تخمین تلاش لازم جهت توسعه نرم افزار
چکیده:
برای هر پروژه نرم افزاری سه عامل متداخل زمان، هزینه و کیفیت موثر است. پرداختن به هریک از عوامل باعث تاثیر در دو عامل دیگر می شود. بالا رفتن زمان انجام کار باعث کیفیت بیشتر و بر افزایش قیمت پروژه تاثیر دارد. از آنجائی که در برنامه ریزی پروژه بایستی منابع مورد نیاز از قبــل، پیش بینی شود، لذا تخمین هزینه و زمان تولید نرم افزار هم برای تولید کننده و هم برای استفاده کننده بسیار حیاتی است. منابع و برنامه دو عامل تعیین کننده برای انجام عملیات پروژه هستند. اگر این دو عامل مشخص باشند،آنگاه زمان و هزینه پروژه تولید نرم افزار می تواند تعیین شود. در پروژه های نرم افزاری قبل از شروع به کد نویسی بایستی پارامترهایی تخمین زده شود، بطوریکه رسیدن به اهداف پروژه تضمین گردد.این پارامترها جهت تصمیم گیری در تعیین زمان ،نیروی انسانی، میزان تلاش هزینه و ... کارایی دارد تیم نرم افزاری باید قادر باشند که قبل از شروع به کد نویسی این پارامترها ار برآورد نمایند. یکی از این پارامترها میزان تلاش لازم است که بایستی تخمین درستی از آن در دست داشته باشیم.الگوی های زیادی برای فرایند تخمین ارائه شده از این رو، ما در این تحقیق سعی داریم میزان تلاش لازم برای رسیدن نرم افزار به اهداف خود را در حالت کلی با مدل های ارائه شده پیش بینی و نتایج حاصل با استفاده از روشهای رسمی و ریاضی بررسی نماییم.
فهرست مطالب:
چکیده
فصل اول: کلیات تحقیق
1-1 مقدمه
1-2 بیان مسئله
1-3 سوابق و ضرورت انجام تحقیق
1-4 اهداف تحقیق
1-5 سازماندهی تحقیق
فصل دوم: ادبیات تحقیق
2-1 مقدمه
2-2 متدولوژی و ضرورت توجه به آن
2-3 تفاوت روش توسعه نرم افزار و سخت افزار
2-4 فرایند توسعه نرم افزار
2-4-1 مدلهای توسعه نرم افزار
2-4-1-1 اصول شئ گرایی
2-4-2 مقایسه متدولوژی های سنگین وزن و سبک وزن
2-4-3 فعالیت های پشتیبانی
فصل سوم: تخمین تلاش لازم جهت توسعه نرم افزار
3-1 مقدمه
3-2 مفهوم تخمین هزینه
3-3 تخمین هزینه نرم افزار
3-4 انواع تخمین
3-5 اندازه نرم افزار
3-5-1 تعداد خطوط کد
3-5-2 علم نرم افزار
3-5-3 نقاط کاری
3-5-4 نقطه ویژگی
3-6 روش های تخمین هزینه
3-6-1 روشهای غیرالگوریتمی
3-6-1-1 تخمین تجربی
3-6-1-2 روش داوری کارشناسانه
3-6-1-3 تخمین با قیاس
3-6-1-4 روش پارکینسون
3-6-1-5 پایین به بالا
3-6-1-6 بالا به پایین
3-6-2 روشهای الگوریتمی
3-6-2-1 مدل های COCOMO
3-6-2-2 مدل Putnam
3-6-2-3 روش های مبتنی بر آنالیز نقطه ی تابعی
3-6-2-4 رگرسیون
3-7 مروری بر کارهای انجام شده
3-7-1 مدل تخمین هزینه نرم افزار مبتنی بر منطق فازی
3-7-2 تخمین هزینه نرم افزار با استفاده از شبکه های عصبی
3-7-3 تخمین نیروی کار نرم افزار بوسیله الگوریتم ژنتیک با پارامترهای تنظیم شده
3-7-4 چهارچوب مبتنی بر شبکه عصبی و منطق فازی برای تخمین هزینه توسعه نرم افزار
3-7-5 بهینه سازی پارامترها با استفاده از بهینه سازی دسته ذرات
3-7-6 شبکه عصبی موجک برای تخمین هزینه
3-7-7 پیشگویی عصبی- ژنتیک برای توسعه نیروی کار نرم افزاری
3-8 ارزیابی مدل های تخمین
فصل چهارم: مدل رهیافتی
4-1 مقدمه
4-2 روش شناسی تحقیق
