رپیدماینر, انجام پروژه رپیدماینر, وکا, انجام پایان نامه داده کاوی, پروژه آماده رپیدماینر

انجام سمینارهای داده کاوی
انجام پروژه درس سمینار کارشناسی ارشد کامپیوتر با کمترین قیمت
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
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
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
کاربرد داده کاوی در پزشکی

پیش بینی بیماری قلبی با ابزارهای داده کاوی

جهت مشاوره و سفارش لطفا تماس بگیرید

09029070835-02632505791
برچسب‌ها: رپیدماینر, انجام پروژه رپیدماینر, وکا, پروژه آماده, پروژه آماده رپیدماینر
+ نوشته شده در یکشنبه یازدهم بهمن ۱۳۹۴ ساعت 14:1 توسط میناربطی  | نظر بدهید
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.
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
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

09029070835

برچسب‌ها: رپیدماینر, انجام پروژه رپیدماینر, وکا, انجام پایان نامه داده کاوی, انجام پایان نامه ارشد
+ نوشته شده در یکشنبه یازدهم بهمن ۱۳۹۴ ساعت 13:51 توسط میناربطی  | نظر بدهید
انواع پروژه های آماده رپیدماینر
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
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

09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]

 
 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 نظیر:
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.
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
برای سفارش پروژه لطفا تماس بگیرید.

انجام پروژه های داده کاوی با متلب ، پایتون، رپیدماینر ، وکا و

انجام پروژه های داده کاوی با متلب ، پایتون، رپیدماینر ، وکا و …
اشتن مجریانی از بهترین دانشگاه های کشور و تجربه چندساله در انجام پروژه های دانشجویی ، آماده است پروژه های داده
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
داده کاوی
مشاوره و انجام پایان نامه و پروژه های کارشناسی ارشد داده کاوی

الگوریتم های دسته بندیClassification

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

نزدیکترین همسایه: KNN
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
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

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.
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
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.

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.
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
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.
انجام پروژه های داده کاوی با نرم افزار کلمنتاین Clementine12

این نرم افزار برای آنالیزهای آماری به صورت سرور و کلاینت استفاده می شود و در واقع محاسبات بسیار پیچیده را به صورت متمرکز می توان به وسیله آن انجام داد. این نرم افزار ابتدا تحت سیستم عاملهای یونیکس و لینوکس اجرا می شد ولی نسخه های جدید آن در محیط ویندوز نیز قابل نصب است قابلیت استفاده از پایگاه داده هایی مانند SQL را نیز دارد.
انجام پروژه های داده کاوی با نرم افزار SPSS Modeler14.2

IBM SPSS نرم‌افزار رایانه‌ای است که برای تحلیل‌های آماری به کار می‌رود. SPSS مخفف عبارت Sciences Statistical Package for the Social به معنی بسته ی آماری برای علوم اجتماعی می باشد. IBM SPSS Modeler نرم افزاری از شرکت SPSS است که در ابتدا با نام کلمنتاین (Clementine 12) ارائه می شد که در نسخه جدید به SPSS Modeler تغییر نام پیدا کرد. این نرم افزار یکی از بهترین ابزارهای داده کاوی است و برنامه ای حرفه ای برای انجام محاسبات پیچیده و آنالیزهای آماری به صورت سرور و کلاینت می باشد که بیشتر توسط دانشجویان مهندسی صنایع و مدیریت مالی و اقتصاد مورد استفاده قرار می گیرد.

09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276

انجام پروژه داده کاوی, انجام پروژه داده کاوی با spss, انجام پروژه داده کاوی با متلب, انجام پروژه داده کاوی با وکا, انجام پروژه دیتاماینینگ, انجام پروژه رپیدماینر, انجام پروژه های داده کاوی با نرم افزار SPSS Modeler14.2, انجام پروژه های داده کاوی با نرم افزار رپید ماینر RapidMiner, انجام پروژه های داده کاوی با نرم افزار کلمنتاین Clementine12, انجام پروژه های داده کاوی با نرم افزار وکا Weka, پایان نامه data mining, پایان نامه داده کاوی, پایان نامه دیتاماینینگ, پروژه پایان نامه دانشجویی داده کاوی, پروژه دانشجویی داده کاوی, مشاوره و انجام پایان نامه و پروژه های کارشناسی ارشد داده کاوی, مقاله data mining, مقاله داده کاوی

