دانلود آموزش داده کاوی یا Data Mining در متلب

دانلود آموزش داده کاوی یا Data Mining در متلب
نویسنده
تاریخ انتشار
۳۰ تیر ۱۳۹۹
دسته بندی
تعداد بازدید
751 بازدید
به زودی ...

دانلود آموزش داده کاوی یا Data Mining در متلب

این مطلب صرفا جهت معرفی اثر می باشد لطفا از ناشر اصلی اثر را خریداری فرمایید

Data Mining در MATLAB مجموعه فیلمهای آموزشی است که شامل بیست و چهار ساعت برنامه آموزشی تخصصی در زمینه داده کاوی و مباحث آن ، اجرای آنها در محیط MATLAB و کاربردهای آنها می باشد. بودن.

درس ۱: اصول داده کاوی

در فیلم آموزشی مبانی داده کاوی با بررسی مفاهیم اساسی داده کاوی و موضوعاتی که در این زمینه مطرح می شود ، تصویری جامع از عملیات داده کاوی و کاربردهای آن در زمینه های مختلف ارائه شده است. این موضوع ، به ویژه با ارائه نمونه های مختلف از زمینه های مختلف ، این فیلم آموزشی را به یک مرجع آموزشی جامع و کاربردی برای اکثر مخاطبان تبدیل کرده است. کلیه برنامه های این فیلم آموزشی ، مانند سایر محصولات آموزشی ارائه شده در فارادرس ، بصورت گام به گام و به ساده ترین روش ارائه می شود.
در زیر لیستی از مباحث موجود در این آموزش آمده است:

مشکل داده کاوی و استخراج دانش از داده یا KDD را تعریف کنید
تاریخچه پایگاه داده ها و روش های داده کاوی
گام هایی در مسیر کشف دانش و استخراج دانش یا کشف دانش
معرفی انواع داده ها و پایگاه های داده ای که می توان داده کاوی انجام داد
انواع الگوهای قابل شناسایی در داده ها را بررسی کنید
روشهای موجود را برای حل انواع مشکلات داده کاوی مرور کنید
معرفی ویژگی های مهم و مطلوب در الگوهای قابل جستجو
مشکلات و مشکلات موجود در مسیر داده کاوی را بررسی کنید

این مطلب صرفا جهت معرفی اثر می باشد لطفا از ناشر اصلی اثر را خریداری فرمایید

درس ۲: روش های پردازش داده ها

در فیلم آموزشی ، روشهای پردازش داده برای شروع فرایند داده کاوی بررسی شده است. برای به دست آوردن نتیجه گیری بهتر از بسیاری از الگوریتم های داده کاوی ، لازم است که تغییرات داده یا اصلاحاتی در داده های خام انجام شود ، تا از حداکثر کیفیت الگوهای و قواعد کاوش شده از داده ها نهایت استفاده کنید.
در زیر لیستی از مباحث موجود در این آموزش آمده است:

مروری بر نیاز به پردازش و آماده سازی داده ها
روش های تمیز کردن داده ها
پاک کردن داده های پر سر و صدا
برخورد با داده های گمشده
روشهای ادغام داده
روش های کاهش داده ها
کاهش ابعاد
کاهش عددی
متراکم سازی داده ها
روش های تبدیل داده ها
صاف کردن
استخراج ویژگی
عادی سازی
و ده ها موضوع دیگر …

این مطلب صرفا جهت معرفی اثر می باشد لطفا از ناشر اصلی اثر را خریداری فرمایید

درس ۳: طبقه بندی

بسیاری از مشکلات داده کاوی را می توان به عنوان یک مسئله طبقه بندی بیان کرد ، که در آن در نهایت یک پیش بینی کننده آموزش می یابد که می تواند با دانش موجود برای طبقه بندی مجموعه ای از موارد ، آن دانش را در طبقه بندی موارد دیگر تعمیم دهد. در حقیقت ، موضوع طبقه بندی موضوع یادگیری نظارت شده است. در فیلم آموزشی جامع طبقه بندی ، پس از مروری بر مفاهیم طبقه بندی و روش آموزش طبقه بندی ، چندین روش پرکاربرد در محیط MATLAB معرفی و اجرا شده است.
در زیر لیستی از مباحث موجود در این آموزش آمده است:

مفاهیم اساسی طبقه بندی
استفاده از درخت تصمیم در طبقه بندی
اجرای طبقه بندی درخت تصمیم دودویی در متلب
مفاهیم تقسیم اطلاعات به سه گروه: آموزش ، آزمون و اعتبار سنجی
بررسی مفهوم Overtraining
اعتبارسنجی K-Fold
طبقه بندیگر بیزی طبقه بندیگر
طبقه بندی پایه بیزی را در متلب اجرا کنید
K- نزدیکترین همسایگان یا الگوریتم KNN
اجرای KNN (یا k نزدیکترین همسایه) در محیط MATLAB
معرفی یک روش پیشرفته تر برای حل مشکلات طبقه بندی

این مطلب صرفا جهت معرفی اثر می باشد لطفا از ناشر اصلی اثر را خریداری فرمایید

درس ۴: خوشه بندی (ع)

بسیاری از مشکلات داده کاوی را می توان به عنوان یک مشکل خوشه بندی بیان کرد ، که در آن یک عامل هوشمند یا نیمه هوشمند می تواند بدون داشتن اطلاعات پیش زمینه ، قادر به طبقه بندی منطقی از موارد موجود باشد. دارند. در حقیقت ، مشکل خوشه بندی یک مشکل یادگیری بدون نظارت است. در ویدئوی آموزشی جامع درباره خوشه بندی ، پس از مرور مفاهیم اساسی خوشه بندی و تفاوت های آن با مسئله طبقه بندی ، چندین روش مهم و بسیار کاربردی در زمینه تجزیه و تحلیل خوشه ای در محیط MATLAB معرفی و عملی شده است. .
در زیر لیستی از مباحث موجود در این آموزش آمده است:

مروری بر مفاهیم اساسی خوشه بندی
مروری بر تفاوتهای طبقه بندی و طبقه بندی
نمونه هایی از برنامه های خوشه بندی در داده کاوی و موضوعات عملی را ارائه دهید
بررسی روشهای مختلف خوشه بندی
روشهای تقسیم بندی
بررسی روش k-Means (الگوریتم لوید) با اجرای MATLAB
بررسی روش k-Medoids با اجرای MATLAB
روش F-Cans یا FCM را فازی کنید و آن را در متلب اجرا کنید

درس ۵: خوشه بندی (ب)

بسیاری از مشکلات داده کاوی را می توان به عنوان یک مشکل خوشه بندی بیان کرد ، که در آن یک عامل هوشمند یا نیمه هوشمند می تواند بدون داشتن اطلاعات پیش زمینه ، قادر به طبقه بندی منطقی از موارد موجود باشد. دارند. در حقیقت ، مشکل خوشه بندی یک مشکل یادگیری بدون نظارت است. در ویدئوی آموزشی جامع درباره خوشه بندی ، پس از مرور مفاهیم اساسی خوشه بندی و تفاوت های آن با مسئله طبقه بندی ، چندین روش مهم و بسیار کاربردی در زمینه تجزیه و تحلیل خوشه ای در محیط MATLAB معرفی و عملی شده است. .
در زیر لیستی از مباحث موجود در این آموزش آمده است:

نقشه های خود سازمان یافته یا SOM را معرفی کنید و آنها را در محیط MATLAB پیاده سازی کنید
روشهای خوشه بندی سلسله مراتبی
بررسی صعود یا AGNES و روشهای نزولی یا DIANA
رویکرد AGNES را در محیط MATLAB پیاده سازی کنید
روش های خوشه بندی چگالی یا توزیع مبتنی بر توزیع
بررسی DBSCAN یا خوشه مکانی مکانی مبتنی بر تراکم برنامه های کاربردی با نویز
اجرای الگوریتم DBSCAN در محیط MATLAB
روش های خوشه بندی مبتنی بر شبکه
مروری بر رویکردهای استفاده از الگوریتم های تکاملی و بهینه سازی در خوشه بندی

این مطلب صرفا جهت معرفی اثر می باشد لطفا از ناشر اصلی اثر را خریداری فرمایید

درس ۶: رگرسیون

بسیاری از مشکلات داده کاوی را می توان به عنوان یک مسئله رگرسیون بیان کرد ، که در نهایت یک مدل پیش بینی در نهایت تهیه و طراحی می شود که می تواند تمام نقاط یک رابطه ریاضی پنهان یا موجود را در خود جای دهد. بازسازی یا شبیه سازی آن رابطه و کمک به ما در یافتن روابط بین متغیرها و خروجی ها. در فیلم آموزشی جامع پیرامون رگرسیون ، پس از بررسی اجمالی مفاهیم رگرسیون و مدل سازی ، تعدادی از روشهای پرکاربرد در محیط MATLAB معرفی و اجرا شده است.
در زیر لیستی از مباحث موجود در این آموزش آمده است:

مفاهیم اساسی رگرسیون و مدل سازی و رویکردهای کلی برای حل این مشکلات را بررسی کنید
بررسی ساختار مشکل یادگیری نظارت شده برای مدل سازی و رگرسیون
بررسی و معرفی روشهای مختلف رگرسیون
روش حداقل مربعات (LS برای کوتاه) و اجرای آن در محیط MATLAB
تعمیم روش حداقل مربعات برای مدل سازی غیرخطی
مروری بر شبکه های عصبی چند لایه پرسپترون یا MLP ها
مدل سازی و رگرسیون با شبکه عصبی MLP در MATLAB
نمای کلی از شبکه های عصبی مبتنی بر توابع شعاعی یا RBF
مدل سازی و رگرسیون با شبکه عصبی RBF در MATLAB

درس ۷: کاهش ابعاد

کاهش ابعاد یکی از مراحلی است که بعضاً به عنوان مرحله پیش پردازش در ابتدای فرآیند داده کاوی انجام می شود. از طرف دیگر کاهش ابعاد می تواند یک کار انتخابی یا استخراج محسوب شود. در فیلم آموزش جامع بعدی ، روش های مختلفی برای کاهش ابعادی و انتخاب ویژگی ها معرفی شده است و پس از اجرای در محیط MATLAB ، در برنامه های کاربردی کاربردی استفاده شده است.
در زیر لیستی از مباحث موجود در این آموزش آمده است:

مروری بر مفاهیم اساسی کاهش ابعادی
معرفی و بررسی کامل تحلیل مؤلفه های اصلی (PCA)
بررسی رابطه بین PCA و تجزیه و تحلیل ارزش منفرد یا SVD
اجرای PCA در محیط MATLAB و کاربرد آن در کاهش ابعاد
معرفی رویکردهای عمومی برای روش PCA
معرفی آنالیز تبعیض آمیز فیشر (FDA) یا تحلیل تبعیض آمیز خطی (LDA)
بررسی تفاوتهای بین PCA و FDA (یا LDA)
اجرای الگوریتم FDA در محیط MATLAB و کاربرد آن در کاهش ابعاد و طبقه بندی
معرفی شبکه های عصبی خودکار همکار
معرفی و کاربرد جعبه ابزار NLPCA برای کاهش ابعاد غیرخطی در MATLAB
مشکلات بعد غیر خطی را حل کنید
کاربرد برنامه نویسی خود ساماندهی یا SOM را در کاهش ابعادی بررسی کنید

این مطلب صرفا جهت معرفی اثر می باشد لطفا از ناشر اصلی اثر را خریداری فرمایید

درس ۸: تشخیص دفع کننده

شناسایی داده های منسوخ شده می تواند به عنوان یک مرحله پیش پردازش در مسیر داده کاوی یا به طور مستقل به عنوان یک عملیات داده کاوی در نظر گرفته شود. روش های مختلفی برای شناسایی داده های قدیمی وجود دارد که در فیلم آموزشی برای کشف خارج از داده ها ، مرور کلی از این موارد انجام شده است و در آخر یک مورد که کاربرد بیشتری دارد ، یعنی تجزیه و تحلیل بر اساس معیار T2. با جزئیات بررسی شده در محیط متلب مستقر و پیاده سازی شده است.
در زیر لیستی از مباحث موجود در این آموزش آمده است:

بررسی انواع الگوهای و داده های بیرونی و ناسازگاری ها
معرفی روش های کلی برای شناسایی داده های منسوخ
معرفی معیار T2 برای تشخیص ناسازگاری
مطالعه هندسی معیار T2 و اجرای آن در محیط MATLAB
معرفی یک معیار Q یا مانده برای شناسایی داده های منسوخ شده

درس ۹: کاوش در قانون استخراج معادن انجمن (ع)

Association Rule Mining شامل طیف وسیعی از مشکلات داده کاوی است که در آن ما به دنبال استخراج و تعریف قوانین و الگوهای هستیم که توضیحی دقیق تر از فضای داده ارائه می دهند. کاربردهای گسترده این روشها در هوش تجاری (هوش تجاری یا هوشمندی) ، شبکه های اجتماعی و مجازی ، تجارت الکترونیکی ، صنعت بانکی ، وب کاوی و ده ها زمینه دیگر ، اهمیت این روش ها را دو چندان مهم می کند. اعطا کرده است از جمله کاربردهای مهم این روشها می توان به طراحی و اجرای سیستمهای پیشنهادی اشاره کرد که شاهد هستیم هر روز در دنیای وب ظاهر می شود.
در زیر لیستی از مباحث موجود در این آموزش آمده است:

انواع الگوهای تکراری را بررسی کنید
نمونه های اصلی تجزیه و تحلیل سبد خرید را ارائه دهید
قوانین توصیفی و خصوصیات آنها را معرفی کنید
معرفی قوانین قوی
معرفی و بررسی کامل الگوریتم آپریوری برای استخراج و کاوش قوانین وابستگی
اجرای گام به گام الگوریتم آپریوری در محیط MATLAB با حل یک مثال عملی

این مطلب صرفا جهت معرفی اثر می باشد لطفا از ناشر اصلی اثر را خریداری فرمایید

درس ۱۰: کاوش قانون استخراج انجمن (ب)

Association Rule Mining شامل طیف وسیعی از مشکلات داده کاوی است که در آن ما به دنبال استخراج و تعریف قوانین و الگوهای هستیم که توضیحی دقیق تر از فضای داده ارائه می دهند. کاربردهای گسترده این روشها در هوش تجاری (هوش تجاری یا هوشمندی) ، شبکه های اجتماعی و مجازی ، تجارت الکترونیکی ، صنعت بانکداری ، وب کاوی و ده ها زمینه دیگر ، اهمیت این روش ها را دو چندان مهم می کند. اعطا کرده است از جمله کاربردهای مهم این روشها می توان به طراحی و اجرای سیستمهای پیشنهادی اشاره کرد که شاهد هستیم هر روز در دنیای وب ظاهر می شود.
در زیر لیستی از مباحث موجود در این آموزش آمده است:

نقاط ضعف الگوریتم آپریوری و مشکلات موجود در اجرای آن را بررسی کنید
برای توصیف قوانین مهم و جالب در بانک اطلاعات ، از عوامل و معیارهای بهتری استفاده کنید
معرفی و بررسی الگوریتم رشد مکرر الگوی رشد (رشد کوتاه مدت FP)
بررسی مفاهیم تشکیل FP-Tree و مزایای آن در مقایسه با آپریوری
اجرای گام به گام الگوریتم FP-Growth در محیط MATLAB با حل یک مثال عملی

درس ۱۱: برخی از مشکلات عملی و واقعی را در داده کاوی حل کنید

به منظور تکمیل مباحث مطرح شده در جلسات ، مجموعه آموزش داده کاوی در متلب ، چندین موضوع عملی با استفاده از داده های واقعی برطرف شده است. مباحث تحت پوشش در این آموزش عبارتند از: حل مسئله رگرسیون ، حل مسئله طبقه بندی ، مسئله حل مسئله اکتشاف و قوانین وابستگی. توضیح کامل در مورد موضوعات مربوطه و آموزش توسط یکی از بهترین معلمان متخصص در این زمینه یکی از نقاط قوت این مجموعه است.

به منظور تکمیل مباحث مطرح شده در جلسات قبلی پکیج آموزش داده کاوی MATLAB ، چندین موضوع عملی با استفاده از داده های واقعی برطرف شده است. در زیر لیستی از مثالها آمده است:

مشکل رگرسیون را حل کنید
روشها: حداقل مربعات ، شبکه عصبی MLP و شبکه عصبی RBF
موضوع: برآورد درصد چربی بدن (درصد چربی بدن) مطابق با ۱۳۳ فاکتور بدنی و قابل اندازه گیری در همه جا

مشکل طبقه بندی را حل کنید
روش ها: طبقه بندی درخت تصمیم گیری
موضوع: تجزیه و تحلیل نتایج انتخابات ریاست جمهوری ۲۰۰۸ ایالات متحده

حل مسئله کاوش قانون استخراج انجمن
روشها: الگوریتمهای آپریوری و FP-Growth
موضوع: تجزیه و تحلیل سفارشات انجام شده در رستوران با ارائه انواع غذاها و نوشیدنی ها

این مطلب صرفا جهت معرفی اثر می باشد لطفا از ناشر اصلی اثر را خریداری فرمایید

نوع فایل :
حجم فایل :
دسته فایل:
برچسب ها , , , ,
نکات خرید:
راهنمای خرید:
  • لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
  • همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
  • ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
  • لطفا هنگام دانلود vpn خود را خاموش کنید.
  • در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما در ارتباط باشید. (شماره پشتیبانی واتساپ : 09017014520)
  • در صورت نیاز می توانید فونت های فارسی را از اینجا دانلود کنید