صفحه محصول - مبانی نظری و پیشینه تحقیق داده کاوی 5

مبانی نظری و پیشینه تحقیق داده کاوی 5 (docx) 1 صفحه

دسته بندی : تحقیق

نوع فایل : Word (.docx) ( قابل ویرایش و آماده پرینت )

تعداد صفحات: 1 صفحه

قسمتی از متن Word (.docx) :

دانشکده آموزش‌های الکترونیکی پایان نامه کارشناسی ارشد در رشته مهندسی فناوری اطلاعات (تجارت الکترونیک) بررسی عوامل موثر بر قیمت طلا و ارائه مدل پیش بینی قیمت آن به کمک تکنیک‌های پیشرفته داده کاوی به کوشش مینو دلجوان انوری استاد راهنما: دکتر اشکان سامی تقدیم به خانواده عزیزم که همواره بر کوتاهی و درشتی من، قلم عفو کشیده و کریمانه از کنار غفلت هایم گذشته اند و سعادت مرا هدف زندگی خود قرار داده و سوختند تا در راه‌های تاریک و پر فراز و نشیب زندگی مشعل راه من باشند. سپاسگزاری اكنون كه اين رساله به پايان رسيده است از استاد ارجمند جناب آقای دکتر اشکان سامی که در کمال سعه صدر و با حسن خلق و فروتنی، از هیچ کمکی در این عرصه بر من دریغ ننمودند و زحمت راهنمایی این رساله را بر عهده گرفتند و همچنین ازاستادان بزرگوار دکتررضا جاویدان که زحمت مشاوره و جناب آقاي دكتر اقبال منصوری كه زحمت داوري این رساله را متقبل شدند؛ کمال تشکر و قدردانی را دارم. همچنين از مديريت محترم کارگزاری مفید که در تکمیل اين تحقيق نقش به سزايي داشتند، تشكر مي نمايم.از استاد بزرگوار دکتر اکبریان کمال تشکر را دارم که با راهنمایی ایشان مباحث اقتصادی رو آموختم.از جواهر فروشی ایران زر که با در اختیار گذاشتن اطلاعاتشان مرا یاری دادند تشکر میکنم.از مدیریت محترم بانک کشاورزی جناب اقای دکتر رزاق منش و در نهایت از دوستان عزیزم جناب آقای سعید انتظاری و سرکار خانم معصومه پور ایرجی کمال تشکر را دارم. چکیده بررسی عوامل موثر بر قیمت طلا و ارئه مدل پیش بینی قیمت آن به کمک تکنیک‌های پیشرفته داده کاوی به کوشش مینو دلجوان انوری طلا همواره به عنوان فلزی گران بها مورد توجه بشر بوده است، بنابراین پیش بینی قیمت آن از اهمیت فراوانی برخوردار است.بررسی دقیق عوامل موثر در پیش بینی قیمت طلا اهمیت و تاثیر بسزایی در افزایش دقت پیش بینی دارد. در این مطالعه و تحقیق عوامل موثر و بیشتری در مقایسه با تحقیقات قبلی مورد بررسی قرار گرفته است.و از نظر تقسیم بندی زمانی،داده‌های جمع آوری شده به سه دسته روزانه،ماهانه و سالانه تقسیم شدند.آزمایشات انجام شده، نشان داد که دقت پیش بینی ها در این مطالعه، نسبت به مطالعات پیشین، باعث بهبود 2% دقت پیش بینی در روش‌های شبکه‌های عصبی و 7.3% در روش‌های سری زمانی و 5.6% در روش رگرسیون خطی شده است. نتایج حاصله بیانگر کارآمدی عوامل بررسی شده در پژوهش، برای پیش بینی قیمت طلا می‌باشد و نتایج این تحقیق، باعث سودآوری برای افراد،سایر سازمان ها و طلا فروشی ها می‌باشد. و در انتها پیشنهاداتی برای مطالعات آینده ارائه گردیده است. واژگان کلیدی: داده کاوی، عوامل موثربرپیش بینی،سری‌های زمانی،،شبکه‌های عصبی،روش‌های رگرسیون،دقت پیش بینی. فهرست مطالب عنوان صفحه TOC \o "1-3" \h \z \u فصل دوم PAGEREF _Toc522609657 \h 5 2- ادبيات موضوع و مباني نظري تحقيق PAGEREF _Toc522609658 \h 5 2-1-مقدمه PAGEREF _Toc522609659 \h 5 2-2-رويكرد ماشين و داده كاوي PAGEREF _Toc522609660 \h 6 2-3-فرايند داده كاوي PAGEREF _Toc522609661 \h 8 2-4-ابزارها و تكنيك‌‌های داده كاوي PAGEREF _Toc522609662 \h 10 2-5-روش‌‌های داده كاوي PAGEREF _Toc522609663 \h 12 2-5-1- روش‌‌های توصيف داده ها PAGEREF _Toc522609664 \h 12 2-5-2-درخت تصميم PAGEREF _Toc522609665 \h 13 2-5-3-شبكه عصبي PAGEREF _Toc522609666 \h 14 2-5-4-تشخيص آنومالي PAGEREF _Toc522609667 \h 14 2-5-5-روش‌های سری زمانی PAGEREF _Toc522609668 \h 15 2-5-6-روش‌های رگرسیون خطی PAGEREF _Toc522609669 \h 15 2-6-خلاصه فصل PAGEREF _Toc522609670 \h 16 فهرست منابع فارسی PAGEREF _Toc522609671 \h 18 فهرست منابع