Fadak.IR راهکارهای فدک
English Русский العربية فارسی
مقالات مدیریت مطالعات زبان


/ مدیریت / مدیریت فناوری

تفاوت داده کاوی (Data Mining)، انباره داده (Data Warehouse) و پایگاه داده(Database) و یک نمونه


    مقایسه داده کاوی (Data Mining) و انباره داده (Data Warehouse)
      مشترکات
      تفاوت
      تفاوت بین پایگاه داده و انبار داده‌ها
   تکنولوژی تجزیه و تحلیل داده‌های آموزشی
      ssssss
         1. الگوریتم‌های طبقه‌بندی (Classification Algorithms)
         2. الگوریتم‌های خوشه‌بندی (Clustering Algorithms)
         3. الگوریتم‌های قوانین انجمنی (Association Rule Learning)
         4. الگوریتم‌های کاهش ابعاد (Dimensionality Reduction)
         5. الگوریتم‌های رگرسیون (Regression Algorithms)
         6. الگوریتم‌های کشف بی‌هنجاری (Anomaly Detection)

 مقایسه داده کاوی (Data Mining) و انباره داده (Data Warehouse)

Data mining یا کشف دانش (KDD)

معمولا Data mining از چهار عمل:

Data mining اغلب به سوالاتی مانند این سوال پاسخ می‌دهد که در سال آینده کدام محصول فروش بیشتری در یک فروشگاه خواهد داشت؟

مشترکات

تفاوت

تفاوت بین پایگاه داده و انبار داده‌ها

یک پایگاه داده مجموعه‌ای از داده‌های سازمان یافته است. انبار داده‌ها یک نوع خاص از پایگاه داده است که برای پرس و جو و گزارش دهی به جای پردازش تراکنش بهینه شده است. بنابراین در مقایسه با یک پایگاه داده عمومی و یک انبار داده بیان می‌شود :

