کارگاه تکنیکهای درمان اختلالات اضطرابی

اختصاصی از فی لوو کارگاه تکنیکهای درمان اختلالات اضطرابی دانلود با لینک مستقیم و پر سرعت .

در این کارگاه علائم مهم در اضطراب، عوامل خطرساز مشترک در اختلالهای اضطرابی و مواردی اختلالات اضطرابی بیان شده است.

دانلود مقاله کامل درباره تکنیکهای تحلیلی

اختصاصی از فی لوو دانلود مقاله کامل درباره تکنیکهای تحلیلی دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین مطلب*

فرمت فایل: Word (قابل ویرایش و آماده پرینت)

تعداد صفحه :41

بخشی از متن مقاله

«تکنیکهای تحلیلی»

کلمة ً تجزیه و تحلیل ً یکی از آن کلمات متداول است که زیبا به نظر می‌آید، اما معانی گوناگونی دارد. شیوه‌های مختلف زیادی برای تجزیه و تحلیل ایمنی هوایی وجود دارد و تکنیکهای استاندارد بسیار کم برای این کار وجود دارند.

برای اهدافمان، ما قصد داریم که ً تجزیه و تحلیل ً را به دو طریق متفاوت تعریف کنیم. اول، می‌خواهیم آن را به عنوان وسیله‌ای برای سازماندهی اطلاعات ارقای به منظفر اندازه گیری چیزی یا تعیین روشها بکار بریم. در مرحلة دوم، نگاهی به تکنیکهای تحلیلی خواهیم داشت که برای حل مشکلات یا تحلیل علتها کاربرد دارند. بیایید با ارقام شروع کنیم.

نرخها : شما باید محاسبات نرخی ابتدایی و محدودیتهای آنها را بشناسید. شما جمله‌هایی را شنیده‌اید یا خوانده‌اید که به این معنا هستند و ً نرخ سوانح سازمان xxx   درسال قبل این چنین و آنچنان بود ً. پس چه چیزی ؟ این نرخ از کجا آمده است؟ چه معنی می‌دهد؟ چه سودی دارد؟ سؤالات بالا، سؤالات مفیدی هستند.

نرخ، شمار وقایعی است که با در معرض آن وقایع قرار گرفتن، تقسیم شده است. تنها دلیل محاسبه یک نرخ آن است که اختلافات آشکار را بدانیم. اگر این عرضه داشته ثابت بودند هیچ نیازی به محاسبة نرخ نبود. ما فقط می‌توانستیم از شمار وقایعی که رخ می‌دادند استفاده کنیم و همان هم کاملاً صحیح می‌بود. به بیانی ساده‌تر، تعداد سوانعی که ما با آنها رو به رو هستیم، به وضوح با مقدار استفادة ما از هواپیما مرتبط است.

ص 162 - اگر ما به همان تعداد در ماه از هواپیما استفاده کنیم (یا سال) می‌توانیم فقط از تعداد سوانحمان در تجزیه و تحلیل استفاده کنیم. علیرغم این، ما اینکار را انجام نمی‌دهیم. ساعات پروازی ما تغییر می‌کنند و می‌دانیم که افزایش سوانح به معنای آن نیست که اگر پروازهای ما افزایش یابند، تعداد سوانح هم زیاد شوند. برای حل این موضوع. در هر ساعت پروازی سوانح را محاسبه می‌کنیم.

فرض کنید که سازمان ما در طول سال 4000 ساعت پرواز و یک سانحه داشته باشد. نرخ سانحه ما عبارت است از :

سانحه در هر ساعت پروازی           

این رقم چیزی  نیست که بتوان به راحتی دربارة آن صحبت کرد، بنابراین آن را در یک ثابت ضرب می‌کنیم تا از شر ممیز راحت شویم. اگر آن را در 000/10 ضرب کنیم نرخی به میزان 2.5 سانحه در هر 10/000  ساعت پروازی به دست می‌آوریم. اگر از ثابت 000/001 که استاندارد شرکت ما است استفاده کنیم، نرخی به میزان 25 سانحه در هر 000/100 ساعت پروازی داریم. ذکر هر نکته در اینجا ضروری است. نرخ واقعی همواره یک عدد بسیار کوچک است، و عدد 000/100 فقط یک ثابت ریاضی است. این ثابت هیچ اهمیت بخصوصی ندارد.