4-3 داده ها و جامعه آماری
4-4 معیارهای ارزیابی
4-5 اصول روش پیشنهادی
4-5-1 انتخاب زیر مجموعه ویژگی
4-5-2 اندازه گیری شباهت
4-5-3 مقیاس گذاری
4-5-4 تعداد پروژه های مشابه
4-5-5 تطابق تناسبات
4-6 شمایی از مدل پیشنهادی
نتیجه گیری
پیشنهادات آتی
منابع
فهرست جداول
فهرست شکل ها
تعداد مشاهده: 2400 مشاهده
فرمت فایل دانلودی:.doc
فرمت فایل اصلی: doc
تعداد صفحات: 67
حجم فایل:1,262 کیلوبایت
-
راهنمای استفاده:
مناسب برای دانشجویان گرایش های مختلف IT و کامپیوتر
-
محتوای فایل دانلودی:
در قالب فایل word و قابل ویرایش
همراه با شکل، نمودار، جدول، پاورقی، فهرست شکل ها، منابع
داده کاوی و کاربرد آن درتشخیص بیماری ها
چکیده:
امروزه در دانش پزشکی جمع آوری داده های فراوان در مورد بیماری های مختلف از اهمیت فراوانی برخوردار است. مراکز پزشکی با مقاصد گوناگونی به جمع آوری این داده ها می پردازند. تحقیق روی این داده ها و به دست آوردن نتایج و الگوهای مفید در رابطه با بیماری ها ، یکی از اهداف استفاده از این داده ها است. حجم زیاد این داده ها و سردرگمی حاصل از آن مشکلی است که مانع رسیدن به نتایج قابل توجه می شود. بنابراین از داده کاوی برای غلبه بر این مشکل و به دست آوردن روابط مفید بین عوامل خطر زا در بیماری ها استفاده می شود.
این مقاله به معرفی داده کاوی وکاربردآن در صنعت پزشکی (پیش بینی بیماری) با استفاده از الگوریتم های داده کاوی به همراه نرم افزارهای مرتبط با آن پرداخته است.
کلمات کلیدی: داده کاوی، درخت تصمیم، پیش بینی بیماری، دیابت
فهرست مطالب:
چکیده
مقدمه
بیان مسئله
هدف تحقیق
موضوع داده کاوی چیست؟
مدیریت ذخیره سازی و دستیابی اطلاعات
تعاریف داده کاوی
کاربردهای داده کاوی
چند مثال در مورد مفهوم داده کاوی
مراحل داده کاوی
شکل 1: مراحل داده کاوی
عناصر داده کاوی
تکنیک های داده کاوی
تکنولوژی های مرتبط با داده کاوی
محدودیت ها
داده کاوی درعرصه ی سلامت
استراتژی های داده کاوی
نمونه هایی از کاربرد های داده کاوی درسلامت
مقایسه الگوریتمهای هوشمند در شناسایی بیماری دیابت
گام های لازم برای طراحی یک درخت تصمیم گیری
جذابیت درختان تصمیم
بازنمایی درخت تصمیم
مسائل در یادگیری درخت تصمیم
مزایای درختان تصمیم نسبت به روش های دیگر داده کاوی
معایب درختان تصمیم
نرم افزارهای داده کاوی
پیاده سازی نرم افزار وکا
شکل 2: نمودار ستونی برای فراوانی مقادیرمختلف ستون ها در بازه هایی با طول یکسان
شکل 4: اجرای الگوریتم Decision Trees
شکل 5: اجرای مدل خوشه بندی
بحث
نتیجه گیری
پیشنهادات
منابع
تعداد مشاهده: 1430 مشاهده
فرمت فایل دانلودی:.docx
فرمت فایل اصلی: docx
تعداد صفحات: 41
حجم فایل:1,256 کیلوبایت
-
راهنمای استفاده:
مناسب برای دانشجویان مهندسی کامپیوتر و فناوری اطلاعات
-
محتوای فایل دانلودی:
در قالب فایل word و قابل ویرایش
به همراه شکل و لیست منابع
کاربرد داده کاوی در سازمان های پلیسی و قضایی به منظور شناسایی الگوهای جرم و کشف جرایم
چکیده:
پیشگیری ازجرم یکی از موضوعات اساسی و مهم در زندگی بشر بوده که در طول تاریخ به شیوه های مختلف و گوناگون مورد بررسی قرار گرفته است.
