انجام برنامه نویسی R و نرم افزار RStudio

       
آموزش برنامه نویسی R و نرم افزار RStudio
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]


در این فرادرس قصد داریم، محیط گرافیکی نرم‌ افزار RStudio را مورد بررسی قرار دهیم و با ارائه مطالب مرتبط، نقش این نرم‌ افزار و تحلیل آماری را در نتیجه گیری از داده ها مورد بررسی قرار دهیم. در پایان این آموزش، مخاطب قادر به کار کردن با نرم افزار RStudio،

آموزش تکمیلی برنامه نویسی R و نرم افزار RStudio       
آموزش تکمیلی برنامه‌ نویسی R و نرم‌ افزار RStudio


با توجه به استقبال مخاطبان محترم فرادرس از آموزش برنامه نویسی R و نرم افزار R Studio و درخواست ارائه آموزش های تخصصی و پیشرفته تر در مورد زبان برنامه‌ نویسی R، تهیه و تنظیم آموزش های تکمیلی برنامه نویسی R در دستور کار قرار گرفت. این آموزش در ادامه آموزش قبلی ارائه شده در سایت فرادرس است که در آن توجه ویژه ای به نحوه ورود اطلاعات از نرم افزارهای مختلف به درون R شده است.
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
آموزش محاسبات علمی و آماری با R - مقدماتی       
آموزش محاسبات علمی و آماری با R - مقدماتی


R یک زبان متن باز (Open source) بسیار کامل برای محاسبات علمی است که میزان استفاده از آن در شرکت ها و محیط های آکادمیک مختلف، موید این موضوع است. این زبان در ابتدا به عنوان یک ابزار برای مدل سازی آماری طراحی شده بود، اما در ادامه به ابزار قدرتمندی برای داده کاوی و تحلیل، تبدیل شد. در این فرادرس، ما به دنبال یادگیری روش های ریاضیاتی و آماری برای محاسبات علمی هستیم، همچنین نحوه استفاده از R، برای ارزیابی عبارت های پیچیده حسابی و مدل سازی های آماری را خواهیم آموخت. در انتهای این آموزش، شما نه تنها به راحتی با R برنامه نویسی می کنید بلکه می توانید کدهای مربوط به پروژه های خود برای انجام محاسبات علمی را در آن بنویسید.



آموزش نمونه گیری در نرم افزار R       
آموزش نمونه گیری در نرم افزار R



در بسیاری از مسائل، به دلایل متعدد مانند ماهیت مسأله، هزینه، زمان و… نیازمند نمونه گیری از داده های جامعه مورد مطالعه هستیم. همچنین در بسیاری از مسائل برنامه نویسی و شبیه سازی نیز، نیاز به کدهای نمونه گیری، احساس می گردد. در این آموزش تلاش شده است تا در گام نخست با بیانی روان به معرفی و دلایل نمونه گیری پرداخته شود و سپس با انواع نمونه گیری به صورت کاربردی آشنا می شویم و در نرم افزار R پیاده سازی می کنیم.

09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
۵
آموزش تصویر سازی حرفه ای در علم داده با نرم افزار R و بسته نرم افزاری ggplot2       
آموزش مصورسازی داده (Data Visualization) در نرم افزار R با بسته ggplot2



در تحلیل داده گرافیکی، بسیار مهم است که ابتدا داده را درک کنیم (Exploratory Data Visualisation) سپس بتوانیم درک خود را از داده ها به صورت تصویری و ساده به دیگران انتقال دهیم (Exploratory Data Analysis). در این فرادرس، ضمن آشنایی اولیه با تصویر سازی مقدماتی با استفاده از زبان برنامه نویسی R (بسته نرم افزاری Base) که یکی از قدرتمندترین زبان ها در راستای تحلیل داده ها است، دو توانایی ذکر شده در بالا و به طور کلی اصول تصویر سازی حرفه ای با استفاده از بسته نرم افزاری ggplot2 در زبان R را به دست می آورید.



آموزش خوشه بندی تفکیکی با نرم افزار R       
آموزش خوشه بندی تفکیکی با نرم افزار R



از مهم ترین تکنیک های عملی داده کاوی که کاربرد زیادی در علوم مختلف دارد به خوشه بندی تفکیکی می توان اشاره کرد که با توجه به روش های گوناگونی مانند: k-میانگین، k-میانه و …قابل پیاده سازی است. با توجه به بار محاسباتی زیاد این روش ها، برای کلان داده ها از روش هایی با بار محاسباتی کمتر (مانند الگوریتم CLARA) آشنا شده و از آن استفاده می کنیم. در این راستا بسته های مختلفی در نرم افزار R گنجانده شده است که قابلیت انجام این گونه محاسبات را دارد و به محققین در تحلیل خوشه بندی تفکیکی کمک شایان می کند. هدف از این فرادرس، خوشه بندی معرفی شده و خوشه بندی تفکیکی و روش های مختلف آن که براساس مثال، اجرا می شود.


۷
آموزش خوشه بندی سلسله مراتبی در R       
آموزش خوشه بندی سلسله مراتبی در R


09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
خوشه بندی یا گروه بندی داده ها یکی از روش های پایه ای در داده کاوی است. برای خوشه بندی (Clustering) روش ها و الگوریتم های مختلفی وجود دارد ولی یکی از اصلی و پرکاربردترین خوشه بندی ها، خوشه بندی سلسله مراتبی (Hierarchical) است. خوشه بندی سلسله مراتبی برای داده های چند بعدی و حجیم احتیاج به انجام محاسبات سنگین و زیادی خواهد داشت که این محاسبات در اکثر نرم افزارهای آماری یا داده کاوی امکان پذیر است. در این آموزش به کمک برنامه نویسی در محیط R انجام چنین محاسباتی را ساده می کنیم.

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

آموزش داده کاوی و زبان برنامه نویسی R (رایگان)       
آموزش داده کاوی و زبان برنامه نویسی R (رایگان)



بر اساس پیش بینی ها، جهان فناوری در سال های آینده حول محور تحلیل داده ها خواهد بود. یکی از موضوعات داغ روز در حوزه تحلیل داده ها، مبحث کشف دانش از داده یا داده کاوی است. داده کاوی به معنای کشف الگوهای جالب توجه از حجم انبوهی از داده ها است که دانشی را ارائه می کنند. استفاده از زبان برنامه نویسی R که با اجازه نامه عمومی گنو منتشر شده در مباحث مربوط به داده کاوی استفاده های گسترده ای چه در پروژه های دانشگاهی و چه در پروژه های عملی دارد. در این کارگاه شما ضمن آشنایی با کلیات داده کاوی، با برنامه نویسی R و استفاده از آن برای داده کاوی آشنا خواهید شد.

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

آموزش تحلیل شبکه های اجتماعی با زبان R و متن کاوی       
آموزش تحلیل شبکه های اجتماعی با زبان R و متن کاوی


وجود حجم بسیار زیاد اطلاعات مختلف در شبکه های اجتماعی، این امکان را فراهم آورده است که از طریق بررسی و تحلیل آن ها بتوان به حقایق و نتایج ارزشمندی که برای حوزه های کاری مختلف حیاتی است، دست یافت. هدف از این فرادرس، بررسی مبانی شبکه های اجتماعی و اهمیت و کاربرد آن ها و همچنین بررسی الگوهای رایج در زمینه کاوش و تحلیل آن ها از جنبه های مختلف است و مخاطبین را در جهت استفاده حداکثری از قابلیت های این شبکه ها یاری می رساند. محتوای این آموزش به گونه ای طراحی شده است که برای فعالان اقتصادی و تجاری و در عین حال برای دانشجویان رشته های مهندسی کامپیوتر، فناوری اطلاعات (IT)، مهندسی صنایع و بازاریابی قابل استفاده باشد.

    مقدمه ای بر نرم افزار R و RStudio
        تاریخچه زبان برنامه نویسی R
        نصب و آشنایی با محیط نرم‌ افزار
        نرم‌ افزار RStudio و بخش های مختلف آن
        نحوه گرفتن راهنمایی در نرم افزار
        شروع به کار با نرم افزار
    تعریف متغیر و عملگرهای ریاضی و منطقی در نرم افزار
        انواع متغیر در R
        صفت های منتسب به هر متغیر
        عملیات ریاضی و منطقی روی متغیرها
        تعریف بردار
        تعریف ماتریس
        تعریف چارچوب داده
        تبدیل متغیر به انواع دیگر
        شناسایی داده های گم شده و بدون مقدار
    ساختارهای کنترل
        ساختار شرط If
        ساختار تکرار متناهی

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

        ساختار تکرار نامتناهی While
        دستورهای Break ،Next و Return
        حل یک مثال کاربردی
    کار با توابع درونی R
        نحوه ورود اطلاعات به نرم افزار از خارج برنامه به کمک توابع درونی
    نحوه تعریف توابع جدید مورد نیاز کاربر
    بررسی چند تابع در نرم افزار
        تابع lapply
        تابع tapply
        تابع split
        تابع mapply10
        تابع apply
    بررسی چند توزیع آماری در نرم افزار
        توزیع یکنواخت
        توزیع دوجمله ای
        توزیع هندسی
        توزیع فوق هندسی

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

        توزیع نمایی

        توزیع کای دو
    معرفی آماره
    بررسی آماره‌ های پرکاربرد
        میانگین
        واریانس
        انحراف معیار
        چندک

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

        میانه

    تحلیل توصیفی
        بررسی شاخص های مرکزی و چگونگی محاسبه آن ها در نرم افزار
        بررسی شاخص های پراکندگی و چگونگی محاسبه آن ها در نرم افزار
        رسم نمودار فراوانی، نمودار جعبه ای و دیگر ابزار نمایش داده ها در نرم افزار
    آزمون فرض آماری
        معرفی توزیع نرمال و توزیع t و توابع مربوطه در نرم افزار
        آزمون میانگین یک جامعه (One sample T-Test)
        آزمون میانگین دو جامعه (Two sample T-Test)
        بررسی آزمون Z در نرم افزار
    نرمال سازی داده ها در نرم افزار RStudio
        نرمال سازی استاندارد
        تبدیلات باکس کاکس