[e-mail]

ن نرم افزار RapidMiner

انلود رایگان نرم افزار RapidMiner

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.
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
این نرم‌افزار یک ابزار داده‌کاوی متن باز است که با زبان جاوا نوشته شده‌است و از سال 2001 تا به حال، توسعه داده شده‌است. در این نرم‌افزار سعی تیم توسعه‌دهنده، بر آن بوده‌است که تا حد امکان تمامی الگوریتم‌های رایج داده‌کاوی و هم‌چنین یادگیری ماشین پوشش داده شوند. به گونه‌ای که حتی این امکان برای نرم‌افزار فراهم شده‌است تا بتوان سایر ابزار‌های متن باز داده‌کاوی را نیز به آن الحاق نمود. رابط گرافیکی شکیل و کاربر‌پسند نرم‌افزار نیز آن را یک سر و گردن بالاتر از سایر ابزار‌های رقیب قرار می‌دهد. لازم به ذکر است این نرم افزار به عنوان پرکاربردترین نرم افزار داده کاوی در سال 2014 شناخته شده است.
دانلود رایگان نرم افزار RapidMiner

برای دانلود این نرم افزار روی لینک زیر کلیک کنید:

دانلود رایگان نرم افزار Rapidminer

توجه کنید که حجم این نرم افزار 2.02 مگابایت است.
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
برای شرکت در کلاس های آموزش RapidMiner اینجا کلیک کنید.
اخبار صفحه اصلی شریف یار, تحلیل آماری داده ها در پایان نامه, دانلود نرم افزار, وبلاگ شریف یاربهترین نرم افزار, دانلود نرم افزار, نرم افزار رایگان, نرم افزار مدیریت, نرم افزارهای دانشجویی, نرم افزارهای نگارش پایان نامه, وبلاگ شریف یار