انگلیسی PAGEREF _Toc522609672 \h 20 فهرست مطالب عنوان صفحه TOC \o "1-3" \h \z \u فصل دوم PAGEREF _Toc522526765 \h 8 2- ادبيات موضوع و مباني نظري تحقيق PAGEREF _Toc522526766 \h 8 2-1-مقدمه PAGEREF _Toc522526767 \h 8 2-2-رويكرد ماشين و داده كاوي PAGEREF _Toc522526768 \h 9 2-3-فرايند داده كاوي PAGEREF _Toc522526769 \h 11 2-4-ابزارها و تكنيك‌‌های داده كاوي PAGEREF _Toc522526770 \h 13 2-5-روش‌‌های داده كاوي PAGEREF _Toc522526771 \h 15 2-5-1- روش‌‌های توصيف داده ها PAGEREF _Toc522526772 \h 15 2-5-2-درخت تصميم PAGEREF _Toc522526773 \h 16 2-5-3-شبكه عصبي PAGEREF _Toc522526774 \h 17 2-5-4-تشخيص آنومالي PAGEREF _Toc522526775 \h 17 2-5-5-روش‌های سری زمانی PAGEREF _Toc522526776 \h 18 2-5-6-روش‌های رگرسیون خطی PAGEREF _Toc522526777 \h 18 2-6-خلاصه فصل PAGEREF _Toc522526778 \h 19 فهرست منابع فارسی PAGEREF _Toc522526779 \h 21 فهرست منابع انگلیسی PAGEREF _Toc522526780 \h 23 فهرست مطالب TOC \o "1-3" \h \z \u فصل دوم PAGEREF _Toc522526731 \h 8 2- ادبيات موضوع و مباني نظري تحقيق PAGEREF _Toc522526732 \h 8 2-1-مقدمه PAGEREF _Toc522526733 \h 8 2-2-رويكرد ماشين و داده كاوي PAGEREF _Toc522526734 \h 9 2-3-فرايند داده كاوي PAGEREF _Toc522526735 \h 11 2-4-ابزارها و تكنيك‌‌های داده كاوي PAGEREF _Toc522526736 \h 13 2-5-روش‌‌های داده كاوي PAGEREF _Toc522526737 \h 15 2-5-1- روش‌‌های توصيف داده ها PAGEREF _Toc522526738 \h 15 2-5-2-درخت تصميم PAGEREF _Toc522526739 \h 16 2-5-3-شبكه عصبي PAGEREF _Toc522526740 \h 17 2-5-4-تشخيص آنومالي PAGEREF _Toc522526741 \h 17 2-5-5-روش‌های سری زمانی PAGEREF _Toc522526742 \h 18 2-5-6-روش‌های رگرسیون خطی PAGEREF _Toc522526743 \h 18 2-6-خلاصه فصل PAGEREF _Toc522526744 \h 19 فهرست منابع فارسی PAGEREF _Toc522526745 \h 21 فهرست منابع انگلیسی PAGEREF _Toc522526746 \h 23 فصل دوم 2- ادبيات موضوع و مباني نظري تحقيق 2-1-مقدمه هدف اين فصل آشنايي با داده كاوي، فراگيري ماشين، فرايند داده كاوي ابزارها و تكنيك‌‌های داده كاوي روشهاي داده كاري و بررسي پژوهشي كارهاي انجام شده در زمينه پیش بینی قیمت طلا است. 2-2-رويكرد ماشين و داده كاوي عصر حاضر،عصر انفجاراطلاعات است. اطلاعات فراواني در قالب پايگاه‌‌های داده ذخيره شده است كه تبديل آن ها به دانش با استفاده از ابزارهاي جديد و فرآيند تحليل، تفسیر داده ها و نتيجه گيري را تسهيل مي نمايد به منظور تسهیل فرآيندتصمیم گیری، سیستم ها بايد به دانش لازم و قابليت تصميم گيري براساس داده ها تجهيز شوند جهت دستيابي به اين هدف محققان به ارائه ايده‌‌های جديد از فراگيري ماشين پرداخته اند، با توجه به اين ايده ها وظيفه فراگيري ماشين، تبديل داده ها (ورودي) به دانش (خروجي) خواهد بود. همچنين براساس اين ايده ها ضرورت پيدايش يك حوزه تحقیقاتی جديد كه داده كاوي نام گرفته به وجود آمده است. (Michalski et al 1998). به عنوان يك ابزار تحليل داده و اهداف داده كاوي براي آشكار كردن روندها يا الگوهایي كه تاكنون ناشناخته بودند يا بنا كردن روابطي در مجموعه‌‌های داده بزرگ براي كمك به تصميم گيرندگان براي گرفتن تصميمات بهتر است كه اين هدف را به وسيله به كارگيري روش‌‌های آماري همچون تحليل لجستيك و خوشه بندي و همچنين با استفاده از روش‌های تحليل داده به دست آمده از رشته‌‌های ديگر همچون شبكه‌‌های عصبي در هوش مصنوعي و درختان تصميم در يادگيري ماشين انجام مي دهند.(Kotl &Gervaise 2008) داده و اطلاعات يا دانش، يك نقش قابل توجه در فعاليت‌‌های انسان دارد. داده كاوي فرايند كشف دانش توسط تحليل حجم عظيمي از داده از منابع مختلف و تبديل آن به اطلاعات مفيد است به علت اهميت استخراج دانش و اطلاعات از پايگاه داده‌‌های عظيم داده كاوي يك مولفه اساسي در زمينه‌‌های گوناگون زندگي بشر شامل كسب و كار تحصيلات، پزشكي، علم و... شده است. كشف دانش در پايگاه داده ها اغلب داده كاوي ناميده مي شوند كه به هدف كشف اطلاعات مفيد از مجموعه‌‌های داده است. برنامه‌‌های كاربردي داده كاوي مختلفي به طور موفقيت آميز در حوزه‌‌های مختلفي همچون خدمات درماني، امور مالي، خرده فروشي، كشف تقلب، و تحليل ريسك و.... پياده سازي شده است.