• خانه
  • دوره ها
  • دوره های برنامه‌نویسی
  • بلاگ
  • تماس با ما
ورود / ثبت نام
جستجو
0 مقايسه
0 علاقه مندی
0 مورد تومان0
منو
0 مورد تومان0
برای بزرگنمایی کلیک کنید
خانه یادگیری ماشین آموزش داده کاوی Data Mining در متلب MATLAB
آموزش پروژه محور اینترنت اشیا IoT یا Internet of Things – کنترل لوازم منزل
آموزش پروژه محور اینترنت اشیا IoT یا Internet of Things – کنترل لوازم منزل تومان6,400,000
بازگشت به محصولات
آموزش آشنایی با فرمول های کاربردی در اکسل ()
آموزش آشنایی با فرمول های کاربردی در اکسل () تومان3,600,000

آموزش داده کاوی Data Mining در متلب MATLAB

تومان3,600,000

مقايسه
افزودن به علاقه مندی
دسته: یادگیری ماشین
اشتراک گذاری:
  • توضیحات
  • نظرات (0)
توضیحات

در بسیاری از رشته های علمی و فنی، در نهایت ما با مجموعه ای از داده ها روبرو هستیم که حجم کم یا زیادی را دارند؛ اما مهم ترین کار، به دست آوردن چنین پایگاه داده ای نیست. بلکه باید بتوانیم، سطح بالاتری از دانش را با توجه به پایگاه داده مذکور به دست بیاوریم؛ این یعنی نتیجه گیری و جمع بندی تمام تلاش هایی که برای جمع آوری آن داده ها صرف شده است. اکثر دانشمندان و محققین سرشناس هر رشته علمی یا فنی، در کنار عامل خلاقیت و تخصص، یک ویژگی مشترک و بسیار مهم دارند، آن نتیجه گیری های مهمی است که از مشاهدات و داده های جمع آوری شده ارائه کرده اند. در رشته های مختلف علمی، نظریه های بسیار مهمی که با مطالعات میدانی به دست آمده اند، همگی دارای این مولفه مشترک هستند: به دست آوردن قواعد و قوانینی که توضیحی فشرده و مفهومی از داده های در دسترس را ارائه می دهند. این عملیات، و مجموعه دیگری از کارهای مرتبط با آن، موضوع بحث یکی از زیر شاخه های مشترک علوم کامپیوتر و آمار، به نام داده کاوی یا Data Mining است. فرآیند کلی استخراج دانش از داده، معنای عام تری از داده کاوی را در بر دارد که به Knowledge Discovery from Data یا KDD معروف است. درس یکم: مبانی داده کاوی یا Data Mining در فیلم آموزشی مبانی داده کاوی، با مروری بر مفاهیم پایه داده کاوی و مسائلی که در این حوزه مطرح است، تصویری جامع از عملیات داده کاوی و کاربردهای آن در زمینه های مختلف ارائه شده است. این موضوع، به ویژه با طرح مثال های متنوع از حوزه های مختلف، این فیلم آموزشی را تبدیل به یک مرجع آموزشی جامع و کاربردی برای اکثر مخاطبین کرده است. تمامی برنامه های این فیلم آموزشی، همچون سایر محصولات آموزشی ارائه شده در فرادرس، به صورت گام به گام و به ساده ترین شکل ممکن ارائه شده اند. فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است: تعریف مساله داده کاوی و استخراج دانش از داده یا KDD تاریخچه پایگاه های داده و روش های داده کاوی مراحل موجود در مسیر کشف و استخراج دانش یا Knowledge Discovery معرفی انواع داده ها و پایگاه های داده که می توان بر روی آن ها داده کاوی انجام داد بررسی انواع الگوهای قابل شناسایی در داده ها بررسی روش های موجود برای حل انواع مسائل داده کاوی معرفی ویژگی های مهم و مطلوب در الگوهای کاوش پذیر بررسی دشواری ها و مشکلات موجود در مسیر داده کاوی درس دوم: روش های پیش پردازش داده‌ها در فیلم آموزشی روش های پیش پردازش داده ها برای شروع فرایند داده کاوی مورد بررسی واقع شده اند. برای نتیجه گیری بهتر از