انجام پروژه های داده کاوی با نرم افزار وکا weka

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

انجام پروژه های داده کاوی با نرم افزار وکا weka


داده کاوی رها
پروژه داده کاوی با نرم افزار وکا

باسلام اطفا فایل ضمیمه را مطالعه بفرمایید لطفا کسانی که تخصص کافی دارند پیشنهادبدهند چون پروژه برای پایان نامه است و از اهمیت بالایی برخوردار است / دقیقا مطابق خواسته هایی فایل ضمیمه شده باشد در غیر...
انجام پروژه با متلب و وکا

سلام این فایل ضمیمه رو لطفا مطاله بفرمایید میشه کدهاشو با متلب نوشت و وکا فقط واسه کلاسیفیکشن و دسته بندی هست ممنون میشم انجام بدین فقط چون پروژه از اهمیت فوق العاده ای برای من برخوردار است فق...
پیاده سازی مقاله در نرم افزار وکا

یک مقاله در خصوص تشخیص پیوند در شبکه ها است که سعی دارد روش نظارت شده وزن دار و بدون وزن را با حالت نظارت نشده مقایسه کند. برای اینکار 8 معیار تعریف کرده و آنها را برای مجموعه داده در نرم افزار وکا مح...
تمرین 2 نرم افزار وکا weka

تمرین درسی نرم افزار درس یادگیری ماشین قسمت دوم و سوم زیرساخت:نرم افزار وکا weka
تمرین داده کاوی با نرم افزار وکا - فوری
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
ط به دسته بندی,خوشه بندی,ایتم های پرتکرار.حل با نرم افزار وکا.داکیومنت مراحل انجام کار ضروری است.زیرساخت:ویندوز 7 یا 8 فرقی ندارد فقط اینکه برنامه وکا اجرا شود...
انجام پروژه یادگیری ماشین با متلب یا وکا و نرم افزار Gephiبر روی داده ضمیمه شده

1. با استفاده از یکی از روشهای درخت تصمیم دسته بندی داده های توئیتر را انجام دهید نتایج را ارزیابی و تحلیل نمایید ، معیار نمره صحت نتایج و ارزیابی تحلیلی میباشد 2. با استفاده از خوشه بندی مبتنی بر...
انجام پروژه وکا

ک مقاله رو خروجی ان رو با نرم افزا Wekaخارج بشه حدامکان مقاله کنفرانسی نباشه  و جدید باشه و روش کارو خودم هم بتونم توضیح بدم
کار با نرم افزار وکا
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
و انجام الگوریتم naive bayes  بر روی آن
انجام چند الگوریتم بر روی دیتاست بر روی نرم افزار وکا

م الگوریتم های زیر بر روی دیتاست با وکا اجرا شود :  Multinomial Naïve Bays Bernoulli Naïve Bays Logistic Regression k ) KNN(1), KNN(2), KNN(3)   می...
تمرین درس یادگیری ماشین با نرم افزار وکا یا متلب

ن با نرم افزار وکا در رابطه با کاهش ابعاد داده با PCA و خوشه بندی با الگوریتم های مختلف . شرح کامل تمرین ضمیمه شده است.
تشخیص جوامع همپوشان با استفاده از نرم افزار وکا

جو نرم فزار می باشم و  موضوع پایان نامه ام تشخیص جوامع  با استفاده از نرم افزار وکا هست را باید انجام دهید و یک پایان نامه مقایسه ای است با کارهای قبلی . در واق...
مشاوره و راهنمایی برای یک پروژه با نرم افزار داده کاوی وکا

به یک مجری احتیاج دارم جهت مشاوره و راهنمایی در زمینه داده کاوی بت وکا برای پایان نامه ام.
مشاوره و راهنمایی برای یک پروژه با نرم افزار داده کاوی وکا
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
با سلام یک پروژه دانشگاهی هست برای پایان نامه که فصل 4ان رو میخواهم با وکا انجام بدم. رشته مدیریت مالی
مشاوره و راهنمایی برای یک پروژه با نرم افزار داده کاوی وکا

انجام فصل 4پایانه با نرم افزار وکا یا پایتون ، پایان نامه مالی مربوط به ابزارهای دستهربندی

انجام پروژه های داده کاوی با نرم افزار RapidMiner راپید ماینر

دا کردن افراد موثر در شبکه‌های اجتماعی(تحقیقاتی)
ارزیابی‌ها
تغییرات
پروژه درس هوش مصنوعی
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
میزان اهمیت شبکه های مجازی در زندگی انسان ها، روز به روز در حال افزایش است. با گسترده تر شدن تعداد و امکانات این شبکه ها، آن ها می توانند بستر مناسبی برای فعالیت های پر اهمیتی همچون: تجارت، مسائل سیاسی و غیره، باشند. در این میان افراد موثر بهتر از سایرین قادر خواهند بود تا به اهدافشان در شبکه های مجازی برسند. مطالب تبلیغاتی، اخبار و ... از دسته ی مطالبی است که بازدید زیاد آن ها، به معنی موفقیت آمیز بودن انتشار آن ها در دنیای مجازی بوده است. کاملا بدیهی است که هر چقدر که منتشر کننده ی این نوع مطالب شخص موثرتری در شبکه ی اجتماعی باشد، طبیعتا مطلب نیز پربازدید تر است و در اجتماع تاثیر بیشتری می گذارد. پس می توان گفت اگر می خواهیم بدانیم که چگونه برخی از مطالب موثر و همه گیر می شوند و بعضی دیگر اینگونه نیستند، در گام اول باید افراد موثر در شبکه های اجتماعی را شناسایی کنیم. در ادامه به یکی از مسائل در این حوزه می پردازیم.
۱. مقدمه
۱.۱. اهمیت افراد موثر در شبکه های اجتماعی

امروزه کسی نمی تواند اهمیت افراد موثر دنیای مجازی را در زندگی نادیده بگیرد. شبکه های اجتماعی همانند توییتر، فیسبوک و صد­ها سایت دیگر، بخش مهمی از دنیای مجازی و پهناور اینترنت هستند که نقش مهمی در زندگی انسان ها ایفا می کنند و ساعات زیادی را از وقت کاربران را در روز به خود اختصاص می دهند. روزانه حجم بسیار زیادی از داده، در قالب توییت یا هر فرمت قابل انتشار دیگری، از طریق شبکه های اجتماعی به اشتراک گذاشته می شود.
در تعداد بسیار زیادی از این توییت ها اطلاعات صریح (explicit) و نهفته (implicit) بسیار زیادی موجود است. بدیهی است که اکثر کاربران شبکه ی اجتماعی توییتر، مطالعه ی علمی در حوزه ی داده و انتقال اطلاعات ندارند. اما تجربه و هوشمندی برخی از آنان موجب شده است که توجه افراد بیشتری را نسبت به سایر کاربران به خود معطوف سازند. علاوه بر محتوای پیام، تشخیص میزان تاثیرگذاری و دلایل آن نیز، اطلاعات قابل تاملی را در اختیار محققین قرار می دهد.

شبکه های اجتماعی خاستگاه بسیاری از جریان های فکری است و مسلما تعدادی از کاربران با آگاهی کامل از محتوای پیام های خود، اقدام به ترویج طرز فکری خاص میان افراد یک جامعه، یک کشور و ... می کنند. شناختن این افراد به ما در شناخت تمایلات جامعه کمک می کند. این شناخت کاربردهای مختلفی در حوزه ی تجارت، سیاست، فرهنگ و ... دارد. برای مثال می توان در مواقعی که جامعه نیاز به روحیه ی و یکپارچگی دارد می توان از این افراد موثری که در حوزه ی مسائل اجتماعی فعالتی می کنند، کمک خواست. به طور کلی، شناختن افراد موثر در شبکه های اجتماعی و دلایل تاثیر گذاری این افراد، به ما کمک می کند تا با الگو گرفتن از آن ها بتوانیم علاوه بر استفاده از تکنیک های آنان در رساندن پیام های خود، جریان های مخرب را به موقع شناسایی کنیم و از همه گیر شدن (viral) آنان حتی الامکان جلوگیری کنیم.
۱.۲. شرح پروژه

این پروژه بر اساس یکی از مسابقات سایت kaggle[4] تعریف شده است. در این مسابقه، از شرکت کنندگان خواسته شده است تا مدلی طراحی کنند که از بین دو کاربر، تشخیص دهد که کدام به نظر سایر کاربران (انسان های دیگر)، شخص موثر تری در شبکه ی اجتماعی توییتر (Twitter) است. البته چون مسئله ی ما یافتن افراد موثر است در انتها خواهیم گفت که چگونه می توان از این مقایسه ها به افراد موثر در بین تمام اعضای جامعه ی آماری خود برسیم.
۲. پیش زمینه
۲.۱. دانش مورد نیاز
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
این مسئله از سوالات مورد بحث در حوزه ی داده کاوی است.
با افزایش سرعت، تولید و انتقال اطلاعات، امروزه علم تازه متولد شده ی داده کاوی از trend های اصلی علوم کامپیوتر است. داده کاوی بخش های مختلف علوم بسیار زیادی را دربر می گیرد. در حوزه ی هوش مصنوعی، داده کاوی از انواع روش های Learning سیستم های کامپیوتری بهره می گیرد. داده ها ارزش
تحلیل آماری بسیاری دارند. لذا این علم از درس آمار که شاخه ای از ریاضیات نیز می باشد استفاده می کند. علاوه بر علوم ریاضیاتی همانند کامپیوتر و آمار، نباید اهمیت علوم انسانی یا به بیانی دقیق تر علوم شناختی را در داده کاوی فراموش کرد. برای مثال، مسئله ی مورد بررسی ما نیز خود به پرسشی اجتماعی می پردازد و شاید حتی مطرح کردن نتایج این تحقیق با دانشمندان علوم شناختی برای آن ها دلپذیر باشد. در بخش کار های مرتبط به شرح هر یک از این شاخه و اتباط آن با پروژه ی خود می پردازیم.
۲.۲. آموزش (Learning)

ما در این پروژه از یادگیری بانظارت (Supervised Learning) بهره می بریم.
هنگامی که داده های ما با یک سری اتریبیوت خود را معرفی می کنند. مثلا در مجموعه ی دادگان مسئله ما که تنها به ذکر شخص A و B نپرداخته و ویژگی های آنان را نیز مشخص کرده است.[1]
۲.۳. مدل ها
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
یک مدل (Model) یا به بیان
دقیق تر، یک مدل پیش بینی کننده(Predictive Model)، مجموعه ی قوانین برداشت شده از نمونه های طبقه بندی شده و شناخته شده است که به کمک آن، می توانیم دسته ی داده های دسته بندی نشده ی خود را پیش بینی کنیم.[3]
۲.۳.۱. ساختن مدل

به طور کلی مدل سازی، تقریبا با هر روشی، مراحل مشخصی دارد:

1- آموزش (Train ): ما در این مرحله باید تعداد نسبتا زیادی داده ی درست (valid) را همراه با خروجی مورد نظر و درست در اختیار سیستم قرار دهیم تا از روی آن مدل را بسازد. ما در این پروژه فایل train.csv را داریم که دارای داده های آموزشی است. ستون choice حاوی پاسخ انسان به مقایسه است.
2- تست (Test) : اکنون که مدلی را در اختیار داریم، نمی توانیم بدون آزمایش بگوییم که مدل ما درست است. باید توسط یک سری داده ی دیگر آن را تست
کنیم. در این پروژه فایل test.csv برای این منظور قرار داده شده است.
3- استفاده از مدل : هنگامی که تست مدل را تایید کرد، آنگاه می توانیم آن را برای داده
هایی که پاسخش برای ما مجهول است به کار ببریم.
۲.۳.۲. ارزیابی مدل ها

ما می توانیم کارآمدی و احتمال صحت نتایج مدل خود را با قوس آر او سی (ROC) و مساحت زیر آن قوس(AUC) بسنجیم. [1]
۳. کارهای مرتبط

درباره ی افراد موثر در فضای مجازی مقالات و مطالب متعددی وجود دارد که به برخی از آنان به اختصار اشاره می کنیم.
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
در یکی از مقالات[6]، از گراف رابطه استفاده شده است. کاربران به عنوان راس های این گراف هستند و هر چقدر کاربری یال های ورودی بیشتری داشته باشد، شخص موثر تری است. یال ها می تواند روابط مختلف را نشان دهد.

در مقاله ای[7]، از قوانین تجمعی (Association Rule ) و به بیان ساده تر، الگو کاوی (Pattern Mining) برای حل این مسئله کمک گرفته شده است. استفاده از مفاهیم پیشتیبان (support) دو ویژگی و اطمینان (Confidence) روش اصلی آموزش در این مقاله است.

استفاده از اس وی ام (SVM) در مقاله ای که جریان همه گیر شدن آنفولانزای خوکی را در توییتر یافت می کرد نیز به چشم می خورد. [8]
این مقاله از طریق یادگیری اولویتی راه حل پیشنهادی خود را ارائه می دهد.
۴. آزمایش‌ها

یادگیری اولویتی(Preference Learning) نیز از روش های بانظارت هست که از جهاتی به دسته بندی (Classification) نزدیک است. با توجه به ماهیت مسئله ی ما یادگیری اولویتی روش مناسبی است.
۴.۱. یادگیری اولویتی

در یادگیری اولویتی ما در پی آموزش مدلی هستیم که ارحجیت (Preference) داده ها بر یک دیگر تشخیص دهد. به بیان ریاضیاتی، ما مجموعه ازاشیا را داریم که هنگامی که آن را به مدل خود می دهیم، مدل ما اولویت و ارجحیت (می تواند نسبی یا مطلق باشد.) آن ها را برای ما تشخیص دهد. در بخش های بعد توضیح خواهیم داد که ماهیت مدل چیست و چگونه می توان آن را به دست آورد(اکنون به این مقدار توضیح کفایت می کنیم که مدل از یک سری داده ی درست ساخته می شود و بعد از تایید شدن آن، می توان آن را برای داده های ناشناخته و تحلیل شده استفاده کرد.).[2]
در ساده ترین انواع این مسائل می بینید که مجموعه از اشیا را به ما داده اند و می خواهند که جایگشتی را از آن ها مدل به ترتیب ارجحیت تولید کرده است، به عنوان پاسخ ارائه کنیم. (شکل 1)
شکل 1
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
اکنون که به کمک یک مسئله ی ساده با Preference Learning آشنا شدیم، مسئله ی دیگری را بررسی می کنیم که شباهت بیشتری با مسئله ی ما که
مقایسه دو نفر است دارد. (شکل 2)
شکل 2

اگر به مسئله دقت کنید متوجه می شوید که این بار هر ورودی مدل، ترتیبی از Label های مسئله تعبیر می شود. در مسئله ی ما، ما دو ترتیب A>B و B>A را
داریم. تلاش برای حل مسئله ی دوم در واقع آغاز مسیر ما برای یافتن فرد موثر تر در هر داده به سیستم مدل ماست.
در بخش بعد منحصرا به Pair-wise Preference Learning می پردازیم.

