منبع پایان نامه ارشد با موضوع مشارکت مردم، داده ها و اطلاعات، پردازش اطلاعات

دانلود پایان نامه ارشد

. اين تغيير پارادايم به ورود مفاهيمي چون مشارکت شهروندي، جامعه مدني، مقتدرسازي5، مشغوليت مدني6 و حکمراني شهري انجاميده است(شريفيان ثاني، 1388، ص 43).
مشاوره و کسب نظر شهروندان، در صورتي که واقعي باشد، سودمند است. مخالفان نظارت شهروندي چنين نظارتي را سد راه ارائه ي خدمات مطلوب مي دانند. مشارکت عمومي همواره، امري مطلوب به شمار مي آيد، اما برنامه ريزان در عمل، براي جلب مشارکت شهروندان با مشکل روبرويند. مشارکت گونه هاي مختلف دارد که برخي از آن ها عبارتند از: مشارکت از طريق مشاوره و درخواست پاسخ به پرسش ها از سوي اجتماعات و مشارکت به دليل انگيزه هاي مادي که در آن اجتماع منابعي مانند نيروي کار و پول و غذا را در برابر محرک هاي مادي در اختيار مي گذارند(شريفيان ثاني، 1388، ص 42).
يکي از جنبه هاي بارز مشارکت مردم در اداره ي امور شهر برقراري ارتباط با شهرداري از طريق سامانه ي مديريت شهري 137 شهرداري تهران مي باشدکه تلاش نموده با سرلوحه قرار دادن اصول شهروند مداري، محله گرايي و مشارکت مردمي به رسيدگي به درخواست ها و مشکلات مردم شهر تهران بپردازد.
از طرف ديگر، امروزه شهرداري ها نيز هم چون ديگر سازمان ها غرق در انبوه داده ها و اطلاعاتي هستند که استفاده از آن ها در بيشتر موارد، محدود به انجام کارهاي جاري شده است. داده کاوي که استفاده از آن نيز روز به روز توسعه مي يابد، مي تواند منجر به استفاده از اين اطلاعات در زمينه ي تصميم گيري هاي استراتژيک شود.
در اين فصل به ارائه ي مباني نظري تحقيق، مفاهيم و ابعاد تحقيق و مدل مفهومي تحقيق مي پردازيم.

مباني نظري
تاريخچه داده کاوي
ايده اي که مبناي داده کاوي است، يک فرايند با اهميت از شناخت الگوهاي بالقوه مفيد، بديع و نهايتاً قابل درک از داده هاست. واژه «کشف دانش در پايگاه داده ها»7 که به معناي جستجوي دانش در اطلاعات است، در اوايل دهه 80 شکل گرفته است. کشف دانش و داده کاوي يک حوزه جديد، ميان رشته اي و در حال رشد است که حوزه هاي مختلفي هم چون پايگاه داده، آمار، يادگيري ماشين8، مصور سازي9، هوش مصنوعي10، بازشناسي الگو11 و ساير زمينه هاي مرتبط را با هم تلفيق کرده است تا اطلاعات و دانش ارزشمند نهفته در حجم بزرگي از داده ها را استخراج نمايد( فياد و همکاران، 1996، هن و کمبر، 2006).
هن و کمبر (2006) داده کاوي را به صورت استخراج يا کاوش دانش از مقادير عظيم داده ها تعريف کرده و داده کاوي را مهم ترين مرحله در فرايند کشف دانش معرفي کرده اند. جايگاه استخراج دانش و کاوش داده ها در شکل 2-1 نشان داده شده است.
