پروژه های متن کاوی

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

    پروژه های داده کاوی
    پروژه های متن کاوی
    پروژه های داده کاوی سلامت
    پروژه های شبکه های اجتماعی

تحلیل احساسات کاربران انگلیسی زبان درباره کشور آمریکا
تحلیل احساسات کاربران انگلیسی زبان درباره کشور آمریکا
تحلیل احساسات کاربران انگلیسی زبان درباره ایران
تحلیل احساسات کاربران انگلیسی زبان درباره ایران
تحلیل احساسات کاربران انگلیسی زبان درباره داعش
تحلیل احساسات کاربران انگلیسی زبان درباره داعش
تشخیص احساسات( نظرکاوی، عقیده کاوی) توییت های انگلیسی درباره ایران
تشخیص احساسات( نظرکاوی، عقیده کاوی) توییت های انگلیسی درباره ایران
تشخیص احساسات یا نظرکاوی کاربران انگلیسی زبان درباره دکتر روحانی
تشخیص احساسات یا نظرکاوی کاربران انگلیسی زبان درباره دکتر روحانی
تشخیص احساسات یا نظرکاوی کاربران انگلیسی زبان درباره رهبر ایران
تشخیص احساسات یا نظرکاوی کاربران انگلیسی زبان درباره رهبر ایران
تشخیص احساسات یا نظرکاوی کاربران انگلیسی زبان درباره ترامپ
تشخیص احساسات یا نظرکاوی کاربران انگلیسی زبان درباره ترامپ
تشخیص احساسات یا نظرکاوی کاربران انگلیسی زبان درباره کلینتون
تشخیص احساسات یا نظرکاوی کاربران انگلیسی زبان درباره کلینتون

نظرکاوی توییت های فارسی ایرانسل با استفاده از الگوریتم درخت تصمیم گیری
نظرکاوی توییت های فارسی ایرانسل با استفاده از الگوریتم درخت تصمیم گیری
تشخیص احساسات( نظرکاوی، عقیده کاوی) توییت های انگلیسی درباره ایران
تشخیص احساسات( نظرکاوی، عقیده کاوی) توییت های انگلیسی درباره ایران
تشخیص احساسات یا نظرکاوی کاربران انگلیسی زبان درباره دکتر روحانی
تشخیص احساسات یا نظرکاوی کاربران انگلیسی زبان درباره دکتر روحانی
تشخیص احساسات یا نظرکاوی کاربران انگلیسی زبان درباره رهبر ایران
تشخیص احساسات یا نظرکاوی کاربران انگلیسی زبان درباره رهبر ایران
تشخیص احساسات یا نظرکاوی کاربران انگلیسی زبان درباره ترامپ
تشخیص احساسات یا نظرکاوی کاربران انگلیسی زبان درباره ترامپ
تشخیص احساسات یا نظرکاوی کاربران انگلیسی زبان درباره کلینتون
تشخیص احساسات یا نظرکاوی کاربران انگلیسی زبان درباره کلینتون
تحلیل احساسات کاربران انگلیسی زبان درباره دکتر ظریف
تحلیل احساسات کاربران انگلیسی زبان درباره دکتر ظریف
نظرکاوی برروی توییت های فارسی درباره دیجی کالا با استفاده از الگوریتم ماشین یادگیری
نظرکاوی برروی توییت های فارسی درباره دیجی کالا با استفاده از الگوریتم ماشین یادگیری


azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
    پروژه های داده کاوی
    پروژه های متن کاوی
    پروژه های داده کاوی سلامت
    پروژه های شبکه های اجتماعی

نظرکاوی توییت های فارسی ایرانسل با استفاده از الگوریتم درخت تصمیم گیری
نظرکاوی توییت های فارسی ایرانسل با استفاده از الگوریتم درخت تصمیم گیری
تشخیص احساسات( نظرکاوی، عقیده کاوی) توییت های انگلیسی درباره ایران
تشخیص احساسات( نظرکاوی، عقیده کاوی) توییت های انگلیسی درباره ایران
تشخیص احساسات یا نظرکاوی کاربران انگلیسی زبان درباره دکتر روحانی
تشخیص احساسات یا نظرکاوی کاربران انگلیسی زبان درباره دکتر روحانی
تشخیص احساسات یا نظرکاوی کاربران انگلیسی زبان درباره رهبر ایران
تشخیص احساسات یا نظرکاوی کاربران انگلیسی زبان درباره رهبر ایران
تشخیص احساسات یا نظرکاوی کاربران انگلیسی زبان درباره ترامپ
تشخیص احساسات یا نظرکاوی کاربران انگلیسی زبان درباره ترامپ
تشخیص احساسات یا نظرکاوی کاربران انگلیسی زبان درباره کلینتون
تشخیص احساسات یا نظرکاوی کاربران انگلیسی زبان درباره کلینتون
تحلیل احساسات کاربران انگلیسی زبان درباره دکتر ظریف
تحلیل احساسات کاربران انگلیسی زبان درباره دکتر ظریف
نظرکاوی برروی توییت های فارسی درباره دیجی کالا با استفاده از الگوریتم ماشین یادگیری
نظرکاوی برروی توییت های فارسی درباره دیجی کالا با استفاده از الگوریتم ماشین یادگیری

پروژه پیش بینی بیماری دیابت بارداری با استفاده از الگوریتم نزدیک ترین همسایه
پروژه پیش بینی بیماری دیابت بارداری با استفاده از الگوریتم نزدیک ترین همسایه
پروژه پیش بینی بیماری دیابت بارداری با استفاده از الگوریتم ماشین بردار پشتیبان
پروژه پیش بینی بیماری دیابت بارداری با استفاده از الگوریتم ماشین بردار پشتیبان
پروژه پیش بینی بیماری دیابت بارداری با استفاده از الگوریتم نایوبیز
پروژه پیش بینی بیماری دیابت بارداری با استفاده از الگوریتم نایوبیز

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

پروژه پیش بینی بیماری دیابت بارداری با استفاده از الگوریتم درخت تصمیم گیری

پروژه پیش بینی بیماری دیابت بارداری با استفاده از الگوریتم درخت تصمیم گیری
پروژه پیش بینی بیماری دیابت بارداری با استفاده از الگوریتم شبکه عصبی
پروژه پیش بینی بیماری دیابت بارداری با استفاده از الگوریتم شبکه عصبی
تشخیص بیماری افسردگی با استفاده از الگوریتم شبکه عصبی
تشخیص بیماری افسردگی با استفاده از الگوریتم شبکه عصبی
تشخیص بیماری افسردگی با استفاده از الگوریتم درخت تصمیم گیری
تشخیص بیماری افسردگی با استفاده از الگوریتم درخت تصمیم گیری
تشخیص بیماری افسردگی با استفاده از الگوریتم نزدیک ترین همسایه
تشخیص بیماری افسردگی با استفاده از الگوریتم نزدیک ترین همسایه
پیش بینی بیماری افسردگی با استفاده از الگوریتم ماشین بردار پشتیبان
پیش بینی بیماری افسردگی با استفاده از الگوریتم ماشین بردار پشتیبان
تشخیص بیماری افسردگی با استفاده از الگوریتم نایوبایس
تشخیص بیماری افسردگی با استفاده از الگوریتم نایوبایس
دیتاهارت: مرجع مجموعه داده ها در تمامی رشته ها
دیتاهارت: مرجع مجموعه داده ها در تمامی رشته ها
پروژه آموزشی ایریس با الگوریتم ژنتیک و لجستیک رگرسیون
پروژه آموزشی ایریس با الگوریتم ژنتیک و لجستیک رگرسیون
پروژه آموزشی ایریس با الگوریتم ژنتیک و ماشین بردار پشتیبان
پروژه آموزشی ایریس با الگوریتم ژنتیک و ماشین بردار پشتیبان
پروژه آموزشی ایریس با الگوریتم ژنتیک و درخت تصمیم گیری
پروژه آموزشی ایریس با الگوریتم ژنتیک و درخت تصمیم گیری
پروژه آموزشی ایریس با الگوریتم ژنتیک و نایوبیز
پروژه آموزشی ایریس با الگوریتم ژنتیک و نایوبیز
استفاده از متن کاوی در تشخیص بد افزارها با استفاده از الگوریتم بردار پشتیبان
استفاده از متن کاوی در تشخیص بد افزارها با استفاده از الگوریتم بردار پشتیبان
استفاده از متن کاوی در تشخیص بد افزارها با استفاده از الگوریتم شبکه عصبی
استفاده از متن کاوی در تشخیص بد افزارها با استفاده از الگوریتم شبکه عصبی
استفاده از متن کاوی در تشخیص بد افزارها با استفاده از الگوریتم نایو بیز
استفاده از متن کاوی در تشخیص بد افزارها با استفاده از الگوریتم نایو بیز
استفاده از متن کاوی در تشخیص بد افزارها با استفاده از الگوریتم رگرسیون
استفاده از متن کاوی در تشخیص بد افزارها با استفاده از الگوریتم رگرسیون
تشخیص داده کاوی در پیش بینی شرایط گوناگون پوست انسان
تشخیص داده کاوی در پیش بینی شرایط گوناگون پوست انسان
داده کاوی در بازی پر فکر شطرنج با استفاده از الگوریتم درخت تصمیم گیری و شبکه عصبی
داده کاوی در بازی پر فکر شطرنج با استفاده از الگوریتم درخت تصمیم گیری و شبکه عصبی
تشخیص بیماری افسردگی با استفاده از الگوریتم ماشین بردار پشتیبان
تشخیص بیماری افسردگی با استفاده از الگوریتم ماشین بردار پشتیبان
پیش بینی درآمد سالانه هر فرد آمریکایی با استفاده از الگوریتم درخت تصمیم گیری و شبکه عصبی
پیش بینی درآمد سالانه هر فرد آمریکایی با استفاده از الگوریتم درخت تصمیم گیری و شبکه عصبی
پیش بینی درآمد سالانه هر فرد آمریکایی با استفاده از الگوریتم شبکه عصبی و نایوبیز

