در بسیاری از کاربردهای کشف دانش جغرافیایی خوشه بندی مکان محور محبوبیت و فواید ویژه ای دارد، زیرا توانایی کشف ساختار از درون داده ها را بدون استناد و وابستگی به هر نوع دانش قبلی مانند سلسله مراتب مفهومی داراست. یکی از کاربردهای خوشه بندی مکان محور در مسأله مکان یابی تسهیلات است. مسأله مکان یابی تسهیلات و تخصیص مراکز به نقاط درخواست یک موضوع پژوهشی مهم در زمینه تجزیه و تحلیل داده های مکان محور و برنامه ریزی شهری می باشد.برای یک سازمان یا کشور بسیار مهم است که منابع و تسهیلات خود را در کجا مستقر کند و نحوه سرویس دهی این منابع به چه صورت باشد تا بهترین کارایی را داشته و تمام نقاطی که به این منابع نیاز دارند را به بهترین نحو پوشش دهد.در سالهای اخیر استفاده از خوشه بندی مکان محور برای مسأله مکان یابی بهینه تسهیلات مورد مطالعه قرار گرفته است و الگوریتمهای مختلفی برای در نظر گرفتن محدودیت هایی نظیر محدودیت ظرفیت تسهیلات و محدودیت فاصله نقاط درخواست از تسهیلات پیشنهاد گردیده است. در اغلب مطالعاتی که درسالهای اخیر جهت به کار گیری الگوریتمهای خوشه بندی مکان محور برای تأسیس بهینه تسهیلات استفاده گردیده، از فاصله اقلیدسی بین دو نقطه به عنوان تابع عدم شباهت استفاده می گردد.با توجه به وجود موانع در سطح شهر نظیر رودخانه وکوه ، این موانع فاصله بین دو نقطه را تحت تأثیر قرار می دهند و برای دستیابی به نتایج واقعی و با کیفیت مطلوب، لازم است این موانع در محاسبه فواصل نقاط از مراکز و تخصیص نقاط درخواست به تسهیلات در نظر گرفته شوند. در این تحقیق مدل هایی برای مکان یابی تسهیلات شهری با در نظر گرفتن موانع جغرافیایی ارائه گردیده که در این مدل ها سه تابع فاصله جدید یکی بر مبنای آنالیز کوتاهترین مسیر در یک شبکه خطی و دو تابع دیگر بر مبنای الگوریتم های مسیر یابی حرکت ربات در برخورد به موانع در هندسه رباتیک، پیشنهاد می گردد. همچنین با توجه به اینکه قیمت زمین در مناطق مختلف شهر متفاوت می باشد، این مسأله هزینه تأسیس تسهیلات را تحت تأثیر قرار می دهد. در این تحقیق الگوریتم جدید ترکیبی بر پایه خوشه بندی k_means وبا استفاده از روش مورد استفاده در خوشه بندی k_medoid در جابجایی مراکز، پیشنهاد می گردد، به گونه ای که هزینه لجستیک معادل مجموع فواصل نقاط درخواست از نزدیک ترین تسهیل به علاوه هزینه تأسیس تسهیلات، کمینه می گردد.مدل های پیشنهادی در نرم افزار arcgis desktop9.2 و با استفاده از زبان برنامه نویسی visual basic پیاده سازی گردیده و روی مجموعه داده های مصنوعی و همچنین در نقشه واقعی مراکز حوزه های جمعیتی شهر اصفهان به عنوان نقاط درخواست وزن دار و با استفاده از جمعیت هر مرکز به عنوان وزن نقطه تست و ارزیابی گردید. نتایج نشان دهنده کیفیت مطلوب مدل های پیشنهادی از نظر کیفیت تخصیص نقاط به مراکز و هزینه لجستیک می باشد

یکی از زمینه هایی که در طی چند سال اخیر مطرح شده، بحث جستجو و استخراج داده ها از متون مختلف می باشد. از جمله این متون، متون زیست پزشکی (بیومدیکال) می باشند که به صورت مقاله ها و نوشته هایی در اینترنت موجود می باشند. اندازه و نرخ رشد منابع زیست پزشکی باعث ایجاد چالش های جدیدی برای محققان و پژوهشگرانی که نیاز به بروز شدن دارند، شده است. تکنیک های متن کاوی که شامل فرآیندهای بازیابی اطلاعات، استخراج اطلاعات و داده کاوی است، راه های پاسخ به این مسأله را هموار می کند. این تکنیک ها با