آموزش مقدماتی رپیدماینر
جلسات آموزشی جدید
-
1
در این جلسه آموزشی از مجموعه جلسات دوره آموزشی رپیدماینر(rapidminer)، مقدماتی در ارتباط با مباحث پایه داده کاوی که پیش نیازی برای یادگیری نرم افزار رپیدماینر است، مطرح می گردد. به طور خلاصه می تواند این گونه بیان نمود که در این جلسه مباحثی پیرامون شناخت انواع داده ها، تشریح انواع روشهای داده کاوی اعم از تکنیک های بدون نظارت و تکنیک های با نظارت، تبدیل داده به فرمت های قابل قبول نرم افزار داده کاوی رپیدماینر، تفکیک داده های آزمایشی(Test Data)، تفکیک داده های آموزشی(Train Data)، آماده سازی داده ها و اعمال پیش پردازش بر روی داده ها.
این جلسه آموزشی به صورن رایگان در اختیار کاربران گرامی رایان پژوهان پارسه قرار گرفته است تا بتوان اندکی در رشد علمی شما شریک باشیم.
مشاهده و خرید2
در این جلسه آموزشی، اقدام به معرفی اجزای داخلی و پنجره های موجود در رپیدماینر نموده ایم. شما با دانلود این نسخه از جلسات آموزشی رپیدماینر می توانید بصورت کلی با محیط این نرم افزار آشنا شده تا در مراحل بعدی دچار مشکل نشوید.. برخی از مهم ترین پنجره های موجود در رپیدماینر عبارتند از:
۱) پنجره Repository: در این پنجره فایل های مدل سازی قرار می گیرد و شامل پوشه هایی است که سورس های رپیدماینر می بایست در آن ذخیره گردد.
۲) پنجره عملگر ها یا Operators: در این پنجره که در سمت چپ محیط نرم افزار رپیدماینر قرار دارد کلیه کنترل ها و الگوریتم های موجود بصورت دسته بندی شده وجود دارد. در این پنجره امکان جستجو یک کنترل یا الگوریتم خاص وجود دارد که کافیست تنها ابتدای اسم الگوریتم مورد نظر مثل Read را وارد نمایید تا تمام کنترل هایی که شامل عبارت Read هستند نمایان گردد.
۳) پنجره Process: این پنجره که یکی از مهم ترین پنجره های موجود در رپیدماینر است برای تهیه مدل های مورد نظر، اضافه کردن کنترل های متنوع به کار می رود....
مشاهده و خرید3
مهمترین وظیفه خوشه بندی تقسیم کردن جمعیت یا داده های در چندین گروه است، به طوریکه نقاط داده ای در یک گروه نسبت به نقاط داده ای در گروه دیگر مشابه نیست. عبارت ساده تر، هدف اصلی خوشه بندی این است که گروه ها با صفات مشابه را جدا ساخته و آن ها را به خوشه ها اختصاص دهیم.
از جمله مهمترین کاربردهای خوشه بندی عبارتند از: جدا سازی داده های Outlier در یک مجموعه داده، گروه بندی جمعیتی از نمونه ها، حذف نمونه های پنهان و غیره.با این وجود در این جلسه آموزشی بصورت فراگیر خواهید آموخت که نحوه خوشه بندی داده های حملات در یک سیستم مثل سیستم ناسا به چه صورت خواهد بود. بعبارت دیگر فرآیند خوشه بندی با استفاده از الگوریتم های K-Means و X-Means و K-Medio ds و DBSCAN را با هم خواهید آموخت.
مشاهده و خرید4
در این جلسه آموزشی از مجموعه جلسات دوره داده کاوی با نرم افزار رپیدماینر(rapidminer)، به طبقه بندی یا دسته بندی مجموعه ای از داده ها با استفاده از الگوریتم محبوب Deep Learning یا یادگیری عمیق پرداخته شده است. الگوریتم یادگیری عمیق که یک تکنیک جدید است در نسخه ۷ رپیدماینر اخیرا اضافه شده که جهت طبقه بندی مجموعه از داده های با نظارت استفاده می گردد. بطور کلی در این جلسه خواهید آموخت که با کمک الگوریتم یادگیری عمیق می توان به صورت پویا هر نوع داده ای را طبقه بندی نموده و این الگوریتم را از جنبه های میزان دقت، صحت، فراخوانی و خطا مورد سنجش قرار داد.