با توجه به گسترش فناوری های اطلاعات و ارتباطات و راه اندازی سیستم های جامع اطلاعاتی در سازمان های پلیسی و قضایی و همچنین نیروی انتظامی و ثبت اطلاعات مجرمان در بانک های اطلاعاتی به منظور شناسایی جرم و کشف جرایم یکی از ضرورت های پلیس ایران و دستگاه های قضایی می باشد.
بی شک شرایط اجتماعی بشر رویارویی با پدیده جرم راغیر قابل اجتناب می کند. هدف اصلی این تحقیق مطالعه وبررسی روش مبتنی بر داده کاوی است، این روش با استفاده از ابزارها والگوریتم های داده کاوی و بکارگیری بانک اطلاعاتی موجود می تواند درحوزه های مختلفی همچون شناسایی، پیش بینی وپیشگیری ازجرایم مورد بررسی قرار گرفته و با کنترل دقیق تر نیروها و آرایش نظامی آن ها در مکان جرم از وقوع جرم پیشگیری کند.
فهرست مطالب:
چکیده
مقدمه
تعریف داده کاوی
شکل شماره یک
1. فرایندهای داده کاوی
1.1 تعریف مسئله
1.2 ساختن یک پایگاه داده برای داده کاوی
1.3 جستجوی داده
1.4 آماده سازی داده برای مدل سازی
1.5 تایید اعتبار ساده
1.6 ارزیابی وتفسیروتایید اعتبارمدل
2. کارکردها و وظایف داده کاوی
شکل شماره دو
2.1 پیش بینی
2.2 دسته بندی
2.3 رگریسون
2.4 سری های زمانی
2.5 قوانین باهم آیی
2.6 خوشه بندی
2.7 خلاصه سازی
2.8 کشف توالی
3. داده کاوی در برخی سازمان های پلیسی و قضایی
3.1 داده کاوی وتحلیل حوادث
3.2 داده کاوی وبررسی جرم صحنه
3.3 داده کاوی ودوباره قربانی شدن
3.4 داده کاوی وحوادث تیراندازی
3.5 داده کاوی وسرقت مسلحانه
3.6 داده کاوی وجرایم خشونت آمیز
3.7 داده کاوی وحملات تروریستی
3.8 داده کاوی وسرقت ازمنازل
3.9 داده کاوی وجرایم مجازی
4. روش های داده کاوی
4.1 روش خوشه بندی
Association rule mining 4.2
Sequential pattern mining 4.3
String comparator 4.4
5. قوانین نالازمی در داده کاوی
5.1 ضریب پشتیبان
5.2 ضریب اطمینان
5.3 الگوریتم کای میانگ
5.4 ارزیابی کیفیت خوشه بندی
6. روش های تحلیل داده ها
شکل شماره چهار
جدول شماره یک
6.1 تحلیل نتایج
جدول شماره دو
جدول شماره سوم
جدول شماره چهارم
جدول شماره پنجم
جدول شماره ششم
جدول شماره هفتم
جدول شماره هشتم
جمع بندی ونتیجه گیری
منابع
تعداد مشاهده: 1514 مشاهده
فرمت فایل دانلودی:.docx
فرمت فایل اصلی: docx
تعداد صفحات: 42
حجم فایل:212 کیلوبایت
-
راهنمای استفاده:
مناسب جهت استفاده دانشجویان رشته کامپیوتر و فناوری اطلاعات
-
محتوای فایل دانلودی:
در قالب فایل word و قابل ویرایش
همراه با شکل، نمودار، جدول، پاورقی، فهرست شکل ها، منابع
بررسی انواع تکنیک های داده کاوی
چکیده:
امروزه به دلیل وجود ابزارهای مختلف برای جمع آوری داده ها و پیشرفت قابل قبول تکنولوژی پایگاه داده حجم انبوهی از اطلاعات در انبار داده های مختلف ذخیره شده است. این رشد انفجاری داده ها، احتیاج به یک سری تکنیک ها و ابزارهای جدید که توانایی پردازش هوشمندانه اطلاعات را دارا باشند، نمایان می سازد. با استفاده ار پرسش های ساده در SQL و ابزارهای گوناگون گزارش گیری معمولی، می توان اطلاعاتی را در اختیار کاربران قرار داد تا بتوانند به نتیجه گیری در مورد داده ها و روابط منطقی میان آنها بپردازند اما وقتی که حجم داده ها بالا باشد، کاربران هر چقدر حرفه ای و با تجربه باشند نمی توانند الگوهای مفید را در میان حجم انبوه داده ها تشخیص دهند و یا اگر قادر به این کار هم باشند، هزینه عملیات از نظر نیروی انسانی و مالی بسیار بالا است.
