|
|
|
نوشته شده توسط : مطلب پروژه
آموزش و انجام پروژه های داده کاوی با نرم افزارهای rappidminer وکا و کلمنتاین
انجام پروژه های داده کاوی با نرم افزار RapidMiner
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
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
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
دانلود نرم افزار داده کاوی رپیدماینر RapidMiner
بنابر تحقیقات انجام شده نرم افزار RapidMiner یکی از پرکاربرد ترین نرم افزارهای داده کاوی طی سال های اخیر بوده است. متن باز بودن و استفاده از کتابخانه های آن برای برنامه نویسان به همراه امکان استفاده از محیط گرافیکی آن بدون استفاده از دانش برنامه نویسی باعث گشته طیف متنوعی از کاربران به سراغ این ابزار متمایل گردند. تنوع الگوریتم های آماده سازی و مدلسازی در این ابزار باعث شده تا بسیاری از پروژه های تحقیقاتی، آکادمیک و همچنین پروژه های اجرایی حداقل بخشی از روند پیاده سازی مدل ها را در این ابزار مورد آزمایش قرار دهند.
برای دانلود نرم افزار داده کاوی رپیدماینر کلیک کنید .
آموزش نرم افزار داده کاوی وکا weka
آموزش نرم افزار داده کاوی وکا Weka
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
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.
1- معرفی نرم افزار Weka
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
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.
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.
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
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.
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
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
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
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؟ »
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
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.
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
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
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.
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
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.
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
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.
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
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.
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
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
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
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
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.
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
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.
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
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
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.
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
شکل 13(الف)
شکل 13(ب). درخت حاصل از رده بندی
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
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.
شکل 15 . انتخاب پانل cluster
Weka الگوریتمهای خوشه‌بندی (clustering) متنوعی را پیاده‌سازی میکند. با کلیک دگمه choose در پانل cluster میتوان الگوریتم خوشه‌بندی مورد نظر را انتخاب نمود (شکل 16). دراین مثال، الگوریتم SimpleKMeans را انتخاب میکنیم. زمانی که یک الگوریتم خوشه‌بندی انتخاب میشود، نسخه خط فرمانی الگوریتم خوشه‌بندی 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 (شکل17). در این مثال تعداد کلاسترها را 6 تا تنظیم میکنیم.
شکل 16. انتخاب الگوریتم خوشه‌بندی
شکل 17. تنظیم پارامترهای الگوریتم خوشه‌بندی
باکلیک بر روی دکمه start مدل مورد نظر تولید میشود (شکل18).
شکل 18. مدل حاصل از اجرای الگوریتم خوشه‌بندی
با راست کلیک بر روی مجموعه جواب در پانل Result list در سمت چپ-پایین و انتخاب گزینهی "View in separate window "میتوان نتیجه را در پنجرهای جداگانه مشاهده نمود (شکل 19). همانطور که میبینید، اطلاعات آماری مربوط به هرکلاستر، از جمله مرکز ثقل هر کلاستر، تعداد و درصد اعضای هر کلاستردر این پنجره قابل مشاهده است.
شکل 19. نتیجه حاصل از اجرای الگوریتم خوشه‌بندی
روش دیگر برای کسب اطلاعات در مورد هرکلاستر، مصورسازی است. با راست کلیک بر روی مجموعه جواب در پانل Result list در سمت چپ و انتخاب گزینهی " Visualize cluster assignments" پنجرهای مطابق شکل20(الف) باز میشود. انتخابهای مختلف برای هرکدام از سه بعد نمودارحاصل (محور X، محور Y، رنگ) نمودارهای مختلفی را نتیجه میدهد که میتوان از آنها اطلاعات مورد نظر را بدست آورد.به عنوان مثال در شکل20(ب)، محور Xها نماینده شماره کلاستر، محور Yها نماینده شماره نمونه در بانک اطلاعاتی، و رنگها نماینده جنسیت هستند (قرمز: مرد، آبی: زن). همانطورکه مشاهده میشود کلاستر2 بیشتر توسط زنان احاطه شده است و کلاستر4 توسط مردان.
شکل20 (الف)
شکل20 (ب) مصورسازی نتیجه حاصل از clustering
علاوه بر این ممکن است علاقه‌مند باشیم که بدانیم هر نمونه در بانک اطلاعاتی، به کدام کلاستر اختصاص داده شده است. برای این منظور در پنجره شکل 20(ب)، گزینه save را انتخاب میکنیم و فایل مورد نظر را با نام " bank-data-Kmeans" ذخیره میکنیم. فایل حاصل رامیتوان از طریق یک نرم‌افزار پردازش متن مثل Notepad یا word باز کرد. بخش ابتدایی این فایل در شکل21 نشان داده شده است. همانطورکه مشـاهده میکنید، Weka ویژگی جدیدی به نام Cluster را به مجموعه ویژگیهای موجود اضافه کرده است.
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
شکل21. نتیجه اختصاص نمونه‌ها به کلاسترها
3-1-4 Associate
در این قسمت میتوان قوانین Association حاکم بربانک اطلاعاتی را با استفاده از الگوریتمهای مختلف بدست آورد.
فایل نمونه مورد استفاده در این بخش bank-data-final.arff است که در مرحله preprocess فیلد id از آن حذف شده و مقادیرصفات age و income به صورت گسسته در آمده است (شکل22).
شکل 22. بارگذاری فایل نمونه
بعد از باز کردن فایل مورد نظر و با کلیـک بر روی پانل Associate پنجرهای مطـابق شکـل23 باز میشود.
شکل 23 . انتخاب پانل Associate
Weka الگوریتمهای association متفاوتی را پیاده‌سازی میکند. با کلیک دگمه choose در پانل Associate میتوان الگوریتم association مورد نظر را انتخاب نمود (شکل 24). دراین مثال، الگوریتم Apriori را انتخاب میکنیم. زمانی که یک الگوریتم انتخاب میشود، نسخه خط فرمانی آن الگوریتم 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 (شکل25). در این مثال همان پارامترهای پیشفرض را میپذیریم.
شکل 24. انتخاب الگوریتم association
شکل 25. تنظیم پارامترهای الگوریتم association
با کلیک بر روی گزینه More در شکل25، میتوان توضیحات لازم را درمورد هر کدام از پارامترها بدست آورد. شکل26 این توضیحات را نشان میدهد.
شکل 26. توضیحات بیشتردر مورد پارامترهای الگوریتم Apriori
بعد از تنظیم پارامترهای مورد نظر، با کلیک بر روی گزینه start، قوانین بدست آمده که بر اساس metric Type مرتب شده‌اند در صفحه اصلی نمایش داده میشوند.(شکل27)
شکل 27. نتیجه اجرای الگوریتم Apriori
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
با راست کلیک بر روی مجموعه جواب در پانل Result list در سمت چپ و انتخاب گزینهی مورد نظر، میتوان نتایج بدست آمده را در پنجرهای جداگانه نمایش داد و یا قوانین بدست آمده را به فرمت دلخواه (.csv, .arff, .txt) ذخیره کرد. شکل28 گزینه‌های موجود را نشان میدهد.
شکل 28. ذخیره قوانین بدست آمده
Rapidminer
دانلود نرم افزار قدرتمند داده کاوی RapidMiner
دانلود نرم افزار رپیدماینر
انجام پروژه های داده کاوی با نرم افزار Clementine12
انجام پروژه های داده کاوی با نرم افزار Clementine12
کارگاه تخصصی فرایند داده کاوی با نرم افزار Clementine 12
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
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
چگونگی تشخیص و برخورد با داده های گمشده
خوشه بندی
قواعد تلازمی
دسته بندی و پیش بینی - درخت تصمیم ، شبکه های عصبی ...
تحلیل و تفسیر داده ها
و . . .