تکنولوژی تجزیه و تحلیل داده‌های آموزشی

آیا تا به حال به این موضوع فکر کرده اید که داده کاوی یا همان «Data Mining» در چه مواردی کاربرد دارد؟ آیا می‌توان تفاوتی بین داده کاوی و علم آمار قائل شد؟ چرا در مدارس استفاده از این روش را راهی برای بهبود نیازها می‌دانند؟ با ما همراه باشید تا بتوانید به پاسخ پرسش‌های فوق دست یابید.
همان طور که از اسم داده کاوی مشخص است، وظیفه آن کاویدن و جستجو اطلاعات در بین پایگاه‌های داده بزرگ است تا بتوان از آن‌ها به عنوان سرمایه‌ای گرانبها در جهت یافتن مشکلات و پیدا کردن راه حل‌هایی به منظور رفع آن‌ها استفاده کرد. در حقیقت داده کاوی " استخراج اطلاعات و یا الگوها در حجم زیادی از داده‌ها در یک یا چند بانک اطلاعاتی بزرگ" است. داده کاوی این امکان را فراهم می‌آورد تا بتوانید رفتارها در حوزه کاری مرتبط با خود را شناسایی کرده و براساس آن آینده را با درصد بالایی از اطمینان پیش بینی کنید. این که شما بتوانید با استفاده از تجزیه و تحلیل داده‌ها به شناسایی نیازهای خاص در آینده بپردازید شما را قادر می‌سازد تا هر چه بیشتر پیشرفت داشته باشید.
حمایت از تصمیم گیری بر مبنای ساخت داده با استفاده از تکنولوژی‌های تجزیه و تحلیل داده‌ها
امروزه در سطح جهان، تصمیم گیری بر اساس اطلاعات در مدارس به عنوان یک روند با هدف حمایت از استقلال مدارس، رو به رشد است چرا که با به کارگیری این روش قصد شده تا به مدارس این اجازه را بدهند که علاوه بر داشتن توانایی در جهت پاسخگویی به استانداردهای نظارتی کشورها، بتوانند به صورت داخلی و مستمر به ارزیابی و بهبود نیازهای خود بپردازند.
داده کاوی " استخراج اطلاعات و یا الگوها در حجم زیادی از داده‌ها در یک یا چند بانک اطلاعاتی بزرگ" است.
داده کاوی این امکان را فراهم می‌آورد تا بتوانید رفتارها در حوزه کاری مرتبط با خود را شناسایی کرده و براساس آن آینده را با درصد بالایی از اطمینان پیش بینی کنید.
برای پرداختن به این موضوع می‌بایست زاویه‌های مختلفی را مورد بررسی قرار داد که یکی از جنبه‌های حیاتی آن آشنایی معلمان با ادبیات داده و استخراج محتوا از داده است. اساس این امر بهره مند بودن معلمان از میزان تحصیلات کافی است به گونه‌ای که آنها این قدرت را داشته باشند که از داده‌های در اختیار خود در فرایند تصمیم گیری استفاده کنند. موضوع مطرح شده آنقدرها هم که تصور می‌کنید کار آسانی نیست، اگر از تکنولوژی‌های دیجیتالی در آن استفاده نشود.
در این نوشتار قصد داریم به بحث در مورد تکنولوژی‌های تجزیه و تحلیل داده‌های آموزشی بپردازیم تا بتوانیم از آن‌ها در مدارس برای تصمیم گیری بر اساس ترافیک داده استفاده کنیم. سیستم تجزیه و تحلیل داده همان داده کاوی است و در واقع یک سری اطلاعات از یادگیرندگان جمع آوری کرده و با استفاده از نرم افزارهای مختلف و کاربردی مانند (Rapid Miner) به بررسی و تجزیه و تحلیل آن‌ها می‌پردازید. با این روش به نتایجی دست خواهید یافت که با صرف دیدن و یا دقت در آن داده‌ها به این نتایج نمی‌رسیدیم.
استقلال مدارس
استقلال مدارس به عنوان یک روند سیاستی به منظور به دست آوردن خروجی‌های تحصیلی بهتر برای یادگیرندگان بوده و عملکرد تاثیرگذارتر مدارس را در پی دارد. این موضوع در کانون توجه اصلاحات نظام آموزش و پرورش دنیا قرار گرفته و به عنوان نمونه در کشورهایی همچون ایتالیا، استرالیا، اروپا و به طور کلی در سطح جهانی مطرح شده است. در این زمینه مدارس این اجازه را دارند که آزادانه تر تصمیم گیری کنند چه برای طراحی دروس و واحدهای آن و چه برای نحوه ارائه دروس. همچنین در زمینه مدیریت منابع انسانی، تعمیر و نگهداری زیر ساخت‌ها و تدارکات و ... نیز می‌توانند مستقل تر عمل کنند. اگرچه برای این افزایش سطح استقلال می‌بایست شواهدی قوی داشته باشند تا با ارائه این شواهد عنوان کنند که نیازمند این افزایش استقلال هستند.