افزودن معنی به متن، در مقایسه با جستجوی ساده ی لغات، تحلیل معتبرتری از اطلاعات متنی ارائه می دهد. استخراج درست مخفف ها و تعاریفشان برای زیست شناسی خیلی مهم و مفید می باشد. یکی از موارد مرتبط با این زمینه، نرخ بالای مخفف های جدیدی است که در متون زیست پزشکی معرفی، ایجاد و رخ می دهند. پایگاه داده ها، آنتولوژی ها و فرهنگ لغت های موجود باید با مخفف های جدید و تعاریفشان به طور پیوسته بروز باشند. در تلاشی که برای حل این مشکل انجام شده است تکنیک های جدیدی معرفی شده اند که به صورت خودکار، مخفف ها را به همراه تعاریف آن ها از چکیده های مدلاین استخراج می کنند. چهار روش برای این کار وجود دارد: روش های مبتنی بر آمار، قانونمند، یادگیری ماشین و ترازبندی متن. سه روش اول در یافتن مخفف های بی قاعده به مشکل برخوردند ولی روش ترازبندی متن با طرح امتیازدهی و ترکیبی از تکنیک ها و الگوریتم ها می تواند تا حدودی بر این مشکل غلبه کند. در این تحقیق ما یک الگوریتم ترازبندی ترکیبی را برای استخراج مخفف ها از متون زیست پزشکی پیشنهاد کرده ایم. روش کار شناسایی زوج های فرم کوتاه و فرم بلند می باشد که در آن از هر نوعی از کاراکترهای فرم کوتاه یک نگاشت به فرم بلند انجام می شود. در این الگوریتم بعضی مخفف های بی قاعده ایی که با روش های پیشین یافت نمی شد، پیدا می شود. با ارزیابی این الگوریتم مشخص شد الگوریتم دقت بالایی را نسبت به الگوریتم های قبلی نشان می دهد.

(odm ( organization data mining به عنوان ابزار استخراج دانش اتکاپذیری ازداده ها تعریف شده است و فن آوری است که فرایند تصمیم گیری رابوسیله ی دگرگون ساختن داده ها به سوی دانش ارزشمند درجهت کسب یک مزیت رقابتی سوق می دهد و بعنوان شیوه بکاربردن ابزارهای داده کاوی تعریف شده است . با توجه به اینکه سازمان ها ، داده های تجاری بسیاری رادر تصرف خوددارند بافلج ساختن اطلاعات یک چالش کلیدی درتصمیم گیری تشکیلات سازمانی ایجادمی نمایند. به این منظور پروسه ی کشف دانش از پایگاه داده سازمانی مطرح شده است که یک فرایند علمی برای شناسایی الگوهای معتبر، نوین، بالقوه مفید و قابل فهم از داده ها می باشد. مهم ترین بخش این فرایند ، داده کاوی (data mining) یا کاوش دانش می باشد که با استفاده از الگوریتم های مشخص، الگوهایی را از پایگاه داده استخراج می نماید .هدف از این پایان نامه معرفی تمام مفاهیم مرتبط با واژه داده کاوی ، پروژه و فرایند داده کاوی می باشد و رویکرد اصلی این پایان نامه بهره گرفتن از داده کاوی به عنوان یک ابزار کاربردی و تولیدی در دنیای واقعی (سازمان تامین اجتماعی) در نظر گرفته شده است ؛ با تمرکز بر تکنیک کلاس بندی با استفاده از درخت تصمیم گیری به اجرای واقعی odm طی فرایند بهبود یافته و خاص در سازمان تامین اجتماعی پرداخته شده است . طرح منطقی ساخت بانک اطلاعاتی داده کاوی ارایه وآماده سازی داده ها و پیش پردازش ها را تا مرحله ای که بتوان الگوریتم ها را بر روی آن اعمال نمود ، انجام شده و 5 مدل داده کاوی پیاده سازی و مورد تحلیل قرار گرفته است . به منظور ایجاد پروژه و راه حل داده کاوی از محیط business intelligence development studio و موتور بانک اطلاعاتی microsoft sql server2005 بکار گرفته شده است . به منظور مشاهده ی نتایج داده کاوی استخراج شده از فرایند وطرح پیشنهادی ، مدلها بصورت یک پروژه کاربردی قابل ارایه در report server project پیاده سازی شده اند .

