پروژه های داده کاوی با نرم افزار R با بسته Rattle

tine12، rapidminer  | نظر بدهید
آموزش نرم افزار داده کاوی وکا weka

لطفا با یک کلیک ما را در گوگل محبوب کنید

آموزش نرم افزار داده کاوی وکا Weka

 

مقدمه

  تا به امروز نرم افزارهای تجاری و آموزشی فراوانی برای داده کاوی در حوزه های مختلف داده ها به دنیای علم و فناوری عرضه شده اند. هریک از آنها با توجه به نوع اصلی داده هایی که مورد کاوش قرار میدهند، روی الگوریتمهای خاصی متمرکز شده اند. مقایسه دقیق و علمی این ابزارها باید از جنبه های متفاوت و متعددی مانند تنوع انواع و فرمت داده های ورودی، حجم ممکن برای پردازش داده ها، الگـوریتمهای پیاده سـازی شده، روشهای ارزیابی نتایج، روشهای مصـور سـازی، روشهای پیش پردازش داده ها، واسطهای کاربر پسند، پلت‌فرمهای سازگار برای اجرا،قیمت و در دسترس بودن نرم افزار صورت گیرد. از آن میان، نرم افزار Weka با داشتن امکانات بسیار گسترده،امکان مقایسه خروجی روشهای مختلف با هم، راهنمای خوب، واسط گرافیگی کارا، سازگاری با سایر برنامه های ویندوزی، و از همه مهمتر وجود کتابی بسیار جامع و مرتبط با آن [Data Mining, witten et Al. 2005 ] ، معرفی میشود.

 
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
1- معرفی نرم افزار Weka

میزکارWeka ، مجموع‌های از الگوریتمهای روز یادگیری ماشینی و ابزارهای پیش پردازش داده‌ها میباشد. این نرم‌افزار به گونه‌ای طراحی شده است که میتوان به سرعت، روشهای موجود را به صورت انعطافپذیری روی مجموعه‌های جدید داده، آزمایش نمود. این نرم‌افزار، پشتیبانی‌های ارزشمندی را برای کل فرآیند داده کاوی های تجربی فراهم میکند. این پشتیبانی‌ها، آماده سازی داده‌های ورودی، ارزیابی آماری چارچوبهای یادگیری و نمایش گرافیکی داده‌های ورودی و نتایج یادگیری را در بر میگیرند. همچنین، هماهنگ با دامنه وسیع الگوریتمهای یادگیری، این نرم‌افزار شامل ابزارهای متنوع پیش پردازش داده‌هاست. این جعبه ابزار متنوع و جامع، از طریق یک واسط متداول در دسترس است، به نحوی که کاربر میتواند روشهای متفاوت را در آن با یکدیگر مقایسه کند و روشهایی را که برای مسایل مدنظر مناسبتر هستند، تشخیص دهد.
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
نرم‌افزار Weka در دانشگاه Waikato واقع در نیوزلند توسعه یافته است و اسم آن از عبارت"Waikato Environment for knowledge Analysis" استخراج گشته است. همچنین Weka ، نام پرندهای با طبیعت جستجوگر است که پرواز نمیکند و در نیوزلند، یافت میشود. (شکل زیر)

این سیستم به زبان جاوا نوشته شده و بر اساس لیسانس عمومی و فراگیر GNU انتشار یافته است.Weka تقریباً روی هر پلت فرمی اجرا میشود و نیز تحت سیستم عاملهای لینوکس، ویندوز، و مکینتاش، و حتی روی یک منشی دیجیتالی شخصی، آزمایش شده است.

این نرم افزار، یک واسط همگون برای بسیاری از الگوریتمهای یادگیری متفاوت، فراهم کرده است که از طریق آن روشهای پیش پردازش، پس از پردازش و ارزیابی نتایج طرح های یادگیری روی همه مجموعه های داده موجود، قابل اعمال است.

نرم افزار Weka ، پیاده سازی الگوریتمهای مختلف یادگیری را فراهم میکند و به آسانی میتوان آنها را به مجموعه های داده خود اعمال کرد.

  همچنین، این نرم افزار شامل مجموعه متنوعی از ابزارهای تبدیل مجموعه‌های داده ها، همانند الگوریتمهای گسسته سازی میباشد. در این محیط میتوان یک مجموعه داده را پیش پردازش کرد، آن را به یک طرح یادگیری وارد نمود، و دسته‌بندی حاصله و کارآیی‌اش را مورد تحلیل قرار داد.( همه این کارها، بدون نیاز به نوشتن هیچ قطعه برنامه‌ای میسر است.)

  این محیط، شامل روشهایی برای همه مسایل استاندارد داده کاوی مانند رگرسیون، رده‌بندی، خوشه‌بندی، کاوش قواعد انجمنی و انتخاب ویژگی میباشد. با در نظر گرفتن اینکه، داده‌ها بخش مکمل کار هستند، بسیاری از ابزارهای پیش پردازش داده‌ها و مصورسازی آنها فراهم گشته است. همه الگوریتم ها، ورودیهای خود را به صورت یک جدول رابطهای به فرمت ARFF دریافت میکنند. این فرمت داده‌ها، میتواند از یک فایل خوانده شده یا به وسیله یک درخواست از پایگاه دادهای تولید گردد.

یکی از راههای به کارگیری Weka ، اعمال یک روش یادگیری به یک مجموعه داده و تحلیل خروجی آن برای شناخت چیزهای بیشتری راجع به آن اطلاعات میباشد. راه دیگر استفاده از مدل یادگیری شده برای تولید پیشبینی‌هایی در مورد نمونه‌های جدید است. سومین راه، اعمال یادگیرنده‌های مختلف و مقایسه کارآیی آنها به منظور انتخاب یکی از آنها برای تخمین میباشد. روشهای یادگیری Classifier نامیده میشوند و در واسط تعاملی Weka ، میتوان هر یک از آنها را از منو انتخاب نمود. بسیاری از classifier ها پارامترهای قابل تنظیم دارند که میتوان از طریق صفحه ویژگی‌ها یا object editor به آنها دسترسی داشت. یک واحد ارزیابی مشترک، برای اندازه‌گیری کارآیی همه classifier به کار میرود.

پیاده سازیهای چارچوبهای یادگیری واقعی، منابع بسیار ارزشمندی هستند که Weka فراهم می کند. ابزارهایی که برای پیش پردازش داده‌ها استفاده میشوند Filter نامیده میشوند. همانند classifier ها، میتوان filter ها را از منوی مربوطه انتخاب کرده و آنها را با نیازمندیهای خود، سازگار نمود. در ادامه، به روش به کارگیری فیلترها اشاره میشود.