(Goel et al 2012). به اين علت كه ابزارهاي داده كاوي روندها و رفتارهاي آينده را توسط رصد پايگاه داده ها براي الگوهاي نهان پيش بيني مي كنند باعث مي شوند كه سازمان ها تصميمات مبتني بر دانش و فعالانه بگيرند و به سوالاتي كه پيش از اين حل آن ها بسيار زمان بر بود پاسخ دهند. (Ramamohan et al 2012). داده كاوي يك ابزار مفيد براي كاوش دانش از داده‌‌های حجيم است روش ها و الگوهاي متفاوت در دسترس در داده كاوي هستند. (Patic et al 2012). داده كاوي يافتن اطلاعات با معاني خاص از يك تعداد زيادي از داده به وسيله بعضي از فناوري ها به عنوان رويه اي براي كشف دانش از پايگاه داده است. كه گام‌‌های آن شامل موارد زير است : .(Han & kumber 2001). 1- پاكسازي داده ها : حذف داده نويز و ناسازگار 2- يك پارچه سازي داده : تركيب منابع داده ي گوناگون 3- انتخاب داده :يافتن داده مرتبط با موضوع از پايگاه داده 4- تبديل داده : تبدیل داده به شكل مناسب براي كاوش 5- داده كاوي : استخراج مدل‌‌های داده با بهره گيري از تكنولوژي 6- ارزيابي الگو : ارزيابي مدل هایي كه واقعاً براي ارائه دانش مفيد هستند. 7- ارائه دانش : ارائه دانش بعد از كاوش به كاربران به وسيله استفاده از تكنولوژي همچون ارائه بصري. (Lin &yeh 2012). 2-3-فرايند داده كاوي استانداردهاي مختلفي براي انجام فرايند‌‌های داده كاوي وجود دارد كه معروف ترين استانداردهاي مورد استفاده در اين زمينه استاندارد Crisp-dm مي باشد. 1-تعریف مسئله(Business understanding) تعریف مسئله شامل تعریف هدف مسئله،ارزیابی شرایط فعلی،تعریف اهداف داده کاوی وایجاد یک برنامه زمان بندی پروژه داده کاوی است. 2-تحلیل داده ها(Data Understanding) وقتی که هدف مسئله مشخص شد و برنامه ریزی پروژه انجام گرفت،گام تحلیل داده ها نیازمندی‌های داده ای را مورد مطالعه قرار می‌دهد.این مرحله شامل تهیه مجموعه داده‌های اولیه، توصیف داده ها،کنکاش در داده ها و ارزیابی کیفیت داده ها است.کنکاش داده ها شامل مشاهده‌ی پارامتر‌های آماری،می تواند در پایان این فاز نیز اتفاق بیفتد.مدل‌هایی مثل خوشه بندی (clustering)می تواند در طول این گام به منظور شناسایی الگوها در داده ها انجام گیرد. 3-آماده سازی داده ها (Data Preparation) زمانی که منابع در دسترس داده مشخص شدند،بایستی داده ها از آن انتخاب (Selecting)، پاک (Cleanin) و در قالب مورد نظر ریخته شوند. همچنین کنکاش عمیق تر داده ها نیز در طول این فاز می‌تواند انجام گیرد.به علاوه ممکن است مدلهای دیگری نیز به کار روند تا بتوان الگوها را براساس تعریف مسئله استخراج کرد. 4-مدل سازی(Modeling) ابزار‌های نرم افزاری داده کاوی همچون تصویر سازی (Visualization)و تحلیل خوشه بندی برای تحلیل‌های اولیه مفید هستند.ابزار‌هایی مانند شناسایی قوانین عمومی می‌تواند قوانین همبستگی اولیه را استخراج کند.وقتی که فهم بیشتری از داده ها بوسیله‌ی شناسایی الگو که با توجه به خروجی‌های مدل‌های اولیه حاصل می‌شود،افزایش می‌یابد،مدل‌های تخصصی تر بر حسب نوع داده می‌تواند مورد استفاده قرار بگیرد. در این مرحله تقسیم بندی داده ها به مجموعه داده‌های آموزشی و مجموعه داده‌های آزمون لازم است. 5-ارزیابی(Evaluation) نتایج مدل‌های استفاده شده در مراحل قبلی بایستی در بستر مسئله تعریف شده و اهداف تعریف شده در مراحل اولیه مورد ارزیابی قرار بگیرد.این کار منجر به شناسایی نیازهای بعدی خواهد شد.این نیازها اغلب شامل بازگشت به مراحل قبلی در فرایند CRISP-DMاست.