برای ارائه ایده‌هایی از اینگونه ارقام به شما، در اینجا نرخ تقریبی سوانح هوایی در هر 000/100 ساعت، برای گونه‌های مختلف پروازی در ایالات متحده در سال 1990 وجود دارد.

مجموع سوانح پروازهای از پیش تعیین شدة خطوط هوایی  0.22

سوانح مرگبار پروازهای از پیش تعیین شدة خطوط هوایی   0.06

مجموع سوانح پروازهای دو طرفه خطوط هوایی                0.63

سوانح مرگبار پروازهای دوطرفة خطوط هوایی                 0.09

مجموع سوانح تاکسی هوایی                                       3.28

سوانح مرگبار تاکسی هوایی                                         0.82

مجموع سوانح هوانوردی عمومی                                  7.01

سوانح مرگبار هوانوردی عمومی                                   1.39

در همة این موارد، روش بکار رفته در دة سال قبل کارآمد نیست. بدیهی است که پروازهای زمانبندی شده و رفت و برگشتی (دوطرفه) باید به ازای هر 000/000/1 ساعت پروازی، نرخهای خود را محاسبه کنند. بقیة ما نیز می توانیم تا ملتی از همان 000/100 استفاده کنیم.

ص 163 – مشکلی که در رابطه با این محاسبة نرخ وجود دارد این است که فقط دو چیز را در نظر می‌گیرد : سوانح و ساعات پروازی. از نظر محاسبات ریاضی، به نظر می‌رسد که هر ساعت پروازی. از نظر محاسبات ریاضی، به نظر می‌رسد که هر ساعت پروازی اضافی، یک افزایش برابر در مقوله در ً معرض خطر قرار گرفتن ً دارد. این موضوع اهمیتی ندارد. ما می‌دانیم که پرواز یک هواپیما برای 5 ساعت، پنج برابر خطرناک‌تر از 1 ساعت پرواز نیست – اما این همان چیزی است که محاسبة نرخ می‌گوید. علاوه براین، محاسبات نشان می‌دهند که باتوجه به آسیب پذیری در برابر خطرات، سوانح به طور یکسان توزیع می‌شوند. این مسئله ممکن است برای سوانح راه‌آهن صدق می‌کند ولی در مورد سوانح هوایی اینگونه نیست چیزی در حدود 65درصد سوانح ما هنگام Take off، appraoach وlaniling رخ می‌دهد. بقیه پرواز نسبتاً بیخطر است.

اگر ما از ساعات پروازی به عنوان ضمیمه‌‌ای برای مقولة آسیب پذیری استفاده می‌کنیم، محاسبات همواره به گونة پرواز معطوف می‌شوند. که با افزایش تعداد پروازها شمار ساعات پروازی هم افزایش می‌یابند. یعنی خطوط هوایی که دارای جداول زمانی پروازها هستند کمترین نرخ و پروازهای عمومی بالاترین نرخ را خواهند داشت. تلاش برای مقایسه این دو مدل بر مبنای نرخ سوانح کارآمد نیست. در واقع، اگر شما تعریفی از گونة پروازی سازمانهای مختلف دارید، می‌توانید آنها را با در نظر گرفتن نرخشان به ترتیب درست لیست بندی کنید، بدون اطلاع همیشگی از اینکه نرخها چه هستند. فقط پروازهایی را که دارای مأموریتهای با مسیر طولانی هستند در قعر و آنهایی را که برای مسافرتهای کوتاه هستند در صد جاگذاری کنید.

ص 164( فرض کنید که ما عامل آسیب پذیری را تغییر داده‌ایم و نرخها را به لحاظ سورتی پرواز، مأموریتها و عزیمتها محاسبه می‌کنیم؟ آیا چیزی را تغییر می‌دهد؟مطمئن باشید ! حال این محاسبات بیشتر به مجموع ماموریتهای پردازی سازمان مربوط می شود.

مشکل اینجاست که محاسبة نرخ تفاوتهای موجود در تجهیزات ، ماموریت یا محیط را در نظر نمی گیرد. به این دلیل اگر سازمانها تجهیزات یا محیط اجرایی و ماموریت متفاوتی دارند نمی توان برمبنای نرخ سوانح آنها را مورد مقایسه قرار داده سرویسهای نظامی بعضی اوقات می تواند اینکار را انجام دهند زیرا ممکن است واحدهای مختلفی داشته باشند که با تجهیزات مشابه ماموریت مشابهی انجام بدهند.

