انجام پروژه های داده کاوی
انجام پروژه داده کاوی

هم اکنون درس داده کاوی در بسیاری از رشته‌های دانشگاه‌ها و موسسات آموزش عالی کشور در مقاطع کارشناسی، کارشناسی ارشد و دکتری در حال تدریس می‌باشد.  انجام پروژه داده کاوی نیاز به مهارت برنامه نویسی در زبان های متلب و  R دارد. همچنین نرم افزارهای مختلفی نظیر: وکا ، اس پی اس اس ، کلمنتاین،  رپد ماینر برای حل مسائل مختلف داده کاوی با قابلیت‌های متفاوت منتشر شده است. کار

azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

کردن با بسیاری از این برنامه ها لازمه انجام پروژه داده کاوی برای دانشجویان می‌باشد اما بدلیل فرصت محدود در طول ترم تحصیلی یادگیری این نرم افزارها برای بسیاری از دانشجویان دشوار و زمانبر است. تیم پروژه مارکت با داشتن متخصصان ممتاز در تمامی رشته های آمادگی دارد تا انجام پروژه های داده کاوی شما عزیزان را در رشته های مهندسی برق و الکترونیک ( قدرت ، الکترونیک ، مخابرات ، کنترل )، مهندسی کامپیوتر ( نرم افزار و سخت افزار )، مهندسی مکاترونیک به عهده گیرد. کافی است از طریق فرم سفارش پروژه، درخواست انجام پروژه داده کاوی خود را برای ما ارسال نمائید. کارشناسان ما با بررسی درخواست شما و مستندات ارسالی نظیر مقاله بهترین رهیافت را برای حل مسئله شما ارائه خواهند داد و درصورت امکان پیشنهاداتی را برای استفاده از روش‌های ابتکاری برای حل مسئله به شما ارائه خواهند داد . سفارش داده کاوی خود را ثبت کنید و از کارشناسان ما مشاوره بگیرید.

ارسال سفارش
تعریف داده کاوی
با توجه به گسترش کاربردهای داده کاوی برای شرکت ها در زمینه بازاریابی و تحلیل رفتار مشتریان، علم داده کاوی (Data Mining)مورد توجه بسیاری از سازمان ها قرار گرفته است.یک کمپانی تجاری انبوهی از داده ها را در زمینه خدمات و کالاهای فروخته شده به مشتریان خود را نگهداری می نماید. با هرچه گسترده تر شدن این داده ها تحلیل و استخراج اطلاعات مفید از این حجم عظیم از داده دچار مشکل خواهد شد. در واقع علم داده کاوی همانند استخراج اطلاعات ارزشمند در یک معدن منابع گرانبها می باشد.از طرفی سازمان ها برای

azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

برنامه ریزی و تنظیم استاتژی های بازاریابی و مارکتینگ نیاز به استخراج اطلاعات از داده های قبلی و تحلیل رفتار مشتریان خود در گذشته و آینده دارند. با استفاده از داده کاوی می توان رفتار مشتریان را تحلیل نمود و اطلاعات مفیدی را از میان انبوهی از اطلاعات استخراج نمود.  با استفاده از علم داده کاوی می توان الگوهای پنهان رفتاری مشتریان را خارج نمود و پیش بینی هایی را برای آینده ارائه داد.

خدمات پروژه مارکت در زمینه انجام پروژه داده کاوی
انجام پروژه داده کاوی DATA MINING
انجام پروژه داده کاوی DATA MINING
انجام پروژه دانشجویی داده کاوی
شبیه سازی مقالات داده کاوی
انجام پروژه داده کاوی با نرم افزارهای مختلف
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
    انجام پروژه داده کاوی با متلب
    انجام پروژه داده کاوی با کلمنتاین
    انجام پروژه داده کاوی با وکا
    انجام پروژه برنامه نویسی داده کاوی با R
    انجام پروژه داده کاوی با IBM SPSS Modeler
    انجام پروزه داده کاوی باOrange Data Mining
    Tanagraانجام پروژه یادگیری ماشین و داده کاوی با
    انجام پروژه داده کاوی با پایتون
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
سفارش پروژه داده کاوی
سفارش پروژه داده کاوی
جهت ثبت سفارش خود برای انجام پروژه داده کاوی اینجا کلیک کنید
سایر خدمات پروژه مارکت
انجام پروژه متلب
انجام پروژه پردازش تصویر
انجام پروژه شبکه عصبی
انجام پروژه یادگیری ماشین

azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

انجام پروژه پایتون

انجام پروژه های داده کاوی و یادگیری ماشین(پروژه داده کاوی)

برای صحبت در خصوص هر یک از عناوین زیر و مشاوره رایگان از طریق تلگرام با آی دی @ ارتباط برقرار کنید

انجام پروژه های داده کاوی (Data Mining) با تمام ابزار های داده کاوی از جمله رپیدماینر، وکا و … در زمینه های زیر قابل انجام است
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
انجام پروژه های داده کاوی data mining با نرم افزار متلب ، R ، کلمنتاین ، وکا weka ، رپیدماینر ، spss

رده بندی (Classification)

الگوریتم های دسته بندیClassification

خوشه بندی (Clustering)

خوشه بندی : k-Means ، kohonen ، Twostep ، Anomaly

پیش بینی (Prediction)

درخت تصمیم :C5.0 ، CHAID ، C&R ،QUEST ، RandomForest ،REPTree ،ID3،NBTree

شبکه عصبی :Neural Net ،perceptron ،AutoMLP

شبکه بیزین : Bayes Net،NaiveBayes

ماشین بردار پشتیبان : SVM ،LibSVM ،Support Vector Machine (Linear)

رگرسیون : Regression ، Logeistic

الگوریتم های قواعد انجمنی : Apriori ، Carma ، Sequence ، FP-Growth

انتخاب ویژگی (Feature Selection)

نزدیکترین همسایه: KNN

الگوریتم های خوشه بندی Clustering

نرم افزار weka RapidMiner
انجام پروژه های داده کاوی با نرم افزار weka
آموزش نرم افزار کلمنتاین Clementine

آموزش نرم افزار IBM SPSS Modeler

انجام پروژه های داده کاوی با نرم افزارClementine

انجام پروژه های داده کاوی با نرم افزار IBM SPSS Modeler
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
فرآیند داده کاوی CRISP-DM
آشنایی با قابلیت های SPSS Modeler
فرآیند داده کاوی در

azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

SPSS Modeler

شناسایی و آماده سازی مقدماتی داده ها
فراخوانی داده ها در محیط SPSS Modeler
بررسی مفاهیم Storage و Type و اهمیت آنها
یکپارچه سازی داده ها (Merge and Append)
بررسی شاخص های کیفی داده ها (Data Audit)
مطالعه توصیفی و استنباطی داده ها در SPSS Modeler
مدل های پیش بینی کننده
طبقه بندی با انواع درخت های تصمیم در SPSS Modeler
استفاده از درخت های رگرسیونی به منظور پیش بینی
ساخت مدل های پیش بینی کننده با شبکه های عصبی مصنوعی
ارزیابی مقدماتی مدلهای پیش بینی کننده
انجام پروژه های داده کاوی با نرم افزار RapidMiner

انجام پروژه های داده کاوی با نرم افزار weka

مشاوره در زمینه پروژه های داده کاوی
انجام پروژه های داده کاوی با نرم افزار weka RapidMiner
مشاوره در زمینه پروژه های داده کاوی

در مقاطع کارشناسی و کارشناسی ارشد

با نرم افزار Weka- Clementine

خوشه بندی : k-Means ، kohonen ، Twostep ، Anomaly

الگوریتم های قواعد انجمنی : Apriori ، Carma ، Sequence ، FP-Growth

پیش بینی عود مجدد سرطان پستان به کمک داده کاوی

کاربرد داده کاوی در پیدا کردن انواع خرابی در شبکه ایرانسل

ارائه چارچوبی برای شناسایی رابطه بین خصوصیات دستگیرشدگان با نوع مواد مخدرمکشوفه

تحلیل سبد سهام به منظور شناسایی الگوهای رایج در رفتار سهامداران

کاربرد داده کاوی در پیش بینی بیماری سرطان ریه

بررسی عوامل موثر بر بیماری افسردگی و ارائه راهکارهایی جهت کاهش آن

طراحی یک متدولوژی مبتنی بر RFMجهت سنجش وفاداری مشتریان

کاربرد داده کاوی در بیمه – قراردادهای سود اور و زیان آور

azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
آموزش نرم افزار کلمنتاین Clementine 12
آموزش نرم ۱۴٫۲ افزارIBM SPSS Modeler
انجام پروژه های داده کاوی با نرم افزارClementine 12
شناسایی و آماده سازی مقدماتی داده ها
فراخوانی داده ها در محیط SPSS Modeler14.2
بررسی مفاهیم Storage و Type و اهمیت آنها
یکپارچه سازی داده ها (Merge and Append)
بررسی شاخص های کیفی داده ها (Data Audit)
مطالعه توصیفی و استنباطی داده ها در SPSS Modeler14.2
مدل های پیش بینی کننده
طبقه بندی با انواع درخت های تصمیم در SPSS Modeler14.2
استفاده از درخت های رگرسیونی به منظور پیش بینی
ساخت مدل های پیش بینی کننده با شبکه های عصبی مصنوعی
ارزیابی مقدماتی مدلهای پیش بینی کننده
انجام پروژه های داده کاوی data mining با نرم افزار متلب ، R ، کلمنتاین ، وکا weka ، رپیدماینر ، spss
انجام پروژه های داده کاوی با نرم افزار رپید ماینر rapidminer
انجام پروژه های داده کاوی با نرم افزار وکاweka
انجام پروژه های داده کاوی با نرم افزارSPSS Modeler14.2
انجام پروژه های داده کاوی با نرم افزار کلمنتاین Clementine12

کاربرد داده کاوی در بیماری سرطان ، خوش خیم و بد خیم

کاربرد داده کاوی در پیش بینی وضعیت تحصیلی دانشجویان با تکنیک های داده کاوی

رگرسیون : Regression ، Logeistic

شبکه های عصبی مصنوعی چند لایه پرسپترون

شبکه های عصبی مصنوعی با تابع پایه شعاعی

درختان تصمیم گیری طبقه بندی و رگرسیونی

مدل های درختی
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
ماشین های بردار حامی طبقه بندی و رگرسیونی

سیستم های استنباط فازی

سیستم های استنباط فازی – عصبی

سیستم استنباط بیزین

قواعد انجمنی(Association Rules)

شبکه عصبی مصنوعی یا ANN

درخت تصمیم

عوامل موثر بر بروز بیماری دیابت و ارائه راهکار جهت کاهش آن

کاربرد داده کاوی در اعتیاد به مواد مخدر

کاربرد داده کاوی در مدیریت ارتباط با مشتری- کالاهای مرجوعی

کاربرد داده کاوی در شناسایی باکتری ها

نزدیکترین همسایه KNN

کاربرد داده کاوی بر تصادفات جاده ای و ارائه راهکار های برای کاهش آن

هرس درخت تصمیم

الگوریتم های خوشه بندی Clustering

کاربرد داده کاوی در روش های پیشگیری از بارداری

درخت تصمیم با شاخص جینی

آنتروپی

درخت تصمیم C5.0

درخت های تصمیم CHAID ، C&R ،QUEST ، RandomForest ،REPTree ،ID3،NBTree

بگینگ  و بوستینگ

ماشین بردار پشتیبان

کاربرد داده کاوی در تشخیص اختلالات در کبد

ماشین بردار پشتیبان با بهینه ساز ازدحام ذرات

سیستم استنباط بیزین

شبکه عصبی  Neural Net ، perceptron ،AutoMLP

الگوریتم ژنتیک

کاربرد داده کاوی در تشخیص بیماری هپاتیت

کاربرد داده کاوی در بازی شطرنج

داده کاوی (Data Mrining) در زمینه های قواعد انجمنی (Association Rules)

داده کاوی (Data Mrining) در زمینه های وب سرویس

کاربرد داده کاوی در بیماری تیروئید
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
داده کاوی (Data Mrining) در زمینه های متن کاوی

کاربرد داده کاوی در ثبت نام در مهد کودک

داده کاوی (Data Mrining) در زمینه های اینترنت اشیاء

داده کاوی (Data Mrining) در زمینه های  قواعد همسایگی با fp-growth,apriory

کاربرد داده کاوی در پیش بینی درآمد

داده کاوی در پیش بینی سرطان سینه با استفاده از ماموگرافی

کاربرد داده کاوی در پیش بینی بیماری مزمن کلیه

کاربرد داده کاوی در پزشکی : سوءتغذیه

شبکه بیزین : Bayes Net NaiveBayes

مشاوره و انجام پایان نامه و پروژه های کارشناسی ارشد داده کاوی

الگوریتم های دسته بندیClassification

انجام پروژه های داده کاوی با نرم افزار کلمنتاین Clementine12

انجام پروژه های داده کاوی با نرم افزار SPSS Modeler14.2

ازدحام ذرات

الگوریتم های دسته بندیClassification

الگوریتم های فراابتکاری

قواعد همسایگی
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
آموزش نرم افزار کلمنتاین Clementine 12
آموزش نرم ۱۴٫۲ افزارIBM SPSS Modeler
انجام پروژه های داده کاوی با نرم افزارClementine 12
انجام پروژه های داده کاوی با نرم افزار.۲ ۱۴ IBM SPSS Modeler
انجام پروژه های داده کاوی با نرم افزار رپیدماینر rapidminer
انجام پروژه های داده کاوی با نرم افزار وکا weka
فرآیند داده کاوی CRISP-DM
آشنایی با قابلیت های SPSS Modeler14.2
فرآیند داده کاوی در SPSS Modeler14.2
شناسایی و آماده سازی مقدماتی داده ها
فراخوانی داده ها در محیط SPSS Modeler14.2
بررسی مفاهیم Storage و Type و اهمیت آنها
یکپارچه سازی داده ها (Merge and Append)
بررسی شاخص های کیفی داده ها (Data Audit)
مطالعه توصیفی و استنباطی داده ها در SPSS Modeler14.2
مدل های پیش بینی کننده
طبقه بندی با انواع درخت های تصمیم در SPSS Modeler14.2
استفاده از درخت های رگرسیونی به منظور پیش بینی
ساخت مدل های پیش بینی کننده با شبکه های عصبی مصنوعی
ارزیابی مقدماتی مدلهای پیش بینی کننده
انجام پروژه های داده کاوی رشته مهندسی کامپیوتر
انجام پروژه های داده کاوی هوش مصنوعی
انجام پروژه های داده کاوی رشته مهندسی برق
انجام پروژه های داده کاوی دانشجویی
انجام پروژه های داده کاوی سازمانی
انجام پروژه های داده کاوی data mining با نرم افزار متلب ، R ، کلمنتاین ، وکا weka ، رپیدماینر ، spss
انجام پروژه های داده کاوی با نرم افزار رپید ماینر rapidminer
انجام پروژه های داده کاوی با نرم افزار وکاweka
انجام پروژه های داده کاوی با نرم افزارSPSS Modeler14.2
انجام پروژه های داده کاوی با نرم افزار کلمنتاین Clementine12

fp-growth

Apriory

ماشین بردار پشتیبان  SVM  مانند LibSVM ،Support Vector Machine (Linear)