تعریف مسئله در داده کاوی فرایند تکراری با بازگشت به عقب است که در آن نتایج اقدامات مدل سازی مختلف و تکرار آن ها روابط جدید بین داده ها را به کاربر نشان می‌دهد که باعث درک عمیق تر از مسئله برای کاربر خواهد شد. 6- توسعه(Deployment) تكميل يك مدل اغلب هدف نهايي نيست بلكه هدف كشف اطلاعات بيشتر از داده است. اطلاعات از داده ي اصلي نياز خواهد داشت كه بيشتر سازماندهي شود و سپس تبديل شود به فرمي كه بتواند براي مشتري استفاده شود. اين اغلب شامل كاربرد مدل‌‌های عملكردي در فرايند‌‌های تصميم گيري سازمان است. اين فاز مي تواند ساده و در عين حال پيچيده باشد كه بستگي به نيازمندي ها دارد. اغلب اين فاز را مشتري به جاي يك تحليل گر داده انجام مي دهد. براي مشتري مهم است كه اعمال مورد نياز براي استفاده از مدل‌‌های توليد شده را تشخيص دهد. 2-4-ابزارها و تكنيك‌‌های داده كاوي طبق ) (Bolton &howd 2012با توجه به تنوع، حجم و نوع داده ها روش‌‌های آماري زيادي براي پيش بيني قيمت طلا وجود دارد. اين روش ها مي تواند با ناظر يا بدون ناظر باشد. براي انجام فعاليت هایي كه در هر فاز داده كاوي باید انجام شود از ابزارها و تكنيك‌‌های گوناگوني چون الگوريتم‌‌های پايگاه داده تكنيك‌‌های هوش مصنوعي، روش‌‌های آماري، ابزارهاي گرافيك، كامپيوتري و مصور سازي استفاده مي شود. هرچند داده كاوي لزوما به حجم داده زيادي به عنوان ورودي نياز ندارد. ولي امكان دارد در يك فرايند داده كاوي حجم داده زيادي وجود داشته باشد. در اينجاست كه از تكنيك ها و ابزارهاي پايگاه داده مثل نرمال سازی وتشخيص و تصميم به خطا و تبديل داده ها به خصوص در فازهاي شناخت داده و آماده سازي داده ها استفاده مي شود. همچنين تقريبا در اكثر فرايندهاي داده كاوي از مفاهيم روش ها و تكنيك‌‌های آماري مثل روش‌هاي ميانگين گيري (ماهيانه، ساليانه و...) روش‌‌های محاسبه واريانس و انحراف معيار و تكنيك‌‌های محاسبه احتمال بهره برداريهاي فراواني مي شود. يكي ديگر از شاخه‌‌های علمي كه به كمك داده كاوي آمده است هوش مصنوعي مي باشد. مي توان گفت تكنيك‌‌های هوش مصنوعي به طور گسترده اي در فرايند داده كاوي به كار مي رود. به طوري كه بعضي از آمارگران داده كاوي را به عنوان هوش آماري مصنوعي معرفي مي كنند. و قابليت يادگيري بزرگترين فايده هوش مصنوعي است كه به طور گسترده اي در داده كاوي استفاده مي شود. تكنيك‌‌های هوش مصنوعي كه در داده كاوي بسيار زياد مورد استفاده قرار مي گيرند عبارتند از شبكه‌‌های عصبي، روش‌‌های تشخيص الگوي يادگيري ماشين و الگوريتم ژنتيك و نهايتاً تكنيك ها و ابزارهاي گرافيك كامپيوتري و مصور سازي به شدت در داده كاوي به كار گرفته مي شود. و به كمك آنها مي توان داده‌‌های چند بعدي را به گونه اي نمايش داد كه تجزيه و تحليل نتايج براي انسان ها به راحتي امكان پذير باشد. 2-5-روش‌‌های داده كاوي هرچند كه نرم افزارهاي مورد استفاده در داده كاوي به شدت خودكار شده اند اما هنوز نياز به هدايت كاربران در اين نرم افزار ها وجود دارد يكي از اين نيازها روشي است كه در الگوريتم‌‌های داده كاوي مورد استفاده قرار مي گيرد. اين روش ها به 6 دسته كلي تقسيم بندي مي شود كه عبارتند از روش‌‌های توصيف داده ها، روش‌‌های تجزيه و تحليل وابستگي، روش‌‌های دسته بندي و پيش گويي، روش‌‌های خوشه بندي، روش‌‌های تجزيه و تحليل نويز و روش‌‌های تجزيه و تحليل تحول در اين بخش همزمان با تشريح اين روش ها بعضي از الگوريتم‌‌های پر كاربرد مرتبط با اين روش ها نيز بيان شده اند. 2-5-1- روش‌‌های توصيف داده ها هدف اين روش ها ارائه يك توصيف كلي از داده هاست كه معمولا به شكل مختصر ارائه مي شود. هرچند توصيف داده ها يكي از روش‌‌های داده كاوي است ولي معمولا هدف اصلي نيست و اغلب از اين روش ها براي تجزيه و تحليل نيازهاي اوليه و شناخت طبيعت داده ها و پيدا كردن خصوصيات ذاتي داده ها يا براي ارائه نتايج داده كاوي استفاده مي شود.(Sirikulvad 2002). 