گونه های مختلف پردازی را می توان تقسیم بندی کرد (عملیاتهای امداد رسانی با هلیکوپتر EMS برای مثال ) و مقایسه ای انجام داده با وجود این عموما ، محاسبة نرخ به عنوان یک وسیله  مقایسه مفید نیست . برای چه کاری خوب است ؟ خوب ، می توان آن را برای مقایسة یک بخش با خودش به کاربرد.

با ترسیم میزان رشد نرخ در یک مدت زمان مشخص می توانیم ببینیم که آیا کار بخش ما بهتر شده است یا بدتر. این کار به ما این امکان را می دهد تا بدانیم ، که وقتی اطلاعات را ترسیم می کنیم (به پایین توجه کنید ) چه کار می کنیم و اینکه به ما بگوید که در آن ملت هیچ تغییر قابل توجهی در تجهیزات ، ماموریت یا محیط بوجود نیامده است بدیهی است که اگر ما از این شاخه به آن شاخه بپریم نرخ سوابق ما مفهوم نخواهند بود.

استفادة دیگر از نرخها این است که سوابق ایمنی خود را مد نظر قرار داده و ما را به واقعیات می رساند. برای مثال فرض کنید که ما در سال 135 تاکسی هوایی انجام می دهیم و در حدود 4000 ساعت پروازی داریم . ما در طول 4 سال هیچ سانحه ای نداشته ایم و به این سابقه افتخار می کنیم .

آیا باید مغرور باشیم ؟

شاید با نگاه کردن به نرخ کلی تاکسی هوایی که در بالا ذکر شد ، می بینیم که در حدود 3/3 سوانح در هر 100000 ساعت رخ می دهند. یعنی هر 30000 ساعت یک سانحه رخ می دهد . ص 165( با تقسیم با تقسیم 4000 ساعت پرواز خودمان براین مقیاس می بینیم که اگر میانگین را حفظ کنیم هر 6/7 سال یکبار باید یک سانحه داشته باشیم . بنابراین سابقه بدون حادثه ما در این 4 سال خوب است اما ضرورتا بدان معنا نیست که ما به یک برنامة‌ایمنی فوق العاده دست یافته ایم و می توانیم راحت لم بدهیم و استراحت کنیم .

این مطلب یک مشکل را در این حرفه خاطر نشان می کند. به عنوان یک شرکت صنعتی ما واقعا در پیشگیری سوانح هوایی ، کاری بزرگ انجام داده ایم . نرخها بسیار پایین هستند و مدیران ایمنی در سایر شرکتها و شیوه های دیگر حمل ونقل خود را برای چنین نرخهایی خواهند کشت .

این نرخها بسیار پایین اند ، به خاطر اینکه ما در استفادة از آنها به عنوان مقیاسی برای ترقی مشکل داریم . محاسبة نرخ سوانح اصلا در خارج از سازمانهای هواپیمایی خیلی بزرگ سودمند نیست . علاوة‌براین ارقام بسیار کوچکی که با آنها سروکار داریم تولید مشکل می کنند.

نرخ سوانح هوایی خطوط هوایی زمان بندی شدة را در نظر بگیرید. این نرخ یک مقدار بالا و پایین می رود، اما از سال 1989 تا 1985 ، حول 05/0 باقی ماندة‌است . معنی این مطلب این است که در هر 000/000/2 ساعت یک سانحه مرگبار داریم ، یا برمبنای ساعات پروازی ایالات متحدة میانگین 5 سانحه در سال این سوانح خیلی زیاد نیستند.  مشکل اینجاست که ما واقعا هر سال 5 سانحه نداریم زیرا ارقام کوچک به حساب نمی آیند. این ارقام گرد می شوند. ما در برخی سالها 7 یا 8 حادثه مرگبار خواهیم داشت و از آن به عنوان سالی اسفناک یاد می کنیم . در بعضی سالها هم ما فقط دو یا سه و یا شاید هیچ سانحه مرگباری خواهیم داشت و مدتی طولانی به یکدیگر تبریک می گوییم که چقدر ایمن بوده ایم .

حقیقتا مادر سالهای بد آنقدر بد و در سالهای خوب آنقدر خوب هم نیستیم . این گمان غلط از پیشرفت (یافقدان آن ) ناشی از آن است که ما به راستی محاسبة‌نرخ را نمی دانیم . در مورد خطوط هوایی ، می توانیم این را با نگاهی برسوابق خودمان در مدت طولانی تر تصحیح کنیم ، مثلا به جای 1 سال ، 5 سال را به کار ببریم .