تجزیه و تحلیل
در کنار شواهد ذکر شده مدارس می‌بایست به رعایت دو مورد الزامی بپردازند که عبارتند از:
یک سری جلسات برگزار شود که در آن بتوانند نسبت به استانداردهای آموزش و پرورش پاسخگو بوده و قابلیت تطابق با استانداردهای خارجی را داشته باشند، مقررات ملی را رعایت کرده و در عین حال استقلال داشته باشند.
نهاد آموزشی مورد نظر می‌بایست به صورت مستمر به ارزیابی خود پرداخته و در پیشرفت خود نقش به سزایی داشته باشد.
اگر موارد عنوان شده در کنار یکدیگر قرار گیرند می‌توان به جمع آوری و تجزیه و تحلیل داده‌های آموزشی پرداخت و داده‌های تولید شده در این راه را مورد بررسی قرار داد و بر همین اساس تصمیم گیری‌های مورد نظر را انجام داد.
داده‌های آموزشی و تصمیم گیری مبتنی بر داده
تصمیم گیری‌های اطلاعات محور در مدارس تحت این عنوان تعریف می‌شود: "مجموعه‌ای سیستماتیک، تجزیه و تحلیل، بررسی، تفسیر داده‌ها به منظور سیاست گذاری مجموعه‌های آموزشی"
تکنولوژی تجزیه و تحلیل داده‌های آموزشی (به منظور تصمیم گیری‌های داده محور در مدارس 2)
هدف از این مدل تصمیم گیری چیست؟ چرا به جمع آوری و بررسی برخی از اطلاعات می‌پردازیم تا براساس آن‌ها تصمیم گیری کنیم؟ هدف از تصمیم گیری‌های مبتنی بر داده، ارائه گزارشی است به منظور ارزیابی و بهبود فرایند که در نهایت به خروجی‌های موفقیت آمیز منتهی می‌شود.
تکنولوژی تجزیه و تحلیل داده‌های آموزشی (به منظور تصمیم گیری‌های داده محور در مدارس 2)
داده‌های آموزشی توسط منابع مختلفی تولید می‌شوند که هم می‌توانند داخلی و هم خارجی باشند. به طور مثال شما می‌توانید یک سری اطلاعات جمع آوری کرده و براساس ارزیابی آن‌ها به این نتیجه برسید که با انجام چه موارد و فعالیت‌هایی می‌توان روند رو به رشدی را برای دانشجویان فراهم نمود.
حال اطلاعات جمع آوری شده می‌تواند اطلاعات شخصی دانشجو مانند اطلاعات جمعیت شناختی، سن، زمان و مکان تولد یا عملکرد تحصیلی سال‌های قبل وی و ... باشد.
همچنین اطلاعات مورد نظر می‌تواند شامل مواردی باشد که از سمت معلمان جمع آوری می‌شوند. به طور مثال می‌توان در خصوص میزان شایستگی و تجربه‌های حرفه‌ای دانشجو یا دانش آموز پرس و جو کرد و یا می‌توانند آن دسته از داده‌هایی باشند که در طی فرایند آموزش، تدریس، یادگیری و ارزیابی تکالیف تولید شده و به دست آمده اند. تمامی این موارد می‌تواند مرتبط با کلاس‌های داخلی و یا خارج از مدرسه و موسسه آموزشی گردآوری شود.
همچنین می‌توانید علاوه بر توجه به عملکرد حضوری فرد در مدرسه یا موسسه، به ارزیابی وی براساس تکالیف محول شده که خارج از محیط آموزشی انجام شده است، بپردازید.
تکنولوژی تجزیه و تحلیل داده‌های آموزشی (به منظور تصمیم گیری‌های داده محور در مدارس 2)
موارد دیگری نیز وجود دارد که می‌تواند علاوه بر عملکرد یادگیرنده، در میزان پیشرفت کار شخص نیز تاثیرگذار باشد. به طور مثال به غیر از مواردی که مربوط به سن، تجربه و ... بود موارد دیگری نیز وجود دارد که از آن‌ها می‌توان به عنوان اطلاعات استفاده کرد حتی این اطلاعات می‌تواند شامل اطلاعات غیر آموزشی نیز باشد به عنوان مثال برنامه ریزی‌ها در خصوص مسائل مالی تا چه اندازه صورت گرفته و تا چه حد مورد توجه است؟ زیر ساخت‌هایی که بتوان آن‌ها را مورد استفاده قرار داد تا چه میزان در مدارس وجود دارد؟ به لحاظ تامین تجهیزات نرم افزاری و سخت افزاری چه بودجه‌ای در نظر گرفته شده است؟ همین موارد نیز می‌توانند به عنوان اطلاعات محور، مورد بررسی قرار گیرند.