  علاوه بر موارد فوق، Weka شامل پیاده سازی الگوریتمهایی برای یادگیری قواعد انجمنی، خوشه‌بندی داده‌ها در جایی که هیچ دست‌های تعریف نشده است، و انتخاب ویژگیهای مرتبط در داده‌ها میباشد.

 

 

2- روش استفاده از Weka

جهت درک بهتر مطالب این بخش، یک پایگاه داده با فرمت (comma-separated format ) .csv به نام bank-data.csv به عنوان مثال در نظر گرفته میشود. این بانک اطلاعاتی شامل اطلاعاتی در مورد 600 فرد مختلف است که فیلدهای تشکیل دهنده آن به شرح زیر هستند:

3- واسط های Weka

شکل 1،راههای انتخاب واسط‌های مختلف Weka را نشان میدهد. آسانترین راه استفاده از Weka از طریق واسطی گرافیکی است که Explorer خوانده میشود. این واسط گرافیکی، به وسیله انتخاب منوها و پر کردن فرمهای مربوطه، دسترسی به همه امکانات را فراهم کرده است. برای مثال، میتوان به سرعت یک مجموعه داده را از یک فایل ARFF خواند و درخت تصمیم‌گیری آن را تولید نمود. اما درختهای تصمیم‌گیری یادگیرنده صرفاً ابتدای کار هستند. الگوریتمهای بسیار دیگری برای جستجو وجود دارند. واسط Explorer کمک میکند تا الگوریتمهای دیگر نیز آزمایش شوند.

 

شکل 1. Weka در وضعیت انتخاب واسط

این واسط با در اختیار گذاشتن گزینه‌ها به صورت منو، با وادار کردن کاربر به اجرای کارها با ترتیب صحیح، به وسیله خاکستری نمودن گزینه‌ها تا زمان صحیح به کارگیری آنها، و با در اختیار گذاشتن گزینه‌هایی به صورت فرمهای پرشدنی، کاربر را هدایت میکند. راهنمای ابزار مفیدی، حین عبور ماوس از روی گزینه‌ها، ظاهر شده و اعمال لازم مربوطه را شرح میدهد. پیشفرض‌های معقول قرار داده شده، کاربر را قادر میسازند تا با کمترین تلاشی، به نتیجه برسد. اما کاربر باید برای درک معنی نتایج حاصله، راجع به کارهایی که انجام میدهد، بیندیشد.

 Wekaدو واسط گرافیکی دیگر نیز دارد. واسط knowledge flow به کاربر امکان میدهد تا چنیش‌هایی برای پردازش داده‌های در جریان، طراحی کند. یک عیب پایهای Explorer نگهداری هر چیزی در حافظه اصلی آن است. (زمانی که یک مجموعه داده را باز میکنیم، Explorer ، کل آن را، در حافظ باز میکند) نشان میدهد که Explorer ، صرفاً برای مسایل با اندازه‌های کوچک تا متوسط، قابل اعمال است. با وجود بر این Weka شامل تعدادی الگوریتمهای افزایشی است که میتواند برای پردازش مجموعه های داده بسیار بزرگ مورد استفاده قرار گیرد. واسط knowledge flow امکان میدهد تا جعبه‌های نمایانگر الگوریتمهای یادگیری و منابع داده‌ها را به درون صفحه بکشیم و با اتصال آنها به یکدیگر، ترکیب و چینش دلخواه خود را بسازیم. این واسط اجازه میدهد تا جریان دادهای از مؤلفه‌های به هم متصل که بیانگر منابع داده، ابزارهای پیش پردازش، روشهای ارزیابی و واحدهای مصوّر سازی هستند تعریف شود. اگر فیلترها و الگوریتمهای یادگیری، قابلیت یادگیری افزایشی را داشته باشند، داده‌ها به صورت افزایشی بار شده و پردازش خواهند شد.

  سومین واسط Weka ، که Experimenter خوانده میشود، کمک میکند تا به این سؤال عملی و پایهای کاربر حین استفاده از تکنیکهای رده‌بندی و رگرسیون، پاسخ دهد: «چه روشها و پارامترهایی برای مسأله داده شده، بهتر عمل میکنند؟ »

  عموماً راهی برای پاسخگویی مقدماتی به این سؤال وجود ندارد و یکی از دلایل توسعهWeka ، فراهم نمودن محیطی است که کاربران Weka را قادر به مقایسه تکنیکهای گوناگون یادگیری بنماید. این کار، میتواند به صورت تعاملی در Explorer انجام شود. با این وجود، Experimenter با ساده کردن اجرای رده‌بندی کننده‌ها و فیلترها با پارامترهای گوناگون روی تعدادی از مجموعه‌های داده، جمع‌آوری آمار کارآیی و انجام آزمایـشهای معنا، پردازش را خودکار میکند. کـاربرهای پیشرفته، میتوانند از Experimenter برای توزیع بار محاسباتی بین چندین ماشین، استفاده کنند. در این روش، میتوان آزمایشهای آماری بزرگی را راه‌اندازی نموده و آنها را برای اجرا، رها نمود.

  ورای این واسطهای تعاملی، عملکرد پایهای Weka قرار دارد. توابع پایهای Weka ، از طریق خط فرمانهای متنی قابل دسترسی هستند. زمانی که Weka ، فعال میشود، امکان انتخاب بین چهار واسط کاربری وجود داردExplorer ، knowledge ،Experimenter و واسط خط فرمان. اکثر کاربران، حداقل در ابتدای کار Explorer را به عنوان واسط کاربری انتخاب میکنند.

 

3-1 واسط Explorer

واسط گرافیکی اصلی برای کاربران، Explorer است که امکان دسترسی به همه امکانات Weka را از طریق انتخاب منوها و پر کردن فرمها فراهم میآورد. شکل 2،نمای Explorer را نشان میدهد. در این واسط، شش پانل مختلف وجود دارد که از طریق نوار بالای صفحه قابل انتخاب هستند و با وظایف داده کاوی پشتیبانی شده توسط Weka متناظر میباشند.