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

        نرمال سازی بر اساس چندک

        نرمال سازی به روش صیقل دادن با میانه
        نرمال سازی به روش مقیاس گذاری
        نرمال سازی به روش دامنه میان چارکی
        نرمال سازی ناپارامتری مبتنی بر رگرسیونی
        حل چند مثال در نرم افزار
    انجام آنالیزهای آماری معروف

حوه ورود اطلاعات به نرم‌افزار R
    بررسی توابع خانواده Apply
    ردیابی ایرادات و خطاهای برنامه نویسی
    بررسی بسته نرم افزاری Shiny
    بررسی بسته نرم افزاری R Markdown

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

    ورود اطلاعات به نرم افزار R
        ورود اطلاعات از طریق فایل های تکست و

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

Flat

        ورود اطلاعات از نرم افزار اکسل
        ورود اطلاعات از دیتابیس SQL
        ورود اطلاعات از وب
        بررسی چند تابع پرکاربرد
    بررسی توابع پیشرفته خانواده apply
        پیاده سازی یک تابع بر روی زیرمجموعه‌ های یک بردار
        نسخه چند متغیره تابع پیاده ساز
        پیاده سازی یک تابع بر روی لیست
    برطرف کردن ایرادات و خطاها
        توابع داخلی نرم افزار برای شناسایی ایرادات برنامه نویسی
        بررسی ایرادات به صورت دستی
        اشکال زدایی کدهای نوشته شده
    بررسی پکیج Shiny
        مقدمه ای بر پکیج
        اجزای تشکیل دهنده و نحوه استفاده
        حل یک مثال ساده به کمک Shiny
    بررسی بسته نرم افزاری R Markdown

    یکم: برنامه نویسی
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
    محاسبات مقدماتی در R
        عملگر حسابی
        متغیر
        تابع
        عبارات منطقی
        ماتریس
    محاسبات ماتریسی در R
    مبانی برنامه نویسی برای محاسبات در R
        برنامه ای برای محاسبات ریشه چند جمله ای مرتبه دو در R
        برنامه ای برای محاسبه n فاکتوریل در R
        مثال دنباله فیبوناچی در R
        Vector Based Programming
        Program Flow
        Debugging
    I / O در R
        Text
        ورودی از یک فایل
        محاسبه ی میانه
        ورودی از کیبورد
        محاسبه ی ریشه های چند جمله ای درجه دو
        فرستادن خروجی به یک فایل
        Plotting
    برنامه نویسی با توابع برای محاسبات در R
        تابعی برای محاسبه ریشه چند جمله ای درجه دو در R
        تابعی برای محاسبه n فاکتوریل در R
        تابعی برای محاسبه Trimmed Mean در R
        Scope
        Arguments
        Vector Based Programming
        برنامه ای برای محاسبه چگالی اعداد اول در R
        برنامه نویسی بازگشتی
        Debugging Functions
    داده ساختارها در R
        Factor
        DataFrame
        خواندن یک فایل اکسل و انجام محاسبات مقدماتی روی آن
        List
    نکاتی از گرافیک در R
        Graphics parameters : par
        Graphical augmentations
        09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]

Mathematical Typesetting

        Permanence
        Grouped Graphs
        ۳D plot

درس دوم: محاسبات عددی

     ریشه یابی در R
        Program Efficiency
        مفهوم ریشه یابی
        روش های ریشه یابی و پیاده سازی آن ها در R
            روش Fixedpoint Iteration
            روش Newton Raphson
            روش وتری (Secant Method)
            روش Bisection
    انتگرال گیری عددی
        روش های انتگرال گیری عددی و پیاده سازی آن ها در R
            روش Trapezoidal Rule
            روش Simpson Rule
            روش Adaptive quadrature
    بهینه سازی در R
        مفهوم بهینه سازی
        روش های بهینه سازی و پیاده سازی آن ها در R
            روش Newton
            روش Golden Section
    بهینه سازی چند متغیره در R
        مفهوم بهینه سازی چند متغیره
        روش های بهینه سازی چند متغیره و پیاده سازی آن ها در R
            روش Steepest Ascent
            روش Newton
    برازش منحنی در

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

R

        پیاده سازی یک مثال از برازش منحنی در R
    حل عددی دستگاه معادلات دیفرانسیل معمولی (ODE)
        معادلات Lotka – Volterra
        روش های حل عددی ODE و پیاده سازی آن در R
            روش اولر
            روش Midpoint
            روش Fourth Order Runge – Kutta
            Adaptive Stepsize

• مقدمه و آشنایی با نمونه گیری
• کار با نرم افزار R

  آموزش مصورسازی داده (Data Visualization) در نرم افزار R با بسته ggplot2

س یکم: مبانی خوشه بندی

    انواع داده ها و شیوه اندازه گیری فاصله برای داده های کمی و کیفی
    آشنایی با مفهوم خوشه بندی و معرفی روش های آن
    معرفی خوشه بندی k-means و خصوصیات آن
    تحلیل کارایی خوشه بندی k-means

درس دوم: خوشه بندی تفکیکی در R
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
    آشنایی با محیط R و RStudio
    استفاده از بسته های STAT ,Cluster و همچنین Factoextra برای خوشه بندی و نمایش خوشه ها
    خوشه بندی k-means
    تعیین تعداد خوشه های مناسب برای داده ها به روش ساده
    خوشه بندی PAM) Partitioning around Medoids)
    تعیین تعداد خوشه های مناسب برای داده ها
    نمایش تصویری خوشه بندی تفکیکی

درس سوم: خوشه بندی کلان داده ها

    معرفی الگوریتم CLARA
    اجرای خوشه بندی تفکیکی به کمک الگوریتم CLARA
    تعیین تعداد خوشه های مناسب برای داده ها
    نمایش تصویری خوشه بندی تفکیکی
رس یکم: مبانی خوشه بندی

    انواع داده ها و شیوه اندازه گیری فاصله برای داده های کمی و کیفی
    ماتریس فاصله و نحوه محاسبه آن
    آشنایی با مفهوم خوشه بندی و معرفی روش های آن
    خوشه بندی سلسله مراتبی و خصوصیات آن
    خوشه بندی سلسله مراتبی تجمیعی – تقسیمی
    آشنایی با نمودار درختی – Dendrogram
    برش نمودار درختی و تفسیر آن
    آشنایی با مفهوم پیوند و انواع آن

درس دوم: انجام خوشه بندی سلسله مراتبی در R

    آشنایی با محیط R و RStudio
    استفاده از بسته های Stat ,Cluster و همچنین Factoextra برای خوشه بندی و نمایش خوشه ها
    محاسبه ماتریس فاصله برای داده های کمی – کیفی و دودویی
    خوشه بندی به روش تجمیعی
    نمایش خروجی و نمودار درختی و برش آن
    خوشه بندی به روش تقسیمی
    ارزیابی خوشه بندی سلسله مراتبی به کمک مقایسه نمودار درختی

    درس یکم: مقدمه ای بر شبکه های اجتماعی
        تاریخچه شبکه های اجتماعی

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

        انواع شبکه های اجتماعی

        کاربردهای شبکه های اجتماعی
    درس دوم: تحلیل و کاوش شبکه های اجتماعی
        چرایی نیاز به تحلیل شبکه های اجتماعی
        فواید تحلیل شبکه های اجتماعی
        روش ها و ابزار تحلیل شبکه های اجتماعی
    درس سوم: آشنایی با زبان R
        معرفی R و جایگاه آن در حوزه تحلیل داده
        نصب و راه اندازی R و ابزارهای مربوط به آن
        مروری کوتاه بر چگونگی استفاده از R
    درس چهارم: تحلیل ساختاری شبکه های اجتماعی
        ایجاد گراف ها
        تحلیل گراف ها
        بازنمایی بصری گراف ها
        بازنمایی و تحلیل تعاملی گراف ها
    درس پنجم: متن کاوی
        اصول متن کاوی
        ابزارهای لازم برای متن کاوی در R
        بررسی فرایند متن کاوی در قالب یک مثال
        نکات تکمیلی
    درس ششم: مثال
        ملاحظات اتصال به شبکه های اجتماعی
    درس هفتم: مرور کلی مطالب

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

رگرسیون منطقی (Logistic Regression) با R به همراه داکیومنت

پیاده سازی رگرسیون منطقی (Logistic Regression) با R به همراه داکیومنت

 09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
اریابی رفتار کارشناسان امور رایانه در یک اداره با R به همراه داکیومنت
ارزیابی رفتار کارشناسان امور رایانه در یک اداره با R به همراه داکیومنت
خوشه بندی داده های شرکت تولیدی به روش مختلف در R به همراه داکیومنت
خوشه بندی داده های شرکت تولیدی به روش مختلف در R به همراه داکیومنت
تحلیل آماری چند متغیری کاربردی با نرم افزار R به همراه داکیومنت
تحلیل آماری چند متغیری کاربردی با نرم افزار R به همراه داکیومنت
پیش بینی بورس با الگوریتم نزدیک ترین همسایه (KNN) در نرم افزار R

پیش بینی بورس با الگوریتم نزدیک ترین همسایه (KNN) در نرم افزار R

محاسبه ریشه دوم عدد با شبکه عصبی MLP در نرم افزار R
محاسبه ریشه دوم عدد با شبکه عصبی MLP در نرم افزار R


خوشه بندی داده های کارمندان یک سازمان مالی با الگوریتم K-Means در R

خوشه بندی داده های کارمندان یک سازمان مالی با الگوریتم K-Means در R

آربیتراژ آماری برای تفاوت قیمت کالا جهت کسب سود با R


آربیتراژ آماری برای تفاوت قیمت کالا جهت کسب سود با R
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
پیش بینی حقوق کارمندان به روش رگرسیون خطی با R