سفارش پروژه فقط در زمینه داده کاوی با نرم افزار های ذیل پذیرفته می شود : - دوشنبه بیست و هفتم شهریور ۱۳۹۶
دیتاست فارسی و انگلیسی برای داده کاوی(dataset datamining ) - دوشنبه بیست و هفتم شهریور ۱۳۹۶
پروژه های آماده متن کاوی با رپیدماینر rapidminer - دوشنبه بیست و هفتم شهریور ۱۳۹۶
پروژه های آماده با نر م افزار اورنج کانواسOrange Canvas - دوشنبه بیست و هفتم شهریور ۱۳۹۶
پروژه های آماده داده کاوی با نرم افزار نایمknime - دوشنبه بیست و هفتم شهریور ۱۳۹۶
انواع پروژه های داده کاوی - دوشنبه بیست و هفتم شهریور ۱۳۹۶
آموزش پروژه های آماده کلمنتاین clementine12 - دوشنبه بیست و هفتم شهریور ۱۳۹۶
۱۵ کتابخانه برتر پایتون برای علم داده - دوشنبه بیست و هفتم شهریور ۱۳۹۶
آموزش معرفی اجمالی pycharm - دوشنبه بیست و هفتم شهریور ۱۳۹۶
داده کاوی به روش RFM - مدل RFM چیست ؟ - دوشنبه بیست و هفتم شهریور ۱۳۹۶
20 ابزار قدرتمند برای آنالیز و داده کاوی متن ها - دوشنبه بیست و هفتم شهریور ۱۳۹۶
SAS یا R یا Python کدام یک را باید یاد گرفت؟ - دوشنبه بیست و هفتم شهریور ۱۳۹۶
نقاط ضعف و قوت SAS،R و Python - دوشنبه بیست و هفتم شهریور ۱۳۹۶
18 کتاب جدید در مورد R و پایتون که باید توسط دانشمند داده خوانده شود . - دوشنبه بیست و هفتم شهریور ۱۳۹۶
آموزش کلان داده Big Data چیست - دوشنبه بیست و هفتم شهریور ۱۳۹۶
آموزش هادوپ (Hadoop) چیست؟ - دوشنبه بیست و هفتم شهریور ۱۳۹۶
آموزش معرفی Radoop - دوشنبه بیست و هفتم شهریور ۱۳۹۶
معرفی 10 الگوریتم برتر داده کاوی - دوشنبه بیست و هفتم شهریور ۱۳۹۶
آمورش متدولوژی کریسپ CRISP-DM - دوشنبه بیست و هفتم شهریور ۱۳۹۶
آموزش نرم افزار داده کاوی اورنج orange - دوشنبه بیست و هفتم شهریور ۱۳۹۶
آموزش نرم افزار داده کاوی نایم Knime - دوشنبه بیست و هفتم شهریور ۱۳۹۶
آموزش نرم افزار R - دوشنبه بیست و هفتم شهریور ۱۳۹۶
آموزش نرم افزار داده کاوی رپیدماینر rapidminer - دوشنبه بیست و هفتم شهریور ۱۳۹۶
آموزش نرم افزار داده کاوی وکا - دوشنبه بیست و هفتم شهریور ۱۳۹۶
متدولوژی کریسپ CRISP-DM - یکشنبه دهم اردیبهشت ۱۳۹۶
سفارش پروژه - یکشنبه دهم اردیبهشت ۱۳۹۶
داده کاوی به روش RFM - مدل RFM چیست ؟ - یکشنبه دهم اردیبهشت ۱۳۹۶
معرفی چند کتاب در زمینه بیگ دیتا برای افراد مبتدی - یکشنبه دهم اردیبهشت ۱۳۹۶
مثالی از کاربرد داده کاوی در فروشگاه های زنجیره ای - یکشنبه دهم اردیبهشت ۱۳۹۶
SAS یا R یا Python کدام یک را باید یاد گرفت؟ - یکشنبه دهم اردیبهشت ۱۳۹۶
نقاط ضعف و قوت SAS،R و Python - یکشنبه دهم اردیبهشت ۱۳۹۶
معرفی 10 الگوریتم برتر داده کاوی - یکشنبه دهم اردیبهشت ۱۳۹۶
فرق آمار و داده کاوی چیست ؟ - یکشنبه دهم اردیبهشت ۱۳۹۶
Big Data چیست و چرا اهمیت دارد؟ - یکشنبه دهم اردیبهشت ۱۳۹۶
هادوپ (Hadoop) چیست؟ - یکشنبه دهم اردیبهشت ۱۳۹۶
معرفی Radoop - یکشنبه دهم اردیبهشت

azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com

۱۳۹۶

معرفی الگوریتم های داده کاوی - یکشنبه دهم اردیبهشت ۱۳۹۶
معرفی الگوریتم های داده کاوی - یکشنبه دهم اردیبهشت ۱۳۹۶
آموزش نرم افزار orange - یکشنبه دهم اردیبهشت ۱۳۹۶
آموزش نرم افزار نایم KNIME - یکشنبه دهم اردیبهشت ۱۳۹۶
آموزش نرم افزار R - یکشنبه دهم اردیبهشت ۱۳۹۶
آموزش نرم افزار وکا weka - یکشنبه دهم اردیبهشت ۱۳۹۶
انجام پروژه های داده کاوی با نرم افزار RStudio - یکشنبه پانزدهم اسفند ۱۳۹۵
پروژه های آماده داده کاوی با نرم افزار کلمنتاین clementine12 - یکشنبه پنجم دی ۱۳۹۵
پروژه های آماده داده کاوی با نرم افزار رپیدماینر rapidminer - یکشنبه پنجم دی ۱۳۹۵
انواع پروژه های آماده داده کاوی با نرم افزار وکا ، رپیدماینر ، کلمنتاین ، weka ، rapidminer ، clemen - یکشنبه پنجم دی ۱۳۹۵
پروژه های آماده داده کاوی با نرم افزار وکا weka - یکشنبه پنجم دی ۱۳۹۵
پروژه های آماده داده کاوی با نرم افزار رپیدماینر rapidminer - یکشنبه پنجم دی ۱۳۹۵
(dataset datamining )دیتاست فارسی و انگلیسی برای داده کاوی - یکشنبه پنجم دی ۱۳۹۵
انجام پایان نامه کارشناسی ارشد داده کاوی - یکشنبه بیست و هشتم آذر

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

 