تحلیل نتایج با رسم نمودار Roc

انواع مختلف روش های انتخاب ویژگی:شاخص ریلیف، ازدحام ذرات،شاخص جینی و …

کاربرد داده کاوی در مدیریت ارتباط با مشتری – تحلیل سبد بازار

انواع روش های نمونه برداری و بیش نمونه گیری

کاربرد داده کاوی در مخابرات ، سفارشی سازی در خدمات به مشتریان

تشخیص داده پرت با کانزدیکترین همسایه

تشخیص داده پرت محلی

رده بندی (Classification)

وب کاوی (Web Mining)

انتخاب ویژگی (Feature Selection)

قواعد انجمنی (Association Rules)

کاربرد داده کاوی در پیش بینی شرکتهای ورشکسته از نظر اقتصادی

کاربرد داده کاوی در بازاریابی بانکی

خوشه بندی (Clustering)

کاربرد داده کاوی بر روابط بین نمرات آزمون های ورودی با عملکرد شغلی و وضعیت ارتقاء آنان

پیش بینی (Prediction)

کاربرد داده کاوی در تشخیص شناسایی ایمیل های اسپم

متن کاوی(Text mining)

کاربرد داده کاوی در تشخیص قارچ های سمی از غیر سمی

شبکه عصبی :Neural Net ،perceptron ،AutoMLP

شبکه بیزین : Bayes Net،NaiveBayes

ماشین بردار پشتیبان : SVM ،LibSVM ،Support Vector Machine (Linear)

رگرسیون : Regression ، Logeistic

نزدیکترین همسایه: KNN

الگوریتم های خوشه بندی Clustering

خوشه بندی : k-Means ، kohonen ، Twostep ، Anomaly

الگوریتم های قواعد انجمنی : Apriori ، Carma ، Sequence ، FP-Growth

انجام پروژه های داده کاوی با نرم افزار وکا Weka
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
روش های حل مشکل رده نامتوازن

پیش بینی نرخ بیکاری با استفاده از سری زمانی

کاربرد داده کاوی در شناسایی تذکرات جعلی با استفاده از روش شباهت بین تذکرات

الگوریتم ژنتیک

انجام پروژه های داده کاوی رشته مهندسی کامپیوتر
انجام پروژه های داده کاوی هوش مصنوعی
انجام پروژه های داده کاوی رشته مهندسی برق
انجام پروژه های داده کاوی دانشجویی
انجام پروژه های داده کاوی سازمانی

داده کاوی پزشکی : کاربرد داده کاوی در پیش بینی سوختگی

الگوریتم ازدحام ذرات

الگوریتم های فراابتکاری

کاربرد داده کاوی در بیماری قلبی

شبکه عصبی مصنوعی(ANN)

شبکه های عصبی مصنوعی (RBF)

کاربرد داده کاوی در بیماری سرطان ریه

پیش بینی عودمجدد سرطان پستان به کمک داده کاوی

کاربرد داده کاوی در تشخیص بیماری اپاندیس

درخت تصمیم با شاخص جینی و آنتروپی

کاربرد داده کاوی در هدفمند کردن انتخاب رشته دانشگاهی کاربرد داده کاوی در پیش بینی تصادفات جاده ای

شبکه های عصبی PCNN

کاربرد داده کاوی در طبقه بندی حیوانان

بگینگ و بوستینگ

کاربرد داده کاوی در پیدا کردن انواع خرابی در شبکه ایرانسل

ماشین بردار پشتیبان

سیستم استنباط بیزین

بررسی الگوریتم های مختلف شبکه های گیرید

داده کاوی (Data Mrining) در زمینه های دسته بندی (Classification)

داده کاوی (Data Mrining) در زمینه های خوشه بندی (Clustering)

نرم‌افزار Weka در دانشگاه Waikato واقع در نیوزلند توسعه یافته است و اسم آن از عبارت”Waikato Environment for knowledge Analysis” استخراج گشته است. همچنین Weka ، نام پرندهای با طبیعت جستجوگر است که پرواز نمیکند و در نیوزلند، یافت میشود.

این سیستم به زبان جاوا نوشته شده و بر اساس لیسانس عمومی و فراگیر GNU انتشار یافته است.Weka تقریباً روی هر پلت فرمی اجرا میشود و نیز تحت سیستم عاملهای لینوکس، ویندوز، و مکینتاش، و حتی روی یک منشی دیجیتالی شخصی، آزمایش شده است.

داده کاوی (Data Mrining) در زمینه های  پیش بینی

داده کاوی (Data Mrining) در زمینه های Prediction

داده کاوی (Data Mrining) در زمینه های انتخاب ویژگی (Feature Selection)

تحلیل نتایج با رسم نمودار Roc

انواع مختلف روش های انتخاب ویژگی:شاخص ریلیف، ازدحام ذرات،شاخص جینی و …

پیش بینی واستخراج الگوهای مرتبط با مصرف گاز با استفاده از تکنیک های داده کاوی

انواع روش های نمونه برداری و بیش نمونه گیری

کاربرد داده کاوی در شناسایی نوع خودرو

موزش نرم افزار کلمنتاین Clementine 12
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
آموزش  نرم افزار۱۴ IBM SPSS Modeler

انجام پروژه های داده کاوی با نرم افزارClementine 12

انجام پروژه های داده کاوی با نرم افزار ۱۴ IBM SPSS Modeler

فرآیند داده کاوی CRISP-DM

آشنایی با قابلیت های SPSS Modeler14.2

فرآیند داده کاوی در SPSS Modeler14.2

شناسایی و آماده سازی مقدماتی داده ها

فراخوانی داده ها در محیط SPSS Modeler14.2

بررسی مفاهیم Storage و Type و اهمیت آنها

یکپارچه سازی داده ها (Merge and Append)

بررسی شاخص های کیفی داده ها (Data Audit)

مطالعه توصیفی و استنباطی داده ها در SPSS Modeler14.2

مدل های پیش بینی کننده

طبقه بندی با انواع درخت های تصمیم در SPSS Modeler14.2

استفاده از درخت های رگرسیونی به منظور پیش بینی

ساخت مدل های پیش بینی کننده با شبکه های عصبی مصنوعی

ارزیابی مقدماتی مدلهای پیش بینی کننده

روش های حل مشکل رده نامتوازن

تشخیص داده پرت

الگوریتم ژنتیک

کاربرد داده کاوی در بانک ، مشتریان خوش حساب و بد حساب

شبکه عصبی
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
هوش مصنوعی

بهینه سازی

کمک در پروژه های سمینار

الگوریتم چندهدفه

تکاملی

سیمولینک

تشخیص داده پرت محلی

انجام پایان نامه و مقاله داده کاوی

انجام پایان نامه و پروژه دانشجویی
کاربرد داده کاوی در پیش بینی بیماری افسردگی
کاربرد داده کاوی در پیش بینی وضعیت تحصیلی دانش آموزان

انجام پروژه های داده کاوی با نرم افزار.۲ ۱۴ IBM SPSS Modeler
انجام پروژه های داده کاوی با نرم افزار رپیدماینر rapidminer
انجام پروژه های داده کاوی با نرم افزار وکا weka
فرآیند داده کاوی CRISP-DM
آشنایی با قابلیت های SPSS Modeler14.2
فرآیند داده کاوی در SPSS Modeler14.2
کاربرد داده کاوی در تشخیص پروتین ویروس انفولانزا
کاربرد داده کاوی در تشخیص بیماری کبد

انجام پایان نامه داده کاوی

مشاوره آنلاین رایگان

مشاوره رایگان

مشاوره دانشجویی

انجام پروژه پایان نامه های داده کاوی با WEKA

پایان نامه داده کاوی

دانلود پایان نامه داده کاوی در پایگاه داده های بزرگ

انجام پروژه های داده کاوی

انجام پروژه های داده کاوی با متلب

انجام پروژه های داده کاوی رشته مهندسی کامپیوتر

انجام پروژه های داده کاوی هوش مصنوعی

انجام پروژه های داده کاوی رشته مهندسی برق

انجام پروژه های داده کاوی دانشجویی

سیستم پشتیبان تصمیم جهت کاهش تصادفات جاده ای

کاربرد داده کاوی در رای گیری در گنگره امریکا

کاربرد داده کاوی در پیش بینی شرایط مختلف پوست
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
چارچوب برای شناسایی رابطه بین خصوصیات دستگیر شدگان با نوع مواد مخدر

کاربرد داده کاوی در پیش بینی میزان مصرف برق مشترکین

انجام پروژه های داده کاوی سازمانی

انجام پروژه های داده کاوی با نرم افزار وکا Weka

کاربرد داده کاوی در اعتیاد به مواد مخدر
کاربرد داده کاوی در بیماری سرطان ریه
کاربرد داده کاوی در رضایت شهروندان از خدمات ودفاتر الکترونیک
کاربرد داده کاوی در مدیریت ارتباط با مشتری با رویکرد پرتال
کاربرد داده کاوی در پیش بینی مصرف گاز خانگی

درخت تصمیم :C5.0 ، CHAID ، C&R ،QUEST ، RandomForest ،REPTree ،ID3،NBTree

نرم افزار Weka ، پیاده سازی الگوریتمهای مختلف یادگیری را فراهم میکند و به آسانی میتوان آنها را به مجموعه های داده خود اعمال کرد.

انجام پروژه های داده کاوی با نرم افزار رپید ماینر RapidMiner

بنابر تحقیقات انجام شده نرم افزار RapidMiner یکی از پرکاربرد ترین نرم افزارهای داده کاوی طی سال های اخیر بوده است.

طراحی متدلوژی RFM جهت سنجش وفاداری مشتریان بانک
تحلیل رفتار مشترکین تلفن ثابت شرکت مخابرات
کاربرد داده کاوی در تشخیص بیماری سرطان سینه
کاربرد داده کاوی در پیش بینی بیماری دیابت
کاربرد داده کاوی در مدیریت بانکداری – مشتریان خوش حساب و بد حساب
بهبود اعتبار سنجی مشتریان بانک با رویکرد رده بندی
کاربرد داده کاوی در پیش بینی بیماری قلبی

پیاده سازی با استفاده از نرم افزار های Clementine, SPSS, WEKA, Rapid Miner, Qnet, MATLAB

مشاوره و آموزش جهت انجام پروژه های دانشجویی (پروژه دانشجویی) برای دانشجویان ایرانی داخل و خارج ازکشور

انجام کلیه پروژه های تحقیقاتی درزمینه مختلف

مشاوره و آموزش جهت شبیه سازی و پیاده سازی پایان نامه و پروپوزال های دانشجویی کارشناسی ارشد ودکتری دانشگاه های داخل وخارج ازکشوررشته کامپیوتروفناوری اطلاعات و…….

مشاوره رایگان وآموزش  انتخاب موضوع پایان نامه

کاربرد داده کاوی در پیش بینی بیماری تیروئید
کاربرد داده کاوی در پیش بینی بیماری مزمن کلیه
کاربرد داده کاوی در پیش بینی مصرف برق خانگی
کاربرد داده کاوی در بازار یابی بانکی
کاربرد داده کاوی در بدافزار تروجان ها با تکنیک های داده کاوی
کاربرد داده کاوی در پیش بینی عملکرد اساتید
کاربرد داده کاوی در خوشه بندی رشته های تحصیلی براساس معدل و ترم گذرانده

انجام پروژه های داده کاوی با نرم افزار رپید ماینر RapidMiner
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
انجام پروژه های داده کاوی با نرم افزار کلمنتاین Clementine12

انجام پروژه های داده کاوی با نرم افزار SPSS Modeler14.2

تمامی خدمات مربوط به تهیه پیشنهادیه پایان نامه( proposal )

مشاوره و ویراستاری پایان نامه های مرتبط با فناوری اطلاعات و کامپیوتر

بینایی ماشین Image Processing & Machine vision

پایان نامه ارشد پردازش تصوبر

پایان نامه ارشد داده کاوی

پایان نامه کارشناسی ارشد بیگ دیتا

پایان نامه ارشد اینرتنت اشیا

داده های بزرگ
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

انجام پروژه داده کاوی

/ انجام پروژه داده کاوی
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
آکادمی داده کاوی مجموعه‌ای از برترین متخصصان مجرب است که در زمینه انجام پروژه‌های داده کاوی در تمامی سطوح فعالیت می‌کند. این مجموعه با سه سال تجربه موفق در این حوزه علاوه بر انجام پروژه داده کاوی شرکتی و صنعتی ، در زمینه آموزش انجام پروژه‌ دانشجویی داده کاوی و آموزش انجام پایان نامه به صورت تخصصی در تمامی رشته‌ها خصوصا آموزش در زمینه انجام پایان نامه داده کاوی فعالیت می‌کند . میتوانید با از طریق راههای ارتباطی زیر با ما تماس بگیرید. ما در آکادمی برآنیم علم داده کاوی را به طور گسترده در امور بازاریابی ، فروش ، پزشکی و … در ایران عزیزمان گسترده و کاربردی کنیم .
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
 داده کاوی در واقع علم کشف دانش از حجم وسیعی از داده‌ می‌باشد. مثالی که نزدیک‌ترین شباهت به علم داده کاوی را داشته باشد میتوان معدن کاری  را نام برد . کشف طلا از حجم گسترده‌ای صخره‌ها و کوه‌ها ، برای کشف دانش از طریق داده کاوی از الگوریتم‌های داده کاوی و نرم افزارهای داده کاوی استفاده می‌شود. میتوانید برای محاسبه هزینه انجام پروژه داده کاوی به این صفحه مراجعه کنید.
سفارش پروژه داده کاوی
انجام پروژه داده کاوی امجام پایان نامه داده کاوی
خدمات ما در زمینه انجام پروژه با نرم افزار داده کاوی
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
     انجام پروژه داده کاوی با پایتون
     انجام پروژه داده کاوی با متلب
     انجام پروژه داده کاوی با وکا
     انجام پروژه داده کاوی با SPSS
     انجام پروژه داده کاوی با R
     انجام پروژه داده کاوی با کلمنتاین
     انجام پروژه داده کاوی با ORANGE

انجام پروژه داده کاوی امجام پایان نامه داده کاوی

 آکادمی داده کاوی به همراه داشتن متخصصانی بسیار مجرب و فارغ التحصیل از دانشگاه‌های برتر کشور در زمینه کاری خود دارای مقاله‌های متعدد ISI می‌باشد.آکادمی داده کاوی در زمینه آموزش خدمات زیر را ارائه میدهد .
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
    آموزش انجام پایان نامه در تمامی رشته ها
    آموزش انجام پروژه‌های دانشجویی داده کاوی
    آموزش انجام پایان نامه کارشناسی ارشد داده کاوی
     آموزش پروپوزال نویسی
     آموزش نوشتن مقاله ISI از پایان نامه
     کمک در انتخاب موضوع پایان نامه
     انجام پروژه یادگیری ماشین
     پروژه در مورد داده کاوی
     انجام پروژه یادگیری عمیق
    انجام پروژه بیگ دیتا
     انجام پروژه شبکه عصبی
     انجام پروژه هوش مصنوعی
     انجام پروژه متن کاوی
    انجام تمرین داده کاوی
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
انجام پروژه داده کاوی امجام پایان نامه داده کاوی
تعریف داده کاوی

داده کاوی یک فرآیند محاسباتی است که در واقع الگو یا الگوهایی را در مجموعه از داده های عظیم کشف میکند . در تمامی تعریف های مرتبط به داده کاوی کلمه کشف کردن را میتوان پیدا کرد . داده کاوی شاخه ای از علوم کامپیوتر است که در واقع ترکیبی از تکنیکهای آماری ، علوم اطلاعات ، یادگیری ماشینی و نظریه پایگاه داده است

azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

نجام پروژه داده کاوی

انجام پروژه داده کاوی در هر رشته ای و تخصصی نیاز عمومی می باشد زیرا پردازش داده هاست که نتایج را به دست انسان می دهد تا باعث رشد و پیروزی او شود. پروژه های داده کاوی در نرم افزار های مختلف مانند متلب ، رپیدمایندر ، spss  و…  انجام می شود که همگی به تخصص بالایی نیاز دارند که اوج دانش با بالاترین کیفیت ممکن توسط متخصصان مجربش این خدمات را ارائه می دهد.