بسیاری از الگوریتم های داده کاوی، لازم است تغییرات و یا اصلاحاتی بر روی داده های خام انجام شوند، تا کیفیت الگوها و قواعد کاوش شده از داده ها، به بیشترین حد ممکن افزایش یابد. فهرست سرفصل ها و رئوس مطالب مطرح شده در این درس، در ادامه آمده است: مروری بر لزوم پیش پردازش و آماده سازی داده ها روش های پاک سازی داده ها یا Data Cleaning پاک سازی داده های آلوده به نویز یا Noisy Data برخورد با داده های ناموجود یا Missing Data روش های تجمیع داده ها یا Data Integration روش های کاهش داده ها یا Data Reduction کاهش ابعاد یا Dimensionality Reduction کاهش تعداد یا Numerosity Reduction فشرده سازی داده ها یا Data Compression روش های تبدیل داده ها یا Data Transformation هموار سازی یا Smoothing استخراج ویژگی یا Feature Extraction نرمال سازی یا Normalization و ده ها مبحث دیگر … درس سوم: طبقه بندی یا Classification بسیاری از مسائل داده کاوی را می توان به صورت یک مساله طبقه بندی یا Classification بیان نمود، که در آن در نهایت یک عامل پیش بین تربیت می شود که می تواند با در دست داشتن دانش موجود برای طبقه بندی یک مجموعه از موارد، آن دانش را به طبقه بندی سایر موارد تعمیم دهد. در واقع مساله طبقه بندی، یک مساله یادگیری نظارت شده است. در فیلم آموزشی جامع طبقه بندی یا Classification، پس از مرور کلی بر مفاهیم طبقه بندی و شیوه تربیت یک عامل طبقه بندی کننده یا Classifier، چند روش پر کاربرد معرفی و در محیط متلب پیاده سازی شده اند. فهرست سرفصل ها و رئوس مطالب مطرح شده در این درس، در ادامه آمده است: مفاهیم پایه طبقه بندی یا Classification کاربرد درخت تصمیم یا Decision Tree در طبقه بندی پیاده سازی طبقه بندی درخت تصمیم باینری در متلب مفاهیم تقسیم بندی اطلاعات به سه گروه آموزش یا Train، آزمایش یا Test و اعتبارسنجی یا Validation بررسی مفهوم Overtraining روش اعتبارسنجی چند لایه ای یا k-Fold Cross-Validation طبقه بندی کننده پایه بیزی یا Naive Bayesian Classifier پیاده سازی طبقه بندی پایه بیزی در متلب الگوریتم k-Nearest Neighbors یا KNN پیاده سازی KNN (یا k نزدیک ترین همسایه) در محیط متلب معرفی روش پیشرفته تر حل مسائل طبقه بندی درس چهارم: خوشه بندی یا Clustering (الف) بسیاری از مسائل داده کاوی را می توان به صورت یک مساله خوشه بندی یا Clustering بیان نمود، که در آن یک عامل هوشمند یا نیمه – هوشمند باید بتواند بدون در دست داشتن هیچ اطلاعات زمینه ای، طبقه بندی منطقی از یک سری موارد در دسترس را داشته باشد. در واقع مساله خوشه بندی، یک مساله یادگیری غیر نظارت شده است. در فیلم آموزشی جامع خوشه بندی یا Clustering، پس از مرور کلی بر مفاهیم پایه خوشه بندی و تفاوت های آن با مساله طبقه بندی یا Classification، چندین روش مهم و پرکاربرد در حوزه آنالیز خوشه معرفی و به صورت عملی در محیط متلب پیاده سازی شده اند. فهرست سرفصل ها و رئوس مطالب مطرح شده در این درس، در ادامه آمده است: مروری بر مفاهیم پایه خوشه بندی یا Clustering مروری بر تفاوت های خوشه بندی و طبقه بندی ارائه چند مثال از کاربردهای خوشه بندی در داده کاوی و مسائل عملی بررسی انواع روش های خوشه بندی روش های خوشه بندی مبتنی بر تقسیم بندی یا Partitioning Methods بررسی روش k-Means (الگوریتم Lloyd) به همراه پیاده