تماس : [phone]
برچسب‌ها: پروژه های, داده کاوی, با نرم افزار, R, با بسته
+ نوشته شده در شنبه نوزدهم تیر ۱۳۹۵ ساعت 13:36 توسط Clementine12  | نظر بدهید
آموزش نرم افزار کلمنتاین Clementine 12

آموزش نرم افزار کلمنتاین Clementine 12
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
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

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
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
برچسب‌ها: آموزش, نرم افزار, داده کاوی, کلمنتاین, Clementine12

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


 پروژه آماده داده کاوی با نرم افزار  - clementine 12

برچسب‌ها: پروژه, آماده, داده کاوی, با نرم افزار, weka

دانلود نرم افزار داده کاوی وکا weka
دانلود نرم افزار داده کاوی وکا weka

 

دانلود نرم افزار وکا


جهت دانلود نرم افزار داده کاوی وکا weka کلیک کنید
برچسب‌ها: دانلود, نرم افزار, داده کاوی, وکا, weka

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

انجام پروژه های داده کاوی با نرم افزار رپیدماینر rapidminer
انجام پروژه های داده کاوی با نرم افزار رپیدماینر rapidminer
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
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
+ نوشته شده در شنبه چهاردهم فروردین ۱۳۹۵ ساعت 18:10 توسط Clementine12  | نظر بدهید
انجام پروژه های داده کاوی با نرم افزار کلمنتاین Clementine12
انجام پروژه های داده کاوی با نرم افزار کلمنتاین  Clementine12

بیش از 30 نوع دیتاست مختلف با انواع موضوعات متفاوت در سایت پروژه های 21

نجام پروژه های داده کاوی با نرم افزار weka RapidMiner

نجام پروژه های داده کاوی با نرم افزار weka RapidMiner
  انجام پروژه های داده کاوی با نرم افزار weka

آموزش نرم افزار کلمنتاین Clementine
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
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

        فرآیند داده کاوی CRISP-DM
        آشنایی با قابلیت های SPSS Modeler
        فرآیند داده کاوی در 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
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
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

از ابتدا تا انتها همراه با مستندات کامل برای پروژه شما

فارش انجام پروژه داده کاوی با رپیدماینر(rapidminer)

سفارش انجام پروژه داده کاوی با رپیدماینر(rapidminer): در اکثر مواقع مشاهده میشود دانشجویان درانجام پروژه های داده کاوی یا data mining با استفاده از نرم افزار رپیدماینر(rapidminer) مشکل دارند و به دنبال یک جای مطمئن برای پروژه داده کاوی خود هستند.
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
گروه برنامه نویسان ناب لرنینگ متشکل از یک تیم برنامه نویس و دیتاماینر ماهر از بزرگترین و معتبرترین دانشگاههای ایران آمادگی دارد تا در سریعترین زمان و نازلترین قیمت سفارش پروژه های داده کاوی و برنامه نویسی شما را با رپیدماینر بر عهده گرفته و با بالاترین کیفیت تحویل دهد.

انجام پروژه های داده کاوی رپیدماینر یکی دیگر از خدمات گروه تخصصی ناب لرنینگ می باشد که با داشتن تجربه بالا در انجام مدلسازی و شبیه سازیهای کامپیوتری، پروژه های داده کاوی شما رو ١٠٠٪‏ تضمین میکند. لازم به ذکر است که شرکت رایان پژوهان پارسه بعنوان نماینده سایت رسمی ناب لرنینگ با کادر مجرب خود به نمایندگی دکتر بهنام حیدری تا کنون ٩٠٠٠ پروژه داده کاوی با نرم افزار رپیدماینر را به اتمام رسانیده است.

جهت ثبت سفارش سریع کافیست  بر روی تصویر زیر کلیک نمایید.

سفارش انجام پروژه داده کاوی با رپیدماینر(rapidminer)

مشاوره و انجام پروژه های داده کاوی توسط کارشناسان سایت رسمی ناب لرنینگ با قیمت دانشجویی و در کمترین زمان ممکن انجام میشود. ناب لرنینگ با ارائه گزارش جامع، شما را به صورت کامل در نحوه انجام پروژه خود قرار خواهند داد و شما را از سایت های دیگه بی نیاز خواهند کرد.
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
سفارش انجام پروژه های داده کاوی را به گروه ناب لرنینگ بسپارید و با بالاترین کیفیت پروژه خود را تحویل بگیرید.