ص 166 ( با کنار گذاشتن همة این موارد ، تا زمانی که می فهیم چکار انجام می دهیم محاسبات نرخ در سازمانهای شخصی هم می توانند سودمند باشند . در یک مطالعه کامل بر روی ایمنی هوایی ، کمیتة‌ ارزیابی تکنولوژی کنگرة ایالات متحدة به این نتیجه رسید که تلاش برای اندازه گیری ایمنی با در نظر گرفتن صرف اطلاعات مربوط به سوانج کارآمد نبود. اطلاعات مربوط به غیر سوانح ( یعنی رویدادها ) را باید برای تجزیه و تحلیلهای کوتاة‌ مدت به کاربرد. در تحقیقی مشابه ، آنها همچنین خاطر نشان کردند که جمع آوری قابل اطمینان اطلاعات مربوط به رویدادها مشکل بود ، زیرا یک رویداد هواپیمایی به خوبی تعریف نشده است . این نکته ای بود که در فصل 11 مطرح شد ما آزاد هستیم که رویدادها را به هر گونه ای که متناسب با نیازهایمان است و سیستم تحلیلی ما را می سازد، تعریف کنیم .

می توانیم هر رویداد مناسب با برنامه را انتخاب کنیم و نرخ را برمبنای هر آسیب پذیری متناسب حساب کنیم . برای مثال ، فرض کنید که ما علاقه مند به جمع آوری اطلاعات مربوط به سوانح پروازهای سرعت بالا (LOOK ) که در عملیات مارخ می دهند، هستیم . اصولا ، شمار بر خاستها و عزیتها را به عنوان ضمیمة آسیب پذیری به کار می بریم . محاسبة‌ سوانح روی باند در هر ساعت پروازی ، برای ما مهم نیست ممکن است به این نتیجه برسیم که برای راحت شدن از ممیز اعشاری ، آن را در ثابتی مانند 1000 ضرب کنیم . حال ما یک نرخ داریم که می توانیم برای مشخص کردن روند لغو Take off ها از آن استفاده کنیم. در یک عملیات بزرگ ، احتمالا نرخ لغو Take off – ای وجود دارد که می توان آنرا  نرمال در نظر گرفت. اگر این نرخ را در چند ماه بررسی می کنیم ، خواهیم دانست که نرخ نرمال چیست و می توانیم با محاسبة انحراف استاندارد شروع به وضع محدودیتهایی بر نقشه مان کنیم . اگر این نرخ به نحو قابل توجهی بالاتر از نرمال برود ، آنجاست که باید توجه خود را متمرکز کرده و علت را جویا شویم . اگر نرخ پایینتر از نرمال بیاید ، برای آن هم دلیلی باید باشد. اگر ما یک کامپیوتر داریم ، می توانیم به آن اجازة دهیم شمار همة وقایع ایالات متحدة را بررسی کند. تمام کار ما این است که واقعه رخ دادة را ثبت کنیم و ارقام آسیب پذیری را به روز نگاه داریم .

ص 167( کامپیوتر را می توان طوری برنامه ریزی کرد که به طور خودکار وقایعی را که در مقیاسی فراتر از حد انتظار رخ می دهند. ثبت کند حال ما یک برنامة‌ پیشگیرانة کنکاشگرایانه داریم ما فقط یک جا منتظر رخ دادن سانحه ای و مقابله با آن نایستادة ایم .

شرح داده ها

حالا که ما نرخها را داریم ، چه کار باید با آنها انجام دهیم ؟ سه روش متداول برای بررسی این داده ها وجود دارد . هیچ کدام از آنها کامل نیستند.

- نرخهای ماهانه : اینجا شما با تقسیم وقایع ماهانه از نظر آسیب پذیری در آن ماه ، نرخ را حساب می کنید . اگر وقایع زیادی دارید ،این شیوه کارآمد است . اگر نه ، جدولی را ترسیم می کند که بین ماکزیمم و می نیمم هایش مدام نوسان می کند و یافتن روند تغییر بسیار مشکل است .