در حال حاضر داده کاوی در پایگاه داده های بزرگ، توسط بسیاری از محققان به عنوان یک موضوع تحقیقاتی مهم به شمار می آید. محققان در بسیاری از رشته ها نظیر پایگاه داده ها، یادگیری ماشین و آمار این موضوع را پیگیری کرده و تکنیک های مختلفی را در این زمینه ارائه دادند. داده کاوی یکی از مهمترین روشهایی است که به وسیله آن الگوهای مفید در داده ها با حداقل دخالت کاربران شناخته می شوند و اطلاعاتی را در اختیار کاربران و تحلیل گران قرار می دهند تا براساس آنها تصمیمات مهم و حیاتی در سازمان ها اتخاذ شوند. در داده کاوی از بخشـی به نام تحلیل اکتشــافی داده ها استفاده می شود که در آن بر کشف اطلاعات نهفته و ناشناخته از درون حجم انبوه داده ها تاکید می شود بنابراین می توان گفت در داده کاوی تئوری های پایگاه داده ها، هوش مصنوعی، یادگیری ماشین وعلم آمار را در هم می آمیزند تا زمینه کاربردی فراهم شود. مراحل مختلف استخراج دانش در پایگاه داده ها:
- درک دامنه مسئله
- استخراج یک مجموعه داده
- آماده سازی و پاک سازی
- یکپارچه سازی داده ها
- کاهش و تغییر شکل داده ها
- انتخاب نوع کاوش داده ها
- انتخاب الگوریتم کاوش داده ها
- استفاده از دانش کشف شده
فهرست مطالب:
چکیده
1. مقدمه
1-1. تاریخچه
2. داده کاوی
2-1. مفاهیم اساسی در داده کاوی
2-2. جایگاه دادهکاوی
2-3. بعضی از کابردهای داده کاوی
3. مراحل داده کاوی
3-1. مرحله اول شناخت کسب و کار
3-2. مرحله دوم شناخت اطلاعات
3-2-1. جمع آوری داده های اولیه و اصلی
3-2-2. شرح وتوصیف داده ها
3-2-3. کاوش داده ها
3-2-4. تحقیق در مورد کیفیت داده ها
3-3. مرحله سوم آماده سازی داده ها
3-3-1. انتخاب داده ها
3-3-2. تمیز کردن داده ها
3-3-3. تبدیل داده ها
3-3-4. تلفیق داده ها
3-4. مرحله چهارم مدلسازی
3-4-1. استقرار مدل ها
3-5. مرحله پنجم ارزیابی
3-5-1. ارزیابی مدل های توصیفی
3-5-2. ارزیابی مدل های جهتدار
3-5-3. ارزیابی طبقه بندها و پیشگوها
3-5-4. ارزیابی تخمینگرها
3-6. مرحله ششم پیاده سازی
3-6-1. گسترش برنامه
3-6-2. نگهداری و قوت برنامه
3-6-3. تولیدگزارش نهایی
3-6-4. تجدید نظر و نشریه کردن پروژه
4. استراتژیهای دادهکاوی
4-1. یادگیری با نظارت یا یادگیری تحت نظارت
4-2. یادگیری بدون نظارت
5. تکنیکهای دادهک اوی
5-1. طبقه بندی
5-2. خوشه بندی
5-2-1. نقطه تمایز خوشه بندی از دسته بندی
5-3. رگرسیون گیری
5-3-1. رگرسیون منطقی
5-4. تجمع وهمبستگی
5-5. درخت تصمیم گیری
5-5-1. اهداف اصلی درختهای تصمیم گیری دسته بندی کننده
5-5-2. گامهای لازم برای طراحی یک درخت تصمیم گیری
5-5-3. جذابیت درختان تصمیم