۴.۱.۱. یادگیری اولویتی جفتی(Pair-wise Preference Learning)

در مسئله ی دوم بخش قبل، با داده هایی به عنوان ورودی برخورد کردیم که تحلیل مدل از آن ها موجب می شد تا مجموعه از Label ها به جایگشتی بر اساس ارحجیت آن ها با توجه به داده ی ورودی تعیین می شد. (پیش از هر توضیح بیشتری لازم می دانم که بگویم ما بیشتر به مسائلی که به یافتن افراد موثر است می پردازیم. از لحاظ علمی، ممکن است مدل ما به گونه ی طراحی شود که برخی ارجحیت ها را بگوید و در مورد ارجحیت هایی سکوت کند. لذا قادر نخواهد بود که همواره جایگشتی از Label ها را ارائه کند. اما استفاده از کلمه ی جایگشت در حوزه ی مسئله ی ما جایز و صحیح است.)

به دسته ای مسائلی که مدل به ازای هر رکورد از داده، ارجحیت دو برچسب (Label) نسبت به هم را پیشنهاد می دهد، Pair-wise می گوییم و اکنون نشان می دهیم که مسئله ی ما از این دسته مسائل است. با توجه به اینکه داده های ما به دو دسته تقسیم می شوند ، 1- دسته هایی که ارجحیت با Label اول است و 2- بالعکس ، می توان آن را با یک Pair-wise classification(or Preference) متناظر (Map) کرد. به شکل 3 و 4 توجه کنید.
شکل 3
شکل 4
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
اکنون می خواهیم شرایط مسئله ی فرد موثرتر را بررسی کنیم. ما دو Label A,B را داریم و تنها دو ارجحیت A>B و B<A. اگر اولی را معادل 1 و دومی را معادل صفر بگیریم، یا در حالت پیوسته به نسبت ارجحیت عددی را از [0,1] به آن نسبت دهیم با یک مسئله ی جفتی رو به رو می شویم.
در بخش بعد به شرح بیشتر مجموعه ی دادگان مسئله می پردازیم.

۴.۲. مجموعه ی دادگان

مجموعه های دادگان (Data sets) ما مربوط به شبکه ی اجتماعی توییتر هست و در هر ردیف آن ویژگی (attribute) های پروفایل دو کاربر و انتخاب انسان ذکر شده است. دو دسته دیتاست که یکی برای آموزش سیستم و دیگری برای تست سامانه است، موجود است. اشخاص با حروف A و B مشخص شده است. در صورتی که اتریبیوت انتخاب (Choice) برابر یک باشد، شخص A و اگر صفر باشد شخص B توسط انسان شخص موثری تری تشخیص داده شده است.
برای هر کاربر 11 اتریبیوت موجود است که عبارتند از: 1- دنبال کنندگان (Followers) 2- دنبال شوندگان (Followings) 3- تعداد حضور در لیست ها 4- نرخ منشن شدن ها 5- نرخ ریتوییت شدن ها 6- نرخ منشن کردن ها 7- نرخ ریتوییت کردن ها 8- نرخ پست گذاری 9-10-11 – network features
حجم داده ی آموزشی 5500 رکورد و حجم داده ی تست 5950 رکورد است.
۴.۳. ساختن مدل
۴.۳.۱. بیز ساده

روش های09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail] مدل سازی را در بخش کار های مرتبط بررسی کردیم. اکنون به ساخت مدل می پردازیم. بیز ساده (Naive Byes) یک روش دسته بندی است. این روش به دلایل زیر برای مسئله ی ما مناسب می باشد.

    مناسب برای کلاسه بندی های بین صفر و یکی یا اصطلاحا دو دویی (باینری) می باشد.

    یک روش آماری است و برای مسائلی که مجموعه ی دادگان آن ها به فرم رکورد (Record) است مناسب است.

    آموزش دادن مدل کار سختی نیست و در مدت کوتاهی قابل انجام است.
    در این روش ما باید تمامی ویژگی ها را به صورت گسسته دربیاوریم. برای این کار می توانیم، از روش های مختلف گسسته سازی (discretization) بهره بگیریم.
    قاعده ی بیز، احتمال رخدادی را در صورت قطعی بودن رخداد دیگری پیش بینی می کند. گسسته سازی مجموعه دادگان، تعداد حالات ما را محدود و شمارا می کند. از این رو، به کمک داده های آموزشی می توانیم برای هر حالتی احتمالی را به آن حالت نسبت دهیم.
    بعد از ساختن مدل، اکنون هر رکورد جدیدی را برحسب فرمول به دست آمده طبق بیز ساده می توانیم با احتمالی بر حسب داده های مشابه به دست آمده است، دسته بندی کنیم.
    ما برای هر رکورد چند ویژگی داریم و هر ویژگی متعلق به دو کاربر است. لذا می توانیم بر حسب اختلاف ویژگی های مربوط به هر کاربر، قاعده ی بیز را اعمال کنیم.
    به طور کلی فرمول قاعده ی بیز به شکل زیر است:
    قاعده ی بیز
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
در این شکل C ویژگی مورد سوال است که در مسئله ی ما برتری A یا B مورد سوال است. x آن رخدادی است که محقق شده است. در مسئله ی ما هر x دسته ای از داده ی حاصل شده از تفاضل ویژگی های کاربران است که به وسیله ی گسسته سازی یکسان می شوند.
اکنون با چالشی رو به می شویم. به دلیل این که ویژگی x در واقع خود ترکیب 11 ویژگی متفاوت است، حالت های بسیار زیادی دارد. زیرا گسسته سازی اگر هر ویژگی را به k بخش تقسیم کند، آن گاه k به توان یازده حالت داریم!
اگر این کار را برای هر ویژگی جداگانه انجام دهیم، با فرض بالا 11k حالت داریم. یعنی اگر به کمک این 11k حالت بتوانیم تمام حالت ها را تولید کنیم پیچیدگی مدل سازی را از نمایی به حالت چند جمله ای کاهش دادیم. به کمک فرمول زیر قادر خواهیم بود که این کار را انجام دهیم:
اگر X، همه ی ویژگی ها x1 تا xn هر ویژگی باشد:
p(c|X) = p(x1|c)p(x2|c)...p(xn|c)p(c)
در مسئله ی ما شرط c، موثر بود شخص A (و نقیض آن شخص ) می باشد. X دقیقا یکی از 11k حالت است و هر یک از xi ها یکی از حالت هایی است که هر ویژگی پس از گسسته شدن به آن تصویر (mapped) شده است.
هر چقدر گسسته سازی مناسب تر باشد، مدل ما دقیق تر است و پاسخ های بهتری را به ما می دهد.
۴.۳.۲. تبدیل پاسخ مدل به یک مدل آموزش برای رتبه بندی (Learning to rank)
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
مدل ما یک مدل جفتی (دوتایی) برای رتبه بندی است. اما مسئله ی ما در ابتدا، پیدا کردن افراد موثر در کل جامعه ی نمونه ی ما بود. برای استفاده از نتایج مدل به دست آمده، باید تعداد نتایج به اندازه ی کافی باشد. در بهترین حالت (ایده آل و تقریبا غیر ممکن)، زمانی که کاملا اتفاقی داده های ما خود به ترتیب اولویت باشد با پیچیدگی زمانی خطی بر حسب تعداد کاربران بدون تکرار (distinct) می توان به یک رتبه بندی کلی رسید. اما بهترین حالت اصلا محتمل نیست و انتخاب زوج ها برای مقایسه و ترتیب مقایسه ها کاملا تصادفی است. در بد ترین حالت نیز با داشتن n(n-1)/2 نتیجه از مقایسه ی جفتی که در آن n تعداد تمام کاربران جامعه ی نمونه است، می توان به نتایج کافی رسید.[4]
یکی از راه های کاهش مقایسه ها گروه بندی کاربران است. سپس بالا و پایین هر گروه را با هم مقایسه می کنیم. اما در این روش نیز برای رسیدن به یک رتبه بندی مطلق (absolute) باید این کار را چند مرحله تکرار کنیم و در حالت میانگین (average case) پیچیدگی n^2 است.
۵. کارهای آینده

مهم ترین کار در آینده پیاده سازی مدل پیشنهادی در مقاله است.
همچنین برای رسیدن به مدل دقیق تر در حل این مسئله می توان:
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
    در صورت داشتن زمان، فضا و مجموعه ی دادگان کافی مدل سازی از روش شبکه های عصبی را بررسی کرد.

    روی روش های گسسته سازی مناسب تر کار کرد. برای مثال، برای داده هایی که به صورت یکسان توزیع نشده اند روش های وزن دار را به کار برد.
    همانگونه که در مقدمه اشاره شد، این مسئله به دلیل آن که انسان و نظر انسان را مورد مطالعه قرار می دهد در حوزه ی علوم شناختی نیز ارزشمند است. می توان نتایج حاصل از این تحقیق را در اختیار دانشمندان علوم شناختی قرار داد تا از آن در تحقیقات خود بهره ببرد.
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
۶. مراجع

[1] Data Mining Concepts and Techniques (Chapter 3-7-8), J.Han and others, third edition, 20

آموزش داده کاوی با RapidMiner

آموزش فشرده داده کاوی با RapidMiner -

09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
 
داده کاوی با رپیدماینر

 
آموزش فشرده داده کاوی با رپیدماینر - RapidMiner ()

Introduction to Data Science Platforms: RapidMiner

معرفی دوره‌، هدف و کاربرد

«نفت دیجیتالی» اصطلاحی است که امروزه به داده های انبار شده در صنایع تخصیص یافته است. این، به سبب وجود دانش نهفته در داده های انبار شده و امکان استخراج دانش از این سرمایه‌ی عظیم است.
علم داده یا Data Science که امروزه در زمره‌ی رشته‌های مورد توجه در جهان قرار گرفته است، با استفاده از تکنیک های آنالیز داده ، الگوریتم های یادگیری ماشین یاMachine Learning و کلان داده یاBig Data توانسته است رشد بسیار ارزنده‌ای در صنایع و محیط‌های پژوهشی داشته باشد.
در این دوره آموزشی کوتاه مدت به صورت مقدماتی به ارائه روش‌های تحلیلی پیشگویانه و توصیفی داده کاوی در نرم افزار رپیدماینر نسخه 7.4 پرداخته می‌شود.
رپیدماینر که بر اساس گزارش گارتنر در سال های 2014، 2015، 2016 و 2017 ، عنوان «پیشرو» را میان سایر نرم افزارهای تحلیل داده به خود اختصاص داده است، توانسته است الگوریتم های متنوع یادگیری ماشین را در بستری قابل انعطاف و به‌دور از کدنویسی برای مخاطبان خود ارائه دهد. لذا تحلیلگران کسب و کار ، دانشمندان داده ، دانشجویان و سایر علاقه مندانی که آشنایی مختصری با مفاهیم داده کاوی دارند در این دوره خواهند توانست ضمن آشنایی کلی با تکنیک های پلتفرم RapidMiner ، به‌کارگیری الگوریتم های مختلف را بر روی مجموعه داده های خود فرا گیرند و با ارائه نقشه راه به‌کارگیری نرم افزار بتوانند دانش خود را گسترش دهند.

اهداف این دوره عبارت است از:

    آشنایی مقدماتی و یادگیری نرم افزار داده کاوی RapidMiner
    ایجاد آمادگی برای اجرای پروژه های میدانی و پژوهشی تحلیل داده به کمک نرم افزار رپیدماینر

09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]ره
آموزش فشرده داده کاوی با نرم افزار RapidMiner
(همزمان حضوری و آنلاین)
 

معرفی دوره‌، هدف و کاربرد

دوره آموزشی داده کاوی با رپیدماینر برای علاقمندانی طراحی شده است که از پیش با اصول و مبانی داده کاوی آشنایی دارند و اکنون قصد دارند تا با یادگیری یک نرم افزار کاربردی آسان و در محیطی که کم ترین نیاز به کدنویسی دارد، نسبت به اجرای پروژه های داده کاوی اقدام نمایند. در این دوره نحوه ی اجرای روش های مختلف داده کاوی در نرم افزار رپیدماینر آموزش داده می شود.

ه هنرجویان با نحوه ی کار و استفاده از نرم افزار RapidMiner آشنا خواهند شد و خواهند توانست داده‌ها را آماده سازی کرده سپس مدل های داده کاوی را روی داده های استاندارد پیاده سازی کنند.
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]

 شروع دوره جدید آموزش داده کاوی با RapidMiner :





داده کاوی با نرم افزار RapidMiner

روزهای برگزاری



مخاطبین دوره

    کارشناسان پروژه‌های داده کاوی
    دانشجویانی که پروژه‌های پژوهشی مرتبط با داده کاوی انجام می‌دهند
    علاقمندان به داده کاوی

پیش نیاز دوره

    آشنایی شرکت کنندگان با ریاضیات، آمار و علوم کامپیوتر کمک شایانی به بهره‌برداری هر چه بیشتر ایشان از این دوره آموزشی می‌نماید
    دوره آموزش اصول و مبانی داده کاوی

محتوای دوره

مع
     نحوه خواندن داده ها
    تبدیل، پاکسازی، کاهش ابعاد، ترکیب و نمونه گیری در RapidMiner

مدل سازی
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
     آشنایی با روش های مختلف مدل سازی
     آشنایی با Neural Networks
    خوشه بندی
     روش K-means
    ارزیابی مدل

پیشنهاد تکمیلی

    دوره پیشرفته نرم افزار RapidMiner
    داده کاوی با پایتون
    داده کاوی با R
    مشاهده فیلم کارگاه اجرای سه پروژه داده کاوی به صورت عملی
    مشاهده فیلم وبینار مقایسه غول‌های نرم افزاری داده کاوی

آموزش مبانی داده کاوی و نرم افزار - RapidMiner یا R

فیلمک: دوره آموزش مبانی داده کاوی و نرم افزار RapidMiner

placabi filmak introduction to data mining
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
برای مشاهده‌ی فیلمک های آموزشی می‌توانید به بخش «محتوای چندرسانه‌ای» وب سایت ما مراجعه کنید!

