الگوریتمهای خوشهبندی و دستهبندی بر روی دیتاست تصاویر ماهوارهای در رپیدماینرپنج‌شنبه 31, ژانویه 2019
الگوریتمهای خوشهبندی و دستهبندی بر روی دیتاست تصاویر ماهوارهای در رپیدماینر
سایت همیارپروژه یک پروژه بسیار کاربردی را در حوزه الگوریتمهای خوشهبندی و دستهبندی بر روی دیتاست تصاویر ماهوارهای در رپیدماینر انجام داده و آن را جهت دانلود شما عزیزان در سایت قرار داده است.جهت خرید و دانلود پروژه توضیحات زیر را مطالعه نمایید.
نرم افزار رپیدماینر :
RapidMiner ۹٫۱۰ x86/x64 رپیدماینر؛ یک محصول نرم افزاری قدرتمند و حرفه‌ای در زمینه علم داده است که توسط شرکتی با همین نام ساخته شده و با دارا بودن یک محیط گرافیکی یکپارچه و زیبا، به کاربران خود این امکان را میدهد که بتوانند به آماده‌سازی داده برای اهداف یادگیری ماشین، یادگیری عمیق، متن کاوی، تجیزه و تحلیل و همینطور پیش‌بینی بپردازند. داده‌کاوی با استفاده از رپیدماینر، یکی از محبوب‌ترین و پرطرفدارترین شیوه‌ها در حوزه داده‌کاوی است که حتی بدون نیاز به دانش برنامه‌نویسی هم میتوان از آن استفاده کرد. داده کاوی در بین دانشجویان و شرکت‌های بزرگ از اهمیت و محبوبیت بالایی برخوردار است؛ مخصوصا اینکه این روزها، داده و توانایی تحلیل و پیش‌بینی آن از جمله دارایی‌های ارزشمند و گران‌بهای هر سازمان محسوب می‌شود. افزایش رقابت در بین شرکت‌ها، هدفمند شدن تصمیم‌گیری مدیران، نیاز به کاهش هزینه‌های سازمانی و بالا بردن درآمد و در نتیجه افزایش سود از جمله عواملی هستند که نیاز به داده کاوی و پیاده‌سازی مدل‌های مبتنی بر یادگیری ماشین را بیش از پیش افزایش داده‌اند.
توضیحات پروژه :
عنوان : الگوریتمهای خوشهبندی و دستهبندی بر روی دیتاست تصاویر ماهوارهای در رپیدماینر
توضیح :
در این تمرین قصد داریم در مورد الگوریتم های خوشه بندی و دسته بندی آزمایشهایی را انجام دهیم. دسته بندی به کاربردی میگویند که در آن، داده های آموزشی دارای برچسب است و نیاز داریم مدلهایی را آموزش دهیم که بتواند برچسب داده ها را تشخیص دهد. الگوریتم های خوشه بندی، بر خلاف الگوریتم های دسته بندی، توجهی به برچسب ندارند و به صورت بی نظارت اقدام به گروه بندی داده ها بر اساس معیارهای شباهت میکنند.
دسته بندی:
دسته بندی یکی از روش هایی است که در کاربردهای طبقه بندی اطلاعات مورد استفاده قرار میگیرد. به عنوان مثال، در دسته بندی خبرها، نیاز است که یک خبر را بر اساس ویژگی هایی که دارد، در یک گروه خبری جای دهیم. خوشه بندی نیز کاربردهای فراوانی دارد که به عنوان مثال میتوان در سیستم های پیش نهاد دهنده از آن استفاده کرد. یکی از این کاربردها در شبکه های اجتماعی است که کاربران بر حسب ویژگی هایی که دارند، در گروه های مختلفی خوشه بندی میشوند و میبینیم که بعضی از این شبکه های اجتماعی قادر به معرفی افرادی به کاربر هستند که از لحاظ ویژگی ها، به کاربر نزدیک باشد. در کل الگوریتم های ذکر شده ، جزو الگوریتم های یادگیری ماشین هستند که به خودکارسازی سرویسها کمک میکنند.