5-5-4. بازنمایی درخت تصمیم
5-5-5. مسائل عملی در یادگیری درختان تصمیم
5-5-6. اورفیتینگ داده ها
5-5-7. انواع روشهای هرس کردن
5-5-8. مزایا و معایب درختان تصمیم
5-6. الگوریتم ژنتیک
5-6-1. مزایا و معایب الگوریتم های ژنتیک
5-7. شبکه های عصبی
5-7-1. شبکه عصبی با یک لایه نهان
5-7-2. مزایا و معایب شبکههای عصبی
5-7-3. کاربردها
5-7-4.معماری شبکه عصبی مصنوعی
6. گام نهایی فرایند داده کاوی
7. تکنولوژی های مرتبط با داده کاوی
7-1. انبارداده
7-1-1. مشخصات ساختاری انبارداده
7-2. OLAP
8. وظایف داده کاوی
8-1. دسته بندی
8-2. خوشه بندی
8-3. تخمین
8-4. وابستگی
8-5. رگرسیون
8-6. پیشگویی
8-7. تحلیل توالی
8-8. تحلیل انحراف
8-9. نمایه سازی
9. محدودیتهای داده کاوی
10. نرم افزارهای داده کاوی
10-1. نرم افزار وکا
10-1-1. قابلیتهای وکا
10-2. نرم افزار JMP
10-2-1. قابلیتهای JMP
11. نتیجه گیری
12. منابع
تعداد مشاهده: 3195 مشاهده
فرمت فایل دانلودی:.docx
فرمت فایل اصلی: docx
تعداد صفحات: 63
حجم فایل:1,251 کیلوبایت
-
راهنمای استفاده:
مناسب جهت استفاده دانشجویان رشته کامپیوتر و فناوری اطلاعات
-
محتوای فایل دانلودی:
در قالب فایل word و قابل ویرایش
به همراه لیست منابع
ابزارها و راهکارهای داده کاوی
بخشی از مقدمه:
ما به تدریج با این واقعیت رشد کرده ایم که حجم عظیمی از داده ها وجود دارد که کامپیوترها، شبکه ها و در حقیقت تمام زندگی مارا فرا گرفته است. سازمان های دولتی، مؤسسات علمی و تجاری ،سرمایه هنگفتی را برای جمع آوری و ذخیره این داده ها اختصاص داده اند. در حالی که فقط مقدار کمی از این داده ها مورد استفاده قرار می گیرند. زیرا، در بسیاری از موارد، حجم داده های لازم برای سازماندهی بسیار بالا بوده یا ساختار آن ها بسیار پیچیده است.
ضرورت درک مجموعه داده های بزرگ، پیچیده و اطلاعات کامل و غنی در زمینه تجارت،علوم و مهندسی کم و بیش رایج است. توانایی استخراج دانش و اطلاعات مفید موجود در این داده ها و امکان استفاده از این دانش در جهان رقابتی امروز بیش از پیش حائز اهمیت است. به کل فرآیند به کارگیری متدولوژی مبتنی بر کامپیوتر از جمله روش های جدید برای دریافت دانش و اطلاعات از داده ها را داده کاوی می گویند.
داده کاوی دراواخر دهه 1980پدیدار گشت در سال 1990گام های بلندی دراین شاخه ازعلم برداشته شد. درزمانی طلا یازغال سنگ ارزشمند ترین چیزی بودند که انسان ها برای بالا بردن کیفیت زندگی شان به جستجو آن می پرداختند. دردنیای امروزه داده ها حکم طلا را دارند و با ارزش ترین ماده خام دنیای کنونی محسوب می شوند.