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

پیش بینی درآمد سالانه هر فرد آمریکایی با استفاده از الگوریتم شبکه عصبی و نایوبیز

پیش بینی درآمد سالانه هر فرد آمریکایی با استفاده از الگوریتم ماشین بردار پشتیبان و شبکه عصبی
پیش بینی درآمد سالانه هر فرد آمریکایی با استفاده از الگوریتم ماشین بردار پشتیبان و شبکه ...
پیش بینی درآمد سالانه هر فرد آمریکایی با استفاده از الگوریتم نایوبیز و درخت تصمیم گیری
پیش بینی درآمد سالانه هر فرد آمریکایی با استفاده از الگوریتم نایوبیز و درخت تصمیم گیری
پیش بینی درآمد سالانه هر فرد آمریکایی با استفاده از الگوریتم نایوبیز و ماشین بردار پشتیبان
پیش بینی درآمد سالانه هر فرد آمریکایی با استفاده از الگوریتم نایوبیز و ماشین بردار پشتیبان
پیش بینی درآمد سالانه هر فرد آمریکایی با استفاده از الگوریتم شبکه عصبی
پیش بینی درآمد سالانه هر فرد آمریکایی با استفاده از الگوریتم شبکه عصبی
پیش بینی درآمد سالانه هر فرد آمریکایی با استفاده از الگوریتم ماشین بردار پشتیبان
پیش بینی درآمد سالانه هر فرد آمریکایی با استفاده از الگوریتم ماشین بردار پشتیبان
پیش بینی درآمد سالانه هر فرد آمریکایی با استفاده از الگوریتم درخت تصمیم گیری
پیش بینی درآمد سالانه هر فرد آمریکایی با استفاده از الگوریتم درخت تصمیم گیری
پیش بینی درآمد سالانه هر فرد آمریکایی با استفاده از الگوریتم نایوبیز
پیش بینی درآمد سالانه هر فرد آمریکایی با استفاده از الگوریتم نایوبیز
داده کاوی در تشخیص بیماری سرطان پستان با استفاده از الگوریتم درخت تصمیم گیری و بردار پشتیبان
داده کاوی در تشخیص بیماری سرطان پستان با استفاده از الگوریتم درخت تصمیم گیری و بردار پشت ...
داده کاوی در تشخیص بیماری سرطان پستان با استفاده از الگوریتم درخت تصمیم گیری و رگرسیون
داده کاوی در تشخیص بیماری سرطان پستان با استفاده از الگوریتم درخت تصمیم گیری و رگرسیون
داده کاوی در تشخیص بیماری سرطان پستان با استفاده از الگوریتم درخت تصمیم گیری و شبکه عصبی
داده کاوی در تشخیص بیماری سرطان پستان با استفاده از الگوریتم درخت تصمیم گیری و شبکه عصبی
داده کاوی در تشخیص بیماری سرطان پستان با استفاده از الگوریتم درخت تصمیم گیری و نزدیکترین همسایه
داده کاوی در تشخیص بیماری سرطان پستان با استفاده از الگوریتم درخت تصمیم گیری و نزدیکترین ...
داده کاوی در تشخیص بیماری سرطان پستان با استفاده از الگوریتم بردار پشتیبان
داده کاوی در تشخیص بیماری سرطان پستان با استفاده از الگوریتم بردار پشتیبان
داده کاوی در تشخیص بیماری سرطان پستان با استفاده از الگوریتم رگرسیون
داده کاوی در تشخیص بیماری سرطان پستان با استفاده از الگوریتم رگرسیون
استفاده از داده کاوی برای تشخیص بیماری کبد با استفاده از الگوریتم جنگل تصادفی و شبکه عصبی
استفاده از داده کاوی برای تشخیص بیماری کبد با استفاده از الگوریتم جنگل تصادفی و شبکه عصبی
داده کاوی در تشخیص بیماری سرطان پستان با استفاده از الگوریتم نزدیکترین همسایه
داده کاوی در تشخیص بیماری سرطان پستان با استفاده از الگوریتم نزدیکترین همسایه
استفاده از داده کاوی برای تشخیص بیماری کبد با استفاده از الگوریتم درخت تصمیم و ماشین بردار پشتیبان
استفاده از داده کاوی برای تشخیص بیماری کبد با استفاده از الگوریتم درخت تصمیم و ماشین برد ...
تشخیص بیماری سرطان پستان با استفاده از الگوریتم درخت تصمیم گیری
تشخیص بیماری سرطان پستان با استفاده از الگوریتم درخت تصمیم گیری
استفاده از داده کاوی برای تشخیص بیماری کبد با استفاده از الگوریتم نایوبیز و ماشین بردار پشتیبان
استفاده از داده کاوی برای تشخیص بیماری کبد با استفاده از الگوریتم نایوبیز و ماشین بردار ...
استفاده از داده کاوی برای تشخیص بیماری کبد با استفاده از الگوریتم جنگل تصادفی
استفاده از داده کاوی برای تشخیص بیماری کبد با استفاده از الگوریتم جنگل تصادفی
استفاده از داده کاوی برای تشخیص بیماری کبد با استفاده از الگوریتم شبکه عصبی
استفاده از داده کاوی برای تشخیص بیماری کبد با استفاده از الگوریتم شبکه عصبی
تحلیل احساسات کاربران انگلیسی زبان درباره شبکه اجتماعی فیس بوک
تحلیل احساسات کاربران انگلیسی زبان درباره شبکه اجتماعی فیس بوک
تحلیل احساسات کاربران انگلیسی زبان درباره برند اپل
تحلیل احساسات کاربران انگلیسی زبان درباره برند اپل
تحلیل احساسات کاربران انگلیسی زبان درباره برند سامسونگ
تحلیل احساسات کاربران انگلیسی زبان درباره برند سامسونگ
تحلیل احساسات کاربران انگلیسی زبان درباره برند گوگل
تحلیل احساسات کاربران انگلیسی زبان درباره برند گوگل
بررسی داده کاوانه حوزه خودرو با استفاده الگوریتم درخت تصمیم گیری و رگرسیون
بررسی داده کاوانه حوزه خودرو با استفاده الگوریتم درخت تصمیم گیری و رگرسیون
بررسی داده کاوانه حوزه خودرو با استفاده از الگوریتم درخت تصمیم گیری و شبکه عصبی
بررسی داده کاوانه حوزه خودرو با استفاده از الگوریتم درخت تصمیم گیری و شبکه عصبی
بررسی داده کاوانه حوزه خودرو با استفاده از الگوریتم درخت تصمیم گیری و بردار پشتیبان
بررسی داده کاوانه حوزه خودرو با استفاده از الگوریتم درخت تصمیم گیری و بردار پشتیبان
بررسی داده کاوانه حوزه خودرو با استفاده از الگوریتم نایو بایس
بررسی داده کاوانه حوزه خودرو با استفاده از الگوریتم نایو بایس
بررسی داده کاوانه حوزه خودرو با استفاده از الگوریتم رگرسیون
بررسی داده کاوانه حوزه خودرو با استفاده از الگوریتم رگرسیون
بررسی داده کاوانه حوزه خودرو با استفاده از الگوریتم بردار پشتیبان
بررسی داده کاوانه حوزه خودرو با استفاده از الگوریتم بردار پشتیبان
بررسی داده کاوانه حوزه خودرو با استفاده از الگوریتم شبکه عصبی
بررسی داده کاوانه حوزه خودرو با استفاده از الگوریتم شبکه عصبی
داده کاوی در صنعت خودرو با استفاده از الگوریتم درخت تصمیم گیری
داده کاوی در صنعت خودرو با استفاده از الگوریتم درخت تصمیم گیری

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

تشخیص بیماری کلیه با استفاده از الگوریتم نایو بایس و درخت تصمیم گیری

تشخیص بیماری کلیه با استفاده از الگوریتم نایو بایس و درخت تصمیم گیری
تشخیص بیماری کلیه با استفاده از الگوریتم شبکه عصبی و درخت تصمیم گیری
تشخیص بیماری کلیه با استفاده از الگوریتم شبکه عصبی و درخت تصمیم گیری
تشخیص بیماری کلیه با استفاده از الگوریتم رگرسیون و درخت تصمیم گیری
تشخیص بیماری کلیه با استفاده از الگوریتم رگرسیون و درخت تصمیم گیری
تشخیص بیماری کلیه با استفاده از الگوریتم رگرسیون
تشخیص بیماری کلیه با استفاده از الگوریتم رگرسیون
تشخیص بیماری کلیه با استفاده ازالگوریتم نایو بایس
تشخیص بیماری کلیه با استفاده ازالگوریتم نایو بایس
تشخیص بیماری کلیه با استفاده از الگوریتم شبکه عصبی
تشخیص بیماری کلیه با استفاده از الگوریتم شبکه عصبی
تشخیص بیماری کلیه با استفاده از الگوریتم بردار پشتیبان
تشخیص بیماری کلیه با استفاده از الگوریتم بردار پشتیبان
تشخیص بیماری کلیه با استفاده از الگوریتم درخت تصمیم گیری
تشخیص بیماری کلیه با استفاده از الگوریتم درخت تصمیم گیری
تشخیص وضعیت جنین با استفاده از ابگوریتم بردار پشتیبان و درخت تصمیم گیری
تشخیص وضعیت جنین با استفاده از ابگوریتم بردار پشتیبان و درخت تصمیم گیری
تشخیص وضعیت جنین با استفاده از الگوریتم رگرسیون و درخت تصمیم گیری
تشخیص وضعیت جنین با استفاده از الگوریتم رگرسیون و درخت تصمیم گیری
تشخیص وضعیت جنین با استفاده از الگوریتم رگرسیون
تشخیص وضعیت جنین با استفاده از الگوریتم رگرسیون
تشخیص وضعیت جنین با استفاده از الگوریتم نایو بایس
تشخیص وضعیت جنین با استفاده از الگوریتم نایو بایس
تشخیص وضعیت جنین با استفاده از الگوریتم بردار پشتیبان
تشخیص وضعیت جنین با استفاده از الگوریتم بردار پشتیبان
تحلیل احساسات کاربران انگلیسی زبان درباره ترکیه
تحلیل احساسات کاربران انگلیسی زبان درباره ترکیه
تحلیل احساسات کاربران انگلیسی زبان درباره کشور آمریکا
تحلیل احساسات کاربران انگلیسی زبان درباره کشور آمریکا
تحلیل احساسات کاربران انگلیسی زبان درباره ایران
تحلیل احساسات کاربران انگلیسی زبان درباره ایران
تحلیل احساسات کاربران انگلیسی زبان درباره داعش
تحلیل احساسات کاربران انگلیسی زبان درباره داعش
تشخیص بیماری دیابت با استفاده از الگوریتم داده کاوی جنگل تصادفی
تشخیص بیماری دیابت با استفاده از الگوریتم داده کاوی جنگل تصادفی
تشخیص بیماری دیابت با استفاده از الگوریتم داده کاوی رگرسیون
تشخیص بیماری دیابت با استفاده از الگوریتم داده کاوی رگرسیون
تشخیص بیماری دیابت با استفاده از الگوریتم داده کاوی شبکه عصبی
تشخیص بیماری دیابت با استفاده از الگوریتم داده کاوی شبکه عصبی
تشخیص بیماری دیابت با استفاده از الگوریتم داده کاوی ماشین بردار پشتیبان
تشخیص بیماری دیابت با استفاده از الگوریتم داده کاوی ماشین بردار پشتیبان