پیش بینی حقوق کارمندان به روش رگرسیون خطی با R


پیش بینی روند صعودی و نزولی بورس با الگوریتم HMM در R
پیش بینی روند صعودی و نزولی بورس با الگوریتم HMM در R


پیش بینی سهام و نمایش آن به صورت باندهای بولینگر با R

پیش بینی سهام و نمایش آن به صورت باندهای بولینگر با R
رگرسیون چیست ؟

رگرسیون یکی از مهمترین ابزار های آماری در زمینه آنالیز داده ها و بررسی ارتباط بین متغیرهای پیش بین و متغیر پاسخ می باشد. اما در اکثر مسائل، یک مدل رگرسیونی تنها می تواند ارتباط اثرات اصلی متغیرهای پیشبین را روی پاسخ بررسی کند و اثرات متقابل بین متغیرها در صورت لحاظ شدن در مدل، به دلیل پیچیده شدن آن، از دوطرفه و نهایتا سه طرفه تجاوز نمی کند. زمانی که تعداد متغیرهای پیش بین زیاد باشد، به ویژه وقتی این متغیرها دوحالتی باشند (بله و خیر، سالم و بیمار و…)، ممکن است اثرات متقابل مراتب بالاتر بین این متغیرها بر روی برازش متغیر پاسخ تاثیرگذار باشد. این موضوع بیشتر در مسائلی مثل داده کاوی و داده های ریز آرایه که حجم داده ها زیاد است روی می دهد.
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
برای شناسایی و لحاظ کردن چنین تقابل هایی در مدل های رگرسیونی، می توان به جای استفاده از تمام متغیرها در برازش مدل، یک متغیر ترکیبی از آنها ساخت و به عنوان متغیر مستقل جدید وارد مدل کرد. رگرسیون منطقی می تواند راه حلی برای رفع این گونه مشکلات باشد. برای متغیرهای پیش بین دوحالتی روش های متنوع رگرسیونی و کلاس بندی در علوم آماری و کامپیوتر و زبان ماشین وجود دارد. در منابع زبان ماشین، روش ها و الگوریتم هایی که از توابع بولی استفاده می کند بر مبنای درخت تصمیم با قواعد تصمیم هستند.
رگرسیون منطقی (Logistic Regression)

رگرسیون منطقی یا Logistic Regression یک روش رگرسیونی بهبود یافته و جدید می باشد که در آن متغیرهای پیشگو به شکل ترکیب های بولی از متغیرهای دو حالتی ساخته شده اند. در رگرسیون منطقی ، ما به دنبال یک متغیر دو حالته هستیم که حاصل یک ترکیب منطقی بولی مطلوب از متغیرهای دو حالتی اولیه را داشته باشد. به این شکل که بکارگیری متغیر جدید به برای متغیر پیش بین، در مقایسه با دیگر ترکیبات بولی ممکن، بهترین برازش را بر روی متغیر پاسخ دهد. کاربرد های رگرسیون منطقی یا لجستیک در زمینه داده های SNP ، توالی ژنی، غربالگری بیماری های چند عاملی و غیره می باشد. این نوع رگرسیون به جهت استفاده از ترکیبات بولی منطقی رگرسیون، رگرسیون منطقی (Logistic Regression) نامگذاری شده است.
تصاویری از خروجی پروژه

logistic regression in r 22099 2 تصویر

logistic regression in r 2209367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]099 3 تصویر

logistic regression in r 22099 4 تصویر

logistic regression in r 22099 5 تصویر

تحلیل آماری چند متغیری کاربردی با نرم افزار R به همراه داکیومنت



applied multivariate statistical analysis r 21625 1 تصویر
تحلیل آماری چند متغیری کاربردی

در این بخش پروژه ای برای تحلیل آماری چند متغیری کاربردی آماده کردیم که در آن به مباحث تحلیل واریانس چند متغیره، استقلال و نرمال بودن داده ها، همبستگی داده ها و  آزمون برابری پارامترها مثل میانگین در چند متغیره در نرم افزار آماری R پرداخته می شود و بر اساس روند زیر آنالیزها انجام شده است:

برای آنالیز برابری و نابرابری واریانس از آماره M و آزمون باکس استفاده کردیم که در آن پکیج biotools بکار رفته است. برای نصب و اجرای کد مطابق زیر عمل می کنیم:

install.packages('biotools')

library('biotools')

داده ورودی شامل چهار متغیر می باشد که طول و عرض کاسبرگ و گلبرگ ها را شامل می شود و یک ستون که نوع گل را مشخص می کند که جامعه های آماری مورد نظر ما را نشان می دهد، که سه نوع گل وجود دارد:

inpu<-iris

head(inpu)

Sepal.Length Sepal.Width Petal.Length Petal.Width Species
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
          ۵٫۱         ۳٫۵          ۱٫۴         ۰٫۲  setosa

          ۴٫۹         ۳٫۰          ۱٫۴         ۰٫۲  setosa

          ۴٫۷         ۳٫۲          ۱٫۳         ۰٫۲  setosa

          ۴٫۶         ۳٫۱          ۱٫۵         ۰٫۲  setosa

          ۵٫۰         ۳٫۶          ۱٫۴         ۰٫۲  setosa

          ۵٫۴         ۳٫۹          ۱٫۷         ۰٫۴  setosa

برای اجرای آزمون از داده  ورودی استفاده می شود که inpu نام دارد و دارای ۵ ستون می باشد که ستون های یک، دو، سه و چهار متغیرهای ما و ستون پنجم گروه بندی مربوط به جامعه آماری می باشد. ستون اول طول کاسبرگ، ستون دوم عرض کاسبرگ، ستون سوم طول گلبرگ و ستون چهارم عرض گلبرگ می باشد.

boxM(inpu[,1:4],inpu[,5])

نتیجه به قرار زیر می باشد:

               Box's M-test for Homogeneity of Covariance Matrices

data:  inpu[, 1:4]

Chi-Sq (approx.) = 140.94, df = 20, p-value < 2.2e-16

در این بخش p-value محاسبه شده نشان می دهد که واریانس متغیرهای مورد مطالعه برای سه جامعه آماری و برای چهار متغیر مورد مطالعه که طول و عرض کاسبرگ ها و گلبرگ ها می باشند، برابر نیستند. برای بررسی همبستگی بین متغیرها از روش پیرسون و اسپیرمن استفاده شد. برای این منظور از پکیج Hmisc و دستور rcorr استفاده شد است:
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
install.packages('Hmisc')

library('Hmisc')

در ابتدا متغیرهای مورد نظر را از داده ها استخراج می کنیم:

inp1<-inpu[,1:4]inp1<-as.matrix(inp1)rcorr(inp1,type=c("pearson" ))

توضیحات بیشتر و کامل تر به همراه پروژه ارائه می گردد.
تصاویری از خروجی پروژه تحلیل آماری چند متغیری کاربردی
پیش بینی بورس با الگوریتم نزدیک ترین همسایه (KNN) در نرم افزار R


r bourse knn 18759 1 تصویر
پروژه پیش بینی بورس با الگوریتم نزدیک ترین همسایه در R

پروژه پیش بینی بورس با الگوریتم نزدیک ترین همسایه (k-Nearest Neighbor – KNN) را در این پست با نرم افزار R آماده کردیم که کدهای آن کامنت گذاری نیز شده است. در ادامه به توضیحاتی در رابطه با سهام و بورس پرداخته و فیلم و تصاویری از خروجی این پروژه آماری در R قرار داده شده است. توضیحاتی که در ادامه به آنها اشاره می کنیم، از مطالعاتی است که در رابطه با سهام و بورس با استفاده از شبکه های عصبی صورت گرفته است. در کنار کارهای انجام شده پیشین، اکنون ما نیز از الگوریتم KNN استفاده می کنیم.
پیش بینی قیمت سهام:

مروری بر مطالعات قبلی در خصوص پیش بینی قیمت سهام نشان می دهد که شاخص های فنی غالبا استفاده شده اند. شاخص های فنی، نظیر قیمت سهام فعلی، قیمت باز شدن، قیمت بسته شدن، حجم، بالاترین و پایین ترین قیمت اغلب با مدل شبکه عصلی استفاده می شود. در دوره های اخیر، مدل های ترکیبی به طور موثری در پیش بینی قیمت سهام استفاده شده اند.
نمونه هایی از مطالعاتی که در آنها شاخص های فنی استفاده شده اند شامل موارد زیر هستند:

در مطالعه فوا و همکاران (۲۰۰۳)، شاخص های فنی با مدل شبکه عصبی مصنوعی برای پیش بینی قیمت سهام استفاده شده و یافته های آن ها نشان داد که مدل شبکه عصبی مصنوعی دارای  میزان موفقیت متوسط ۶۰ درصد بوده و بهترین نتیجه پیش بینی ۷۴ درصد است. در مطالعه چن و همکاران (۲۰۰۳)، شاخص های فنی با مدل شبکه عصبی مصنوعی استفاده شده و یافته ها نشان داد که شبکه عصبی مصنوعی نرخ بازده بالاتری نسبت به راهبرد های سرمایه گذاری دیگر  نشان داد.

توضیحات بیشتر و فیلم و تصاویر خروجی پروژه پیش بینی بورس با الگوریتم نزدیک ترین همسایه با R در ادامه مطلب.
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
کونهانگ و یو (۲۰۰۶) از شاخص های فنی با شبکه عصبی مصنوعی استفاده کرده و نتایج آنها نشان داد که شبکه عصبی مصنوعی دارای قابلیت پیش بینی بهتری از مدل سری های زمانی دارد. زو و همکاران (۲۰۰۷)  نیز از شاخص های فنی با شبکه عصبی مصنوعی استفاده کرده و نتایج  نشان داد که شبکه عصبی مصنوعی قادر به پیش بینی افزایش شاخص سهام  بوده و حجم معاملات منجر به بهبود نسبی در عملکرد شاخص سهام خواهد شد.