سفارش برنامه نویسی


 برچسب ها: rapidminer پروژه رپیدماینر رپیدماینر،سفارش رپیدماینر سفارش rapidminer سفارش انجام پروژه rapidminer سفارش انجام پروژه رپیدماینر سفارش پروژه rapidminer سفارش پروژه با rapidminer سفارش پروژه با رپیدماینر سفارش پیش بینی با rapidminer سفارش پیش بینی با رپیدماینر سفارش خوشه بندی با rapidminer سفارش خوشه بندی با رپیدماینر سفارش داده کاوی با rapidminer سفارش داده کاوی با رپیدماینر سفارش دسته بندی با rapidminer سفارش دسته بندی با رپیدماینر سفارش دیتاماینینگ با rapidminer سفارش دیتاماینینگ با رپیدماینر سفارش شبیه سازی rapidminer سفارش شبیه سازی رپیدماینر سفارش طبقه بندی با rapidminer سفارش طبقه بندی با رپیدماینر سفارش مدلسازی با rapidminer سفارش مدلسازی با رپیدماینر
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com

پروژه های آماده

پیدماینر یکی از پرکاربردترین نرم افزارهای داده کاوی در بین داده کاوان دنیاست که در سال 2006 توسط یک شرکت آلمانی طراحی و عرضه شده است. در این نرم افزار موارد لازم برای داده کاوی، ماشین یادگیری، متن کاوی، تحلیل تجاری و تحلیل پیش بینی ارائه شده است.  از طریق این نرم افزار تمامی مراحل داده کاوی از جمله پیش پردازش، انتخاب ویژگی، ایجاد مدل و تصویر سازی نتایج قابل انجام است از آن جهت با استفاده از این نرم افزار تمامی پروژه های تجاری، علمی و تحقیقاتی قابل انجام است. یکی از دلایل پرطرفدار بودن این نرم افزار کاربر پسند بودن آن است بسیاری از کاربرانی که دانش کافی برای برنامه نویسی در پایتون و جاوا ندارند می توانند از طریق این نرم افزار مدل مورد نظر خود برای تحلیل داده ها را ایجاد کنند.

در این وب سایت می توانید به پروژه های آماده برای استفاده در تحقیقات خود دسترسی داشته باشید. این وب سایت سعی دارد پروژه های اماده ای که در رپیدماینر اجرا شده است را در دسترس مخاطبان قرار دهد. در این وب سایت مجموعه کاملی از پروژه های انجام شده برای رپیدماینر در حوزه های مختلف داده کاوی و متن کاوی و نظرکاوی وجود دارد.
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com0 0 تومان
social network social network social network social network social network
banner
banner
پروژه های آماده