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

تشخیص بیماری دیابت با استفاده از الگوریتم داده کاوی درخت تصمیم گیری

تشخیص بیماری دیابت با استفاده از الگوریتم داده کاوی درخت تصمیم گیری
تشخیص بیماری دیابت با استفاده از الگوریتم داده کاوی نایوبیز
تشخیص بیماری دیابت با استفاده از الگوریتم داده کاوی نایوبیز
طبقه بندی متون فارسی با استفاده از الگوریتم های ماشین یادگیری
طبقه بندی متون فارسی با استفاده از الگوریتم های ماشین یادگیری
طبقه بندی متون فارسی با استفاده از الگوریتم درخت تصمیم گیری
طبقه بندی متون فارسی با استفاده از الگوریتم درخت تصمیم گیری
طبقه بندی متون فارسی با استفاده از الگوریتم شبکه عصبی
طبقه بندی متون فارسی با استفاده از الگوریتم شبکه عصبی
طبقه بندی متون فارسی با استفاده از الگوریتم ماشین بردار پشتیبان
طبقه بندی متون فارسی با استفاده از الگوریتم ماشین بردار پشتیبان
طبقه بندی متون خبری فارسی با استفاده از الگوریتم نایوبیز
طبقه بندی متون خبری فارسی با استفاده از الگوریتم نایوبیز
مدل تشخیص جنسیت صاحب وبلاگ با استفاده از الگوریتم های ماشین یادگیری
مدل تشخیص جنسیت صاحب وبلاگ با استفاده از الگوریتم های ماشین یادگیری
مدل تشخیص جنسیت صاحب وبلاگ با استفاده از الگوریتم درخت تصمیم گیری
مدل تشخیص جنسیت صاحب وبلاگ با استفاده از الگوریتم درخت تصمیم گیری
مدل تشخیص جنسیت صاحب وبلاگ با استفاده از الگوریتم شبکه عصبی
مدل تشخیص جنسیت صاحب وبلاگ با استفاده از الگوریتم شبکه عصبی
مدل تشخیص جنسیت صاحب وبلاگ با استفاده از الگوریتم ماشین بردار پشتیبان
مدل تشخیص جنسیت صاحب وبلاگ با استفاده از الگوریتم ماشین بردار پشتیبان
مدل تشخیص جنسیت صاحب وبلاگ با استفاده از الگوریتم نایوبیز
مدل تشخیص جنسیت صاحب وبلاگ با استفاده از الگوریتم نایوبیز
پروژه آموزش خوشه بندی با استفاده از الگوریتم k-meoids و مجموعه داده ایریس
پروژه آموزش خوشه بندی با استفاده از الگوریتم k-meoids و مجموعه داده ایریس
پروژه آموزش خوشه بندی با استفاده از الگوریتم k-means و مجموعه داده ایریس
پروژه آموزش خوشه بندی با استفاده از الگوریتم k-means و مجموعه داده ایریس
طبقه بندی مشتری هدف دریک موسسه بانکی با روش های طبقه بندی شبکه عصبی
طبقه بندی مشتری هدف دریک موسسه بانکی با روش های طبقه بندی شبکه عصبی
متن کاوی فارسی برروی توییت ها با استفاده الگوریتم نزدیک ترین همسایه
متن کاوی فارسی برروی توییت ها با استفاده الگوریتم نزدیک ترین همسایه
متن‌کاوی فارسی بر روی توییت های فارسی با استفاده از الگوریتم‌ رگرسیون
متن‌کاوی فارسی بر روی توییت های فارسی با استفاده از الگوریتم‌ رگرسیون
متن کاوی فارسی بر روی توییت های فارسی با استفاده از الگوریتم درخت تصمیم گیری
متن کاوی فارسی بر روی توییت های فارسی با استفاده از الگوریتم درخت تصمیم گیری
پروژه آموزشی ایریس با الگوریتم بردار پشتیبان
پروژه آموزشی ایریس با الگوریتم بردار پشتیبان
تشخیص اتوماتیک زبان متن با استفاده از الگوریتم بردار پشتیبان
تشخیص اتوماتیک زبان متن با استفاده از الگوریتم بردار پشتیبان
تشخیص اتوماتیک زبان متن با استفاده از الگوریتم شبکه عصبی
تشخیص اتوماتیک زبان متن با استفاده از الگوریتم شبکه عصبی
تشخیص اتوماتیک زبان متن با استفاده از الگوریتم درخت تصمیم گیری
تشخیص اتوماتیک زبان متن با استفاده از الگوریتم درخت تصمیم گیری
تشخیص اتوماتیک زبان متن با استفاده از الگوریتم نایوبیز
تشخیص اتوماتیک زبان متن با استفاده از الگوریتم نایوبیز
تشخیص اتوماتیک زبان متن با استفاده از الگوریتم های ماشین یادگیری
تشخیص اتوماتیک زبان متن با استفاده از الگوریتم های ماشین یادگیری
نظرکاوی فارسی بر روی نظرات فیلم با استفاده از الگوریتم های ماشین یادگیری
نظرکاوی فارسی بر روی نظرات فیلم با استفاده از الگوریتم های ماشین یادگیری
نظرکاوی فارسی بر روی نظرات فیلم با استفاده از الگوریتم درخت تصمیم گیری
نظرکاوی فارسی بر روی نظرات فیلم با استفاده از الگوریتم درخت تصمیم گیری
نظرکاوی فارسی بر روی نظرات فیلم با استفاده از الگوریتم شبکه عصبی
نظرکاوی فارسی بر روی نظرات فیلم با استفاده از الگوریتم شبکه عصبی
نظرکاوی فارسی بر روی نظرات فیلم با استفاده از الگوریتم نایوبیز
نظرکاوی فارسی بر روی نظرات فیلم با استفاده از الگوریتم نایوبیز
نظرکاوی فارسی بر روی نظرات فیلم با استفاده از الگوریتم های بردار پشتیبان
نظرکاوی فارسی بر روی نظرات فیلم با استفاده از الگوریتم های بردار پشتیبان
نظرکاوی برروی توییت های عربی با استفاده از ماشین بردار پشتیبان
نظرکاوی برروی توییت های عربی با استفاده از ماشین بردار پشتیبان
نظرکاوی برروی توییت های عربی با استفاده از نایوبیز
نظرکاوی برروی توییت های عربی با استفاده از نایوبیز
نظرکاوی برروی توییت های عربی با استفاده از شبکه عصبی
نظرکاوی برروی توییت های عربی با استفاده از شبکه عصبی
نظرکاوی برروی توییت های عربی با استفاده از درخت تصمیم گیری
نظرکاوی برروی توییت های عربی با استفاده از درخت تصمیم گیری
نظرکاوی برروی توییت های عربی با استفاده از الگوریتم های ماشین یادگیری