تسانگ و همکاران (۲۰۰۷) از شاخص های فنی با شبکه عصبی مصنوعی برای ایجاد یک سیستم هشدار تجارتی استفاده کرده و یافته های آنها نشان داد که شبکه عصبی مصنوعی می تواند سرمایه گذاران را هنگام خرید و فروش سهام به طور کارامدی راهنمایی کند. اوکی (۲۰۰۷) نیز از شاخص های فنی با شبکه عصبی مصنوعی استفاده کرده و این یافته ها نشان دادند که شبکه عصبی مصنوعی را می توان به طور کارامدی برای پیش بینی نرخ سود روزانه و  جلسه ای شاخص Ise-100 استفاده کرد.

توضیحات ارائه شده، از مقاله “Fuzzy-neural model with hybrid market indicators for stock forecasting” با عنوان فارسی “مدل فازی عصبی با شاخص های بازاری هیبریدی (ترکیبی) برای پیش بینی سهام” می باشد که ترجمه آن به زودی در سایت قرار خواهد گرفت.
تصاویر خروجی پروژه پیش بینی بورس با الگوریتم نزدیک ترین همسایه:

محاسبه ریشه دوم عدد با شبکه عصبی MLP در نرم افزار R



r mlp 18748 1 تصویر
پروژه محاسبه ریشه دوم عدد با شبکه عصبی MLP در R

پروژه محاسبه ریشه دوم عدد با شبکه عصبی MLP را در نرم افزار R به همراه کامنت گذاری کدها آماده کردیم. در ادامه به معرفی این پروژه و شبکه عصبی MLP پرداخته و فیلم و تصویر خروجی آن قرار داده شده است.
شبکه عصبی پرسپترون چند لایه (MLP):

شبکه عصبی MLP متشکل از مجموعه نورون ها می باشد که در لایه های مختلف مثال لایه میانی (مخفی) که در این پروژه هم وجود دارد، پشت سر هم قرار دارند. اعداد ورودی بعد از ضرب در وزن هایی که وجود دارند، در گذر گاه های میان لایه ها به نورون بعدی می رسد و در آن مکان با یکدیگر جمع شده و بعد از گذر از تابع شبکه، خروجی نورون ها را تولید می کنند. در آخر خروجی ایجاد شده با خروجی مد نظر مقایسه می شود و خطای تولید شده به منظور اصلاح وزن های شبکه استفاده می شود که به این عمل، آموزش شبکه عصبی گفته می شود.
معرفی پروژه محاسبه ریشه دوم عدد با شبکه عصبی MLP:
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
در این پروژه ریاضیاتی با نرم افزار R ، شبکه عصبی پرسپترون چند لایه (Multi-Layer Perceptron – MLP) را پیاده سازی می کنیم که می تواند یک عدد را گرفته و ریشه دوم آن محاسبه کند. در این پروژه شبکه عصبی که کدهای آن کامنت گذاری شده، از کتابخانه neuralnet استفاده شده است. اگر به تصویر شماره ۱ که در بالای این توضیحات قرار دارد دقت کنید، برنامه یک ورودی دریافت می کند که همان عددی است که قصد داریم ریشه دوم آن را محاسبه کنیم.

توضیحات بیشتر، فیلم و تصویری از خروجی پروژه محاسبه ریشه دوم عدد با شبکه عصبی در ادامه مطلب.

یک خروجی داریم که پاسخ آن، ریشه دوم عدد وارد شده به برنامه می باشد. برای آموزش به شبکه عصبی نیز ۱۰ لایه میانی (مخفی) بکار رفته است. ورودی و خروجی نیز در تصویر شماره ۲ که در ادامه این توضیحات مشاهده می کنید مشخص است.
نصب کتابخانه neuralnet در نرم افزار R:

جهت نصب کتابخانه neuralnet در نرم افزار R ، دستور (‘  ‘)install.packages را در خط فرمان تایپ می کنیم که در ‘  ‘ نام کتابخانه که neuralnet می باشد را قرار می دهیم تا بر روی نرم افزار نصب گردد

پروژه خوشه بندی داده های کارمندان با الگوریتم K-Means در نرم افزار R

پروژه خوشه بندی داده های کارمندان با الگوریتم K-Means را در نرم افزار R به همراه داکیومنت و فیلم آموزش اجرا در این پست آماده کردیم که یک پروژه مناسب برای حسابداری، درس آمار و احتمالات کاربردی، آمار و احتمالات مهندسی، آمار و مدل سازی و درس تحلیل آماری می باشد. در ادامه به معرفی پروژه و الگوریتم کامینز پرداخته و فیلم و تصاویری از خروجی قرار داده شده که قسمتی از فیلم خروجی نیز به صورت آنلاین قابل مشاهده است.
معرفی پروژه خوشه بندی داده های کارمندان:

مجموعه داده انتخاب شده مربوط به کارمندان یک سازمان مالی می باشد که این داده ها از پاسخنامه هایی که بین تقریبا ۳۵ کارمند موجود در ۳۰ دپارتمان سازمان پخش شده اند، جمع آوری شده است. اعداد درصد پاسخ های مطبوع برای ۷ سوال در هر دپارتمان را نشان می دهد.
هدف از خوشه بندی:

هدف ما در این پروژه دسته بندی یا خوشه بندی (clustering) دپارتمان ها بر اساس پاسخ هایی است که کارمندان آنها برای سوال ها داده اند، می باشد. برای خوشه بندی در ابتدا باید تعداد گروه ها مشخص باشد که برای آغاز ما ۳ گروه را انتخاب کرده و تعداد تکرارها را نیز برای رسیدن به بهترین خوشه ها ۱۰۰ تعیین می کنیم.
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
توضیحات بیشتر، فیلم و تصاویری از خروجی پروژه خوشه بندی داده های کارمندان با الگوریتم K-Means در نرم افزار R در ادامه مطلب.
معرفی الگوریتم خوشه بندی K-means:

الگوریتم K-means روی روش برای آموزش آماری Unsupervised می باشد که یک روش شایع به منظور دسنه بندی نمونه ها بر اساس پارامتر های مختلف موجود برای نمونه ها است. در بازاریابی یا مارکتینگ، این روش برای ایجاد گروه های مشتری، محصول و بازار مورد استفاده قرار می گیرد. ایده اصلی برای تکنیک کامینز، گروه بندی مجموعه داده به خوشه های متمایز می باشد به طوری که هر داده موجود در گروه بسیار شبیه به سایر داده های موجود در همان گروه و متمایز از داده های موجود در سایر گروه ها باشد.
گام های خوشه بندی در K-means:

اولین گام برای خوشه بندی K-means تعریف نمودن تعداد خوشه ها برای فرایند می باشد. سپس، این الگوریتم هر داده را به طور اتفاقی به یکی از خوشه ها نسبت میدهد. بر اساس این روش خوشه خوب خوشه ای است که تغییرات within-cluster کمترین مقدار باشد. معمولترین روش برای تعریف تغییرات استفاده از مربع فاصله اقلدیسی است. از طرف دیگر بهترین خوشه های ایجاد شده آنهایی هستند که کمترین فواصل within-cluster برای خوشه ها و بیشترین فاصله between-cluster برای خوشه ها به دست آید.
عموما، الگوریتم K-means با یک فرایند پالایش تکراری کار می کند:

    هر داده به طور اتفاقی به یکی از خوشه ها نسبت داده می شود (تعداد خوشه ها قبلا توسط کاربر مشخص می شود).
    مرکز هر خوشه محاسبه می شود.
    هر داده به نزدیک ترین مرکز نسبت داده می شود (به طور تکراری تا زمانی که فاصله within-cluster به کمترین مقدار برسد) تا زمانی که هیچ تغییر چشمگیری مشاهده نشود.

داده ورودی در پروژه حاضر با نام dat است که ۷ ستون و ۳۰ سطر دارد. برای وارد کردن داده از کد زیر استفاده می نماییم و با باز نمودن دایرکتوری که فایل مورد نظر در آن قرار دارد آن را وارد محیط نرم افزاری R می کنیم:

FileChoice<-file.choose() # choose input file - FIRMA file

dat <- read.delim(FileChoice, skip=0, sep="\t", as.is=TRUE)

سپس برای خوشه بندی اولیه از کد زیر استفاده می کنیم:

km1 = kmeans(dat, 3, nstart=100)
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
چالشی که در این روش وجود دارد، تعیین تعداد گروه ها می باشد. با توجه به عدم وجود روشی برای تعیین تعداد دسته ها میتوان این الگوریتم را برای تعداد متفاوت گروه ها اجرا نمود و سپس بر اساس نتایج دسته بندی مورد نظر را انتخاب نمود.

هر چند یک راه حل برای تعداد بهینه خوشه ها وجود دارد که به روش Elbow معروف است که شامل مشاهده مجموعه ای از تعداد خوشه ها برای داده ها در برابر مجموع مربعات within-cluster می باشد. به بیان دیگر، این روش عدم تشابه within-cluster به عنوان تابعی از تعداد خوشه ها می باشد.