تعريف داده کاوي
داده کاوي به استخراج يا کاوش دانش از حجم زيادي داده اطلاق مي شود که در واقع تشبيهي از کاوش طلا از صخره ها و سنگ هاست. کاوش واژه اي صريح و روشن است که فرايند يافتن يک مجموعه ي کوچک از مواد با ارزش در حجم زيادي از مواد خام را توصيف مي کند. به اين ترتيب مفهوم داده کاوي به عنوان يک مفهوم کلي و عام مشخص مي شود. واژه هاي ديگري هم در متون علمي ديده مي شوند که مفاهيمي مشابه يا کاملاً نزديک به داده کاوي دارند؛ مثل کاوش دانش از بانک هاي اطلاعاتي، استخراج دانش، تحليل داده يا الگو.(Frawley 1992)
تعاريف مختلفي از داده کاوي ارائه شده است که چند مورد آن در زير آورده شده است:
داده کاوي استخراج اطلاعات مفهومي، ناشناخته و به صورت بالقوه مفيد از پايگاه داده مي باشد (Frawley 1992).
داده کاوي به معناي يافتن نيمه خودکار الگوهاي پنهان موجود در مجموعه داده هاي موجود مي باشد( هن و کمبر 2006).
داده کاوي علم استخراج اطلاعات مفيد از پايگاه هاي داده يا مجموعه داده اي مي باشد(هاند و ديگران 2001).
داده کاوي استخراج نيمه اتوماتيک الگوها، تغييرات، وابستگي ها، نابهنجاري ها و ديگر ساختارهاي معني دار آماري از پايگاه هاي بزرگ داده مي باشد(Larsed 2003).
داده کاوي عبارت است از فرايند اکتشاف دانش در بانک هاي اطلاعاتي به منظور يافتن الگوهاي معتبر، مفيد، جديد و قابل درک از داده ها(شهرابي، 1389).
داده کاوي مجموعه اي از تکينک هاي اکتشاف دانش در بانک هاي اطلاعاتي بر مبناي روش هاي پيشرفته تحليلي است که به عنوان ابزاري براي کارکردن بر روي اطلاعات با حجم بالا و کشف الگوهاي جديد در اين اطلاعات به کار مي رود (Gupta 2006).
داده کاوي تلاشي براي ارائه ي بينشي هوشمندانه به مديران براي شناخت بهتر کسب و کار و پيش بيني شرايط آينده، در طي يک فرايند پيچيده است (Gupta 2006).
داده کاوي در واقع يک فن آوري ميان گروهي است که با همکاري متخصصين بانک هاي اطلاعاتي، محرمانگي و امنيت اطلاعات، هوش مصنوعي و يادگيري ماشيني، آمار و گرافيک انجام مي- شود(فياد و همکاران، 1996، هن و کمبر، 2006).
شکل 2-1 مراحل فرايند کشف دانش و جايگاه داده کاوي(آخوندزاده نوقابی، 1388).
انواع داده کاوي
در عمل دو هدف مهم و اساسي داده کاوي، پيش بيني12 و تشريح13 است. در پيش بيني، بعضي از متغيرها يا حوزه هايي از مجموعه هاي داده اي به منظور پيش بيني ارزش ناشناخته يا آينده ي داده هاي ديگر مورد استفاده قرار مي گيرند، از سوي ديگر تشريح، بر يافتن الگوهاي تشريحي داده ها که مي توانند به وسيله انسان تعبير شوند تمرکز مي نمايد. در نتيجه داده کاوي را مي توان در يکي از گروه هاي زير جاي داد:
در داده کاوي پيش بيني کننده با استفاده از داده ها، مدل هايي براي پيش بيني مقادير متغيرهاي مورد نظر توليد مي گردد.
داده کاوي تشريحي با استفاده از الگوهايي که در اعداد مي يابد به تجزيه و تحليل و علت يابي يک يا چند پديده مي پردازد.
ازنظر پيش بيني کننده، هدف از داده کاوي توليد مدلي است که با استفاده از يک کد اجرايي، وظايفي چون پيش بيني، دسته بندي، تخمين مقدار، تخمين عملکرد و غيره را انجام دهد.
از نظر تشريح کننده، هدف حصول درکي کامل از سيستم تحليل شده به وسيله الگوهاي پنهان در آن و روابط درون مجموعه هاي داده اي است(مرکز مطالعات و برنامه ريزي شهر تهران 1388، ص 3).