داده کاوی در متلب و داده کاوی در پایگاه داده های مختلف با زبان های برنامه نویسی در این زمینه خواستار بسیار زیادی دارد از این رو اوج دانش داده کاوی در متلب و داده کاوی با زبان های برنامه نویسی را همیشه در کمترین زمان ممکن و بالاترین کیفیت و کمترین هزینه ی ممکن انجام می دهد.
انجام پروژه داده کاوی
دیتا ماینینگ یا داده کاوی
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.comداده کاوی یک نوعی از علم است که در چند سال گذشته پیشرفته بسیار چشمگیر داشته و مورد توجه همه ی سازمان ها قرار گرفت. داده کاوی در کاربردهای متفاوتی برای مکان های مختلفی استفاده می شود. بیشتر از داده کاوی در زمینه های بازاریابی و خرید و فروش استفاده می شود که کمک بسیار مفیدی می کند.

در اوج دانش دپارتمانی از افرار ماهر در زمینه ی انجام پروژه داده کاوی داریم که همگی در این زمینه به خوبی فعالبت می کنند و تجریه های فراوانی دارند.
برخی زمینه های داده کاوی

اوج دانش آماده پذیرش سفارشات زیر در این زمینه می باشد (همچنین هر گونه سفارش جدید):

    انجام پروژه داده کاوی با رپیدماینر rapidminer
    انجام پروژه داده کاوی با پایتون
    انجام پروژه داده کاوی با متلب
    انجام پروژه دانشجویی داده کاوی
    انجام پایان نامه داده کاوی
     پروژه داده کاوی در پزشکی

azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com    پروژه داده کاوی با وکا weka
    پروژه داده کاوی با کلمنتاین
    داده کاوی در شبکه های اجتماعی
    داده کاوی در بانکداری
    داده کاوی در تجارت الکترونیک
    پروژه داده کاوی در بورس
    داده کاوی در big data
    داده کاوی در r
    داده کاوی در spss
    داده کاوی sql server
    داده کاوی در دیتابیس ها
    هرگونه پروژه داده کاوی

مراحل داده کاوی

امروزه در اکثر سازمان ها داده ها به سرعت در حال جمع آوری و ذخیره شدن می باشند. به منظور مواجه نشدن با فقر داشن با وجود انبوهی از داده ها مناسب ترین راه حل استفاده از علم داده کاوی است. داده کاوی فرآیند اکتشاف، انتقال و شبیه سازی داده با هدف یافتن اطلاعات مفید و دانشی ناشناخته است. داده کاوی روش های متفاوتی در تجارت ها و علوم گوناگون دارد. از جمله عملیات آن می توان به دسته بندی، خوشه بینی، تخمین و تعیین ارتباط بین متغیرها اشاره کرد.
تکنیک های داده کاوی

azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

با نحلیل داده ها و استفاده از انواع تکنیک های آن می توان الگوهای پنهان را کشف کرد. تکنیک شبکه های عصبی، درخت تصمیم گیری، تحلیل خوشه، الگوریتم ژنتیک، استنتاج قانون از جمله این تکنیک ها هستند که هر کدام در زمینه های متفاوت کاربرد دارند.

کاربردهای داده کاوی
این علم کاربردهای متعددی دارد از طراحی و کدنویسی گرفته تا شرکت های بیمه بزرگ امروزه همگی به آن نیاز دارند. از جمله این کاربردها می توان به تحلیل سایت های اینترنتی، تحلیل داده ها در بازاریابی، تحلیل روند بازار بورس، دسته بندی و نگه داری مشتریان و غیره اشاره کرد.
بخش بندی بازار یک طرح بازاریابی است که برای جذب و برآوردن نیازهای خاص بازار استفاده می شود. خوشه بندی بازار مراحلی دارد که طی آن پروفایل بخش ها را انجام می دهند.
چه موقع و کجا داده کاوی نیاز است؟
به طور کلی زمانی به تحلیل داده ها احتیاج داریم که داده های مرتبط وجود داشته باشد، به عبارتی در یکجا جمع شده باشند و توانایی دسترسی به آنها وجود داشته باشد. وقتی فشار بین رقبا زیاد می شود قطعا داده کاوی احتیاج است.
روژه های داده کاوی و هوش مصنوعی در مهندسی شیمی

 azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

یادگیری ماشین یه روش قدرتمند از هوش مصنوعی می باشد، که به طور گسترده ای در پیش بینی عددی، طبقه بندی و شناخت الگو، مورد استفاده قرار می گیرد. همانطور که از نام یادگیری ماشین به دست می آید، یادگیری ماشین قادر به یادگیری روابط پیچیده بین متغیرهای مستقل و وابسته از طریق پردازش غیر خطی داده ها (جعبه سیاه) می باشد. در دهه های گذشته از این روش ها به طور گسترده ای در بسیاری از جنبه های علمی و صنعتی مانند زیست شناسی، پزشکی، انرژی، مهندسی ( به تبع مهندسی شیمی) و فناوری اطلاعات و غیره، استفاده شده است.

با توسعه مفهوم داده کاوی، تقاضا برای استفاده عملی از مدل-های یادگیری ماشین مبتنی بر دانش (Knowledge Based) افزایش یافت. امروزه با توجه به پیشرفت کامپیوترها و توسعه ی روشهای مختلف و فراوان، استفاده از این روشها رو به افزایش می باشد.
حتی می توان گفت که مقالات بسیاری با استفاده از روشهای یاد شده در چندین سال اخیر در مهندسی شیمی و سایر علوم مهندسی در ژورنالهای معتبر به چاپ رسیده است، که خود گواهی بر استفاده روز افزون از روشهای یاد شده و در عین حال ارائه روشها و مدلهای جدیدتر در این شاخه از علم می باشد.
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
ی مهندسی شیمی و مشاوره در زمینه نگارش مقالات مربوط به هوش مصنوعی (Artificial Intelligence)، داده کاوی (Data Mining) و یادگیری ماشین (Machine Learning) با استفاده از تولباکس بهینه سازی در Matlab Optimization Toolbox، روش رگرسیون بردار پشتیبان (Support Vector Regression (SVR))، روش برنامه نویسی بیان ژنی (Gene Expression Programming (GEP))، برنامه نویسی ژنتیک (Genetic Programming)، شبکه عصبی مصنوعی (Artificial Neural Network(ANN)) و غیره، می باشد.
ل از دانشجویان و فارغ التحصیلان ارشد و دکتری از دانشگاههای صنعتی شریف، امیرکبیر و علم و صنعت قادر است شما عزیزان را در زمینه پروژه های داده کاوی و هوش مصنوعی در مهندسی شیمی یاری نماید.

انجام کلیه پروژه های داده کاوی و شبکه عصبی
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

طراحی پرسشنامه و ارائه طرح نمونه گیری


انجام پژوهش های آماری پایان نامه ها و طرح های تحقیقاتی به همراه تحلیل کامل نتایج

انجام کلیه پروژه های داده کاوی و شبکه عصبی


طراحی پرسشنامه و ارائه طرح نمونه گیری


انجام پژوهش های آماری پایان نامه ها و طرح های تحقیقاتی به همراه تحلیل کامل نتایج
سفارش انجام پروژه داده کاوی با متلب
انجام پروژه DATA MINING با متلب

انجام پروژه داده کاوی با متلب یکی از مهمترین خدماتی است که مجموعه مسترپیپر به کاربران عزیز ارایه می نماید. قبل از معرفی بیشتر خدمات مجموعه مستر پیپر در خصوص انجام پروژه داده کاوی با متلب به معرفی این شاخه می پردازیم:
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
داده‌کاوی یا  Data Mining به مفهوم استخراج اطلاعات نهان یا الگوها و روابط مشخص در حجم زیادی از داده‌ها در یک یا چند بانک اطلاعاتی بزرگ گفته می‌شود. بسیاری از مردم داده کاوی را مترادف واژه‌های رایج کشف دانش از داده‌ها (KDD) می‌دانند. داده‌کاوی ، پایگاه‌ها و مجموعه حجیم داده‌ها را در پی کشف و استخراج، مورد تحلیل قرار می‌دهد. این‌گونه مطالعات و کاوش‌ها را به واقع می‌توان همان امتداد و استمرار دانش کهن و همه جا گیر آمار دانست. تفاوت عمده در مقیاس، وسعت و گوناگونی زمینه‌ها و کاربردها، و نیز ابعاد و اندازه‌های داده‌های امروزین است که شیوه‌های ماشینی مربوط به یادگیری، مدل‌سازی، و آموزش را طلب می‌نماید.

در سال ۱۹۶۰ آماردانان اصطلاح Data Fishing یا Data Dredging به معنای “صید داده” را جهت کشف هر گونه ارتباط در حجم بسیار بزرگی از داده‌ها بدون در نظر گرفتن هیچگونه پیش فرضی بکار بردند. بعد از سی سال و با انباشته شدن داده‌ها در پایگاه داده اصطلاح داده کاوی در حدود سال ۱۹۹۰ رواج بیشتری یافت. اصطلاحات دیگری نظیر “Data Archaeology“یا “Information Harvesting” یا “Information Discovery” یا”Knowledge Extraction” نیز بکار رفته‌اند.
کاربردهای داده‌کاوی در علوم رایانه

در علم رایانه از داده‌کاوی برای کشف الگوی میان داده‌ها استفاده می‌شود، معمولاً داده‌های خام و معمولاً بی‌معنا وارد سیستم شده و پس از پردازش‌های مورد نیاز نتایج حاصل از داده که آن‌ها را اطلاعات می‌نامند ، استخراج می‌گردد. کاربردهای عمومی داده‌کاوی در علم کامپیوتر عبارتند از:

    کشف الگوی میان داده‌ها
    پیش‌بینی حدودی نتایج
    به‌دست آوردن اطلاعات کاربردی
    تمرکز بر روی داده‌های بزرگ

azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
انجام پروژه داده کاوی با متلب
قیمت انجام پروژه داده کاوی با متلب

گروه مسترپیپر همیشه سعی داشته است که مناسب ترین قیمت را در سفارش پروژه داده کاوی با متلب داشته باشد تا بتواند رضایت حداکثری کاربران خود را جلب نماید.
مدت زمان انجام پروژه داده کاوی با متلب

زمان انجام پروژه داده کاوی با متلب با توجه به حجم کار و مدت زمان کاربر تعیین می گردد اما همواره سعی می شود که پروژه در کمترین زمان ممکن انجام و تحویل گردد.
کیفیت انجام پروژه داده کاوی با متلب

مسترپیپر با تجربه و تخصص بالای خود همواره بالاترین کیقیت را در پروژه های محوله داشته و همواره با انتخاب افراد متخصص سعی نموده است که کیفیت انجام پروژهای محوله را در بهترین سطح نگه داشته و آنرا ارتقا دهد لذا ازانجام درست و بموقع پروژه خود آسوده خاطر باشید و با بالاترین کیفیت پروژه ی خود را دریافت نمایید.
سایر خدمات مجموعه مسترپیپر در زمینه انجام پروژه داده کاوی
شبیه سازی مقاله داده کاوی با متلب
تحلیل و آنالیز داده ها با نرم افزارهای مختلف داده کاوی
انجام پروژه داده کاوی با رپیدماینر RAPIDMINER
انجام پروژه داده کاوی با کلمنتاین
انجام پروژه داده کاوی با وکا

azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

انجام پروژه برنامه نویسی داده کاوی با R

انجام پروژه داده کاوی با  SPSS Modeler
انجام پروژه داده کاوی با پایتون
ارائه موضوع جدید در زمینه های مختلف داده کاوی
مشاوره انتخاب موضوع در زمینه داده کاوی
سفارش انجام پروژه داده کاوی با متلب

مجموعه علمی پژوهشی مستر پیپر افتخار دارد که به تمامی درخواست ها و سفارشات شبیه سازی، برنامه نویسی، پروژه ترجمه و … که از طریق وب سایت و به صورت آنلاین ثبت شود علاوه بر تخفیف ویژه ی ثبت سفارش به صورت آنلاین، اولویت بررسی و انجام را نیز می دهد. نیز می توانید از طریق تلگرام با شماره سفارش خود را ارسال نمایید.
با تشکر
نوشته های مشابه انجام پروژه داده کاوی با متلب :
دانلود آموزش نرم افزار اچ اسپایس | دانلود فیلم آموزش اچ اسپایس
مقالات آموزشی
دانلود آموزش نرم افزار اچ اسپایس ( دانلود فیلم آموزش hspice همراه آموزش نصب )
با توجه به درخواست کاربران جهت قراردادن پستی در خصوص آموزش نرم افزار اچ اسپایس تصمیم گرفتم که در این پست از وب سایت این مهم را تحقق بخشم. نرم افزار تحلیل مدارت مجتمع اچ اسپایس نرم افزاری است که در زمینه های مختلف تحلیل مدار در رشته های برق و کامپیوتر مورد استفاده قرار می گیرد.