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
پروژه آماده داده کاوی با نرم افز Weka - Clementine 12 - RapidMiner
انجام پروژه های داده کاوی با نرم افزار weka
انجام پروژه های داده کاوی با نرم افزار
مقاله های مرتبط
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
داستان "اسنپ" چیست؟ - 1396-01-30
مقایسه اپلیکیشن‌های اسنپ (Snapp) و تپ۳۰ (TAP30): با کدام‌یک سفر کنم؟ - 139630
کاربرد پیش بینی در شرکت های ایرانی 11
سخنی با اساتید محترم دانشگاه پیرامون انتخاب موضوعات پایان نامه مرتبط با الگوریتم های هیورستیک - 1311
بازاریابی
داده کاوی
طراحی سایت
بازاریابی شبکه ای چیست ؟
دانلود کتاب بیندیشید و ثروتمند شوید
«بیندیشید و ثروتمند شوید» ناپلئون هیل
نسخه‌ی زبان اصلی، کامل و با کیفیت کتاب « بیندیشید و ثروتمند شوید » را با فرمت PDF
هدف بازاریابی شبکه ای چیست ؟
بازاریابی شبکه‌ای چیست
بازاریابی شبکه ای چیست ؟
برترین ها
جدیدترین
دسته بندی
طراحی اپلیکیشن مانند اسنپ (تاکسی یات)
همه چیز درباره ی کاهش بعد داده ها با روش PCA
آشنایی با الگوریتم های داده کاوی
متن کاوی چیست؟
انجام پروژه ها و پایان نامه های داده کاوی ، یادگیری عمیق ، متن کاوی
آموزش و انجام پروژه های داده کاوی با نرم افزارهای rappidminer وکا و کلمنتاین
الگوریتم های خوشه بندی فازی
سخنی با اساتید محترم دانشگاه پیرامون انتخاب موضوعات پایان نامه مرتبط با الگوریتم های هیورستیک
داده کاوی و کاربرد آن در تشخیص بیماری ها ( دیابت )
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
:: موضوعات مرتبط:
222222222 ,
,
:: بازدید از این مطلب : 508
|
امتیاز مطلب : 0
|
تعداد امتیازدهندگان : 0
|
مجموع امتیاز : 0
تاریخ انتشار : چهار شنبه 23 بهمن 1398 |
نظرات ()
|
|
نوشته شده توسط : مطلب پروژه
پروژه های داده کاوی با نرم افزار Clementone12
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
پروژه های داده کاوی با نرم افزار Clementone12
انجام پروژه های داده کاوی با نرم افزار کلمنتاین Clementine12 ، رپید ماینر RapidMiner ، وکا Weka
انجام پروژه های داده کاوی با نرم افزار SPSS Modeler 14.2
انجام پروژه های داده کاوی با نرم افزار کلمنتاین Clementine12
انجام پروژه های داده کاوی با نرم افزار رپید ماینر rapidminer
انجام پروژه های داده کاوی با نرم افزار وکا weka
کاربرد داده کاوی در بیماری سرطان
کاربرد داده کاوی در تحلیل سبد بازار
کاربرد داده کاوی در بیمه
کاربرد داده کاوی در پیش بینی عود مجدد سرطان پستان
کاربرد داده کاوی در پیش بینی بیماری قلبی
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
کاربرد داده کاوی در تشخیص بیماری افسردگی
انجام پروژه های داده کاوی با نرم افزار وکا weka
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
ررسی خروجی الگوریتم های طبقه بندی در Weka
رای درک بهتر گزارش خروجی های weka بعد از اجرای هر الگوریتم (الگوریتم های طبقه بندی) توضیح مختصری در مورد قسمتهای مهم آن در ادامه آورده شده است، و نکاتی که هر مورد می توانند در بررسی قدرت و دقت مدل برای ما مشخص کنند بیان شده است.
مهمترین خروجی Correctly Classified Instances که تعداد و درصد نمونه هایی که درست شناسایی شده اند را مشخص می کند در واقع این عدد معیاری است برای ارزیابی میزان صحت و دقت عملکرد سیستم (مدل) بدست آمده، به طور مثال در این جا به ما نشان می دهد که این مدل تا چه حدی در تشخیص نوع برنامه های مضر/ ملور ها موفق بوده است، علاوه بر الگوریتم طبقه بندی انتخاب شده و پارامترهای الگوریتم که توسط ما به صورت دستی برای سیستم قبل از شروع آموزش انتخاب می شود، نمونه های جمع آوری شده و خصوصیات/ ویژگی های استخراج و انتخاب شده برای نمونه ها (در اینجا ملورها) نیز موثر می باشد، درصورتیکه نمونه ها با توزیع خوبی جمع آوری نشود به طوری که کل فضای آزمایش شما را پوشش ندهد سیستم نمی تواند همه کلاس ها را به خوبی شناسایی کند و یا بعد از آموزش در شناخت موارد جدید به خوبی عمل نخواهد کرد،درصورتیکه برای بردار ویژگی/ خصوصیت، مواردی انتخاب نشود که بردار ویژگی نماینده دقیقی از موارد مورد مطالعه باشد، به طور مثال در اینجا خصوصیات انتخاب شده به خوبی نشانگر رفتار ملورها نباشند، مسلما نتایج دلخواه بدست نخواهد آمد. البته نتایج ضعیف طبقه بندی ممکن آست ناشی از ضعف الگوریتم انتخاب شده و یا انتخاب اشتباه پارامترهای آن باشد، نتایج خوب بدست آمده در آزمایشات انجام شده در این پروژه بر روی طیف گستردهای از الگوریتم ها نشانگر آن است که ویژگی های خوبی از گزارشات رفتار ملورها استخراج شده است. نتایج طبقه بندی هم برای آموزش سیستم و هم برای تست آن در برابر داده های جدید می توان مشاهده نمود، که معمولا ابتدا سیستم با ۷۰% data set (مجوعه نمونه ها) آموزش داده می شود و سپس با ۳۰% نمونه های باقیمانده تست خواهد شد. در حالت تست داده ها را همراه جواب به سیستم می دهیم تا آموزش دیده و الگو های کلی هر کلاس را استخراج کرده و یاد بگیرد و پارامتر های خود را تنظیم کند و مدل ساخته شود، سپس مدل را با روی نمونه های جدید که جواب (کلاس) آن را نمی داند تست می کنیم، در هر مورد گزارش weka اکثر موارد مانند correctness rate ثابت است. البته ممکن است برای آموزش و تست سیستم از روش cross-validation استفاده شود، که در این روش شما در انتها یک جواب را مشاهده می کنید که در واقع میانگین جواب برای تست تعداد fold هایی است که برای تست انتخاب شده اند بعد از آموزش سیستم توسط بقیه نمونه ها.
مورد مهم بعدی در خروجی weka ، Incorrectly Classified Instances می باشد که تعداد و درصد نمونه هایی است که غلط طبقه بندی شده اند و سیستم (مدل) کلاس آن ها را به درستی شناسایی نکرده است.
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
Confusion Matrix نیز در خروجی weka قابل مشاهده می باشد، که برای بررسی دقیقتر مدل لازم است
Confusion Matrix ماتریس مربعی است که به تعداد کلاس ها سطر و ستون دارد، و اگر به طور مثال i عنصری قطر اصلی باشد در سطر و ستون j ، مقدار آن نشانگر تعداد نمونه هایی از کلاس j در data set می باشد که به درستی طبقه بندی شده اند، و اگر در سطر j مقدار سابرخانه ی سایر ستون ها که بر قطر اصلی نیستند غیر صفر باشد، به طور مثال خانه ای در سطر j و ستون k ، مقدار آن نشانگر تعداد نمونه های کلاس j است که به اشتباه در کلاس k توسط سیستم طبقه بندی شده اند. با بررسی این ماتریس می توان به طور دقیف فهمید که ضعف مدل در شناسایی چه کلاس هایی است و مدل توانسته چه کلاس هایی را به خوبی یاد گرفته و شناسایی کند، و یا اینکه چه کلاس هایی توسط مدل با هم اشتباه گرفته می شوند ، به این معنی که ممکن است تعداد زیادی از نمونه های یک کلاس در کلاس دیگر طبقه بندی شده باشند. ضعف سیستم در شناسایی یک کلاس ممکن است ناشی از انتخاب نمونه های بد برای آن کلاس باشد که نمایانگر الگوی رفتاری و خصوصیات آن کلاس نباشند، و یا ویژگی هایی که از نمونه ها استخراج شده اند ویژگی های خوبی نباشند، البته خروجی های ضعیف سیستم ممکن است دلایل دیگری نیز داشته باشد.