کشف دانش در پایگاهای داده فرآیند جستجوی خودکارِ مقادیر عظیم داده ها را برای یافتن الگوهای پنهانِ درون داده ها توصیف می کند به طوری که این الگوها می توانند به عنوان دانش درون داده ها تعبیر شوند . داده کاوی به عنوان گام های تحلیلیِ کشف دانش در پایگاه های داده در نظر گرفته می شود به طوری که این گام ها از پیش پردازش ، یادگیری ماشین و تحلیل نتایج تشکیل می شود . پیش پردازش داده ها ، داده های سطریِ ورودی را به طور ساده شده و موثری برای استفاده در مرحله ی یادگیری ماشین آماده می کند . این گام شامل پاکسازی داده ها ، تبدیل داده ها و کاهش ویژگیِ داده ها می باشد . یادگیری ماشین شاخه ای از علوم و مهندسی کامپیوتر می باشد که به طراحی و توسعه ی الگوریتم هایی می پردازد که توانایی یادگیری مصنوعی را دارد ؛ این الگوریتم های توسعه یافته به دو صورت تکنیک های یادگیری با ناظر و بدون ناظر می باشد . این پایان نامه بر روی استفاده از تکنیک های داده کاوی برای تعیین زمان بقای مورد انتظار بیماران مبتلا به سرطان پانکراس (لوزالمعده) به منظور تعیین نوع عمل انجام شده بر روی بیماران مبتلا به این نوع سرطان ، تمرکز کرده است . در این پایان نامه از داده های بالینی بیمار برای نشان دادن روند کلیِ رفتارها و برآمد های حاصل از بیماری استفاده شده است . در مطالعات پزشکی ، به طور سنتی ، از روش های آماری برای ساخت مدل های پیش بینی کننده بر حسب متغیرهای پیشگو یا همان مشخصه ها استفاده می شود . در این تحقیق از ماشین بردار پشتیبان و مدل ترکیبی آن یعنی ماشین بردار پشتیبان فازی برای ایجاد مدلی بر روی داده های بالینی سرطان پانکراس به منظور تعیین زمان بقای مورد انتظار بیماران مبتلا به سرطان پانکراس استفاده شده است . به علت تعداد بالای مشخصه های مساله ، در مرحله ی پیش پردازش داده ها از یک فرآیند انتخاب مشخصه بر مبنای دو روش wrapper و filter استفاده شده است . در نهایت برای بالا بردن دقت ماشین های بردار پشتیبان استاندارد و فازی از روش های bagging و adaboost استفاده می شود . در واقع مدل پیشنهاد شده در این پایان نامه دارای 2 زیر مدل می باشد ، یک مدل برای مرحله ی پیش پردازش داده ها و مدل دیگر برای مرحله ی یادگیری ماشین . نتایج تحقیق نشان می دهد که مدل پیشنهاد شده برای این مساله داده کاوی ، می تواند با دقت بالایی زمان بقای مورد انتظار بیماران مبتلا به سرطان پانکراس را تعیین کند .

با افزایش رقابت در صنعت فروش، فروشندگان می کوشند عملکردشان را در راستای افزایش سودآوری و کارایی فروشگاه بهبود بخشند. از این رو، اجبارا مراکز فروش بیشتر از گذشته به مسایل زیربنایی فروشگاه همچون محرک ها جهت فروش کالاها، انتخاب کالاها برای نمایش و فضای نمایش کالاها توجه می کنند. تاکنون محرک تخفیف کالاها و اثرات آن بر روی فروش کمتر به صورت آکادمیک مورد بررسی و تحلیل قرار گرفته است. الگوریتم های محدود مطرح شده در این زمینه، خاصیت زمان محور بودن تخفیف کالاها و موقتی بودن آن را نادیده گرفته اند. در فاز اول این پایان نامه با استفاده از تکنیک های داده کاوی، الگوریتمی ارایه شده است که ارتباط فروش کالاها و تخفیفاتشان را کاوش کرده و از نتایج آن در فاز دوم پایان نامه برای انتخاب کالاها و تخصیص بهترین تخفیف به آنها استفاده شده است. مدل ارایه شده برای انتخاب کالاها، یک مدل بهینه سازی است و بر پایه برنامه ریزی خطی صفر-یک بیان شده است. در این رویکرد، اثرات ضربدری فروش کالاها با تخفیفات مختلف لحاظ گردیده است و در نهایت هدف مدل بهینه سازی، ماکزیمم کردن سود کل حاصل از فروش منفرد کالا و فروش ضربدری کالاها است. مدل مطرح شده با استفاده از نرم افزار lingo9.0 حل شده است. در فاز سوم پایان نامه با استفاده از نتایج حاصل از الگوریتم مطرح شده در فاز اول پایان نامه و قوانین وابستگی میان کالاها با تخفیفات مختلف، رویکردی برای چیدمان کالاها در قفسه های فروشگاه ارایه گردیده است. در آخر، جهت بررسی کارایی مدل، مطالعه تجربی روی داده های شبیه سازی شده صورت گرفته است. زبان برنامه ریزی مورد استفاده برای پیاده سازی الگوریتم visual basic 2000 می باشد و پایگاه داده microsoft sql server 2000 برای ذخیره سازی اطلاعات و بهره برداری از آنها بکار برده شده است.