انجام پروژه داده کاوی,پروژه داده کاوی با متلب,داده کاوی,پیاده سازی پروژ

انجام پروژه داده کاوی,پروژه داده کاوی با متلب,داده کاوی,پیاده سازی پروژه داده کاوی با نرم افزار RapidMiner,پروژه داده کاوی با وکا
انجام پروژه داده کاوی
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
پروژه داده کاوی با رپیدماینر,پروژه داده کاوی با متلب,داده کاوی,پیاده سازی پروژه داده کاوی با نرم افزار RapidMiner,پروژه داده کاوی,دانلود پروژه داده کاوی,کاربردهای داده کاوی,پروژه داده کاوی با وکا
انجام پروژه داده کاوی – انجام پروژه داده کاوی با رپیدماینر – انجام پروژه داده کاوی با متلب

 
یادگیری ماشین و داده‌کاوی :

یادگیری ماشین یکی از روش‌های مهم الگو و دانش از داده‌ها است. این علم با توجه به ابزارهایی که در اختیار دارد، در کشف دانش بسیار توانمند عمل می‌کند. با توجه به گسترش روزافزون حجم داده‌ها و محدودیت ابزارهای یادگیری ماشین، علم داده‌کاوی به وجود آمد، که اساس آن یادگیری ماشین است اما الگوریتم‌ها و ابزارهای پیشرفته تری جهت مدیریت داده‌های عظیم در اختیار دارد. داده‌کاوی و یادگیری ماشین شامل ابزارهایی برای طبقه‌بندی ، رگرسیون و غیره هستند.
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
می‌توان گفت یادگیری ماشین و داده‌کاوی بسیار در هم گره خوردند. اساس کارشان یکسان اما حجم داده‌های مورد استفاده متفاوت می‌باشد.

مراحل داده‎کاوی به صورت شکل زیر است:

"<yoastmark

 

کارهای زیادی در یادگیری ماشین و داده‌کاوی صورت می‌گیرند که می‌توان به موارد زیر اشاره کرد:
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
    طبقه بندی داده‌ها
    رگرسیون
    خوشه بندی
    بهینه‌سازی
    کاهش ابعاد داده‌ها
    و…

در واقع می‌توان گفت موارد ذکر شده ابزار کار فرآیندهای داده‌کاوی و یادگیری ماشین می‌باشد.
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
وظیفه ی اصلی داده‌کاوی، جست و جو و استخراج  دانش از منابع عظیم داده است تا اطلاعات مهمی که در حجم انبوهی از اطلاعات سطحی پنهان شده است را استخراج کند. علم داده‌کاوی، علمی نوپا بوده که روز به روز اهیمت آن بیشتر می‌شود.

 
وب سایت مطلب دی ال با انجام پروژه های داده کاوی (در نرم افزار های متلب ، رپیدماینر ، وکا و …) در خدمت کاربران عزیز می باشد .

آموزش داده کاوی با وکا weka

    Home آموزش داده کاوی با وکا weka

آمورش داده کاوی

داده کاوی مجموعه تکنیک هایی می باشد که پایگاه داده های بزرگ را به منظور دستیابی به دانش، تحلیل می کند. به منظور داده کاوی امروزه از روش های ماشینی و یا نیمه ماشینی استفاده می شود که دلیل آن هم تفاوت عمده در مقیاس، وسعت و گوناگونی زمینه‌ها و کاربردها، و نیز ابعاد و اندازه‌های داده‌هایی می باشد که امروز مورد استفاده قرار می گیرد. داده کاوی یا Data Mining در اصل به معنای استخراج اطلاعات یا الگوهای عملکرد و روابط مشخص در میان داده ها و همین‌طور پایگاه های داده می باشد.
آموزش داده کاوی با استفاده از WEKA
داده کاوی چیست؟
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
داده کاوی مجموعه تکنیک هایی می باشد که پایگاه داده های بزرگ را به منظور دستیابی به دانش، تحلیل می کند. به منظور داده کاوی امروزه از روش های ماشینی و یا نیمه ماشینی استفاده می شود که دلیل آن هم تفاوت عمده در مقیاس، وسعت و گوناگونی زمینه‌ها و کاربردها، و نیز ابعاد و اندازه‌های داده‌هایی می باشد که امروز مورد استفاده قرار می گیرد. داده کاوی یا Data Mining در اصل به معنای استخراج اطلاعات یا الگوهای عملکرد و روابط مشخص در میان داده ها و همین‌طور پایگاه های داده می باشد.

 
داده کاوی، بهره گیری از ابزار های موجود جهت کسب دانش

داده کاوی بهره‌گیری از ابزارهای تجزیه و تحلیل داده‌ها به منظور کشف الگوها و روابط معتبر گفته می‌شود که استفاده از این ابزارها منجر به یافتن سریع مدل‌های آماری مورداستفاده درداده، مدل‌های آماری و الگوریتم‌های ریاضی می‌شود که این کار این به صورت خودکار و یا بر اساس تجربه‌ای که از طریق شبکه‌های عصبی یا درخت‌های تصمیم گیری به دست می‌آورند، انجام می دهند. داده کاوی علاوه بر گردآوری و مدیریت داده های انبوه، تجزیه، تحلیل اطلاعات و پیش بینی را نیز انجام میدهد که پارامتر های گوناگونی را در نظر می گیرد:

    ۱) قواعد انجمنی یا Association که شامل الگو هایی می باشد که یک رویداد به رویدادی دیگر ارتباط پیدا می کند.
    ۲) ترتیب یا Sequence: ترتیب اجرای رویداد ها را پیگیری می کند.
    ۳) پیش بینی یا Prediction که پیش بینی یک متغیر پیوسته را انجام می دهد.
    ۴) طبقه بندی یا Classification که رده های موجود در داده ها را تعریف می کند و نسبت به یکریگر متمایز می کند با این هدف که بتوان از این مدل برای پیش بینی رده رکوردهایی که برچسب رده آنها ناشناخته می‌باشد، استفاده نمود.
    ۵) خوشه بندی یا Clustering که مجموعه ای از رکورد ها که شباهت بیشتری را نسبت به یکدیگر دارد را در یک گروه قرار می دهد.
    ۶) مصور سازی یا visualization که داده های به دست آمده را شبیه سازی می کند.
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
 
ابزار های داده کاوی

    ۱) کلمنتاین Clementine
    ۲) نرم افزار Rapid Miner
    ۳) نرم افزار WEKA

 
WEKA ابزاری متن باز برای داده کاوی در جاوا

WEKA را می توان یکی از قدرتمند ترین ابزار های موجود جهت داده کاوی دانست که یک کتابخانه متن باز می باشد که به کاربر این امکان را می دهد تا با استفاده از امکانات زبان جاوا، داده های خود را پردازش کند. WEKA توابع مختلف را برای داده کاوی در اختیار کاربر قرار میدهد. مزیت استفاده از این کتابخانه این می باشد که ابزار های متنوعی جهت پیاده سازی الگوریتم های داده کاوی را به صورت آماده دارد.

 
 مفاهیم داده کاوی

        اعمال فیلتر بر روی داده ها
             حذف ویژگی های غیرمفید
            گسسته سازی ویژگی های عددی
            ایجاد داده تصادفی
        انتخاب ویژگی
        خوشه بندی
             روش های انتخاب خوشه
        دسته بندی
        ارزیابی مدل و تست
            آشنایی با ماتریس Confusion
            آشنایی با مشخصه عملکرد سیستم
        قوانین انجمن
    آماده سازی محیط نرم افزاری برای شروع به کار با WEKA
        نصب جاوا
        نصب Eclipse
        اتصال WEKA با Ecli

azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

pse

    درونریزی داده
        آشنایی با نوع داده ARFF
        تعریف ویژگی
        آشنایی با ساختار داده ها
        ایجاد مجموعه داده در زمان اجرا
        ذخیره داده در قالب ARFF
    اعمال فیلتر بر روی داده ها
        گسسته سازی ویژگی ها
        ابزار اعمال فیلتر دسته بندی FilteredClassifier
    انتخاب ویژگی در WEKA
        Information Gain و کاربرد آن در انتخاب ویژگی
        بررسی مولفه های اصلی
        AttributeSelectedClassifier و انتخاب خاص دسته بندی کننده
    ایجاد یک دسته بندی کننده و آموزش آن
        ایجاد دسته بندی کننده با درخت تصمیم گیری یا Decision Treesb.
        ایجاد دسته بندی کننده با استفاده از ماشین بردار پشتیبان یا SVM
        مدل های دیگر دسته بندی کننده
        ایجاد یک دسته بندی کننده اختصاصی
    نمایش نتیجه
        نمایش گرافیکی درخت به کاربر
    بررسی و ارزیابی مدل ها
        بررسی مجموعه داده ها و تست
        نمایش نتایج آماری
        جداسازی داده یادگیری
        اعتبارسنجی متقابل k-fold
        ماتریس Confusion
        منحنی ROC
        ذخیره مدل با استفاده از Serializable
        بازگردانی مدل با استفاده از deserializable
    رگرسیون

azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

        کلاس Zero

        کلاس REPTree
        کلاس SMOreg
        کلاس MultilayerPerceptron
    قوانین ارتباطی
        الگوریتم Apriori و کشف قوانین ارتباطی
    خوشه بندی
        الگوریتم EM و نحوه خوشه بندی

azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

        دسته بندی کننده خوشه ای

        خوشه بندی افزایشی

azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
ده انجام پروژه های داده کاوی (data mining) شما با نرم افزار وکا می باشد.جهت سفارش پروژه با شماره و یا آیدی تلگرامی  میتوانید تماس حاصل کنید و سریعا کارتان رو سفارش دهید.

داده کاوی با نرم افزار وکا
معرفی نرم افزار وکا و کاربردهای آن :

میزکار Weka ، مجموع‌های از الگوریتمهای روز یادگیری ماشینی و ابزارهای پیش پردازش داده‌ها میباشد. این نرم‌افزار به گونه‌ای طراحی شده است که میتوان به سرعت، روشهای موجود را به صورت انعطافپذیری روی مجموعه‌های جدید داده، آزمایش نمود. این نرم‌افزار، پشتیبانی‌های ارزشمندی را برای کل فرآیند داده کاوی های تجربی فراهم میکند. این پشتیبانی‌ها، آماده سازی داده‌های ورودی، ارزیابی آماری چارچوبهای یادگیری و نمایش گرافیکی داده‌های ورودی و نتایج یادگیری را در بر میگیرند. همچنین، هماهنگ با دامنه وسیع الگوریتمهای یادگیری، این نرم‌افزار شامل ابزارهای متنوع پیش پردازش داده‌هاست. این جعبه ابزار متنوع و جامع، از طریق یک واسط متداول در دسترس است، به نحوی که کاربر میتواند روشهای متفاوت را در آن با یکدیگر مقایسه کند و روشهایی را که برای مسایل مدنظر مناسبتر هستند، تشخیص دهد.
زبان سازنده وکا:
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
این سیستم به زبان جاوا نوشته شده و بر اساس لیسانس عمومی و فراگیر GNU انتشار یافته است.Weka تقریباً روی هر پلت فرمی اجرا میشود و نیز تحت سیستم عاملهای لینوکس، ویندوز، و مکینتاش، و حتی روی یک منشی دیجیتالی شخصی، آزمایش شده است.

انجام پروژه داده کاوی
پروژه دانشجویی وکا (weka):

به دلیل اینکه اغلب پروژه هایی که با سایت ما مراجعه می شود دانشجویی است ما پروژه وکا را طوری انجام میدهیم که دانشجو پس از انجام پروژه خود بتوانید با توضیحات و آموزش هایی که به او می دهیم کار را یاد بگیرد.پروژه های دانشجویی خود را به ما بسپارید.
انجام پروژه های داده کاوی با وکا (weka):

گروه همیارپروژه با هدف انجام پروژه های داده کاوی در زمینه های دسته بندی (Classification)، خوشه بندی (Clustering)، پیش بینی (Prediction)، انتخاب ویژگی (Feature Selection) و قواعد انجمنی (Association Rules) با استفاده از روش ها و الگوریتم های مختلفی نظیر:
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
     شبکه های عصبی مصنوعی چند لایه پرسپترون
     شبکه های عصبی مصنوعی با تابع پایه شعاعی
    درختان تصمیم گیری طبقه بندی و رگرسیونی
    مدل های درختی
    ماشین های بردار حامی طبقه بندی و رگرسیونی
    سیستم استنباط بیزین
    الگوریتم های بوستینگ و بگینگ
    الگوریتم های اپریل
    تحلیل سری های زمانی
    الگوریتم ژنتیک
    الگوریتم یادگیری عمیق
    الگرویتم های ماشین بردار پشتیبانی(svm)
    الگوریتم رگرسون
    و بسیار الگرویتم های دیگر
     پروژه های دانشجویی داده کاوی با روش های

نمونه پروژه های داده کاوی با وکا (weka):
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
ا کنون ده ها پروژه داده کاوی با نرم افزار وکا انجام داده که برخی از آنها را در سایت جهت دانلود شما عزیزان قرار داده است.جهت مشاهده پروژه های وکا به لینک روبرو مراجعه نمایید:نمونه پروژه های وکا
نحوه سفارش پروژه وکا (weka):
جهت سفارش پروژه داده کاوی با نرم افزار وکا می توانید از طریق لینک زیراقدام نمایید :
سفارش پروژه

azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

پروژه های داده کاوی با نرم افزار R با بسته Rattle
پروژه های داده کاوی با نرم افزار R با بستهRattle

 azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com


برچسب‌ها: پروژه های, داده کاوی, با نرم افزار, Rته

آموزش IBM SPSS Modeler 14.2
آموزش IBM SPSS Modeler 14.2 در محل شما

آموزش تلفنی الگوریتم Apriori قواعد انجمنی در Clementine 12
آموزش تلفنی الگوریتم Apriori قواعد انجمنی در Clementine 12
آموزش تلفنی الگوریتم C5.0 - CHAID - QUEST در Clementin12
آموزش تلفنی الگوریتم های دسته بندی  C5.0 - CHAID - QUEST در نر م افزار Clementine 12



azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
آموزش تلفنی الگوریتم K-Means ، Kohonen ،TwoStep
آموزش تلفنی الگوریتم های خوشه بندی K-Means - Kohonen-TwoStep در نرم افزار Clementine12

azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

آموزش تلفنی الگوریتم J48 و K-Means درنرم افزار weka
آموزش تلفنی الگوریتم J48 و K-Means درنرم افزار weka



azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

انجام پروژه های داده کاوی با نرم افزار RapidMiner
انجام پروژه های داده کاوی با نرم افزار RapidMiner
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.co
برچسب‌ها: پروژه RapidMiner
+ نوشته شده در سه شنبه نوزدهم آذر ۱۳۹۲ ساعت 15:36 توسط weka ، clementine12، rapidminer  | نظر بدهید
آموزش نرم افزار کلمنتاین Clementine 12