بسیاری از مواردی که در خروجی های weka دقیقا در قسمت بالای confusion matrix مشاهده می کنید از روی این ماتریس قابل محاسبه می باشد، برای آشنایی بیشتر با سایر موارد در گزارشات خروجی weka می توانید به manual آن مراجعه کنید که عموما در جایی که weka نصب شده کپی می شود.
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
:: موضوعات مرتبط:
222222222 ,
,
:: بازدید از این مطلب : 464
|
امتیاز مطلب : 0
|
تعداد امتیازدهندگان : 0
|
مجموع امتیاز : 0
تاریخ انتشار : چهار شنبه 23 بهمن 1398 |
نظرات ()
|
|
نوشته شده توسط : مطلب پروژه
انجام سمینارهای داده کاوی
انجام پروژه درس سمینار کارشناسی ارشد کامپیوتر با کمترین قیمت
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
سمینارهای داده کاوی در موضوعات:
پیش بینی مدیریت ریسک مشتریان بانک با ابزارهای داده کاوی
کشف تقلب در بیمه با ابزارهای داده کاوی
بررسی روشهای دسته بندی در برای تشخیص کلاهبرداری در حوزه بانکداری
ارائه مدلی برای تشخیص خرابی قطعات با استفاده از تکنیک های داده کاوی
مدیریت ریسک در شبکه های کامپیوتری با استفاده از داده کاوی
کاربرد الگوریتم ایمنی مصنوعی در خوشه یابی داده ها
پیش بینی بیماری دیابت با ابزارهای داده کاوی
بررسی اثر فرهنگ اسلامی بر رفتار شهروندی سازمانی با استفاده از داده کاوی
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
کاربرد داده کاوی در پزشکی
پیش بینی بیماری قلبی با ابزارهای داده کاوی
جهت مشاوره و سفارش لطفا تماس بگیرید
برچسب‌ها: رپیدماینر, انجام پروژه رپیدماینر, وکا, پروژه آماده, پروژه آماده رپیدماینر
مشاوره مراحل پایان نامه ارشد کامپیوتر
با توجه به اهمیت پایان نامه ارشد همواره دغدغه دانشجویان کارشناس ارشد به خصوص در رشته مهندسی کامپیوتر گرایش هوش مصنوعی و نرم افزار انتخاب موضوع و مراحل ایجاد پایان نامه است.
هم چنین بسیاری از دانشجویان تمایل دارند که شخصا به انجام و اجرای پایان نامه خود بپردازند. اما در مراحل انتخاب موضوع و نگارش پروپوزال دچار سردرگمی و ابهامات زیادی خواهد شد.
مشاوره نحوه انتخاب موضوع، نحوه جستجو و پیشنهاد موضوع، مشاوره چگونگی نوآوری در پایان نامه، انواع نوآوری در پایان نامه، جستجوی دیتاست جهت پروژه های داده کاوی، انتخاب از نرم افزارهای برتر در پایان نامه
و بسیاری نکته ها و تجربه هایی که این جانب با سابقه بالا در پژوهش در طول این سالها کسب کردم.
جهت مشاوره و سفارش لطفا تماس بگیرید
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
برچسب‌ها: رپیدماینر, انجام پروژه رپیدماینر, وکا, انجام پایان نامه داده کاوی, انجام پایان نامه ارشد
انواع پروژه های آماده رپیدماینر
پکیج کامل پروژه های رپیدماینر و وکا و متلب شامل:
مباحث داده کاوی در پزشکی
داده کاوی در مخابرات
داده کاوی در بانک
داده کاوی در بیمه
پیش بینی بیماری دیابت با روش های داده کاوی
پیش بینی بیماری قلبی با روش های داده کاوی
رتبه بندی اعتباری مشتریان بانک با روش های داده کاوی
خوشه بندی مشتریان
پیش بینی ریزش مشتری با داده کاوی
کشف تقلب در بانک
کشف پول شویی با روش های داده کاوی
و....
مجموعه داده مرتبط با موضوع، کد اجرای نرم افزار، فایل ورد توضیحات گام به گام نرم افزار، فیلم آ آموزش اجرا
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
برچسب‌ها: رپیدماینر, انجام پروژه رپیدماینر, وکا, انجام پایان نامه داده کاوی, پروژه آماده رپیدماینر
انجام پروژه های رپیدماینر و وکا و متلب
انجام پروژه های داده کاوی (Data Mining) در زمینه های رده 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
1 -Ann)شبکه عصبی مصنوعی)
2 - شبکه های عصبی مصنوعی (RBF)
3 - درخت تصمیم--هرس درخت تصمیم--درخت تصمیم با شاخص جینی و آنتروپی
4 - بگینگ و بوستینگ
5 - ماشین بردار پشتیبان
6-ماشین بردار پشتیبان با بهینه ساز ازدحام ذرات
8 - سیستم استنباط بیزین
10-الگوریتم ژنتیک , ازدحام ذرات
11-الگوریتم های فراابتکاری
12-قواعد همسایگی با fp-growth,apriory
13-تحلیل نتایج با رسم نمودار Roc
14-انواع مختلف روش های انتخاب ویژگی:شاخص ریلیف، ازدحام ذرات،شاخص جینی و ...
15-انواع روش های نمونه برداری و بیش نمونه گیری
16-روش های حل مشکل رده نامتوازن
17-تشخیص داده پرت با کانزدیکترین همسایه)Knn
18-تشخیص داده پرت محلی
انجام پروژه های رپیدماینر و وکا و متلب در کوتاهترین زمان ممکن با کمترین قیمت با مشاوره وآموزش اجرای پروژه
انجام پروژه های داده کاوی با مشاوره و آموزش اجرا جهت ارایه پروژه
در صورت ارایه پروژه فیلم آموزشی کار با نرم افزار و اجرای پروژه تحویل داده خواهد شد.
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
برای سفارش پروژه لطفا تماس بگیرید.
برچسب‌ها: رپیدماینر, انجام پروژه رپیدماینر, وکا, متلب, پروژه داده کاوی با متلب
:: موضوعات مرتبط:
222222222 ,
,
:: بازدید از این مطلب : 433
|
امتیاز مطلب : 0
|
تعداد امتیازدهندگان : 0
|
مجموع امتیاز : 0
تاریخ انتشار : چهار شنبه 23 بهمن 1398 |
نظرات ()
|
|
نوشته شده توسط : مطلب پروژه
دانلود کتاب weka
دانلود کتاب لاتین راهنمای weka
لینک مستقیم دانلود
لینک غیر مستقیم دانلود
انجام پروژه داده کاوی Data Mining weka orange spss rapidminer
داده کاوی چیست؟ چرا داده کاوی نیاز است؟
امروزه در اکثر سازمانها، داده‌ها به سرعت در حال جمع آوری و ذخیره شدن می باشند.اما می توان ادعا کرد که علیرغم این حجم انبوه‌داده‌ها، امروزه سازمانها با فقر دانش در تصمیم گیری روبرو هستند.
اهداف اصلی این گروه عبارتند از
ایجاد همافزایی با به اشتراک گذاشتن تجارب افراد در گروه
تحقیق و بررسی مباحث پیشرفته داده کاوی و ارائه آنها توسط افراد به گروه
کار گروهی بر روی پروژه های تحقیقاتی و کاربردی داده کاوی
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
** ایمیل (ضروری): مقطع تحصیلی : کارشناسی ارشدکارشناسیدکتریکاردانی دانشگاه و موسسه : دانشگاه آزاد اسلامیپیام نورسراسری روزانهسراسری شبانهعلمی کاربردیدوره مجازیسایر نوع کمک درخواستی : ارائه مقاله بیس و انتخاب موضوعمشاوره انجام پروپوزالمشاوره انجام فصلهای پایان نامهمقاله علمی پژوهشی، ISI, ISCآموزش نرم افزار و انجام پروزهپروژه پایان ترمپایان نامه کارشناسیتحقیق کلاسیتهیه پاورپوینت دفاعمقاله کنفرانسیارائه منابع و مقالات مفید توضیحات بیشتر: حتما ایمیل خودتان را بنویسید:
عنوان:..... hانجام پروژه مدلسازی و تحلیل داده کاویData Mining weka orange spss rapidminer بصورت آکادمیک و حرفه ای در سریعترین زمان ممکن
توضیح درخواست:..... جزئیات درخواست بیان شود
مقطع:..... دکتری؟ ارشد؟ لیسانس؟
زمان:.... مدت زمان پیشنهادی؟
دانشگاه:... دولتی؟ آزاد؟ پیام نور؟ بین الملل؟ موسسه؟
استاد راهنما مشاور:.... مشخصات و تخصص و زمینه کاری
نوع کمک درخواستی....:مراحل مورد نیاز
به مدیریت دپارتمان ایمیل نمائید:
برای ارسال پیام روی عکس زیر کلیک کنید
...