- نرخهای جمع شونده: این مورد رایج ترین شیوه است که برای آمار ایمنی  به کار می روند و همچنین یکی فریبندة ترین آنها است شما نمودار خود را از ژانویه شروع می کنید (یا اگر دوست دارید ، از ابتدای سال مالی ) و وقایع ماة ژانویه را با توجه به آسیب پذیری در ماة ژانویه تقسیم می کنیم نرخ ماة فوریه مجموع وقایع ماههای ژانویه و فوریه است که با توجه به آسیب پذیری در ماه ژانویه تقسیم می کنیم نرخ ماة فوریه مجموع وقایع ماههای ژانویه و فوریه است که با توجه به آسیب پذیری در هر دو ماة تقسیم بندی شده است . شما این روند را تا ماة دسامبر ادامه می دهید که صورت کلی از وقایع سالانه است که با توجه به آسیب پذیری در سال تقسیم بندی شدة است . در 31 دسامبر ، شما یک نمودار جدید تهیه کردة و دوبارة از صفر شروع می کنید .

این روش مشکلاتی چند دارد . اول اینکه هر سانحه ای در محاسبات متوالی باقی می ماند. اگر برای مثال شما در ماه ژانویه یک سانحه داشته اید ، تمامی محاسبات مابقی سال تحت تاثیر سانحة ژانویه خواهد بود. اگر شما می دانید که در سال چند ساعت پرواز خواهید داشت در صورت نداشتن سوانح زیاد ، محاسبه دقیق نرخ سوانح پایان سال ممکن است ص 168 ( دوم اینکه ، اصلا مهم نیست که در پایان سال نمودار را دوباره به صفر برگرداند این قضیه ، این روش رابرای تعیین روند حذف می کند . سوم اینکه ، نتیجة یک واقعه تحت تاثیر زمان وقوع آن در سال قرار می گیرد. سانحة ژانویه نرخ عظیمی را بوجود می آورد ، چون تا آن زمان آسیب پذیری زیادی وجود نداشته است . سانحه ای مشابه که در دسامبر رخ می دهد، تغییری بسیار جزئی در نرخ به وجود می آورد.

متن کامل را می توانید بعد از پرداخت آنلاین ، آنی دانلود نمائید، چون فقط تکه هایی از متن به صورت نمونه در این صفحه درج شده است.

دانلود فایل 

آموزش تکنیکهای شنا از مقدماتی تا پیشرفته

اختصاصی از فی لوو آموزش تکنیکهای شنا از مقدماتی تا پیشرفته دانلود با لینک مستقیم و پر سرعت .

آموزش تکنیکهای شناگری یک فایل ویدیویی بسیار جامع خلاصه و آموزنده میباشد که به راحتی در هر سیستم اندروید و کامپیوتر اجرا میشود با چند بار استفاده از آن به راحتی تکنیکهای شنا را اجرا کنید .

فروش پروژه تشخیص اثر انگشت با شبکه عصبی ART و تکنیکهای پردازش تصویر با نرم افزار MATLAB

اختصاصی از فی لوو فروش پروژه تشخیص اثر انگشت با شبکه عصبی ART و تکنیکهای پردازش تصویر با نرم افزار MATLAB دانلود با لینک مستقیم و پر سرعت .

اثر انگشت یکی از قدیمی ترین روش ها برای شناسایی هویت افراد است.

در این پروژه که در برنامه MATLAB پیاده سازی و اجرا شده است، تشخیص اثر انگشت به کمک تکنولوژی TDNN مورد تحلیل و اجرا قرار گرفته است.

این پروژه از روی مقاله "استفاده از شبکه عصبی تاخیر زمانی(TDNN) در استخراج مشخصات اثرانگشت" که از طریق این لینک به صورت رایگان قابل دریافت است، پیاده سازی شده است.لازم به ذکر است فایل پی دی اف این مقاله که رایگان بر روی وبسایت ما قابل دریافت است در سایت های دیگر به رایگان قابل دسترسی نیست.برای دریافت اطلاعات بیشتر در مورد این برنامه ابتدا مقاله فارسی منتشر شده را مطالعه و سپس برای دریافت فایل اوپن سورس پروژه بر روی دکمه خرید کلیک نمایید. توجه داشته باشید کیفیت و قیمت این پروژه رقابتی و در سراسر محیط نت بی رقیب می باشد.

دانلود تحقیق تکنیکهای داده کاوی و متدلوژی آن

اختصاصی از فی لوو دانلود تحقیق تکنیکهای داده کاوی و متدلوژی آن دانلود با لینک مستقیم و پر سرعت .