آموزش مبانی داده کاوی و نرم افزار مربوط - RapidMiner یا R

معرفی دوره‌، هدف و کاربرد

حجم وسیع داده‌ها در دنیای کنونی باعث شده شناسایی و کشف روابط و الگوی پنهان میان داده‌ها و اطلاعات با مشکلات جدی مواجه شود. دانش داده کاوی با هدف فراهم آوردن روش‌هایی برای پردازش هوشمند حجم زیاد داده‌ها و استخراج روال‌ها و قوانین حاکم بر آن‌ها مطرح شده است. دانش داده کاوی و تکنیک‌های آن در هر جا که با مساله تجزیه و تحلیل اطلاعات مواجه هستیم، قابل استفاده و کاربرد می‌باشد.

این دوره با هدف آموزش مفاهیم و مبانی داده کاوی و آشنایی شرکت کنندگان با فرایندها و ابزار مرتبط ارایه می‌شود. شرکت کنندگان پس از گذراندن این دوره ضمن آشنایی با روش‌ها و مصادیق مختلف داده کاوی در صنایع گوناگون و آموزش نرم افزار داده کاوی رپیدماینر یا R ، می‌آموزند چگونه از داده کاوی برای پردازش و تبدیل داده‌های با حجم زیاد به اطلاعات و دانش کاربردی قابل استفاده در تصمیم گیری های استراتژیک سازمانی استفاده کنند. آموزه‌های حاصل از این دوره، شرکت‌کنندگان را در انجام تحقیقات داده کاوی، انجام پروژه دانشجویی خود، و اجرای پروژه‌های داده کاوی یاری می‌نماید.


روزهای برگزاری

دوره‌ی حضوری مبانی Data Mining و نرم افزار RapidMiner  در سه هفته پیاپی در روزهای پنجشنبه و جمعه از ساعت 15:00 تا 19:00 برگزا09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]ر می‌شود.

ش آنلاین مبانی داده کاوی و رپیدماینر یا R در چهار هفته پیاپی در روزهای شنبه و یکشنبه از ساعت 18:00 الی 21:00 برگزار می‌شود.

مخاطبین دوره

    مدیران راهبردی، مدیران اجرایی، مدیران ارشد در سازمان‌ها و کسب و کارهای مبتنی بر داده
    مدیران و کارشناسان بخش IT
    پژوهشگران و محققان در حوزه‌ی داده کاوی
    علاقه مندان حوزه‌ی داده کاوی


    آشنایی شرکت کنندگان با ریاضیات، آمار و علوم کامپیوتر کمک شایانی به بهره‌برداری هر چه بیشتر ایشان از این دوره آموزشی می‌نماید

محتوای دوره

آشنایی با داده کاوی

    مقدمه‌ای بر داده کاوی
    مرور موفقیت‌های پیاده‌سازی داده کاوی در صنایع مختلف

پیش پردازش و درک داده ها
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
    تشریح داده ها
    پاکسازی داده ها
    مدیریت داده های از دست رفته
    کاهش بعد و گسسته سازی داده ها
    انتخاب متغیرهای تاثیر گذار
    تحلیل آماری داده ها

رده بندی و پیش بینی

    مرور روش‌های معمول
    نحوه ارزیابی مدل‌ها

خوشه‌بندی

    مرور روش‌های معمول
    نحوه ارزیابی مدل‌ها

قواعد انجمنی

    مرور روش‌های معمول
    نحوه ارزیابی مدل ها
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
کشف نقاط دور افتاده

    مرور روش های معمول

آموزش نرم افزار رپیدماینر یا R و کار با این نرم افزار در کنار آموزش مبانی و اصول Data Mining ارایه می‌گردد.

پیشنهاد تکمیلی

    متن کاوی و وب کاوی (Web Mining and Text Mining)
    ترکیب اطلاعات (Information Fusion)


 

در صورت تمایل به خریداری فیلم

دوره آنلاین مبانی داده کاوی و نرم افزار مربوط - رپیدماینر یا R

آموزش متن کاوی با پایتون Python


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

عنوان دوره
متن کاوی با پایتون Python

( کاربرد زبان برنامه نویسی پایتون در متن کاوی )
Text Mining with Python

 

معرفی دوره و کاربرد

یک پروژه متن کاوی شامل مراحل جمع آوری مجموعه ای از متن ها و نوشتجات، تحلیل متن و تحلیل احساسات نهفته در متن ها، و در نهایت مصورسازی و نمایش نتایج به شیوه‌ی قابل فهم برای مخاطب است.

متون و نوشتجاتی که روی آن‌ها متن کاوی انجام می‌پذیرد از مراجع و منابع مختلفی همچون ایمیل ها، بازخوردهای دریافت شده از مشتریان در فرایند نظرسنجی، نظرات مشتریان بالقوه و بالفعل که به‌صورت آنلاین در وب سایت یا شبکه های اجتماعی ارایه می‌شود، مقالات و متون تحقیقاتی، علمی و پژوهشی، و ... گردآوری می‌شوند.
در دنیای امروز با به‌کارگیری پرشتاب تکنولوژی ارتباطات و اطلاعات که انبوهی از اطلاعات در قالب متون الکترونیکی تولید می‌شود، کسب و کارها می‌توانند از طریق متن کاوی به اطلاعات با ارزشی در خصوص بازار، مشتریان، رقبا، عملکرد و تصویر کسب و کار خود در نظر مشتریان و کسب و کارهای دیگر دست یابند. کسب و کارها از طریق تحلیل احساسات و به عبارتی تحلیل نظرات مثبت، منفی یا بی تفاوت کاربران نسبت به متن های موجود، می‌توانند به اطلاعات ارزشمندی برای بهبود و توسعه کسب و کار خود دست یابند.
داده کاوی و متن کاوی به ویژه در پروژه های تحقیقاتی و پروژه های پژوهشی نیز کاربرد بسیار زیادی دارد.

در این میان، زبان برنامه نویسی پایتون یکی از ابزار بسیار کامل و کاربردی در انجام پروژه های متن کاوی است.
زبان برنامه نویسی پرطرفدار و پرکاربرد Python با داشتن قابلیت‌هایی همچون متن باز بودن، کاربرد در توسعه پلتفرم های بیگ دیتا ، ماژول ها و کتابخانه های استاندارد و توسعه یافته، و قابلیت استفاده از کتابخانه‌ها و کدهای ایجاد شده در سایر زبان‌های برنامه نویسی ، از جمله ابزاری است که مورد اکثریت برنامه نویسان و متخصصین حوزه علوم داده قرار گرفته است.
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
دوره آموزشی متن کاوی با Python جهت متخصصین، دانشمندان داده و دانش پژوهانی که با مبانی داده کاوی و کاربرد پایتون در داده کاوی آشنایی قبلی دارند و در صدد اجرای پروژه های متن کاوی و تحلیل احساسات هستند طراحی شده است.

هدف

هدف از برگزاری دوره متن کاوی با پایتون ، آموزش نحوه اجرای پروژه های متن کاوی و تحلیل احساسات در نرم افزار پایتون Python به صورت کاربردی می‌باشد.
نحوه برگزاری دورره
این دوره به صورت هم زمان حضوری و آنلاین برگزار می‌شود.
مدت دوره

روزهای برگزاری


 

 شروع دوره  آموزش متن کاوی با Python : یکشنبه 7 مرداد



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

  ثبت نام دوره آموزش متن کاوی با Python

 


    برنامه نویسان و کاربران سیستم‌ها و راهکارهای داده کاوی و متن کاوی
    علاقمندانی که زمینه قبلی برنامه نویسی با پایتون دارند و حال می‌خواهند با به‌کارگیری تکنیک های آمار ، یادگیری ماشین ، مصورسازی داده ها ، تحلیل شبکه های اجتماعی ، و تحلیل متن ، پروژه های متن کاوی خود را اجرا کرده و به بینش جدیدی نسبت به داده ها دست یابند.
    توسعه دهندگان سامانه های Data Mining و Text Mining
    محققان، پژوهشگران و کارشناسان تحلیل داده در حوزه‌ی داده کاوی و متن کاوی و تحلیل احساسات
    کارشناسان و علاقه مندان به داده کاوی که برای اجرای پروژه دانشجویی یا اجرای پروژه تحقیقاتی سازمان خود نیاز به به کارگیری تکنیک های متن کاوی دارند.

    عضو رسمی گروه هوش کسب و کار ایرانیان
    مدرس دوره های کاربردی داده کاوی و نرم افزار های مربوط (رپیدماینر، Python و R)


شرکت کنندگان در این دوره می‌باید از قبل با مبانی داده کاوی و تکنیک ها و الگوریتم های داده کاوی و نیز داده کاوی با پایتون آشنایی داشته باشند.

اگر قبلا با مبانی و تکنیک های داده کاوی آشنایی دارید و حال می خواهید بعنوان پیش نیاز این دوره، داده کاوی با پایتون را بیاموزید، می توانید به صفحه ثبت نام دوره آموزش داده کاوی با Python مراجعه کنید.
سرفصل دوره
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
    مقدمه ای بر متن کاوی
    مروری بر روش های یادگیری ماشین در پایتون
    پیش پردازش متن (Tokenize ، حذف Stop Word ها ، Stemming و ...)
    POS Tagging
    Chunking
    Lemmatizing
    WordNet
    پیدا کردن n-gram ها
    ساخت بردار ویژگی ها با استفاده از کلمات متن ها
    شرح اجمالی عبارات منظم
    رده بندی و خوشه بندی متن ها
    تحلیل احساسات با پایتون



    دوره آموزش وب کاوی با پایتون
    دوره آموزش پیاده سازی سیستم های توصیه گر ( Recommendation System ) با پایتون

آموزش داده کاوی با IBM SPSS Modeler




عنوان دوره
آموزش کاربرد نرم افزار IBM SPSS Modeler در داده کاوی

معرفی دوره، هدف و کاربرد

نرم افزار IBM SPSS Modeler یک نرم افزار کاربردی برای داده کاوی و تجزیه و تحلیل متن است که توسط شرکت آی بی ام توسعه یافته است. این نرم افزار برای ایجاد مدل های پیش بینی کننده و انجام سایر امور تجزیه و تحلیل مورد استفاده قرار می‌گیرد.
نرم افزار آی بی ام اس پی اس اس مدلر دارای رابط کاربری گرافیکی مناسبی است که به کاربران امکان می‌دهد بدون نیاز به برنامه نویسی، الگوریتم های داده کاوی و آماری را در پژوهش‌های خود به کارگیرند.

هدف این دوره، آشنا نمودن شرکت کنندگان با نرم افزار IBM SPSS Modeler و کاربرد آن در داده کاوی است. در این دوره با فرض این که شرکت کنندگان از قبل با مبانی و اصول داده کاوی آشنا هستند، چارچوب و اصول اولیه نرم افزار IBM SPSS Modeler و نحوه کار با آن آموزش داده می‌شود. جهت کاربردی‌تر شدن دوره، چگونگی اجرای یک پروژه داده کاوی از مرحله جمع آوری داده ها(Data Collection) ، جست و جو در داده ها (Data Exploration)، تبدیل داده‌ها (Data Transformation) و نحوه مدل‌سازی برای موثر بودن نتایج پیش‌بینی تشریح می‌گردد.
نحوه برگزاری دورره
این دوره به صورت همزمان حضوری و آنلاین برگزار می‌شود






کارشناسان شاغل در تیم‌های داده کاوی وعلاقمندان به انجام پروژه‌های داده کاوی



آشنایی کامل با مبانی و اصول داده کاوی و توانایی عمومی کار با کامپیوتر از پیش‌نیازهای اصلی این دوره است. علاوه بر این، دانش کافی در شاخه ریاضیات، آمار و علوم کامپیوتر کمک شایانی به بهره‌برداری هر چه بیشتر شرکت کنندگان از این دوره آموزشی می‌نماید.

دوره آموزش اصول و مبانی داده کاوی

 شروع دوره پنجم آموزش داده کاوی با  SPSS Moleler شنبه 16 تیر ماه
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]0 هزار تومان

  ثبت نام دوره آموزش داده کاوی با IBM SPSS Modeler
محتوای دوره

1- شرح اجمالی بر داده کاوی و مراحل انجام پروژه های داده کاوی

2- آشنایی یا SPSS Modeler

    آشنایی با رابط کاربری نرم افزار
    معرفی نودها و دسته‌بندی‌های مختلف آنها
    اجرای یک stream

 

3- جمع‌آوری داده های اولیه

    خواندن داده در اس پی اس اس مدلر از منابع مختلف
    گرفتن خروجی

 

4- درک و پیش پردازش داده ها

    Data Cleaning ( مدیریت نقاط از دست رفته، مدیریت داده های آلوده به نویز، مدیریت داده های پرت )
    Data Reduction ( کاهش ابعاد داده ها ، کاهش تعداد داده ها )
    Data Transformation ( هموارسازی داده ها ، استخراج ویژگی های تاثیرگذار ، تجمیع داده ها ، نرمال‌سازی داده ها )

 

5- رده بندی و پیش بینی

    مرور روش‌های معمول و بررسی نودهای مربوطه در SPSS مدلر
    نحوه ارزیابی مدل ها

 

6- خوشه بندی

    مرور روش‌های معمول و بررسی نودهای مربوطه در اس پی اس اس مدلر
    نحوه ارزیابی مدل ها

 

7- قواعد انجمنی

    مرور روش‌های معمول و بررسی نودهای مربوطه در SPSS Modeler
    نحوه ارزیابی مدل ها

 

8- کشف نقاط دورافتاده

    مرور روش‌های معمول و بررسی نودهای مربوطه در SPSS Modeler
    نحوه ارزیابی مدل ها
داده کاوی اوراکل


عنوان دوره
ابزار داده کاوی اوراکل ( داده کاوی با Oracle )
Oracle Database 11g: Oracle Data mining Techniques

 

معرفی دوره و کاربرد

در این دوره دانشجویان با مفاهیم داده کاوی و روش های پیاده سازی تکنیک ها و ابزار آن در راهکار اوراکل Oracle آشنا خواهند شد.