2-5-2-درخت تصميم از ابزارهاي داده كاوي است كه در رده بندي داده‌‌های كيفي استفاده مي شود در درخت تصميم درخت كلي به وسيله خرد كردن داده ها به گره هایي ساخته مي شود كه مقاديري از متغير ها را در خود جاي مي دهند. با ايجاد درخت تصميم براساس داده‌‌های پيشين كه داده آنها معلوم است مي توان داده‌‌های جديد را دسته بندي كرد. روش درخت تصميم به طور كلي براي دسته بندي استفاده مي شود زيرا يك ساختار سلسله مراتبي ساده براي فهم كاربر و تصميم گيري است. الگوريتم‌‌های داده كاوي گوناگوني براي دسته بندي مبتني بر شبكه‌‌های عصبي مصنوعي، قوانين نزديك ترين همسايگي و دسته بندي بيزين در دسترس است.يكي از ساده ترين تكنيك ها از انواع درخت تصميم مي توان نوعcart – c5 – c4.5 را نام برد.(Potil 2012). 2-5-3-شبكه عصبي روشي بسيار پركاربرد ديگر در پيش گويي نتايج استفاده از شبكه‌‌های عصبي مي باشد. شبكه عصبي مدل داده شده اي است كه بر مبناي عملكرد مغز انسان كار مي كند اساس كار اين شبكه شبيه سازي تعداد زيادي واحد پردازش كوچك است كه با هم در ارتباط هستند. به هر يك از اين واحد ها يك نرون گفته مي شود. نرون ها به صورت لايه لايه قرار دارند در يك شبكه عصبي معمولا سه لايه وجود دارد اولين لايه، لايه ي ورودي دومين لايه ي نهان و سومين لايه، لايه خروجي است. لايه نهان مي تواند متشكل از يك لايه يا بيشتر باشد. اما ما در اين مطالعه معماري سه لايه را اتخاذ كرديم. بعضي از داده ها كه به طور بارز و مشخصي از داده‌‌های ديگر متمايز هستند اصطلاحا به عنوان داده خطا يا پرت شناخته مي شود. كه بايد قبل از ورود به فاز مدلسازي و در فاز آماده سازي داده‌ها برطرف شود. 2-5-4-تشخيص آنومالي يكي از روش‌‌های متداول تجزيه و تحليل نويز تشخيص آنومالي است كه براي شناسايي داده‌‌های دور افتاده با موارد غيرعادي به كار مي رود. برخلاف ساير روش ها كه قواعدي را براي شناسايي موارد غيرعادي به كار مي گرفتند اين روش اطلاعاتي در مورد اينكه رفتار نرمال چگونه است نگهداري مي كنند بنابراين مواردي كه با هيچ يك از الگوهاي شناخته شده همخواني نداشته باشد به عنوان موارد غيرعادي معرفي مي شود(Clementine 2007).. مزيت استفاده از اين روش اين است كه حتي اگر هيچ الگوي شناخته شده اي در داده ها تشويق نشود مي توانيم از موارد آنومالي كشف شده استفاده كنيم. 2-5-5-روش‌های سری زمانی در هر علم، به آمار جمع آوری شده مربوط به متغیری كه قرار است پیش‌بینی شود و در دوره‌های زمانی گذشته موجود است، اصطلاحا سری زمانی می‌گویند. منظور از یك سری زمانی مجموعه‌ای از داده‌های آماری است كه در فواصل زمانی مساوی و منظمی جمع‌آوری شده باشند. روش‌های آماری كه این گونه داده‌های آماری را مورد استفاده قرار می‌هد روش‌های تحلیل سری‌های زمانی نامیده می‌شود. یک سری زمانی مجموعه‌ی مشاهداتی ست که بر اساس زمان مرتب شده باشند.( نیرومند 1390). 2-5-6-روش‌های رگرسیون خطی رگرسیون در لغت به معنای بازگشت، به مراحل قبلی در یک مسیر تحول و توسعه است. تحلیل رگرسیون در واقع بدنه اصلی مطالعات اقتصادسنجی را تشکیل می‌دهد و به طور کلی درباره مدلهای رگرسیون و نحوه برآورد آنها بحث می‌کند. تحلیل رگرسیونی یا تحلیل وایازشی فن و تکنیکی آماری برای بررسی و HYPERLINK "http://fa.wikipedia.org/wiki/%D9%85%D8%AF%D9%84%E2%80%8C%D8%B3%D8%A7%D8%B2%DB%8C" \o "مدل‌سازی" مدل‌سازی ارتباط بین متغیرها است. رگرسیون تقریباً در هر زمینه‌ای از جمله HYPERLINK "http://fa.wikipedia.org/wiki/%D9%85%D9%87%D9%86%D8%AF%D8%B3%DB%8C" \o "مهندسی" مهندسی، فیزیک، اقتصاد، مدیریت، علوم زیستی، بیولوژی و علوم اجتماعی برای برآورد و پیش‌بینی مورد نیاز است. تحلیل رگرسیونی، یکی از پرکاربردترین روشها در بین تکنیک‌های آماری است. (درخشان1385). 2-6-خلاصه فصل در این فصل، انواع روش‌های پیش بینی قیمت طلا، از ديدگاه‌‌های مختلف تعريف گرديد، الزامات و اقدامات مورد نياز براي پياده سازي پیش بینی قیمت طلا وهمچنین اهميت، كاربردها، مراحل و تكنيك‌‌های موثر داده كاوي در اين زمينه بيان گشت. در ادامه با بررسی روش‌های موجود پیش بینی قیمت طلا توسط تکنیک‌های داده کاوی با بررسی عوامل موثر، روشی تکمیل شده و بهبود یافته نسبت به روش‌های معرفی شده، ارائه خواهد شد. فهرست منابع فارسی ایروانی محمد جواد(1391).