دلايل استفاده از داده کاوي
در سال هاي اخير استفاده از تکنيک هاي داده کاوي رشد بسيار سريعي داشته است که از دلايل اين امر مي توان به موارد ذيل اشاره کرد(Gupta 2006):
سهولت توليد داده ها با استفاده از پردازش تحليلي برخط14.
افزايش داده هاي ايجاد شده از طريق ابزارهاي الکترونيکي از قبيل تراکنش هاي خريد، عمليات بانک، کارت هاي اعتباري و ماهواره ها.
افزايش داده هاي ايجاد شده از طريق صفحات وب.
افزايش حجم ابزاهاي ذخيره داده ها شامل انواع حافظه ها.
کاهش هزينه هاي پردازش اطلاعات.
وجود محيط هاي رقابتي با توجه به جهاني شدن کسب و کار.
وجود نرم افزارهاي مفيد داده کاوي.
پيش نيازهاي يک داده کاوي موفق
براي انجام يک داده کاوي موثر، لازم است قبل از شروع به موارد زير توجه داشت(Gupta 2006):
ضمن آشنايي کامل با موضوع مورد بحث، مسئله ي داده کاوي به درستي تعريف و تبيين شده باشد.
داده ها موجود باشند.
داده هاي موجود مرتبط، کافي، مناسب و پاک سازي شده باشند.
مسئله با روش هاي پرس و جو يا ساير ابزارهاي کار با بانکهاي اطلاعاتي قابل حل نباشد.
نتايج حاصل از داده کاوي قابل اجرا و عملياتي باشد.
مراحل فرايند داده کاوي ( استاندارد 15CRISP-DM )
فرايند CRISP-DM يک متدولوژي استاندارد داده کاوي مي باشد که در اواخر سال 1996 توسط سه شرکت بزرگ دايملر کرايسلر (بنز)16، SPSS، و NCR ايجاد گرديد. اين متدولوژي، يک مدل فرايندي براي داده کاوي ارائه مي دهد که مروري بر چرخه ي عمر هر پروژه ي داده کاوي بوده و شامل مراحل متناظر با يک پروژه، وظايف مربوطه و ارتباط بين اين وظايف مي باشد.
گام هاي اين متدولوژي در ادامه بيان شده است.

چرخه ي عمر يک پروژه ي داده کاوي، شامل 6 مرحله مي باشد که در شکل2-2 نشان داده شده است. توالي اين مراحل انعطاف پذير مي باشد و برگشت به مراحل قبلي و مسير هاي آزاد بين مراحل گاهي مورد نياز است. جهت پيکان هايي که در شکل مشاهده مي گردد، بيان کننده ي مهم ترين و تکراري ترين وابستگي هاي بين مراحل مي باشد.
شناخت کسب و کار17
در اين مرحله لازم است که اهداف پروژه و نيازها از ديدگاه کسب و کار به طور مشخص تبيين شود. توجه به اين مرحله بسيار ضروري است و با شناخت کامل اهداف مي توان از قابليت هاي داده کاوي بهترين استفاده را کرد و الگوريتم مناسب را انتخاب نمود(هن و کمبر 2006).
گام هاي اين مرحله عبارتند از:
تعيين اهداف کسب و کار ( مفاهيم اوليه، اهداف و معيارهاي موفقيت).
ارزيابي موقعيت ( موجودي منابع، نيازمندي ها، فرضيه ها و محدوديت ها، ريسک ها و روابط، اصطلاحات و هزينه و فايده).
تعيين اهداف داده کاوي ( اهداف داده کاوي و معيار موفقيت).
توليد طرح پروژه.
شناخت داده ها18
در اين مرحله مواردي از قبيل موجود بودن داده ها، محرمانگي داده ها، چگونگي دسترسي به داده ها و ميزان سيستمي بودن داده ها بررسي مي شود. تحليل صحيح در اين مرحله ممکن است به تجديد نظر در مرحله يک (شناخت کسب و کار) بيانجامد. جمع آوري و آشنايي با داده ها، شناخت مسائل مربوط به کيفيت داده ها و مشاهده ي اطلاعات اوليه ي نهاني يا زيرمجموعه هاي داده ها که ممکن است براي آناليز جالب باشند از وظايف اين مرحله است (هن و کمبر 2006).