امروزه علیرغم تلاش های صورت گرفته به منظور دسترسی به صنایع امن، وقوع حوادث و سوانحی (از قبیل آتش سوزی، انفجار و آلودگی محیط زیست) رو به افزایش است. این حوادث منجر به تلفات و آسیب دیدگی انسانی و خسارات مالی گسترده ای می شوند. لذا توجه به آن ها از جایگاه ویژه ای برخوردار است. متدولوژی هایی برای بررسی و تحلیل حوادث در برخی از صنایع ایجاد گردیده است. این متدولوژی ها اغلب با مشکلاتی از قبیل صرف منابع زیاد در تحلیل مسایل کم اهمیت، استنتاج و نتیجه گیری توسط ذهن بشری و فرضیات اولیه در تحلیل مواجه هستند و عملکرد اغلب آنها شامل ایجاد و شبیه سازی سناریوهای مختلف بروز حادثه می باشد و تاکنون هیچ تلاشی در جهت تحلیل داده های حاصل از وقوع حوادث صورت نگرفته است. حال آنکه حجم وسیعی از داده در پایگاه داده های این مراکز انباشته و ذخیره شده اند. دانش نوین داده کاوی با بهره گیری از تکنیک های خود قادر به رفع این نواقص بوده در حالی که مزایای روش های دیگر را نیز پوشش می دهد. این پایان نامه با رویکرد کاوش در داده و استفاده از تکنیک های مختلف داده کاوی به ارایه یک متدولوژی نوین در تحلیل ریسک و بررسی حادثه پرداخته است. این پایان نامه کوشیده است این متدولوژی را به منظور تحلیل ریسک و بررسی حوادث روی داده در یک مجتمع پتروشیمی به صورت یک مطالعه موردی، بکار گیرد. این متدولوژی شامل انتخاب نوع و توالی تکنیک های گوناگون داده کاوی برای انجام عملیات شناسایی و طبقه بندی عوامل موثر بر بروز حادثه، طبقه-بندی و خوشه بندی حوادث، شناسایی قوانین حاکم بر حادثه و پیش بینی نوع وقوع حوادث با توجه به عوامل موثر بر آن است. پایگاه داده مورد استفاده شامل اطلاعات مربوط به 275 حادثه روی داده در یک مجتمع پتروشیمی است. نرم افزار مورد استفاده در این پایان نامه برای اجرای متدولوژی، sql server 2005 می باشد.

در اقتصاد امروز میزان بازدهی و کیفیت خدماتی که بانک ها ارائه می دهند جایگاه ویژه ای دارد. با پیشرفت و بهبود در تکنولوژی، رقابت در صنعت بانکداری به طرز فزاینده ای شدت گرفته و تحلیل کارایی در صنعت بانکداری توجه زیادی را به خود جلب نموده است طوری که محققین زیادی زمان قابل توجهی را برای مطالعه و اندازه گیری سودمندی بانک ها صرف می نمایند. با توجه به نقش مهم بانک هادر توسعه کشور، اندازه گیری کارایی شعب بانک حائز اهمیت می باشد و سنجش کارایی شعب، باعث کمک به بودجه ریزی، طراحی سیستم پاداش دهی به شعب کارا و تخصیص بهینه امکانات می گردد. وجود سیستمی که بتواند کارایی شعب را به درستی تخمین بزند سبب پیشرفت روند رشد و توسعه و استفاده مطلوب از منابع بانکی می گردد. از طرفی مدیران بانک ها می توانند با داشتن چنین سیستمی به سئوالاتی نظیر: منابع اصلی ناکارایی شعب چیست؟ آیا کارایی بانک در طی چند سال افزایش می یابد؟ آیا بانک های بزرگ کاراتر هستند و از این قبیل، با خیال آسوده تری جواب دهند چرا که این سیستم باید بتواند شاخص های کمی و کیفی مناسب و اطلاعات زیاد برای تحلیل کارا و قوی را در اختیار آنها قرار دهد و فراموش نکنیم که همه این گفته ها در جهت به دست آوردن حداکثر منفعت از بازار رقابتی جدید به لطف پیشرفت تکنولوژی است. متداول ترین روش برای تخمین کارایی شعب بانکی، روش تحلیل پوششی داده ها است(مومنی. 