در ادامه سرفصل های این پایان نامه…

فصل اول

۱-۱ مقدمه

۱-۲  داده کاوی

۱-۳ آمار و داده کاوی

۱-۵ تکنولوژی تحلیل آنی

۱-۶ تفاوت بین تحلیل آنی و داده کاوی

۱-۷  پایگاه داده، انبار داده و تفاوت‌ها

۱-۸   ساختار سیستم داده کاوی

۱-۹   متن کاوی، وب کاوی

۱-۱۰   نرم افزارهای داده کاوی

۱-۱۱  الگوریتم‌های داده کاوی

۱-۱۱ -۱ الگوریتم‌های یادگیری بدون نظارت

   ۱-۱۱-۱- ۱خوشه بندی

        ۱-۱۱-۱-۱-۱ الگوریتم K_Means

       ۱-۱۱-۱-۱-۲   الگوریتم Hierarchical

       ۱-۱۱-۱-۱-۳ الگوریتم DBSCAN

   ۱-۱۱-۱-۲  کشف قواعد وابستگی

      ۱-۱۱-۱-۲-۱  الگورتمApriori

     ۱-۱۱-۱-۲-۲  الگوریتم EM

۱-۱۱-۱-۳    الگوریتم‌های یادگیری با نظارت

   ۱-۱۱-۲-۱  دسته بندی

        ۱-۱۱-۲-۱- ۱   الگوریتمDecision tree

        ۱-۱۱-۲-۱- ۲   الگوریتمNaïve Bayes

       ۱-۱۱-۲-۱- ۳   الگوریتمC4.5

   ۱-۱۱-۲-۲ رگرسیون

      ۱-۱۱-۲-۲-۱   الگوریتم ژنتیک

     ۱-۱۱-۲-۲-۲   الگوریتم شبکه‌های عصبی مصنوعی

فصل دوم

۲-۱ درخت تصمیم چیست؟

۲-۲   ساخت درخت تصمیم

۲-۳    پارامترهای کیفیت یک درخت

۲-۴  تخمینی از کیفیت بر روی یک نمونه کنترل

۲-۵  روشهای ساخت درخت تصمیم

۲-۶  عمل شاخه بندی (تقسیم)

۲-۷  عمل تعریف درجه توافق برای شاخه بندی گره (قانون توقف)

۲-۸  الگوریتم درخت‌های تصمیم گیری

۲-۸-۱  عملکرد الگوریتم فوق به شرح ذیل است

۲-۸-۲  معیارهای انتخاب صفت

۲-۸-۳  بهره اطلاعاتی

۲-۹  الگوریتم Naïve Bayes

۲-۹-۱  مقدمه

۲-۹-۲ خصوصیات کلاس بندی کننده‌های Bayesian

۲-۹-۳   کلاس بندی کننده Naïve Bayesian

۲-۹-۴ روشهای دیگر

فصل سوم

۱- پیاده سازی

۳-۱  دیابت چیست؟

۳-۱-۱  دیابت نوع ۱ چیست؟

۳-۱-۲  دیابت نوع ۲ چیست؟

۳-۱-۳  چه عاملی سبب ابتلا به دیابت نوع ۱ می شود؟

۳-۱-۴  معمولاً در چه سنی افراد به دیابت نوع ۱ مبتلا می گردند؟

۳-۱-۵   دیابت نوع ۱ چگونه درمان می شود؟

۳-۱-۶   افراد دیابتی مستعد ابتلا به چه مشکلاتی هستند؟

۳-۱-۷  آیا دیابت نوع ۱ قابل پیشگیری است؟

۳-۱-۸  برای کنترل دیابت نوع یک فقط باید انسولین تزریق نمود؟

۳-۲  پرونده الکترونیک سلامت  (Electronic Health Record(HER

۳-۲-۱ ماهیت و محتوای پرونده الکترونیک سلامت

۳-۲-۲  فواید و مزایای پرونده الکترونیک سلامت

۳-۲-۳ دسترسی همزمان به محتویات اطلاعات از مکان های مختلف

۳-۲-۴ صحت محتویات

۳-۲-۵ کاهش هزینه و بهره وری

۳-۲-۶ کاهش خطاهای  ارائه داده

۳-۲-۷ پشتیبانی تصمیم گیری

۸-۲-۳  مشارکت در مراقبتهای پزشکی

۳-۳  پیاده‌سازی توسط الگوریتم Naïve Bayes

۳-۴  پیاده‌سازی توسط الگوریتم Decision Trees

منابع و مراجع

پیوست

نرم افزارWEKA

۱٫شروع کار با WEKA

۲٫ طبقه‌بندی

۳٫ خوشه‌بندی

۴٫ رگرسیون

۵٫وارد کردن داده‌ها به WEKA

۶٫  بارگذاری‌داده به WEKA

۷٫  ایجاد مدل رگرسیون باWEKA

۸٫ تفسیر مدل رگرسیون

۹٫ طبقه‌بندی

۱۰٫  طبقه‌بندی با WEKA

۱۱٫  خوشه‌بندی

۱۲٫  خوشه بندی درWEKA

۱۳٫  از همسایه‌ام بپرسید

۱۴٫  نزدیک‌ترین همسایه و WEKA