داده‌های آموزشی توسط منابع مختلفی تولید می‌شوند که هم می‌توانند داخلی و هم خارجی باشند. اطلاعات جمع آوری شده می‌تواند اطلاعات شخصی دانشجو مانند اطلاعات جمعیت شناختی، سن، زمان و مکان تولد یا عملکرد تحصیلی سال‌های قبل باشد همچنین می‌تواند طی فرایند آموزش، تدریس، یادگیری و ارزیابی تکالیف تولید شده و به دست آمده باشند، همین طور ارزیابی وی می‌تواند براساس تکالیف محول شده که خارج از محیط آموزشی انجام شده است، انجام پذیرد.
اگر ما بتوانیم کامپیوترهایی را در اختیار مخاطبان قرار دهیم که به لحاظ سخت افزاری و نرم افزاری قابل قبول باشند، در کسب خروجی‌های به دست آمده تاثیر گذار خواهد بود.
همچنین توجه به سلامت و تندرستی افراد می‌تواند از دیگر موارد باشد. این که فرد تا چه اندازه اجتماعی بوده، میزان رشد عاطفی او چقدر بوده و تا چه اندازه از او پشتیبانی می‌شود. افراد مختلف نیازهای ویژه و متنوعی دارند حال برای آن که بتوانیم خروجی بهتری در این راه کسب کنیم می‌توانیم به تک تک آن‌ها توجه کرده و به بررسی هر فرد به طور مجزا بپردازیم.
مهم‌ترین عامل و در واقع هسته مرکزی این مقوله، شایستگی معلمان است که تا چه اندازه می‌توانند از اطلاعات و ارزیابی‌های به دست آمده استفاده کرده و به بهبود و رشد خود بپردازند. با توجه به این مطلب و مطلب قبل به نظر شما شایستگی معلمان در این زمینه تا چه میزان می‌تواند تاثیرگذار باشد؟
با توجه به نیازی که امروزه برای این نوع دریافت و تجزیه و تحلیل اطلاعات در دنیا احساس می‌شود و نیازمند تصمیم گیری بر مبنای این گونه اطلاعات هستیم می‌بایست به این نکته توجه داشته باشیم که مهم‌ترین عامل و در واقع هسته مرکزی این مقوله، شایستگی معلمان است که تا چه اندازه می‌توانند از اطلاعات و ارزیابی‌های به دست آمده استفاده کرده و به بهبود و رشد خود بپردازند. با توجه به این مطلب و مطلب قبل به نظر شما شایستگی معلمان در این زمینه تا چه میزان می‌تواند تاثیرگذار باشد؟ در قسمت بعدی نیز با ما همراه باشید.
عنوان کردیم که هسته و دلیل اصلی موفقیت در این فرایند سواد داده معلمان (Data literacy) است. اینکه معلمان چقدر می‌توانند با این داده‌ها کار کنند در این فرایند بسیار تاثیرگذار خواهد بود.
این تعریف شامل صلاحیت و شایستگی (دانش، مهارت و نگرش) است بدین منظور که بتوان داده‌ها را شناسایی کرده و به جمع آوری، تجزیه و تحلیل، تفسیر داده‌ها پرداخت تا بتوانند براساس داده‌های آموزشی که از منابع مختلف به دست آمده اند، عمل کنند.
معلمان باید بتوانند تدریس خود را بهبود ببخشند، یادگیری را افزایش داده و فرایند آموزش را تسهیل کنند. این گونه به نظر می‌رسد که قبل از شروع به کار معلمان، آموزشی تحت عنوان سواد داده می‌بایست برای آن‌ها در نظر گرفته شود تا بتوانند مجوزهای استاندارد را اخذ کرده و تحت یک استاندارد معتبر مثل CAEP آن را به دست آورده و تدریس کنند. این امر برای معلمان می‌بایست به عنوان یک مدل استانداردهای هسته‌ای تعریف شود تا نیاز به کسب مجوز از سوی بخش استانداردهای توسعه حرفه‌ای را احساس کنند.
علی رغم اینکه این موضوع بسیار حائز اهمیت است سطح استفاده معلمان از این داده‌های آموزشی بسیار محدود است که از جمله دلایل اصلی آن عبارتند از:
دسترسی محدود به داده‌های آموزشی
جمع آوری و تحلیل داده‌های آموزشی که مناسب نبوده و می‌توان گفت بی مورد با حوزه کاری هستند.
کیفیت پایین داده‌ها که حتی می‌توان آن‌ها را به صورت دستی نیز جمع آوری کرد.
کمبود زمان و پشتیبانی، چرا که داده‌ها می‌بایست در زمان مناسب جمع اوری شده و توسط یک گروه خبره مورد بررسی قرار گیرند.