شکل 2. واسط گرافیکیExplorer

به طور خلاصه، کارکرد تمام گزینه ها به شرح ذیل است

    Preprocess: انتخاب مجموعه داده و اصلاح آن از راههای گوناگون
     Classify: آموزش برنامه‌های یادگیری که رده‌بندی یا رگرسیون انجام میدهند و ارزیابی آنها
     Cluster: یادگیری خوشه‌ها برای مجموعه های داده
     Associate: یادگیری قواعد انجمنی برای داده‌ها و ارزیابی آنها
     Select attributes: انتخاب مرتبط‌ترین جنبه ها در مجموعه های داده
     Visualize: مشاهده نمودارهای مختلف دوبعدی داده‌ها و تعامل با آنها

در بخشهای بعدی به تشریح گزینه‌های مذکور و بیان جزئیات کار با هرکدام خواهم پرداخت.

Weka Explorer امکان رده بندی دارد، چنانچه به کاربران اجازه میدهد به صورت تعاملی اقدام به ساخت درخت تصمیم‌گیری کنند. Wekaنمودار پراکندگی داده‌ها را نسبت به دو ویژگی انتخاب شده، فراهم میآورد. وقتی زوج ویژگی‌ای که رده‌ها را به خوبی جدا میکند، پیدا شد، امکان ایجاد دو شاخه با کشیدن چند ضلعی اطراف نقاط داده‌ها بر نمودار پراکندگی وجود دارد.

هر نوار، دسترسی به دامنه کاملی از امکانات را فراهم میکند. در پایین هر پانل، جعبه status و دکمه log قرار دارد. جعبه status پیغامهایی است که نشان میدهد چه عملیاتی در حال انجام داده شدن است. مثلاً اگر Explores مشغول خواندن یک فایل باشد، جعبه status آن را گزارش میدهد. کلیک راست در هر جا داخل این جعبه یک منو کوچک با دو گزینه میآورد، نمایش میزان حافظه در دسترس Weka و اجرای Java garbage collector .
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
لازم است توجه شود که garbage collector به طور ثابت به عنوان یک عمل پیش زمینه در هر حال اجرا میشود کلیک دکمه log ، گزارش عملکرد متنی کارهایی که Weka تاکنون در این بخش انجام داده است با برچسب زمانی ارایه میکند.

زمانیکه Weka در حال عملیات است، پرنده کوچکی که در پایین سمت راست پنجره است، بالا و پایین میپرد. عدد پشت × نشان میدهد که به طور همزمان چند عملیات در حال انجام است. اگر پرنده بایستد در حالیکه حرکت نمیکند، او مریض است! اشتباه رخ داده است و باید Explorer از نو اجرا شود.

 

3-1-1 Preprocess

الف- خواندن و فیلتر کردن فایلها

  در بالای پانل Preprocess در شکل 2، دکمه‌هایی برای باز کردن فایل، URL ها و پایگاه های داده وجود دارد. با کلیک بر روی دکمه open File، در ابتدا تنها فایلهای با پسوند arff در browser فایل نمایش داده میشود. برای دیدن سایر فایلها یاید گزینه Format در جعبه انتخاب فایل تغییر داده شود.

شکل 3. باز کردن فایل

در بخشهای بعدی به تشریح گزینه‌های مذکور و بیان جزئیات کار با هرکدام خواهم پرداخت.

Weka Explorer امکان رده بندی دارد، چنانچه به کاربران اجازه میدهد به صورت تعاملی اقدام به ساخت درخت تصمیم‌گیری کنند. Wekaنمودار پراکندگی داده‌ها را نسبت به دو ویژگی انتخاب شده، فراهم میآورد. وقتی زوج ویژگی‌ای که رده‌ها را به خوبی جدا میکند، پیدا شد، امکان ایجاد دو شاخه با کشیدن چند ضلعی اطراف نقاط داده‌ها بر نمودار پراکندگی وجود دارد.

هر نوار، دسترسی به دامنه کاملی از امکانات را فراهم میکند. در پایین هر پانل، جعبه status و دکمه log قرار دارد. جعبه status پیغامهایی است که نشان میدهد چه عملیاتی در حال انجام داده شدن است. مثلاً اگر Explores مشغول خواندن یک فایل باشد، جعبه status آن را گزارش میدهد. کلیک راست در هر جا داخل این جعبه یک منو کوچک با دو گزینه میآورد، نمایش میزان حافظه در دسترس Weka و اجرای Java garbage collector .

لازم است توجه شود که garbage collector به طور ثابت به عنوان یک عمل پیش زمینه در هر حال اجرا میشود کلیک دکمه log ، گزارش عملکرد متنی کارهایی که Weka تاکنون در این بخش انجام داده است با برچسب زمانی ارایه میکند.

زمانیکه Weka در حال عملیات است، پرنده کوچکی که در پایین سمت راست پنجره است، بالا و پایین میپرد. عدد پشت × نشان میدهد که به طور همزمان چند عملیات در حال انجام است. اگر پرنده بایستد در حالیکه حرکت نمیکند، او مریض است! اشتباه رخ داده است و باید Explorer از نو اجرا شود.

 

3-1-1 Preprocess

الف- خواندن و فیلتر کردن فایلها

  در بالای پانل Preprocess در شکل 2، دکمه‌هایی برای باز کردن فایل، URL ها و پایگاه های داده وجود دارد. با کلیک بر روی دکمه open File، در ابتدا تنها فایلهای با پسوند arff در browser فایل نمایش داده میشود. برای دیدن سایر فایلها یاید گزینه Format در جعبه انتخاب فایل تغییر داده شود.

شکل 3. باز کردن فایل

 

ب- تبدیل فایلها به فرمت ARFF

نرم افزار Weka دارای سه مبدل فرمت فایل میباشد، برای فایلهای صفحه گسترده با پسوند CSV ، فرمت فایل C4.5 با پسوند .namesو data و برای نمونه های سری با پسوند.bsi .

اگر Weka قادر به خواندن داده ها نباشد، سعی میکند آن را به صورت ARFF تفسیر کند. اگر نتواند پیغام نشان داده شده در شکل 4 (الف) ظاهر میشود. با انتخاب گزینه Use Convertor، پیغام شکل 4 (ب) ظاهر میشود

شکل4 (الف) پیغام خطا

 

شکل4 (ب) ویرایشگر

  این، یک ویرایشگر عمومی اشیاء است که در Weka برای انتخاب و تنظیم اشیا بکار میرود. به عنوان مثال وقتی پارامتری برای Classifier تنظیم میشود، جعبه ای با نوع مشابه بکار برده میشود. CSV Loader برای فایلهای با پسوند .CSVبه طور پیش فرض انتخاب میشود. دکمه More اطلاعات بیشتری در مورد آن میدهد که در شکل 4 (ج) نشان داده شده است.