در صورت تمایل به سفارش طراحی و ساخت فایل پاورپوینت جلسه دفاع پایان نامه تان می توانید نمونه های کاری ما را در این زمینه مشاهده نمایید.
تنها لازمست با یک تماس تلفنی، موضوع پایان نامه خود را به علاوه توضیحات جانبی در این خصوص به ما ارائه دهید و در کوتاه ترین بازه زمانی آماده دریافت پاورپوینت مورد نظر خود باشید.
چگونه میتوان از این داده ها برای رفع مشکل تصمیم گیری مدیران استفاده نمود؟
داده کاوی عبارت است از: "استخراج اطلاعات و دانش و کشف الگوهای پنهان از پایگاه دادههای بسیار بزرگ"
چه موقع و کجا داده‌کاوی نیاز است؟
مسئله ای پیچیده و ناساختیافته و یا نیمه ساختیافته
دادههای مرتبط وجود داشته باشند و به آنها دسترسی داشت
داده ها در یکجا مجتمع شده و انباره داده ها ایجاد شود.
توانایی کامپیوترها امکان استفاده از نرم افزارهای مرتبط با داده کاوی را به ما بدهند
مدیران نیاز به استفاده از دانش استخراج شده از داده ها را حس کرده باشند
چگونه داده‌کاوی را به کار گیریم؟ فرایند داده‌کاوی
فرایند داده کاوی شامل مراحل زیر است.
یکی از متدولوژیهای انجام پروژه های داده کاوی متدولوژی CRISP است.
این متدلوژی از گامهای شناخت سیستم، شناخت داده‌ها، آماده سازی داده‌ها، مدلسازی، ارزیابی و توسعه سیستم تشکیل شده است.
پروژه های داده کاوی با
روش های
CLASSIFICATION
CLUSTERING
ASSOCIATION RULES
NAIVE BAYES
SVM: SUPPORT VECTOR MACHINE
BAGGING
BOOSTING
FPGROWTH
,...
ابزارهای
MATLAB
WEKA
RAPID MINER
MAGNUM OPUS
CLEMENTINE
DBMS_DATAMINING ORACLE 11G
توسط تیمی از دانشجویان و فارغ التحصیلان مقطع ارشد و دکتری دانشگاه صنعتی شریف آموزش و پیاده سازی می شود.
همچنین این تیم در زمینه های ذیل حاضر به همکاری با شرکت ها و سازمان های بزرگ می باشد:
2.انجام پروژه های انبار داده با استفاده از ابزارهای OBIEE و OWB و ODI
3.طراحی و پیاده سازی لایه ETL و DATA CLEANING&CLEANSING
4.مسلط به طراحی و ساخت CUBE های اطلاعاتی جهت استخراج گزارشات پیچیده تحلیلی و مدیریتی
4.انجام پروژه های مرتبط با FRUAD DETECTION , AML , ABNOMALY DETECTION
5.مشاوره انجام پایان نامه های کارشناسی ارشد, دکتری
6.مشاوره و انجام در زمینه ارائه مقالات در معتبرترین کنفرانس و ژورنالها
7.مشاوره و انجام در پروژه های سیستمهای اطلاعات مدیریت
به مدیریت دپارتمان ایمیل نمائید:
roya64.ahmadi@gmail.com
برای ارسال پیام روی عکس زیر کلیک کنید
کلاس آموزش فرآیند داده کاوی همراه با نرم IBM Spss Modeler14.2(Clementine12 ::
آموزش IBM SPSS Modeler 14.2 در محل شما :
انجام پروژه های داده کاوی با نرم افزار RapidMiner ::٩/۱٩
آموزش نرم افزار Clementine 12 :: ۱٢/
مشاوره در زمینه پروژه های داده کاوی :: ۱۳٩٢/۸/۱
پروژه آماده داده کاوی با نرم افزار weka - clementine 12 :: ۱۳٩٢/۸/۱
انباره داده ها ::
قواعد تلازمی ::
الگوریتم درخت تصمیم ::
خوشه بندی چیست ؟ ::
دسته بندی چیست ؟ ::
داده کاوی چیست؟ :: ٢۵
کارگاه تخصصی فرایند داده کاوی با نرم افزار Clementine 12 :: ۱
انجام پروژه های داده کاوی با نرم افزار کلمنتاین Clementine12 :: ۱۳٩٢/۵/۱٠
قالب سایت آماده - طراحی سایت :: ۵
دانلود نرم افزار Rapidminer :: ۱۳٢/۳/۱۴
وب کاوی چیست ::
آموزش داده کاوی :: ٢
انجام پروژه های داده کاوی با نرم افزار وکا weka :: /۱/۳۱
آموزش نرم افزار داده کاوی وکا weka :: /۱/۳۱
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
فایلهای درس داده کاوی
موضوع
فایل
مفاهیم داده کاوی
داده کاوی چیست؟
چرا داده‌کاوی نیاز است؟
چه موقع و کجا داده کاوی نیاز است؟
چگونه داده کاوی را به کار گیریم؟
مفاهیم ۱
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
مفاهیم ۲
متدولوژی انجام پروژه های داده کاوی
CRISP
نمونه ای از کاربردهای داده کاوی
کاربردها
قواعد تلازمی Association
قواعد تلازمی
خوشه بندی Clustering
۱- مفاهیم خوشه بندی و روشها
۲- پیدا کردن تعداد خوشه های بهینه
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
خوشه بندی
مفاهیم خوشه بندی پیشرفته
#انجام_پروژه_داده_کاوی_data_mining_weka_orange_spss #
:: موضوعات مرتبط:
222222222 ,
,
:: بازدید از این مطلب : 416
|
امتیاز مطلب : 0
|
تعداد امتیازدهندگان : 0
|
مجموع امتیاز : 0
تاریخ انتشار : چهار شنبه 23 بهمن 1398 |
نظرات ()
|
|
نوشته شده توسط : مطلب پروژه
انجام پروژه های داده کاوی با رپیدماینر و وکا
انجام پروژه های داده کاوی (Data Mining) در زمینه های
رده 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:
۱ -Ann)شبکه عصبی مصنوعی)
۲ - شبکه های عصبی مصنوعی (RBF)
۳ - درخت تصمیم--هرس درخت تصمیم--درخت تصمیم با شاخص جینی و آنتروپی
۴ - بگینگ و بوستینگ
۵ - ماشین بردار پشتیبان
۶-ماشین بردار پشتیبان با بهینه ساز ازدحام ذرات
۸ - سیستم استنباط بیزین
۱۰-الگوریتم ژنتیک , ازدحام ذرات.
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
۱۱-الگوریتم های فراابتکاری
۱۲-قواعد همسایگی با fp-growth,apriory
۱۳-تحلیل نتایج با رسم نمودار Roc
۱۴-انواع مختلف روش های انتخاب ویژگی:شاخص ریلیف، ازدحام ذرات،شاخص جینی و ...
۱۵-انواع روش های نمونه برداری و بیش نمونه گیری
۱۶-روش های حل مشکل رده نامتوازن
۱۷-تشخیص داده پرت با کانزدیکترین همسایه)Knn
۱۸-تشخیص داده پرت محلی
انجام پروژه های رپیدماینر در کوتاهترین زمان ممکن با کمترین قیمت با مشاوره وآموزش اجرای پروژه
انجام پروژه های داده کاوی با مشاوره و آموزش اجرا جهت ارایه پروژه
در صورت ارایه پروژه فیلم آموزشی کار با نرم افزار و اجرای پروژه تحویل داده خواهد شد.