آموزش نرم افزار کلمنتاین Clementine 12

آموزش  نرم افزار14 IBM SPSS Modeler

انجام پروژه های داده کاوی با نرم افزارClementine 12

انجام پروژه های داده کاوی با نرم افزار 14 IBM SPSS Modeler

        فرآیند داده کاوی CRISP-DM
        آشنایی با قابلیت های SPSS Modeler14.2
        فرآیند داده کاوی در SPSS Modeler14.2
    شناسایی و آماده سازی مقدماتی داده ها
        فراخوانی داده ها در محیط SPSS Modeler14.2
        بررسی مفاهیم Storage و Type و اهمیت آنها
        یکپارچه سازی داده ها (Merge and Append)
        بررسی شاخص های کیفی داده ها (Data Audit)
        مطالعه توصیفی و استنباطی داده ها در SPSS Modeler14.2
    مدل های پیش بینی کننده
        طبقه بندی با انواع درخت های تصمیم در SPSS Modeler14.2
        استفاده از درخت های رگرسیونی به منظور پیش بینی
        ساخت مدل های پیش بینی کننده با شبکه های عصبی مصنوعی
        ارزیابی مقدماتی مدلهای پیش بینی کننده

برچسب‌ها: آموزش نرم افزار Clementine 12
+ نوشته شده در چهارشنبه بیست و نهم آبان ۱۳۹۲ ساعت 19:53 توسط weka ، clementine12، rapidminer  | نظر بدهید
پروژه آماده داده کاوی با نرم افزار Weka - Clementine 12

پروژه آماده داده کاوی با نرم افزارWeka - Clementine 12


+ وسط weka ، clementine12، rapidminer  | نظر بدهید
مشاوره در زمینه پروژه های داده کاوی

مشاوره در زمینه پروژه های داده کاوی

در مقاطع کارشناسی و کارشناسی ارشد

با نرم افزار Weka- Clementine 12

از ابتدا تا انتها
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
کارگاه تخصصی فرایند داده کاوی با نرم افزار Clementine 12
گروه داده کاوی قزوین سافت برگزار میکند

یک دوره کارگاه تخصصی فرایند داده کاوی همراه با نرم افزار Clementine 12

 

محتوای دوره :
داده کاوی چیست ؟

انگیزه کاوش داده ها در چیست

کاربرد داده کاوی در چیست

و قابلیت های آن(Clementine 12) آشنایی با محیط کلمنتاین

( Clementine 12) ورود داده ها با فرمت های مختلف به محیط کاری کلمنتاین

چگونگی ایجاد درک اولیه از داده ها و آماده سازی آن

استفاده از آمارهای توصیفی و گرافهای متنوع

چگونگی تشخیص و برخورد با داده های گمشده

خوشه بندی

قواعد تلازمی

 دسته بندی و پیش بینی - درخت تصمیم ، شبکه های عصبی ، رگرسیون ، بیز ساده
 
تحلیل و تفسیر داده ها

و غیره


جهت اطلاعات بیشتر و ثبت نام کلیک کنید

وسط weka ، clementine12، rapidminer  | نظر بدهید
انجام پروژه های داده کاوی با نرم افزار Clementine12
انجام پروژه های داده کاوی با نرم افزار Clementine12
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com





5 توسط weka ، clementine12، rapidminer  | نظر بدهید
قالب سایت آماده - طراحی سایت

قالب سایتهای آماده - طراحی سایت با قیمت مناسب

+ توسط weka ، clementine12، rapidminer 
دانلود نرم افزار Rapidminer
دانلود نرم افزار داده کاوی Rapidminer

 
دانلود نرم افزار رپیدماینر

 
+ نسط weka ، clementine12، rapidminer  | نظر بدهید
وب کاوی (webmining) چیست

وب کاوی

استفاده از وب داده های  وب یکی از گام های کلیدی در کشف دانش در پایگاه داده، ایجاد یک مجموعه داده مناسب جهت انجام داده کاوی می باشد.در وب کاوی این داده می تواند از سمت سرور، مشتری، پروکسی سرور یا از یک پایگاه داده سازمان جمع آوری شود. هر کدام از این داده ها نه تنها از نظ منابع داده متفاوت می باشند بلکه از نظر انواع داده های موجود و محدوده مکانی که آن داده از آنجا جمع آوری می شود و متد پیاده سازی آن انواع داده ای که در وب کاوی استفاده می شود شامل:محتوا: داده واقعی در صفحات وب، داده ای که صفحه وب برای نمایش آن به کاربران طراحی شده است.که معمولاً از متن و گرافیک تشکیل شده ولی به آن محدود نمی شود.ساختار: داده ای که

azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

سازمان دهی محتوا را مشخص می سازد. اطلاعات ساختار درون صفحات شامل ترتیب انواع تگ های XML  یا HTML در یک صفحه داده شده می باشد و می تواند به صورت یک ساختار درختی نمایش داده شود که تگ ریشه درخت می باشد. اصلی ترین نوع از اطلاعات ساختاری بین صفحات، هایپرلینک است که یک صفحه را به دیگری مرتبط می کند.استفاده: داده ای که الگوی استفاده از صفحات وب را مشخص می سازد،

مثل آدرس های IP، رجوع به صفحات و تاریخ و زمان دسترسی پروفایل کاربر: داده ای که اطلاعات آماری درباره کاربران وب سایت فراهم می سازد که شامل داده ثبت نام و اطلاعات پروفایل مشتری می باشد.منابع داده داده های استفاده که از منابع مختلفی جمع آوری می شود، الگوهای راهبری از بخش های مختلفی از کل ترافیک وب را نمایش می دهد.  جمع آوری در سطح سرورلاگ های وب سرور یک منبع مهم برای اجرای وب کاوی استفاده از وب محسوب می شود زیرا به طور صریح رفتار مرورگری تمام مشاهده کنندگان سایت را ثبت می کند. داده ای که در لاگ سرور ثبت می شود، دسترسی به یک وب سایت که از سوی  تمام کاربران صورت می گیرد را منعکس می کند. این فایل های لاگ به فرمت های گوناگونی چون Common log یا Extended log ذخیر می شوند.جمع آوری در سطح مشتریجمع آوری داده در سطح مشتری می تواند با بکارگیری یک عامل از راه دور( مثل اپلت های جاوا یا جاوا اسکریپت) یا با تغییر کد مرجع یک مرورگر موجود( مثل Mozilla یا Mosaic)  پیاده سازی شود.پیاده سازی این نوع روش  جمع آوری داده در سطح مشتری به همکاری کاربر در هر دو مورد ذکر شده نیاز دارد.جمع آوری در سطح پروکسییک پروکسی وب به عنوان یک سطح میانی از ذخیره سازی بین مرورگر سمت مشتری و وب سرور محسوب می شود تا زمان بارگذاری  صفحه وبی که توسط کاربر تجربه شده را کاهش دهد همانطور که بار ترافیکی در سمت مشتری و سرور را کاهش می دهد.داده های لاگ مربوط به وب معمولاً حجیم و گسترده هستند وبه منظور کشف الگو،  این داده ها باید در یک دید یکپارچه، سازگار و جامع جمع آوری شوند . در بیشتر کاربردهای داده کاوی پیش پردازش داده با حذف و فیلتر کردن داده های افزونه و بی ربط  و حذف نویزو تبدیل و رفع  هر ناسازگاری   سروکار دارد. پیش پردازش داده  نقش اساسی در کاربردهای کشف دانش در  داده  استفاده از وب دارا هستند و مهمترین مساله در بیشتر روش های کشف الگو، مشکل آن ها در اداره داده های استفاده از وب در مقیاس بزرگ است . به همین خاطر اکثر فرایندهای KDWUD   به طور غیر بر خط انجام می شوند . تحلیل داده استفاده بدون روش پیش پردازش مناسب نتایج ضعیف و یا حتی خرابی را بدنبال خواهد داشت . بنابراین متودولوژی برای پیش پردازش باید به کار گرفته شود تا هر مجموعه ای از فایل های لاگ وب سرور را به مجموعه ساختاریافته ای از جداول در مدل پایگاه داده رابطه ای تبدیل کند . فایل های لاگ از وی سایت های مختلف یک سازمان با هم ادغام می شوند تا رفتار کاربرانی که از طریقی ملموس راهبری داشته اند را نمایش دهد . بنابراین این فایل ها باید با حذف درخواست هایی که مورد نیاز نیستند، پاک می شوند مانند درخواست های ضمنی برای آبجکت های تعبیه شده در صفحات وب و یا درخواست هایی که بوسیله مشتری های غیر انسانی وب سایت ها یجاد می شود . درخواست های باقیمانده  با کاربر، نشست های کاربر و مشاهدات و مشاهده  صفحات،  گروه بندی می شود . و در نهایت مجموعه های پاک و تبدیل شده از درخواست های کاربران در یک مدل پایگاه داده رابطه ای ذخیره می شود . از فیلتر هایی برای فیلتر کردن داده های بدون استفاده، بی ربط و ناخواسته استفاده می شود تحلیلگر می تواند فایل های لاگ را از وب سرورهای متفاوت جمع آوری کند و تصمیم گیری کند که کدامیک از ورودی ها مطلوب هستند . در واقع هدف این است که اندازه بزرگ داده های استفاده از وب موجود به طور قابل توجهی کاهش یابد  و در عین حال کیفیت آن با سازمان دهی آن و فراهم سازی متغیر های یکپارچه  اضافی برای تحلیل  داده کاوی افزایش یابد .فرمول بندی مسالهفرض کنید مجموعه R={r1,r2,r3,…,rn}   مجموعه تمام منابع وباز یک وب سایت باشد . اگرU={u1,u2,…,um}  مجموعه تمام کاربرانی که به سایت دسترسی داشتند،  باشد؛ عنصر لاگ بصورت li=   تعریف می شود که  ui Є U ; ri ЄRاست و t  زمان دسترسی را نمایش می دهد،  s  وضعیت درخواست وref i  صفحه مورد مراجعه را نمایش می دهد . ref i در برخی ازفرمت های لاگ های وب مثل CLF در حالی که صفحه مورد مراجعه ثبت نشده،  اختیاری است . s یک کد سه رقمی است که موفقیت یا شکست درخواست مورد نظر را نشان می دهد . همچنین در موارد دیگر دلیل شکست را نیز بیان می کند . یک وضعیت با مقدار s=200 نشان می دهد که درخواست  موفق است در حالی که وضعیت با مقدار s=404  نشان دهنده این است که فایل مورد درخواست  در محل مورد نظر یافت نشده است . li={li1,li2,…,lim}  به ترتیب صعودی ذخیره می شوند که یک لاگ وب سرور را تشکیل می دهند . در صورت داشتن N وب سرور، مجموعه فایل های لاگ,…,LN}  Log={L1, L2 است .با بکارگیری این علائم مسئله پیش پردازش به صورت زیر فرمول بندی می شود . " با دریافت یک مجموعه از فایل های لاگ مربوط به لاگ های وب سایت های مختلف، کاربر، نشست های کاربر، مشاهده  و مشاهدات صفحات کاربران وب سایت در یک بازه زمانی مشخص ∆t  استخراج می شود ."پیش پردازش داده همانطور که در شکل نشان داده شده است فرایند پیش پردازش گام های زیر را در بر می گیرد :ادغام فایل های لاگ از وب سرورهای گوناگونپاک کردن داده شناسایی کاربران، نشست ها و مشاهده  هافرمت بندی داده و خلاصه سازی آنادغامدر ابتدای پیش پردازش داده، درخواست از تمام فایل های لاگ در Log در یک فایل لاگ الحاقی £همراه  با نام وب سرور جهت تشخیص بین درخواست های ایجاد شده مربوط به وب سرورهای مختلف  وهمچنین توجه به همگام سازی کلاک های وب سرورهای مختلف که از لحاظ  زمانی متفاوت اند . در شکل 2 شبه کد مربوط  به این عمل نشان داده شده است . به خاطر دلایل محرمانگی، فایل لاگ نتیجه f را بی نام کرده  بطوریکه وقتی که فایل های لاگ  به اشتراک گذاشته می شود یا نتایج  منتشر می شوند،  نام  میزبان یا آدرس های IP ، از بین می روند . بنابراین  نام اصلی میزبان با یک شناسنده ای که اطلاعاتی درباره محدوده دامنه ( کد کشور یا نوع سازمان مثل .edu , .com ,.org) نگهداری می کند، جایگزین می شود . مسئله ادغام به صورت زیر فرمولبندی می شود:با دریافت یک مجموعه فایل های لاگ Log={L1,L2,…,Ln}  این فایل های لاگ در یک فایل لاگ مجزا و منفرد ادغام می شود ( فایل لاگ الحاقی ) فرض کنید Li، i امین فایل لاگ می باشد . Li.c را به عنوان اشاره گر بر روی درخواست های Li در نظر بگیرید وLi.1 عنصر لاگ جاری از Li است که با Li.c نشان داده می شود و Li.1.time، زمان t مربوط به عنصرلاگ  جاری از Li می باشد و همچنین  S=(w1,w2,…,wn) آرایه ای از اسامی وب سرورها می باشد به طوری که S[i]  نام وب سرور مربوط به لاگ L i.1 می باشد .مراحل :1.     مقداردهی اولیه اشاره گر فایل لاگ الحاقی  £2.     اسکن عناصر لاگ از هر فایل لاگ Li در Log  و افزودن  آن به £3.     مرتب سازی عناصر £ به طور صعودی بر اساس زمان دسترسی آن هابرگرداندن مقدار £پاک کردن داده ·         گام دوم در پیش پردازش داده حذف درخواست های بدون استفاده  از فایل های لاگ می باشد . بطوریکه اگر تمام ورودی های لاگ معتبر نباشند، باید ورودی های بیربط را حذف کنیم .معمولاً این فرایند تمام درخواستهایی که منابع غیر قابل تحلیل مثل تصاویر، فایل های چندرسانه ای و فایل های مربوط به سبک صفحات را در بر می گیرند، را حذف می کند . برای مثال درخواستهای مربوط  به  محتوای صفحات گرافیکی ( تصاویر *.jpg & *.gif) و همچنین درخواستهای مربوط  به هر فایل دیگر در یک صفحه وب یا حتی نشست های راهبری که توسط رباط ها و اسپا یدر های وب انجام می شود .  با فیلتر کردن داده های بی استفاده، می توانیم سایز فایل لاگ را کاهش داده تا از فضای ذخیره سازی کوچکتری  استفاده کرده و نیز کارهای بعدی را آسان تر  کنیم .برای نمونه، با فیلتر کردن درخواست های تصاویر، سایز فایل های لاگ وب سرور نسبت به سایز اولیه اش تا 50 درصد کاهش می یابد . بنابراین پاک کردن داده حذف ورودی  های بی ربطی چون موارد زیر می باشد:   درخواستهایی که توسط برنامه های خودکار انجام می شود مثل : Web Robot ,Spiders و Crawler ها .این برنامه ها ترافیکی بر روی وب سایت ایجاد می کنند که می توانند بر روی  آمار سایت  تاثیر بگذارند و همچنین در بررسی هایی که توسط KDWUD انجام می شود مطلوب نیستند .·  درخواستهای مربوط به فایل های تصویری که  به صفحات  مشخصی اختصاص داده می شود . درخواست یک کاربر برای مشاهده یک صفحه خاص معمولاً در چندین در چندین عنصر از لاگ منعکس می شود زیرا هر صفحه گرافیک هایی را شامل می شود که فقط آنهایی برای ما مهم هستند که کاربر صریحاً آنها را درخواست کرده که معمولاً فایل های منتی هسنتد .·  عناصر با کدهای وضعیت HTTP  نا موفق . کدهای وضعیت HTTP  برای نشان دادن موفقیت یا شکست یک درخواست بکار می روند که در اینجا ما فقط عناصر با کد بین 200 تا 299 که با موفقیت انجام شده اند در نظر می گیریم .·   عناصری که متدی به غیر از GET  و POST  دارند .شناسایی در این گام درخواستهای غیر ساختیافته یک فایل لاگ به صورت کاربر(user) ، نشست کاربر(user session) ، مشاهدات و ملافات صفحات(page view ,visit)   گروه بندی می شود . در پایان این گام فایل لاگ به صورت یک مجموعه از تراکنش ها خواهد بود (نشست کاربر یا مشاهدات )کاربردر بیشتر موارد فایل لاگ فقط آدرس های کامپیوتر ( نام یا IP)  و عامل کاربر را فراهم می سازد ( به عنوان مثال فایل های لاگ ECLF ) . برای وب سایتهایی که نیازمند ثبت کاربرهستند، فایل لاگ همچنین  User login را شامل می شود ( به عنوان سومین رکورد در یک عنصر لاگ ) که برای شناسایی کاربر استفاده می شود . وقتی که user login موجود نباشد هر IP  به عنوان کابر در نظر گرفته می شود . با این حال این واقعیت وجود دارد که یک آدرس IP  توسط چندین کاربر استفاده می شود واین  برای KDWUD جهت شناسایی کاربر کافی نیست . به هر حال هنوز هم  مکانیزمی برای تشخیص و تمایز بین کاربران برای تحلیل رفتار دسترسی کاربر مورد نیاز است .نشست کاربر شناسایی نشست کاربر از فایل لاگ بدلیل پروکسی سرورها، آدرس های پویا و مواردی که چندین کاربر از طریق یک کامپیوتر دسترسی پیدا می کنند ( در کتابخانه، کافی نت و...) یا یک کابر از چندین مرورگر یا کامپیوتر استفاده می کند، امکان پذیر نمی باشد . یک نشست کاربر به صورت ترتیبی از درخواست ها که بوسیله یک کاربرمنفرد  در یک دوره زمانی مشخص تعریف می شود . یک کاربر می تواند یک (یا چند) نشست در طول یک دوره زمانی داشته باشد .شناسایی نشست عبارت است از فرایند قطعه بندی لاگ دسترسی هر کاربر به نشست های دسترسی مجزا .دو روش بر اساس زمان وجود دارد که شامل روش مبتنی بر طول نشست (Session-duration)  و روش مبتنی بر page-stay-time . همچنین می توانیم از یک  آستانه زمانی timeout  استفاده می کنیم . در ادامه شبه کد مربوط به فرایند شناسایی نشست آورده شده است و بررسی می کند که آیا نشست به پایان رسیده یا اینکه فایل مورد رجوع در هیچ یک از نشست های باز قبلی وجود ندارد . در این صورت یک نشست جدید باز می شود .از آنجاییکه Log بوسیله IP address/Agent  ذخیره می شود تمام نشست های باز کاندیدهای بالقوه ای برای دسترسی به فایل پردازش شده هستند . تابع Session_ Gen   تابع Distance را فراخوانی می کند که این تابع history  مربوط به فایل هایی که اخیراً به فایل f دسترسی داشته اند را پیدا می کند .نمای صفحات(page view)  گام مربوط به شناسایی نمای صفحه تعیین می کند کدام درخواست فایل صفحه بخشی از همان نمای صفحه است و اینکه چه محتوایی ارائه شده است .این گام  لازم است  تا نتایج معناداری  برای  فاز تحلیل الگو فراهم شود و اگر این گام اجرا نشود الگوهای کشف شده تحت تاثیر فایل های صفحه که یک نمای صفحه معروف و مشخص را تشکیل می دهد قرار می گیرد . نمای صفحه با بکارگیری زمان درخواست مشخص می شود . برای درخواست هایی که در یک لحظه ایجاد شده اند تنها اولین درخواست حفظ می شود و بقیه دور ریخته می شوند . بعد از شناسایی نمای صفحه، فایل لاگ به طور نرمال فقط یک درخواست برای هر عمل کاربر در بر می گیرد . هر نشست باید با یک نمای صفحه ابتدایی شروع شود . یک فایل صفحه آغازین یا یک مجموعه از فایل های صفحه از تمام نمای صفحات بعدی مشتق می شود . در اکثر موارد، نمای صفحه آغازین از یک فایل تشکیل می شود یا با یک فایل منفرد که ساختار قاب را مشخص می سازد و بلافاصله منجر به درخواست فایل های صفحه بعدی می شود .خیلی به ندرت اتفاق می افتد که یک سایت غیر مرتبط به بیش از یک فایل صفحه ازیک  سایت دیگر از طریق یک ابر متن منفرد متصل شود .  در هر صورت چنین امری امکان پذیر است و برای چنین مواردی تمام فایل های صفحه که در نمای صفحه آغازین شرکت دارد، باید صراحتاً وارد الگوریتم شود . خلاصه سازی و فرمت بندی داده   این گام، آخرین گام پیش پردازش داده است . فایل ساختاریافته نشست ها و مشاهداتی را شامل می شود که به یک مدل پایگاه داده رابطه ای تبدیل می شود . سپس یک متد تجمیع  داده در سطح درخواست  اعمال شده و با مشاهدات و نشست های کاربر یکپارچه گشته بطور کامل پایگاه داده را پر کند . دو جدول در مدل پایگاه داده رابطه ای طراحی می شود؛ یکی برای ذخیره داده لاگ و دیگری برای ذخیره نشست ها . خلاصه سازی داده بر روی محاسبه متغیر های تجمیع شده در سطوح مختلف انتزاع دلالت دارد ( درخواست، مشاهده و نشست کاربر) .این متغیرهای جمع آوری شده بعداً در گام  داده کاوی مورد استفاده قرار می گیرد و مقادیر آماری را نمایش می دهند که اشیاء آنالیز شده را مشخص می سازند. برای نمونه، اگر شی مورد تحلیل یک نشست کاربر باشد، در داده جمع آوری شده در فرایند محاسباتی، متغیرهای زیر محاسبه می شوند:·         تعداد ملاقات ها در هر نشست طول هر نشست در ثانیه( اختلاف بین تاریخ  آخرین و اولین نشست) یا در صفحات مشاهده شده( تعداد کل مشاهدات صفحه) تعداد مشاهدات برای یک دوره زمانی مشخص، که می تواند یک روز، هفته یا یک ماه باشد.اگر شی مورد تحلیل یک مشاهده باشد، متغیرهای زیر محاسبه می شوند:·        طول مشاهدات بر حسب  زمان و صفحه مشاهده شده فاکتور تکراری در مشاهده·        درصد درخواست های موفقیت آمیز· میانگین زمان سپری شده بر روی یک صفحه  به طور مشابه، سایر متغیرهای جمع آوری شده که می توانند محاسبه شوند:· درصد درخواست ها یی که به هر وب سرور اختصاص یافته· تعداد مشاهده کنندگان و میزبان های منحصر به فرد در هر ساعت، هفته و ماه·  تعداد عاملان کاربر منحصر به فرد در هر ساعت،روز، هفته و ماه