سازی در متلب بررسی روش k-Medoids به همراه پیاده سازی در متلب بررسی روش Fuzzy C-Means یا FCM و پیاده سازی آن در متلب درس پنجم: خوشه بندی یا Clustering (ب) بسیاری از مسائل داده کاوی را می توان به صورت یک مساله خوشه بندی یا Clustering بیان نمود، که در آن یک عامل هوشمند یا نیمه-هوشمند باید بتواند بدون در دست داشتن هیچ اطلاعات زمینه ای، طبقه بندی منطقی از یک سری موارد در دسترس را داشته باشد. در واقع مساله خوشه بندی، یک مساله یادگیری غیر نظارت شده است. در فیلم آموزشی جامع خوشه بندی یا Clustering، پس از مرور کلی بر مفاهیم پایه خوشه بندی و تفاوت های آن با مساله طبقه بندی یا Classification، چندین روش مهم و پرکاربرد در حوزه آنالیز خوشه معرفی و به صورت عملی در محیط متلب پیاده سازی شده اند. فهرست سرفصل ها و رئوس مطالب مطرح شده در این درس، در ادامه آمده است: معرفی نگاشت های خود سازمان ده یا SOM و پیاده سازی آن ها در محیط متلب روش های خوشه بندی سلسله مراتبی یا Hierarchical Clustering بررسی روش های بالا رونده یا AGNES و پایین رونده یا DIANA پیاده سازی رویکرد AGNES در محیط متلب روش های خوشه بندی مبتنی بر چگالی یا توزیع بررسی الگوریتم DBSCAN یا Density-Based Spatial Clustering of Applications with Noise پیاده سازی الگوریتم DBSCAN در محیط متلب روش های خوشه بندی جدولی یا Grid-based Clustering بررسی مروری رویکردهای استفاده از الگوریتم های تکاملی و بهینه سازی در خوشه بندی درس ششم: رگرسیون یا Regression بسیاری از مسائل داده کاوی را می توان به صورت یک مساله رگرسیون یا Regression بیان نمود، که در نهایت یک مدل پیش بینی کننده در آن تربیت و طراحی می شود که می تواند با در دست داشتن نقاطی از یک رابطه ریاضی مخفی یا موجود، تمامی آن رابطه را بازسازی و یا شبیه سازی کند، و به ما در یافتن ارتباط های موجود میان متغیرها و خروجی ها، کمک کند. در فیلم آموزشی جامع رگرسیون یا Regression، پس از مرور کلی بر مفاهیم رگرسیون و مدل سازی، تعدادی از روش های پر کاربرد معرفی و در محیط متلب پیاده سازی شده اند. فهرست سرفصل ها و رئوس مطالب مطرح شده در این درس، در ادامه آمده است: بررسی مفاهیم بنیادی رگرسیون و مدل سازی و رویکردهای کلی حل این مسائل بررسی ساختار مساله یادگیری نظارت شده برای مدل سازی و رگرسیون بررسی و معرفی انواع روش های رگرسیون روش کمترین مربعات یا Least Squares (به اختصار LS) و پیاده سازی آن در محیط متلب تعمیم روش کمترین مربعات برای مدل سازی غیر خطی مروری بر شبکه های عصبی پرسپترون چند لایه یا MLP مدل سازی و رگرسیون با شبکه عصبی MLP در متلب مروری بر شبکه های عصبی مبتنی بر توابع شعاعی یا RBF مدل سازی و رگرسیون با شبکه عصبی RBF در متلب درس هفتم: کاهش ابعاد یا Dimensionality Reduction کاهش ابعاد یا Dimensionality Reduction یکی از مراحلی است که در برخی مواقع به عنوان یک مرحله پیش پردازش در ابتدای یک فرآیند داده کاوی انجام می شود. کاهش ابعاد، از طرفی می تواند به عنوان یک کار انتخاب یا استخراج ویژگی یا Feature Selection or Extraction در نظر گرفته شود. در فیلم آموزشی جامع کاهش ابعاد، روش های مختلفی برای کاهش ابعاد و انتخاب ویژگی معرفی شده اند، و پس از پیاده سازی در محیط متلب، در کاربردهای عملی مورد استفاده قرار گرفته اند. فهرست سرفصل ها و رئوس