پروژه خوشه بندی داده های کارمندان با الگوریتم K-Means در نرم افزار R
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
پروژه خوشه بندی داده های کارمندان با الگوریتم K-Means را در نرم افزار R به همراه داکیومنت و فیلم آموزش اجرا در این پست آماده کردیم که یک پروژه مناسب برای حسابداری، درس آمار و احتمالات کاربردی، آمار و احتمالات مهندسی، آمار و مدل سازی و درس تحلیل آماری می باشد. در ادامه به معرفی پروژه و الگوریتم کامینز پرداخته و فیلم و تصاویری از خروجی قرار داده شده که قسمتی از فیلم خروجی نیز به صورت آنلاین قابل مشاهده است.
معرفی پروژه خوشه بندی داده های کارمندان:

مجموعه داده انتخاب شده مربوط به کارمندان یک سازمان مالی می باشد که این داده ها از پاسخنامه هایی که بین تقریبا ۳۵ کارمند موجود در ۳۰ دپارتمان سازمان پخش شده اند، جمع آوری شده است. اعداد درصد پاسخ های مطبوع برای ۷ سوال در هر دپارتمان را نشان می دهد.
هدف از خوشه بندی:

هدف ما در این پروژه دسته بندی یا خوشه بندی (clustering) دپارتمان ها بر اساس پاسخ هایی است که کارمندان آنها برای سوال ها داده اند، می باشد. برای خوشه بندی در ابتدا باید تعداد گروه ها مشخص باشد که برای آغاز ما ۳ گروه را انتخاب کرده و تعداد تکرارها را نیز برای رسیدن به بهترین خوشه ها ۱۰۰ تعیین می کنیم.

توضیحات بیشتر، فیلم و تصاویری از خروجی پروژه خوشه بندی داده های کارمندان با الگوریتم K-Means در نرم افزار R در ادامه مطلب.
معرفی الگوریتم خوشه بندی K-means:

الگوریتم K-means روی روش برای آموزش آماری Unsupervised می باشد که یک روش شایع به منظور دسنه بندی نمونه ها بر اساس پارامتر های مختلف موجود برای نمونه ها است. در بازاریابی یا مارکتینگ، این روش برای ایجاد گروه های مشتری، محصول و بازار مورد استفاده قرار می گیرد. ایده اصلی برای تکنیک کامینز، گروه بندی مجموعه داده به خوشه های متمایز می باشد به طوری که هر داده موجود در گروه بسیار شبیه به سایر داده های موجود در همان گروه و متمایز از داده های موجود در سایر گروه ها باشد.
گام های خوشه بندی در K-means:

اولین گام برای خوشه بندی K-means تعریف نمودن تعداد خوشه ها برای فرایند می باشد. سپس، این الگوریتم هر داده را به طور اتفاقی به یکی از خوشه ها نسبت میدهد. بر اساس این روش خوشه خوب خوشه ای است که تغییرات within-cluster کمترین مقدار باشد. معمولترین روش برای تعریف تغییرات استفاده از مربع فاصله اقلدیسی است. از طرف دیگر بهترین خوشه های ایجاد شده آنهایی هستند که کمترین فواصل within-cluster برای خوشه ها و بیشترین فاصله between-cluster برای خوشه ها به دست آید.
عموما، الگوریتم K-means با یک فرایند پالایش تکراری کار می کند:
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
    هر داده به طور اتفاقی به یکی از خوشه ها نسبت داده می شود (تعداد خوشه ها قبلا توسط کاربر مشخص می شود).
    مرکز هر خوشه محاسبه می شود.
    هر داده به نزدیک ترین مرکز نسبت داده می شود (به طور تکراری تا زمانی که فاصله within-cluster به کمترین مقدار برسد) تا زمانی که هیچ تغییر چشمگیری مشاهده نشود.

داده ورودی در پروژه حاضر با نام dat است که ۷ ستون و ۳۰ سطر دارد. برای وارد کردن داده از کد زیر استفاده می نماییم و با باز نمودن دایرکتوری که فایل مورد نظر در آن قرار دارد آن را وارد محیط نرم افزاری R می کنیم:

FileChoice<-file.choose() # choose input file - FIRMA file

dat <- read.delim(FileChoice, skip=0, sep="\t", as.is=TRUE)

سپس برای خوشه بندی اولیه از کد زیر استفاده می کنیم:

km1 = kmeans(dat, 3, nstart=100)

چالشی که در این روش وجود دارد، تعیین تعداد گروه ها می باشد. با توجه به عدم وجود روشی برای تعیین تعداد دسته ها میتوان این الگوریتم را برای تعداد متفاوت گروه ها اجرا نمود و سپس بر اساس نتایج دسته بندی مورد نظر را انتخاب نمود.

هر چند یک راه حل برای تعداد بهینه خوشه ها وجود دارد که به روش Elbow معروف است که شامل مشاهده مجموعه ای از تعداد خوشه ها برای داده ها در برابر مجموع مربعات within-cluster می باشد. به بیان دیگر، این روش عدم تشابه within-cluster به عنوان تابعی از تعداد خوشه ها می باشد.

آربیتراژ آماری برای تفاوت قیمت کالا جهت کسب سود با R




r arbitrage 17746 1 تصویر
پروژه آربیتراژ آماری برای تفاوت قیمت کالا جهت کسب سود در برنامه R

پروژه آربیتراژ آماری برای تفاوت قیمت کالا به منظور کسب سود با نرم افزار R را در این پست آماده کردیم که یک پروژه مناسب برای درس آمار و احتمالات کاربردی، آمار و احتمالات مهندسی، آمار و مدل سازی و درس تحلیل آماری می باشد. در این پروژه بررسی بر روی قیمت دو کالا است. در ادامه به معرفی آربیتراژ آماری (Statistical Arbitrage) پرداخته و فیلم و تصویر خروجی این پروژه آماری با R قرار داده شده است.
آربیتراژ آماری چیست؟

آربیتراژ آماری یا Statistical Arbitrage مدت زمان بسیاری است که از سوی سرمایه گذاران حرفه ای بورس سراسر دنیا استفاده می شود. آربیتراژ آماری یک اسرار تجاری سرمایه گذاران حرفه ای می باشد، همین جهت تمایلی برای افشای آن در متون علمی وجود دارد.
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
فرصت های آربیتراژی:

زمان های آربیتراژی هستند که بازار ناکارآمد بسازند. فرصت های آربیتراژ ساده از ناکارآمدی در قیمت های یک بازار در یک زمان ایجاد می شود و فرصت های آربیتراژ آماری از ناکارآمدی بازار در یک زمان به حد کافی بلند مدت را باعث می شوند.

سود قطعی از خرید بعضی از سهام و همچنین فروش بعضی دیگر، در آربیتراژ معین قابل حصول می باشد. ولی در آربیتراژ آماری قیمت گذاری نا صحیح آماری برای دارایی وجود دارد که شناسایی آن از سوی سرمایه گذاران کسب سود، بازگشت به قیمت گذاری درست و هدفمند را باعث خواهد داشت.
آربیتراژ آماری، راهبرد معامله در بازار سرمایه:

می تواند گفت که آربیتراژ آماری یک نوع راهبرد معامله در بازار سرمایه است که قیمت گذاری های نا درست آماری و روابط قیمتی که بر اساس انتظر ها در مدت زیاد صحیح می باشند را گمان زده و انحرافات کوتاه مدت از رابطه قیمتی متعادل میان دو سهم را جهت کسب سود استفاده می کند.
مزایای آربیتراژ آماری:

مزایای آربیتراژ آماری، به جهت بدست آوردن سود و بررسی عملکرد بازار بر اساس این روش، دلیلی شده تا این رویکرد سریعا گسترش یافته و بسیاری در مطالعات کارایی بازار از سال ۲۰۰۴ تا به حال را تأثیر گذار باشد. توضیحات ارائه شده از مقاله “آزمون آربیتراژ آماری در بورس اوراق بهادار تهران” می باشد که از لینک زیر قابل دانلود است.
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
دانلود مقاله
تصاویری از خروجی پروژه آربیتراژ آماری برای تفاوت قیمت کالا:

پیش بینی حقوق کارمندان به روش رگرسیون خطی با R


R karmand 15945 1 تصویر
پروژه پیش بینی حقوق کارمندان به روش رگرسیون خطی با آر

در این پست پروژه پیش بینی حقوق کارمندان به روش رگرسیون خطی را با برنامه R آماده کرده ایم که پیش بینی با توجه به داده های آماری ۳ سال انجام می شود. در ادامه به توضیحاتی در رابطه با رگرسیون پرداخته و فیلم و تصویر از خروجی پروژه به همراه قسمتی از کدها قرار داده شده است.

درک روابط میان متغیر ها، به منظور ایجاد مدل های آماری ضروری می باشد. با استفاده از شاخص های مربوطه می توانیم میزان روابط میان متغیر ها را کشف کنیم. اما جهت نشان دادن مدل روابط میان متغیر ها، یک روش آماری به نام رگرسیون (Regression) یا معادله خط برگشت به بکار می گیریم تا از این طریق شکل رابطه میان متغیر ها به زبان آماری تهیه شود.

به کمک این کار می توانیم پیش بینی و همچنین تعیین مقدار متغیر وابسته برحسب متغیر مستقل را داشته باشیم. از این رو، آزمون های مرتبط با مدل ارائه شده، اهمیت بسیاری داشته تا اطمینان حاصل کنیم که مدل ارائه شده عملکرد مطلوبی دارد و شرایط مربوط به برآورد مدل در آن در نظر گرفته شده است.

مشاهده قسمتی از کدها، فیلم و تصویر خروجی پروژه پیش بینی حقوق کارمندان به روش رگرسیون خطی در ادامه مطلب.