 

+ نوشته شده در جمعه سوم خرداد ۱۳۹۲ ساعت 11:27 توسط weka ، clementine12، rapidminer  | نظر بدهید
پروژه داده کاوی
لیست تعدای از پروژه ها :


تماس :09199240029



+ نوشته شده در شنبه بیست و هشتم بهمن ۱۳۹۱ ساعت 0:5 توسط weka ، clementine12، rapidminer  | نظر بدهید
دانلود آموزش CCNA
       حجم فایل : 5.25 مگابایت

        

          دانلود آموزش CCNA

+4 توسط weka ، clementine12، rapidminer  | نظر بدهید
داده کاوی، متن کاوی، و وب کاوی

دانلود با لینک مستقیم

دانلود با لینک غیر مستقیم

+ نوشته شده در چهارشنبه بیست و نهم آذر ۱۳۹۱ ساعت 22:19 توسط weka ، clementine12، rapidminer  | نظر بدهید
دانلود کتاب weka

 دانلود کتاب لاتین راهنمای  weka

 لینک مستقیم دانلود

 لینک غیر مستقیم دانلود

+ نوشته شده در چهارشنبه بیست و نهم آذر ۱۳۹۱ ساعت 19:55 توسط weka ، clementine12، rapidminer  | نظر بدهید
انجام پروژه های داده کاوی با نرم افزار وکا weka

لطفا کلیک کنید

انجام پروژه های داده کاوی با نرم افزار وکا weka

تماس با من :



 ۱۳۹۰ توسط weka ، clementine12، rapidminer  | نظر بدهید
آموزش نرم افزار داده کاوی وکا weka

لطفا با یک کلیک ما را در گوگل محبوب کنید

آموزش نرم افزار داده کاوی وکا Weka

 

مقدمه

  تا به امروز نرم افزارهای تجاری و آموزشی فراوانی برای داده کاوی در حوزه های مختلف داده ها به دنیای علم و فناوری عرضه شده اند. هریک از آنها با توجه به نوع اصلی داده هایی که مورد کاوش قرار میدهند، روی الگوریتمهای خاصی متمرکز شده اند. مقایسه دقیق و علمی این ابزارها باید از جنبه های متفاوت و متعددی مانند تنوع انواع و فرمت داده های ورودی، حجم ممکن برای پردازش داده ها، الگـوریتمهای پیاده سـازی شده، روشهای ارزیابی نتایج، روشهای مصـور سـازی، روشهای پیش پردازش داده ها، واسطهای کاربر پسند، پلت‌فرمهای سازگار برای اجرا،قیمت و در دسترس بودن نرم افزار صورت گیرد. از آن میان، نرم افزار Weka با داشتن امکانات بسیار گسترده،امکان مقایسه خروجی روشهای مختلف با هم، راهنمای خوب، واسط گرافیگی کارا، سازگاری با سایر برنامه های ویندوزی، و از همه مهمتر وجود کتابی بسیار جامع و مرتبط با آن [Data Mining, witten et Al. 2005 ] ، معرفی میشود.

 
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
1- معرفی نرم افزار Weka

میزکارWeka ، مجموع‌های از الگوریتمهای روز یادگیری ماشینی و ابزارهای پیش پردازش داده‌ها میباشد. این نرم‌افزار به گونه‌ای طراحی شده است که میتوان به سرعت، روشهای موجود را به صورت انعطافپذیری روی مجموعه‌های جدید داده، آزمایش نمود. این نرم‌افزار، پشتیبانی‌های ارزشمندی را برای کل فرآیند داده کاوی های تجربی فراهم میکند. این پشتیبانی‌ها، آماده سازی داده‌های ورودی، ارزیابی آماری چارچوبهای یادگیری و نمایش گرافیکی داده‌های ورودی و نتایج یادگیری را در بر میگیرند. همچنین، هماهنگ با دامنه وسیع الگوریتمهای یادگیری، این نرم‌افزار شامل ابزارهای متنوع پیش پردازش داده‌هاست. این جعبه ابزار متنوع و جامع، از طریق یک واسط متداول در دسترس است، به نحوی که کاربر میتواند روشهای متفاوت را در آن با یکدیگر مقایسه کند و روشهایی را که برای مسایل مدنظر مناسبتر هستند، تشخیص دهد.
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
نرم‌افزار Weka در دانشگاه Waikato واقع در نیوزلند توسعه یافته است و اسم آن از عبارت"Waikato Environment for knowledge Analysis" استخراج گشته است. همچنین Weka ، نام پرندهای با طبیعت جستجوگر است که پرواز نمیکند و در نیوزلند، یافت میشود. (شکل زیر)

این سیستم به زبان جاوا نوشته شده و بر اساس لیسانس عمومی و فراگیر GNU انتشار یافته است.Weka تقریباً روی هر پلت فرمی اجرا میشود و نیز تحت سیستم عاملهای لینوکس، ویندوز، و مکینتاش، و حتی روی یک منشی دیجیتالی شخصی، آزمایش شده است.

این نرم افزار، یک واسط همگون برای بسیاری از الگوریتمهای یادگیری متفاوت، فراهم کرده است که از طریق آن روشهای پیش پردازش، پس از پردازش و ارزیابی نتایج طرح های یادگیری روی همه مجموعه های داده موجود، قابل اعمال است.

نرم افزار Weka ، پیاده سازی الگوریتمهای مختلف یادگیری را فراهم میکند و به آسانی میتوان آنها را به مجموعه های داده خود اعمال کرد.

  همچنین، این نرم افزار شامل مجموعه متنوعی از ابزارهای تبدیل مجموعه‌های داده ها، همانند الگوریتمهای گسسته سازی میباشد. در این محیط میتوان یک مجموعه داده را پیش پردازش کرد، آن را به یک طرح یادگیری وارد نمود، و دسته‌بندی حاصله و کارآیی‌اش را مورد تحلیل قرار داد.( همه این کارها، بدون نیاز به نوشتن هیچ قطعه برنامه‌ای میسر است.)

  این محیط، شامل روشهایی برای همه مسایل استاندارد داده کاوی مانند رگرسیون، رده‌بندی، خوشه‌بندی، کاوش قواعد انجمنی و انتخاب ویژگی میباشد. با در نظر گرفتن اینکه، داده‌ها بخش مکمل کار هستند، بسیاری از ابزارهای پیش پردازش داده‌ها و مصورسازی آنها فراهم گشته است. همه الگوریتم ها، ورودیهای خود را به صورت یک جدول رابطهای به فرمت ARFF دریافت میکنند. این فرمت داده‌ها، میتواند از یک فایل خوانده شده یا به وسیله یک درخواست از پایگاه دادهای تولید گردد.