برای پرداختن به موانع ذکر شده یک سری فناوری‌های دیجیتالی خاص پدید آمده که تحت عنوان تجزیه و تحلیل آموزشی مطرح شده‌اند و به موارد مورد نیاز اشاره دارد. تکنولوژی‌های تجزیه و تحلیل ترافیک داده امروزی، در حال حاضر به عنوان یک برنامه فناوری موفق مطرح شده که می‌تواند بر موانع عملی برای تصمیم گیری مبتنی بر داده‌های پایدار و موثر در آموزش غلبه کند. به طور کلی فناوری‌های اطلاعاتی را می‌توان در سه دسته اصلی طبقه بندی کرد:
تکنولوژی تجزیه و تحلیل داده‌های آموزشی (به منظور تصمیم گیری‌های داده محور در مدارس 3)
دسته اول: آن دسته از تکنولوژی‌هایی است که در مورد تجزیه و تحلیل متدها، روش‌ها و ابزارهای کار مورد استفاده قرار می‌گیرند که مرتبط با طراحان آموزشی بوده‌اند و به این معنا که معلمان یا طراحان این حوزه از آن‌ها استفاده می‌کنند. در واقع طرح‌ها و منابع درسی و یا ابزارهایی که مربیان با استفاده از آن به تدریس می‌پردازند را مورد تجزیه و تحلیل قرار داده تا بتوانند آن‌ها را بهبود بخشند و قبل از آن که به مخاطبان ارائه شود از آن بازخوردهای لازم را دریافت می‌کنند.
دسته دوم: آن‌هایی هستند که مربوط به تجزیه و تحلیل یادگیری است. یادگیری عبارت است از: "اندازه گیری، جمع آوری، تجزیه و تحلیل، گزارش دهی اطلاعات در مورد یادگیرندگان و زمینه‌های آنها به منظور درک و یادگیری بهینه و اینکه در چه محیطی رخ می‌دهد."
در نتیجه این حوزه مربوط به فناوری‌هایی است که به تجزیه و تحلیل یادگیری می‌پردازد. در حقیقت می‌بایست از آن دسته اطلاعاتی که یادگیرندگان می‌بایست کسب کنند، گزارش تهیه کرده و با توجه به زمینه فعالیت افراد بتوانند مطالب ارائه شده در جهت بهبود یادگیری افراد را در اختیارشان قرار دهند.
تکنولوژی تجزیه و تحلیل داده‌های آموزشی (به منظور تصمیم گیری‌های داده محور در مدارس 3)
دسته سوم: ترکیبی از تجزیه و تحلیل آموزش و یادگیری است. این دسته، از فرایند آموزش معلمان پشتیبانی می‌کند. به این معنا که درس طراحی و تدریس شده را با استفاده از برخی شواهد مانند اینکه افراد تا چه میزان یادگیری داشته‌اند مورد بررسی قرار داده تا بتوانند بازخوردهای مناسب را کسب کنند.
نتیجه گیری:
بعد از آن که روندی رو به رشد در سطح بین المللی برای استقلال مدارس اتفاق افتاد تا مدارس بتوانند با استفاده از داده‌های آموزشی به صورت مستقل به تصمیم گیری بپردازند و خروجی خود را بهینه کنند، داشتن دو مورد حیاتی است:
پاسخگو بودن مدارس
بهبود و ارزیابی مستمر
با این حال نمی‌توان از تمام ظرفیت سواد داده معلمان استفاده کرد و دلیل آن هم وجود یک سری موانع عملی است که در متن به آن‌ها اشاره شد اما فناوری‌های تجزیه و تحلیل داده‌ها که شامل سه دسته اصلی فناوری‌های تدریس، فناوری‌های یادگیری و فناوری ترکیبی این دو بود، می‌تواند موانع را برطرف کرده و تا حدودی به آینده این فرایند امیدوار بود.
تکنولوژی تجزیه و تحلیل داده‌های آموزشی (به منظور تصمیم گیری‌های داده محور در مدارس 3)
اگر شما علاقه مند به کسب اطلاعات بیشتر در این زمینه هستید می‌توانید به جامعه بزرگ معلمان نوآور در سراسر جهان بپیوندید. اما چگونه؟ جواب این سوال شرکت در دوره‌های MOOC است که توسط دانشگاه‌های معتبری همچون MIT یا‌هاروارد برگزار می‌شود. همچنین دوره‌های خوبی در این زمینه توسط شرکت EDX برگزار شده است. فراموش نکنید که این اولین مقاله ما با این دیدگاه بود بعد از این مقالات بیشتری در این زمینه ارائه خواهد شد تا درک بهتری نسبت به این موضوع پیدا کنید.
منابع :
Educational Data Analytics Technologies For Data-Driven Decision Making In Schools “DEMETRIOS G. SAMPSON”
www.elearningindustry.com
Analyze Your Lesson Plans To Improve Them
بخش آموزش الکترونیکی سایت تبیان، تهیه : سید خاموشی
تنظیم: زینب شاه مرادی