مقدمه

از هنگامی که رایانه در تحلیل و ذخیره سازی داده ها بکار رفت (1950) پس از حدود 20 سال، حجم داده ها در پایگاه داده ها دو برابر شد. ولی پس از گذشت دو دهه و همزمان با پیشرفت فن آوری اطلاعات(IT) هر دو سال یکبار حجم داده ها، دو برابر شده و همچنین تعداد پایگاه داده ها با سرعت بیشتری رشد نمود. این در حالی است که تعداد متخصصین تحلیل داده ها با این سرعت رشد نکرد. حتی اگر چنین امری اتفاق می افتاد، بسیاری از پایگاه داده ها چنان گسترش یافته‌اند که شامل چندصد میلیون یا چندصد میلیارد رکورد ثبت شده هستند.امکان تحلیل و استخراج اطلاعات با روش های معمول آماری از دل انبوه داده ها مستلزم چند روز کار با رایانه های موجود است.[3]

حال با وجود سیستم های یکپارچه اطلاعاتی، سیستم های یکپارچه بانکی و تجارت الکترونیک، لحظه به لحظه به حجم داده ها در پایگاه داده های مربوط اضافه شده و باعث به وجود آمدن انبارهای عظیمی از داده ها شده است.

این واقعیت، ضرورت کشف و استخراج سریع و دقیق دانش از این پایگاه داده ها را بیش از پیش نمایان کرده است، چنان که در عصر حاضر گفته می شود اطلاعات طلاست.

هم اکنون در هر کشور، سازمان، شرکت و غیره برای امور بازرگانی، پرسنلی، آموزشی، آماری و غیره پایگاه داده ها ایجاد یا خریداری شده است. به طوری که این پایگاه داده ها برای مدیران، برنامه ریزان، پژوهشگران جهت، تصمیم گیری های راهبردی، تهیه گزارش های مختلف، توصیف وضعیت جاری خود و سایر اهداف می تواند مفید باشد. بسیاری از این داده ها از نرم افزارهای تجاری، مثل کاربردهای مالی، ERPها، CRMها و web log ها، می آیند. نتیجه این جمع آوری داده ها این می‌شود که در سازمانها، داده ها غنی ولی دانش ضعیف، است. جمع آوری داده ها، بسیار انبوه می‌شود و بسرعت اندازه آن افزایش می یابد و استفاده عملی از داده ها را محدود می سازد.[2]

داده‌کاوی استخراج و تحلیل مقدار زیادی داده بمنظور کشف قوانین و الگوهای معنی دار در آنهاست. هدف اصلی داده کاوی، استخراج الگوهایی از داده ها، افزایش ارزش اصلی آنها و انتقال داده ها بصورت دانش است.

داده‌کاوی، بهمراه OLAP، گزارشگری تشکیلات اقتصادی(Enterprise reporting) و ETL، یک عضو کلیدی در خانواده محصول Business Intelligence(BI)، است.[2]

حوزه‌های مختلفی وجود دارد که در آنها حجم بسیاری از داده در پایگاه‌داده‌های متمرکز یا توزیع شده ذخیره می‌شود. برخی از آنها به قرار زیر هستند: [6]