یکی از راههای به کارگیری Weka ، اعمال یک روش یادگیری به یک مجموعه داده و تحلیل خروجی آن برای شناخت چیزهای بیشتری راجع به آن اطلاعات میباشد. راه دیگر استفاده از مدل یادگیری شده برای تولید پیشبینی‌هایی در مورد نمونه‌های جدید است. سومین راه، اعمال یادگیرنده‌های مختلف و مقایسه کارآیی آنها به منظور انتخاب یکی از آنها برای تخمین میباشد. روشهای یادگیری Classifier نامیده میشوند و در واسط تعاملی Weka ، میتوان هر یک از آنها را از منو انتخاب نمود. بسیاری از classifier ها پارامترهای قابل تنظیم دارند که میتوان از طریق صفحه ویژگی‌ها یا object editor به آنها دسترسی داشت. یک واحد ارزیابی مشترک، برای اندازه‌گیری کارآیی همه classifier به کار میرود.

پیاده سازیهای چارچوبهای یادگیری واقعی، منابع بسیار ارزشمندی هستند که Weka فراهم می کند. ابزارهایی که برای پیش پردازش داده‌ها استفاده میشوند Filter نامیده میشوند. همانند classifier ها، میتوان filter ها را از منوی مربوطه انتخاب کرده و آنها را با نیازمندیهای خود، سازگار نمود. در ادامه، به روش به کارگیری فیلترها اشاره میشود.

  علاوه بر موارد فوق، Weka شامل پیاده سازی الگوریتمهایی برای یادگیری قواعد انجمنی، خوشه‌بندی داده‌ها در جایی که هیچ دست‌های تعریف نشده است، و انتخاب ویژگیهای مرتبط در داده‌ها میباشد.

 

 

2- روش استفاده از Weka

جهت درک بهتر مطالب این بخش، یک پایگاه داده با فرمت (comma-separated format ) .csv به نام bank-data.csv به عنوان مثال در نظر گرفته میشود. این بانک اطلاعاتی شامل اطلاعاتی در مورد 600 فرد مختلف است که فیلدهای تشکیل دهنده آن به شرح زیر هستند:

3- واسط های Weka

شکل 1،راههای انتخاب واسط‌های مختلف Weka را نشان میدهد. آسانترین راه استفاده از Weka از طریق واسطی گرافیکی است که Explorer خوانده میشود. این واسط گرافیکی، به وسیله انتخاب منوها و پر کردن فرمهای مربوطه، دسترسی به همه امکانات را فراهم کرده است. برای مثال، میتوان به سرعت یک مجموعه داده را از یک فایل ARFF خواند و درخت تصمیم‌گیری آن را تولید نمود. اما درختهای تصمیم‌گیری یادگیرنده صرفاً ابتدای کار هستند. الگوریتمهای بسیار دیگری برای جستجو وجود دارند. واسط Explorer کمک میکند تا الگوریتمهای دیگر نیز آزمایش شوند.

 

شکل 1. Weka در وضعیت انتخاب واسط

این واسط با در اختیار گذاشتن گزینه‌ها به صورت منو، با وادار کردن کاربر به اجرای کارها با ترتیب صحیح، به وسیله خاکستری نمودن گزینه‌ها تا زمان صحیح به کارگیری آنها، و با در اختیار گذاشتن گزینه‌هایی به صورت فرمهای پرشدنی، کاربر را هدایت میکند. راهنمای ابزار مفیدی، حین عبور ماوس از روی گزینه‌ها، ظاهر شده و اعمال لازم مربوطه را شرح میدهد. پیشفرض‌های معقول قرار داده شده، کاربر را قادر میسازند تا با کمترین تلاشی، به نتیجه برسد. اما کاربر باید برای درک معنی نتایج حاصله، راجع به کارهایی که انجام میدهد، بیندیشد.

 Wekaدو واسط گرافیکی دیگر نیز دارد. واسط knowledge flow به کاربر امکان میدهد تا چنیش‌هایی برای پردازش داده‌های در جریان، طراحی کند. یک عیب پایهای Explorer نگهداری هر چیزی در حافظه اصلی آن است. (زمانی که یک مجموعه داده را باز میکنیم، Explorer ، کل آن را، در حافظ باز میکند) نشان میدهد که Explorer ، صرفاً برای مسایل با اندازه‌های کوچک تا متوسط، قابل اعمال است. با وجود بر این Weka شامل تعدادی الگوریتمهای افزایشی است که میتواند برای پردازش مجموعه های داده بسیار بزرگ مورد استفاده قرار گیرد. واسط knowledge flow امکان میدهد تا جعبه‌های نمایانگر الگوریتمهای یادگیری و منابع داده‌ها را به درون صفحه بکشیم و با اتصال آنها به یکدیگر، ترکیب و چینش دلخواه خود را بسازیم. این واسط اجازه میدهد تا جریان دادهای از مؤلفه‌های به هم متصل که بیانگر منابع داده، ابزارهای پیش پردازش، روشهای ارزیابی و واحدهای مصوّر سازی هستند تعریف شود. اگر فیلترها و الگوریتمهای یادگیری، قابلیت یادگیری افزایشی را داشته باشند، داده‌ها به صورت افزایشی بار شده و پردازش خواهند شد.

  سومین واسط Weka ، که Experimenter خوانده میشود، کمک میکند تا به این سؤال عملی و پایهای کاربر حین استفاده از تکنیکهای رده‌بندی و رگرسیون، پاسخ دهد: «چه روشها و پارامترهایی برای مسأله داده شده، بهتر عمل میکنند؟ »

  عموماً راهی برای پاسخگویی مقدماتی به این سؤال وجود ندارد و یکی از دلایل توسعهWeka ، فراهم نمودن محیطی است که کاربران Weka را قادر به مقایسه تکنیکهای گوناگون یادگیری بنماید. این کار، میتواند به صورت تعاملی در Explorer انجام شود. با این وجود، Experimenter با ساده کردن اجرای رده‌بندی کننده‌ها و فیلترها با پارامترهای گوناگون روی تعدادی از مجموعه‌های داده، جمع‌آوری آمار کارآیی و انجام آزمایـشهای معنا، پردازش را خودکار میکند. کـاربرهای پیشرفته، میتوانند از Experimenter برای توزیع بار محاسباتی بین چندین ماشین، استفاده کنند. در این روش، میتوان آزمایشهای آماری بزرگی را راه‌اندازی نموده و آنها را برای اجرا، رها نمود.

  ورای این واسطهای تعاملی، عملکرد پایهای Weka قرار دارد. توابع پایهای Weka ، از طریق خط فرمانهای متنی قابل دسترسی هستند. زمانی که Weka ، فعال میشود، امکان انتخاب بین چهار واسط کاربری وجود داردExplorer ، knowledge ،Experimenter و واسط خط فرمان. اکثر کاربران، حداقل در ابتدای کار Explorer را به عنوان واسط کاربری انتخاب میکنند.

 

3-1 واسط Explorer

واسط گرافیکی اصلی برای کاربران، Explorer است که امکان دسترسی به همه امکانات Weka را از طریق انتخاب منوها و پر کردن فرمها فراهم میآورد. شکل 2،نمای Explorer را نشان میدهد. در این واسط، شش پانل مختلف وجود دارد که از طریق نوار بالای صفحه قابل انتخاب هستند و با وظایف داده کاوی پشتیبانی شده توسط Weka متناظر میباشند.

شکل 2. واسط گرافیکیExplorer

به طور خلاصه، کارکرد تمام گزینه ها به شرح ذیل است

    Preprocess: انتخاب مجموعه داده و اصلاح آن از راههای گوناگون
     Classify: آموزش برنامه‌های یادگیری که رده‌بندی یا رگرسیون انجام میدهند و ارزیابی آنها
     Cluster: یادگیری خوشه‌ها برای مجموعه های داده
     Associate: یادگیری قواعد انجمنی برای داده‌ها و ارزیابی آنها
     Select attributes: انتخاب مرتبط‌ترین جنبه ها در مجموعه های داده
     Visualize: مشاهده نمودارهای مختلف دوبعدی داده‌ها و تعامل با آنها

در بخشهای بعدی به تشریح گزینه‌های مذکور و بیان جزئیات کار با هرکدام خواهم پرداخت.

Weka Explorer امکان رده بندی دارد، چنانچه به کاربران اجازه میدهد به صورت تعاملی اقدام به ساخت درخت تصمیم‌گیری کنند. Wekaنمودار پراکندگی داده‌ها را نسبت به دو ویژگی انتخاب شده، فراهم میآورد. وقتی زوج ویژگی‌ای که رده‌ها را به خوبی جدا میکند، پیدا شد، امکان ایجاد دو شاخه با کشیدن چند ضلعی اطراف نقاط داده‌ها بر نمودار پراکندگی وجود دارد.

هر نوار، دسترسی به دامنه کاملی از امکانات را فراهم میکند. در پایین هر پانل، جعبه status و دکمه log قرار دارد. جعبه status پیغامهایی است که نشان میدهد چه عملیاتی در حال انجام داده شدن است. مثلاً اگر Explores مشغول خواندن یک فایل باشد، جعبه status آن را گزارش میدهد. کلیک راست در هر جا داخل این جعبه یک منو کوچک با دو گزینه میآورد، نمایش میزان حافظه در دسترس Weka و اجرای Java garbage collector .
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
لازم است توجه شود که garbage collector به طور ثابت به عنوان یک عمل پیش زمینه در هر حال اجرا میشود کلیک دکمه log ، گزارش عملکرد متنی کارهایی که Weka تاکنون در این بخش انجام داده است با برچسب زمانی ارایه میکند.

زمانیکه Weka در حال عملیات است، پرنده کوچکی که در پایین سمت راست پنجره است، بالا و پایین میپرد. عدد پشت × نشان میدهد که به طور همزمان چند عملیات در حال انجام است. اگر پرنده بایستد در حالیکه حرکت نمیکند، او مریض است! اشتباه رخ داده است و باید Explorer از نو اجرا شود.

 

3-1-1 Preprocess

الف- خواندن و فیلتر کردن فایلها

  در بالای پانل Preprocess در شکل 2، دکمه‌هایی برای باز کردن فایل، URL ها و پایگاه های داده وجود دارد. با کلیک بر روی دکمه open File، در ابتدا تنها فایلهای با پسوند arff در browser فایل نمایش داده میشود. برای دیدن سایر فایلها یاید گزینه Format در جعبه انتخاب فایل تغییر داده شود.

شکل 3. باز کردن فایل

در بخشهای بعدی به تشریح گزینه‌های مذکور و بیان جزئیات کار با هرکدام خواهم پرداخت.

Weka Explorer امکان رده بندی دارد، چنانچه به کاربران اجازه میدهد به صورت تعاملی اقدام به ساخت درخت تصمیم‌گیری کنند. Wekaنمودار پراکندگی داده‌ها را نسبت به دو ویژگی انتخاب شده، فراهم میآورد. وقتی زوج ویژگی‌ای که رده‌ها را به خوبی جدا میکند، پیدا شد، امکان ایجاد دو شاخه با کشیدن چند ضلعی اطراف نقاط داده‌ها بر نمودار پراکندگی وجود دارد.

هر نوار، دسترسی به دامنه کاملی از امکانات را فراهم میکند. در پایین هر پانل، جعبه status و دکمه log قرار دارد. جعبه status پیغامهایی است که نشان میدهد چه عملیاتی در حال انجام داده شدن است. مثلاً اگر Explores مشغول خواندن یک فایل باشد، جعبه status آن را گزارش میدهد. کلیک راست در هر جا داخل این جعبه یک منو کوچک با دو گزینه میآورد، نمایش میزان حافظه در دسترس Weka و اجرای Java garbage collector .

لازم است توجه شود که garbage collector به طور ثابت به عنوان یک عمل پیش زمینه در هر حال اجرا میشود کلیک دکمه log ، گزارش عملکرد متنی کارهایی که Weka تاکنون در این بخش انجام داده است با برچسب زمانی ارایه میکند.

زمانیکه Weka در حال عملیات است، پرنده کوچکی که در پایین سمت راست پنجره است، بالا و پایین میپرد. عدد پشت × نشان میدهد که به طور همزمان چند عملیات در حال انجام است. اگر پرنده بایستد در حالیکه حرکت نمیکند، او مریض است! اشتباه رخ داده است و باید Explorer از نو اجرا شود.

 

3-1-1 Preprocess

الف- خواندن و فیلتر کردن فایلها

  در بالای پانل Preprocess در شکل 2، دکمه‌هایی برای باز کردن فایل، URL ها و پایگاه های داده وجود دارد. با کلیک بر روی دکمه open File، در ابتدا تنها فایلهای با پسوند arff در browser فایل نمایش داده میشود. برای دیدن سایر فایلها یاید گزینه Format در جعبه انتخاب فایل تغییر داده شود.

شکل 3. باز کردن فایل

 

ب- تبدیل فایلها به فرمت ARFF

نرم افزار Weka دارای سه مبدل فرمت فایل میباشد، برای فایلهای صفحه گسترده با پسوند CSV ، فرمت فایل C4.5 با پسوند .namesو data و برای نمونه های سری با پسوند.bsi .

اگر Weka قادر به خواندن داده ها نباشد، سعی میکند آن را به صورت ARFF تفسیر کند. اگر نتواند پیغام نشان داده شده در شکل 4 (الف) ظاهر میشود. با انتخاب گزینه Use Convertor، پیغام شکل 4 (ب) ظاهر میشود

شکل4 (الف) پیغام خطا

 

شکل4 (ب) ویرایشگر

  این، یک ویرایشگر عمومی اشیاء است که در Weka برای انتخاب و تنظیم اشیا بکار میرود. به عنوان مثال وقتی پارامتری برای Classifier تنظیم میشود، جعبه ای با نوع مشابه بکار برده میشود. CSV Loader برای فایلهای با پسوند .CSVبه طور پیش فرض انتخاب میشود. دکمه More اطلاعات بیشتری در مورد آن میدهد که در شکل 4 (ج) نشان داده شده است.

همیشه مطالعه مستندات ارزشمنداست، در این حالت نشان میدهد که ردیف نخست صفحه گسترده، نام ویژگی را تعیین میکند. برای استفاده از این مبدل باید بر Ok کلیک شود. برای مورد مختلف لازم است بر choose کلیک شود تا از لیست شکل 4 (د) انتخاب انجام شود.