همیشه مطالعه مستندات ارزشمنداست، در این حالت نشان میدهد که ردیف نخست صفحه گسترده، نام ویژگی را تعیین میکند. برای استفاده از این مبدل باید بر Ok کلیک شود. برای مورد مختلف لازم است بر choose کلیک شود تا از لیست شکل 4 (د) انتخاب انجام شود.

  گزینه اول، Arffloader است و فقط به دلیل ناموفق بودن به این نقطه میرسیم.CSVLoader پیش فرض است و در صورت نیاز به فرض دیگر، choose کلیک میشود. دومین گزینه، مربوط به فرمت C4.5 است که دو فایل برای مجموعه داده وجود دارد یکی اسمها و دیگـری داده های واقعـی میباشد. چهارمین برای نمونه های سریالی، برای بازخوانی مجموعه داد‌ه‌ای است که به صورت شیئ سریالی شده جاوا ذخیره شده است. هر شیء در جاوا میتواند در این شکل ذخیره و بازخوانی شود. به عنوان یک فرمت بومی جاوا، سریعتر از فایل ARFF خوانده میشود چرا که فایل ARFF باید تجزیه و کنترل شود. وقتی یک مجموعه داده بزرگ مکررا بازخوانی میشود، ذخیره آن در این شکل سودمند است.

  ویژگیهای دیگر ویرایشگر عمومی اشیا در شکل 4 (ب)، save و open است که به ترتیب برای ذخیره اشیای تنظیم شده و بازکردن شیئی که پیش از این ذخیره شده است، به کار میرود. اینها برای این نوع خاص شیئ مفید نیستند. لکن پانلهای دیگر ویرایشگر عمومی اشیاء، خواص قابل ویرایش زیادی دارند. به دلیل مشکلاتی که ممکن است حین تنظیم مجدد آنها رخ دهد، میتوان ترکیب اشیاء ایجاد شده را برای استفاده‌های بعدی، ذخیره کرد.

  تنها منبع مجموعه‌های داده برایWeka ، فایلهای موجود روی کامپیوتر نیستند. میتوان یک URL را باز کرد تا Weka از پروتکل HTTP برای دانلود کردن یک فایل Arff از شبکه استفاده کند. همچنین میتوان یک پایگاه داده‌ها را باز نمود ( open DB ـ هر پایگاه دادهای که درایور اتصال به مجموعه های داده به زبان جاوا JDBC را دارد.) و به وسیله دستور select زبان SQL ، نمونه‌ها را بازیابی نمود. داده‌ها میتوانند به کمک دگمه save به همه فرمتهای ذکر شده، ذخیره شوند. جدای از بحث بارگذاری و ذخیره مجموعه‌های داده، پانل preprocess به کاربر اجازه فیلتر کردن داده‌ها را میدهد. فیلترها، اجزای مهم Weka هستند.

بعد از اینکه فایل بارگذاری شد، Weka فیلدها را تشخیص میدهد و حین بررسی آنها، اطلاعات آماری پایهای را برای هر کدام از صفات محاسبه میکند. همان طور که در شکل 5 نشان داده شده است، لیست صفات تشخیص داده شده، در سمت چپ، پایین و اطلاعات پایگاه داده مربوطه در بالای آن نشان داده میشود.

 

شکل5. بانک اطلاعاتیbank-data.csv

با کلیک برروی هر کدام از صفات، میتوان اطلاعات آماری اصلی آن را در سمت راست مشاهده نمود. به عنوان مثال شکل 6 از انتخاب فیلد age نتیجه شده است.

نمودار ترسیم شده در سمت راست، پایین، بر اساس دو فیلد است. فیلد دوم به صورت پیشفرض، آخرین فیلد در پایگاه داده است که میتوان آن را به دلخواه تغییر داد.

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

شکل6. اطلاعات آماری فیلد age

 

ج- به کارگیری فیلترها

با کلیک دگمهchoose (گوشه بالا و سمت چپ) در شکل 3 میتوان به لیستی از فیلترها دست یافت. میتوان از فیلترها برای حذف ویژگیهای مورد نظر از یک مجموعه داده و یا انتخاب دستی ویژگیها استفاده نمود. مشابه این نتیجه را میتوان به کمک انتخاب ویژگیهای مورد نظر با تیک زدن آنها و فشار دادن کلیه Remove به دست آورد.

شکل 7 مراحل لازم برای حذف فیلد id از بانک اطلاعاتی، با استفاده از روش اول را نشان میدهد.


شکل 6 (الف). انتخاب فیلتر Remove

 


شکل 6 (ب). وارد کردن شماره فیلد مورد نظر

 

شکل 6 (ج).انتخاب گزینه Apply و حذف فیلد id

یکی دیگر ازفیلترهای موجود، Discretize است که با استفاده از آن میتوان مقادیریک صفت پیوسته را به تعداد دلخواه بازه گسسته تبدیل کرد. شکل7 مراحل لازم برای شکستن مقادیر صفت age به 3 بازه را نشان میدهد.

 

شکل7 (الف). انتخاب فیلتر Discretize

 

شکل7 (ب). وارد کردن شماره فیلد مورد نظر و انجام تنظیمات

 

شکل 7 (ج).انتخاب گزینه Apply

3-1-2 Classify

الف- الگوریتمهای رده‌بندی

Weka الگوریتمهای classification و prediction بسیار متنوعی را پیاده‌سازی میکند. الگوریتمهای رده‌بندی، به رده‌بندهای Bayesian، functions،lazy ،meta ، misc، trees و rules تقسیم شده‌اند. جدول شکل 8، لیست اسامی رده بندهای Weka را نمایش میدهد.

 

  شکل 8 (الف). الگوریتمهای رده بندی در Weka


شکل 8 (ب). الگوریتمهای رده بندی در Weka

دراین قسمت برخی از اسامی رده‌بندیهای Weka معرفی میشوند.

