آموزش نرم افزار داده کاوی وکا 

نرم افزار داده کاوی وکا دانشجویان و کاربران گرامی محتوای این فایل شامل بهتـریــن و کاملتـریـن آموزش نرم افزار داده کاوی وکا در قالب فایل pdf می باشد که در 109 صفحه بصورت زیبا و منظم توسط تیم وب سایت راهنمای دانشجو تهیه و تنظیم شده است.

✔ داده کاوی چیست؟

داده کاوی مجموعه تکنیک هایی می باشد که پایگاه داده های بزرگ را به منظور دستیابی به دانش، تحلیل می کند. به منظور داده کاوی امروزه از روش های ماشینی و یا نیمه ماشینی استفاده می شود که دلیل آن هم تفاوت عمده در مقیاس، وسعت و گوناگونی زمینه‌ها و کاربردها، و نیز ابعاد و اندازه‌های داده‌هایی می باشد که امروز مورد استفاده قرار می گیرد.

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

داده کاوی یا Data Mining در اصل به معنای استخراج اطلاعات یا الگوهای عملکرد و روابط مشخص در میان داده ها و همین‌طور پایگاه های داده می باشد. نرم افزار داده کاوی وکا داده کاوی حوزه ای ترکیبی از علوم کامپیوتر و آمار است که در طول سال های اخیر و با افزایش داده های دیجیتال و رشد قدرت محاسباتی کامپیوترها از محبوبیت ویژه ای برخوردار شده است. امروز، تقریبا هر شرکت موفقی به نحوی با این قلمرو سر و کار داشتهو از آن برای درک الگوهای ناشناخته و افزایش کارایی شرکت استفاده میکند.

✔ توضیحات مختصر :

آموزش نرم افزار داده کاوی وکا weka

در این مقاله  قصد داریم تا مقدمات ورود به این حوزه را با استفاده از نرم افزار آزاد WEKA بیان کنیم. 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. هر یک از آنها با توجه به نوع اصلی داده هایی که مورد کاووش قرار می دهند، روی الگوریتم های خاصی متمرکز شده اند.

نرم افزار های داده کاوی

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، الگوریتم های پیاده سازی شده، روش های ارزیابی نتایج، روش های مصور سازی، روش های پیش پردازش داده ها، واسط های کاربر پسند،پلت فرم های سازگار برای اجرا، قیمت و در دسترس بودن نرم افزار صورت میگیرد. از آن میان، نرم افزار Weka با داشتن امکانات بسیار گسترده، امکان مقایسه خروجی روشهای مختلف با هم، راهنمای خوب، واسط گرافیکی کارار، سازگار با سایر برنامه های ویندوزی، و از همه مهمتر وجود کتابی بسیار جامع و مرتبط با آت Data mining, witten et AL. 2005 ، معرفی میشود.

میزکار Waka

میزکار Waka، مجموعه ای از الگوریتم های روز یادگیری ماشینی و ابزارهای پیش پردازش داده ها می باشد. ایت نرم افزار به گونه ای طراحی شده است که می توان به سرعت، روش‌های موجود را به صورت انعطاف پذیری روی مجموعه های جدید داده، آزمایش نمود. این نرم افزار، پشتیبانی های ارزشمندی رابرای کل فرایند داده کاوی های تجربی فراهم میکند.

این پشتیبانی ها، آماده‌سازی داده های ورودی، ارزیابی آماری چارچوب های یادگیری و نمایش گرافیکی داده های ورودی و نتایج یادگیری را در بر میگیرد. همچنین، هماهنگ با دامنه وسیع الگوریتم های یادگیری، این نرم‌افزار شامل ابزارهای متنوع پیش پردازش داده هاست. این جعبه ابزار متنوع و جامع، از طریق یک واسط متداول در دسترس است، به نجوی که کاربر میتواند روشهای متفاوت را در آن با یکدیگر مقایسه کند و روش هایی را که برای مسائل مد نظر مناسب تر هستند، تشخیص دهند.

پیاده سازی انواع الگوریتم های یادگیری

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

✔ ابزار های داده کاوی

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

✔ فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی :

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