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

نظرکاوی برروی توییت های عربی با استفاده از الگوریتم های ماشین یادگیری

استفاده از الگوریتم های ماشین یادگیری برای طبقه بندی حیوانات
استفاده از الگوریتم های ماشین یادگیری برای طبقه بندی حیوانات
استفاده از الگوریتم نایوبیز برای طبقه بندی حیوانات
استفاده از الگوریتم نایوبیز برای طبقه بندی حیوانات
استفاده از الگوریتم درخت تصمیم گیری برای طبقه بندی حیوانات
استفاده از الگوریتم درخت تصمیم گیری برای طبقه بندی حیوانات
استفاده از الگوریتم شبکه عصبی برای طبقه بندی حیوانات
استفاده از الگوریتم شبکه عصبی برای طبقه بندی حیوانات
استفاده از الگوریتم ماشین بردار پشتیبان برای طبقه بندی حیوانات
استفاده از الگوریتم ماشین بردار پشتیبان برای طبقه بندی حیوانات
تشخیص اسپم در ایمیل های فارسی با استفاده از الگوریتم های ماشین یادگیری
تشخیص اسپم در ایمیل های فارسی با استفاده از الگوریتم های ماشین یادگیری
تشخیص اسپم در ایمیل های فارسی با استفاده از الگوریتم شبکه عصبی
تشخیص اسپم در ایمیل های فارسی با استفاده از الگوریتم شبکه عصبی
تشخیص اسپم در ایمیل های فارسی با استفاده از الگوریتم درخت تصمیم گیری
تشخیص اسپم در ایمیل های فارسی با استفاده از الگوریتم درخت تصمیم گیری
تشخیص اسپم در ایمیل های فارسی با استفاده از الگوریتم نایو بیز
تشخیص اسپم در ایمیل های فارسی با استفاده از الگوریتم نایو بیز
تشخیص اسپم در ایمیل های فارسی با استفاده از الگوریتم ماشین بردار پشتیبان
تشخیص اسپم در ایمیل های فارسی با استفاده از الگوریتم ماشین بردار پشتیبان
خوشه بندی مشتریان یک فروشگاه براساس مدل RFM با روش های کامینز و کامدیود و ارزیابی آنها
خوشه بندی مشتریان یک فروشگاه براساس مدل RFM با روش های کامینز و کامدیود و ارزیابی آنها
طبقه بندی مشتری هدف دریک موسسه بانکی با استفاده از شبکه عصبی
طبقه بندی مشتری هدف دریک موسسه بانکی با استفاده از شبکه عصبی
طبقه بندی مشتری هدف دریک موسسه بانکی با الگوریتم طبقه بندی ماشین بردار پشتیبان
طبقه بندی مشتری هدف دریک موسسه بانکی با الگوریتم طبقه بندی ماشین بردار پشتیبان
طبقه بندی مشتری هدف دریک موسسه بانکی با الگوریتم طبقه بندی بیز ساده
طبقه بندی مشتری هدف دریک موسسه بانکی با الگوریتم طبقه بندی بیز ساده
طبقه بندی مشتری هدف دریک موسسه بانکی با الگوریتم طبقه بندی درخت تصمیم گیری
طبقه بندی مشتری هدف دریک موسسه بانکی با الگوریتم طبقه بندی درخت تصمیم گیری
پیش بینی تقلب پرونده های بیمه با استفاده از درخت تصمیم گیری
پیش بینی تقلب پرونده های بیمه با استفاده از درخت تصمیم گیری
خوشه بندی مشتریان بیمه
خوشه بندی مشتریان بیمه
پیش بینی ریسک مشتریان یک بانک با استفاده از روش های داده کاوی
پیش بینی ریسک مشتریان یک بانک با استفاده از روش های داده کاوی
پیش پردازش خوشه بندی، طبقه بندی و تحلیل قواعد وابستگی(داده کاوی)بر روی اطلاعات مراجعین بیمارستان
پیش پردازش خوشه بندی، طبقه بندی و تحلیل قواعد وابستگی(داده کاوی)بر روی اطلاعات مراجعین ب ...
داده کاوی در بیماران قلبی با استفاده از الگوریتم ماشین بردار پشتیبان و نایو بیز
داده کاوی در بیماران قلبی با استفاده از الگوریتم ماشین بردار پشتیبان و نایو بیز
متن کاوی فارسی با استفاده از الگوریتم درخت تصمیم گیری
متن کاوی فارسی با استفاده از الگوریتم درخت تصمیم گیری
نظرکاوی(عقیده کاوی) بر روی توییت های فارسی دیجی کالا با دو الگوریتم
نظرکاوی(عقیده کاوی) بر روی توییت های فارسی دیجی کالا با دو الگوریتم
داده کاوی درتشخیص بیماری تیروئید با استفاده از الگوریتم بردار پشتیبان
داده کاوی درتشخیص بیماری تیروئید با استفاده از الگوریتم بردار پشتیبان
داده کاوی درتشخیص بیماری تیروئید با استفاده از الگوریتم رگرسیون
داده کاوی درتشخیص بیماری تیروئید با استفاده از الگوریتم رگرسیون
نظرکاوی توییت های فارسی ایرانسل با استفاده از الگوریتم شبکه عصبی
نظرکاوی توییت های فارسی ایرانسل با استفاده از الگوریتم شبکه عصبی
نظرکاوی توییت های فارسی ایرانسل با استفاده از الگوریتم نزدیک ترین همسایه
نظرکاوی توییت های فارسی ایرانسل با استفاده از الگوریتم نزدیک ترین همسایه
نظرکاوی(عقیده کاوی) بر روی توییت های فارسی دیجی کالا با الگوریتم نایوبایس
نظرکاوی(عقیده کاوی) بر روی توییت های فارسی دیجی کالا با الگوریتم نایوبایس
نظرکاوی(عقیده کاوی) بر روی توییت های فارسی دیجی کالا با الگوریتم ماشین بردار پشتیبان
نظرکاوی(عقیده کاوی) بر روی توییت های فارسی دیجی کالا با الگوریتم ماشین بردار پشتیبان
تشخیص احساسات( نظرکاوی، عقیده کاوی) توییت های انگلیسی درباره ایران
تشخیص احساسات( نظرکاوی، عقیده کاوی) توییت های انگلیسی درباره ایران

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

تشخیص احساسات یا نظرکاوی کاربران انگلیسی زبان درباره دکتر روحانی

تشخیص احساسات یا نظرکاوی کاربران انگلیسی زبان درباره دکتر روحانی
تشخیص احساسات یا نظرکاوی کاربران انگلیسی زبان درباره رهبر ایران
تشخیص احساسات یا نظرکاوی کاربران انگلیسی زبان درباره رهبر ایران
تشخیص احساسات یا نظرکاوی کاربران انگلیسی زبان درباره ترامپ
تشخیص احساسات یا نظرکاوی کاربران انگلیسی زبان درباره ترامپ
تشخیص احساسات یا نظرکاوی کاربران انگلیسی زبان درباره کلینتون
تشخیص احساسات یا نظرکاوی کاربران انگلیسی زبان درباره کلینتون
تشخیص اسپم در پیامک های موبایل با استفاده از الگوریتم نایوبایس( انگلیسی)
تشخیص اسپم در پیامک های موبایل با استفاده از الگوریتم نایوبایس( انگلیسی)
تشخیص اسپم در پیامک های موبایل با استفاده از الگوریتم بردار پشتیبان ( انگلیسی)
تشخیص اسپم در پیامک های موبایل با استفاده از الگوریتم بردار پشتیبان ( انگلیسی)
نظرکاوی(عقیده کاوی) بر روی توییت های فارسی دیجی کالا با الگوریتم رگرسیون
نظرکاوی(عقیده کاوی) بر روی توییت های فارسی دیجی کالا با الگوریتم رگرسیون
تحلیل احساسات کاربران انگلیسی زبان درباره دکتر ظریف
تحلیل احساسات کاربران انگلیسی زبان درباره دکتر ظریف
داده کاوی در تشخیص بیماران قلبی با استفاده از الگوریتم نزدیکترین همسایه
داده کاوی در تشخیص بیماران قلبی با استفاده از الگوریتم نزدیکترین همسایه
متن کاوی فارسی با استفاده از الگوریتم ماشین یادگیری
متن کاوی فارسی با استفاده از الگوریتم ماشین یادگیری
داده کاوی در تشخیص بیماران قلبی با استفاده از الگوریتم نایوبایس
داده کاوی در تشخیص بیماران قلبی با استفاده از الگوریتم نایوبایس
تشخیص اسپم در پیامک های موبایل با استفاده از الگوریتم شبکه عصبی( انگلیسی)
تشخیص اسپم در پیامک های موبایل با استفاده از الگوریتم شبکه عصبی( انگلیسی)
تشخیص اسپم در پیامک های موبایل با استفاده از الگوریتم درخت تصمیم گیری ( انگلیسی)
تشخیص اسپم در پیامک های موبایل با استفاده از الگوریتم درخت تصمیم گیری ( انگلیسی)
کاربرد داده کاوی درتشخیص بیماری تیروئید با استفاده از الگوریتم درخت تصمیم گیری
کاربرد داده کاوی درتشخیص بیماری تیروئید با استفاده از الگوریتم درخت تصمیم گیری
کاربرد داده کاوی درتشخیص بیماری تیروئید با استفاده از الگوریتم نزدیکترین همسایه
کاربرد داده کاوی درتشخیص بیماری تیروئید با استفاده از الگوریتم نزدیکترین همسایه
متن کاوی برروی توییت های فارسی با استفاده از الگوریتم ماشین یادگیری شبکه عصبی
متن کاوی برروی توییت های فارسی با استفاده از الگوریتم ماشین یادگیری شبکه عصبی
داده کاوی در بیماری های قلبی با استفاده از الگوریتم ماشین بردار پشتیبان
داده کاوی در بیماری های قلبی با استفاده از الگوریتم ماشین بردار پشتیبان
تشخیص اسپم در پیامک های موبایل با استفاده از الگوریتم همسایه(انگلیسی)
تشخیص اسپم در پیامک های موبایل با استفاده از الگوریتم همسایه(انگلیسی)
داده کاوی در بیماری های قلبی با استفاده از الگوریتم درخت تصمیم گیری
داده کاوی در بیماری های قلبی با استفاده از الگوریتم درخت تصمیم گیری

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

تشخیص اسپم در پیامک های موبایل با استفاده از الگوریتم رگرسیون(انگلیسی)

تشخیص اسپم در پیامک های موبایل با استفاده از الگوریتم رگرسیون(انگلیسی)
نظرکاوی برروی توییت های فارسی درباره دیجی کالا با استفاده از الگوریتم ماشین یادگیری
نظرکاوی برروی توییت های فارسی درباره دیجی کالا با استفاده از الگوریتم ماشین یادگیری
مدل سازی ریسک مشتریان کارت اعتباری با استفاده از الگوریتم ماشین بردار پشتیبان
مدل سازی ریسک مشتریان کارت اعتباری با استفاده از الگوریتم ماشین بردار پشتیبان

