متن کامل این مقاله به زبان انگلیسی می باشد، لطفا برای مشاهده متن کامل مقاله به بخش انگلیسی مراجعه فرمایید.لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.

پیش بینی های بلندمدت متغیرهای هیدروکلیماتولوژیکی مهم نظیر بیشینه بارش ماهانه ابزاری مهم در مدیریت منابع آب است. تحقیقات گذشته نشان داده است که یافتن روابط بین پدیده های بزرگ مقیاس اقیانوسی- اتمسفری مانند دمای سطح دریاها و متغیرهای هیدروکلیماتولوژیکی، نظیر بارش، به پیش بینی بلندمدت این متغیرها کمک می کند. در این مطالعه ترکیب دو تکنیک داده کاوی (درخت تصمیم و قوانین انجمنی) در استخراج وابستگی های مهم بین بیشینه بارش ماهانه ایستگاه های سینوپتیکی ارومیه و تبریز و دمای سطح دریاهای سیاه، مدیترانه و سرخ معرفی شده است. دو گام اصلی در این مطالعه طبقه بندی دمای تفاضلی سطح آب دریاهای مذکور و انتخاب موثرترین گروه ها، همچنین استخراج الگوهای پنهان نهفته در میان داده ها بود و از تکنیک ها و الگوریتم های درخت تصیم در طبقه بندی و انتخاب موثرترین گروه ها و از قوانین انجمنی برای کشف الگوها و اطلاعات پنهان نهفته در میان داده های مشاهداتی استفاده شد. نتایج نشان داد، بین هر یک از دمای سطوح آب دریاهای سیاه، مدیترانه و سرخ با بیشینه بارش ماهانه ایستگاه های سینوپتیکی ارومیه و تبریز همبستگی نسبی وجود دارد، به طوری که شاخص اعتماد بین هر یک از دمای سطح پهنه های آبی فوق، با بیشینه بارش ماهانه ایستگاه های سینوپتیکی ارومیه و تبریز، بالاتر از 60 درصد برآورد شد.

بخش بندی مشتریان یکی از مباحث اصلی و کلیدی در مطالعات مدیریت ارتباط با مشتری محسوب می شود. یکی از چالش های مهم در بخش بندی مشتریان، ناپایداری و تغییرات بخش های مشتریان در طول زمان است. تغییرات بخش ها را می توان در دو دسته تغییرات محتوایی و ساختاری دسته بندی کرد. این پژوهش بر تغییرات ساختاری بخش ها که اهمیت زیادی دارد، تمرکز کرده است. به منظور تحلیل تغییرات ساختاری بخش ها و توصیف چگونگی این تغییرات، روش ترکیبی جدیدی مبتنی بر روش های خوشه بندی و قوانین باهم آیی ارائه شده و در داده های یکی از سرویس دهنده های معتبر خدمات مخابراتی ایران به کار گرفته شده است. بر اساس نتایج، تغییرات ساختاری در قالب دو دسته تغییرات دوره ای و تغییرات دارای روند دسته بندی و بررسی شده است. نتایج بیانگر آن است که روند رو به رشدی در ایجاد بخش جدید در این شرکت شکل گرفته است. نتایج، مدیران بازاریابی را به سمت دانش مفیدی برای ارائه کاراتر تصمیم های بازاریابی هدایت می کند.

هدف اصلی پژوهش حاضر، طراحی مدل خرید پرتفوی بیمه گذاران بر پایه داده کاوری با استفاده از قوانین انجمنی است. پزوهش کاربردی و از نوع توصیفی بوده و داده های تحقیق در قالب جداول اکسل و از نوع داده کمی می باشد. داده های استفاده شده در این پژوهش از شرکت بیمه تعاون گرفته شده که مربوط به خرید33671 مشتری است. در این پژوهش تراکنش های مربوط به مشتریان بیمه تعاون موردمطالعه قرار گرفته است. با توجه به نتایج بدست آمده عملکرد الگوریتم Aprioriو Fp-growth برمبنای زمان اجرا مورد ارزیابی قرار گرفتند.الگوریتم Apriori به دلیل اسکن مستمر مجموعه داده ها در مقایسه با الگوریتم Fp-growth زمان اجرای بیشتری را صرف کرده است. زمان لازم جهت شناسایی الگوها در مجموعه داده های مشتریان بیمه تعاون بر مبنای شاخص های سطح اطمینان متفاوت در الگوریتم های Apriori و Fp-growth مشخص می کند که به طور واضح نشان می دهد که Apriori در مجموعه داده های بزرگ زمان اجرای بیشتری نیاز دارد و همین عامل باعث کند شدن و هزینه بر بودن(به لحاظ محاسبانی) این نرم افزار می شود.

استخراج قوانین انجمنی یا همان استخراج روابط ممکن مابین داده های یک پایگاه داده بزرگ، یکی از وظایف مهم و بسیار زمان بری در داده کاوی به شمار می آید. بدین منظور، الگوریتم های متنوعی پیشنهاد شده اند که از نظر سرعت اجرا و کیفیت جواب ها با هم متفاوت می باشند. در این مقاله سعی شده است با استفاده از الگوریتم تکاملی PSO چندهدفه یک روش سریع و با کیفیتی مناسب جهت استخراج این قوانین ارایه شود. این الگوریتم پیشنهادی روی یک مجموعه داده از نوع تراکنشی و با اندازه چهل هزار رکورد آزمایش شده است که نتایج حاصل حاکی از کارآمدی این روش پیشنهادی است.