هدف پروژه:
در این پروژه در ابتدا، در مورد دیتاست انتخابی توضیحاتی را خواهیم داد. سپس نحوه آماده سازی و پردازش داده ها را شرح میدهیم و در بخش بعدی الگوریتم هایی که در این تمرین مورد استفاده قرار میگیرند را معرفی خواهیم کرد. این الگوریتم ها در دو بخش دسته بندی و خوشه بندی مورد بحث قرار خواهند گرفت. در پایان آزمایشهایی که روی دیتاست انجام شده است را مورد تجزیه و تحلیل قرار میدهیم.
در نهایت هدف از این پروژه، شرح الگوریتم های دسته بندی و خوشه بندی است که روی یک دیتاست این کار انجام میدهیم تا بتوانیم مقایسه ای بین الگوریتمهای مختلف داشته باشیم.
دادگان (دیتاست):
برای این تمرین از داده های سایت UCI استفاده کرده ایم که مربوط به بحث تصاویر ماهواره ای است. لینک زیر مسیر داده ها را نشان میدهد.
https://archive.ics.uci.edu/ml/datasets/Statlog+%28Landsat+Satellite%29
آماده سازی داده ها:
داده ها به دلیل اینکه به صورت عددی هستند و در موقع جمع آوری به شکل صحیحی جمع آوری شده اند، درنتیجه نیازی به پیش پردازشهای خاصی ندارد و تنها باید داده ها را در نرم افزار بارگذاری کرد.
اما در مرحله بعد نیاز است که پردازشهایی روی این دادگان انجام شود. به عنوان مثال کنترل داده های گمشده (miss value)، حذف داده های خارج از محدوده (Outlier) و یا تبدیل خطی روی داده ها و کاهش ابعاد مسئله که در ادامه این موارد را شرح خواهیم داد.
الگوریتم های مورد استفاده:
ما در این پروژه از دو نوع الگوریتم استفاده کردیم که به شرح زیر می باشند:
الگوریتم های دسته بندی:
- شبکه عصبی
- ماشین بردار پشتیبان
- نزدیک ترین همسایگی
- درخت تصمیم
الگوریتم های خوشه بندی:
- روش Kmeans
- روش DBSCAN
- روش EM
جمع بندی:
در این بخش نتایج الگوریتم های دسته بندی و خوشه بندی را مورد بررسی قرار میدهیم. برای دسته بندی از معیار دقت دسته بندی استفاده خواهیم کرد و برای خوشه بندی به دلیل داشتن برچسب و به دلیل ابزارهایی که رپیدماینر در ترسیم خوشه ها در اختیار ما قرار میدهد، از شکل خوشه ها استفاده میکنیم.
نحوه خرید و دانلود فایل پروژه:
برای دانلود فایل های این پروژه ابتدا بروی دکمه خرید کلیک نمایید.
بعداز مشاهده فاکتور و پرداخت هزینه از طریق درگاه سایت لینک دانلود فایلهای پروژه “الگوریتمهای خوشهبندی و دستهبندی بر روی دیتاست تصاویر ماهوارهای در رپیدماینر” برای شما نمایش داده می شود.
فایلهای پروژه به صورت ۱۰۰% تست شده و تمامی فایل ها سالم می باشد.
سفارش پروژه مشابه
درصورتی که پروژه ای مشابه دارید که میخواهید بصورت سفارشی برایتان انجام شود میتوانید به صفحه سفارش پروژه رپیدماینر مراجعه کرده و پروژه خود را سفارش دهید.
خرید پروژه های مشابه :
سایت همیارپروژه صدها پروژه آماده رپیدماینر را انجام داده و برای خرید با قیمت بسیار مناسب در سایت بارگذاری نموده است.برای مشاهده این پروژه ها میتوانید به صفحه داده کاوی در نرم افزار رپیدماینر (Rapid Miner) مراجعه نمایید.
دیدگاهتان را بنویسید