     Trees

    ü Decision stumpکه برای استفاده توسط روشهای boosting طراحی شده است، برای مجموعه‌های داده عددی یا رده‌ای، درخت تصمیم‌گیری یک سطحی میسازد. این الگوریتم، با مقادیر از دست رفته، به صورت مقادیر مجزا برخورد کرده و شاخه سومی از درخت توسعه میدهد

     Rules
        ü Decision Tableیک رده‌بندی بر اساس اکثریت جدول تصمیم‌گیری میسازد. این الگوریتم، با استفاده از جستجوی اولین بهترین، زیر دسته‌های ویژگیها را ارزیابی میکند و میتواند از اعتبارسنجی تقاطعی برای ارزیابی بهره برد. (Kohavi 1995 )
        یک امکان این است که به جای استفاده از اکثریت جدول تصمیم‌گیری که بر اساس دسته ویژگیهای مشابه عمل میکند، از روش نزدیکترین همسایه برای تعیین رده هر یک از نمونه‌ها که توسط مدخل (Entry) جدول تصمیمگیری پوشش داده نشده‌اند، استفاده شود.
        ü   Conjunctive Ruleقاعده‌ای را یاد میگیرد که مقادیر رده‌های عددی را پیشبینی میکند. نمونه‌های آزمایشی به مقادیر پیش فرض رده نمونه‌های آموزشی، منسوب میشوند. سپس تقویت اطلاعات (برای ردههای رسمی)، یا کاهش واریانس (برای ردههای عددی) مربوط به هر والد محاسبه شده و به روش هرس کردن با خطای کاهش یافته (Reduced-error pruning) ، قواعد هرس میشوند.
        ü  ZeroRبرای رده‌های اسمی، اکثریت داده‌های مورد آزمایش و برای رده‌های عددی، میانگین آنها را پیشبینی میکند. این الگوریتم بسیار ساده است.
        ü M5Rulesبه کمک M5 از روی درختهای مدل، قواعد رگرسیون استخراج میکند.
        
        در این بخش به شرح مختصری برخی از این الگوریتم‌ها و پارامترهایشان که قابلیت کار با ویژگی های عددی را دارند، پرداخته میشود.

     Functions
        ü   Simple Linear Regressionمدل رگرسیون خطی یک ویژگی مشخص را یاد میگیرد، آنگاه مدل با کمترین خطای مربعات را انتخاب میکند. در این الگوریتم، مقادیر از دست رفته و مقادیر غیرعددی مجاز نیستند.
        ü Linear Regressionرگرسیون خطی استاندارد با کمترین خطای مربعات را انجام میدهد و میتواند به طور اختیاری به انتخاب ویژگی بپردازد، این کار میتواند به صورت حریصانه، با حذف عقب رونده (Backward elimination) انجام شود، یا با ساختن یک مدل کامل از همه ویژگیها و حذف یکی یکی جمله‌ها با ترتیب نزولی ضرایب استاندارد شده آنها، تا رسیدن به شرط توقف مطلوب انجام گیرد.
        ü   Least Med sq یک روش رگرسیون خطی مقاوم است که به جای میانگین مربعات انحراف از خط رگرسیون، میانه را کمینه میکند. این روش به طور مکرر رگرسیون خطی استاندارد را به زیرمجموعه‌هایی از نمونه‌ها اعمال میکند و نتایجی را بیرون میدهد که کمترین خطای مربع میانه را دارند.
        ü   SMOreg الگوریتم بهینه سازی حداقل ترتیبی را روی مسایل رگرسیون اعمال میکند.
        ü   Pace Regression ، با استفاده از تکنیک رگرسیون pace ، مدلهای رگرسیون خطی تولید میکند. رگرسیونpace ، زمانی که تعداد ویژگیها خیلی زیاد است، به طور ویژهای در تعیین ویژگیهایی که باید صرفنظر شوند، خوب عمل میکند. در واقع در صورت وجود نظم و ترتیب خاصی، ثابت میشود که با بینهایت شدن تعداد ویژگیها، این الگوریتم بهـینه عمل میکند.
        ü RBF Network یک شبکه با تابع پایهای گوسی شعاعی را پیاده سازی میکند. مراکز و عرضهای واحدهای مخفی به وسیله روش میانگین (K-means)K تعیین میشود. سپس خروجیهای فراهم شده از لایه‌های مخفی (Hidden layer) ، با استفاده از رگرسیون منطقی در مورد رده‌های اسمی و رگرسیون خطی در مورد رده‌های عددی، با یکدیگر ترکیب میشوند. فعال سازیهای توابع پایه پیش از ورود به مدلهای خطی، با جمع شدن با عدد یک، نرمالیزه میشوند. در این الگوریتم میتوان K، تعداد خوشه‌ها، بیشترین تعداد تکرارهای رگرسیونهای منطقی برای مسأله‌های رده‌های رسمی، حداقل انحراف معیار خوشه‌ها، و مقدار بیشینه رگرسیون را تعیین نمود. اگر رده‌ها رسمی باشد، میانگین K به طور جداگانه به هر رده اعمال میشود تا K خوشه مورد نظر برای هر رده استخراج گردد.
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
      رده بندهای Lazy

  یادیگرنده‌های lazy نمونه‌های آموزشی را ذخیره میکنند و تا زمان رده بندی هیچ کار واقعی انجام نمیدهند.

    ü   IB1یک یادگیرنده ابتدایی بر پایه نمونه است که نزدیکترین نمونه‌های آموزشی به نمونه‌های آزمایشی داده شده را از نظر فاصله اقلیدسی پیدا کرده و نزدیکترین رده‌ای مشابه رده همان نمونه‌های آموزشی را تخمین میزند.
    ü   IBKیک رده بند با K همسایه نزدیک است که معیار فاصله ذکر شده را استفاده میکند. تعداد نزدیکترین فاصله‌ها (پیش فرض k=1 )، میتواند به طور صریح در ویرایشگر شیء تعریف شود. پیشبینی‌های متعلق به پیش از یک همسایه میتواند بر اساس فاصله آنها تا نمونه‌های آزمایشی، وزندار گردد.
    دو فرمول متفاوت برای تبدیل فاصله به وزن، پیاده سازی شده‌اند. تعداد نمونه‌های آموزشی که به وسیله رده بند نگهداری میشـود، میتواند با تنظـیم گزیـنه اندازه پنجره محدود گردد. زمانی که نـمونه‌های جدید اضافه میشوند، نمونه‌های قدیمی حذف شده تا تعداد کل نمونه‌های آموزشی در اندازه تعیین شده باقی بماند.
    ü Kstar یک روش نزدیکترین همسایه است که از تابع فاصلهای عمومی شده بر اساس تبدیلات استفاده میکند.
    ü LWL یک الگوریتم کلی برای یادگیری وزن دار شده به صورت محلی است. این الگوریتم با استفاده از یک روش بر پایه نمونه، وزنها را نسبت میدهد و از روی نمونه‌های وزندار شده، رده‌بند را میسازد. رده‌بند Nave Bayes، در ویرایشگر شیء LWL انتخاب میشود. برای مسایل رده بندی و رگرسیون خطی برای مسایل رگرسیون، انتخابهای خوبی هستند. میتوان در این الگوریتم، تعداد همسایه‌های مورد استفاده را که پهنای باند هسته و شکل هسته مورد استفاده برای وزن دار کردن را (خطی، معکوس، یا گوسی) مشخص میکند، تعیین نمود. نرمال سازی ویژگیها به طور پیش فرض فعال است.