1387). با این حال اگر بخواهیم کارایی شعبه جدیدی را با این روش محاسبه نماییم مجبوریم از اطلاعات همه شعبه ها برای تخمین کارایی آن شعبه استفاده نماییم. از سوی دیگر، چون روش تحلیل پوششی داده ها به ما توصیفی آماری در مورد دانش مسئله و یا یک سری قوانین جهت تصمیم گیری های مدیریتی بهتر و کاراتر (همانند قانون های تولید شده توسط رویکرد دوم مدل) نمی دهد، لذا هدف این است که یک پیشگویی کننده به کمک ابزارهای داده کاوی ایجاد نماییم تا این نقیصه ها را برطرف نماید. مسائل پیش روی ما در این پژوهش به قرار زیر است که می بایست پاسخ داده شوند: 1. میزان کارایی شعب بانک انصار به روش تحلیل پوششی داده ها چگونه است؟ 2. آیا شبکه های عصبی مصنوعی می تواند دقت مطلوبی از کارایی شعب به دست آورد؟ 3. براساس تحلیل های خوشه بندی، تا چه اندازه خوشه بندی موردنظر مطلوب است؟ 4. آیا دقت طبقه بندی شعب بانک انصار با دو رویکرد ذکر شده مطلوب است؟ رویکرد اول: ساخت یک مدل پیش گویی کننده میزان کارایی در رویکرد اول، پس از بهره بردن از روش تحلیل پوششی داده ها در تخمین کارایی شعب، مدلی پیش گویی کننده برای به دست آوردن میزان کارایی هر شعبه ارائه داده می شود. پس از بدست آوردن میزان کارایی شعب به وسیله روش تحلیل پوششی داده ها، به کمک قدرت پیش گویی کنندگی تکنیک شبکه عصبی مصنوعی چندلایه پرسپترون که وزن های آن توسط الگوریتم بهینه سازی برگرفته شده از زندگی خفاش و الگوریتم ژنتیک به طور جداگانه بهینه می گردد، یک مدل پیش گویی کننده میزان کارایی شعب ساخته می شود. لازم به ذکر است که در واقع دو پیشگویی کننده جداگانه میزان کارایی ساخته می شود. یکی پیشگویی کننده حاصل از ترکیب شبکه های عصبی مصنوعی و الگوریتم بهینه سازی ژنتیک و دیگری ترکیب شبکه های عصبی مصنوعی و الگوریتم بهینه سازی خفاش. قصد این است که قدرت بهبود پارامترها و دقت مدل توسط این دو الگوریتم بهینه سازی با یکدیگر مقایسه شود. انگیزه رویکرد اول تحقیق: با داشتن چنین مدلی، پس از ورود یا ساخت یک شعبه جدید و یا با تغییر داده های شعب فعلی می توان میزان کارایی شعبه جدید را پیش بینی نمود بدون اینکه نیاز باشد از اطلاعات شعب مجدداً استفاده گردد. دلیل دیگری که منجر به انتخاب این مدل گردید این است که به دلیل استفاده از شبکه عصبی مصنوعی در ساختار مدل، این مدل قادر خواهد بود که حتی با وجود روابط غیرخطی بین داده های شعب به پیش بینی میزان کارایی شعب بپردازد. دلیل آخر اینکه بنا به چرخه تعالی داده کاوی، با ورود شعب جدید، دانش مربوط به مسئله نیز با افزایش داده های شعب افزایش می یابد. رویکرد دوم: ساخت یک مدل پیش گویی کننده کلاس کارایی رویکرد دوم در این پژوهش طبقه بندی سطوح شعب است. گام های این روش بدین صورت است: 1- به کمک روش تحلیلی پوشش داده ها میزان کارایی شعب را به دست می آوریم. 2- استفاده از دانش شخص خبره برای تعیین سطوح شعب مختلف براساس میزان کارایی به دست آمده از گام قبل. 3- استفاده از تکنیک های داده کاوی برای تعیین طبقه شعب. در رویکرد دوم، ابتدا سطوح کلاس ها به کمک اشخاص خبره بانکی و بر اساس میزان کارایی بدست آمده تعیین می گردد. سپس به کمک الگوریتم های خوشه بندی، شعب با رفتارهای مشابه به درون خوشه های همسان یا همگن انتقال داده می شود (ماژولارسازی ). سپس به هر خوشه به عنوان یک مجموعه داده منحصر به فرد نگاه می گردد و در گام بعدی الگوریتم کلاس بندی روی هر خوشه اعمال می شود و در نهایت نتایج بدست آمده از کلاس بندی روی هر خوشه برطبق فرمولی موزون با هم ترکیب می گردد و سرانجام نتیجه نهایی گزارش می شود.