گام هاي اين مرحله عبارتند از:
جمع آوري اوليه داده ها
توصيف داده ها
شناسايي داده ها
تاييد کيفيت داده ها
آماده سازي داده ها19
در اين مرحله داده هاي موجود جهت استفاده ي الگوريتم داده کاوي آماده مي شود. هدف اين مرحله رسيدن به چشم انداز قابل کاوش است. در اين مرحله يکپارچگي، انتخاب، پاکسازي و تغيير شکل داده ها انجام مي شود (هن و کمبر 2006).
گام هاي اين مرحله عبارتند:
انتخاب داده ها
پاکسازي داده ها
ساختار دهي داده ها ( انتخاب برخي صفات و ايجاد رکوردها)
يکپارچه نمودن داده ها ( داده هاي ترکيبي)
فرمت کردن داده ها
مدل سازي20
اين مرحله شامل پياده سازي تکنيک هاي مدل سازي يا داده کاوي بر روي ديدگاه قابل کاوش ايجاد شده در مرحله ي قبل است (هن و کمبر 2006).
گام هاي اين مرحله عبارتند از:
انتخاب تکنيک مدل سازي (فرضيه ها و تکنيک هاي مدل سازي)
ارزيابي طراحي ( طراحي آزمايشي)
ساخت مدل (پارامترهاي انتخاب شده و توصيف مدل)
ارزيابي مدل (سنجش مدل و بازنگري در پارامترهاي انتخاب شده)
ارزيابي مدل21
در اين مرحله مدل طراحي شده مورد ارزيابي قرار مي گيرد تا مشخص شود آيا اهداف داده کاوي تامين شده است . به عبارت ديگر بايد مشخص شود که آيا مدل براي پاسخگويي به برخي از نيازهاي کسب و کار مفيد است يا خير. بعد از ارزيابي مدل ممکن است به بازنگري در اهداف تعيين شده در مرحله ي اول منجر شود (هن و کمبر 2006).
گام هاي اين مرحله عبارتند از:
ارزيابي نتايج
تجديد نظر در فرايند
طراحي گام هاي بعدي (ليست فعاليت ها و تصميم هاي ممکن)
توسعه ي مدل22
ايده ي اين مرحله به کارگيري پتانسيل هاي مدل استخراج شده، ترکيب آن با فرايند هاي تصميم گيري سازمان، ارائه گزارش هايي در مورد دانش استخراج شده و … مي باشد. در اين مرحله مدل، پياده سازي و اجرا مي گردد و معمولاً يک رابط گرافيکي مناسب نيز براي کاربران طراحي مي شود (هن و کمبر 2006).
گام هاي اين مرحله عبارتند از:
برنامه ريزي براي توسعه
برنامه ريزي براي مانيتور و نگهداري
توليد گزارش نهايي
بازنگري مجدد پروژه
قابليت هاي اساسي داده کاوي
طبقه بندي23
طبقه بندي فرايند جستجوي مجموعه اي از مدل ها يا توابع است که کلاس هاي داده ها يا مفاهيم را توصيف يا تفکيک مي نمايد. تا بتوان از اين مدل براي پيش بيني کلاس اشيا استفاده کرد. مدل استخراج شده بر پايه تحليل مجموعه اي داده هاي آموزشي يا داده هايي که کلاس آن ها مشخص است مي باشد(هن و کمبر 2006).
فرايند طبقه بندي در واقع نوعي يادگيري با ناظر مي باشد

پایان نامه
Previous Entries منبع تحقیق درمورد عدل و انصاف، امر به معروف، مصالح مرسله Next Entries منبع پایان نامه ارشد با موضوع سلسله مراتب