مطالب مطرح شده در این درس، در ادامه آمده است: مروری بر مفاهیم پایه کاهش ابعاد معرفی و بررسی کامل تحلیل مولفه اساسی یا Principal Component Analysis (به اختصار PCA) بررسی ارتباط PCA با تجزیه مقادیر تکین یا SVD پیاده سازی PCA در محیط متلب و کاربرد آن در کاهش ابعاد معرفی رویکردهای تعمیمی برای روش PCA معرفی روش تحلیل تفکیک فیشر یا Fisher Discriminant Analysis (به اختصار FDA) و یا Linear Discriminant Analysis (به اختصار LDA) بررسی تفاوت های PCA و FDA (یا LDA) پیاده سازی الگوریتم FDA در محیط متلب و کاربرد آن در کاهش ابعاد و طبقه بندی معرفی شبکه های عصبی و حافظه های انجمنی یا Auto-Associative Neural Networks معرفی و کاربرد تولباکس NLPCA برای کاهش ابعاد غیر خطی در متلب حل و بررسی مسائل کاهش ابعاد غیر خطی بررسی کاربرد نگاشت های خود سازمان ده یا SOM در کاهش ابعاد درس هشتم: تشخیص داده های پرت یا Outlier Detection تشخیص داده های پرت می تواند به عنوان یک مرحله پیش پردازش در مسیر داده کاوی، و یا مستقلا به عنوان یک عملیات داده کاوی مطرح شود. روش های متعددی برای تشخیص داده های پرت وجود دارد، که در فیلم آموزشی تشخیص داده های پرت، سعی شده است مروری کلی بر روی این موارد انجام شود و در نهایت یک مورد که کاربرد بیشتری دارد، یعنی آنالیز مبتنی بر معیار T2 مفصلا مورد بررسی واقع شده است و در محیط متلب پیاده سازی شده است. فهرست سرفصل ها و رئوس مطالب مطرح شده در این درس، در ادامه آمده است: بررسی انواع الگوها و داده های پرت و ناسازگاری ها معرفی روش های کلی تشخیص داده های پرت معرفی معیار T2 برای تشخیص ناسازگاری ها بررسی هندسی معیار T2 و پیاده سازی آن در محیط متلب معرفی معیار Q یا باقیمانده برای تشخیص داده های پرت درس نهم: کاوش قواعد وابستگی یا Association Rule Mining (الف) کاوش قواعد وابستگی یا Association Rule Mining رده ای از مسائل داده کاوی را شامل می شود، که در آن به دنبال استخراج و تعریف قواعد و الگوهایی هستیم که توصیف دقیق تری را از فضای حاکم بر داده ها ارائه می دهند. کاربردهای گسترده این روش ها در هوش تجاری (هوشمندی کسب و کار یا Business Intelligence)، شبکه های اجتماعی و مجازی، تجارت الکترونیک، صنعت بانکداری، وب کاوی (Web Mining)، و ده ها زمینه دیگر، اهمیت دو چندانی به این روش ها اعطا کرده است. از جمله کاربردهای مهم این روش ها، می توان به طراحی و پیاده سازی سیستم های پیشنهادگر یا Recommender Systems اشاره نمود، که هر روز در دنیای وب، شاهد ظهور و بروز آن ها هستیم. فهرست سرفصل ها و رئوس مطالب مطرح شده در این درس، در ادامه آمده است: بررسی انواع الگوهای تکرار شونده ارائه مثال های پایه از تحلیل سبد خرید یا Market Basket Analysis معرفی قواعد توصیف کننده و خواص آن ها معرفی معیارهای تشخیص قاعده های قوی یا Strong Rules معرفی و بررسی کامل الگوریتم Apriori برای استخراج و کاوش قواعد وابستگی پیاده سازی گام به گام الگوریتم Apriori در محیط متلب به همراه حل یک مثال عملی درس دهم: کاوش قواعد وابستگی یا Association Rule Mining (ب) کاوش قواعد وابستگی یا Association Rule Mining رده ای از مسائل داده کاوی را شامل می شود، که در آن به دنبال استخراج و تعریف قواعد و الگوهایی هستیم که توصیف دقیق تری را از فضای حاکم بر داده ها ارائه می دهند. کاربردهای