نقش آفرینی طلا در چشم انداز پول‌های جهان روا،پژوهشنامه بازرگانی،شماره 12،صفحات 7-15. تقوی مهدی و عراقی مریم(1392).تاثیر واردات کالاهای سرمایه ای،واسطه ای و مصرفی بر رشد اقتصادی،مجله اقتصادی،شماره 3و4،صفحات 76-65. جلالی نائینی،رضازاده محمدی (1375).صادرات و رشد اقتصادی.پژوهشنامه بازرگانی،شماره 1،صفحات 6-36. حسن تاش،سید غلامحسین( 1387).بررسی عوامل تاثیرگذار بر بازار و قیمت جهانی نفت خام، متن سخنرانی در کمیسیون اقتصاد کلان مجمع تشخیص مصلحت نظام(مرکز تحقیقات استراتژیک). طاهری حامد و صفاری میلاد (1390).بررسی رابطه بین نرخ ارز و شاخص قیمت بورس با استفاده از رویکرد ARDL،فصلنامه روند پژوهش‌های اقتصادی،سال نوزدهم،شماره 60،صفحات 63-80. طیب نیا،علی(1391).پویش ترم در اقتصاد ایران.متن سخنرانی در کمیسیون اقتصاد کلان مجمع تشخیص مصلحت نظام. علی نژاد مهربانی فرهاد و کمیجانی اکبر(1391).ارزیابی اثربخشی کانال‌های انتقال پولی بر تولید و تورم و تحلیل اهمیت نسبی آنها در اقتصاد ایران،فصلنامه علمی-پژوهشی،سال هفدهم شماره 2. گلدانسازسيداحمد و عزيزي مهشيد و كلانتري سيداحمدرضا (1391).تحليل عوامل موثر در اقتصاد و نقش آنها بر توسعه اقتصادي ايران، همايش ملي فرهنگ سازي اصلاح رفتارهاي اقتصادي در ايران امروز. محنت فر یوسف(1392).ارزیابی ارتباط نرخ تورم و شکاف تولید در ایران،فصلنامه سیاست‌های مالی و اقتصادی،سال اول،شماره 3،صفحات 116-97. ناجی میدانی علی اکبر و فلاح محمد علی و ذبیحی مریم(1390). بررسی تأثیر پویای نوسانات قیمت مسکن در عوامل کلان اقتصادی ایران،دانش و توسعه،شمارا 18،صفحات 25-47. نیرومند حسینعلی، بزرگ نیا ابولقاسم(1390)."The Analysis Of Time Series An Introduction" C.Chatfield مقدمه‌ای بر تحلیل سری‌های زمانی / تالیف سی چتفیلد؛. (انتشارات دانشگاه مشهد؛ 132 ISBN 964-5782-88-0). هادیان،الهام مقدم(1388).بررسی تاثیر واردات بر رشد اقتصادی در ایران،پایان نامه کارشناسی ارشد،دانشگاه شیراز،دانشکده اقتصاد و علوم اجتماعی. هژبر کیانی،ک و حسنوند (1390).بررسی رشد صادرات و رشد اقتصادی،پژوهشنامه بازرگانی،شماره 7،صفحات 24-1. فهرست منابع انگلیسی Azadeh, A., Moghaddam, M., Khakzad, M. and Ebrahimipour, V. (2012) ‘A flexible neural network-fuzzy mathematical programming algorithm for improvement of Gold price estimation and forecasting’, Computers & Industrial Engineering, Vol. 62, pp.421–430. Atsalakis, G., Ucenic, C. and Skiadas, C. (2005) ‘Time series prediction of the Greek manufacturing index for the non-metallic minerals sector using a neuro-fuzzy approach (ANFIS)’ International Symposium on Applied Stochastic Models and Data Analysis, France, Brest, pp.1369. Atsalakis, G. and Valavanis, K. (2009) ‘Forecasting stock market short-term trends using a neurofuzzy based methodology’, Journal of Expert Systems with Applications, Vol. 36 No. 7, pp.10696–10707. Bogner, Stephan. (2003). "Gold vs. US Dollar". [online]..[12 Feb 2013] Bolton & R.J. & Hand D.J. (2002), ‘Statistical fraud detection: a review’, Statistical Science, vol. 17, no.3, pp.235-55. Boritz, J.E. and Kennedy, D.B. (1995) ‘Effectiveness of neural network types for prediction of business failure’, Expert Systems with Applications, Vol. 9, No. 4, pp.503–512 Brauner, E., Dayhoff, J. and Sun, X. (1997) Commodity Trading Using Neural Networks: Models for the Gold Market, Institute for Systems Research Technical Reports, vol. 17, no.3, pp.235-55.. Chang, P.C., Wang, D.D.and