نفت یک ماده استراتژیک مهم است که به اعضای اصلی و حیاتی بدنه ی اقتصاد و امنیت ملی هر کشوری متصل است.در همین راستا، انتخاب تامین کننده در زنجیره تامین شرکت های نفتی، تأثیر مستقیم بر ایمن سازی و بهینه نمودن چرخه تولید، پالایش و عرضه ی نفت، گاز و محصولات نفتی در کشورهای تولیدکننده و صادرکننده نفت دارد.از این رو ایجاد و داشتن یک فرآیند هدفمند و هوشمند برای بررسی و ارزیابی تامین کنندگان یکی از دغدغه ها و نیازهای اجتناب ناپذیر برای کشور ما که دارای ذخایر عظیم نفت و گاز در جهان است، می باشد. بسیاری از روش هایی که در حال حاضر به صورت گسترده در مدیریت شرکت های نفتی اعمال می شود، از روش های سنتی انتخاب تامین کننده بهره می جویند که متأسفانه به ارزیابی ذهنی و فردی در وزن دهی معیارهای تصمیم گیرنده، قوانین نادرست ارزیابی و ناکارآمد بودن روش های تصمیم گیری محدود می شوند. با درک و فهم این دغدغه و نیاز، در راستای کمک و ارتباط نزدیک دانشگاه با صنعت، در این پروژه با نگاه عمیق به بحث انتخاب تامین کننده در مدیریت زنجیره تامین پروژه شرکت های نفتی، با بهره گیری از تکنیک های داده کاوی و شبکه های عصبی در چرخه روش استدلال مبتنی بر مورد، به ارائه مدل جدیدی بر اساس یک چارچوب شی گرا پرداخته شده است که در انتها منجر به انتخاب و رتبه بندی بهینه ی تامین کنندگان،کاهش زمان و هزینه در پروسه ی انتخاب و همچنین کاهش خطاهای انسانی گشته است.این پلت فرم از دو بخش اصلی تشکیل شده است. بخش اول بر اساس الگوریـتم crisp-dm به تحلیل و پردازش داده های بانک اطلاعاتی تامین کنندگان می پردازد و بخش دوم با نگاه ماژولار از سه ماژول اصلی برای ایجاد و تکمیل چرخه روش استدلال مبتنی بر مورد بر اساس تکنیک های داده کاوی و همچنین یک شبکه عصبی با عنوان سیستم خبره بهره می برد.مدل پیشنهادی بر روی داده های بانک اطلاعاتی شرکت نفت و گاز پارس جنوبی پیاده سازی شد. نتایج حاصل از مدل پیشنهادی در آخر با چند مدل دیگر مقایسه می شود و نتایج نشان می دهند که مدل پیشنهادی توانسته با کاهش خطا ، افزایش دقت و بازدهی، عملکرد خوبی در زمینه انتخاب تامین کننده داشته باشد.