 

s

ssssss

الگوریتم‌های داده‌کاوی (Data Mining) به مجموعه‌ای از روش‌ها و تکنیک‌ها اشاره دارند که برای استخراج الگوها، ارتباطات، و اطلاعات مفید از داده‌های بزرگ و پیچیده استفاده می‌شوند. در زیر برخی از مهم‌ترین الگوریتم‌های داده‌کاوی آورده شده است:

1. الگوریتم‌های طبقه‌بندی (Classification Algorithms)

این الگوریتم‌ها برای تخصیص داده‌ها به دسته‌ها یا کلاس‌های از پیش تعریف شده استفاده می‌شوند. برخی از مشهورترین الگوریتم‌های طبقه‌بندی عبارتند از:

2. الگوریتم‌های خوشه‌بندی (Clustering Algorithms)

خوشه‌بندی فرآیندی است که طی آن داده‌ها بدون برچسب به گروه‌هایی با داده‌های مشابه تقسیم می‌شوند.

3. الگوریتم‌های قوانین انجمنی (Association Rule Learning)

این الگوریتم‌ها برای کشف ارتباطات یا وابستگی‌ها بین مجموعه‌ای از آیتم‌ها در پایگاه‌های داده استفاده می‌شوند.

4. الگوریتم‌های کاهش ابعاد (Dimensionality Reduction)

این الگوریتم‌ها برای کاهش تعداد متغیرها در مجموعه داده‌ها بدون از دست دادن اطلاعات مهم استفاده می‌شوند.

5. الگوریتم‌های رگرسیون (Regression Algorithms)

این الگوریتم‌ها برای پیش‌بینی یک مقدار پیوسته براساس سایر متغیرها استفاده می‌شوند.

6. الگوریتم‌های کشف بی‌هنجاری (Anomaly Detection)

این الگوریتم‌ها برای شناسایی نقاط داده‌ای که به طرز قابل توجهی از بقیه داده‌ها متفاوت هستند، استفاده می‌شوند.

این الگوریتم‌ها هر یک دارای کاربردهای مختلفی هستند و انتخاب مناسب آن‌ها بستگی به نوع داده‌ها و هدف تحلیل دارد.

 

 


مقالات
سیاست
رسانه‎های دیجیتال
علوم انسانی
مدیریت
روش تحقیق‌وتحلیل
متفرقه
درباره فدک
مدیریت
مجله مدیریت معاصر
آیات مدیریتی
عکس نوشته‌ها
عکس نوشته
بانک پژوهشگران مدیریتی
عناوین مقالات مدیریتی
منابع درسی (حوزه و دانشگاه)
مطالعات
رصدخانه شخصیت‌ها
رصدخانه - فرهنگی
رصدخانه - دانشگاهی
رصدخانه - رسانه
رصدخانه- رویدادهای علمی
زبان
لغت نامه
تست زبان روسی
ضرب المثل روسی
ضرب المثل انگلیسی
جملات چهار زبانه
logo-samandehi
درباره ما | ارتباط با ما | سیاست حفظ حریم خصوصی | مقررات | خط مشی کوکی‌ها |
نسخه پیش آلفا 2000-2022 CMS Fadak. ||| Version : 5.2 ||| By: Fadak Solutions نسخه قدیم