الف- نحوه کار با پانل classify

تا اینجا به صورت تئوری الگوریتمهای رده‌بندی را معرفی کردیم. درادامه با یک مثال عملی نحوه کار با classifier ها را نشان میدهیم.

در این قسمت، بانک اطلاعاتی bank-data-final به عنوان فایل نمونه در نظر گرفته میشود. بعد از باز کردن فایل مورد نظر و با کلیک بر روی پانل classify، پنجرهای مطابق شکل 9 باز میشود.

 

شکل 9 . انتخاب پانل classify

با کلیک دگمه choose در پانل classifyمیتوان الگوریتم رده‌بندی مورد نظر را انتخاب نمود (شکل 10). دراین مثال، الگوریتم J48 را انتخاب میکنیم. زمانی که یک الگوریتم رده‌بندی انتخاب میشود، نسخه خط فرمانی (Command line) رده بند در سطری نزدیک به دگمه ظاهر میگردد. این خط فرمان شامل پارامترهای الگوریتم است که با خط تیره مشخص میشوند. برای تغییر آنها میتوان روی آن خط کلیک نمود تا ویرایشگر مناسب شیء باز شود (شکل11). در این مثال همان مقادیر پیشفرض را میپذیریم.


شکل 10. انتخاب الگوریتم ردهبندی

 

شکل 11. تنظیم پارامترهای الگوریتم رده بندی

باکلیک بر روی دکمه start مدل مورد نظر تولید میشود (شکل12).


شکل 12. مدل حاصل از اجرای الگوریتم رده بندی

با راست کلیک بر روی مجموعه جواب در پانل Result list در سمت چپ میتوان نتیجه را در پنجرهای جداگانه، و یا شکل گرافیکی درخت حاصل از رده بندی را مشاهده نمود. (شکل 13) توجه کنید که در شکل 13(ب) باراست کلیک برروی یک قسمت خالی ازصفحه میتوان نحوه نمایش درخت را به دلخواه تنظیم کرد.

 

شکل 13(الف)

 

شکل 13(ب). درخت حاصل از رده بندی

3-1-3 Cluster

فایل نمونه مورد استفاده در این قسمت bank-data.csv است که در مرحله preprocess فیلد id را از آن حذف میکنیم (شکل14).

 

شکل 14. بارگذاری فایل نمونه

میشود. بعد از باز کردن فایل مورد نظر و با کلیک بر روی پانل cluster پنجرهای مطابق شکل 15 باز میشود.

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

پروژه چهارشنبه 18 اردیبهشت 1398 ساعت 00:01

آموزش داده کاوی با وکا weka

    Home آموزش داده کاوی با وکا weka

آمورش داده کاوی

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

 
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.

 
 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
        ارزیابی 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 Ecli

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

pse

    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

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

        کلاس Zero

        کلاس REPTree
        کلاس SMOreg
        کلاس MultilayerPerceptron
    قوانین ارتباطی
        الگوریتم Apriori و کشف قوانین ارتباطی
    خوشه بندی
        الگوریتم EM و نحوه خوشه بندی

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

        دسته بندی کننده خوشه ای

        خوشه بندی افزایشی

انجام پروژه های داده کاوی با نرم افزار وکا (weka) توسط تی

azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
ده انجام پروژه های داده کاوی (data mining) شما با نرم افزار وکا می باشد.جهت سفارش پروژه با شماره و یا آیدی تلگرامی  میتوانید تماس حاصل کنید و سریعا کارتان رو سفارش دهید.

داده کاوی با نرم افزار وکا
معرفی نرم افزار وکا و کاربردهای آن :

میزکار Weka ، مجموع‌های از الگوریتمهای روز یادگیری ماشینی و ابزارهای پیش پردازش داده‌ها میباشد. این نرم‌افزار به گونه‌ای طراحی شده است که میتوان به سرعت، روشهای موجود را به صورت انعطافپذیری روی مجموعه‌های جدید داده، آزمایش نمود. این نرم‌افزار، پشتیبانی‌های ارزشمندی را برای کل فرآیند داده کاوی های تجربی فراهم میکند. این پشتیبانی‌ها، آماده سازی داده‌های ورودی، ارزیابی آماری چارچوبهای یادگیری و نمایش گرافیکی داده‌های ورودی و نتایج یادگیری را در بر میگیرند. همچنین، هماهنگ با دامنه وسیع الگوریتمهای یادگیری، این نرم‌افزار شامل ابزارهای متنوع پیش پردازش داده‌هاست. این جعبه ابزار متنوع و جامع، از طریق یک واسط متداول در دسترس است، به نحوی که کاربر میتواند روشهای متفاوت را در آن با یکدیگر مقایسه کند و روشهایی را که برای مسایل مدنظر مناسبتر هستند، تشخیص دهد.
زبان سازنده وکا:
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
این سیستم به زبان جاوا نوشته شده و بر اساس لیسانس عمومی و فراگیر GNU انتشار یافته است.Weka تقریباً روی هر پلت فرمی اجرا میشود و نیز تحت سیستم عاملهای لینوکس، ویندوز، و مکینتاش، و حتی روی یک منشی دیجیتالی شخصی، آزمایش شده است.