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
:: موضوعات مرتبط:
222222222 ,
,
:: بازدید از این مطلب : 295
|
امتیاز مطلب : 0
|
تعداد امتیازدهندگان : 0
|
مجموع امتیاز : 0
تاریخ انتشار : چهار شنبه 23 بهمن 1398 |
نظرات ()
|
|
نوشته شده توسط : مطلب پروژه
انجام پروژه های داده کاوی با نرم افزار کلمنتاین Clementine12
پروژه های داده کاوی با نرم افزار R با بسته Rattle
پروژه های داده کاوی با نرم افزار R با بسته Rattle
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
ها: پروژه های, داده کاوی, با نرم افزار, R, با بسته
آموزش نرم افزار کلمنتاین Clementine 12
آموزش نرم افزار کلمنتاین Clementine 12
آموزش نرم 14.2 افزارIBM SPSS Modeler
انجام پروژه های داده کاوی با نرم افزارClementine 12
انجام پروژه های داده کاوی با نرم افزار.2 14 IBM SPSS Modeler
انجام پروژه های داده کاوی با نرم افزار رپیدماینر 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 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
برچسب‌ها: آموزش, نرم افزار, داده کاوی, کلمنتاین, Clementine12
7:44 توسط Clementine12 | نظر بدهید
پروژه آماده داده کاوی با نرم افزار - weka - clementine 12
پروژه آماده داده کاوی با نرم افزار - weka - clementine 12
پروژه آماده داده کاوی با نرم افزار - rapidminer - clementine 12
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
پروژه آماده داده کاوی با نرم افزار - clementine 12
کلیک کنید
برچسب‌ها: پروژه, آماده, داده کاوی, با نرم افزار, weka
+ نوشته شده در شنبه یازدهم Clementine12 | نظر بدهید
دانلود نرم افزار داده کاوی وکا weka
دانلود نرم افزار داده کاوی وکا weka
دانلود نرم افزار وکا
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
جهت دانلود نرم افزار داده کاوی وکا weka کلیک کنید
برچسب‌ها: دانلود, نرم افزار, داده کاوی, وکا, weka
5سط Clementine12 | نظر بدهید
پروژه های داده کاوی بانرم افزار وکا weka
انجام پروژه های داده کاوی با نرم افزار وکاweka
در کوتاه ترین زمان با کمترین قیمت
بیش از 30 نوع دیتاست مختلف با انواع موضوعات متفاوت در سایت پروژه های 21
کلیک کنید
توسط Clementine12 | نظر بدهید
انجام پروژه های داده کاوی با نرم افزار رپیدماینر rapidminer
انجام پروژه های داده کاوی با نرم افزار رپیدماینر rapidminer
در کوتاه ترین زمان با کمترین قیمت
بیش از 30 نوع دیتاست مختلف با انواع موضوعات متفاوت در سایت پروژه های 21
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
برچسب‌ها: انجام, پروژه های, داده کاوی, با, نرم افزار
+وسط Clementine12 | نظر بدهید
انجام پروژه های داده کاوی با نرم افزار کلمنتاین Clementine12
انجام پروژه های داده کاوی با نرم افزار کلمنتاین Clementine12
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
در کوتاه ترین زمان با کمترین قیمت
بیش از 30 نوع دیتاست مختلف با انواع موضوعات متفاوت در سایت پروژه های 21
برچسب‌ها: انجام, پروژه های, داده کاوی, با نرم افزار, کلمنتاین
۹۵ ساعت 18:2 توسط Clementine12 | نظر بدهید
انجام پروژه های داده کاوی با نرم افزار SPSS Modeler14.2
انجام پروژه های داده کاوی با نرم افزار SPSS Modeler14.2
در کوتاه ترین زمان با کمترین قیمت
بیش از 30 نوع دیتاست مختلف با انواع موضوعات متفاوت در سایت پروژه های 21
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
:: موضوعات مرتبط:
222222222 ,
,
:: بازدید از این مطلب : 422
|
امتیاز مطلب : 0
|
تعداد امتیازدهندگان : 0
|
مجموع امتیاز : 0
تاریخ انتشار : چهار شنبه 23 بهمن 1398 |
نظرات ()
|
|
نوشته شده توسط : مطلب پروژه
آموزش معرفی Radoop
معرفی Radoop
1395.12.10
Radoop چیست ؟
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
Radoop یک شرکت بزرگ تجزیه و تحلیل داده با هدف کم کردن موانع برای استفاده از Hadoop است. بسته Radoop اجازه می دهد تا حتی افراد غیر فنی نیز توانایی دسترسی ، تجزیه و تحلیل و شبیه سازی داده های بزرگ را داشته باشند. برای افراد متخصص علاوه بر امکانات ذکر شده برنامه نویسی ، تجزیه و تحلیل و پیش بینی پیشرفته را فراهم می کند و این دلیل محکمی است که RapidMiner با تکیه بر توانایی هدوپ در پردازش موازی داده های کلان به عنوان محبوب ترین ابزار داده کاوی یکپارچه شناخته شود و کم کم کاربران زیادی را به سمت خود سوق دهد.
Radoop محیطی گرافیکی و بسیار راحت برای تحلیل داده های کلان بر روی هدوپ فراهم می کند و همه اینها به این بستگی دارد که ما پیکربندی دقیق و بدون نقصی را برای نصب این افزونه تحلیل داده های کلان انجام دهیم. Radoop از ترکیب RapidMiner و هدوپ بوجود آمده البته وجود Hive در این افزونه به نظر الزامیست نه به این معنی که بدون Hive کار کردن غیر ممکن است بلکه به دلیل که Hive قدرتمند، انعطاف پذیر و آسان برای کار کردن است. Radoop یک نرم افزاری است که عملیات پردازش داده های عظیم را به کلاسترهای هدوپ سپرده و به وسیله قدرت تحلیل داده ای رپیدماینر آن را به صورت گرافیکی به کابر خود نشان می دهد. لزومی نیست که Rapid miner بر روی کلاسترها نصب و راه اندازی شود و هر قسمت همانگونه که در تصویر مشاهده می کنید وظیفه دارد عملیات مخصوص به خود را انجام دهد.
RapidMiner Server نیز قادر است از Radoop استفاده کند. از فعالیتهایی که سرور RapidMiner می تواند انجام دهد می توان برنامه ریزی برای پردازشها، مدیریت و ثبت گزارش پردازشها، فراهم آوردن ابزارهای گزارشگیری بصری می باشد
برچسب‌ها: آموزش, معرفی, Radoop
+ نوشته شده در دوشنبه بیست و هفتم شهریور ۱۳۹۶ ساعت 15:36 توسط پروژه | نظر بدهید
معرفی 10 الگوریتم برتر داده کاوی
معرفی 10 الگوریتم برتر داده کاوی
1395.12.10
آموزش 10 الگوریتم برتر داده کاوی
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
الگوریتم C4.5 :
الگوریتم C4.5 بهینه شده الگوریتم ID3 می باشد که از قانون هرس بعدی بهره می برد و می تواند صفاتی را که داده های نویزی و مقدار و همچنین صفات گسسته ندارند، استفاده نماید. با توجه به بعضی از ضعف های الگوریتمID3 ، کوئینلن در سال ۱۹۹۳ آن را اصلاح و تحت الگوریتم C4.5 معرفی نمود. این الگوریتم نسبت به ID3 اریبی کمتری دارد و برای مشاهدات با مقادیر گمشده مناسب است. ملاک تصمیم گیری در این الگوریتم بر اساس شاخص آنتروپی است که به کمک آن شاخص های Information Gain محاسبه می شود .
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
الگوریتم k-means :
این الگوریتم داده ها را به خوشه های مجزا خوشه بندی می کند. این روش تعداد خوشه های ثابتی رادر نظر گرفته به طوری تکراری رکورد ها را به خوشه ها تخصیص می دهدو مراکز خوشه را را تا هنگامی که مدل بهبود نیابد تنظیم می کند. تلاش برای پیش بینی یک خروجی ، K-means از یک فرآیند به نام یادگیری بدون نظارت برای کشف الگوها در مجموعه ای از فیلد های ورودی استفاده می کند.
