تعاریف دانش : پایان نامه ارتباطات سازمانی ومدیریت دانش

دانلود پایان نامه

تعاریف دانش :

روش مفید برای درک تعریف مناسب از دانش می تواند از طریق تمایز آن از اینکه چه چیزی دانش نیست به دست آید . یکی از تمایزهای مرسوم در ادبیات دانش ، بین دانش ، اطلاعات و داده است .

داده [1]   را می توان به عنوان اعداد خام ، تصاویر ، کلمات و صداهایی در نظر گرفت که از طریق مشاهده یا اندازه گیری بدست می آیند .

اطلاعات[2]   بیانگر داده های مرتب شده ای هستند که در یک الگوی معنادار قرار گرفته اند .

دانش[3]   می تواند از کاربرد ، تحلیل و استفاده مفید از داده ها و یا اطلاعات درک گردد به عبارت دیگر ، دانش می تواند داده ها و یا اطلاعاتی باشد که بر روی آن یک لایه تحلیل منطقی دیگر اضافه شده و سپس تفسیر می شود ، معنایی به آن افزوده شده و به سیستم موجود از اعتقادات و مجموعه دانش ملحق می گردد . بنابراین دانش ابزار مورد نیاز را برای تحلیل و درک داده و اطلاعات فراهم کرده و باعث بوجود آمدن رابطه علی و معلولی در مورد حوادث و اعمال می شود و اصولی را فراهم می آورد تا بتوان افکار و اعمال را به طور معناداری هدایت کرد .تعاریف دانش : پایان نامه ارتباطات سازمانی ومدیریت دانش

طبق تعاریف بالا ، در یک روش مشترک که داده ، اطلاعات و دانش به هم پیوسته هستند یک ساختار سلسله مراتبی می باشد که روابط در آن اساسا یک طرفه می باشد و در آن داده ها ، اطلاعات را تولید کرده و اطلاعات نیز به نوبه خود برای تولید دانش بکار می رود . البته باید توجه داشت که روابط متقابل این عوامل پیچیده تر از این ارتباطات است . در حالیکه داده ها و اطلاعات می توانند سنگ بنای دانش را بوجود آورند ، بطور یکسان دانش نیز می تواند باعث تولید داده ها و اطلاعات شود ، بنابر این رابطه بین این سه ، پویا و متقابل است .

2-2-3-1- اکتشاف دانش :

در شکل 2-2-1- که هرم دانش نامیده می شود سلسله مراتب دانش نشان داده شده است

(مختاری و یمین فیروز  ،1383). همانطور که از شکل پیداست برای رسیدن به دانش موجود در داده ها راه سختی در پیش است.

[1] Data

[2] Information

[3]

طبق تعریف اکتشاف دانش [1] عبارتست از پروسه ای جهت استخراج اطلاعات مهم و اساسی، ضمنی، قبلا ناشناخته و سودمند از داده های خام در پایگاه داده های بزرگ. هدف اصلی اکتشاف دانش یافتن دانش نهفته در داده ها با کمترین (یا عدم) دخالت انسانی است(مختاری و یمین فیروز  ،1383). مراحل یک پروسه اکتشاف دانش بصورت زیر است:

1- گردآوری داده[2]:  به طور کلی دو روش برای جمع آوری دادهها وجود دارد. در حالت اول خود طراح مدل تولید داده را نیز کنترل میکند. این روش، آزمون طراحی شده نامیده میشود. دومین وضعیت هنگامی است که شخص خبره نمیتواند تأثیری در فرآیند تولید داده داشته باشد. این وضعیت با نام رویکرد مشاهدهای شناخته میشود.

2- پاک سازی داده ها [3]: در این مرحله دادههای غیرمعتبر از مجموعه دادههای آموزشی خارج میشود. دادههای دارای خطا یا پرت و اطلاعات ناکامل، نمونههایی از دادههای زائد هستند که باید پاکسازی در مورد آنها انجام شود.  دو راه برای برخورد با دادههای زائد وجود دارد که یکی تشخیص و خذف دادههای زائد به عنوان بخشی از مرحلهی پیش پردازش است و دیگری ارائهی مدلی که مقاوم نسبت به این داده باشد.

3- تبدیل داده ها [4]: در این گام دادهها به قالبی قابل استفاده برای دادهکاوی در میآیند. اختلاف در بازه مقادیر ویژگیها باعث تأثیر منفی در کارایی مدل نهایی میشود. لذا در این مرحله سعی میشود تمامی ویژگیها در یک بازهی یکسان نرمالیزه شوند تا از تأثیر تفاوت بازهها جلوگیری به عمل آید.

4- برآورد مدل یا داده کاوی [5]: بخش اصلی فرآیند دادهکاوی این بخش است که در آن با استفاده از روشها و تکنیکهای خاص، استخراج الگوهای دانش صورت میگیرد. به طور کلی روشها و الگوریتمهای مختلفی جهت یادگیری و تولید یک مدل بر اساس دادههای ورودی وجود دارد. به نوعی الگوریتمهای مزبور را میتوان یک روال جستجو نیز در نظر گرفت. این روال سعی میکند مدلی پیدا کند که به بهترین نحو دادههای ورودی را پوشش دهد. بایستی توجه نمود که الگوریتمهای دادهکاوی که در این مرحله اجرا میگردند، با توجه به ماهیت مسألهای که فرآیند دادهکاوی سعی در تحلیل دادههای آن را دارد، طراحی میگردند. به عبارت دیگر الگوریتم مزبور با توجه به انواع کاربردهای دادهکاوی  پیاده سازی میگردد.

5- ارزیابی الگوها [6]: تشخیص الگوهای صحیح مورد نظر از سایر الگوها در این مرحله انجام میشود. صحت الگوها بر اساس یکسری از معیارهای سنجیده انجام میشود.

6- نمایش دانش [7]: در این بخش به منظور ارائهی دانش استخراج شده به کاربر، از یکسری ابزارهای بصریسازی استفاده میشود. برای استفاده از دانش و مدل استخراج شده، بایستی آن دانش قابل تفسیر باشد. این امر به خاطر آن است که انسان تمایل ندارد که اساس و پایهی تصمیمهای خود را بر مبنای مدلهای پیچیدهی جعبه سیاه قرار دهد. موضوع مهمی که اینجا وجود دارد آن است که اهداف دقت مدل و قابلیت درک آن معمولاً  با هم در تضاد هستند. اغلب مدلهای ساده، قابلیت تفسیر بهتری دارند اما دقت آنها پایینتر است. از طرف دیگر مدلهای دقیق معمولاً  ساختار پیچیدهای دارند(مختاری ویمین  فیروز  ،1383).

[1] Knowledge Discovery

 

[2] Data Collection

[3] Data Cleaning

[4] Data Transformation

[5] Data analysis

[6] Pattern Evaluation

[7] Knowledge Representation

knowledge

دانلود پایان نامه