دانلود ترجمه مقاله مطالعه ای بر استفاده از داده کاوی در رشته حسابداری

پس زمینه و بررسی مقالات:
داده کاوی به معنای کاربرد الگوریتم های خاص برای استخراج الگو ها از داده ها می باشد. این روش امکان کشف خودکار الگو های ضمنی و دانش جذاب نهفته در حجم زیاد داده ها را فراهم می کند. داده کاوی به سازمان ها کمک می کند تا بر مهم ترین اطلاعات و دانش موجود در پایگاه داده های کنونی متمرکز شوند. اما تنها یک ابزار بوده و نیاز به آگاهی از تجارت، درک داده ها و درک روش های تحلیل گرایانه مرتبط را رفع نمی کند. داده کاوی دارای سه هدف اصلی می باشد: توصیف، پیش بینی، تجویز. توصیف بر یافتن الگو های توصیف داده های قابل تفسیر توسط انسان متمرکز می باشد، در حالی که پیش بینی مستلزم استفاده از بعضی متغیر ها یا رشته هایی در پایگاه داده هاست تا مقادیر نامشخص یا آتی سایر متغیر های مورد نظر پیش بینی شوند. از طرف دیگر، تجویز بر فراهم کردن بهترین راه حل برای یک مساله خاص متمرکز است. با استفاده از تکالیف متعدد داده کاوی – از جمله طبقه بندی، خوشه سازی، پیش بینی، آشکار سازی عوامل مطرود، بهینه سازی و تجسم سازی می توان به این اهداف دست یافت. این تکالیف از مسائلی به شکل زیر حل می شوند متفاوتند: طبقه بندی بر ترسیم داده ها برای مجموعه صفات انتزاعی کیفی از پیش تعریف شده ای متمرکز است که دوگانه یا چند طبقه ای می باشند.
• خوشه بندی بر تقسیم سازی داده ها به چند طبقه یا گروه معنادار متمرکز است.
• پیش بینی بر یافتن مقدار عددی آتی (پیش بینی) یا مقدار عددی (طبقه بندی) متمرکز است.
• آشکار سازی عوامل مطرود بر یافتن داده هایی متمرکز است که بطور چشمگیری از حد نرمال انحراف یافته اند.
• بهینه سازی بر یافتن بهترین راه حل با توجه به بعضی منابع متمرکز است.
• تجسم سازی بر ارائه و درک دیداری داده ها متمرکز است.
• رگرسیون بر برآورد متغیر وابسته از مجموعه متغیر های مستقل متمرکز است.
تنوع گسترده ای از تکنیک های داده کاوی وجود دارد که عبارتند از: شبکه های عصبی مصنوعی (NN ها)، مبتنی بر مورد (CBR)، الگوریتم های ژنتیک (GA)، درختی های تصمیم (DT)، قوانین تداعی (AR)، ماشین های بردار پشتیبانی (SVM)، رگرسیون، نقشه های خود سازمان یافته (SOM)، همسایه مجاور K (KMN)، بایز های ساده (NB) و تحلیل فازی. هر کدام از این تکنیک ها برای هدف، مساله و نیاز تجاری خاصی عمل می کند. جزئیات بیش تر در مورد این تکنیک ها در تنوعی از مراجع داده کاوی موجود هستند.

Background and literature review:
Data mining is the application of specific algorithms for extracting patterns from data. It allows the automated discovery of implicit patterns and interesting knowledge hidden in large amounts of data (Jiawei and Kamber, 2001). Data mining helps organizations to focus on the most important information and knowledge available in their existing databases. But it is only a tool; it does not eliminate the need to know the business, to understand the data, or to understand the analytical methods involved (Jackson, 2002). Data mining has three main goals: description, prediction, and prescription. Whereas description focuses on finding human-interpretable patterns describing the data, prediction involves using some variables or fields in the database to predict unknown or future values of other variables of interest (Fayyad et al., 1996). On the other hand, prescription focuses on providing the best solution for the given problem (Evans, 2013). These goals can be achieved by using many data mining tasks, including classification, clustering, prediction, outlier detection, optimization, and visualization. These tasks differ with the type of problem to be solved as follows:
■ Classification focuses on mapping data to predefined qualitative discrete attribute set of classes, which could be binary or multi-class.
■ Clustering focuses on segmenting the data to some meaningful classes or groups.
■ Prediction focuses on finding a future numerical value (forecasting) or non-numerical value (classification).
■ Outlier Detection focuses on finding the data that significantly deviates from the normal.
■ Optimization focuses on finding the best solution given some resources.
■ Visualization focuses on the visual presentation and understanding of data.
■ Regression focuses on estimation of a dependent variable from a set of independent variables.
A wide variety of data mining techniques exist, such as artificial neural networks (NNs), case-based reasoning (CBR), genetic algorithms (GA), decision trees (DT), association rules (AR), support vector machines (SVM), regression, self-organizing maps (SOM), k-nearest neighbor (KNN), naïve Bayes (NB), and fuzzy analysis. Each of these data mining techniques serves a particular purpose, problem, and business need. Additional details on these techniques are readily available from a myriad of references on data mining.