فرادرس
درباره سایت
آخرین مطالب
- فرادرس – کلمات کلیدی جستجو شده – بخش بیست و ششم
- فرادرس – کلمات کلیدی جستجو شده – بخش بیست و پنجم
- فرادرس – کلمات کلیدی جستجو شده – بخش بیست و چهارم
- فرادرس – کلمات کلیدی جستجو شده – بخش بیست و سوم
- فرادرس – کلمات کلیدی جستجو شده – بخش بیست و دوم
- فرادرس – کلمات کلیدی جستجو شده – بخش بیست و یکم
- وبلاگ های فرادرس
- فراردس – کلمات کلیدی جستجو شده – بخش نهم
- فراردس – کلمات کلیدی جستجو شده – بخش هشتم
- فراردس – کلمات کلیدی جستجو شده – بخش هفتم
امکانات وب
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.
بسیاری از مسائل داده کاوی را می توان به صورت یک مسأله طبقه بندی یا Classification بیان نمود، که در آن در نهایت یک عامل پیش بین تربیت می شود که می تواند با در دست داشتن دانش موجود برای طبقه بندی یک مجموعه از موارد، آن دانش را به طبقه بندی سایر موارد تعمیم دهد. در واقع مسأله طبقه بندی، یک مسأله یادگیری نظارت شده است. در فیلم آموزشی جامع طبقه بندی یا Classification، پس از مرور کلی بر مفاهیم طبقه بندی و شیوه تربیت یک عامل طبقه بندی کننده یا Classifier، چند روش پر کاربرد معرفی و در محیط متلب پیاده سازی شده اند.
سرفصل های مهم ترین مباحث مطرح شده در این فیلم آموزشی در ادامه آمده اند:
- مفاهیم پایه طبقه بندی یا Classification
- کاربرد درخت تصمیم یا Decision Tree در طبقه بندی
- پیاده سازی طبقه بندی درخت تصمیم باینری در متلب
- مفاهیم تقسیم بندی اطلاعات به سه گروه آموزش یا Train، آزمایش یا Test و اعتبارسنجی یا Validation
- بررسی مفهوم Overtraining
- روش اعتبارسنجی چند لایه ای یا k-Fold Cross-Validation
- طبقه بندی کننده پایه بیزی یا Naive Bayesian Classifier
- پیاده سازی طبقه بندی پایه بیزی در متلب
- الگوریتم k-Nearest Neighbors یا KNN
- پیاده سازی KNN در محیط متلب
- معرفی روش پیشرفته تر حل مسائل طبقه بندی
مدرس: مهندس سیدمصطفی کلامی هریس
توجه: این فیلم آموزشی، بخشی از یک محصول بزرگ تر، یعنی بسته طلایی فیلم های آموزشی داده کاوی یا Data Mining در متلب است. برای دریافت اطلاعات بیشتر در خصوص این بسته آموزشی ارزشمند، به این لینک (+) مراجعه نمایید.
برچسب: Binary Decision Tree, Classification, Data Mining, Data Mining in MATLAB, Decision Tree, k,Fold Cross,Validation, k,Nearest Neighbors, KDD, KNN, Knowledge Discovery, Knowledge Discovery from Data, Naive Bayesian Classifier, Overfitting, Overtraining, استخراج دانش, اعتبار سنجی, اعتبارسنجی چند لایه ای, الگوریتم k نزدیکترین همسایه, الگوریتم KNN, داده کاوی, داده کاوی در متلب, درخت تصمیم, درخت تصمیم برای طبقه بندی, درخت تصمیم در متلب, طبقه بندی, طبقه بندی بیزی, طبقه بندی در متلب, طبقه بندی کننده پایه بیزی, فرآیند آموزش, مبانی داده کاوی, پیاده سازی KNN در متلب, کاوش دانش, کشف دانش, یادگیری, یادگیری نظارت شده,
نویسنده: فرادرس |FaraDars