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

    فراگیری تکنیک های داده کاوی

    فراگیری الگوریتم های داده کاوی

    فراگیری پیاده سازی پروژه های داده کاوی در Oracle

در انتهای این دوره دانشجویان قادر خواهند بود از آموزه‌های حاصل از این دوره به خوبی و به شکل کاربردی در انجام پژوهش های داده کاوی ، انجام پروژه دانشجویی خود، و اجرای پروژه داده کاوی در سازمان استفاده نمایند.
96





  خرید فیلم / ثبت نام دوره آموزش داده کاوی با اوراکل Oracle Datamining Techniques 

 


    کاربران سیستم‌ها و راهکارهای هوش کسب و کار BI
    توسعه دهندگان سامانه های هوش تجاری BI به کمک ابزار Oracle
    محققان و پژوهشگران در حوزه‌ی داده کاوی و بیگ دیتا
    کارشناسان و علاقه مندان به داده کاوی که می خواهند پروژه دانشجویی یا پروژه سازمانی خود را به کمک راهکارهای هوش تجاری اوراکل اجرا و پیاده سازی کنند

آموزش R - دوره مقدماتی برنامه نویسی با R
R - مقدماتی
معرفی دوره‌، هدف و کاربرد

زبان برنامه نویسی R از ابتدا با هدف کاربردهایی چون تحلیل‌های آماری و تحلیل داده و بر مبنای زبان برنامه نویسی S توسعه یافته است و امروزه نه تنها در جوامع آکادمیک و عرصه‌های پژوهشی بلکه در حوزه های عملیاتی نیز مورد استفاده قرار می‌گیرد. R متن باز بوده و به رایگان قابل دسترسی است.
از جمله ویژگی‌های این زبان برنامه نویسی می‌توان به دارا بودن امکانات گرافیکی، مجموعه عملگرهای محاسباتی، آرایه‌ها و ماتریس‌ها، بسته‌های نرم‌ افزاری جهت تحلیل آماری، کتابخانه‌های چند منظوره جهت انجام تجزیه و تحلیل و کتابخانه های مخصوص عملیات داده کاوی و یادگیری ماشین اشاره نمود.
دوره آموزشی R مقدماتی نیز به توجه به کاربرد گسترده و روزافزون این زبان برنامه نویسی در حوزه‌های مختلف علوم، به‌خصوص در عرصه داده کاوی و با هدف توانمندسازی فعالان حوزه علوم داده و یا کامپیوتر طراحی شده است. مخاطبین این دوره، علاقمندانی هستند که با توانمندسازی خود در شاخه علوم داده، درصدد کشف دانش پنهان در دل داده ها در پروژه‌های داده کاوی و متن کاوی هستند و یا درپی یادگیری یکی از پرکاربردترین زبان های برنامه نویسی می‌باشند.
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]

    کارشناسان و دانشجویان رشته کامپیوتر و کلیه علاقمندان به یادگیری زبان های برنامه نویسی
    دانشجویانی که مایلند پروژه دانشجویی خود را با زبان برنامه نویسی R اجرا کنند.
    کارشناسان تحلیل داده که به دنبال متدهای جدید برای تحلیل داده و داده کاوی و متن کاوی هستند
    متخصصین و محققانی که آشنایی با داده کاوی دارند و در صدد هستند تا از یک ابزار قوی برای اجرای پروژه های داده کاوی و متن کاوی استفاده کنند.

 



آشنایی اولیه با ریاضیات و علم آمار و الگوریتم های برنامه نویسی

در صورتی‌که با مبانی داده کاوی آشنایی ندارید و با هدف انجام داده کاوی با R  در این دوره شرکت می کنید ضروری است تا علاوه بر شرکت در این دوره، در  دوره آموزش اصول و مبانی داده کاوی نیز شرکت کنید.



    نصب نرم افزار و پکیج ها
    آشنایی با محیط R Studio
    تعریف متغیر و عملگرهای ریاضی و منطقی
    ساختارهای کنترل
    کار با بردارها و ماتریس ها
    کار با توابع درونی R
    تعریف تابع


    دوره کامل آموزش R - آموزش کامل زبان برنامه نویسی R
    دوره آموزش داده کاوی با R
    دوره آموزش داده کاوی با پایتون Python
    متن کاوی وب کاوی

آموزش داده کاوی با Python - پایتون



عنوان دوره
داده کاوی با پایتون Python

( کاربرد زبان برنامه نویسی پایتون در داده کاوی )
Data Mining with Python

 
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
معرفی دوره و کاربرد

زبان برنامه نویسی متن باز پایتون ( Python ) یک زبان برنامه نویسی پویا و همه منظوره است که در طیف وسیعی از برنامه های نرم افزاری از جمله در توسعه ی برنامه های تحت وب و برنامه های با قابلیت واسط گرافیکی کاربر (GUI) قابل استفاده می‌باشد.

علاوه بر این، Python یکی از ابزارهای اصلی برای توسعه پلتفرم های در مقیاس Big Data است. پایتون شامل امکانات زیادی در قالب کتابخانه های استاندارد از قبل آماده شده است و در کنار این کتابخانه ها ماژول ها یا کتابخانه های بسیار زیاد و متنوعی هم وجود دارد که توسط افراد دیگر خارج از مجموعه اصلی توسعه نرم افزار Python ایجاد شده و هر روزه توسعه داده می‌شود.

کدهای ایجاد شده در پایتون را می‌توان به سایر سورس کدهای این زبان اضافه کرد. همچنین می‌توان کتابخانه ها و کدهای ایجاد شده با سایر زبان های برنامه نویسی همچون C و C++ و Java را در کدهای پایتون مورد استفاده قرار داد.

از جمله مشخصات بارز این زبان برنامه نویسی محبوب می‌توان به Open Source بودن نرم افزار، سادگی کاربری، وجود کتابخانه استاندارد بسیار غنی، کاربری گرافیکی عالی و سرعت بالای آن اشاره نمود. این ویژگی‌ها باعث شده تا نرم افزار پایتون در میان برنامه نویسان به یک نرم افزار پرطرفدار، پرکاربرد و کارا تبدیل شود.

دوره آموزش داده کاوی با پایتون برای آن دسته از دانش پژوهان که با مبانی داده کاوی و تکنیک ها و الگوریتم های داده کاوی آشنا هستند و حال می‌خواهند با یادگیری یک زبان برنامه نویسی غنی، کاربردی و جامع، دانسته‌های خود را به حیطه‌ی عمل آورده و در اجرای پروژه های داده کاوی از آن ها استفاده نمایند طراحی شده است.

 

ری این دوره، آموزش نحوه‌ی پیاده سازی پروژه های داده کاوی در نرم افزار پایتون Python به صورت کاربردی می‌باشد.
نحوه برگزاری دورره

    برنامه نویسان و کاربران سیستم‌ها و راهکارهای داده کاوی و تحلیل داده
    توسعه دهندگان سامانه های هوش تجاری BI و Data Mining
    محققان، پژوهشگران و کارشناسان در حوزه‌ی داده کاوی و بیگ دیتا
    کارشناسان و علاقه مندان به داده کاوی که می خواهند پروژه دانشجویی یا پروژه سازمانی خود را به کمک راهکارهای هوش تجاری اوراکل اجرا و پیاده سازی کنند
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
    عضو رسمی گروه هوش کسب و کار ایرانیان
    مه های کاربردی داده کاوی و نرم افزار های مربوط (رپیدماینر، Python و R)



شرکت کنندگان در این دوره می‌باید از قبل با برنامه نویسی (مقدماتی) در پایتون و نیز مبانی داده کاوی، تکنیک ها و الگوریتم های داده کاوی از جمله موارد زیر آشنایی داشته باشند

پیش نیازهای مرتبط با اصول و مبانی داده کاوی:

            روش های پیش پردازش داده
            روش های پیش بینی کننده:
            - روش k نزدیکترین همسایه
            - بیز ساده
            - درخت تصمیم
            - شبکه عصبی
            - ماشین های بردار پشتیبان
            خوشه بندی:
            - k-means
            - k-mediods
            - خوشه بندی سلسله مراتبی
            - DBSCAN
            قواعد انجمنی:
            - apriori
            - fpgrowth

دوره های آموزشی پیش نیاز:

دوره آموزشی برنامه نویسی با پایتون - مقدماتی

دوره آموزشی اصول و مبانی داده کاوی

 
سرفصل دوره
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
    مقدمه کوتاهی در خصوص داده کاوی و تکنیک ها و ابزار مربوط
    آموزش تحلیل های آماری داده ها در Python
    آموزش پاکسازی و پیش پردازش داده ها در پایتون
    آموزش رده بندی و پیش بینی در پیتون
    آموزش خوشه بندی در Python
    آموزش قواعد انجمنی در پایتون


آموزش داده کاوی با R

آموزش R در داده کاوی - کاربرد زبان برنامه نویسی R در اجرای پروژه داده کاوی

معرفی دوره‌، هدف و کاربرد

زبان برنامه‌نویسی R ابزاری قوی برای تحلیل آماری، تجسم داده‌ها Data Visualization، و مدل سازی پیش بینی کننده (Predictive Modeling) است. علاوه بر این، در محاسبات ماتریسی نیز همپای نرم‌افزارهایی همچون اکتاو و MATLAB قابل به‌کارگیری می‌باشد.

این نرم افزار، نسبت به سایر نرم افزارهای آماری کد محور، سرعت به مراتب بالاتری در اجرای برنامه‌های سنگین دارد. از جمله کاربردهای زبان برنامه‌نویسی R، به کارگیری آن در اجرای پروژه داده کاوی و متن کاوی، بالاخص پروژه‌هایی با حجم عظیم داده می‌باشد. هدف دوره آموزش R در داده کاوی ، آشنا نمودن شرکت کنندگانی است که با مبانی داده کاوی آشنایی دارند وحال می‌خواهند تا با کاربرد R در داده کاوی و متن کاوی به اجرای پروژه های داده کاوی و متن کاوی بپردازند. در این دوره ضمن آموزش مبانی کار با ابزار R، نحوه به کارگیری آن در اجرای پروژه داده کاوی طی کار بر روی مثال‌های متعدد آموزش داده می‌شود.



    دانشجویانی که درحال اجرای پایان نامه های داده کاوی هستند یا قصد اجرای آن را دارند
    کارشناسان تحلیل داده که به دنبال متدهای جدید برای تحلیل داده و داده کاوی و متن کاوی هستند
    محققانی که آشنایی با داده کاوی دارند
    متخصصین کارشناسان علوم داده که قصد آمادگی برای اجرای پروژه های متن کاوی دارند

پیش نیاز دوره

    آشنایی با اصول و مبانی داده کاوی و روش ها و الگوریتم های داده کاوی پیش نیاز این دوره می‌باشد. در صورتی‌که با مبانی داده کاوی آشنایی ندارید می‌توانید در دوره آموزش اصول و مبانی داده کاوی شرکت کنید.
    آشنایی اولیه با زبان برنامه نویسی R و نحوه استفاده از کتابخانه ها و ساختارهای کنترلی، کار با توابع درونی R و نیز کار با بردارها و ماتریس ها از جمله پیش نیازهای این دوره آموزشی هستند. اگر با زبان برنامه نویسی R و موارد گفته شده آشنایی قبلی ندارید، می توانید در دوره آموزش مقدماتی برنامه نویسی با R شرکت کنید.



    ورود مجموعه داده ها در R
    پیش پردازش داده ها
    تحلیل های آماری داده ها
    رده بندی و پیش بینی
    خوشه بندی
    قواعد انجمنی
    اجرای یک پروژه  عملی

پیشنهاد تکمیلی

    دوره کامل آموزش R - آموزش کامل زبان برنامه نویسی R
    دوره آموزش داده کاوی با پایتون Python
    متن کاوی وب کاوی

09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
مصورسازی داده ها با اکسل 2016

 
مصورسازی داده ها

 
مصورسازی داده ها با اکسل
معرفی دوره‌، هدف و کاربرد
بی شک شما چه دانشجو باشید و یا کارمند و یا صاحب کسب و کار، با مسئله ارائه مؤثر اطلاعات و دستاوردهای خود رو به رو شده اید، در این دوره به ارائه روش های اصولی ساخت ساختارهای اطلاعاتی گرافیکی می پردازیم. ساخت چارت ها و نمودارهای گرافیکی متعدد یکی از قابلیت های قدرتمند نرم افزار اکسل می باشد، اما بسیاری از کاربران هنوز نمی دانند چارت های متقاعد کننده و تأثیر گذار به چه نحوی ساخته می شوند. در این دوره به بررسی مفاهیم مهمی که در پس این چارت ها نهفته به همراه ابزار های آن می پردازیم، سپس علاوه بر توضیح و مصور سازی داده ها با استفاده از چارت های جدید EXCEL 2016 به ارائه تکنیک های متعدد که به بهبود چارت های استاندارد ساخته شده کمک خواهد کرد، خواهیم پرداخت. .
این دوره به صورت آنلاین برگزار شده است. فیلم دوره آ»وزش مصورسازی داده ها با اکسل برای فروش موجود است.

    کارشناسان هوش کسب و کار
    تحلیل گران داده
    تحلیل گران کسب و کار
    BI علاقه مندان به حوزه
    علاقه‌مندان به برنامه‌ریزی و کنترل پروژه
    کارشناسان آمار و اطلاعات

پیش نیاز دوره
آشنایی مقدماتی با اکسل
محتوای دوره

    ارائه مفاهیم مصور سازی جهت بهبود چارت ها و نمودارها جهت تحت تأثیر قراردادن مخاطبین
    استفاده از ابزارهای تحلیلی برای درک بیشتر از داده های چارت ها و نمودارها
    اضافه کردن تصاویر و اشکال دلخواه به عنوان المان های چارت ها و نمودارها
    نحوه استفاده مؤثر از عناوین، علائم و اختصارات، محور ها و گرید لاین ها
    بهینه سازی فایل های متنی در نمایش چارت ها و نمودار ها
    بهینه سازی و شخصی سازی Bar & Column Chart, Pie Chart, Line Chart, Area, Stock and XY Charts, Doughnut, Radar and Bubble Charts
    نحوه ساخت Gantt , Tree Map, Sunburst, Waterfall, Histogram, Pareto and Box and Whisker Charts
    نحوه ایجاد چارت های داینامیک
    به روز رسانی اتوماتیک چارت ها
    نحوه انتخاب رنگ ها در مصور سازی
    کار با نقشه های جغرافیایی و نحوه ساخت نقشه های حرارتی (Heat Map)
    و ارائه ده ها نکته کاربردی دیگر برای استفاده کاراتر، مؤثر تر و سریع تر از برنامه

پیشنهاد تکمیلی

        کارگاه انتخاب راهکار هوش تجاری(BI Solution Selection)
    روش‌های پیاده سازی BI در سازمان به همراه Case Study 
    Oracle BI 11g R1: Create Analyses and Dashboards
        دوره Tableau
        دوره Qlik
کننده: گروه هوش کسب و کار ایرانیان - شرکت مشاوره مدیریت آب
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
مبانی هوش کسب و کار و راهکارهای مطرح BI (مایکروسافت، اوراکل و تبلو)
معرفی دوره‌، هدف و کاربرد

اهمیت داده و نیاز به تحلیل داده در دنیای امروز بر کسی پوشیده نیست و هوش کسب و کار (یا هوش تجاری ) نیاز اجتناب ناپذیر تمام سازمان ها است.در این دوره مبانی و اصول هوش کسب و کار و مفاهیم اصلی مرتبط با آن ارایه خواهد گردید. دانشجویان پس از گذراندن این دوره درک درستی از BI (Business Intelligence) خواهند داشت و می توانند با گذراندن دوره های تکمیلی، پروژه پیاده سازی هوش کسب و کار در سازمان خود را مدیریت نمایند.