مشاهده و خرید5
در این جلسه آموزشی از مجموعه جلسات دوره آموزشی رپیدماینر, فرآیند انتخاب ویژگی از دیتاست سرطان سینه (بعنوان نمونه با کمک الگوریتم ازدحام ذرات یا PSO و هسته SVM صورت میپذیرد. در این جلسه آموزشی بصورت خاص الگوریتم انتخاب ویژگی PSO بصورت تئوریک و عملی تدریس می گردد. دیتاست سرطان سینه به عنوان منبع داده به الگوریتم انتخاب ویژگی PSO وارد میشود. این الگوریتم بر اساس هسته SVM فراند دسته بندی زیر مجموعه ویژگی ها را انجام داده و در نهایت به هر ویژگی یک وزن بین ۰ و ۱ اختصاص میدهد. در نهایت با تولید خروجی مربوط به هر ویژگی میتوان تعیین کرد که کدام ویژگی دارای وزن بالاتری نسبت به بقیه ویژگیها میباشد. جلسه آموزشی انتخاب ویژگی در رپیدماینر بصورت پروژه محور بوده و یک پروژه عملی را بصورت کامل و با جزئیات تدریس می نماید. با خرید این دوره آموزشی میتوانید به راحتی فرآیند انتخاب ویژگی را بر روی هر دیتاستی در رپیدماینر انجام دهید.
مشاهده و خرید6
در این جلسه آموزشی از مجموعه جلسات دوره آموزشی رپیدماینر، فرآیند انتخاب ویژگی از دیتاست سرطان سینه (بعنوان نمونه با کمک کنترل Optimization و هسته الگوریتم های طبقه بندی مثل SVM، درخت تصمیم، شبکه عصبی، KNN، نایوبیز و غیرہ صورت میپذیرد. در این جلسه آموزشی بصورت خاص کنترل بهینه سازی و انتخاب ویژگی Optimization بصورت تئوریک و عملی تدریس می گردد. دیتاست سرطان سینه به عنوان منبع داده به الگوریتم انتخاب ویژگی Optimization وارد میشود. این الگوریتم بر اساس هسته SVM، درخت تصمیم، شبکه عصبی، KNN نایوبیز و غیره فرایند دسته بندی زیر مجموعه ویژگی ها را انجام داده و در نهایت به هر ویژگی یک وزن بین ۰ و۱ اختصاص میدهد. در نهایت با تولید خروجی مربوط به هر ویژگی میتوان تعیین کرد که کدام ویژگی دارای وزن بالاتری نسبت به بقیه ویژگیها میباشد. جلسه آموزشی انتخاب ویژگی در رپیدماینر بصورت پروژه محور بوده و یک پروژه عملی را بصورت کامل و با جزئیات تدریس می نماید. با خرید این دوره آموزشی میتوانید به راحتی فرآیند انتخاب ویژگی را بر روی هر دیتاستی در رپیدماینر انجام دهید.
مشاهده و خرید7
در این جلسه آموزشی اضافه نمودن پلاگین در نرم افزار داده کاوی رپیدماینر، یکی از مهمترین مشکلات بسیاری از کاربران و دانشجویان علاقه مند به نرم افزا رداده کاوی رپیدماینر در ارتباط با ارزیابی عملکرد یا کارایی الگوریتم های خوشه بندی مثل K-Means، X-Means و غیره، محاسبه میزان عملکرد این الگوریتم ها می باشد. در این جلسه آموزشی از مجموعه دوره های نرم افزار داده کاوی رپیدماینر، فرآیند ارزیابی کارایی الگوریتم های خوشه بندی تدریس می گردد.
مشاهده و خرید8
در این جلسه آموزشی از دوره های رپیدماینر اقدام به متن کاوی یا تکست ماینینگ بر روی متن ها خبری با استفاده از الگوریتم های محبوب یادگیری ماشین اعم از درخت تصمیم، نایوبیز و غیره نموده ایم. این جلسه آموزشی به شما کمک می کند تا بتوانید پژوهش هایی در زمینه تحلیل عقاید و احساسات کاربران، طبقه بندی متون فارسی و لاتین، کاوش دانش های پنهان و غیره بر روی انواع دیتاست ها ارزیابی نموده و در عمل مورد آزمایش قرار دهید.
مشاهده و خرید
