با مطالعهی دروس گذشتهی دورهی جاری، یاد گرفتهایم که دادهکاوی چیست. در این درس، میخواهیم چند نرمافزار کاربردی حوزهی دادهکاوی را مروری داشته باشیم. در میانِ نرمافزارهای موجود، تمرکز را بر نرمافزارهایی گذاشتیم که نیاز به دانشِ برنامهنویسی ندارند. یعنی کسانی که به حوزهی برنامهنویسی علاقه ندارند یا فعلاً ترجیح میدهند از نرمافزارهای آماده (بدون طراحیِ نرم افزار و برنامه نویسی) استفاده کنند، میتوانند یادگیری این نرمافزارها را در دستور کار خود قرار دهند.
نرم افزار RapidMiner
این نرمافزار که به گفته سازندگان آن تلاش بر این کرده است که به صورت یکپارچه عملیاتِ مختلفِ حوزهی علومداده را تجمیع کند و به دانشمندانِ علوم داده اجازه دهد تا به سرعت مدلهای مورد نیاز برای عملیات دادهکاوی را شناسایی کنند.
نرم افزار Weka
نرمافزار وکا (weka) مجموعهای از الگوریتمهای مختلف برای عملیات دادهکاوی را در اختیار متخصصان و دانشمندانِ علوم داده میگذارد. کار با این نرمافزار بسیار ساده است و در اینجا کتابی جهت آموزش نرمافزار weka توسط خود سایت سازنده قرار داده شده است.
نرم افزار Orange
یکی از نرمافزارهای بسیار ساده و لذت بخش برای انواع عملیات دادهکاوی نرمافزار Orange است. این نرم افزار به خاطرِ سادگی و واسطِ کاربریِ سادهی آن میتواند موردِ استفادهی بسیاری از متخصصانِ حوزهی علومداده باشد. حتی دوستانی که به تازگی به دنبالِ یادگیریِ علوم داده هستند، میتوانند از این نرم افزار استفاده کنند.
نرم افزار Neural Designer مخصوص طراحی شبکه های عصبی
اگر با شبکههای عصبی آشنا باشید میدانید که طراحیِ این گونه شبکهها معمولاً کارِ وقتگیری است و نیاز به دقتِ بالایی دارد. با استفاده از نرم افزار Neural Designer به راحتی میتوانید شبکههای عصبیِ مخصوصِ خود را طراحی کرده و مدلهای مختلفِ داده را توسط آن ها آزمایش کنید.
- ۱ » دادهکاوی (Data mining) چیست؟
- ۲ » یادگیری ماشین (Machine Learning) چیست؟
- ۳ » تفاوت هوش مصنوعی، یادگیری ماشین، دادهکاوی، یادگیری عمیق و علم داده
- ۴ » طبقهبندی (Classification) چیست؟
- ۵ » خوشهبندی (Clustering) چیست؟
- ۶ » تفاوت طبقهبندی (Classification) و خوشهبندی (Clustering)
- ۷ » منظور از دادههای آموزشی (Training Sets) در طبقهبندی چیست؟
- ۸ » سیستم توصیه گر (Recommendation System) چیست؟
- ۹ » کاربرد دادهکاوی و یادگیری ماشین در پردازش متن (Text Processing)
- ۱۰ » معرفی چند نرم افزار کاربردی برای عملیات دادهکاوی
- ۱۱ » ویژگی (Feature) یا همان بُعد (Dimension) در دادهکاوی چیست؟
- ۱۲ » بررسی چند الگوریتم یادگیری ماشین (Machine Learning)
- ۱۳ » یادگیری دستهای (Batch Learning) و یادگیری برخط (Online Learning)
- ۱۴ » یادگیری فعال (Active Learning) در یادگیری ماشین
- ۱۵ » انتخاب ویژگی (Feature Selection) چیست؟
- ۱۶ » تفاوت داده ساختاریافته (Structured) با غیرساختاریافته (Unstructured) چیست؟
- ۱۷ » منظور از متغیر وابسته (Dependent) و مستقل (Independent)
- ۱۸ » مجموعه دادههایی با ابعاد زیاد (High Dimensional)
- ۱۹ » مجموعه دادهی نامتوازن (Imbalance) چیست؟
- ۲۰ » فرآیند کریسپ (CRISP) جهت انجام پروژههای دادهکاوی
- ۲۱ » رانش یا گذار در دادهها (Data Drift)
بسیار عالی
سلام
با تشکر از مطالب مفیدتون لطفا جایگاه نرم افزار r در دادکاوی را هم بگویید.
آیا نسبت به نرم افزار هایی که اشاره کردید مزیت یا نقطه ضعفی دارد ؟
سلام
ممنون از توجهتون
نرمافزار R به خاطر اینکه نیاز به برنامهنویسی سختی ندارد، برای دوستانی که در برنامهنویسی ضعیفتر هستند، میتواند یکی از گزینههای مناسب باشد
البته تمرکز زبان R بر روی علم داده نیز از مزیتهای دیگر این زبان است
با سلام ممنون از مطالب مفیدتون لطفا جایگاه نرم افزار sql را هم در داده کاوی بگویید
در بحث داده و درکل علم داده زبان برنامه نویسی پایتون بیشتر بدرد میخورد یا r ?
سلام.وبسایتتون خیلی خوب و مفیده.به کارتون ادامه بدین