دوره آموزش مبانی هوش کسب و کار ( هوش تجاری ) توسط گروه هوش کسب و کار ایرانیان  برگزار می‌گردد.
نحوه برگزاری دورره
این دوره به صورت همزمان حضوری و آنلاین برگزار می شود.

    آشنایی با مفاهیم پایه هوش کسب و کار
    معماری هوش کسب و کار
    مفاهیم انباره داده
    مفاهیم رویکردهای تحلیلی کسب و کار
    مدیریت سنجش عملکرد سازمان
    مفاهیم داده‌کاوی
    اصول گزارش‌دهی تصویری (داشبورد)
    معرفی راهکار هوش کسب و کار Microsoft BI
    معرفی راهکار هوش کسب و کار Oracle BI
    معرفی راهکار BI، مصورسازی داده ها با Tableau

پیشنهاد تکمیلی
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
        اصول طراحی انباره داده (Data Warehouse Design)
        مفاهیم و شناسایی شاخص‌های کلیدی عملکرد کسب و کار (KPIs)
        کارگاه انتخاب راهکار هوش تجاری (BI Solution Selection)
        دوره‌های تخصصی ابزارهای هوش کسب و کار
        دوره Tableau
        دوره Qlik View
        اصول و مبانی داده‌کاوی (Data Mining Fundamentals)
        دوره‌های تخصصی اوراکل (Oracle) در زمینه هوش کسب و کار
        دوره‌های تخصصی میکروسافت (Microsoft) در زمینه هوش کسب و کار
        معرفی مفاهیم کلان‌ داده (Big Data) و کاربردهای آن
        استراتژی کلان‌ داده (Big Data Strategy)

آموزش متن کاوی و وب کاوی با RapidMiner و R
دوره متن کاوی و وب کاوی
برگزار کننده: گروه هوش کسب و کار ایرانیان - با همکاری گروه داده کاوی ایران

داده کاوی - وب کاوی و متن کاوی


    وب کاوی و متن کاوی
    معرفی دوره‌، هدف و کاربرد

    این روزها وب، به‌عنوان گسترده‌ترین رسانه جهانی از منظر تولید محتوا و میزان کاربران، و بزرگ‌ترین مجموعه اسناد الکترونیکی قابل دسترس، به غنی‌ترین منبع اطلاعات در دنیا تبدیل شده است. این امر، فرصت‌ها و چالش‌های نوینی را فرا روی بشر قرار داده است. تنوع اطلاعات و خدمات در وب، تامین نیاز اطلاعاتی کاربران را به یکی از چالش‌های جدی آنان تبدیل نموده‌است. آن‌چه امکان بازیابی اطلاعات را از فضای وب گرفته است، عدم وجود ساختاری صحیح و سازماندهی شده در اطلاعات موجود در این فضا می‌باشد. اگرچه موتورهای جستجو امکان دسترسی به اسناد از طریق کلیدواژه‌ها را فراهم می سازند، اما پاسخگوی مناسبی به نیاز ما در خصوص دسترسی موثر به دانش موجود در فضای وب نیستند. امروزه ما می‌توانیم به کمک تکنیک‌ها و ابزار وب کاوی قدمی فراتر نهیم و با سازماندهی صفحات وب در یک ساختار تعریف شده‌ی مشخص، و یا دنبال کردن الگوهای فعالیت کاربران، دانش را از داده های خام موجود در وب استخراج کنیم. در این دوره آموزشی به معرفی مفاهیم و تکنیک‌های پایه بازیابی اطلاعات وب، ابزارهای برتر وب کاوی، و کاربردهای وب کاوی پرداخته می‌شود.
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]

    کارشناسان پروژه‌های متن کاوی و وب کاوی دانشجویانی که پروژه‌های پژوهشی مرتبط با داده کاوی ، وب کاوی و متن کاوی انجام می‌دهند علاقمندان به حوزه های Web Mining و Text Mining فعالین در حوزه هوش کسب و کار ( BI )


    آشنایی شرکت کنندگان با مقدمات آمار و احتمال و نیز کاربرد ماتریس‌ها آشنایی با مباحث داده کاوی

    محتوای دوره

    مقدمه
        تعاریف اولیه
        کاربردهای متن کاوی ( Text Mining )
        کاربردهای وب کاوی ( Web Mining )

    

    تبدیل داده به متن
        استخراج متن از منابع مختلف
        قطعه بندی متون
        فیلتر کردن کلمات
        استخراج کلمات مورد نظر
        حذف کلمات کم تاثیر
        ریشه یابی
        تبدیل و ترکیب کلمات
        پیدا کردن n-Gram ها
        استخراج قسمتی از متون

    

    استخراج متن از وب
        کرول کردن و مفاهیم آن
        استخراج متون بین کدهای وب
        استخراج تگ های HTML
        استخراج متن از شبکه های اجتماعی

    

    مدل‌سازی
        پیدا کردن متون شبیه به هم(خوشه بندی)
        پیش بینی جنسیت نویسنده (رده بندی)
        تحلیل احساسات در شبکه های اجتماعی (استخراج متن)

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

    دوره برنامه نویسی حرفه ای با زبان برنامه نویسی R

    دوره آموزشی پایتون ( Python )

 وی

 

 
فیلم‌های آموزشی کوتاه موجود روی وب سایت  با موضوع وب کاوی

    وب کاوی و روش های Web Mining وب کاوی چیست و روش های آن کدامند؟ در این فیلمک که توسط گروه هوش کسب و کار ایرانیان تهیه شده است، در مدت یک دقیقه به ارایه برخی از کاربردهای Web Mining پرداخته شده است.

    Web Mining و کاوش در محتوای وب در این فیلمک که توسط گروه هوش کسب و کار ایرانیان تهیه شده است، در مدت 90 ثانیه با کاوش در محتوای وب یا Web Content Mining به عنوان یکی از رویکردهای وب کاوی آشنا می‌شوید.  پیش تر، به ارایه کاربردهای وب کاوی ( Web Mining ) پرداختیم و گفتیم…



هوش کسب و کار، داده کاوی، مدیریت پروژه
کارگاه آموزشی اجرای پروژه تحلیل داده و داده کاوی

کارگاه اجرای پروژه تحلیل داده و داده کاوی در بانکداری

آموزش مقدماتی زبان برنامه نویسی پایتون

آموزش برنامه نویسی با پایتون - مقدماتی

سرمایه گذاری:

اصول و مبانی داده کاوی

آموزش اصول و مبانی داده کاوی



09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
 
وزش فشرده داده کاوی با رپیدماینر

وزش فشرده داده کاوی با رپیدماینر ت)


 
آموزش داده کاوی با رپیدماینر

 آموزش داده کاوی با رپیدماینر

سرمایه گذاری:

 
هوش تجاری-داده کاوی

 دوره کامل آموزش مبانی داده کاوی و رپیدماینر یا R  - 24 ساعته


 
متن کاوی با پایتون Python

 دوره متن کاوی با Python
ره

 
داده کاوی با SPSS Modeler

 دوره حضوری داده کاوی با SPSS Modeler

سرمایه گذاری:




 09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
ابزار داده کاوی اوراکل

آموزش داده کاوی با اوراکل Oracle - آنلاین




 
داده کاوی با پایتون

آموزش داده کاوی با پایتون

ری :




 
دوره مقدماتی برنامه نویسی با R

دوره مقدماتی برنامه نویسی با R

سرمایه گذاری:




 
داده کاوی با R

آموزش داده کاوی با R

سرمایه گذاری :
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
ثبت نام  محتوای دوره

 
- هوش کسب و کار

مبانی هوش کسب و کار - هوش تجاری

سرمایه گذاری :




 
مصورسازی داده ها- اکسل

مصورسازی داده ها با اکسل

سرمایه گذاری:


خرید فیلم / ثبت نام محتوای دوره

 
متن کاوی-هوش تجاری

آموزش متن کاوی و وب کاوی

سرمایه گذاری:
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]

 
مصورسازی داده ها با تبلو Tableau

 مصورسازی داده ها با تبلو Tableau

سرمایه گذاری:


 
سمینار آموزشی در بازارهای مالی جهانی چه می گذرد؟

سمینار آموزشی در بازارهای مالی جهانی چه می گذرد؟

سرمایه گذاری:

 
ابزار هوش کسب و کار Tableau


09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
    ابزار هوش کسب و کار Tableau (جادوی مصورسازی داده‌ها با نرم‌افزار تبلو )

    معرفی دوره، هدف و کاربرد
    نرم افزار Tableau  یکی از مطرح ترین ابزار های BI در سال های اخیر می باشد . راحتی استفاده و سرعت پیاده سازی از مهمترین خصوصیات این ابزار پر طرفدار می باشد.

    اهداف:

    1.آشنایی با معماری نرم افزار تبلو

    2.فراگیری عملکرد Tableau

    3.توانمند سازی دانشجویان در پیاده سازی داشبورد ها و گزارشات در تبلو


    

    کارشناسان BI

    علاقه مندان به حوزه BI

    کارشناسان آمار و تحلیل داده

09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
    آشنایی با مفاهیم هوش کسب و کار آشنایی با مفاهیم مدیریت و IT.

    محتوای دوره
    مبانی و مفاهیم Tableau

    اتصال به پایگاه داده و منابع داده

    مصور سازی داده

    محاسبات و تحلیل اطلاعات

    سرور تبلو

    پیشنهاد تکمیلی
    شرکت در دوره اصول طراحی انباره داده و دوره مبانی داده کاوی

بازارهای مالی جهانی چه می‌گذرد؟
انقلاب داده و حکمرانی یادگیری ماشین در بازارهای مالی

معرفی دوره، هدف و کاربرد

در سال‌های اخیر، تحول چشمگیری در تکنیک‌های مورد استفاده در بازارهای مالی جهانی روی داده است. تغییر و حرکت شایان توجه از روش‌های بنیادی (Fundamental) به سمت روش‌های کمی (Quantitative) موجب شده تا به‌کارگیری تکنیک‌های مختلف تحلیل داده و الگوریتم‌های یادگیری ماشین به‌طور فزاینده برای تصمیم‌سازی و حتی تصمیم‌گیری در بازارهای مالی رایج شود. فعالان بازارهای مالی جهانی در به‌کارگیری روش‌های کمی، با بهره‌گیری از منابع داده نظیر قیمت روزانه، حجم مبادلات و استفاده از مدل‌های یادگیری ماشین، خروجی‌های لازم را برای تصمیم‌گیری جهت خرید و فروش سهام به‌دست می‌آورند.
در این دوره آموزشی، پس از ارایه و بررسی مفاهیم مرتبط با سهام در بازارهای جهانی، منابع داده مورد استفاده در این بازارها معرفی شده و چگونگی استفاده از مدل‌های مبتنی بر یادگیری ماشین جهت خروجی‌های تصمیم مرور خواهد شد. هم‌چنین با ارایه‌ی یک Case Study واقعی مفاهیم مطرح شده بررسی می‌شود. در پایان، افق پیش روی بازارهای مالی و نقش و جایگاه هوش مصنوعی در این روش‌ها مرور می‌شود.
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
 

نحوه برگزاری سمینار
این سمینار به‌صورت هم‌زمان حضوری و آنلاین برگزار شده است.



     مدیران و کارشناسان کارگزاری‌ها، شرکت‌های سرمایه گذاری، تامین سرمایه و صندوق‌های سرمایه گذاری
    سرمایه‌گذاران حقیقی و حقوقی
    محققان و دانشجویان رشته‌های اقتصاد، مالی، ریاضیات، آمار، علوم کامپیوتر و یادگیری ماشین

مدرس دوره

شهاب توکلی
تحلیل‌گر کمی (Quantitative Analyst) در شرکت‌های سرمایه‌گذاری در بازار بورس نیویورک
بیش از ده سال سابقه‌ی کار در وال استریت


• Investment Types

1. Fundamental
2. Quantitative

• Fundamental Analysis Styles

• Fundamental analysis,Ancient!

1. Value investment
2. Top down approach vs bottom up approach
3. Data implementation in fundamental investment
4. Ranking systems

• Quantitative Analysis Styles

• Quantitative Analysis, Contemporary

1. Computing power
2. Data , Big Data , Alternative Data,
3. Common statistical and mathematical approaches in quantitative investments
4. HFT ,High Frequency Trading and Smart Execution
5. Factor Trading, new game in town
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
• Future of Capital Market Analysis

AI; artificial intelligence

- ایجاد و تقویت اعتماد میان کاربران یا بین کاربران و موجودیت‌ها

تفاده از رسانه‌های اجتماعی باعث تولید داده‌های اجتماعی بیشماری شده‌ است. رسانه‌های اجتماعی پایگاهی را برای کاربران ایجاد می‌کنند تا اطلاعات خود را در آن با دیگران به اشتراک بگذارند. کاوش این نوع داده‌ها موجب استخراج الگوهای کاربردی خواهد شد که برای کسب و کارها، کاربرها و مصرف کننده‌ها بسیار مفید خواهد بود. برای مثال تکنیک‌های داده کاوی می‌توانند در موارد زیر در خصوص رسانه‌های اجتماعی ب

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

ه کار برده شوند:

- شناسایی افراد موثر در محیط‌های وبلاگی

- یافتن گروه‌های پنهان یا آشکار در شبکه‌های اجتماعی

- تشخیص احساسات کاربر در برنامه‌ریزی پیش‌گستر

- توسعه‌ سیستم‌های پیشنهاددهنده از خرید محصولات خاص تا ایجاد دوستان جدید

- فهم تکامل تدریجی شبکه و تعویض رابطه بین موجودیت‌ها

- محافظت از محرمانگی و امنیت اطلاعات کاربر

- ایجاد و تقویت اعتماد میان کاربران یا بین کاربران و موجودیت‌ها

طبق تعریف Kaplan و Haenlein رسانه‌های اجتماعی به عنوان گروهی از کاربردهای اینترنتی تعریف می‌شود که بر پایه وب 2 به صورت فنی و ایدئولوژیک ساخته‌ شده‌اند و اجازه‌ی ایجاد و تغییر محتوا را دارند. رسانه اجتماعی مجموعه‌ای از سایت‌های مختلف می‌باشد که شامل رسانه‌های سنتی مانند روزنامه، رادیو و تلویزیون و رسانه‌های غیر سنتی مانند فیسبوک، توییتر و غیره می‌باشد. رشد رسانه‌های اجتماعی تحت چالش‌های زیر صورت گرفته است و جواب این سوالات در داده‌های رسانه‌های اجتماعی پنهان می‌باشد.