در زیر قسمتی از کدهای پروژه پیش بینی حقوق کارمندان به روش رگرسیون خطی را می توانید بررسی کنید. برای دریافت کدهای کامل این پروژه لطفا از فرم خرید زیر اقدام نمائید.
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
library("quantmod")
#To see what the datasets are available from the FED goto the link below
#http://research.stlouisfed.org/fred2/
economicData <- new.env() #Make a new environment for quantmod to store data in
startDate = as.Date("2000-01-01") #Specify what date to get the prices from
getSymbols("PAYEMS",src="FRED",env=economicData,from=startDate) #Payems is non-farms payrolls
getSymbols("^GSPC",env=economicData,from=startDate) #S&P 500
economicData$PAYEMS <- window(economicData$PAYEMS,start=startDate) #Window our data
(FRED ignores the from parameter above) :@
economicData$GSPC <- window(economicData$GSPC,start=startDate) #Window our data
mergedData <- merge(economicData$PAYEMS,Cl(economicData$GSPC),all=FALSE) #join the
two datasets based
on their SHARED dates
#Calculate the % diff
mergedPercDiff<- mergedData
mergedPercDiff$PAYEMS <- diff(mergedData$PAYEMS)/Lag(mergedData$PAYEMS)
mergedPercDiff$GSPC.Close <- diff(mergedData$GSPC.Close)/Lag(mergedData$GSPC.Close)

تصاویر خروجی پروژه پیش بینی حقوق کارمندان به روش رگرسیون خطی :

پیش بینی روند صعودی و نزولی بورس با الگوریتم HMM در R



R bors hmm 15913 1 تصویر
پروژه پیش بینی روند صعودی و نزولی بورس با الگوریتم HMM (مدل مخفی مارکوف) در R

در این پست پروژه پیش بینی روند صعودی و نزولی بورس با الگوریتم HMM یا مدل مخفی مارکوف (Hidden Markov Model) را با نرم افزار آماری R آماده کرده ایم. در ادامه به توضیحاتی در رابطه با سرمایه گذاری ، سهام ، نوسانات بازار بورس و پروژه حاضر پرداخته و فیلم و تصاویر خروجی آن قرار داده شده است.
سرمایه گذاری ، سهام و نوسانات بازار بورس :
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
سرمایه و نیروی کار از ارکان اصلی در تولید می باشند و تامین این عوامل و تخصیص بهینه آنها، نیازمنده رشد اقتصادی می باشد. وجود بازار مناسب و همچنین عملکرد مناسب نیرو های بازار، تخصیص مستلزم در این بازار می باشد که بازار بورس در زمینه سرمایه، می تواند این وظیفه را عهده دار باشد.

وظیفه بازار بورس چیست:

مهمترین وظیفه بازار بورس ، جذب سرمایه های پراکنده شده و هدایت آنها به طرف فعالیت های سرمایه گذاری به کمک یک فرآیند تخصیص بهینه می باشد. سرمایه گذاران با توجه به گرفتن عواید از دوکانال سود حاصل از فعالیت شرکتی که سهام آن را خرید کرده اند و همینطور فروش دوباره سهام ، به حوضه ی سرمایه گذاری وارد می شوند. در تمام بازار های بورس ، نوسان قیمت سهام یک موضوع طبیعی می باشد، ولی در هر حالت می توان با یک پیش بینی از قیمت سهام ، ترکیبی مناسبی از آنها را انتخاب نموده و نوسان ها را به حداقل رساند و به کمک این کار میزان اطلاعاتی که افراد در دسترس دارند را بیشتر کرد که این موضوع می تواند عملکرد بهتر بازار را منجر شود.

پیش بینی شاخص های مهم بازار بورس یک گام به سوی افزایش و شفاف سازی اطلاعات در بازار سرمایه است.

پیش بینی ها در این حوضه همیشه مورد توجه مطالعه بسیار بوده است که در سال های اخیر حاصل این موضوع، پیشرفت الگو های به کار گرفته شده در پیش بینی شده است. توضیحات بیشتر، فیلم و تصاویری از خروجی پروژه پیش بینی روند صعودی و نزولی بورس با الگوریتم HMM (مدل مخفی مارکوف) در ادامه مطلب.

منظور از روند، یک جریان صعودی یا نزولی می باشد که در یک روند صعودی، روز های نزولی هم هستند، اما در نهایت قیمت افزایش پیدا می کند. همینطور با حضور روز های صعودی در یک روند نزولی، نهایتا قیمت پایین می آید. حرکت های هم جهت ، روند حرکت یا Impulse و حرکت های خلاف جهت ، روند اصلاح یا Correction نامیده می شوند.
پروژه پیش بینی روند صعودی و نزولی بورس:

در پروژه پیش بینی روند صعودی و نزولی بورس ، یادگیری ماشین انجام می شود، به اینگونه که طبقه بندی داده ای داریم و سپس مدل مخفی مارکوف به پیش بینی صعودی و نزولی داده های بورس به منظور یافتن Impulse و Correction می پردازد. تصاویر خروجی را مشاهده نمائید. توضیحات ارائه شده از مقاله ای با عنوان “ارزیابی مدل های پیش بینی شاخص های بازار بورس ایران” می باشد که از لینک زیر می توانید این مقاله را دانلود و مطالعه بفرمایید.
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
دانلود مقاله

زیابی رفتار کارشناسان امور رایانه در یک اداره با R به همراه داکیومنت

)

computer expert evaluation in r 22083 1 تصویر
ارزیابی رفتار کارشناسان امور رایانه

در این بخش پروژه ارزیابی رفتار کارشناسان امور رایانه در یک اداره را به کمک الگوریتم خوشه بندی k-means با نرم افزار R همراه با داکیومنت آماده کرده ایم که در ادامه به تعریف مسئله و معرفی پروژه انجام شده به همراه فیلم و تصاویر خروجی قرار داده شده است.
تعریف مسئله

تعدادی کارشناس در یک نرم افزار عملیاتی را انجام می دهند که هر یک از رفتارها با یک متغیر نمایش داده می شود مثل درج یا عدم درج توضیحات در یک تب نرم افزار، درصد فایل های دانلود شده یا مدت زمان صرف شده در انجام هر یک و غیره. در این پروژه قصد داریم تا رفتار این کارشناسان را مورد بررسی قرار داده و میزان شباهت آنها با یک رفتار معیار را بدست آوریم.

رفتار معیار: تعدادی کارشناس نمونه شناسایی شده و ماتریس رفتار آنها را بدست می آوریم که به عنوان الگوی مبنا می شناسیم. اطلاعات یک کارشناس در قالب فایل اکسل جمع آوری شده و با استفاده از تکنیک های یادگیری ماشین، مقایسه ای بین رفتار کارشناس مدنظر  و الگوی مبنا انجام می دهیم و درصد شباهت رفتار آن را بدست می آوریم. در داده ها، ستون های ۱ تا ۳ در واقع شناسه های هر رکورد است، یعنی رفتار هر کارشناس به این صورت بررسی می شود که ارزیابی شونده اول در شاخص شماره ۵ از محور شماره ۲ ، در هر یک از متغیر های ۱۱ گانه چگونه است.
هدف پروژه

میزان شباهت به صورت یک مقدار عددی (درصد) برگردانده می شود. هم میزان شباهت کلی کارشناس مدنظر با الگوی مبنا را می خواهیم و هم میزان شباهت سطر به سطر (یا همان در هر شاخص). نکته: ممکن است کارشناس نمونه نسبت به الگوی مبنا تنها در برخی از شاخص ها رفتاری را نشان دهد مثلا اگر الگوی مبنا دارای ۱۰۰ رگورد می باشد و ممکن است کارشناس مدنظر دارای ۳۰ رکورد باشد که این موضوع باید در فرایند یادگیری و محاسبه شباهت مورد توجه قرار گیرد.
معرفی پروژه انجام شده
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
مرحله اول یادگیری خوشه بندی با استفاده از داده Base و روش k-means می باشد. خوشه بندی بر اساس فایل Base (که Base1 نامگذاری شده است). برای خوشه بندی از روش K-means استفاده شده که یک روش یادگیری ماشین است. در حقیقت از داده های Base برای آموزش روش خوشه بندی استفاده کرده ایم. چالش اصلی برای خوشه بندی به روش k-means تعداد خوشه ها است که باید تعیین شود. برای تعیین تعداد خوشه ها از روش elbow استفاده می شود. در این روش فاصله اقلیدوسی داخل گروه ها برای تعداد خوشه های مختلف محاسبه می شود. تعداد خوشه ای که از آن به بعد فاصله اقلیدسی داخل گروه تغییر پیدا نکند به عنوان تعداد خوشه بهینه انتخاب می شود.
چالش های پروژه

چالشی که در این روش وجود دارد تعیین تعداد گروه ها می باشد. با توجه به عدم وجود روشی برای تعیین تعداد دسته ها می توان این الگوریتم را برای تعداد متفاوت گروه ها اجرا نمود و سپس بر اساس نتایج دسته بندی مورد نظر را انتخاب نمود. هر چند یک راه حل برای تعداد بهینه خوشه ها وجود دارد که به روش Elbow معروف است که شامل مشاهده مجموعه ای از تعداد خوشه ها برای داده ها در برابر مجموع مربعات within-cluster می باشد. به بیان دیگر، این روش عدم تشابه within-cluster به عنوان تابعی از تعداد خوشه ها می باشد.

computer expert evaluation in r 22083 2 تصویر

بر اساس این روش ۵ خوشه تعداد بهینه خوشه ها می باشند. خوشه بندی بر اساس این تعدا انجام میشود و خوشه مربوط به هر رکورد در فایل Base در ستون ۱۶ در فایل processed Base با نام clustering قابل مشاهده است. مرحله بعدی تعیین گروه بندی رکورد ها در سه فایل test است که شامل test1, test2 و test3 می باشد.

خوشه های مربوط به این سه فایل در ستون ۱۶ در فایل های با پیشوند processed با نام clustering مشخص است. سپس در مرحله بعد به منظور تعیین شباهت میان هر خوشه با خوشه مربوط به هر رکورد در سه فایل test میانه هر خوشه در فایل Base مشخص می گردد. بر همین اساس ۵ بردار که میانه هر خوشه در base را مشخص می کند را به دست می آوریم. سپس به منظور اندازه گیری مشابهت میان هر رکورد در سه فایل test با میانه خوشه مربوطه از دو روش ضریب کسینوسی و ضریب همبستگی استفاده می شود.

ضریب کسینوسی و ضریب همبستگی بردار میانه مربوط به خوشه مورد نظر و بردار مربوط به رکورد اندازه گیری شده و در وزن مربوط به خوشه (درصد تعداد اعضای خوشه به نسبت تمام رکوردها در فایل base) ضرب شده و مشابهت میان هر رکورد در سه فایل test با خوشه در فایل base به دست می آید که در ستون های ۱۷ و ۱۸ به ترتیب برای ضریب کسینوسی (نام ستون cosine) و ضریب همبستگی (نام ستون correlation) ثبت می گردد. این اطلاعات در ۳ فایل test با پیشوند processed ارائه شده است.