تشخیص داده کاوی در پیش بینی شرایط گوناگون پوست انسان
تشخیص داده کاوی در پیش بینی شرایط گوناگون پوست انسان
استفاده از داده کاوی برای تشخیص بیماری کبد با استفاده از الگوریتم درخت تصمیم و جنگل تصادفی
استفاده از داده کاوی برای تشخیص بیماری کبد با استفاده از الگوریتم درخت تصمیم و جنگل تصادفی
استفاده از داده کاوی برای تشخیص بیماری کبد با استفاده از الگوریتم جنگل تصادفی و شبکه عصبی
استفاده از داده کاوی برای تشخیص بیماری کبد با استفاده از الگوریتم جنگل تصادفی و شبکه عصبی
استفاده از داده کاوی برای تشخیص بیماری کبد با استفاده از الگوریتم درخت تصمیم و ماشین بردار پشتیبان
استفاده از داده کاوی برای تشخیص بیماری کبد با استفاده از الگوریتم درخت تصمیم و ماشین برد ...
استفاده از داده کاوی برای تشخیص بیماری کبد با استفاده از الگوریتم شبکه عصبی و ماشین بردار پشتیبان
استفاده از داده کاوی برای تشخیص بیماری کبد با استفاده از الگوریتم شبکه عصبی و ماشین بردا ...
استفاده از داده کاوی برای تشخیص بیماری کبد با استفاده از الگوریتم نایوبیز و ماشین بردار پشتیبان
استفاده از داده کاوی برای تشخیص بیماری کبد با استفاده از الگوریتم نایوبیز و ماشین بردار ...
استفاده از داده کاوی برای تشخیص بیماری کبد با استفاده از الگوریتم جنگل تصادفی
استفاده از داده کاوی برای تشخیص بیماری کبد با استفاده از الگوریتم جنگل تصادفی
استفاده از داده کاوی برای تشخیص بیماری کبد با استفاده از الگوریتم شبکه عصبی
استفاده از داده کاوی برای تشخیص بیماری کبد با استفاده از الگوریتم شبکه عصبی
استفاده از داده کاوی برای تشخیص بیماری کبد با استفاده از الگوریتم درخت تصمیم گیری CART
استفاده از داده کاوی برای تشخیص بیماری کبد با استفاده از الگوریتم درخت تصمیم گیری CART
استفاده از داده کاوی برای تشخیص بیماری کبد با استفاده از الگوریتم درخت تصمیم گیری C4.5
استفاده از داده کاوی برای تشخیص بیماری کبد با استفاده از الگوریتم درخت تصمیم گیری C4.5
استفاده از داده کاوی برای تشخیص بیماری کبد با استفاده از الگوریتم ماشین بردارپشتیبان
استفاده از داده کاوی برای تشخیص بیماری کبد با استفاده از الگوریتم ماشین بردارپشتیبان
تشخیص بیماری کلیه با استفاده از الگوریتم نایو بایس و درخت تصمیم گیری
تشخیص بیماری کلیه با استفاده از الگوریتم نایو بایس و درخت تصمیم گیری
تشخیص بیماری کلیه با استفاده از الگوریتم بردار پشتیبان و درخت تصمیم گیری
تشخیص بیماری کلیه با استفاده از الگوریتم بردار پشتیبان و درخت تصمیم گیری
تشخیص بیماری کلیه با استفاده از الگوریتم شبکه عصبی و درخت تصمیم گیری
تشخیص بیماری کلیه با استفاده از الگوریتم شبکه عصبی و درخت تصمیم گیری
تشخیص بیماری کلیه با استفاده از الگوریتم رگرسیون و درخت تصمیم گیری
تشخیص بیماری کلیه با استفاده از الگوریتم رگرسیون و درخت تصمیم گیری
تشخیص بیماری کلیه با استفاده از الگوریتم رگرسیون
تشخیص بیماری کلیه با استفاده از الگوریتم رگرسیون
تشخیص بیماری کلیه با استفاده ازالگوریتم نایو بایس
تشخیص بیماری کلیه با استفاده ازالگوریتم نایو بایس
تشخیص بیماری کلیه با استفاده از الگوریتم شبکه عصبی
تشخیص بیماری کلیه با استفاده از الگوریتم شبکه عصبی

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

تشخیص بیماری کلیه با استفاده از الگوریتم بردار پشتیبان

تشخیص بیماری کلیه با استفاده از الگوریتم بردار پشتیبان
تشخیص بیماری کلیه با استفاده از الگوریتم درخت تصمیم گیری
تشخیص بیماری کلیه با استفاده از الگوریتم درخت تصمیم گیری
تشخیص وضعیت جنین با استفاده از الگوریتم رگرسیون و درخت تصمیم گیری
تشخیص وضعیت جنین با استفاده از الگوریتم رگرسیون و درخت تصمیم گیری
تشخیص وضعیت جنین با استفاده از الگوریتم رگرسیون
تشخیص وضعیت جنین با استفاده از الگوریتم رگرسیون
تشخیص وضعیت جنین با استفاده از الگوریتم نایو بایس
تشخیص وضعیت جنین با استفاده از الگوریتم نایو بایس
تشخیص وضعیت جنین با استفاده از الگوریتم شبکه عصبی
تشخیص وضعیت جنین با استفاده از الگوریتم شبکه عصبی
تشخیص بیماری دیابت با استفاده از الگوریتم داده کاوی جنگل تصادفی
تشخیص بیماری دیابت با استفاده از الگوریتم داده کاوی جنگل تصادفی
تشخیص بیماری دیابت با استفاده از الگوریتم داده کاوی رگرسیون
تشخیص بیماری دیابت با استفاده از الگوریتم داده کاوی رگرسیون
تشخیص بیماری دیابت با استفاده از الگوریتم داده کاوی شبکه عصبی
تشخیص بیماری دیابت با استفاده از الگوریتم داده کاوی شبکه عصبی
تشخیص بیماری دیابت با استفاده از الگوریتم داده کاوی ماشین بردار پشتیبان
تشخیص بیماری دیابت با استفاده از الگوریتم داده کاوی ماشین بردار پشتیبان
تشخیص بیماری دیابت با استفاده از الگوریتم داده کاوی درخت تصمیم گیری
تشخیص بیماری دیابت با استفاده از الگوریتم داده کاوی درخت تصمیم گیری
تشخیص بیماری دیابت با استفاده از الگوریتم داده کاوی نایوبیز
تشخیص بیماری دیابت با استفاده از الگوریتم داده کاوی نایوبیز
مدلسازی قوانین انجمنی بیماری کلیه با روش های داده کاوی
مدلسازی قوانین انجمنی بیماری کلیه با روش های داده کاوی
مدلسازی قوانین سرطان پستان با روش های داده کاوی
مدلسازی قوانین سرطان پستان با روش های داده کاوی
داده کاوی در بیماران قلبی با استفاده از الگوریتم ماشین بردار پشتیبان و نایو بیز
داده کاوی در بیماران قلبی با استفاده از الگوریتم ماشین بردار پشتیبان و نایو بیز
داده کاوی درتشخیص بیماری تیروئید با استفاده از الگوریتم بردار پشتیبان
داده کاوی درتشخیص بیماری تیروئید با استفاده از الگوریتم بردار پشتیبان
داده کاوی درتشخیص بیماری تیروئید با استفاده از الگوریتم رگرسیون
داده کاوی درتشخیص بیماری تیروئید با استفاده از الگوریتم رگرسیون
داده کاوی در تشخیص بیماران قلبی با استفاده از الگوریتم نایوبایس
داده کاوی در تشخیص بیماران قلبی با استفاده از الگوریتم نایوبایس
کاربرد داده کاوی درتشخیص بیماری تیروئید با استفاده از الگوریتم درخت تصمیم گیری
کاربرد داده کاوی درتشخیص بیماری تیروئید با استفاده از الگوریتم درخت تصمیم گیری
کاربرد داده کاوی درتشخیص بیماری تیروئید با استفاده از الگوریتم نزدیکترین همسایه
کاربرد داده کاوی درتشخیص بیماری تیروئید با استفاده از الگوریتم نزدیکترین همسایه
داده کاوی در بیماری های قلبی با استفاده از الگوریتم ماشین بردار پشتیبان
داده کاوی در بیماری های قلبی با استفاده از الگوریتم ماشین بردار پشتیبان
داده کاوی در بیماری های قلبی با استفاده از الگوریتم درخت تصمیم گیری

داده کاوی در بیماری های قلبی با استفاده از الگوریتم درخت تصمیم گیری

azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
تحلیل احساسات کاربران انگلیسی زبان درباره شبکه اجتماعی فیس بوک
تحلیل احساسات کاربران انگلیسی زبان درباره شبکه اجتماعی فیس بوک
تحلیل احساسات کاربران انگلیسی زبان درباره برند اپل
تحلیل احساسات کاربران انگلیسی زبان درباره برند اپل
تحلیل احساسات کاربران انگلیسی زبان درباره برند سامسونگ
تحلیل احساسات کاربران انگلیسی زبان درباره برند سامسونگ
تحلیل احساسات کاربران انگلیسی زبان درباره برند گوگل
تحلیل احساسات کاربران انگلیسی زبان درباره برند گوگل
تحلیل احساسات کاربران انگلیسی زبان درباره ترکیه
تحلیل احساسات کاربران انگلیسی زبان درباره ترکیه
تحلیل احساسات کاربران انگلیسی زبان درباره کشور آمریکا
تحلیل احساسات کاربران انگلیسی زبان درباره کشور آمریکا
تحلیل احساسات کاربران انگلیسی زبان درباره ایران
تحلیل احساسات کاربران انگلیسی زبان درباره ایران
تحلیل احساسات کاربران انگلیسی زبان درباره داعش
تحلیل احساسات کاربران انگلیسی زبان درباره داعش
تشخیص احساسات( نظرکاوی، عقیده کاوی) توییت های انگلیسی درباره ایران
تشخیص احساسات( نظرکاوی، عقیده کاوی) توییت های انگلیسی درباره ایران
تشخیص احساسات یا نظرکاوی کاربران انگلیسی زبان درباره دکتر روحانی
تشخیص احساسات یا نظرکاوی کاربران انگلیسی زبان درباره دکتر روحانی
تشخیص احساسات یا نظرکاوی کاربران انگلیسی زبان درباره رهبر ایران
تشخیص احساسات یا نظرکاوی کاربران انگلیسی زبان درباره رهبر ایران
تشخیص احساسات یا نظرکاوی کاربران انگلیسی زبان درباره ترامپ
تشخیص احساسات یا نظرکاوی کاربران انگلیسی زبان درباره ترامپ
تشخیص احساسات یا نظرکاوی کاربران انگلیسی زبان درباره کلینتون
تشخیص احساسات یا نظرکاوی کاربران انگلیسی زبان درباره کلینتون
متن کاوی برروی توییت های فارسی با استفاده از الگوریتم ماشین یادگیری شبکه عصبی
متن کاوی برروی توییت های فارسی با استفاده از الگوریتم ماشین یادگیری شبکه عصبی