الگوریتم SVM :
الگوریتم SVM اولیه در ۱۹۶۳ توسط Viadimir Vapnik ابداع شد و در سال ۱۹۹۵ توسط Vapnik و Corinna Cortesبرای حالت غیرخطی تعمیم داده شد. ماشین بردار پشتیبانی (Support vector machines) یکی از روشهای یادگیری با نظارت (Supervised learning) است که از آن برای طبقه بندی و رگرسیون استفاده میکنند.
الگوریتم Apriori :
این الگوریتم در سال 1996 توسط چیونگ ابداع شد و یکی از مهمترین یافته هادر تاریخ استخراج قواعد تلازمی است . استخراج قواعد تلازمی یا انجمنی نوعی عملیلت داده کاوی است که به جستجو برای یافتن ارتباط بین ویژگیها در مجموعه داده ها می پردازد.نام دیگر روش تحلیل تلازمی ، تحلیل سبد بازار می باشد .قواعد تلازمی به شکل اگر و آنگاه به همراه دو معیار پشتیبان و اطمینان تعریف می شوند .
الگوریتم EM :
الگوریتم امید ریاضی-بیشینه‌سازی (EM) یک روش تکرارشونده (iterative) است که به دنبال یافتن برآوردی با بیشترین درست نمایی برای پارامترهای یک توزیع پارامتری است. این الگوریتم روش متداول برای زمان‌هایی است که برخی از متغیرهای تصادفی پنهان هستند.
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
الگوریتم Page Rank :
Page Rank در سال 1998 در هفتمین کنفرانس بین الملی World Wide Web توسط Sergey Brin و Larry ارائه شد . این الگوریتم یک الگوریتم Page Rank که از پیوند داده در وب استفاده می کند . گوگل به عنوان یک موفقیت بزرگ بر اساس این الگوریتم ساخته شد . در حال حاضر تمام موتور های جستجو بر اساس این الگوریتم کار می کنند.این الگوریتم بر اساس طبیعت دموکراتیک وب با استفاده ساختار وسیع اتصالی اش به عنوان یک نماینده کیفیت یک صفحه شخصی کار می کند .
پیج رنک رتبه‌ای است که گوگل برای یک سایت بین اعداد ۰ تا ۱۰ در نظر میگیرد. هرقدر این عدد نزدیک به ۱۰ باشد نشان‌دهنده این است که این سایت لینک‌های ورودی زیادی دارد و سایتهای زیادی به این سایت لینک داده‌اند. روش دیگر موتورهای جستجو، پردازش رتبه صفحه، با استفاده از تعداد یافته‌های خود در سایتهای اینترنتی میباشد. این روش، یک فناوری زیرساخت برای پدیدار گشتن «بمب گوگلی» نیز بود. ناگفته نماند که هدف از ساختن بمب‌های گوگلی بالاتر رفتن رتبه یک وبلاگ یا وب‌گاه در موتور جستجوی گوگل میباشد که معمولاً با همکاری گروه‌های مردمی ایجاد میشود.
عرفی, 10, الگوریتم, برتر, داده کاوی
:27 توسط پروژه | نظر بدهید
معرفی 10 الگوریتم برتر داده کاوی
معرفی 10 الگوریتم برتر داده کاوی
آموزش 10 الگوریتم برتر داده کاوی
الگوریتم C4.5 :
الگوریتم C4.5 بهینه شده الگوریتم ID3 می باشد که از قانون هرس بعدی بهره می برد و می تواند صفاتی را که داده های نویزی و مقدار و همچنین صفات گسسته ندارند، استفاده نماید. با توجه به بعضی از ضعف های الگوریتمID3 ، کوئینلن در سال ۱۹۹۳ آن را اصلاح و تحت الگوریتم C4.5 معرفی نمود. این الگوریتم نسبت به ID3 اریبی کمتری دارد و برای مشاهدات با مقادیر گمشده مناسب است. ملاک تصمیم گیری در این الگوریتم بر اساس شاخص آنتروپی است که به کمک آن شاخص های Information Gain محاسبه می شود .
الگوریتم k-means :
این الگوریتم داده ها را به خوشه های مجزا خوشه بندی می کند. این روش تعداد خوشه های ثابتی رادر نظر گرفته به طوری تکراری رکورد ها را به خوشه ها تخصیص می دهدو مراکز خوشه را را تا هنگامی که مدل بهبود نیابد تنظیم می کند. تلاش برای پیش بینی یک خروجی ، K-means از یک فرآیند به نام یادگیری بدون نظارت برای کشف الگوها در مجموعه ای از فیلد های ورودی استفاده می کند.
برچسب‌ها: معرفی, 10, الگوریتم, برتر, داده کاوی
معرفی Radoop
معرفی Radoop
Radoop چیست ؟
Radoop یک شرکت بزرگ تجزیه و تحلیل داده با هدف کم کردن موانع برای استفاده از Hadoop است. بسته Radoop اجازه می دهد تا حتی افراد غیر فنی نیز توانایی دسترسی ، تجزیه و تحلیل و شبیه سازی داده های بزرگ را داشته باشند. برای افراد متخصص علاوه بر امکانات ذکر شده برنامه نویسی ، تجزیه و تحلیل و پیش بینی پیشرفته را فراهم می کند و این دلیل محکمی است که RapidMiner با تکیه بر توانایی هدوپ در پردازش موازی داده های کلان به عنوان محبوب ترین ابزار داده کاوی یکپارچه شناخته شود و کم کم کاربران زیادی را به سمت خود سوق دهد.
جام پایان نامه ,مشاورین انجام پایان نامه و انجام پروژه های مهندسی
انجام پروژه کارشناسی ارشد با آموزش
انجام پروژه کارشناسی ارشد با آموزش
April 23, 2019
2 likes
آموزش کامل انجام پایان نامه در 7 مرحله
آموزش کامل انجام پایان نامه در 7 مرحله
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
انجام پروژه ارزیابی عملکرد
انجام پروژه ارزیابی عملکرد
5 likes
نگارش سمینار و پایان نامه کارشناسی ارشد
نگارش سمینار و پایان نامه کارشناسی ارشد
انجام پروژه مدلسازی معادلات ساختاری
انجام پروژه مدلسازی معادلات ساختاری
برنامه ریزی توسعه همزمان تولید و انتقال
برنامه ریزی توسعه همزمان تولید و انتقال
October 24, 2018
انجام پایان نامه it پروژه های فناوری اطلاعات
انجام پایان نامه it پروژه های فناوری اطلاعات
انجام پروژه متلب کدنویسی برنامه نویسی بهینه سازی در محیط متلب
انجام پروژه متلب کدنویسی برنامه نویسی بهینه…
October 17, 2018
2 likes1 comment1 share
مشاوره پایان نامه برق پروژه مهندسی برق
مشاوره پایان نامه برق پروژه مهندسی برق
انجام پایان نامه کارشناسی ارشد و تز دکتری
انجام پایان نامه کارشناسی ارشد و تز دکتری…
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
10 likes15 comments56 shares
پایان نامه مدیریت
پایان نامه مدیریت
May 20, 2018
1 like1 comment
آموزش انجام پایان نامه نرم افزار
آموزش انجام پایان نامه نرم افزار
انجام پروژه مهندسی مکانیک
انجام پروژه مهندسی مکانیک
انجام پروژه تخصصی,انجام پروژه نرم افزاری
انجام پروژه تخصصی,انجام پروژه نرم افزاری
انجام پروژه صنایع
انجام پروژه صنایع
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
مشاوره پایان نامه مدیریت استراتژیک
مشاوره پایان نامه مدیریت استراتژیک
3 likes1 comment1 share
انجام پروژه امنیت ابر
انجام پروژه امنیت ابر
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
پروژه نهان نگاری تصویر
پروژه نهان نگاری تصویر
March 12, 2018
1 like
انجام پروژه آلیاژهای حافظه دار
انجام پروژه آلیاژهای حافظه دار
انجام پروژه داده کاوی
انجام پروژه داده کاوی
1 like
پایان نامه مدیریت,موضوع پایان نامه مدیریت
پایان نامه مدیریت,موضوع پایان نامه مدیریت
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
3 likes2 comments6 shares
بهینه سازی مصرف انرژی
بهینه سازی مصرف انرژی
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
پردازش سیگنال
پردازش سیگنال
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
انجام پروژه توربین گازی
انجام پروژه توربین گازی
:: موضوعات مرتبط:
222222222 ,
,
:: بازدید از این مطلب : 298
|
امتیاز مطلب : 0
|
تعداد امتیازدهندگان : 0
|
مجموع امتیاز : 0
تاریخ انتشار : چهار شنبه 23 بهمن 1398 |
نظرات ()
|
|
نوشته شده توسط : مطلب پروژه
دانلود پروژه آماده داده کاوی با نرم افزار وکا(weka)
پروژه داده کاوی با وکا
Weka به عنوان اولین نرم افزار Source Open در داده کاوی از مقبولیت بسیار باالیی در محافل آکادمیک برخوردار می باشد. پشتیبانی از طیف گسترده ای از الگوریتم های داده کاوی آن را به گزینه ای قابل قبول برای انجام پروژه های تحقیقاتی و دانشگاهی مبدل نموده است.