اصطلاح داده کاوی برگرفته از (gold mining) یا استخراج طلا از صخره های سنگی است. در رابطه با استخراج و اکتشاف طلا از واژه Rock mining استفاده نشده است و بنابراین شاید نام مناسب برای Data mining نیز واژه Knowledge mining frim data بود اما از انجا که این واژه طولانی بود ازواژه Data mining استفاده می شود. ...
فهرست مطالب:
فصل اول مفاهیم داده کاوی
1-1 مقدمه
1-2 ریشه های داده کاوی
1-3 برای انجام داده کاوی به چه چیزهایی نیاز است
1-4 فرآیندداده کاوی
1-5 عناصر داده کاوی
1-6 روش های داده کاوی
1-7 مراحل اصلی داده کاوی
1-8 فنون داده کاوی
1-9 دلایل استفاده از داده کاوی
1-10 استراتژی های داده کاوی
1-11 تکنیک های داده کاوی
1-12 ضرورت داده کاوی
1-13 کارکردها ووظایف داده کاوی
1-14 کاربردهای داده کاوی
1-15 مثالی کلاسیک از داده کاوی
1-16 فواید ونقش داده کاوی درفعالیت شرکت ها
1-17 نمونه های اجرایی داده کاوی
7-1- درزمینه صنعت
7-3- در مدیریت ریسک
1-18 انبار های داده
1-19روش آنالیز آماری
1-20 تفاوت داده کاوی وآنالیزهای آماری
فصل دوم: آماده سازی داده ها
2-1 نمایش داده های خام
2-2 ویژگی های داده های اولیه(خام)
2-3 تبدیل داده های خام
2-4 تحلیل داده های نا منطبق
فصل سوم: روشهای آمار
3-1 استنتاج آماری
3-2 تشخیص تفاوت ها درمجموعه داده
3-3 رگرسیون پیشگو
3-4 تحلیل واریانس
3-5 تحلیل ممیز خطی
فصل چهارم: درختان تصمیم و قوانین تصمیم
4-1 مقدمه
4-2 درخت تصمیم
4-3 الگوریتمc4.5 :تولیددرخت تصمیم
4-4 مقادیرویژگی ناشناخته
4-5 هرس کردن درخت تصمیم
4-6 تولید قوانین تصمیم
4-7 محدودیتهای درختان تصمیم وقوانین تصمیم
فصل پنجم: قوانین انجمنی
5-1 مقدمه
5-2 تحلیل سبدخرید
5-3 الگوریتم APRIORI
5-4 مجموعه اقلام های تکراری وروابط انجمنی
5-5 افزایش راندمان وکارایی الگوریتمApriori
5-6 کاوش قوانین انجمنی چند بعدی
5-7 کاوش وب( وب کاوی )
5-8 کاوش متن
فصل ششم: شبکه های عصبی مصنوعی
6-1 مقدمه
6-2 مدل یک نورون مصنوعی
6-3 معماری های شبکه های عصبی مصنوعی
6-4 فرآیندیادگیری
6-5 وظایف یادگیری
6-6 مفاهیم چندلایه ای
6-7 شبکه های رقابتی ویادگیری رقابتی
فصل هفتم: الگوریتم های ژنتیک
7-1 اصول الگوریتم ژنتیک
7-2پیوندزنی
7-3 نمایش ساده ای برای یک الگوریتم ژنتیک
فصل هشتم: روشهای تجسم سازی
8- 1 ادراک وتجسم ساز ی فکری
8-2تجسم سازی علمی وتجسم سازی اطلاعات
8-3 سیستم های تجسم سازی برای داده کاوی
نتیجه گیری
منابع
تعداد مشاهده: 1641 مشاهده
فرمت فایل دانلودی:.docx
فرمت فایل اصلی: docx
تعداد صفحات: 71
حجم فایل:937 کیلوبایت
-
راهنمای استفاده:
مناسب جهت استفاده دانشجویان و مهندسین کامپیوتر و IT
-
محتوای فایل دانلودی:
در قالب فایل word و قابل ویرایش