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

انجام پروژه های داده کاوی با نرم افزار رپیدماینر rapidminer

ارشناسی ارشد, پروژه دانشجویی

انجام پروژه های داده کاوی با نرم افزار رپیدماینر rapidminer

آموزش نرم افزار کلمنتاین Clementine 12

آموزش  نرم افزار14 IBM SPSS Modeler

انجام پروژه های داده کاوی با نرم افزارClementine 12

انجام پروژه های داده کاوی با نرم افزار 14


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


IBM SPSS Modeler

        فرآیند داده کاوی CRISP-DM
        آشنایی با قابلیت های SPSS Modeler14.2
        فرآیند داده کاوی در SPSS Modeler14.2
    شناسایی و آماده سازی مقدماتی داده ها
        فراخوانی داده ها در محیط SPSS Modeler14.2
        بررسی مفاهیم Storage و Type و اهمیت آنها
        یکپارچه سازی داده ها (Merge and Append)
        بررسی شاخص های کیفی داده ها (Data Audit)
        مطالعه توصیفی و استنباطی داده ها در SPSS Modeler14.2
    مدل های پیش بینی کننده
        طبقه بندی با انواع درخت های تصمیم در SPSS Modeler14.2
        استفاده از درخت های رگرسیونی به منظور پیش بینی
        ساخت مدل های پیش بینی کننده با شبکه های عصبی مصنوعی
        ارزیابی مقدماتی مدلهای پیش بینی کننده

    انجام پروژه های داده کاوی با نرم افزار رپیدماینر rapidminer

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

    در کوتاه ترین زمان با کمترین قیمت

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

    azsoftir.com
    09367292276
    09367292276
    [e-mail]
    azsoftir.com
    09367292276
    09367292276
    [e-mail]
    azsoftir.com
    انجام پروژه های رپیدماینر RapidMiner ، پروژه RapidMiner ، در توسط اساتید رپیدماینر در متلب پروژه با کمترین قیمت دانشجویی انجام میشود اگر در انجام پروژه های رپیدماینر خود مشکل دارید میتوانید با شماره تماس بگیرید

    انجام پروژه های رپیدماینردر متلب پروژه به صورت رقابتی انجام میشود و از بین چندین پیشنهاد توسط مجریان کمترین قیمت خدمت شما اعلام میشود

    کارشناسان متلب پروژه از ابتدا تا انتهای انجام پروژه های رپیدماینر RapidMiner در کنار شما خواهند بود و با دادن گزارش کامل در فایل وورد مشاوره تخصصی شما از سایت های دیگر بی نیاز خواهند کرد

    انجام پروژه های رپیدماینردر متلب پروژه به صورت رقابتی انجام میشود و از بین چندین پیشنهاد توسط مجریان کمترین قیمت خدمت شما اعلام میشود

    کارشناسان متلب پروژه از ابتدا تا انتهای انجام پروژه های رپیدماینر RapidMiner در کنار شما خواهند بود و با دادن گزارش کامل در فایل وورد مشاوره تخصصی شما از سایت های دیگر بی نیاز خواهند کرد

    سفارش پروژه رپیدماینر خود را به گروه متلب پروژه بسپارید و با بالاترین کیفیت پروژه خود را تحویل بگیرید
    انجام پروژه دانشجویی رپیدماینر

    پروژه دانشجویی رپیدماینر در متلب پروژه توسط برترین اساتید داده کاوی رپیدماینر ایران قابل انجام هست همواره سعی شده است کمترین قیمت در پروژه دانشجویی رپیدماینر خدمت دانشجویان محترم داده شود

    انجام پروژه های داده کاوی با رپیدماینر

    نرم افزار رپیدماینر یکی از اصلی ترین و مهم ترین نرم افزارهای داده کاوی و dataming می باشد که با داشتن محیط کاربری جذاب محیط بسیار جالبی را برای کاربران فراهم کرده است متلب پروژه به عنوان مرجع انجام پروژه های داده کاوی در ایران آمادگی دارید انجام پروژه های داده کاوی با رپیدماینر را با بهرین کیفیت انجام داده و تحویل شما بدهد

    نرم افزار رپیدماینر چیست ؟

    نرم افزارRapidMiner  قوی ترین و آسان ترین نرم افزار برای آنالیز داده ها به صورت عددی و نمایش گرافیکی نتایج حاصل از تحلیل داده ها محسوب می شود. هم چنین این نرم افزار قابلیت ورود کد های داده کاوی از سایر برنامه ها مانند R و Python را دارد و می تواند از داده data سایر نرم افزار های داده کاوی مانند Microsoft Excel, Microsoft Access, Oracle, IBM DB, Microsoft SQL Server, Teradata نیز استفاده کند.

    نقاط قوت نرم‌افزار رپیدماینر:

    ارائه گزارش و فرمت رونویسی از مراحل پیاده سازی الگوریتم

    ظاهر و دکوراسیون بسیار زیبا

    منظره گرافیکی زیبا در محیط داده کاوی

    قادر به ضبط با فایل های خروجی از بسیاری از نرم افزارهای کاربردی مانند اکسل

    تصحیح بسیار سریع و پاک کردن

    وجود آموزش تصویری مناسب که برای این نرم افزار ارائه شده است و در وب قرار می گیرد.

    مستندات شامل راهنمای بسیاری از اپراتورها در نرم افزار می باشد.

    امکان اجرای یک الگوریتم یادگیری متفاوت در نرم افزار و مقایسه آن با یکدیگر در ابزار در نظر گرفته شده است

    چرا پروژه رپیدماینر خود را به متلب پروژه بسپاریم ؟

    متلب پروژه با تجربه موفق 7 ساله در انجام پروژه های رپیدماینر و با همکاری بیش از 200 برنامه نویس حرفه ای ایران با داشتن نماد اعتماد در پروژه های کامیپوتر خود را از سایرین متمایز کرده است تمامی پروژه های کامیپوتر با ضمانت و در کمترین زمان ممکن انجام میشود

     
    azsoftir.com
    09367292276
    09367292276
    [e-mail]
    azsoftir.com
    09367292276
    09367292276
    [e-mail]
    azsoftir.com
    برای سفارش پروژه رپیدماینر باید چه کار کنم ؟

    برای سفارش انجام پروژه های رپیدماینر باید سفارش خود را از طریق فرم ثبت سفارش ارسال کنید یا می توانید شما میتوانید با شماره تماس بگیرید

    زمان انجام پروژه رپیدماینر چقدر می باشد ؟

    انجام پروژه های کامیپوتردر متلب پروژه طبق زمان خواسته شده مشتری تنظیم میشود ولی سعی میشود در کمترین زمان ممکن تحویل داده شود

    کیفیت در انجام پروژه رپیدماینر به چه صورت خواهد بود ؟

    کیفیت در انجام پروژه های رپیدماینر از اصلی ترین اهداف گروه متلب پروژه می باشد بالاترین کیفیت در پروژه رپیدماینرهمواره هدف متلب پروژه بوده است

    چگونه از انجام پروژه رپیدماینر مطمئن شویم ؟


    azsoftir.com
    09367292276
    09367292276
    [e-mail]
    azsoftir.com
    09367292276
    09367292276
    [e-mail]
    azsoftir.com
    اطمینان از انجام پروژه های رپیدماینر با توجه به کیفیت بالای سفارشات انجام شده در متلب پروژه مشخص می باشد متلب پروژه همواره مفتخر بوده اطمینان شما را توانسته فراهم کند

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

سفارش پروژه رپیدماینر

ر صورت نیاز به آموزش آنلاین نحوه ساخت این پروژه توسط نرم افزارهای آموزش راه دور و یا درخواست تهیه پروژه مشابه، کافیست با شماره تماس یا آدرس ایمیل  هماهنگی های لازم را انجام دهید.
توضیحات تکمیلی پروژه :
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
این پروژه بروی دیتاست مربوط به کاربران که شامل 6040 رکورد کاربر است. عملیات خوشه بندی با استفاده از الگوریتم k-means انجام می دهد. روش کار بدین صورت است که ابتدا داده های مربوط به کاربران را به نرم افزار داده کاوی رپید ماینر وارد نموده، سپس داده ها را جهت افزایش دقت خوشه بندی نرمال سازی می کنیم. پس از نرمال سازی داده ها الگوریتم k-means بروی داده های نرمال شده اعمال می گردد و خروجی را در قالب یک فایل اکسل با اضافه نمودن برچسپ خوشه(Cluster) تولید می کند. ویژگی های مربوط به کاربران عبارتند از :

    کد کاربر
    جنسیت
    شغل
    کد پستی

الگوریتم استفاده شده جهت خوشه بندی کاربران k-means است. معیار خوشه بندی بر اساس اطلاعات دموگرافیک کاربران بوده و از فاسله اقلیدوسی جهت خوشه بندی کاربران استفاده می شود. در این پروژه تعداد خوشه ها را می توان به صورت پویا تعیین نموده و نتایج را مورد بررسی قرار داد.
امکانات پروژه :
mixing ibuprofen and weed
mixing lexapro and weed

    ارائه یک داکیومنت از نحوه خوشه بندی
    تحویل فایل های تهیه شده با رپید ماینر
    ارائه دیتاست خام کاربران با پسوند های .txt , .csv , .xlsx , xls
    امکان دانلود دیتاست کاربران خوشه بندی شده

    پروژه های مرتبط
    آموزش تصویری پروژه
    درخواست پروژه مشابه

تجزیه و تحلیل سیستم شرکت ISP با رش ...
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
تجزیه و تحلیل سیستم آژانس هوایی یا ...