پیشرفت های اخیر علوم مختلف در زمینه کسب، ذخیره و نگهداری داده ها منجر به افزایش بسیار زیادی در حجم و ابعاد پایگاه داده ها شده است. همیشه در این نوع پایگاه داده ها، اطلاعاتی جهت استخراج و استفاده وجود دارد. صنایع پزشکی، جزء پنج صنعتی می باشد که با حجم زیاد داده و اطلاعات درگیر هستند. اطلاعات، داده ها و دانش ذخیره شده در این صنایع هر روز بسیار افزایش می یابد. داده کاوی یک رشته علمی جدید در زمینه بازیابی و استخراج اطلاعات است که اقدام به استخراج دانش و ویژگی های مفید و جالب از مجموعه پایـگاه داده ها می کند. به عبارت دیـگر داده کاوی به عنوان یک قدم از مراحــل استـخراج دانش از پایگاه داده ها مورد استـفاده قرار می گیرد و به رشته های آمار، machine learning، شناسایی الگوها و دسته بندی مشاهدات متصل شده است. امروزه از دیابت به عنوان سومین دلیل مرگ و میر دنیا یاد می کنند. در هر 20 ثانیه یک نفر به علت ابتلاء به دیابت جان خود را از دست می دهد. به همین دلیل کشف و استخراج الگوها و ساختار نهان در بین معیارها و عوامل موثر بر دیابت در بین بیماران دیابتی امری ضروری و حیاتی است. به این منظور این پایان نامه یک متدولوژی جدید که شامل دو قدم کلی است را معرفی می کند. در اولین قدم با بررسی سه الگوریتم random projection, non - negative matrix factorization و pca اقدام به ارزیابی آنها با پیاده-سازی آنها بر روی سه دسته داده مجازی با ساختار خطی، غیرخطی و متنی می کنند. نتایج بدست آمده نشان می دهد که pca در مقایسه با دو الگوریتم دیگر توانایی بهتری در ارایه مجدد داده ها و کاهش ابعاد دارد. در قدم دوم این متدولوژی در ابتدا با استفاده از تکنیک آنالیز فاکتور اقدام به استخراج الگو و ساختار در بین متغیرهای تاثیرگذار بر مسیله می کنند سپس با پیاده-سازی تکنیک pca به عنوان یک تکنیک کاهش ابعاد ویژگی های اصلی مسیله انتخاب و کاهش ابعاد انجام می شود. و در نهایت این متدولوژی با اجرای تکنیک آنالیز خوشه بندی اقدام به کلاسه بندی بیماران می کنند. نتایج بدست آمده نشان می دهد که با کمک این متدولوژی پس از کشف الگوها و روابط بین متغیر ها تنها با لحاظ کردن 9 متغیر می توان مسیله را مورد بررسی قرار داده و بیماران را در جهت تعیین میزان انسولین مورد نیاز دسته بندی نمود.

تقاضای مرسولات پستی از جمله مباحث مهم در برنامه ریزی اقتصادملی، برنامه ریزی ارتباطات و نیز توسعه بازار های جدید ارتباطی است. موضوع مورد بحث واقعی است و برای آن، روش های حل متعددی ارایه شده است.بطورکلی دو راه عمده برای برآوردتقاضای مرسولات پستی وجود داردکه عبارتند از روش آماری و روش اقتصادی. روش مورد نظر در این پایان نامه روش اقتصادی از طریق تعیین مدلی برای تابع تقاضای اقتصادی است. تابع تقاضا مجموعه ای از متغیرهای تاثیرگذار بر تقاضای مرسولات پستی در سطح ملی است. متغیر های مستقل تابع مذکور شامل تولید ناخالص ملی ، قیمت، عوامل اجتماعی، فرهنگی و مانند آن است . در این پروژه تلاش می شود ساختار کلان تابع تقاضای مرسولات پستی تعیین شود و سپس برای برآورد پارامتر های مدل از روش اقتصادسنجی استفاده شود. در مطالعه حاضر از مدل های معمول و مرسوم برای تعیین تقاضای مرسولات پستی در برخی کشورهای برگزیده، بهره گیری می شود.دستاورد های مطالعه حاضر را می توان با دستاورد های الگوهای نمونه، مقایسه و ارزیابی کرد.

پیش¬بینی درماندگی مالی و ورشکستگی، امروزه نقش مهمی در تحقیقات مالی و حسابداری ایفا می¬نماید؛ به گونه¬ای که با پیش¬بینی به موقع و پیشگیری تدبیرانه از وقوع آن، می¬توان هزینه¬های اقتصادی و اجتماعی تحمیل شده به جامعه را کاهش داد. در این پژوهش با استفاده از تکنیک¬های داده¬کاوی به پیش¬بینی درماندگی شرکت¬های پذیرفته شده در بورس اوراق بهادار تهران در بین سال¬های 1383 تا 1387 پرداخته شده است. تعداد شرکت¬های درمانده مالی برای دوره مزبور 35 شرکت بود که 35 شرکت نیز به طور تصادفی به عنوان نمونه شرکت¬های سالم انتخاب گردید. این تحقیق از نوع هدف یک تحقیق کاربردی و از نظر تحلیل داده¬ها از نوع تحقیقات همبستگی بوده و انتظار می¬رود مدل¬های بدست آمده از تکنیک¬های داده¬کاوی با دقت بالایی درماندگی مالی شرکت¬ها را پیش¬بینی کند. تکنیک¬های مورد استفاده در این پژوهش عبارتند از درخت تصمیم، شبکه¬های عصبی و ماشین بردار پشتیبان که با استفاده از این تکنیک¬ها درماندگی مالی شرکت¬ها برای سال وقوع، یک سال قبل و دو سال قبل از وقوع درماندگی مالی مورد بررسی قرار گرفته است. نتایج بدست آمده نشان می¬دهد که تکنیک درخت تصمیم با دقت کلی 98.57% برای سال وقوع درماندگی مالی، 92.86% برای یک سال قبل از وقوع درماندگی مالی و 80% برای دو سال قبل از وقوع درماندگی مالی نسبت به تکنیک¬های شبکه عصبی و ماشین بردار پشتیبان برای تمامی سال¬های فوق از توان پیش¬بینی کنندگی بالایی برخوردار می¬باشد.