1. چطور یک کاربر می‌تواند درک شود؟

2. یک کاربر از چه نوع اطلاعاتی باید استفاده کند؟

3. تجربیات یک کاربر چگونه می‌تواند بهبود یابد؟

داده‌های مربوط به رسانه‌های اجتماعی دارای ویژگی‌هایی می‌باشند که نیازمند تکنیک‌ها و الگوریتم‌های جدید برای کاوش آن‌ها می‌باشد. داده‌هایی که عموما به صورت گسترده توسط کاربران در سایت‌های رسانه‌های اجتماعی ایجاد می‌شوند، بسیار زیاد و دارای نویز می‌باشند. این داده‌ها همچنین بدون ساختار و پویا هستند. همچنین به دلیل عدم وجود مرکزیتی که همه‌ی داده‌های سایت‌های رسانه‌های اجتماعی را نگهداری کند، این داده‌ها در همه جا پخش شده‌اند.

با توجه به توضیحاتی که در بالا ذکر شد، زمینه‌های احتمالی که محققان می‌توانند به کاوش رسانه‌های اجتماعی در آن بپردازند در ادامه ذکر شده‌اند:

1. تجزیه و تحلیل جامعه (Community Analysis): یک جامعه توسط افرادی شکل می‌گیرد که در یک گروه روابط متقابل بیشتری را به نسبت افراد خارج از یک گروه دارند. این جوامع می‌توانند توسط ارتباط‌شان در رسانه‌های اجتماعی شناخته شوند زیرا رسانه‌های اجتماعی این اجازه را به افراد می‌دهند تا در شبکه‌های اجتماعی آنلاین روابطشان را گسترش دهند. از آن‌جا که این شبکه ها بسیار پویا هستند، جوامع می‌توانند در این شبکه‌های پویا توسعه و حتی منحل گردند. با توجه به تحقیقاتی که در این زمینه انجام گرفته شده است نشان می‌دهد که هر چه تعداد دوستان یک کاربر در یک گروه بیشتر باشد، احتمال بیشتری وجود دارد که کاربر در آن گروه عضو شود.

2

. تحلیل احس09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]اسات و نظرکاوی (Sentiment Analysis and Opinion Mining): تجزیه و تحلیل احساسات کاری بسیار دشوار می‌باشد چرا که زبان‌هایی که به منظور ایجاد محتوا به کار برده ‌می‌شوند بسیار مبهم می‌باشند. اصلی‌ترین گام‌های این فرآیند عبارتند از: 1) یافتن اسناد مربوط، 2) یافتن بخش‌های مربوط، 3) یافتن احساسات کلی، 4) کمی‌ کردن احساسات، 5) یکپارچه‌سازی تمام الگوهای به دست آمده برای ایجاد یک الگوی احساسی کلی. همچنین اجزاء اصلی یک عقیده و نظر متشکل است از: 1) مسئله‌ای که آن نظر بر روی آن اعمال شده است، 2) نظری که بر روی یک مسئله بیان شده است، 3) کسی که نظر را ارائه داده است. این تجزیه و تحلیل می‌تواند در سه سطح اسناد، جمله و ویژگی اعمال شود.

3. توصیه‌های اجتماعی (Social Recommendation): یک سیستم توصیه اجتماعی از اطلاعات شبکه‌های اجتماعی یک کاربر در کنار ابزار سنتی سیستم‌های توصیه کننده استفاده می‌کند و از این نظریه تبعیت می‌کند که افرادی که از نظر اجتماعی بایکدیگر در ارتباط می‌باشند با احتمال بیشتری علایق مشابه یا یکسان با یکدیگر خواهند داشت. از نمونه‌های این سیستم می‌توان به توصیه کتاب به لیست دوستان یک کاربر در سایت آمازون یا پیشنهاد دوستی در فیسبوک و یا توییتر اشاره کرد.

4. مدل‌سازی نفوذی (Influence Modeling): شناخت یک شبکه اجتماعی از نظر اینکه دارای شباهت‌های یکسان با سایر شبکه‌های اجتماعی است و یا نفوذپذیر می‌باشد، امری بسیار مهم می‌باشد. بیشتر شبکه‌های اجتماعی ترکیبی از هر دو این ویژگی‌ها می‌باشند. هدف اصلی در پیدا کردن شبکه نفوذپذیر، یافتن کاربرانی است که بیشترین تأثیر را روی کاربران دیگر خواهند گذاشت. برای مثال در تحقیقاتی که توسط Agarwal در سال‌های 2008 و 2012 انجام شده است، مدلی برای تشخیص بلاگ‌نویسان تاثیرگذار در یک اجتماع ارائه شده است. آن‌ها متذکر شدند که همه‌ی بلاگ نویسان صرفا بلاگ‌های تأثیرگذار نمی‌نویسند. اطلاعات بیشتر در این حوزه در مقاله‌ دیگری که توسط Agarwal and Liu در سال 2009 نوشته شده است، قابل دسترسی است.

5. پخش اطلاعات و منشا آن (Information Diffusion and Provenance): دو مسئله مهم در شبکه‌های اجتماعی عبارت اند از: 1) اطلاعات چگونه در یک شبکه رسانه اجتماعی پخش می‌شوند و چه فاکتورهایی در پخش این اطلاعات موثر هستند؟ 2) کدام منابع محتملی این اطلاعات را به شبکه‌های اجتماعی می‌دهند؟ قسمت دوم همواره به عنوان یک مسئله مهم باقیمانده است و محققان اذعان داشته‌اند که یافتن جواب این مسئله به تشخیص حقیقت از شایعه در شبکه‌های اجتماعی منجر خواهد شد.

6. محرمانگی، امنیت و اعتماد (Privacy, Security, and Trust): انواع حملاتی که یک شبکه اجتماعی ممکن است با آن‌ها مواجه شود عبارت است از:

• stalking

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

• cyberbullying
• Malvertizing
• phishing
• social spamming
• scamming
• clickjacking

اعتماد اجتماعی نیز بستگی به فاکتورهایی دارد که مدل‌سازی آن‌ها در سیستم‌های محاسباتی به آسانی انجام نخواهد گرفت و تعریف‌های بسیاری از "اعتماد" صورت گرفته است. Moturu and Liu در تحقیقی سیستم امتیازدهی مستقیمی را به منظور اندازه‌گیری قابلیت اعتماد سلامت کاربر بر طبق مندرجاتی که در یک رسانه اجتماعی داشته است، ارائه داده است.

مثال‌های گویا از کاوش رسانه‌های اجتماعی

مثال‌های گویا از کاوش رسانه‌های اجتماعی 1) تعیین آسیب‌پذیری کاربر روی سایت‌های شبکه‌های اجتماعی: صفات موجود برای هر کاربر در شبکه‌های اجتماعی می‌تواند به دو دسته‌ مجزا تقسیم شود: 1) صفات فردی و 2) صفات اجتماعی. صفات فردی متغیرهایی می‌باشند که شامل اطلاعات شخصی افراد مانند جنسیت، تاریخ تولد، شماره تلفن، آدرس خانه و غیره هستند. صفات اجتماعی متغیرهایی می‌باشند که شامل اطلاعاتی در خصوص دوستان کاربر می‌باشند. برای مثال اطلاعات دوستانی که توسط پروفایل کاربر قابل شناسایی می‌باشند، عکس‌هایی که کاربر در آن تگ شده است و تعاملات کاربر و نوشته‌های روی دیوار (به طور مثال دیوار نویسی در شبکه اجتماعی فیسبوک) نمونه‌هایی از این صفات می‌باشند. در تحقیقات اخیر انجام گرفته توسط Gundecha از داده‌های فیسبوک به منظور ارزیابی آشکارسازی صفاتی که منجر به کشف رفتارهای عمومی کاربران خواهد شد، استفاده شده است. به عنوان مثال کاربران فیسبوک عموما شماره تلفن خود را در معرض عموم قرار نمی‌دهند. در نتیجه کاربرانی که شماره تلفن خود را برای عموم آشکار می‌کنند، میل باطنی بیشتری به آسیب‌پذیری دارند. زیرا این افراد اطلاعات حساس‌تری از خود را در اختیار دیگران قرار داده اند. بخش زیادی از کاربران شبکه‌های اجتماعی از نتایج اقدامات خود نسبت به حفظ امنیت اطلاعات دوستان خود آگاه نمی‌باشند و در نتیجه حفاظت از صفات فردی کاربر به نوعی باعث حفظ صفات اجتماعی نیز خواهد بود. در این تحقیق یک مکانیزم جدید جهت حفاظت از کاربر در برابر آسیب پذیری ارائه شده است. Gundecha نشان داده است که اندازه‌گیری میزان آسیب‌پذیری کاربران بر اساس فاکتورهای زیر قابل انجام می‌باشد:

1. تنظیمات محرمانه کاربر که موجب آشکارسازی اطلاعات شخصی او خواهد بود.

2. رفتار کاربر در شبکه‌های اجتماعی که می‌تواند موجب افشاء اطلاعات خصوصی دوستانش شود.

3. رفتار کاربر در شبکه‌های اجتماعی که می‌تواند موجب افشاء اطلاعات شخصی خود شود.

بنابراین 3 فاکتور Gundecha مدلی را جهت کاهش آسیب‌پذیری کاربر ارائه داده است. آن‌ها یک فرآیند 4 مرحله‌ای را جهت تخمین آسیب‌پذیری کاربر مشخص کرده‌اند:

1. تخمین ریسک محرمانگی با توجه به صفات فردی(شاخص I)

2. تخمین ریسک محرمانگی با توجه به صفات اجتماعی (شاخص C)

3. تخمین آشکارسازی یک کاربر با توجه به شاخص I و C (شاخص P)

4. تخمین آسیب‌پذیری کاربر بر اساس شاخص P کاربر و یکی از دوستان او (شاخص V)

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

نتیجه‌گیری

رسانه‌های اجتماعی به عنوان یکی از انواع اصلی Big Data روز به روز در حال گسترش می‌باشد، برای مثال کاربرد اصلی این نوع داده‌هادر کمپین‌های سیاسی، برنامه‌های کاریابی، ارتقا کسب و کار و شبکه و خدمات مشتری و ... می‌باشد. کاوش رسانه‌های اجتماعی همچنین در روند تحلیل و پیش‌بینی‌های فروش نیز کاربرد موثری دارد. داده‌های مربوط به رسانه‌های اجتماعی روز به روز در حال گسترش می‌باشد و در نتیجه الگوریتم‌ها و تکنیک‌های جدید برای کاوش این داده‌ها در آینده نزدیک حس می‌شود که منجر به توسعه تحقیات و کشف رفتار و الگوهای تعاملی افراد در شبکه‌های آنلاین یا آفلاین خواهد شد.

برگرفته شده از مقاله Mining Social Media: A Brief Introduction نوشته Pritam Gundecha و Huan Liu

منابع:

• N. Agarwal, H. Liu, L. Tang, and P. S. Yu. Identifying the influential bloggers in a community. Proceedings of the International Conference on Web Search and Web Data Mining. Association for Computing Machinery, New York, 2008.
• N. Agarwal, H. Liu, L. Tang, and P. S. Yu. Modeling blog09367292276
  09367292276
  [e-mail]
  azsoftir.com
  09367292276
  09367292276
  [e-mail]

داده کاوی در شبکه های اجتماعی

A snail shell process model for knowledge discovery via data analytics -2016


Weighted Ensemble Classification of Multi-label Data Streams
Computational Models for Social Network Analysis: A Brief Survey


Influence maximization in social networks under an independent cascade-based model


Measuring the Security and reliability of Authentication of Social Networking Sites

for the Internet of Small Things


A snail shell process model for knowledge discovery via data analytics -2016


A Survey on Business Intelligence Solutions in Banking Industry and Big Data Applications-2017

Big Data : A Review of Challenges, Tools and Techniques


Big data for open innovation in SMEs and large corporations: Trends, opportunities, and challenges


Big Data Mining with Parallel Computing: A Comparison of Distributed and MapReduce Methodologies





Machine Learning with Big Data An Efficient Electricity Generation Forecasting System


Show:
Computational ghost imaging using deep learning

0 out of 5
Distributed attack detection scheme using deep learning approach for Internet of Things

 A Novel Fuzzy Document Based Information Retrieval Model for Forecasting


نوان مقاله به فارسی:مدل جدید بازیابی اطلاعات بر اساس سند فازی به منظور پیش بینی

انتشارات: الزویر – Elsevier

سال انتشار:2017

فهرست مطالب:

چکیده

مقدمه

تئوری مربوط به شمع ژاپنی

در رابطه با تئوری منطق فازی

طرح tf- idf

بازبینی زمینه ای و ادبی

طراحی جستجو

متد

فاز 1: فرایند فازی سازی

فاز 2. بازیابی اطلاعات با استفاده از طرح رتبه ی بندی اصلاح شده ی tf-idf

فاز 3 . پیش بینی با استفاده از طرح رتبه بندی اصلاح شده ی tf- idf

جزئیات هر فاز

فرایند فازی سازی

فازی سازی تشکیلات شمع در سری زمانی

فازی سازی روند مقادیر بسته قبل و بعد از نقطه مشخص شده p در سری زمانی

بازیابی اطلاعات با استفاده از طرح رتبه بندی اصلاح شده tf-idf

پیش بینی با استفاده از طرح رتبه بندی اصلاح شده tf-idf

داده

کلیه بخش های سند

پرس و جو و پیش بینی

مثال
 Weighted Ensemble Classification of Multi-label Data Streams



عنوان مقاله به فارسی: طبقه بندی گروه وزنی جریان های داده ای چندگانه

انتشارات:springer

سال انتشار:2017

فهرست مطالب:

چکیده

مقدمه

موارد مرتبط

اقدامات

{ML-KNN {31

طبقه بندی گروه های وزنی

ایده ی اصلی

آموزش و به روز رسانی طبقه بندی کننده

وزن دار کردن گروهی

الگوریتم طبقه بندی

آزمایشات

کیفیت طبقه بندی در مقایسه با ML – KNN

کیفیت طبقه بندی در مقایسه با SMART
 A snail shell process model for knowledge discovery via data analytics -2016



عنوان مقاله به فارسی :

یک مدل فرآیند پوسته حلزون برای کشف دانش از طریق تجزیه و تحلیل داده

فهرست مطالب:

چکیده

مقدمه

لزوم یک مدل فرایند KDDA

روش تحقیق و پیشینه مطالعه

مدل فرایند پوسته حلزون KDDA

فرمولاسیون مسئله (PF)

درک کسب و کار (BU)

درک داده (DU)

آماده سازی داده ها (DP)

مدل سازی

ارزیابی

استقرار (گسترش)

نگهداری

مطالعه موردی تشخیص رفتار ناهنجاری وسیله

فرمول بندی مسأله

درک کسب و کار (BU)

درک داده

آماده سازی داده

مدل سازی

ارزیابی

استقرار (گسترش)

نگهداری

خلاصه مطالعه موردی

مفاهیم و محدودیت‌های تحقیق
 Shilling Attack Detection in Recommender Systems via Selecting Patterns Analysis



عنوان مقاله به فارسی:تشخیص حمله شیلینگ در سیستم های توصیه گر از طریق تجزیه و تحلیل الگوهای انتخاب

انتشارات:J-stage

سال انتشار:2016

فهرست مطالب:

خلاصه

معرفی

کار مربوطه

مدل های حمله

ویژگی های مشتق شده از الگوهای امتیاز

روش های تشخیص حمله شیلینگ

تجزیه و تحلیل محبوبیت پروفایل های کاربر

ویژگی توزیع محبوبیت آیتم

ویژگی محبوبیت پروفایل های کاربر

روش پیشنهادی

بررسی اجمالی

روش استخراج ویژگی

تشخیص مهاجمان

آزمایش و بحث

روش تجربی

عملکرد تشخیص روش های مختلف

تاثیر تعداد فواصل بر عملکرد تشخیص

ارزش عملی روش تشخیص پیشنهادی

بحث

هزینه زمان

تجزیه و تحلیل اثربخشی
 Improving top-K recommendation with truster and trustee relationship in user trust network



عنوان مقاله به فارسی:بهبود پیشنهاد برتر k با رابطه مندی اعتماد کننده و مورد اعتماد در شبکه اعتماد کاربر

انتشارات:الزویر – Elsevier

سال انتشار:2016

فهرست مطالب:

چکیده

مقدمه

آثار مربوطه

فیلتر همکاری آمیز سنتی

سیستم توصیه کننده اجتماعی

سیستم توصیه کننده جهت گیری رده بندی kتراز اول

سیستم توصیه اتجامعی با جهت گیری رده بندی kتراز اول

توصیف مسئله

روش

اصول مبانی: مدل پلاکت-لووسی

مدل سازی رده بندی

مدل سازی اعتماد

مدل یکپارچه

تحلیل پیچیدگی

آزمایشات

مجموعه داده ها

پروتکل آزمایشی

متریک ارزیابی

رقبا

تحلیل عملکرد

تاثیر پارامتر های و

تحلیل ابعاد
 Structural learning in artificial neural networks using sparse optimization



عنوان مقاله به فارسی:یادگیری ساختاری در شبکه های عصبی مصنوعی با استفاده از بهینه سازی تنک

انتشارات:الزویر – Elsevier

سال انتشار:2017

فهرست مطالب:

نکات برجسته

چکیده

مقدمه

ساختار شبکه و نشان گذاری

همبندی تنک در شبکه های عصبی

بهینه سازی تنک

راه حل های تقریبی (P*0)

جستجوی خط پس گرد

آزمایش ها

مثال تشریحی

مثال تشریحی: طبقه بندی

مطالعه موردی: تخمین بازیافت حرارت تلف شده در کشتی ها
 Multisensor data fusion using Elman neural networks



عنوان مقاله به فارسی:ترکیب داده های چند سنسوره با استفاده از شبکه عصبی المان

انتشارات: الزویر – Elsevier

سال انتشار:2017

فهرست مطالب:

چکیده

مقدمه

ترکیب داده های چند سنسوره

شبکه عصبی مصنوعی

نتایج آزمایشگاهی
 Measuring the Security and reliability of Authentication of Social Networking Sites



عنوان مقاله به فارسی:سنجش امنیت و اطمینان تعیین هویت در سایت های شبکه های اجتماعی

انتشارات: الزویر – Elsevier

سال انتشار:2016

فهرست مطالب:

چکیده

مقدمه

پیشینه پژوهش

سیستم موجود

روش پیشنهادی

نتایج و مشاهدات
 Influence maximization in social networks under an independent cascade-based model



عنوان مقاله به فارسی: حداکثر تاثیر در شبکه های اجتماعی تحت شرایط یک مدل آبشاری مستقل

انتشارات:الزویر – Elsevier

سال انتشار:2016

فهرست مطالب:

چکیده

مقدمه

کارهای مربوطه

حداکثر نفوذ

شکل گیری نظرات

بیانیه مسئله

مدل

مدل IC-OC

مدل IMIC-OC

معرفی مدل IMIC-OC

خصوصیات مدل IMIC-OC

آزمایشات

مجموعه داده

برآورد پارامتر

اعتبارسنجی مدل IC-OC

روش های پایه

عملکرد مدل IC-OC

حداکثر تاثیر

آنالیز پارامتر

روش های پایه

مقایسات در میان الگوریتم ها
 Big Data : A Review of Challenges, Tools and Techniques

14,000تومان

عنوان مقاله به فارسی:داده های بزرگ: مروری بر چالش ها، ابزارها و تکنیک ها

انتشارات: IJSRSET

سال انتشار:2016

فهرست مطالب:

چکیده
 A Survey on Business Intelligence Solutions in Banking Industry and Big Data Applications-2017

30,000تومان

عنوان فارسی : راه حل های هوش هوش تجاری در بانکداری و کاربردهای کلان داده

فهرست مطالب

مقدمه

بررسی ادبیات

راه حل های هوش تجاری

پیاده سازی های هوش تجاری با ابزارهای استخراج داده ها

پیاده سازی BI با سیستم پشتیبانی تصمیم

پیاده سازی BI در ابر (کلود)

پیاده سازی BI از طریق مجازی سازی داده ها

بحث و نتایج
مقدمه
 A snail shell process model for knowledge discovery via data analytics -2016

33,000تومان

عنوان مقاله به فارسی :

یک مدل فرآیند پوسته حلزون برای کشف دانش از طریق تجزیه و تحلیل داده

فهرست مطالب:

چکیده

مقدمه

لزوم یک مدل فرایند KDDA

روش تحقیق و پیشینه مطالعه

مدل فرایند پوسته حلزون KDDA

فرمولاسیون مسئله (PF)

درک کسب و کار (BU)

درک داده (DU)

آماده سازی داده ها (DP)

مدل سازی

ارزیابی

استقرار (گسترش)

نگهداری

مطالعه موردی تشخیص رفتار ناهنجاری وسیله

فرمول بندی مسأله

درک کسب و کار (BU)

درک داده

آماده سازی داده

مدل سازی

ارزیابی

استقرار (گسترش)

نگهداری

خلاصه مطالعه موردی

مفاهیم و محدودیت‌های تحقیق

نتیجه گیری
کلیات داده های بزرگ

مراحل پردازش داده های بزرگ

چالش های داده های بزرگ

تکنیک های مدیریت داده های بزرگ
 Big data for open innovation in SMEs and large corporations: Trends, opportunities, and challenges

34,000تومان

‘-عنوان مقاله به فارسی : داده های بزرگ برای نوآوری باز در SME ها و شرکت های بزرگ

-فهرست مطالب

– مقدمه، مروری بر ادبیات

-کلان داده ها در یک نگاه اجمالی، نوآوری باز در دوره کلان داده: SME ها درمقابل شرکت های بزرگ

-کلان داده ها در استراتژی های نوآوری باز

– گرایش ها

– فرصت ها

-چالش ها

-مفهوم نوآوری باز در برنامه های کاربردی کلان داده ها

-چگونه کلان داده ها می توانند استراتژی نوآروی باز را پشتیبانی کنند

-حریم خصوصی، تهدیدها یا فرصت ها؟

-مالکیت معنوی: دنیای باز
 Big Data Mining with Parallel Computing: A Comparison of Distributed and MapReduce Methodologies

28,000تومان

عنوان مقاله به فارسی: مقایسه روش های توزیعی و نگاشت-کاهش و استخراج کلان داده با محاسبات موازی

انتشارات: الزویر – Elsevier

سال انتشار:2015

فهرست مطالب:

چکیده

مقدمه

ادبیات پیشینه

داده کاوی توزیعی

داده کاوی مبتنی بر نگاشت کاهش

روند استخراج داده های بزرگ

روند استخراج داده های بزرگ توزیعی

روند استخراج داده های بزرگ مبتنی بر نگاشت کاهش

آزمایشات

راه اندازی آزمایشی

نتایج آزمایشی بر دو مجموعه داده های طبقه بندی دو طبقه ای

نتایج بر مجموعه داده های سرطان سینه

نتایج در مجموعه داده های برابری پروتئین

نتایج آزمایشی بر مجموعه داده های طبقه بندی چند طبقه ای

نتایج بر مجموعه داده های Covertype

نتایج برای مجموعه داده ها فعالیت انسان

مقایسه های دیگر
 Big Data: A Survey

33,000تومان

عنوان مقاله به فارسی:بررسی کلان داده

انتشارات:اسپرینگر

سال انتشار:2014

فهرست مطالب:

چکیده

پیشینه

طلوع عصر کلان داده

تعریف و ویژگی های کلان داده

ارزش کلان داده

توسعه کلان داده

چالش های کلان داده

فناوری های مرتبط

رابطه بین رایانش ابری و کلان داده

رابطه بین اینترنت اشیاء و کلان داده

مرکز داده

رابطه بین هادوپ (Hadoop ) و کلان داده

تولید و اکتساب کلان داده

تولید داده

داده های شرکت

داده اینترنت اشیاء

داده بیو پزشکی

تولید داده از دیگر فیلد ها

اکتساب کلان داده

جمع اوری داده

حمل داده

پیش پردازش داده

ذخیره سازی کلان داده

سیستم ذخیزه سازی برای داده های حجیم

سیستم ذخیره سازی پراکنده

مکانیزم ذخیره سازی کلان داده

فناوری پایگاه داده

تجریه و تحلیل کلان داده

تجزیه و تحلیل داده سنتی

روش های تحلیل کلان داده

معماری تجزیه و تحلیل کلان داده

تجزیه و تحلیل انی در برابر آنلاین

تجزیه و تحلیل در سطوح مختلف

تجزیه و تحلیل با پیچیدگی متفاوت

ابزار کاوش و تحلیل کلان داده

کاربرد های کلان داده

تکامل های کاربرد

فیلد های تجزیه و تحلیل کلان داده

تجزیه و تحلیل داده ساخت یافته

تحلیل داده متن

تجزیه و تحلیل داده وب

تجزیه و تحلیل داده چند رسانه ای

تجزیه و تحلیل داده شبکه

تجزیه و تحلیل داده موبایل

کاربرد های کلیدی کلان داده

کاربرد کلان داده در شرکت ها

کاربرد کلان داده مبتنی بر IoT

کاربرد کلان داده شبکه محور اجتماعی آنلاین

کاربرد های کلان داده مراقبت بهداشتی و پزشکی

هوش جمعی

شبکه هوشمند

نتیجه گیری ، موضوعات باز و چشم انداز

موضوعات باز

تحقیق تئوریک

توسعه فناوری

پیچیدگی های عملی
 Machine Learning with Big Data An Efficient Electricity Generation Forecasting System



عنوان مقاله به فارسی:یادگیری ماشین با داده های بزرگ یک سیستم پیش بینی کارآمد برای تولید برق

انتشارات:الزویر – Elsevier

سال انتشار:2016

فهرست مطالب:

چکیده

مقدمه

پیشینه

طراحی چارچوبی برای استراتژی پیشنهادی

پردازش داده های خام و استخراج ویژگیها

نرمال سازی داده ها درفرمت ساختاریافته

آموزش BPNN برای پیش بینی تولید برق

نتایج و تحلیل

نتیجه گیری
دانلود مقاله اصلی
دسته: مقالات ترجمه شده کلان داده
Share
FacebookTwitter
امنیت داده
 Machine Learning with Big Data An Efficient Electricity Generation Forecasting System



عنوان مقاله به فارسی:یادگیری ماشین با داده های بزرگ یک سیستم پیش بینی کارآمد برای تولید برق

انتشارات:الزویر – Elsevier

سال انتشار:2016

فهرست مطالب:

چکیده

مقدمه

پیشینه

طراحی چارچوبی برای استراتژی پیشنهادی

پردازش داده های خام و استخراج ویژگیها

نرمال سازی داده ها درفرمت ساختاریافته

آموزش BPNN برای پیش بینی تولید برق

نتایج و تحلیل
 Software power modeling method at architecture level based on complex networks

27,000تومان

عنوان مقاله به فارسی: روش مدل سازی نیروی نرم افزار در سطح معماری مبتنی بر شبکه های پیچیده

انتشارات: الزویر – Elsevier

سال انتشار:2016

فهرست مطالب:

چکیده

مقدمه

کارهای مرتبط

مدل ما

استخراج ویژگی های شبکه از نرم افزار

تعداد گره ها

تعداد لبه های (یال های) جهت دار

متوسط طول مسیر

ضریب خوشه بندی

متوسط درجه

تناسب غیرخطی شبکه عصبی BP

روند تناسب تابع غیرخطی از شبکه عصبی BP

طراحی ساختار شبکه عصبی BP

اعتبارسنجی و تحلیل آزمایش
 Quantification of the quality characteristics for the calculation of software reliability

