در جهت تکمیل مباحث مطرح شده در جلسات پیشین مجموعه آموزشی داده کاوی در متلب، چند مسأله کاربردی با استفاده از داده های واقعی حل و بررسی شده اند. 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. 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. برای کسب اطلاعات بیشتر در خصوص این فیلم آموزشی، لینک ادامه مطلب را ببینید.

در جهت تکمیل مباحث مطرح شده در جلسات پیشین مجموعه آموزشی داده کاوی در متلب، چند مسأله کاربردی با استفاده از داده های واقعی حل و بررسی شده اند.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، و 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.

 

 

فهرست این مثال در ادامه آمده است:

• حل مسأله 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 ۱۳ عامل فیزیکی و قابل اندازه گیری در همه جا

• حل مسأله 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 مسأله 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

 

 

برای مشاهده جزئیات و تهیه آموزش فرادرس فیلم آموزشی حل چند مسأله کاربردی و واقعی در داده کاوی به این لینک (+) مراجعه نمایید.

برای مشاهده پیش نمایش این محصول بر روی یوتیوب (YouTube) از لینک زیر استفاده کنید:

لینک ویدئو بر روی سرور یوتیوب (YouTube)