    اولویت بندی سدها با استفاده از الگوریتم ژنتیک
    بدست آوردن اطلاعات پورت سریال در متلب
    پایان نامه ای با موضوع “امنیت در شبکه های اجتماعی”
    پروژه داده کاوی با نرم افزار وکا (weka)
    پروژه دخیره اطلاعات مخاطبین بصورت رمزشده در اندروید
    پروژه لاگرانژ در متلب
    پیاده ساری شبکه عصبی با دو لایه مخفی با back propagation
    پیاده سازی بازی ترای هارد در پایتون
    پیاده سازی تابع XOR در الگوریتم پس انتشار
    پیاده سازی شبکه عصبی با دو لایه مخفی
    پیاده سازی شبکه عصبی با دو لایه مخفی و back propagation با استفاده از تول باکس متلب
    پیاده سازی شبکه عصبی تک لایه(MLP) با بک پروپگیشن بدون استفاده از تولباکس متلب
    پیاده سازی مقاله “کنترلرفرکانس بار (LFC) برای بهبود عملکرد پویا سیستم قدرت “
    پیاده سازی مقاله ای با عنوان “پیشبینی بارش اصفهان با استفاده از شبکه های عصبی مصنوعی”
    پیاده سازی مقاله تصمیم گیری چند شاخصه جهت بهبود سیستم های قدرت
    پیاده سازی مقاله شبکه های بیسیم نسل ۵ و امنیت لایه فیزیکی
    پروژه آماده داده کاوی با وکا (weka)
    تشخیص اعداد دستنویس به وسیله شبکه عصبی و تکنیک ته نشینی به همراه مقاله
    تشخیص بیماری تیروئید با استفاده از کلاسبندی بیزین
    تشخیص چهره با استفاده از پردازش تصویر در نورپردازی های مختلف
    تشخیص سرطان سینه در متلب
    تشخیص ضایعات کیست دهان با استفاده از پردازش تصویر
    تشخیص مذهب یک کشور براساس ویژگی های پرچم آن با استفاده ازشبکه عصبی و الگوریتم Gradient descent
    تشخیص میزان تاثیر دیابت بر شبکیه چشم
    تشخیص هواپیما در تصاویر ماهوار ه ای به کمک SVM
    تصمیمگیری چند هدفه درخصوص اولویت خطوط شبکه اتوبوس شهری
    حل تمرینات درس نظریه زبان ها و ماشین ها
    حل چند تمرین کاربردی در رشته مهندسی صنایع
    حل مساله n وزیر با استفاده از الگوریتم ژنتیک
    حل مساله فروشنده دوره گرد با استفاده از simulated annealing
    حل و کد نویسی یک معادله درجه ۶ با استفاده از روش لاگرانژ-تفاضل تقسیمی-ضرایب نا معین
    حل یک تمرین fitness error در متلب
    دسته بندی مجموعه داده های خرده فروشی آنلاین با استفاده از الگوریتم KNN
    روش های Off-loading و Fog Computing در محاسبات ابری
    شبیه سازی تابع XOR با MLP فقط با وجود یک نورون
    شبیه سازی تابع XOR با الگوریتم پس انتشار خطا(backpropagation)
    شناسایی اثر انگشت با پردازش تصویر
    شناسایی سرطان کبد از تصاویر CTscan با استفاده از پردازش تصویر
    طراحی ماشین یادگیر پارامتریکی با استفاده از الگوی بیزین
    کلاسبندی با روش نزدیک ترین همسایه(KNN)
    کلاسبندی داده ها با روش ماشین بردار پشتیبان
    مخفی کردن فایل اکسل در تصویر در متلب
    مدل سازی ترکیب گاوسی مبتنی بر تخمین ماتریس دقت
    مقاله آماده در حوزه آموزش الکترونیکی توسط معلمان
    مقاله آماده وب معنایی و مدیریت اطلاعات بر پایه معنا در پایگاه داده های رابطه ای
    مقاله ترجمه شده با موضوع گراف های هش مربوط به توزیع کلید
    مقاله دولت الکترونیک و ارائه اطلاعات و داده های باز دولتی به کاربران
    مقاله شبکه عصبی کانولوشن عمیق – CNN و طبقه بندی تصاویر بزرگ با تعداد بالا
    مقاله کاربردهای داده کاوی در هوش تجاری
    میزان تاثیر چند پارامتر روی عملکرد ورزشکاران با استفاده از ماشین یادگیر بیزین



    انجام پروژه های متلب
    سفارش پروژه های پایتون
    سفارش پروژه های دانشجویی

پروژه داده کاوی در رپیدماینر (Rapid Miner)سه
دانلود پروژه آماده پیاده سازی مدل های مختلف داده کاوی در رپیدماینر (Rapid Miner)

تیم همیارپروژه یک پروژه بسیار کاربردی و دانشجویی را در حوزه داده کاوی در نرم افزار رپیدماینر (Rapid Miner) پیاده سازی نموده است که همراه با توضیحات و گزارش نحوع اجرا بصورت مفصل می باشد.توضیحات تکمیلی درمورد پروژه را در زیر بخوانید :
مقدمه ای در مورد داده کاوی:

امروزه فرایند استخراج اطلاعات معتبر، ناشناخته، قابل فهم و قابل اعتماد از مجموعه داده های بزرگ واستفاده از آن در تصمیم گیری و در فعالیت تجاری داده کاوی نامیده می شود. داده کاوی به طور خلاصه یافتن اطلاعات پنهان داده ها است. برای انجام اینکار داده ها با روش هایی مورد تجزیه و تحلیل قرار می گیرند. همواره در رابطه با تحلیل و بررسی داده های با حجم بالا، با مشکل ابعاد و پیچیدگی پایگاه داده مواجه هستیم علم داده کاوی شامل کاربرد ابزاری برای تحلیل داده های مصنوعی و کشف الگوهای ناشناخته ی معتبر و روابط بین مجموعه های داده وسیع می باشد. استفاده از این ابزار ها در مباحث مختلف صنعتی مدیریتی، مالی، مهندسی منجر به پیشرفت سازمان در تحلیل داده های وسیع شده است.
توضیح پروژه:
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.comدر این پروژه هدف انجام مدل های مختلف داده کاوی که شامل الگوریتم های دسته بندی و خوشه بندی  و همچنین پیش پردازش داده ها است، می باشد. در واقع در راستای بررسی تفاوت ها و دقت مدل های مختلف داده کاوی یک دیتاست از مجموعه دادگان uci انتخاب شده و پس از انجام پیش پردازش روی داده ها، داادگان را جهت دسته بندی به الگوریتم های مختلف دسته بندی داده و روی هر کدام دقت را بدست آورده و در نهایت دقت آن ها را باهم در جدول و نمودار مقایسه نمودیم. سپس  باری دیگر دادگان را برای خوشه بندی به الگوریتم های مختلف داده و از نظر عملکرد آن ها را با فاصله درون کلاسی بررسی می کنیم.
ویژگی داده ها:

در  این پروژه از مجموعه دادگان car Evaluation استفاده شده است. این دیتاست متعلق به مجموعه UCI می باشد و ویژگی های آن به صورت زیر می باشد:

پروژه آماده داده کاوی
داده ها در رپیدماینر:

پروژه رپیدماینر
پیش پردازش داده ها:

همانطور که در شکل قسمت قبل دیده می شود داده ها داری مقادیر گمشده نمی باشند. به همین دلیل پیش پردازش داده ها را به یافتن مقادیر outlier اختصاص می نماییم. با توجه به اینکه تعداد ویژگی داده ها ۶ عدد می باشد نیازی به کاهش بعد با توجه به حجم بالای نمونه ها نیز نمی باشد. پس با استفاده از نود detect outlier نمونه های پرت را پیدا نموده و سپس آن ها را با نود filter Examples  فیلتر می نماییم.

جهت خارج کردن ویژگی های اضافه که هنگام یافت outlier ها به ویژگی های اصلی داده ها اضافه شد از نود Select Attribute استفاده شده است.

برای تقسیم داد  ها به دو بخش آموزش و تست از نود validation  استفاده شده است در قسمت تنشیمات این نود ۰٫۷ داده ها برای آموزش و ۳۰ درصد باقی برای تست در نظر گرفته شده است.

پروژه داده کاوی

 
جهت مشاهده ادامه توضیحات و دریافت فایل پروژه به همراه گزارش آن ابتدا باید آن را خریداری نمایید.
شما عزیزان می توانید از طریق لینک خرید زیر این پروژه بسیار کاربردی را دریافت نمایید.

 

بازدید : ( 128بازدید )
دسته : پروژه ها, پروژه های رپیدماینر (Rapid Miner), داده کاوی و بیگ دیتا, هوش مصنوعی
برچسب : انجام تمرین داده کاوی, پروژه data mining, پروژه آماده پیاده سازی مدل های مختلف داده کاوی, پروژه آماده داده کاوی, پروژه داده کاوی, پروژه داده کاوی در رپیدماینر (Rapid Miner), تمرین داده کاوی, داده کاوی در رپیدماینر, دانلود پروژه آماده پیاده سازی مدل های مختلف داده کاوی در رپیدماینر (Rapid Miner), دیتاماینینگ در رپیدکاینر   

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
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.comآموزش 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


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

 

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

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
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.comنرم‌افزار 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.
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com

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.
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.comهر 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.

 

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.

 

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
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.comالف- 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.

      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)

 
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
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.

 

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.

 

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

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

 

 
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.comدانلود 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

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
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
انجام پروژه های داده کاوی با نرم افزار weka
انجام پروژه های داده کاوی با نرم افزار