انجام پروژه داده کاوی
پروژه دانشجویی وکا (weka):

به دلیل اینکه اغلب پروژه هایی که با سایت ما مراجعه می شود دانشجویی است ما پروژه وکا را طوری انجام میدهیم که دانشجو پس از انجام پروژه خود بتوانید با توضیحات و آموزش هایی که به او می دهیم کار را یاد بگیرد.پروژه های دانشجویی خود را به ما بسپارید.
انجام پروژه های داده کاوی با وکا (weka):

گروه همیارپروژه با هدف انجام پروژه های داده کاوی در زمینه های دسته بندی (Classification)، خوشه بندی (Clustering)، پیش بینی (Prediction)، انتخاب ویژگی (Feature Selection) و قواعد انجمنی (Association Rules) با استفاده از روش ها و الگوریتم های مختلفی نظیر:
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
     شبکه های عصبی مصنوعی چند لایه پرسپترون
     شبکه های عصبی مصنوعی با تابع پایه شعاعی
    درختان تصمیم گیری طبقه بندی و رگرسیونی
    مدل های درختی
    ماشین های بردار حامی طبقه بندی و رگرسیونی
    سیستم استنباط بیزین
    الگوریتم های بوستینگ و بگینگ
    الگوریتم های اپریل
    تحلیل سری های زمانی
    الگوریتم ژنتیک
    الگوریتم یادگیری عمیق
    الگرویتم های ماشین بردار پشتیبانی(svm)
    الگوریتم رگرسون
    و بسیار الگرویتم های دیگر
     پروژه های دانشجویی داده کاوی با روش های

نمونه پروژه های داده کاوی با وکا (weka):
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
ا کنون ده ها پروژه داده کاوی با نرم افزار وکا انجام داده که برخی از آنها را در سایت جهت دانلود شما عزیزان قرار داده است.جهت مشاهده پروژه های وکا به لینک روبرو مراجعه نمایید:نمونه پروژه های وکا
نحوه سفارش پروژه وکا (weka):
جهت سفارش پروژه داده کاوی با نرم افزار وکا می توانید از طریق لینک زیراقدام نمایید :
سفارش پروژه

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

انجام پروژه های داده کاوی ، انجام پروژه داده کاوی با متلب توسط نخبگان متلب پروژه،انجام پروژه داده کاوی و d

انجام پروژه های داده کاوی
انجام پروژه های داده کاوی ، انجام پروژه داده کاوی با متلب توسط نخبگان متلب پروژه،انجام پروژه داده کاوی و dataminingبا نرم افزار متلب،R ،ریپدماینر،کلمنتاین با قیمت دانشجویی و در زمان کوتاه انجام میشود
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
در موراد فراوانی مشاهده است که دانشجویان در انجام پروژه های داده کاوی دچار مشکل هستند و به دنبال یک جایی مطمئن برای پروژه داده کاوی خود هستند

متلب پروژه آمادگی دارد انجام پروژه های داده کاوی ، پایان نامه داده کاوی و تمرینات داده کاوی را در تمامی مقاطع و در تمامی رشته ها بر عهده گرفته و با بالاترین کیفیت تحویل شما بدهد

پروژه یا پایان نامه داده کاوی خود را متلب پروژه ثبت کنید و با قیمت دانشجویی پروژه داده کاوی خود را دریافت کنید

انجام پروژه های داده کاوی با متلب :

با توجه به اینکه اکثر پروژه های داده کاوی با نرم افزار متلب matlab انجام میشود متلب پروژه آمادگی دارد پروژه های داده کاوی را با متلب انجام داده و با بالاترین کیفیت تحویل شما بدهد

مشاوران متلب پروژه از ابتدا تا انتهای پروژه داده کاوی در کنار شما خواهند بود و با ارائه گزارش شما را در رونئ انجام پروژه خود قرار خواهند داد

انجام پروژه داده کاوی با متلب ، پروژه داده کاوی با نرم افزار R  ، پروژه داده کاوی کلمنتاین ، پروژه داده کاوی رپیدماینر ، پروژه داده کاوی با minitab ، پروژه داده کاوی کامپیوتر

انجام پروژه های داده کاوی سازمانی :
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
متلب پروژه با تجربه چندین ساله آمادگی عقد قرارداد برای انجام پروژه های داده کاوی سازمانی را دارد

تمامی پروژه های داده کاوی سازمانی توسط برترین مجریان داده کاوی و datamining  انجام میشود

انجام پروژه های داده کاوی دانشجویی :

با توجه به اینکه شاخه داده کاوی یکی از مهمترین شاخه های رشته مهندسی کامپیوتر می باشد و اکثر دانشجویان این رشته به گرایش داده کاوی علاقه مند می باشند پروژه داده کاوی زیادی در رشته کامیپوتر برای دانشجویان تعریف میشود

داده کاوی چیست ؟
داده ها اغلب حجیم می باشند و به تنهایی قابل استفاده نیستند، بلکه دانش نهفته در داده ها قابل استفاده می باشد. بنابراین بهره گیری از قدرت فرآیند داده کاوی جهت شناسایی الگوها و مدلها و نیز ارتباط عناصر مختلف در پایگاه داده جهت کشف دانش نهفته در داده ها و نهایتا تبدیل داده به اطلاعات، روز به روز ضروری تر می شود. وظیفه ی داده کاوی، کاویدن و استخراج از منابع عظیم داده است تا اطلاعات گرانبهایی که در حجم انبوهی از اطلاعات سطحی پنهان شده است را استخراج کند.

«داده کاوی» ترجمه ی عبارت «Data Mining» و به معنای «کاویدن معادن داده» است.

فرآیند داده کاوی در استاندارد «کریسپ دی ام» در طول شش مرحله اجرا می شود.

در ابتدای فرایند داده کاوی، مشکلات شرکت یا سازمان شما پیدا خواهد شد و در پایان با کمک هوش مصنوعی، راهکارهایی برای حل آن مشکلات در اختیار شما قرار خواهد گرفت.
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
 

نحوه سفارش

برای انجام پروژه های داده کاوی , انجام پروژه داده کاوی خود میتوانید از طریق فرم ثبت سفارش که در پایین سایت قرار دارد اقدام نمایید یا میتوانید با شماره۰۹۱۰۸۳۹۱۳۸۹ تماس حاصل گرفته  و مشاوره رایگان دریافت کنید

قیمت انجام پروژه
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
پروژه همیشه سعی داشته است مناسب ترین قیمت را در ا انجام پروژه های داده کاوی , انجام پروژه داده کاوی داشته باشد تا بتواند رضایت دانشجویان درانجام پایان نامه داشته باشد

زمان انجام پروژه

زمان انجام پایان نامه با توجه به حجم سنگینی پروژه و زمان تعیین شده توسط دانشجو اعلام میشود ولی همیشه سعی شده است در مناسب زمان ممکن پروژه های داده کاوی , انجام پروژه داده کاوی تحویل دانشجو شود

کیفیت انجام پروژه
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
متلب پروژه با تجربه و تخصص بالا همیشه بالاترین کیقیت در انجام پروژه های داده کاوی , انجام پروژه داده کاوی با متلب داشته است با انتخاب گروه متخصص