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

خوشه بندی داده های شرکت تولیدی به روش مختلف در R به همراه داکیومنت




data clustering production company r 21641 1 تصویر
خوشه بندی داده های شرکت تولیدی

در این بخش پروژه خوشه بندی داده های شرکت تولیدی را با نرم افزار R به همراه داکیومنت آماده کردیم که در ادامه به توضیحات مختصری از این پروژه آماری پرداخته و فیلم و تصاویری از خروجی آن قرار داده شده است.
معرفی پروژه

در این تحلیل قرار است تا داده های ۳۷۹ شرکت تولیدی را بر اساس ۱۴ بعد انعطاف پذیری تولید خوشه بندی کنیم. برای کلاسبندی داده­ ها از سه روش خوشه ­بندی شامل الگوریتم خوشه بندی سلسله مراتبی (Hierarchical)، الگوریتم رقابت استعماری (ICA) و الگوریتم بردار ماشین پشتیبان (SVM) استفاده نمودیم. ما با استفاده از ۳ روش خوشه بندی متفاوت ۱۸ خوشه بندی متفاوت روی داده ها انجام دادیم. برای هر روش خوشه بندی خوشه بندی را از ۳ تا ۸ خوشه انجام دادیم. سپس با استفاده از شاخص های متفاوت ارزیابی خوشه ها را بررسی نمودیم. نتیجه نهایی به این صورت بود که خوشه SVM با ۳ خوشه بر اساس ۴ شاخص Calinski_Harabasz ، Dunn  GDI ، Ratkowsky Lance و Wemmert Gancarski بهترین خوشه می باشد.
خوشه بندی سلسله مراتبی چیست ؟

خوشه بندی سلسله مراتبی (Hierarchical Clustering) یک روش جایگزین می باشد که یک سلسله مراتب از پایین به بالا ایجاد می کند و نیازی به تعیین کردن تعداد خوشه ها از قبل نمی باشد. همچنین خوشه بندی سلسله مراتبی مرتبه های روشی می باشد که در دسته بندی داده ها استفاده می شوند. در تکنیک خوشه بندی سلسله مراتبی، به خوشه های آخر با در نظر گرفتن میزان عمومی بودن آنها، ساختاری سلسله مراتبی یا درختی، نسبت داده می شود.
روند عملکرد الگوریتم :

    هر کدام از داده ها را در یک خوشه قرار می ­دهیم، یعنی به تعداد داده ها در ابتدا خوشه داریم.
    مرحله دوم تعیین کردن نزدیکترین دو خوشه از هم دیگر به وسیله ماتریکس فاصله و قرار دادن آن دو خوشه در یک خوشه.
    مرحله سوم شامل تکرار کردن مرحله دوم تا جایی که تنها یک خوشه باقی بماند، این یک خوشه حاوی تمامی داده ها است.

زمانی که همه این مراحل انجام شد، می توان با یک ساختار دندروگرامی آن را نشان داد.
روش خوشه بندی داده ها با استفاده از تکنیک K-means
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
برای خوشه بندی SVM نیاز است که از یک خوشه بندی اولیه استفاده شود که برای این منظور داده ها به قسمتی از داده ها به عنوان داده های آموزشی انتخاب می شوند و با آموزش مدل و بهینه سازی مدل در مرحله بعد از همه داده ها برای خوشه بندی استفاده می شود. پس مرحله اول خوشه بندی اولیه است که از روش k-means استفاده شد که به طریق زیر عمل شد. الگوریتم K-means یک روش برای آموزش آماری Unsupervised می باشد. این روش یک روش شایع برای دسنه بندی نمونه ها بر اساس پارامترهای مختلف موجود برای نمونه ها می باشد که در مارکتینگ این روش برای ایجاد گروه های مشتری / محصول / بازار استفاده می شود.
تصاویر خروجی پروژه خوشه بندی داده های شرکت تولیدی

تاب تجزیه و تحلیل آماری داده ها با استفاده از زبان برنامه نویسی R

تاب تجزیه و تحلیل آماری داده ها با استفاده از زبان برنامه نویسی R
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
تجزیه و تحلیل آماری داده ها با استفاده از زبان برنامه نویسی R (همراه با مثال های کاربردی تحقیقات زیستی)،  آر یک زبان برنامه نویسی متن-باز برای انجام محاسبات، تحلیل و رسم نمودار است که انواع روش های یادگیری ماشین، تحلیل های آماری و روش های بصری سازی داده ها را پشتیبانی می نماید.

امکانات گرافیکی، محاسباتی، تحلیلی و … این محیط نرم افزاری به واسطه بسته های تکمیلی (Package) ارائه شده توسط کاربران حرفه ای، حمایت شده و توسعه می یابد.
تحلیل آمار با برنامه نویسی R
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
تحلیل گران حرفه ای تحلیل داده معتقدند یادگیری این زبان برنامه نویسی نسبت به سایر ابزارهاو زبان ها ارجحیت دارد

زبان برنامه نویسی R نسبت به سایر ابزارها موجود مانند SAS و یا زبان پایتون ویژگی های ممتازی برخوردار است.

ماهیت متن-باز این زبان برنامه نویسی و توسعه رایگان و گسترده توابع مورد نیاز برای پژوهش های مرتبط با تحلیل و بصری سازی داده چشم انداز روشنی را برای این زبان برنامه نویسی رقم خواهد زد.

این کتاب برای یادگیری نحوه برنامه نویسی R به همراه آموزش کامل منطق و اصول پایه تحلیل آماری با گفتاری ساده و همراه با بررسی مثال­ های واقعی حوزه تحقیقات زیستی است.
بخش های کتاب تحلیل داده با برنامه نویسی R
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
بخش اول (فصل های ۱تا۵) به آشنایی مقدماتی با نرم افزار آر و آموزش اصول پایه برنامه نویسی می پردازد

بخش دوم (فصل های ۶تا۱۲) نیز به تشریح مفاهیم اصلی استنباط/ تحلیل آماری و بیان کاربرد آر در هر حوزه ضمن بررسی مثال های کاربردی، معطوف شده است.

بطور خلاصه، ویژگی/ امتیازهای اصلی این کتاب در مقایسه با سایر کتب/ فایل های آموزشی این حوزه، عبارتند از:
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
    برخورداری از یک گفتار ساده و سلیستعدد مثال های کاربردی و بحث بر روی جزئیات نکات برنامه نویسی
    ارائه مثال های واقعی در حوزه تحلیل های آماری زیست شناسی
    اشاره به نکات آماری مهم هر بخش برای توجیه مخاطبان سایر رشته ها
    ارایه اصول تحلیل آماری، در جهت استفاده صحیح از ابزارهای موجود برای انجام پروژه های تحلیلی
    اصول استنباط آماری، آزمون فرض و برآورد پارامترها، رگرسیون، تحلیل واریانس و خوشه بندی
    ارائه کدهای مربوط به مثال های بررسی شده و سایر مطالب تکمیلی در کانال تلگرام پشتیبان کتاب’

سفارش انجام پروژه داده کاوی پیش بینی نقص در ماژول های نرم افزاری:

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

سفارش انجام پروژه داده کاوی پیش بینی نقص در ماژول های نرم افزاری:

با توجه به اهمیت نقش نرم‌افزارها در زندگی جوامع امروزی، تحقیقات پیرامون کیفیت نرم‌افزار در سال‌های اخیر، گسترش زیادی داشته است. خطاهای پیش‌بینی نشده ی نرم‌افزاری هزینه‌های زیادی را مصرف کننده ها، تحمیل می‌کند. بنابراین، تحقیقات حوزه ی نرم افزار، بر روی تولید سیستم‌های با کیفیت بالا متمرکز شده‌اند. مهم ترین مولفه در سیستم نرم‌افزاری، قابلیت اطمینان است. تعداد خرابی در زمان اجرای نرم‌افزار باید حداقل شود تا بتوان به قابلیت اطمینان مناسبی حاصل شود.

در این پروژه، با استفاده از زبان R، مجموعه داده های مربوط به پیش بینی نقص در ماژول های نرم افزاری مورد بررسی قرار گرفته است. راهکارهای متعدد پاکسازی داده ها، دسته بندی، خوشه بندی بر روی داده ها اعمال شده است و نتایج در قالب مستندات و همچنین فایل های شبیه سازی فراهم شده است.


موارد قابل تحویل:

    فایل های شبیه سازی مربوط به زبان R
    مستندات پروژه، شامل توضیحات مربوط به فعالیت های صورت گرفته
    فایل ارائه ی پاورپوینت
    فیلم آموزشی برای آشنایی دقیق تر با فرآیند انجام پروژه
    مجموعه داده ی مورد استفاده در پروژه
    امکان آماده سازی این پروژه با سایر نرم افزارها، نظیر رپیدماینر (RapidMiner)، وکا(Weka)، نایم(Knime)، کلمنتاین(clementine) یا مدلر(IBM Spss Modeler)، پایتون (Python) و ... فراهم است.


