آموزش کامل داده کاوی با weka


weka مجموعه اي از به روزترین الگوریتم هاي یادگیري ماشینی و ابزارهایی براي پیش پردازش داده ها میباشد.  WEKA در قالب واسطهاي کاربري مناسب در اختیار کاربران قرار میگیرد بنابراین کاربران میتوانند  با توجه اینکه کلیه امکانات متدهاي مختلف را بر روي دادههاي خود پیاده سازي کرده و بهترین الگوریتم را براي کار انتخاب نمایند.. همچنین این نرم افزار تحت مجوز Java که ماشین مجازي بدان معناست که استفاده از آن رایگان بوده و کاربران به راحتی میتوانند به کدمنبع هاي آن دسترسی داشته و حتی آنها را برحسب نیاز تغییر داده و روشهاي دیگري را نیز به آنها اضافه کنند.
این نرم افزار توسط جاوا پیاده سازی شده و شما می توانید مستقیما از وکا استفاده کنید یا در کد جاوای برنامه خود مورد استفاده قرار دهید. در وکا مجموعه کاملی از الگوریتم ها ارائه شده است که می توان در نظرکاوی، متن کاوی و امور مختلف داده کاوی مورد استفاده قرار داد. یکی از نقاط قوت وکا عملکرد مناسب الگوریتم ماشین یادگیری این نرم افزار است. الگوریتم به شکلی پیاده سازی شده اند که عملکرد قابل قبولی نسبت به بقیه نرم افزارها ارائه می دهند. در کنار این نکات قوت وکا ظاهر کاربرپسندی نیز دارد.

 این پکیج شامل چهار واسط کاربری متفاوت می‌باشد:

  •  Explorer: در این حالت شما می‌توانید روش‌های مختلف آماده‌سازی، تبدیل و الگوریتم‌های مدلسازی بر روی داده‌ها را اجرا کنید.

  • Experimenter: در این حالت فقط امکان اجرای الگوریتم‌های مختلف رده‌بندی به صورت هم‌زمان و مقایسه نتایج آن‌ها وجود دارد. تمامی شاخص‌های مورد نیاز به منظور بررسی مدل‌های رده بندی در این قسمت تعریف شده و قرار دارند و گزارشات مفصلی را از جمله آزمون T می توان در این قسمت پس از مدلسازی استخراج نمود.

  • Knowledge Flow: در این قسمت یک واسط گرافیکی طراحی شده است که مانند نرم افزارهای IBM Modeler و رپیدماینر در آن می توان جریان های داده ای مختلف تولید نمود.

  •  (command line interface (CLI: در این حالت امکان مدلسازی توسط کدنویسی خط به خط قرار دارد.

  • در وکا داده ها می توانند به فرمت های مختلف از جمله Excel، CSV و Arff باشند. اما به طور کلی این نرم افزار با داده‌ها به فرمت Arff میانه بهتری دارد.

يكي از راه­‏هاي به كارگيري Weka ، اعمال يك روش يادگيري به يك مجموعه داده و تحليل خروجي آن براي شناخت چيزهاي بيشتري راجع به آن اطلاعات مي‏­باشد. راه ديگر استفاده از مدل يادگيري شده براي توليد پيش‏بيني­‏هايي در مورد نمونه­‏هاي جديد است. سومين راه، اعمال يادگيرنده­‏هاي مختلف و مقايسه كارآيي آنها به منظور انتخاب يكي از آنها براي تخمين مي‏­باشد. روش­‏هاي يادگيري Classifier ناميده مي‏­شوند و در واسط تعاملي Weka ، مي‏­توان هر يك از آنها را از منو انتخاب نمود. بسياري از classifier ‏ها پارامترهاي قابل تنظيم دارند كه مي‏­توان از طريق صفحه ويژگي‏‏ها يا object editor به آنها دسترسي داشت. يك واحد ارزيابي مشترك، براي اندازه‏گيري كارآيي همه classifier به كار مي‏­رود. پياده سازي­‏هاي چارچوب­‏هاي يادگيري واقعي، منابع بسيار ارزشمندي هستند كه Weka فراهم مي‏­كند. ابزارهايي كه براي پيش پردازش داده­‏ها استفاده مي‏­شوند. filter ناميده مي‏­شوند. همانند classifier ‏ها، مي‏­توان filter ‏ها را از منوي مربوطه انتخاب كرده و آنها را با نيازمندي­‏هاي خود، سازگار نمود. در ادامه، به روش به كارگيري فيلترها اشاره مي‏­شود. علاوه بر موارد فوق، Weka شامل پياده سازي الگوريتم­‏هايي براي يادگيري قواعد انجمني، خوشه­بندي داده­‏ها در جايي كه هيچ دسته­اي تعريف نشده است، و انتخاب ويژگي‏هاي مرتبط در داده­‏ها مي‏­شود.

هدف از این آموزش فراگیری انجام کارهای داده کاوی مختلف با نرم افزار weka می باشد.بی شک نرم افزار weka یکی از قوی ترین وکاربرپسندترین نرم افزارهای داده کاوی به شمار می رود. وهدف انجام کارهای مهم داده کاوی است :

موارد موجو دراین فایل :

  1. شروع کار با weka

  2. نصب weka

  3. نحوه ورود انواع مختلف داده در نرم افزار weka

  4. پیش پردازش داده ها در weka

  5.   خواندن و فيلتر كردن فايل ها

  6. تبديل فايل ها به فرمتarff

  7. به کارگیری فیلتر ها

  8. نحوه Classifyکردن داده ها با انواع مختلف کلاسیفایرها

  9. نحوه انجام رگرسيون

  10. نحوه انجام خوشه بندی

  11. اجرای قوانين وابستگي

  12. شرح کامل قسمت های مختلف نرم افزار wekaاز جمله :

  13. استفاده ازخط فرمان سیستم عامل

    استفاده ازخط فرمان

    استقاده ازواسط کابري

    استفاده از weka  در برنامه های دیگر

  14. پنجره اصلی

  15.  قسمت های اصلی

    اطلاعات ورودی در weka

    قسمت های اصلی در weka

  16. فرمت اطلاعات ورودی در weka

  17. توضیح برگه explorer

  18. توضیح برگه classify

  19. توضیح برگه Clustering

  20. توضیح برگه Associate

  21. توضیح برگه Visualize

*

مراحل خرید فایل دانلودی
اگر محصول را می پسندید لطفا آنرا به اشتراک بگذارید.

مجوز ارسال دیدگاه داده نشده است!

0