هرچند این ابزار در پشتیبانی از اجرای فرآیند داده کاوی در قالب پروژه های حرفه ای و بلند مدت دارای ضعف های جدی می باشد اما به علت تنوع زیاد در الگوریتم های مدلسازی به عنوان یک ابزار پرکاربرد در کنار سایر ابزارها مورد استفاده قرار می گیرد.
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
پروژه وکا weka
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.
یک پروژه داده کاوی با نرم افزار weka که data base از سایت UCI گرفته شده و از تکنیک های classify و clustering و association حداقل یکی از هرکدوم انجام شده که دیتاست Pima , Balloons استفاده گردیده است و همچنین درخت تصمیم j48 , Naive BAyes , Kmeans در این پروژه بکارگیری شده اند .کل کار پرینت به صورت عکس در word قرار داده شده است.و همچنین به همراه تحلیل و گزارش پروژه نیز می باشد
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
این پروژه توسط تیم همیارپروژه در نرم افزار وکا(Weka) انجام شده است و برای عزیزان علاقه مند با قیمتی مناسب جهت دانلود قرار داده شده است.جهت دانلود فایل پروژه آن را از طریق لینک زیر خریداری نمایید.
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
دسته : پروژه ها, پروژه وکا (Weka), داده کاوی و بیگ دیتا
برچسب : celementain, rapid miner, weka, انجام پروژه با نرم افزار weka, انجام پروژه با وکا, انجام پروژه داده کاوی, انجام پروژه داده کاوی با نرم افزار رپید ماینر, انجامن پروژه های داده کاوی, پروژه آماده داده کاوی, پروژه داده کاوی با نرم افزار کلمنتیاین, پروژه داده کاوی با وکا, داده کاوی با I2, داده کاوی با پایتون, داده کاوی با متلب, داده کاوی با متلب و پایتون, داده کاوی با وکا, سایت داده کاوی, سفارش پروژه داده کاوی, سفارش پروژه داده کاوی دانشجویی, سفارش پروژه های دانشجویی, نرم افزار وکا, همیارپروژه, وکا
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
:: موضوعات مرتبط:
222222222 ,
,
:: بازدید از این مطلب : 423
|
امتیاز مطلب : 0
|
تعداد امتیازدهندگان : 0
|
مجموع امتیاز : 0
تاریخ انتشار : چهار شنبه 23 بهمن 1398 |
نظرات ()
|
|
نوشته شده توسط : مطلب پروژه
انجام پروژه WEKA
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
بهترین فریلنسرهای پروژه WEKA را به راحتی انتخاب کنید
حامی ورکس مرجع فریلنسرهای ایران است. پروژه های WEKA خود را به راحتی برون سپاری کنید و برای انجام آنها به صورت موقت نیروی متخصص استخدام کنید.
خیص لبه تصاویر در متلب
لبه تصویر، نقاطی از تصویراست که در آن شدت روشنایی به طور ناگهانی تغییر کرده است.الگوریتم های زیادی در این زمینه وجود دارد الگوریتم sobel الگوریتم canny الگوریتم zerocross الگوریتم Log الگوریتم prewitt الگوریتم Roberts و… عملگرهای آشکارسازی لبه مرتبه نخست: چلیپای رابرنز، پرویت، سوبل، کنی، اسپیسک مرتبه دوم: لاپلاسی، مار- هیلدرث اکنون عملگر [...]
Read
پیاده سازی اتوماتای یادگیر سلولی در متلب
برای پیاده سازی پروژه و شبیه سازی خودتان در متلب با ما تماس بگیرید یک اتوماتای سلولی یک مدلی از ریاضیات گسسته می باشد که در مباحثی چون نظریه رایانش‌پذیری ، ریاضیات ، فیزیک ، سامانه‌های انطباقی پیچیده ، زیست شناسی نظری و ریز ساختار ها مورد مطالعه قرار گرفته است. اتوماتای سلولی با نام [...]
اردیبهشت : عمومی|۰
مقدمات زبان C
زبان C در سال 1972 توسط دنیس ریچی طراحی شد. این زبان تکامل یافته زبان BCPL میباشد که طراح آن مارتین ریچاردز است. زبان BCPL از زبان B که طراح آن کن‌تامپسون میباشد، نتیجه شده است. علت نامگذاری C این است که بعد از B طراحی شد. کسانی که تا حدودی با زبانهای برنامه‌سازی آشنایی [...]
|: مهندسی نرم افزار|۰
حل تمرین هوش مصنوعی پیشرفته
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
چطور یک GP به تعامل یک برنامه به کنترل یک ربات میتواند استفاده شود و کجا هدف ربات حرکت به سمت بیرون می باشد وقتی با یک مانع مواجه می شود. برنامه نویسی ژنتیک می تواند در بهینه سازی حرکت و یادگیری ربات استفاده شود .افراد در جامعه بوسیله یک ساختار درختی باینری نشان داده [...]
اردیبهشت |: هوش مصنوعی|۰
بیان جزئیات برنامه نویسی ژنتیک
وفق پذیری شامل یک سری تغییرات در ساختار برنامه می باشد به گونه ای که در محیط خود بهتر عمل کند. یادگیری گونه ای از وفق پذیری می باشد که در آن هدف حل یک مسئله است. در ادامه به بررسی موارد زیر خواهیم پرداخت. ساختارهایی که عمل وفق پذیری را انجام می دهند. ساختارهای [...]
|: هوش مصنوعی|۰
زبان برنامه نویسی لیسپ
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
فرآیند برنامه نویسی ژنتیک توسط هر زبان برنامه نویسی که قابلیت بیان و ارزیابی ترکیب ا ز توا بع را داشته باشد قابل پیاده سازی ا ست هر چند که زبان لیسپ بیشترین قا بلیت را دارد. زبان لیسپ تنها از دو نوع نهاد تحت عنوان اتم ولیست تشکیل شده است. اتمها می توانند مقادیر [...]
s: هوش مصنوعی|۰
انجام پروژه مهندسی صنایع
انجام پروژه دانشجویی مهندسی صنایع
ارائه خدمات مختلف پژوهشی توسط پروژه مارکت به دانشجویان و محققین در رشته مهندسی صنایع بعنوان یکی از پرجمعیت ترین رشته های دانشگاهی کشور شامل: انجام پروژه مهندسی صنایع، انجام پروژه های نرم افزاری مهندسی صنایع،ارائه خدمات ترجمه تخصصی مهندسی صنایع و انجام پروژه مدیریت در تمامی مقاطع کارشناسی، کارشناسی ارشد و دکترا در گرایش های بهینه سازی سیستم ها ،سیستم های سلامت، لجستیک و زنجیره تامین، سیستم های کلان، مهندسی مالی ، مدیریت مهندسی ، کیفیت و بهره وری ، مدیریت پروژه ، سیستم های اطلاعاتی.