خیال خود را از انجام پروژه داده کاوی خود آسوده خاطر کنید و با بالاترین کیفیت کار خود را دریافت کنید
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
 

انجام پروژه دانشجویی پردازش تصویر ،فازی، داده کاوی، شبیه ساز

انجام پروژه دانشجویی پردازش تصویر ،فازی، داده کاوی، شبیه ساز

azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
انجام پروژه دانشجویی پردازش تصویر ،فازی، داده کاوی، شبیه ساز

انجام کلیه پروژه های دانشجویی درسراسرایران
تحت تمامی زبانهای برنامه نویسی
انجام پایان نامه و پروپوزال های دانشجویی مقاطع تحصیلی کاردانی کارشناسی کارشناسی ارشددکترا و.... دانشگاه های
داخل و خارج از کشوررشته کامپیوترو فناوری اطلاعات و..
خدمات مشاوره ای:
مشاوره رایگان انتخاب موضوع پایان نامه
- انجام تمامی خدمات مربوط به تهیه پیشنهادیه پایان نامه
( proposal )
مشاوره و تدوین پایان نامه های مرتبط با رشته های فوق الذکرفناوری اطلاعات* کامپیوترو..
ارائه تمامی فصول مربوط به پایان نامه ، مطابق با جدول زمانبندی توافقی
مشاوره و طراحی پرسش نامه و انجام مصاحبه و تجزیه و تحلیل اطلاعات استخراجی با استفاده ازنرم افزارهای مرتبط
و در انتها ارائه مقاله ای علمی – پژوهشی برای ارائه نشریات معتبر داخلی (علمی-پژوهشی) و خارجی
(ISI)IEEE*نگارش، تدوین و ادیت مقاله های isi برای ارسال به ژورنال های معتبر با ایمپکت فاکتور بالا
رشته فناوری اطلاعات * گرایش تجارت* الکترونیک -*کارشناسی ارشد
SIMULINK, cloud storager و IMAGE PROCESSING و GENETIC ALGORITHM و NEURAL NETWORK* و FUZZY LOGIC
Steganalysis Facial expression Face recognition Texture segmentation Image retrieval Image segmentation Color Demosaicing ... Machine Vision: Object tracking( with all kind of methods) for various purposes Multiple Object Tracking Object Tracking with motion blur Blind motion blur deconvolution line based structure from motion Geometrical enhancemen
*webrecommendation
پروژه های محیط سیمولینک (Simulink)
پروژه های بازشناسی الگو (pattern recognition)
پروژه های کدنویسی مختلف

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

و پروژه های مرتبط با جعبه ابزارهای:

Aerospace• neural network*• symbolic math*• comminucation*• bioinformatic*• curve fitting*• control system*• econometric• database*• datafeed*• filter design*• image acqusition*• signal processing*• optimization*
انجام پروژه های برنامه نویسی دانشجوئی برای دروس دانشگاهی :
====================================
* مبانی کامپیوتر
* برنامه سازی پیشرفته
* سیستم های تجاری
* ساختمان داده
* طراحی الگوریتم
* ذخیره و بازیابی اطلاعات
* نظریه زبانها و ماشین ها
* هوش مصنوعی
* کامپایلر
* ریزپردازنده,vhdl,z80,… IVR ، 8051
* شبکه های کامپیوتری
* گرافیک کامپیوتری
* مهندسی نرم افزار
* پایگاه داده

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

*کارآفرینی

*کارآموزی
*مباحث ویژه
*معماری کامپیوتر
* سیستم عامل پیشرفته
*یادگیری ماشین
*پردازش موازی
*روش تحقیق
*سمینار
*پردازش سیگنال
*پردازش صوت
*شبیه سازی وبهینه سازی
* آزمایشگاه های (سیستم عامل ، ریزپردازنده ، مدار منطقی ، پایگاه داده)
لیست زبانهای برنامه نویسی تخصصی ما به شرح زیر می باشد:
====================================
VB.Net2005,2008.,2010
C#.Net2005,2008.,2010
ASP.Net2005,2008.,2010
++C
C
VB - Visual Basic 6.0
Pascal
DELPHI
Visual C++
Database: SQL Server
Access
php
Html
Java
J2EE
J2me
Assembly
Matlab
برنامه نویسی موبایل
NET. تحت (Pocket PC)
XML, AJAX, Java Script)
Oracle
Ns2
Opnet
……, گروه مهندسی پایتخت - انجام پروژه های دانشجویی شما با قیمتی مناسب


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

نجام پروژه های هوش مصنوعی در زمینه های: داده کاوی، یادگیری ماشین، پردازش تصویر و منطق فازی_

جام پروژه های هوش مصنوعی در زمینه های: داده کاوی، یادگیری ماشین، پردازش تصویر و منطق فازی__ نگارش مقالات تخصصی هوش مصنوعی و کامپیوتر با بالاترین کیفیت توسط کارشناسی ارشد هوش مصنوعی دارای مقالات چاپ شده در IEEE و Springer
انجام پروژه های داده کاوی
انجام پروژه های داده کاوی

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

انجام پروژه های داده کاوی با متلب

انجام پروژه های داده کاوی data mining با نرم افزار متلب ، R ، کلمنتاین ، وکا weka ، رپیدماینر ، spss توسط نخبگان متلب پروژه انجام میشود. برای سفارش انجام پروژه های داده کاوی  data miningبا شماره تماس بگیرید

در اکثر مواقع مشاهده میشود دانشجویان درانجام پروژه های داده کاوی data mining مشکل دارند و به دنبال یک جای مطمئن برای پروژه داده کاوی خود هستند

ه با بهره گیری برترین اساتید ایران آمادگی دارد انجام پروژه های داده کاوی  data miningرا در تمامی مقاطع و در تمامی رشته ها بر عهده گرفته و با بالاترین کیفیت تحویل شما بدهد
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
انجام پروژه های داده کاوی یکی دیگر از خدمات گروه متلب پروژه می باشد که با داشتن تجربه بالا در انجام پروژه ، پروژه های داده کاوی شما رو تضمین میکند
انجام پروژه های داده کاوی رشته مهندسی کامپیوتر
انجام پروژه های داده کاوی هوش مصنوعی
انجام پروژه های داده کاوی رشته مهندسی برق
انجام پروژه های داده کاوی دانشجویی
انجام پروژه های داده کاوی سازمانی

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