فرآیند مدیریت استراتژیک شامل سه مرحله می شود : تدوین استراتژی ها، اجرای استراتژیها و ارزیابی استراتژیها. در مدیریت استراتژیک برای کسب موفقیت سازمانی بر چندین عامل تاکید می شود : هماهنگ کردن مدیریت، بازاریابی، امور مالی (حسابداری)، تولید (عملیات)، تحقیق و توسعه و سیستم های اطلاعاتی. اولین وظیفه ای که در فرایند مدیریت استراتژیک پیش روی مدیران شرکت قرار دارد گردآوری، دسته بندی و ارزیابی اطلاعات داخلی و خارجی سازمان جهت پیشی گرفتن از شرکتهای رقیب می باشد. داشتن یک سیستم اطلاعاتی قابل اعتماد برای ارزیابی فرصتهای تجاری در فرایند مدیریت استراتژیک امری ضروری است، چرا که شرکت ها وقتی می توانند در عرصه رقابت پیروز باشند که با انجام این تحقیقات از نیازها و خواسته های مشتریان، تغییرات محیطی و تغییرات درونی سازمان به خوبی آگاه باشند. شرکت با تجزیه و تحلیل داده ها واستفاده از روشها و مدلهای پیشرفته از جمله داده کاوی به اطلاعات مفیدی که بر سودآوری آن تاثیر خواهند گذاشت و چگونگی این تاثیر دست می یابد. در این تحقیق به کاربرد داده کاوی در مدل مدیریت استراتژیک مبنا که یک مدل علمی اثبات شده جهت اجرا در سازمانهای ایرانی می باشد پرداخته شد. مدل مبنا، شامل چهار مجموعه می باشد که از طریق مجموعه های اول و دوم به طور کلی، استراتژی ها را تدوین می کند. در این تحقیق به کاربرد داده کاوی از طریق مجموعه های اول و دوم که مرحله تدوین استراتژی در فرایند مدیریت استراتژیک می باشد و در حقیقت مرحله برنامه ریزی استراتژیک جهت تدوین استراتژی در مدل مبنا است پرداخته شد. مقصود از تدوین استراتژی این است که ماموریت شرکت تعیین شود، شناسایی عواملی که در محیط خاریج، سازمان را تهدید می کنند یا فرصت هایی را بوجود می آورند، شناسایی نقاط قوت و ضعف داخلی سازمان، تعیین هدفهای بلندمدت، در نظر گرفتن استراتژی های گوناگون و انتخاب استراتژی های خاص ادامه فعالیت. با توجه به نوع داده های موجود در هر یک از قسمتهای برنامه ریزی مدل مبنا از ابزارهای داده کاوی به نام دسته بندی جهت اولویت بندی فاکتورهای استاندارد و تعیین شده در هر قسمت و قوانین وابستگی-تحلیل سبد بازار- در بررسی تحلیل وظیفه ای سازمان استفاده شد و نیازی به استفاده از روش خوشه بندی احساس نشد چرا که در مدل مبنا عوامل و دسته هایی که در هر یک از قسمتهای مدل مورد بحث قرار می گیرند و اهمیت دارند به صورت علمی مشخص می باشد و ابهامی در تعداد دسته ها و فاکتورهای مورد بررسی وجود ندارد. این تحقیق مورد تایید خبرگان نیز قرار گرفت و به عنوان پیشنهاد می توان روشهای داده کاوی و کاربرد انها را در مجموعه های سوم و چهارم مدل مدیریت استراتژیک مبنا که در حقیقت مرحله اجرای استراتژیها و ارزیابی استراتژیها می باشند مورد بررسی قرار داد.