Zhou, C.L. (2012) ‘A novel model by evolving partially connected neural network for stock price trend forecasting’, Expert Systems with Applications, Vol. 39, pp.611–620 Chen, A. and Leung, M.T. (2005) ‘Performance evaluation of neural network architectures: the case of predicting foreign exchange correlations’, Journal of Forecasting, Vol. 24, No. 6, pp.403–420. Chiang, W.K., Zhang, D. and Zhou, L. (2006) ‘Predicting and explaining patronage behavior toward web and traditional stores using neural networks: A comparative analysis with logistic regression’, Decision Support Systems, Vol. 41, pp.514–531. Clementine 12.0 Specifications(2007), ‘ CRISP DM Help Overview”, [online].. [14 Sep 2013] Dunis, C.L. and Nathani, A. (2007) ‘Quantitative trading of gold and silver using nonlinear models’, Neural Network World, Vol. 16, No. 2/7, pp.93–111. George S. Atsalakis and Constantinos Zopounidis’Gold price forecasting with a neuro-fuzzy-based inference system’Int J. Financial Engineering and Risk Management, Vol. 1, No. 1, pp. 35–54. Govelt, M.H., Govelt GJS (2013), 'Gold Demand and Supply' , Journal of Multinational Financial Management, Vol. 18, No. 5, pp.477–487 Greta R. Krippner (2009) ,’Socio - Economic Review’, Journal of Economics and Business, Vol. 64, pp.275–286. Gupta, G.K. (2006) “Introduction to Data Mining with case studies”. Prentice Hall of India, New Delhi Vol. 39, pp.611–620 Han J. and Kamber K.(2010) ,’Data Mining Concepts and Thechniques’, san Francisco: Morgan Kaufman Publications, inc. He, K., Xie, C., Chen, S. and Lai, K.K. (2009) ‘Estimating VaR incrude oil market: a novel multiscale non-linear ensemble approach incorporating wavelet analysis and neural network’, Neuro Computing, Vol. 72, pp.3428–3438. Huang, W., Lai, K.K., Nakamori, Y., Wang, S.Y. and Yu, L. (2007) ‘Neural networks in finance and economics forecasting’, International Journal of Information Technology & Decision Making, Vol. 6, No. 1, pp.113–140. Hsu, C.M. (2011) ‘A hybrid procedure for stock price prediction by integrating self-organizing map and genetic programming’, Expert Systems with Applications, Vol. 38, pp.14026–14036. Ismail, Z., Yahya, A. and Shabri, A. (2009) ‘Forecasting gold prices using multiple liner regression method’, American Journal of Applied Sciences, Vol. 6, No. 8, pp.1509–1514. Jiawei han (2006), “Data Mining: Concepts and techniques”, Second Edition, Morgan Kaufman Publications Vol. 18, pp.601–609,. Khaemasunun, P. (2007) Forecasting Thai Gold Prices, College of Innovation, Thammasat University, Thailand, Vol. 23, pp.96–103. Kul Kavani R.V. and Devale A.B., (2012), “A Review of Data Mining Techniques in”,vol.1, no.2, pp. 150-156. Sarfaraz,l and Afsar,A,( 2005)'A study on the factors affecting gold price and a neuro-fuzzy model of forcast ‘MPRA Paper No. 2855, posted 21. Lin ,K and Yeh, C. (2012), “ Use of Data Mining Techniques “, International Journal of Engineering and Technology Innovation, vol. 2, no. 2, pp. 42-53. Liu ,J, Chen C. (2012), “Efficient Evolutionary Data Mining Algorithms Applied to the Insurance Fraud Prediction”, International Journal of Machine Learning and Computing, Vol. 2, No.3, pp. 308-313. Lu, C.J. (2010) ‘Integrating independent component analysis-based denoising scheme with neural network for stock price prediction’, Expert Systems with Applications, Vol. 