  گزینه اول، Arffloader است و فقط به دلیل ناموفق بودن به این نقطه میرسیم.CSVLoader پیش فرض است و در صورت نیاز به فرض دیگر، choose کلیک میشود. دومین گزینه، مربوط به فرمت C4.5 است که دو فایل برای مجموعه داده وجود دارد یکی اسمها و دیگـری داده های واقعـی میباشد. چهارمین برای نمونه های سریالی، برای بازخوانی مجموعه داد‌ه‌ای است که به صورت شیئ سریالی شده جاوا ذخیره شده است. هر شیء در جاوا میتواند در این شکل ذخیره و بازخوانی شود. به عنوان یک فرمت بومی جاوا، سریعتر از فایل ARFF خوانده میشود چرا که فایل ARFF باید تجزیه و کنترل شود. وقتی یک مجموعه داده بزرگ مکررا بازخوانی میشود، ذخیره آن در این شکل سودمند است.

  ویژگیهای دیگر ویرایشگر عمومی اشیا در شکل 4 (ب)، save و open است که به ترتیب برای ذخیره اشیای تنظیم شده و بازکردن شیئی که پیش از این ذخیره شده است، به کار میرود. اینها برای این نوع خاص شیئ مفید نیستند. لکن پانلهای دیگر ویرایشگر عمومی اشیاء، خواص قابل ویرایش زیادی دارند. به دلیل مشکلاتی که ممکن است حین تنظیم مجدد آنها رخ دهد، میتوان ترکیب اشیاء ایجاد شده را برای استفاده‌های بعدی، ذخیره کرد.

  تنها منبع مجموعه‌های داده برایWeka ، فایلهای موجود روی کامپیوتر نیستند. میتوان یک URL را باز کرد تا Weka از پروتکل HTTP برای دانلود کردن یک فایل Arff از شبکه استفاده کند. همچنین میتوان یک پایگاه داده‌ها را باز نمود ( open DB ـ هر پایگاه دادهای که درایور اتصال به مجموعه های داده به زبان جاوا JDBC را دارد.) و به وسیله دستور select زبان SQL ، نمونه‌ها را بازیابی نمود. داده‌ها میتوانند به کمک دگمه save به همه فرمتهای ذکر شده، ذخیره شوند. جدای از بحث بارگذاری و ذخیره مجموعه‌های داده، پانل preprocess به کاربر اجازه فیلتر کردن داده‌ها را میدهد. فیلترها، اجزای مهم Weka هستند.

بعد از اینکه فایل بارگذاری شد، Weka فیلدها را تشخیص میدهد و حین بررسی آنها، اطلاعات آماری پایهای را برای هر کدام از صفات محاسبه میکند. همان طور که در شکل 5 نشان داده شده است، لیست صفات تشخیص داده شده، در سمت چپ، پایین و اطلاعات پایگاه داده مربوطه در بالای آن نشان داده میشود.

 

شکل5. بانک اطلاعاتیbank-data.csv

با کلیک برروی هر کدام از صفات، میتوان اطلاعات آماری اصلی آن را در سمت راست مشاهده نمود. به عنوان مثال شکل 6 از انتخاب فیلد age نتیجه شده است.

نمودار ترسیم شده در سمت راست، پایین، بر اساس دو فیلد است. فیلد دوم به صورت پیشفرض، آخرین فیلد در پایگاه داده است که میتوان آن را به دلخواه تغییر داد.

 azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com

شکل6. اطلاعات آماری فیلد age

 

ج- به کارگیری فیلترها

با کلیک دگمهchoose (گوشه بالا و سمت چپ) در شکل 3 میتوان به لیستی از فیلترها دست یافت. میتوان از فیلترها برای حذف ویژگیهای مورد نظر از یک مجموعه داده و یا انتخاب دستی ویژگیها استفاده نمود. مشابه این نتیجه را میتوان به کمک انتخاب ویژگیهای مورد نظر با تیک زدن آنها و فشار دادن کلیه Remove به دست آورد.

شکل 7 مراحل لازم برای حذف فیلد id از بانک اطلاعاتی، با استفاده از روش اول را نشان میدهد.


شکل 6 (الف). انتخاب فیلتر Remove

 


شکل 6 (ب). وارد کردن شماره فیلد مورد نظر

 

شکل 6 (ج).انتخاب گزینه Apply و حذف فیلد id

یکی دیگر ازفیلترهای موجود، Discretize است که با استفاده از آن میتوان مقادیریک صفت پیوسته را به تعداد دلخواه بازه گسسته تبدیل کرد. شکل7 مراحل لازم برای شکستن مقادیر صفت age به 3 بازه را نشان میدهد.

 

شکل7 (الف). انتخاب فیلتر Discretize

 

شکل7 (ب). وارد کردن شماره فیلد مورد نظر و انجام تنظیمات

 

شکل 7 (ج).انتخاب گزینه Apply

3-1-2 Classify

الف- الگوریتمهای رده‌بندی

Weka الگوریتمهای classification و prediction بسیار متنوعی را پیاده‌سازی میکند. الگوریتمهای رده‌بندی، به رده‌بندهای Bayesian، functions،lazy ،meta ، misc، trees و rules تقسیم شده‌اند. جدول شکل 8، لیست اسامی رده بندهای Weka را نمایش میدهد.

 

  شکل 8 (الف). الگوریتمهای رده بندی در Weka


شکل 8 (ب). الگوریتمهای رده بندی در Weka

دراین قسمت برخی از اسامی رده‌بندیهای Weka معرفی میشوند.

     Trees

    ü Decision stumpکه برای استفاده توسط روشهای boosting طراحی شده است، برای مجموعه‌های داده عددی یا رده‌ای، درخت تصمیم‌گیری یک سطحی میسازد. این الگوریتم، با مقادیر از دست رفته، به صورت مقادیر مجزا برخورد کرده و شاخه سومی از درخت توسعه میدهد

     Rules
        ü Decision Tableیک رده‌بندی بر اساس اکثریت جدول تصمیم‌گیری میسازد. این الگوریتم، با استفاده از جستجوی اولین بهترین، زیر دسته‌های ویژگیها را ارزیابی میکند و میتواند از اعتبارسنجی تقاطعی برای ارزیابی بهره برد. (Kohavi 1995 )
        یک امکان این است که به جای استفاده از اکثریت جدول تصمیم‌گیری که بر اساس دسته ویژگیهای مشابه عمل میکند، از روش نزدیکترین همسایه برای تعیین رده هر یک از نمونه‌ها که توسط مدخل (Entry) جدول تصمیمگیری پوشش داده نشده‌اند، استفاده شود.
        ü   Conjunctive Ruleقاعده‌ای را یاد میگیرد که مقادیر رده‌های عددی را پیشبینی میکند. نمونه‌های آزمایشی به مقادیر پیش فرض رده نمونه‌های آموزشی، منسوب میشوند. سپس تقویت اطلاعات (برای ردههای رسمی)، یا کاهش واریانس (برای ردههای عددی) مربوط به هر والد محاسبه شده و به روش هرس کردن با خطای کاهش یافته (Reduced-error pruning) ، قواعد هرس میشوند.
        ü  ZeroRبرای رده‌های اسمی، اکثریت داده‌های مورد آزمایش و برای رده‌های عددی، میانگین آنها را پیشبینی میکند. این الگوریتم بسیار ساده است.
        ü M5Rulesبه کمک M5 از روی درختهای مدل، قواعد رگرسیون استخراج میکند.
        
        در این بخش به شرح مختصری برخی از این الگوریتم‌ها و پارامترهایشان که قابلیت کار با ویژگی های عددی را دارند، پرداخته میشود.

     Functions
        ü   Simple Linear Regressionمدل رگرسیون خطی یک ویژگی مشخص را یاد میگیرد، آنگاه مدل با کمترین خطای مربعات را انتخاب میکند. در این الگوریتم، مقادیر از دست رفته و مقادیر غیرعددی مجاز نیستند.
        ü Linear Regressionرگرسیون خطی استاندارد با کمترین خطای مربعات را انجام میدهد و میتواند به طور اختیاری به انتخاب ویژگی بپردازد، این کار میتواند به صورت حریصانه، با حذف عقب رونده (Backward elimination) انجام شود، یا با ساختن یک مدل کامل از همه ویژگیها و حذف یکی یکی جمله‌ها با ترتیب نزولی ضرایب استاندارد شده آنها، تا رسیدن به شرط توقف مطلوب انجام گیرد.
        ü   Least Med sq یک روش رگرسیون خطی مقاوم است که به جای میانگین مربعات انحراف از خط رگرسیون، میانه را کمینه میکند. این روش به طور مکرر رگرسیون خطی استاندارد را به زیرمجموعه‌هایی از نمونه‌ها اعمال میکند و نتایجی را بیرون میدهد که کمترین خطای مربع میانه را دارند.
        ü   SMOreg الگوریتم بهینه سازی حداقل ترتیبی را روی مسایل رگرسیون اعمال میکند.
        ü   Pace Regression ، با استفاده از تکنیک رگرسیون pace ، مدلهای رگرسیون خطی تولید میکند. رگرسیونpace ، زمانی که تعداد ویژگیها خیلی زیاد است، به طور ویژهای در تعیین ویژگیهایی که باید صرفنظر شوند، خوب عمل میکند. در واقع در صورت وجود نظم و ترتیب خاصی، ثابت میشود که با بینهایت شدن تعداد ویژگیها، این الگوریتم بهـینه عمل میکند.
        ü RBF Network یک شبکه با تابع پایهای گوسی شعاعی را پیاده سازی میکند. مراکز و عرضهای واحدهای مخفی به وسیله روش میانگین (K-means)K تعیین میشود. سپس خروجیهای فراهم شده از لایه‌های مخفی (Hidden layer) ، با استفاده از رگرسیون منطقی در مورد رده‌های اسمی و رگرسیون خطی در مورد رده‌های عددی، با یکدیگر ترکیب میشوند. فعال سازیهای توابع پایه پیش از ورود به مدلهای خطی، با جمع شدن با عدد یک، نرمالیزه میشوند. در این الگوریتم میتوان K، تعداد خوشه‌ها، بیشترین تعداد تکرارهای رگرسیونهای منطقی برای مسأله‌های رده‌های رسمی، حداقل انحراف معیار خوشه‌ها، و مقدار بیشینه رگرسیون را تعیین نمود. اگر رده‌ها رسمی باشد، میانگین K به طور جداگانه به هر رده اعمال میشود تا K خوشه مورد نظر برای هر رده استخراج گردد.
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
      رده بندهای Lazy

  یادیگرنده‌های lazy نمونه‌های آموزشی را ذخیره میکنند و تا زمان رده بندی هیچ کار واقعی انجام نمیدهند.

    ü   IB1یک یادگیرنده ابتدایی بر پایه نمونه است که نزدیکترین نمونه‌های آموزشی به نمونه‌های آزمایشی داده شده را از نظر فاصله اقلیدسی پیدا کرده و نزدیکترین رده‌ای مشابه رده همان نمونه‌های آموزشی را تخمین میزند.
    ü   IBKیک رده بند با K همسایه نزدیک است که معیار فاصله ذکر شده را استفاده میکند. تعداد نزدیکترین فاصله‌ها (پیش فرض k=1 )، میتواند به طور صریح در ویرایشگر شیء تعریف شود. پیشبینی‌های متعلق به پیش از یک همسایه میتواند بر اساس فاصله آنها تا نمونه‌های آزمایشی، وزندار گردد.
    دو فرمول متفاوت برای تبدیل فاصله به وزن، پیاده سازی شده‌اند. تعداد نمونه‌های آموزشی که به وسیله رده بند نگهداری میشـود، میتواند با تنظـیم گزیـنه اندازه پنجره محدود گردد. زمانی که نـمونه‌های جدید اضافه میشوند، نمونه‌های قدیمی حذف شده تا تعداد کل نمونه‌های آموزشی در اندازه تعیین شده باقی بماند.
    ü Kstar یک روش نزدیکترین همسایه است که از تابع فاصلهای عمومی شده بر اساس تبدیلات استفاده میکند.
    ü LWL یک الگوریتم کلی برای یادگیری وزن دار شده به صورت محلی است. این الگوریتم با استفاده از یک روش بر پایه نمونه، وزنها را نسبت میدهد و از روی نمونه‌های وزندار شده، رده‌بند را میسازد. رده‌بند Nave Bayes، در ویرایشگر شیء LWL انتخاب میشود. برای مسایل رده بندی و رگرسیون خطی برای مسایل رگرسیون، انتخابهای خوبی هستند. میتوان در این الگوریتم، تعداد همسایه‌های مورد استفاده را که پهنای باند هسته و شکل هسته مورد استفاده برای وزن دار کردن را (خطی، معکوس، یا گوسی) مشخص میکند، تعیین نمود. نرمال سازی ویژگیها به طور پیش فرض فعال است.

الف- نحوه کار با پانل classify

تا اینجا به صورت تئوری الگوریتمهای رده‌بندی را معرفی کردیم. درادامه با یک مثال عملی نحوه کار با classifier ها را نشان میدهیم.

در این قسمت، بانک اطلاعاتی bank-data-final به عنوان فایل نمونه در نظر گرفته میشود. بعد از باز کردن فایل مورد نظر و با کلیک بر روی پانل classify، پنجرهای مطابق شکل 9 باز میشود.

 

شکل 9 . انتخاب پانل classify

با کلیک دگمه choose در پانل classifyمیتوان الگوریتم رده‌بندی مورد نظر را انتخاب نمود (شکل 10). دراین مثال، الگوریتم J48 را انتخاب میکنیم. زمانی که یک الگوریتم رده‌بندی انتخاب میشود، نسخه خط فرمانی (Command line) رده بند در سطری نزدیک به دگمه ظاهر میگردد. این خط فرمان شامل پارامترهای الگوریتم است که با خط تیره مشخص میشوند. برای تغییر آنها میتوان روی آن خط کلیک نمود تا ویرایشگر مناسب شیء باز شود (شکل11). در این مثال همان مقادیر پیشفرض را میپذیریم.


شکل 10. انتخاب الگوریتم ردهبندی

 

شکل 11. تنظیم پارامترهای الگوریتم رده بندی

باکلیک بر روی دکمه start مدل مورد نظر تولید میشود (شکل12).


شکل 12. مدل حاصل از اجرای الگوریتم رده بندی

با راست کلیک بر روی مجموعه جواب در پانل Result list در سمت چپ میتوان نتیجه را در پنجرهای جداگانه، و یا شکل گرافیکی درخت حاصل از رده بندی را مشاهده نمود. (شکل 13) توجه کنید که در شکل 13(ب) باراست کلیک برروی یک قسمت خالی ازصفحه میتوان نحوه نمایش درخت را به دلخواه تنظیم کرد.

 

شکل 13(الف)

 

شکل 13(ب). درخت حاصل از رده بندی

3-1-3 Cluster

فایل نمونه مورد استفاده در این قسمت bank-data.csv است که در مرحله preprocess فیلد id را از آن حذف میکنیم (شکل14).

 

شکل 14. بارگذاری فایل نمونه

میشود. بعد از باز کردن فایل مورد نظر و با کلیک بر روی پانل cluster پنجرهای مطابق شکل 15 باز میشود.

 azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com