تجزیه و تحلیل بنگاه املاک با رشنال ...

تجزیه و تحلیل آموزشگاه خیاطی،کامپیو ...

تجزیه و تحلیل سیستم انبار فروشگاه ب ...

تجزیه و تحلیل سیستم دبیر خانه با ر ...

تجزیه و تحلیل سیستم دبیر خانه ثبت ...

پروژه تجزیه و تحلیل سیستم داروخانه ...

پروژه خوشه بندی داده های برق مصرفی ...

پروژه خوشه بندی داده های بارش باران ...
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
پروژه طبقه بندی(پیش بینی) قیمت های ...

پروژه خوشه بندی دیتاست KDDCUP99 با ...

پروژه طبقه بندی حیوانات (DDOS) با ا ...

پروژه طبقه بندی(پیش بینی) دیتاست حی ...

پروژه طبقه بندی(پیش بینی) دیتاست کا ...

پروژه طبقه بندی(پیش بینی) سرطان ریه ...
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com

در صورت تمایل به یادگیری انجام این پروژه ، لازم هست در بخش تماس با ما ، با برنامه نویسی و تهیه کننده پروژه هماهنگ فرمایید...
برچسپ ها :
خوشه بندی با رپیدماینر, خوشه بندی با rapid miner, خوشه بندی کاربران در رپید ماینر, الگوریتم خوشه بندی k-means, الگوریتم k-means در رپیدماینر, دانلود الگوریتم خوشه بندی, خوشه بندی کاربران با k-means, دانلود پروژه خوشه بندی, خوشه بندی, الگوریتم k-means, آموزش خوشه بندی در رپیدماینر, نرمال سازی در رپیدماینر, نرمال سازی داده در rapid miner, ناب پروژه, انجام پایان نامه ک

داده کاوی با رپیدماین

آموزش داده کاوی با RapidMiner

 
داده کاوی با رپیدماین

عنوان دوره
آموزش فشرده داده کاوی با نرم افزار RapidMiner
(همزمان حضوری و آنلاین)
 
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
معرفی دوره‌، هدف و کاربرد

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

در پایان این دوره هنرجویان با نحوه ی کار و استفاده از نرم افزار RapidMiner آشنا خواهند شد و خواهند توانست داده‌ها را آماده سازی کرده سپس مدل های داده کاوی را روی داده های استاندارد پیاده سازی کنند

 شروع دوره جدید آموزش داده کاوی با RapidMiner : تیر ماه

سرمایه گذاری دانشجویی: 275 هزار تومان

سرمایه گذاری عادی: 390 هزار تومان

ثبت نام دوره آموزش داده کاوی با نرم افزار RapidMiner

روزهای برگزاری

پنجشنبه‌ها 15:00 الی 18:00

مخاطبین دوره

    کارشناسان پروژه‌های داده کاوی
    دانشجویانی که پروژه‌های پژوهشی مرتبط با داده کاوی انجام می‌دهند
    علاقمندان به داده کاوی
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
پیش نیاز دوره

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

محتوای دوره

معرفی

    آشنایی با محیط نرم افزار رپیدماینر
    کار با نوار ابزارهای برنامه

کار با داده ها

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

مدل سازی

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

    دوره پیشرفته نرم افزار RapidMiner
    داده کاوی با پایتون
    داده کاوی با R
    مشاهده فیلم کارگاه اجرای سه پروژه داده کاوی به صورت عملینجمن علمی مدیریت بازرگانی دانشگاه خوارزمی با?همکاری گروه داده کاوی دایکه برگزار می کند:

?
کلاس آموزشی فرآیند داده کاوی در نرم افزار RapidMiner

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

بنابر تحقیقات انجام شده نرم افزار RapidMiner یکی از پرکاربرد ترین نرم افزارهای داده کاوی طی سال های اخیر بوده است.

متن باز بودن و استفاده از کتابخانه های آن برای برنامه نویسان به همراه امکان استفاده از محیط گرافیکی آن بدون استفاده از دانش برنامه نویسی باعث گشته طیف متنوعی از کاربران به سراغ این ابزار متمایل گردند.

تنوع الگوریتم های آماده سازی و مدلسازی در این ابزار باعث شده تا بسیاری از پروژه های تحقیقاتی، آکادمیک و همچنین پروژه های اجرایی حداقل بخشی از روند پیاده سازی مدل ها را در این ابزار مورد آزمایش قرار دهند.
?

آشنایی با محیط RapidMiner

    کار با مخازن
    ساخت و کنترل فرایندها
    عملگرهای عمومی

آماده سازی داده ها

    خواندن از منابع متنوع داده
    تعیین نقش و نوع متغیرها
    تبدیل و تولید متغیرها
    پاکسازی داده های پرت
    برآورد داده های ناموجود
    نمونه گیری
    ترکیب داده ها
    کاهش ابعاد
    انتخاب متغیر

مدل سازی

    عملگرهای عمومی در مدلها
    مدلهای رگرسیونی
    درخت های تصمیم
    شبکه های عصبی مصنوعی
    استنتاج قانون
    مدل های SVM
    خوشه بندی با k-means
    ارزیابی مدلها
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
?

پروژه داده کاوی با نرم افزار وکا (weka)

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

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

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



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

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

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

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

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

پروژه آماده داده کاوی
داده ها در رپیدماینر:

پروژه رپیدماینر
پیش پردازش داده ها:

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

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

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

پروژه داده کاوی

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

 

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

آموزش و انجام پروژه های داده کاوی با نرم افزارهای rappidminer وکا و کلمنتاین
انجام پروژه های داده کاوی با نرم افزار RapidMiner

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

آموزش نرم افزار کلمنتاین Clementine 12

آموزش  نرم افزار14 IBM SPSS Modeler

انجام پروژه های داده کاوی با نرم افزارClementine 12

انجام پروژه های داده کاوی با نرم افزار 14 IBM SPSS Modeler

        فرآیند داده کاوی CRISP-DM
        آشنایی با قابلیت های SPSS Modeler14.2
        فرآیند داده کاوی در SPSS Modeler14.2
    شناسایی و آماده سازی مقدماتی داده ها
        فراخوانی داده ها در محیط SPSS Modeler14.2
        بررسی مفاهیم Storage و Type و اهمیت آنها
        یکپارچه سازی داده ها (Merge and Append)
        بررسی شاخص های کیفی داده ها (Data Audit)
        مطالعه توصیفی و استنباطی داده ها در SPSS Modeler14.2
    مدل های پیش بینی کننده
        طبقه بندی با انواع درخت های تصمیم در SPSS Modeler14.2
        استفاده از درخت های رگرسیونی به منظور پیش بینی
        ساخت مدل های پیش بینی کننده با شبکه های عصبی مصنوعی
        ارزیابی مقدماتی مدلهای پیش بینی کننده


دانلود نرم افزار داده کاوی رپیدماینر RapidMiner

بنابر تحقیقات انجام شده نرم افزار RapidMiner یکی از پرکاربرد ترین نرم افزارهای داده کاوی طی سال های اخیر بوده است. متن باز بودن و استفاده از کتابخانه های آن برای برنامه نویسان به همراه امکان استفاده از محیط گرافیکی آن بدون استفاده از دانش برنامه نویسی باعث گشته طیف متنوعی از کاربران به سراغ این ابزار متمایل گردند. تنوع الگوریتم های آماده سازی و مدلسازی در این ابزار باعث شده تا بسیاری از پروژه های تحقیقاتی، آکادمیک و همچنین پروژه های اجرایی حداقل بخشی از روند پیاده سازی مدل ها را در این ابزار مورد آزمایش قرار دهند.

برای دانلود نرم افزار داده کاوی رپیدماینر کلیک کنید .

آموزش نرم افزار داده کاوی وکا weka

آموزش نرم افزار داده کاوی وکا Weka

 

مقدمه

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

 

1- معرفی نرم افزار Weka

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

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

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

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

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

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

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

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

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

 

 

2- روش استفاده از Weka

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

3- واسط های Weka

شکل 1،راههای انتخاب واسط‌های مختلف Weka را نشان میدهد. آسانترین راه استفاده از Weka از طریق واسطی گرافیکی است که Explorer خوانده میشود. این واسط گرافیکی، به وسیله انتخاب منوها و پر کردن فرمهای مربوطه، دسترسی به همه امکانات را فراهم کرده است. برای مثال، میتوان به سرعت یک مجموعه داده را از یک فایل ARFF خواند و درخت تصمیم‌گیری آن را تولید نمود. اما درختهای تصمیم‌گیری یادگیرنده صرفاً ابتدای کار هستند. الگوریتمهای بسیار دیگری برای جستجو وجود دارند. واسط Explorer کمک میکند تا الگوریتمهای دیگر نیز آزمایش شوند.
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com

شکل 1. Weka در وضعیت انتخاب واسط

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

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

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

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

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

 

3-1 واسط Explorer

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

شکل 2. واسط گرافیکیExplorer

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

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

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

Weka Explorer امکان رده بندی دارد، چنانچه به کاربران اجازه میدهد به صورت تعاملی اقدام به ساخت درخت تصمیم‌گیری کنند. Wekaنمودار پراکندگی داده‌ها را نسبت به دو ویژگی انتخاب شده، فراهم میآورد. وقتی زوج ویژگی‌ای که رده‌ها را به خوبی جدا میکند، پیدا شد، امکان ایجاد دو شاخه با کشیدن چند ضلعی اطراف نقاط داده‌ها بر نمودار پراکندگی وجود دارد.
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.comهر نوار، دسترسی به دامنه کاملی از امکانات را فراهم میکند. در پایین هر پانل، جعبه status و دکمه log قرار دارد. جعبه status پیغامهایی است که نشان میدهد چه عملیاتی در حال انجام داده شدن است. مثلاً اگر Explores مشغول خواندن یک فایل باشد، جعبه status آن را گزارش میدهد. کلیک راست در هر جا داخل این جعبه یک منو کوچک با دو گزینه میآورد، نمایش میزان حافظه در دسترس Weka و اجرای Java garbage collector .