37, pp.7056–7064. McCann, P. and Kalman, B. (1994)A Neural Network Model for the Gold Market, Washington University in St. Louis, part of the Philosophy Neuroscience and Psychological Technical Report Series. Michalski, Rs, Bratko, I & Kubat, M(1998),’Machine Learning and Data Mining Methods and applications’, John Wiley & Sous Ltd..,1st ed. Mingming, T. and Jinliang, Z. (2012) ‘A multiple adaptive wavelet recurrent neural network model to analyze gold prices’, Journal of Economics and Business, Vol. 64, pp.275–286. Mirmirani, S. and Li, H.C. (2004) ‘Gold price, neural networks and genetic algorithm’, Computational Economics, Vol. 23, pp.193–200 Mui, H.W. and Chu, C.W. (1993) ‘Forecasting the spot price of gold: combined forecast approaches versus a composite forecast approach’, Journal of Applied Statisticals, Vol. 20, No. 1, pp.13–23. Osmar, R.zaïane(1999), ‘Principles of Knowledge Discovery in Databases’, University of Alberta, Vol. 39, pp.611–620. Paliwal, M. and Kumar, U.A. (2009) ‘Neural networks and statistical techniques: a review of applications’, Expert Systems with Applications, Vol. 36, No. 1, pp.2–17. Parisi, A., Parisi, F. and Diaz, D. (2008) ‘Forecasting gold price changes: rolling and recursive neural network models’, Journal of Multinational Financial Management, Vol. 18, No. 5, pp.477–487. Patil S.P., Patil U.M. and Borse S.(2012), “ The Novel Approach For Improving apriority Algorithms For Mining Association Rule”, Word Journal of Science and Technology,Proceeding of International Conference on Emergency Trends in Computer Technology(n CETCT-2012),held at R.C. Patel institute of technology, shirpur, Dist. Dhule,Maharashtra, india,vol. 2, Issue 3, pp. 75-78. Philip ,K.(2010),’ Official Gold Sales and the Central Bank Gold Agreementicy’, Journal of Economics and Business ,Vol. 35, No. 3, pp.178–189. Pradhan R. , Pathak K.K. and Singh V.P. (2011), “Application of Neural Network in Prediction of Financial Viability”, International Journal of Soft Computing and Engineering (IJSCE), ISSN:2231-2307, Volume-1, Issue-2, May 2011. Rafiqul ,B and Mo C. (2009), ‘Trading on the Information Content of Open Interest’,Journal of International Economics Vol. 37, pp.7056–7064. Rama mohan Y.,Vasantharao K., Chakravarti C.K. , Ratnawi A.S.K.(2012), “ A Study of Data Mining Tools in Knowledge Discovery Process”, International Journal of Soft Computing and Engineering(IJSCE), Volume-2, Issue-3,July 2012. Rijsberjen, C. J. Van. "Information Economical". London: Butterworths. 1976. 17 Aug 1999.Washington Post[Online]<" www.usagold.com”>. [November 2013]. S. A. Elekdag, R. Lalonde, D. Laxton, D. Muir and P. Pesenti,(2010), "Oil price movements and the global economy: a model-based assessment," , Journal of Economics and Business, Vol. 64, pp.275–286. NBER Working Paper No. Shafiee, S. and Topal, E. (2010) ‘An overview of global gold market and gold price forecasting’, Resources Policy, Vol. 35, No. 3, pp.178–189. Sirikulvadhana, Supatcharee(2003), “Data Mining as a Financial Auditing Tool”, M.Sc. Thesis in Accounting Swedish School of Economics and Business Administration ,vol 18,pp.163-175. Tsibouris, G. and Zeidenberg, M. (1995) ‘Testing the efficient markets hypothesis with gradient descent algorithms’, in Refenes, A.P. (Ed.): Neural Networks in the Capital Markets, pp.127–136. .