برخی از روش های مورد بررسی:
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
    روش های مختلف پاکسازی
        حذف مقادیر گم شده (missing values)،
        حذف داده های پرت،
        حذف نویز،
        گسسته سازی،
        ایجاد ویژگی های جدید،
        نرمال سازی،
        انتخاب زیرمجموعه ای مناسب از ویژگی ها و...
    روش های مختلف تصویر سازی
        نمودارهای هیستوگرام(histogram)
        هیستوگرام رنگی
        پراکندگی(Scatter) و...
    روش های مختلف دسته بندی
        ساخت انواع درخت تصمیم(decision tree) نظیر CHAID، CART، C5.0 و ...
        ماشین بردار پشتیبان(support vector machine)
        شبکه ی عصبی(Neural Net)
        Logistic regression
        جنگل تصادفی(Random Forest)
        استخراج قوانین(Rule Induction)
        و...09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
    روش های تجمعی
        بگینگ(bagging)
        بوستینگ(boosting)
    تلفیق روش های مختلف دسته بندی
        به عنوان مثال تلفیق روش های ماشین بردار پشتیبان با شبکه ی عصبی.
    روش های مختلف ارزیابی نظیر Cross Validation
    موارد و الگوریتم های قید شده، تنها قسمتی کوچکی از فرآیندهای داده کاوی را شامل می شود. انواع مختلف روش های داده کاوی و هوش مصنوعی با توجه به درخواست شما، قابل ارائه است.
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]

مشاوره انجام پایان نامه، پروپزال و مقاله:

در صورتی که به مشاوره برای انجام پایان نامه، پروپزال و مقاله، همچنین آموزش انجام پایان نامه، پروپزال و مقاله در زمینه ی پیش بینی نقص در ماژول های نرم افزاری، نیازمندید، این مورد را هنگام درخواست قید نمایید. با توجه به قوانین موجود، فعالیت شریف پژوه محدود به آموزش و مشاوره در این موارد می باشد.

تولید داده های آماری تصادفی در آر

تابع های زیر برای بررسی توضیع احتمالات یک متغیر و همچنین شبیه سازی داده های تصادفی مورد استفاده قرار می گیرند. در هریک از تابع های زیر می توان شاخص های آماری توضیع مورد نظر را به دلخواه تغییر داد.

این تابع ها معمولا با نام های d, r, p و q شروع می شوند:

    d مخففی برای تراکم (density)
    r مخففی برای تصادفی (random)
    p برای احتمال در توضیع افزوده (cumulative distribution)
    q برای تابع چارک ها و کوانتایل ها

اکنون نگاهی به تابع های رایج می اندازم. خاطر نشان می کنم که من فقط به تابع های رایج می پردازم و به تشریح کلیه ی تابع ها نمی پردازم. اگر علاقه مند هستید که در مورد تابع های هریک از این ۴ طبقه بیندازید، در کنسول خود برای مثال ?rnorm را تایپ کنید…
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
    rnorm: تولید داده های نرمال تصادفی با میانگین و انحراف معیار مشخص
    dnorm: ارزیابی تراکم نرمال احتمالات (normal probability density)
    pnorm: تخمینcumulative distribution برای توضیع نرمال
    rpois: تولید تصادفی متغیر پاسون (Poisson)

قبلا در مورد تابع استیر و قابلیت آن برای نمایش محتوای آبجکت های آر توضیحاتی داده بودم. اینک با استفاده از تابع استیر گذاره هایی را که هریک از این تابع ها می پذیرند را بررسی می کنم.

str(rnorm)

## function (n, mean = 0, sd = 1)

str(dnorm)

## function (x, mean = 0, sd = 1, log = FALSE)
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
str(pnorm)

## function (q, mean = 0, sd = 1, lower.tail = TRUE, log.p = FALSE)

str(rpois)

## function (n, lambda)


همانطور که از نتایج چاپ شده در کنسول مشخص است، می توانیم میزان میانگین و انحراف معیار را برای سه تابع norm, dorm و norm تغییر دهیم. دقت کنید که هر یک از این تابع ها ارزش قراردادی (default value) میانگین را معادل صفر و انحراف معیار را معادل ۱ در نظر می گیرند و در صورتی که گزاره های مربوط به میانگین و انحراف معیار را در تابع قرار ندهید، توضیع داده های شما با میانگین صفر و انحراف معیار ۱ خواهد بود.

در مثال زیر آبجکتی با نام a می سازم و برای آن ۲۰ داده نرمال تصادفی با میانگین ۱۰ و انحراف معیار ۴ تعریف می کنم.

set.seed(10)  # زنجیره ارقام تصادفی را تعریف می کنم.
a <- rnorm(20, 10, 4)
print(a)

##  [1] 10.075  9.263  4.515  7.603 11.178 11.559  5.168  8.545  3.493  8.974
## [11] 14.407 13.023  9.047 13.950 12.966 10.357  6.180  9.219 13.702 11.932

توجه داشته باشید که داده های شبیه سازی شده کاملا تصادفی نیستند. نرم افزارهای آماری معمولا زنجیره ای از ارقام تصادفی را تعریف می کنند که نرم افزار با استفاده از آن ارقام داده های شبیه سازی شده تولید می کند. برای اینکه بتوانید داده های شبیه سازی شده را بازتولید کنید باید حتما زنجیره ارقام تصادفی را تعریف کنید. برای این کار می توانید از تابع set.seed استفاده کنید و یک عدد صحیح به آن بدهید. پس از آن اگر کدها را دوباره اجرا کنید نتایج و ارقام یکسانی خواهید گرفت.
نمونه برداری از مجموعه داده ها
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
از تابع sample می توان برای جدا کردن یک نمونه از یک مجموعه داده، لیست یا هر آبجکت دیگری استفاده کرد. هنگام انتخاب نمونه می توانید تصمیم بگیرید که یک مشاهده جایگزین بشود یا نه. منظور از جایگزین کردن یک مشاهده این است که به یک مشاهده (سطر) امکان انتخاب شدن دوباره (یا بیشتر) داده شود. در حالت قراردادی ( default ) مشاهده هایی که برای نمونه انتخاب می شوند امکان انتخاب شدن دوباره یا به اصطلاح آماری جایگزین شدن ندارند. در مثال زیر یک لیست شامل اعداد ۱ تا ۱۱ تعریف می کنم و بعد ۱۰ مشاهده را با یک بار بدون امکان جایگزین شدن و یک بار با امکان جایگزین شدن جدا می کنم.

set.seed(1)
a <- c(1:11)
sample(a, 10)  # نمونه برداری ۱۰ مشاهده بدون امکان جایگزین شدن یک مشاهده

##  [1]  3  4  6  8  2  5 11  7  1

sample(a, 10, replace = TRUE)  # نمونه برداری با امکان جایگزینی مشاهدات

##  [1]  3  2  8  5  9  6  8 11  5  9

اعداد ۵، ۸ و ۹ در مثال آخر تکرار شدند

فروش پروژه بهبود شبکه عصبی با الگوریتم ژنتیک جهت یافتن بهترین ریشه مربعات عددی در یک مجموعه داده با نرم افزار R

Author: Natrani7170 فوریه 3, 2018 0 Comments
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
کد پروژه: 2725

عنوان پروژه: فروش پروژه بهبود شبکه عصبی با الگوریتم ژنتیک جهت یافتن بهترین ریشه مربعات عددی در یک مجموعه داده با نرم افزار R

قالب بندی: m

دسته: کامپیوتر – R



قابلیت اجرا در نرم افزار: MATLAB

شرح مختصر:

فروش پروژه بهبود شبکه عصبی با الگوریتم ژنتیک جهت یافتن بهترین ریشه مربعات عددی در یک مجموعه داده با نرم افزار R

عکس خروجی برنامه
کامپیوتر - R

انجام پروژه R, پروژه NEAT, پروژه R, پروژه الگوریتم ژنتیک R, پروژه تحلیل آماری, پروژه ریشه مربعات عددی, پروژه ریشه مربعات عددی R, پروژه شبکه عصبی R, پروژه شبکه عصبی ژنتیکی, پروژه شبکه عصبی ژنتیکی R
فروش پروژه پیش بینی بورس با الگوریتم ژنتیک با نرم افزار R

عنوان پروژه: فروش پروژه پیش بینی بورس با الگوریتم ژنتیک با نرم افزار R
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
قالب بندی: RData – R – همراه با داکیومنت

دسته: کامپیوتر – R

قابلیت اجرا در نرم افزار: R و محیط های IDE مانند RStudio و Tinn-R

شرح مختصر:

فروش پروژه پیش بینی بورس با الگوریتم ژنتیک با نرم افزار R

عکس خروجی برنامه
عکس 1
عکس 2
عکس 3

کامپیوتر - R

پروژه GA با R, پروژه R, پروژه الگوریتم ژنتیک R, پروژه پیش بینی بورس R, پروژه پیش بینی بورس الگوریتم ژنتیک, پروژه پیش بینی بورس الگوریتم ژنتیک R
فروش پروژه الگوریتم ژنتیک در استراتژی رقابت و تجارت با نرم افزار R

عنوان پروژه: فروش پروژه الگوریتم ژنتیک در استراتژی رقابت و تجارت با نرم افزار R

قالب بندی: RData – R – همراه با داکیومنت

دسته: کامپیوتر – R

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

قابلیت اجرا در نرم افزار: R و محیط های IDE مانند RStudio و Tinn-R

شرح مختصر:

فروش پروژه الگوریتم ژنتیک در استراتژی رقابت و تجارت با نرم افزار R

عکس خروجی برنامه
عکس 1
تماس باشید.

کامپیوتر - R

پروژه R, پروژه آمار R, پروژه استراتژی رقابت R, پروژه الگوریتم GA با R, پروژه الگوریتم ژنتیک R, پروژه الگوریتم ژنتیک استراتژی رقابت, پروژه تجارت R, پروژه تخمین شاخص R, پروژه تکاملی R, پروژه رایانش تکاملی, پروژه شناسایی تجارت R, پروژه هوش محاسباتی, پروژه پیش بینی, پروژه پیش بینی R, پروژه پیش بینی الگوریتم زنتیک R, پروژه پیش بینی الگوریتم ژنتیک, پروژه ژنتیک R
فروش پروژه الگوریتم ژنتیک در استراتژی رقابت و تجارت با نرم افزار R
عنوان پروژه: فروش پروژه الگوریتم ژنتیک در استراتژی رقابت و تجارت با نرم افزار R
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
قالب بندی: RData – R – همراه با داکیومنت

دسته: کامپیوتر – R