گسترده این روش ها در هوش تجاری (هوشمندی کسب و کار یا Business Intelligence)، شبکه های اجتماعی و مجازی، تجارت الکترونیک، صنعت بانکداری، وب کاوی (Web Mining)، و ده ها زمینه دیگر، اهمیت دو چندانی به این روش ها اعطا کرده است. از جمله کاربردهای مهم این روش ها، می توان به طراحی و پیاده سازی سیستم های پیشنهادگر یا Recommender Systems اشاره نمود، که هر روز در دنیای وب، شاهد ظهور و بروز آن ها هستیم. فهرست سرفصل ها و رئوس مطالب مطرح شده در این درس، در ادامه آمده است: بررسی ضعف های الگوریتم Apriori و مشکلات موجود در مسیر اجرای آن بررسی عوامل و معیارهای بهتر برای توصیف قواعد مهم و جالب توجه در پایگاه داده معرفی و بررسی الگوریتم رشد الگوی متداول یا Frequent Pattern Growth (به اختصار FP-Growth) بررسی مفاهیم تشکیل درخت FP-Tree و مزایای آن در مقایسه با Apriori پیاده سازی گام به گام الگوریتم FP-Growth در محیط متلب به همراه حل یک مثال عملی درس یازدهم: حل چند مساله کاربردی و واقعی در داده کاوی در جهت تکمیل مباحث مطرح شده در جلسات، مجموعه آموزشی داده کاوی در متلب، چند مساله کاربردی با استفاده از داده های واقعی حل و بررسی شده اند. مباحثی که در این آموزش به آن پرداخته می شود، حل مساله رگرسیون، حل مساله طبقه بندی، حل مساله کاوش قواعد وابستگی و … می باشد. توضیح کامل مباحث مربوطه و آموزش توسط یکی از بهترین مدرسین متخصص در این زمینه از نقاط قوت این مجموعه به  شمار می رود. در جهت تکمیل مباحث مطرح شده در جلسات پیشین مجموعه آموزشی داده کاوی در متلب، چند مساله کاربردی با استفاده از داده های واقعی حل و بررسی شده اند. فهرست این مثال در ادامه آمده است: حل مساله رگرسیون یا Regression روش ها: کمترین مربعات، شبکه عصبی MLP و شبکه عصبی RBF موضوع: تخمین درصد چربی موجود در بدن (Body Fat Percentage) با توجه به ۱۳۳ عامل فیزیکی و قابل اندازه گیری در همه جا حل مساله طبقه بندی یا Classification روش ها: طبقه بندی کننده درخت تصمیم یا Decision Tree Classifier موضوع: تحلیل نتایج به دست آمده از انتخابات ریاست جمهوری آمریکا در سال ۲۰۰۸ حل مساله کاوش قواعد وابستگی یا Association Rule Mining روش ها: الگوریتم های Apriori و FP-Growth موضوع: تحلیل سفارش های انجام شده در یک رستوران ارائه دهنده انواع غذاها و نوشیدنی ها

نظرات (0)

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “آموزش داده کاوی Data Mining در متلب MATLAB” لغو پاسخ

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

تماس با ما
  • آدرس: استان : استان : آذربایجان غربی - شهرستان : مهاباد - بخش : مرکزی - روستای : مکریان غربی - شهر : کهریزه شیخان - کوچه 13 - بن بست ملازاده - پلاک : 5.0 - طبقه : همکف
  • تلفن: 09334771163
  • کدپستی: 5914141449
دسترسی آسان
  • آموزش‌های عمومی
  • اقتصاد و حسابداری
  • برنامه‌نویسی
مجوز
اینماد

تمامی حقوق متعلق به سایت rahmoafaghiat.ir میباشد.

  • خانه
  • دوره ها
  • دوره های برنامه‌نویسی
  • بلاگ
  • تماس با ما
  • علاقه مندی
  • مقايسه
  • ورود / ثبت نام
سبد خرید
بستن
ورود
بستن

رمز عبور را فراموش کرده اید؟

حساب کاربری ندارید؟

ایجاد یک حساب کاربری
برای دیدن محصولاتی که دنبال آن هستید تایپ کنید.
فروشگاه
0 لیست علاقه مندی ها
0 مورد سبد خرید
حساب من