مهندسی صنایع رشته ای است که با طراحی، بهبود و پیاده سازی سیستمهای یکپارچه ای از افراد، مواد، اطلاعات ،تجهیزات و انرژی مرتبط است. این رشته بر پایه دانش تخصصی و تبحر در علوم ریاضی، طبیعی، اجتماعی و نیز قوانین و روش های تجزیه و تحلیل مهندسی و طراحی بنا نهاده شده است تا به کما این علوم و قوانین، به تعیین، پیشبینی و ارزیابی نتایج حاصل از سیستمهای یکپارچه بپردازد. که بصورت یا ارایه ی با عنوان مهندسی صنایع ارائه می شود.
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
سفارش پروژه مهندسی صنایع و یا مدیریت خود را برای ما ارسال نمائید، کارشناسان ما پس از بررسی سفارش شما روش های مختلف را برای انجام پروژه شما به اطلاع شما خواهند رساند. پروژه مارکت بابت خدمات مشاوره ای خود که در زمینه انجام پروژه های مهندسی صنایع ارائه می دهد هزینه ای را دریافت نمی نماید.
انجام پروژه صنایع
انجام پروژه نرم افزاری مهندسی صنایع
شبیه سازی پروژه های صنایع
پروژه برنامه نویسی صنایع
انجام پروژه مهندسی صنایع
در زیر می توانید خدمات پروژه مارکت را در زمینه انجام پروژه های دانشجویی در رشته مهندسی صنایع، برای هر گرایش با جزئیات ملاحظه بفرمایید. پروژه مارکت خدمات خود را به تمامی گرایش های مهندسی صنایع گسترش داده است. درصورتی که موضوع مورد نظر خود را در موارد ذکر شده در زیر نیافتید، درخواست خود را با ما در میان بگذارید، ممکن است موضوعاتی باشد که در زیر ذکر نشده اند.
انجام پروژه صنایع سیستم های سلامت
انجام پروژه صنایع بهینه سازی سیستم ها
انجام پروژه صنایع سیستم های کلان
انجام پروژه صنایع لجستیک و زنجیره تامین
انجام پروژه صنایع مهندسی مالی
انجام پروژه صنایع مدیریت مهندسی
انجام پروژه صنایع کیفیت و بهره وری
انجام پروژه صنایع کنترل و مدیریت پروژه
انجام پروژه مهندسی صنایع سیستم های اطلاعاتی
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
انجام پروژه مهندسی صنایع سیستم های سلامت
زمینه های فعالیت: بهبود فرآیند و کیفیت در سلامت، مدلسازی داده محور در سلامت، سیستمهای خبره در سلامت، اینترنت اشیا در سلامت، مدیریت زنجیره تأمین برای سیستمهای سلامت، نظریه و شبکه های بیزی، فناوریهای پیشرفته و رباتیک در سیستمهای سلامت ، مدیریت درآمد و تقاضا در سیستمهای سلامت، مدل های گردشگری حوزه سلامت،
ما برای هریک از متقاضیان٬ مجری را برمی‌گزینیم که زمینه کاری و پژوهشی ایشان در راستای موضوع متقاضی باشد. بدون استرس از متخصصین در زمینه کاری خودتان کمک بگیرید.
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
:: موضوعات مرتبط:
222222222 ,
,
:: بازدید از این مطلب : 445
|
امتیاز مطلب : 0
|
تعداد امتیازدهندگان : 0
|
مجموع امتیاز : 0
تاریخ انتشار : چهار شنبه 23 بهمن 1398 |
نظرات ()
|
|
نوشته شده توسط : مطلب پروژه
هدف از این آموزش فراگیری انجام کارهای داده کاوی مختلف با نرم افزار weka می باشد.بی شک نرم افزار weka یکی از قوی ترین وکاربرپسندترین نرم افزارهای داده کاوی به شمار می رود. وهدف انجام کارهای مهم داده کاوی است :
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
موارد موجو دراین فایل :
-
شروع کار با weka
-
نصب weka
-
نحوه ورود انواع مختلف داده در نرم افزار weka
-
پیش پردازش داده ها در weka
-
خواندن و فیلتر کردن فایل ها
-
تبدیل فایل ها به فرمتarff
-
به کارگیری فیلتر ها
-
نحوه Classifyکردن داده ها با انواع مختلف کلاسیفایرها
-
نحوه انجام رگرسیون
-
نحوه انجام خوشه بندی
-
اجرای قوانین وابستگی
-
شرح کامل قسمت های مختلف نرم افزار wekaاز جمله :
-
استفاده ازخط فرمان سیستم عامل
استفاده ازخط فرمان
-
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
استقاده ازواسط کابری
استفاده از weka در برنامه های دیگر
-
پنجره اصلی
-
قسمت های اصلی
اطلاعات ورودی در weka
قسمت های اصلی در weka
-
فرمت اطلاعات ورودی در weka
-
توضیح برگه explorer
-
توضیح برگه classify
-
توضیح برگه Clustering
-
توضیح برگه Associate
-
توضیح برگه Visualize
weka مجموعه ای از به روزترین الگوریتمهای یادگیری ماشینی و ابزارهایی برای پیش پردازش داده ها میباشد. WEKA در قالب واسطهای کاربری مناسب در اختیار کاربران قرار میگیرد بنابراین کاربران میتوانند با توجه اینکه کلیه امکانات متدهای مختلف را بر روی دادههای خود پیاده سازی کرده و بهترین الگوریتم را برای کار انتخاب نمایند.. همچنین این نرم افزار تحت مجوز Java که ماشین مجازی بدان معناست که استفاده از آن رایگان بوده و کاربران به راحتی
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
میتوانند به کدمنبع های آن دسترسی داشته و حتی آنها را برحسب نیاز تغییر داده و روشهای دیگری را نیز به آنها اضافه کنند.
این نرم افزار توسط جاوا پیاده سازی شده و شما می توانید مستقیما از وکا استفاده کنید یا در کد جاوای برنامه خود مورد استفاده قرار دهید. در وکا مجموعه کاملی از الگوریتم ها ارائه شده است که می توان در نظرکاوی، متن کاوی و امور مختلف داده کاوی مورد استفاده قرار داد. یکی از نقاط قوت وکا عملکرد مناسب الگوریتم ماشین یادگیری این نرم افزار است. الگوریتم به شکلی پیاده سازی شده اند که عملکرد قابل قبولی نسبت به بقیه نرم افزارها ارائه می دهند. در کنار این نکات قوت وکا ظاهر کاربرپسندی نیز دارد.
این پکیج شامل چهار واسط کاربری متفاوت میباشد:
-
Explorer: در این حالت شما می‌توانید روشهای مختلف آماده‌سازی، تبدیل و الگوریتمهای مدلسازی بر روی داده‌ها را اجرا کنید.
-
Experimenter: در این حالت فقط امکان اجرای الگوریتمهای مختلف ردهبندی به صورت همزمان و مقایسه نتایج آنها وجود دارد. تمامی شاخص‌های مورد نیاز به منظور بررسی مدلهای رده بندی در این قسمت تعریف شده و قرار دارند و گزارشات مفصلی را از جمله آزمون T می توان در این قسمت پس از مدلسازی استخراج نمود.
-
Knowledge Flow: در این قسمت یک واسط گرافیکی طراحی شده است که مانند نرم افزارهای IBM Modeler و رپیدماینر در آن می توان جریان های داده ای مختلف تولید نمود.
-
(command line interface (CLI: در این حالت امکان مدلسازی توسط کدنویسی خط به خط قرار دارد.
-
در وکا داده ها می توانند به فرمت های مختلف از جمله Excel، CSV و Arff باشند. اما به طور کلی این نرم افزار با داده‌ها به فرمت Arff میانه بهتری دارد.
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.
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
پیاده سازیهای چارچوبهای یادگیری واقعی، منابع بسیار ارزشمندی هستند که Weka فراهم میکند. 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 میشود.
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
:: موضوعات مرتبط:
222222222 ,
,
:: بازدید از این مطلب : 432
|
امتیاز مطلب : 0
|
تعداد امتیازدهندگان : 0
|
مجموع امتیاز : 0
تاریخ انتشار : چهار شنبه 23 بهمن 1398 |
نظرات ()
|
|
|
|
|
عضو شوید
عضویت سریع
آمار مطالب
آمار بازدید