• کتابخانه دیجیتال: یک مجموعه سازماندهی شده از اطلاعات دیجیتال که بصورت متن در پایگاه‌داده‌های بزرگی ذخیره می شوند.
• آرشیو تصویر: شامل پایگاه‌داده بزرگی از تصاویر به شکل خام یا فشرده.
• اطلاعات زیستی: بدن هر انسانی از 50 تا 100 هزار نوع ژن یا پروتئین مختلف ساخته شده است. اطلاعات زیستی شامل تحلیل و تفسیر این حجم عظیم داده ذخیره شده در پایگاه‌داده بزرگی از ژنهاست.
• تصاویر پزشکی: روزانه حجم وسیعی از داده‌های پزشکی به شکل تصاویر دیجیتال تولید می‌شوند، مانند EKG، MRI، ACT، SCAN و غیره. اینها در پایگاه‌داده‌های بزرگی در سیستم‌های مدیریت پزشکی ذخیره می شوند.
• مراقبت‌های پزشکی: بجز اطلاعات بالا، یکسری اطلاعات پزشکی دیگری نیز روزانه ذخیره می‌شود مانند سوابق پزشکی بیماران، اطلاعات بیمه درمانی، اطلاعات بیماران خاص و غیره.
• اطلاعات مالی و سرمایه‌گذاری: این اطلاعات دامنه بزرگی از داده‌ها هستند که برای داده‌کاوی بسیار مطلوب می‌باشند. از این قبیل داده‌ها می‌توان از داده‌های مربوط به سهام، امور بانکی، اطلاعات وام‌ها، کارت‌های اعتباری، اطلاعات کارت‌های ATM، و کشف کلاه‌برداری‌ها می باشد.
• ساخت و تولید: حجم زیادی از این داده‌ها روزانه به اشکال مختلفی در کارخانه‌ها تولید می‌شود. ذخیره و دسترسی کارا به این داده‌ها و تحلیل آنها برای صنعت تولید بسیار بااهمیت است.
• کسب و کار و بازاریابی: داده‌ لازم است برای پیش‌بینی فروش، طراحی کسب و کار، رفتار بازرایابی، و غیره.
• شبکه راه‌دور: انواع مختلفی از داده‌ها در این صنعت تولید و ذخیره می شوند. آنها برای تحلیل الگوهای مکالمات، دنبال کردن تماس‌ها، مدیریت شبکه، کنترل تراکم، کنترل خطا و غیره، استفاده می‌شوند.
• حوزه علوم: این حوزه شامل مشاهدات نجومی، داده زیستی، داده ژنومیک، و غیره است.
• WWW: یک حجم وسیع از انواع مختلف داده که در هر جایی از اینترنت پخش شده‌اند.

در بیشتر این حوزه‌ها، تحلیل داده‌ها یک روال دستی بود. یک تحلیلگر کسی بود که با داده‌ها بسیار آشنا بود و با کمک روش‌های آماری، خلاصه‌هایی تهیه و گزارشاتی را تولید می‌کرد. در یک حالت پیشرفته‌تر، از یک پردازنده پیچیده پرسش استفاده می‌شد. اما این روش‌ها با افزایش حجم داده‌ها کاملا بلااستفاده شدند.

مقدمه    4
عناصر داده کاوی    10
پردازش تحلیلی پیوسته:    11
قوانین وابستگی:    12
شبکه های عصبی :    12
الگوریتم ژنتیکی:    12
نرم افزار    13
کاربردهای داده کاوی    13
داده کاوی  و کاربرد آن در کسب و کار هوشمند بانک    15
داده کاوی درمدیریت ارتباط بامشتری    16
کاربردهای داده کاوی در کتابخانه ها و محیط های دانشگاهی    17
مدیریت موسسات دانشگاهی    19
داده کاوی آماری و مدیریت بهینه وب سایت ها    21
داده کاوی در مقابل پایگاه داده   Data Mining vs database    22
ابزارهای تجاری داده کاوی    23
منابع اطلاعاتی مورد استفاده    24
انبار داده    24
مسائل کسب و کار برای دادهکاوی    26
چرخه تعالی داده کاوی چیست؟    27
متدلوژی داده‌کاوی و بهترین تمرینهای آن    31
یادگیری چیزهایی که درست نیستند    32
الگوهایی که ممکن است هیچ قانون اصولی را ارائه نکنند    33
چیدمان مدل ممکن است بازتاب دهنده جمعیت وابسته نباشد    34
ممکن است داده در سطح اشتباهی از جزئیات باشد    35
یادگیری چیزهایی که درست ولی بلااستفادهاند    37
مدل‌ها، پروفایلسازی، و پیش‌بینی    38
پیش بینی    41
متدلوژی    42
مرحله 1: تبدیل مسئله کسب و کار به مسئله داده‌کاوی    43
مرحله 2: انتخاب داده مناسب    45
مرحله سوم: پیش به سوی شناخت داده    48
مرحله چهارم: ساختن یک مجموعه مدل    49
مرحله پنجم: تثبیت مسئله با داده‌ها    52
مرحله ششم: تبدیل داده برای آوردن اطلاعات به سطح    54
مرحله هفتم: ساختن مدلها    56
مرحله هشتم: ارزیابی مدل ها    57
مرحله نهم: استقرار مدل ها    61
مرحله 10: ارزیابی نتایج    61
مرحله یازدهم: شروع دوباره    61
وظایف دادهکاوی    62
1- دستهبندی    62
2- خوشه‌بندی    62
3- تخمین    63
4- وابستگی    65
5- رگرسیون    66
6- پیشگویی    67
7- تحلیل توالی    67
8- تحلیل انحراف    68
9- نمایه‌سازی    69
منابع    70