکاناتی برای داده کاوی و بسته های نرم افزاری اختصاصی داده کاوی

09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com

کاربرد داده کاوی در پزشکی : سوتغذیه

چکیده

سوءتغذیه نوعی بیماری  به‌شمار می‌آید که به علت مصرف ناکافی یا بیش از اندازهً یک یا چند ماده غذایی بروز می‌کند.هدف از این تحقیق عوامل موثر در بروز سوء تغذیه می باشد . یافته های تحقیق حاکی از آن است که عواملی چون بی ام ای ، فقر آهن و سن در آن نقش دارند .

09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

چکیده

09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

 جانواران یا حیوانات یکی از  انواع مهم جانداران هستند که از زیر گرو های مختلفی تقسیم شده اند .هدف از این تحقیق طبقه بندی حیوانات می باشد . با انتخاب نوع حیوان (دسته) به عنوان متغیر هدف و 17 متغیر پیشگو از انواع مختلف مشاهده گردید که  متغیر های  چون  پستاندار , دارای ستون فقرات ،دارای بال،  قابلیت پرواز،  دارای فلس ،آبزی ، تغذیه کننده شکار  و تعداد پاها به عنوان متغیر های  مهم شناخته شده اند که با این ویژگی ها میتوان نوع دسته حیوانات را تشخیص داد.

09367292276
09367292276
azsoftir@gmail.com
azsoftir.com