23,000تومان

عنوان مقاله به فارسی: توصیف ویژگی های کیفی برای محاسبه قابلیت اطمینان نرم افزار

انتشارات: الزویر – Elsevier

سال انتشار:2016

فهرست مطالب:

چکیده

مقدمه

مرحله هنر

رو ش مقدار سنجی مربوط به ویژگی های کیفی

کاربرد یک مدل فرایند محور

فاکتور تست

فاکتور انسانی

روش کیفیت سنجی ویژگی های کیفی
 A Novel Fuzzy Document Based Information Retrieval Model for Forecasting

33,000تومان

عنوان مقاله به فارسی:مدل جدید بازیابی اطلاعات بر اساس سند فازی به منظور پیش بینی

انتشارات: الزویر – Elsevier

سال انتشار:2017

فهرست مطالب:

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

تئوری مربوط به شمع ژاپنی

در رابطه با تئوری منطق فازی

طرح tf- idf

بازبینی زمینه ای و ادبی

طراحی جستجو

متد

فاز 1: فرایند فازی سازی

فاز 2. بازیابی اطلاعات با استفاده از طرح رتبه ی بندی اصلاح شده ی tf-idf

فاز 3 . پیش بینی با استفاده از طرح رتبه بندی اصلاح شده ی tf- idf

جزئیات هر فاز

فرایند فازی سازی

فازی سازی تشکیلات شمع در سری زمانی

فازی سازی روند مقادیر بسته قبل و بعد از نقطه مشخص شده p در سری زمانی

بازیابی اطلاعات با استفاده از طرح رتبه بندی اصلاح شده tf-idf

پیش بینی با استفاده از طرح رتبه بندی اصلاح شده tf-idf

داده

کلیه بخش های سند

پرس و جو و پیش بینی

مثال
 Distributed attack detection scheme using deep learning approach for Internet of Things

31,000تومان

عنوان مقاله به فارسی:طرح شناسایی حمله های توزیع شده با استفاده از روش های یادگیری عمقی برای اینترنت اشیا

انتشارات:الزویر – Elsevier

سال انتشار:2017

فهرست مطالب:
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
چکیده

مقدمه

کارهای مرتبط

امنیت اینترنتی در IOT های اجتماعی

مروری بر یادگیری عمیق

روش ما

ارزیابی

مجموعه داده، الگوریتم و ماتریس های آن
 Hidden Markov Modeling of Frequency-Following Responses to Mandarin Lexical Tones

34,000تومان

‘-عنوان مقاله به فارسی:مدلسازی مخفی مارکوف پاسخ به فرکانس برای تن های واژگانی ماندارین

-انتشارات: الزویر – Elsevier

-سال انتشار:2017

-فهرست مطالب:

-نکات برجسته

-چکیده

– مقدمه

– روش ها

-شرکت کنندگان

– محرک

– کسب داده های الکتروفیزیولوژیک

-پیش پردازش داده های الکتروفیزیولوژیک

-مدلسازی مخفی مارکوف الگوسازی گام عصبی

-روند استخراج F0

-توپولوژی تصادفی و کمّی سازی بردار

-آموزش، آزمون، و اعتبارسنجی متقابل

– روش میانگین گیری

– دستکاری در اندازه آموزش، آزمون و میانگین گیری
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
-صحت و دقت رمزگشایی تُن در طی زمان

– تجزیه و تحلیل آماری و نتایج

– اعتبارسنجی مجموعه داده های FFR

– صحت و دقت رمزگشایی تُن

– تفاوت های گروه زبانی

– صحت و دقت رمزگشایی تُن در طی زمان

– بحث کلی

– نتایج و نقش آفرینی های عمده

-انعطاف پذیری عصبی وابسته به زبان

-صحت و دقت رمزگشایی تُن در طی زمان

-نتیجه گیری و جهت گیری های آتی

-قدردانی

-معیارهای اخلاقی

-تضاد منافع
محیط آزمایشی

نتایج و مباحث

جمع بندی و کار های آتی
نتایج و بحث

نتیجه گیری
ارزیابی روش
 Comparison of machine learning methods for stationary wavelet entropy-based multiple sclerosis detection: decision tree, k-nearest neighbors, and support vector machine

21,000تومان

عنوان مقاله به فارسی:مقایسه روش های فراگیری ماشین برای کشف فلج چند گانه مبتنی بر آنتروپی موجک ایستا: درخت تصمیم گیری، نزدیک ترین همسایه و ماشین بردار پشتیبانی

انتشارات:Sage

سال انتشار:2016

فهرست مطالب:

چکیده

مقدمه

مواد

منبع

عادی سازی اسکن درونی

روش شناسی

انتروپی موجک ایستاء
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
دسته بندی

آزمایش آماری

نتایج

تبدیل موجک ایستاء

مقایسه دسته کننده

مقایسه با روش های با جدید ترین فناوری

زمان محاسبه

بحث و تبادل نظر
 A novel approach to multiclass psoriasis disease risk stratification: Machine learning paradigm

28,000تومان

عنوان مقاله به فارسی:یک روش جدید برای طبقه بندی خطرات بیماری پسوریازیس مولتی کلاس: الگوی ماشین یادگیری

انتشارات: الزویر – Elsevier

سال انتشار:2016

فهرست مطالب:

چکیده

مقدمه

روش کار
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
اکتساب و اماده سازی داده ها

مشخصات رنگ

مشخصات بافت سیاه سفید (GS)

مشخصات GS براساس آماری

ویژگی های بافت GS براساس HOS

انتخاب ویژگی

طبقه بندی خطرات

نتایج

آنالیز عملکرد سیستم Pras به منظور اعتبار سنجی فرضیه های 1، 2 و 3

شواهد ثبات سیستم برای اعتبارسنجی فرضیه 4

نمایش تصویری ضایعات چنددرجه ای مقادیر ویژگی ها

ارزیابی عملکرد

شاخص قابلیت اطمینان

قدرت حفظ ویژگی

اثر تجمعی ویژگی ها

بحث

سیستم ما

بررسی مختصر

قابلیت اطمینان و ثبات سیستم

نقاط قوت، نقاط ضعف و توسعه
omparison of machine learning methods for stationary wavelet entropy-based multiple sclerosis detection: decision tree, k-nearest neighbors, and support vector machine

21,000تومان

عنوان مقاله به فارسی:مقایسه روش های فراگیری ماشین برای کشف فلج چند گانه مبتنی بر آنتروپی موجک ایستا: درخت تصمیم گیری، نزدیک ترین همسایه و ماشین بردار پشتیبانی

انتشارات:Sage

سال انتشار:2016

فهرست مطالب:

چکیده

مقدمه

مواد

منبع

عادی سازی اسکن درونی

روش شناسی

انتروپی موجک ایستاء

دسته بندی

آزمایش آماری

نتایج

تبدیل موجک ایستاء

مقایسه دسته کننده

مقایسه با روش های با جدید ترین فناوری

زمان محاسبه

بحث و تبادل نظر
novel approach to multiclass psoriasis disease risk stratification: Machine learning paradigm

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

عنوان مقاله به فارسی:یک روش جدید برای طبقه بندی خطرات بیماری پسوریازیس مولتی کلاس: الگوی ماشین یادگیری

انتشارات: الزویر – Elsevier

سال انتشار:2016

فهرست مطالب:

چکیده

مقدمه

روش کار

اکتساب و اماده سازی داده ها

مشخصات رنگ

مشخصات بافت سیاه سفید (GS)

مشخصات GS براساس آماری

ویژگی های بافت GS براساس HOS

انتخاب ویژگی
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
طبقه بندی خطرات

نتایج

آنالیز عملکرد سیستم Pras به منظور اعتبار سنجی فرضیه های 1، 2 و 3

شواهد ثبات سیستم برای اعتبارسنجی فرضیه 4

نمایش تصویری ضایعات چنددرجه ای مقادیر ویژگی ها

ارزیابی عملکرد

شاخص قابلیت اطمینان

قدرت حفظ ویژگی

اثر تجمعی ویژگی ها

بحث

سیستم ما

بررسی مختصر

قابلیت اطمینان و ثبات سیستم
داده کاوی به کمک R: به همراه متن کاوی و تحلیل شبکه های اجتماعی

کتابی مفید و مختصر راجع به علم داده کاوی و استفاده از زبان R‌ برای داده کاوی
نقاط قوت، نقاط ضعف و توسعه
 Software test maturity assessment and test process improvement: A multivocal literature review

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

عنوان مقاله به فارسی: ارزیابی بلوغ آزمون نرم افزار و بهبود فرآیند آزمون: مروری بر ادبیات پیشینه چندمتغیره

انتشارات: الزویر – Elsevier

سال انتشار:2017

فهرست مطالب:

چکیده

مقدمه

پیشینه و کارهای مرتبط

مرور مختصر ارزیابی بلوغ آزمون نرم افزار و بهبود فرآیند آزمون

مروری بر ادبیات پیشینه چندمتغیره

MLR در دیگر زمینه ها

MLR در sE

کارهای مرتبط: مطالعات ثانویه در حوزه ی TMA/TPI

روش تحقیق

مرور
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
هدف و پرسش های مرور و بررسی

گروه 1- رایج در مطالعات SM

گروه 2- مختص حوزه (TMA/TPI)

گروه 3- توجه به این موضوع از تحقیق در برابر جامعه فعالان

جستجو و انتخاب گزینه ها

انتخاب منبع، کلمات کلیدی تحقیق و رویکرد تحقیق

معیار دربرگیری/حذف و رای گیری

مجموعه نهایی و مخازن آنلاین

توسعه نقشه ای سیستماتیک و برنامه استخراج داده ها

استخراج و تحلیل داده ها

نتایج

گروه 1، پرسش های رایج برای همه ی مطالعات SM

ترسیم منابع توسط قسمت سهم (RQ 1.1)
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
ترسیم منابع توسط بخش تحقیقاتی (RQ1.2)

گروه 2- RQ مختص حوزه (TMA/TPI)

مدل های بلوغ آزمون پیشنهادی (RQ 2.1)

مدل های بلوغ مبنا مورد استفاده برای توسعه مدل های جدید (RQ 2.2)

محرک ها (RQ 2.3)

چالش ها (RQ 2.4)

مزایا (RQ 2.5)

روش هایی برای TPI (RQ 2.6)

ویژگی های کمپانی ها/پروژه های مطالعه موردی در این مطالعه (RQ 2.8)

RQ هایی در مورد روند و جمعیت شناختی
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
سطح توجه در ادبیات رسمی و خاکستری (RQ 3.1)

بحث

خلاصه ی یافته ها و مفاهیم تحقیق

گروه 1، رایج در همه ی مطالعات SM

گروه 2، مختص حوزه (TMA/TPI)

گروه 3- روند و جمعیت شناختی

مقایسه یافته های این بررسی با نتایج بررسی های پیشین

تهدیدات بالقوه به روایی

روایی درونی
 Hidden Markov Modeling of Frequency-Following Responses to Mandarin Lexical Tones

34,000تومان

‘-عنوان مقاله به فارسی:مدلسازی مخفی مارکوف پاسخ به فرکانس برای تن های واژگانی ماندارین

-انتشارات: الزویر – Elsevier

-سال انتشار:2017
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
-فهرست مطالب:

-نکات برجسته

-چکیده

– مقدمه

– روش ها

-شرکت کنندگان

– محرک

– کسب داده های الکتروفیزیولوژیک

-پیش پردازش داده های الکتروفیزیولوژیک

-مدلسازی مخفی مارکوف الگوسازی گام عصبی

-روند استخراج F0

-توپولوژی تصادفی و کمّی سازی بردار

-آموزش، آزمون، و اعتبارسنجی متقابل

– روش میانگین گیری

– دستکاری در اندازه آموزش، آزمون و میانگین گیری

-صحت و دقت رمزگشایی تُن در طی زمان
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
– تجزیه و تحلیل آماری و نتایج

– اعتبارسنجی مجموعه داده های FFR

– صحت و دقت رمزگشایی تُن

– تفاوت های گروه زبانی

– صحت و دقت رمزگشایی تُن در طی زمان

– بحث کلی

– نتایج و نقش آفرینی های عمده

-انعطاف پذیری عصبی وابسته به زبان

-صحت و دقت رمزگشایی تُن در طی زمان

-نتیجه گیری و جهت گیری های آتی

-قدردانی

-معیارهای اخلاقی

-تضاد منافع
روایی ساختاری

روایی نتیجه گیری

روایی خارجی


نتیجه گیری
نتایج و بح Computational Models for Social Network Analysis: A Brief Survey
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]

عنوان مقاله:مدل های محاسباتی برای تحلیل شبکه اجتماعی: بررسی مختصر

انتشارات: ACM

سال انتشار:2017

فهرست مطالب:

چکیده

مقدمه

ادبیات مربوطه

نظریه های اجتماعی

تحلیل رابطه اجتماعی

تحلیل تاثیر اجتماعی

فعالیت ها و مدل های کاربر

Novel Fuzzy Document Based Information Retrieval Model for Forecasting

33,000تومان

عنوان مقاله به فارسی:مدل جدید بازیابی اطلاعات بر اساس سند فازی به منظور پیش بینی

انتشارات: الزویر – Elsevier

سال انتشار:2017

فهرست مطالب:

چکیده

مقدمه

تئوری مربوط به شمع ژاپنی

در رابطه با تئوری منطق فازی

طرح tf- idf

بازبینی زمینه ای و ادبی

طراحی جستجو

متد

فاز 1: فرایند فازی سازی

فاز 2. بازیابی اطلاعات با استفاده از طرح رتبه ی بندی اصلاح شده ی tf-idf

فاز 3 . پیش بینی با استفاده از طرح رتبه بندی اصلاح شده ی tf- idf

جزئیات هر فاز

فرایند فازی سازی

فازی سازی تشکیلات شمع در سری زمانی

فازی سازی روند مقادیر بسته قبل و بعد از نقطه مشخص شده p در سری زمانی

بازیابی اطلاعات با استفاده از طرح رتبه بندی اصلاح شده tf-idf

پیش بینی با استفاده از طرح رتبه بندی اصلاح شده tf-idf

داده

کلیه بخش های سند

پرس و جو و پیش بینی

مثال

نتایج و بحث

نتیجه گیری

09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
عنوان مقاله به فارسی:مدل جدید بازیابی اطلاعات بر اساس سند فازی به منظور پیش بینی
سک، پیش‌بینی، بیوتکنولوژی، توسعه‌ی فرمولاسیون‌های دارویی، شبکه‌های