دانلود آموزش نرم افزار وکا

دانلود آموزش نرم افزار وکا

نرم افزار وکا یک نرم افزار کاربردی برای روش های یادگیری ، دسته بندی و خوشه بندی می باشد

برای دریافت آوزش وکا در همین صفحه پیام بگذارید

azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
دانلود آموزش نرم افزار وکا

آموزش داده کاوی با استفاده از WEKA
۲۱ شهریور ۱۳۹۴ توسط محمد حسینی کیا مجموعه: داده کاوی, سته بندی مستقل

آموزش داده کاوی با استفاده از WEKA

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

آموزش داده کاوی با استفاده از WEKA

داده کاوی چیست؟

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

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

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

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

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

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

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

 

WEKA ابزاری متن باز برای داده کاوی در جاوا

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

 

 

برای مشاهده جزئیات و تهیه آموزش داده کاوی با استفاده از WEKA به این لینک (+) مراجعه نمایید.

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

فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:

    مفاهیم داده کاوی
        اعمال فیلتر بر روی داده ها
             حذف ویژگی های غیرمفید
            گسسته سازی ویژگی های عددی
            ایجاد داده تصادفی
        انتخاب ویژگی
        خوشه بندی
             روش های انتخاب خوشه
        دسته بندی
        ارزابی مدل و تست
            آشنایی با ماتریس Confusion
            آشنایی با مشخصه عملکرد سیستم
        قوانین انجمن
    آماده سازی محیط نرم افزاری برای شروع به کار با WEKA
        نصب جاوا
        نصب Eclipse
        اتصال WEKA با Eclipse
    درونریزی داده
        آشنایی با نوع داده ARFF
        تعریف ویژگی
        آشنایی با ساختار داده ها
        ایجاد مجموعه داده در زمان اجرا
        ذخیره داده در قالب ARFF
    اعمال فیلتر بر روی داده ها
        گسسته سازی ویژگی ها
        ابزار اعمال فیلتر دسته بندی FilteredClassifier
    انتخاب ویژگی در WEKA
        Information Gain و کاربرد آن در انتخاب ویژگی
        بررسی مولفه های اصلی
        AttributeSelectedClassifier و انتخاب خاص دسته بندی کننده
    ایجاد یک دسته بندی کننده و آموزش آن
        ایجاد دسته بندی کننده با درخت تصمیم گیری یا Decision Treesb.
        ایجاد دسته بندی کننده با استفاده از ماشین بردار پشتیبان یا SVM
        مدل های دیگر دسته بندی کننده
        ایجاد یک دسته بندی کننده اختصاصی
    نمایش نتیجه
        نمایش گرافیکی درخت به کاربر
    بررسی و ارزیابی مدل ها
        بررسی مجموعه داده ها و تست
        نمایش نتایج آماری
        جداسازی داده یادگیری
        اعتبارسنجی متقابل k-fold
        ماتریس Confusion
        منحنی ROC
        ذخیره مدل با استفاده از Serializable
        بازگردانی مدل با استفاده از deserializable
    رگرسیون
        کلاس Zero
        کلاس REPTree
        کلاس SMOreg
        کلاس MultilayerPerceptron
    قوانین ارتباطی
        الگوریتم Apriori و کشف قوانین ارتباطی
    خوشه بندی
        الگوریتم EM و نحوه خوشه بندی
        دسته بندی کننده خوشه ای
        خوشه بندی افزایشی
        بررسی خوشه بندی