معرفی و دانلود کتاب داده کاوی با رپیدماینر: امتیازدهی، اعتبارسنجی و ابزار - جلد سوم

معرفی کتاب داده کاوی با رپیدماینر: امتیازدهی، اعتبارسنجی و ابزار - جلد سوم

کتاب داده کاوی با رپیدماینر: امتیازدهی، اعتبارسنجی و ابزار - جلد سوم که در ادامه‌ی جلد دوم به رشته‌ی تحریر در آمده، پس از مدل‌سازی داده به چگونگی امتیازدهی و اعتبارسنجی از طریق رپیدماینر پرداخته و همچنین داده کاوی با این نرم‌افزار را مورد و بررسی قرار می‌دهد.

در دنیای امروز با توجه به پیشرفت فناوری و حضور پر رنگ آن در زندگی بشر، کاربرد داده و اطلاعات به وضوح دیده می‌شود. داده‌کاوی یا Data Mining یکی از چندین روش استخراج اطلاعات از داده‌های خام محسوب می‌شود. داده کاوی به معنای فرایند تجزیه و تحلیل داده‌ و کشف الگوهای مفید در یک مجموعه‌ی داده است.

در اطراف شما داده‌های بسیاری هست که به طور چشم‌گیری در حال رشد هستند. لذا شما نیاز به تصمیم‌گیری‌های کاربردی و هوشمندانه در حوزه‌های گوناگون دارید تا الگوهایی که بدان نیازمند هستید را از این داده‌ها استخراج کنید. اگر با ابزارهای موجود در این حوزه آشنایی نداشته نباشید، این فرایند می‌تواند برایتان مشکل‌ساز باشد.

تعداد بسیاری از این ابزارها وجود دارند که برای داده‌کاوی می‌توانید از آن‌ها بهره ببرید. با استفاده از آن‌ها قادر خواهید بود اعمالی مانند کشف رابطه‌ی میان داده‌ها، خوشه‌بندی داده‌ها، طبقه‌بندی آن‌ها و… را به راحتی انجام دهید.

یکی از بهترین و کاربردی‌ترین نرم‌افزارها در زمینه‌ی داده‌کاوی، نرم‌افزار رپیدماینر است که با زبان جاوا نوشته شده است. از جمله مزایای این نرم‌افزار می‌توان به عدم نیاز کاربران به کدنویسی اشاره کرد که کار را برای آن‌ها آسان کرده است. ابزارهایی که در این نرم‌افزار وجود دارد به کاربر این قابلیت را می‌دهد تا بر روی مجموعه داده‌ی خود به داده‌کاوی بپردازد.

رپیدماینر از جمله نرم‌افزاری‌های قدرتمند در زمینه‌ی تحلیل و پیش‌بینی و داده‌کاوی است. این برنامه کاربردهای مهم این نرم‌افزار می‌توان هم در امور تجاری و کسب و کار و هم در امور تحقیقاتی، آموزشی، یادگیری بهره برد.

این نرم‌افزار به علاقه‌مندان حوزه‌ی داده‌کاوی و یادگیری ماشینی این امکان را می‌دهد تا با بهره‌گیری از این برنامه همه‌ی مراحل مورد نیاز را از آماده‌سازی اطلاعات اولیه تا بصری کردن نتایج، ارزیابی و اعتبار سنجی و... را در یک محیط یکپارچه انجام دهند.

نقاط قوت نرم‌افزار رپیدماینر:

- نمای گرافیکی خوب
- ظاهر پرداخته و آراسته.
- امکان تصحیح و خطایابی بسیار سریع.
- ارائه گزارش و رونوشت از مراحل اجرای الگوریتم.
- مستندات شامل راهنمای بسیاری از عملگر‌ها در نرم‌افزار.
- قابلیت تطابق با فایل‌های خروجی بسیاری از نرم‌افزار‌ها مانند Excel.
- وجود آموزش‌های ویدیویی مناسب که برای این نرم‌افزار تهیه شده و در وب قرار داده شده‌است.
- امکان اجرای هم‌زمان الگوریتم‌های یادگیری متفاوت در نرم‌افزار و مقایسه آن‌ها با یک‌دیگر در ابزار در نظر گرفته شده‌است.

امکانات ویژه در این نرم‌افزار:

- امکانات متن‌کاوی نیز در این نرم‌افزار پیش‌بینی شده‌ است.
- کلیه الگوریتم‌های یادگیری مدل در نرم‌افزار داده‌کاوی وِکا (WEKA) پس از به هنگام‌سازی رپیدماینر به نرم‌افزار اضافه خواهند شد.
- به دلیل پیاده‌سازی و توسعه این نرم‌افزار با استفاده از زبان جاوا، امکان کار در سیستم‌های عامل‌ مختلف از جمله ویندوز، لینوکس و سیستم‌های مکینتاش برای این نرم‌افزار وجود دارد.

در بخشی از کتاب داده کاوی با رپیدماینر می‌خوانیم:

مجموعه ExampleSet ورودی به دو زیرمجموعه تقسیم می‌شود. از یک زیرمجموعه بعنوان مجموعه آموزشی و از دیگری بعنوان مجموعه آزمون استفاده می‌گردد. اندازه این دو زیرمجموعه را می‌توان از طریق پارامتر sample ratio تنظیم نمود. پارامتر sample ratio نسبت و بخشی از مثال‌ها را مشخص می‌کند که در مجموعه آموزشی بکار برده می‌شوند.

نسبت و سهم مثال‌های موجود در مجموعه آزمایشی بصورت خودکار و به شکل 1-n محاسبه می‌شود که n نسبت مثال‌های موجود در مجموعه آموزشی است. نکته مهمی که باید در اینجا به آن اشاره کرد این است که این اپراتور، پیش از آموزش دادن یک مدل، نمونه‌برداری بوت‌استرپینگ را (که در پاراگراف بعدی توضیح داده می‌شود) روی مجموعه آموزشی اجرا می‌کند. این مدل روی مجموعه آموزشی آموخته و سپس روی مجموعه آزمون اعمال می‌شود. این فرآیند m بار تکرار می‌شود که m مقدار پارامتر number of validations است.

نمونه‌برداری بوت‌استرپینگ (bootstrapping sampling)، یک نمونه‌برداری همراه با جایگزینی است. در نمونه‌برداری همراه با جایگزینی، در هر مرحله تمامی مثال‌ها احتمال یکسانی برای انتخاب شدن دارند. بعد از اینکه یک مثال برای قرار گرفتن در نمونه انتخاب شد، این مثال همچنان کاندید انتخاب شدن باقی می‌ماند و می‌تواند دوباره در هر یک از مراحل بعدی انتخاب شود.

بنابراین، یک نمونه همراه با جایگزینی می‌تواند یک مثال یکسان را چندین بار در خود داشته باشد. نکته مهم‌تر این است که می‌توان از یک نمونه همراه با جایگزینی استفاده کرد تا نمونه‌ای تولید نمود که اندازه آن از ExampleSet اولیه بزرگتر باشد.

فهرست مطالب کتاب

فصل پنجم - امتیازدهی
فصل ششم - اعتبارسنجی
فصل هفتم - ابزار