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

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

 

3-1-1 Preprocess

الف- خواندن و فیلتر کردن فایلها

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

شکل 3. باز کردن فایل

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

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

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

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

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

 

3-1-1 Preprocess

الف- خواندن و فیلتر کردن فایلها

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

شکل 3. باز کردن فایل

 

ب- تبدیل فایلها به فرمت ARFF

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

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

شکل4 (الف) پیغام خطا

 

شکل4 (ب) ویرایشگر

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

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

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

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

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

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

 

شکل5. بانک اطلاعاتیbank-data.csv

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

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

 

شکل6. اطلاعات آماری فیلد age

 

ج- به کارگیری فیلترها

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

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

 

شکل 6 (الف). انتخاب فیلتر Remove

 

 

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

 

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

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

 

شکل7 (الف). انتخاب فیلتر Discretize

 

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

 

شکل 7 (ج).انتخاب گزینه Apply

3-1-2 Classify
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.comالف- الگوریتمهای رده‌بندی

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

 

  شکل 8 (الف). الگوریتمهای رده بندی در Weka

 

شکل 8 (ب). الگوریتمهای رده بندی در Weka

دراین قسمت برخی از اسامی رده‌بندیهای Weka معرفی میشوند.

     Trees

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

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

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

      رده بندهای Lazy

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

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

الف- نحوه کار با پانل classify

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

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

 

شکل 9 . انتخاب پانل classify

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

 

شکل 10. انتخاب الگوریتم ردهبندی

 

شکل 11. تنظیم پارامترهای الگوریتم رده بندی

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

 

شکل 12. مدل حاصل از اجرای الگوریتم رده بندی

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

 

شکل 13(الف)

 
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
شکل 13(ب). درخت حاصل از رده بندی

3-1-3 Cluster

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

 

شکل 14. بارگذاری فایل نمونه

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

 

شکل 15 . انتخاب پانل cluster

Weka الگوریتمهای خوشه‌بندی (clustering) متنوعی را پیاده‌سازی میکند. با کلیک دگمه choose در پانل cluster میتوان الگوریتم خوشه‌بندی مورد نظر را انتخاب نمود (شکل 16). دراین مثال، الگوریتم SimpleKMeans را انتخاب میکنیم. زمانی که یک الگوریتم خوشه‌بندی انتخاب میشود، نسخه خط فرمانی الگوریتم خوشه‌بندی در سطری نزدیک به دگمه ظاهر میگردد. این خط فرمان شامل پارامترهای الگوریتم است که با خط تیره مشخص میشوند. برای تغییر آنها میتوان روی آن خط کلیک نمود تا ویرایشگر مناسب شیء باز شود (شکل17). در این مثال تعداد کلاسترها را 6 تا تنظیم میکنیم.

 

شکل 16. انتخاب الگوریتم خوشه‌بندی

 

شکل 17. تنظیم پارامترهای الگوریتم خوشه‌بندی

باکلیک بر روی دکمه start مدل مورد نظر تولید میشود (شکل18).

 

شکل 18. مدل حاصل از اجرای الگوریتم خوشه‌بندی

با راست کلیک بر روی مجموعه جواب در پانل Result list در سمت چپ-پایین و انتخاب گزینه‌ی "View in separate window "میتوان نتیجه را در پنجرهای جداگانه مشاهده نمود (شکل 19). همانطور که میبینید، اطلاعات آماری مربوط به هرکلاستر، از جمله مرکز ثقل هر کلاستر، تعداد و درصد اعضای هر کلاستردر این پنجره قابل مشاهده است.

 

شکل 19. نتیجه حاصل از اجرای الگوریتم خوشه‌بندی

روش دیگر برای کسب اطلاعات در مورد هرکلاستر، مصورسازی است. با راست کلیک بر روی مجموعه جواب در پانل Result list در سمت چپ و انتخاب گزینهی " Visualize cluster assignments" پنجرهای مطابق شکل20(الف) باز میشود. انتخابهای مختلف برای هرکدام از سه بعد نمودارحاصل (محور X، محور Y، رنگ) نمودارهای مختلفی را نتیجه میدهد که میتوان از آنها اطلاعات مورد نظر را بدست آورد.به عنوان مثال در شکل20(ب)، محور Xها نماینده شماره کلاستر، محور Yها نماینده شماره نمونه در بانک اطلاعاتی، و رنگها نماینده جنسیت هستند (قرمز: مرد، آبی: زن). همانطورکه مشاهده میشود کلاستر2 بیشتر توسط زنان احاطه شده است و کلاستر4 توسط مردان.

 

شکل20 (الف)

شکل20 (ب) مصورسازی نتیجه حاصل از clustering

علاوه بر این ممکن است علاقه‌مند باشیم که بدانیم هر نمونه در بانک اطلاعاتی، به کدام کلاستر اختصاص داده شده است. برای این منظور در پنجره شکل 20(ب)، گزینه save را انتخاب میکنیم و فایل مورد نظر را با نام " bank-data-Kmeans" ذخیره میکنیم. فایل حاصل رامیتوان از طریق یک نرم‌افزار پردازش متن مثل Notepad یا word باز کرد. بخش ابتدایی این فایل در شکل21 نشان داده شده است. همانطورکه مشـاهده میکنید، Weka ویژگی جدیدی به نام Cluster را به مجموعه ویژگیهای موجود اضافه کرده است.

 

شکل21. نتیجه اختصاص نمونه‌ها به کلاسترها

3-1-4 Associate

در این قسمت میتوان قوانین Association حاکم بربانک اطلاعاتی را با استفاده از الگوریتم‌های مختلف بدست آورد.

فایل نمونه مورد استفاده در این بخش bank-data-final.arff است که در مرحله preprocess فیلد id از آن حذف شده و مقادیرصفات age و income به صورت گسسته در آمده است (شکل22).

 

شکل 22. بارگذاری فایل نمونه

بعد از باز کردن فایل مورد نظر و با کلیـک بر روی پانل Associate پنجره‌ای مطـابق شکـل23 باز میشود.

شکل 23 . انتخاب پانل Associate

 

Weka الگوریتمهای association متفاوتی را پیاده‌سازی میکند. با کلیک دگمه choose در پانل Associate میتوان الگوریتم association مورد نظر را انتخاب نمود (شکل 24). دراین مثال، الگوریتم Apriori را انتخاب میکنیم. زمانی که یک الگوریتم انتخاب میشود، نسخه خط فرمانی آن الگوریتم در سطری نزدیک به دگمه ظاهر میگردد. این خط فرمان شامل پارامترهای الگوریتم است که با خط تیره مشخص میشوند. برای تغییر آنها میتوان روی آن خط کلیک نمود تا ویرایشگر مناسب شیء باز شود (شکل25). در این مثال همان پارامترهای پیشفرض را میپذیریم.

شکل 24. انتخاب الگوریتم association

 

شکل 25. تنظیم پارامترهای الگوریتم association

با کلیک بر روی گزینه More در شکل25، میتوان توضیحات لازم را درمورد هر کدام از پارامترها بدست آورد. شکل26 این توضیحات را نشان میدهد.

 

شکل 26. توضیحات بیشتردر مورد پارامترهای الگوریتم Apriori

بعد از تنظیم پارامترهای مورد نظر، با کلیک بر روی گزینه start، قوانین بدست آمده که بر اساس metric Type مرتب شده‌اند در صفحه اصلی نمایش داده میشوند.(شکل27)

شکل 27. نتیجه اجرای الگوریتم Apriori

با راست کلیک بر روی مجموعه جواب در پانل Result list در سمت چپ و انتخاب گزینه‌ی مورد نظر، میتوان نتایج بدست آمده را در پنجره‌ای جداگانه نمایش داد و یا قوانین بدست آمده را به فرمت دلخواه (.csv, .arff, .txt) ذخیره کرد. شکل28 گزینه‌های موجود را نشان میدهد.

 

 

 

شکل 28. ذخیره قوانین بدست آمده

 
Rapidminer
دانلود نرم افزار قدرتمند داده کاوی RapidMiner

 

 
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.comدانلود نرم افزار رپیدماینر

انجام پروژه های داده کاوی با نرم افزار Clementine12
انجام پروژه های داده کاوی با نرم افزار Clementine12

 

 
کارگاه تخصصی فرایند داده کاوی با نرم افزار Clementine 12

یک دوره کارگاه تخصصی فرایند داده کاوی همراه با نرم افزار Clementine 12

 

محتوای دوره :
داده کاوی چیست ؟

انگیزه کاوش داده ها در چیست

کاربرد داده کاوی در چیست

و قابلیت های آن(Clementine 12) آشنایی با محیط کلمنتاین

( Clementine 12) ورود داده ها با فرمت های مختلف به محیط کاری کلمنتاین

چگونگی ایجاد درک اولیه از داده ها و آماده سازی آن

استفاده از آمارهای توصیفی و گرافهای متنوع

چگونگی تشخیص و برخورد با داده های گمشده

خوشه بندی

قواعد تلازمی

 دسته بندی و پیش بینی - درخت تصمیم ، شبکه های عصبی ...
 
تحلیل و تفسیر داده ها

و . . .

 
مشاوره در زمینه پروژه های داده کاوی

مشاوره در زمینه پروژه های داده کاوی

در مقاطع کارشناسی و کارشناسی ارشد

با نرم افزار Weka- Clementine 12

از ابتدا تا انتها

 
پروژه آماده داده کاوی با نرم افز  Weka - Clementine 12 - RapidMiner
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
انجام پروژه های داده کاوی با نرم افزار weka
انجام پروژه های داده کاوی با نرم افزار