✳️ ۸ کتابخانه یادگیری ماشین پایتون — راهنمای کاربردی
«پایتون» (Python)، همچنان هنگامی که صحبت از «یادگیری ماشین» (Machine Learning)، «هوش مصنوعی» (Artificial Intelligence)، «یادگیری عمیق» (Deep Learning) و وظایف «علم داده» (Data Science) میشود پیشگام است. مطابق آمار ارائه شده توسط سایت «builtwith» (+)، بالغ بر ٪۴۵ از شرکتهای فناوری استفاده از پایتون را برای پیادهسازی هوشمصنوعی و یادگیری ماشین ترجیح میدهند. به همین دلیل، در این مقاله ۸ کتابخانه یادگیری ماشین پایتون معرفی شدهاند.
══ فهرست مطالب ══
○ ۱. سایکیت لِرن (scikit-learn)
○ ۲. کِرَس (Keras)
○ ۳. XGBoost
○ ۴. StatsModels
○ ۵. LightGBM
○ ۶. CatBoost
○ ۷. PyBrain
○ ۸. Eli۵
🔸 ۱. سایکیت لِرن (scikit-learn)
(+) (مشارکتکنندگان: ۱۱۷۵ نفر، کامیتها: ۲۳۳۰۱، ستارهها: ۳۰۸۶۷)
سایکیت لِرن (scikit-learn) یک کتابخانه پایتون «نرمافزار آزاد» (free software) برای یادگیری ماشین است که بر مبنای SciPy ،NumPy و matplotlib ساخته شده است. این ماژول ابزارهای ساده و موثری برای «دادهکاوی» (Data Mining) و «تحلیل داده» فراهم میکند. SKLearn برای همه در دسترس و قابل استفاده مجدد در زمینههای گوناگون است.
🔸 ۲. کِرَس (Keras)
(+) (مشارکتکنندگان: ۷۲۶ نفر، کامیتها: ۴۸۱۸، ستارهها: ۳۴۰۶۶)
کِرَس (Keras) یک «رابط برنامهنویسی کاربردی» (Application Programming Interface | API) نوشته شده در پایتون است که میتواند روی تنسورفلو، ثینو و یا CNTK اجرا شود. این کتابخانه با تمرکز بر قابلیت آزمایش سریع توسعه داده شده است. رسیدن از ایده به نتیجه با حداقل تاخیر ممکن کلید انجام پژوهشهای خوب است و این نکته در ساخت این کتابخانه همواره لحاظ شده.
مطالعه ادامه مطلب 👇👇
🔗 ۸ کتابخانه یادگیری ماشین پایتون — راهنمای کاربردی — کلیک کنید (+)
📌 کانال اختصاصی آموزشی علم داده
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی علم داده را در کانال اختصاصی [@Fara_DS] دنبال کنید. 👇
@Fara_DS — مطالب و آموزشهای علم داده فرادرس
✳️ ۸ کتابخانه یادگیری ماشین پایتون — راهنمای کاربردی
«پایتون» (Python)، همچنان هنگامی که صحبت از «یادگیری ماشین» (Machine Learning)، «هوش مصنوعی» (Artificial Intelligence)، «یادگیری عمیق» (Deep Learning) و وظایف «علم داده» (Data Science) میشود پیشگام است. مطابق آمار ارائه شده توسط سایت «builtwith» (+)، بالغ بر ٪۴۵ از شرکتهای فناوری استفاده از پایتون را برای پیادهسازی هوشمصنوعی و یادگیری ماشین ترجیح میدهند. به همین دلیل، در این مقاله ۸ کتابخانه یادگیری ماشین پایتون معرفی شدهاند.
══ فهرست مطالب ══
○ ۱. سایکیت لِرن (scikit-learn)
○ ۲. کِرَس (Keras)
○ ۳. XGBoost
○ ۴. StatsModels
○ ۵. LightGBM
○ ۶. CatBoost
○ ۷. PyBrain
○ ۸. Eli۵
🔸 ۱. سایکیت لِرن (scikit-learn)
(+) (مشارکتکنندگان: ۱۱۷۵ نفر، کامیتها: ۲۳۳۰۱، ستارهها: ۳۰۸۶۷)
سایکیت لِرن (scikit-learn) یک کتابخانه پایتون «نرمافزار آزاد» (free software) برای یادگیری ماشین است که بر مبنای SciPy ،NumPy و matplotlib ساخته شده است. این ماژول ابزارهای ساده و موثری برای «دادهکاوی» (Data Mining) و «تحلیل داده» فراهم میکند. SKLearn برای همه در دسترس و قابل استفاده مجدد در زمینههای گوناگون است.
🔸 ۲. کِرَس (Keras)
(+) (مشارکتکنندگان: ۷۲۶ نفر، کامیتها: ۴۸۱۸، ستارهها: ۳۴۰۶۶)
کِرَس (Keras) یک «رابط برنامهنویسی کاربردی» (Application Programming Interface | API) نوشته شده در پایتون است که میتواند روی تنسورفلو، ثینو و یا CNTK اجرا شود. این کتابخانه با تمرکز بر قابلیت آزمایش سریع توسعه داده شده است. رسیدن از ایده به نتیجه با حداقل تاخیر ممکن کلید انجام پژوهشهای خوب است و این نکته در ساخت این کتابخانه همواره لحاظ شده.
مطالعه ادامه مطلب 👇👇
🔗 ۸ کتابخانه یادگیری ماشین پایتون — راهنمای کاربردی — کلیک کنید (+)
📌 کانال اختصاصی آموزشی علم داده
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی علم داده را در کانال اختصاصی [@Fara_DS] دنبال کنید. 👇
@Fara_DS — مطالب و آموزشهای علم داده فرادرس
👍2
✳️ آموزش اصول و روشهای دادهکاوی Data Mining
چکیده — در اغلب مسائل، وجود حجم زیاد داده ها، منجر به ایجاد اشکالات جدی در امر شناسایی و کشف روابط و الگوهای پنهان در این داده ها شده است. دانش داده کاوی با هدف فراهم آوردن روش هایی برای پردازش هوشمند حجم زیاد داده ها و استخراج روال ها و قوانین حاکم بر آن ها، مطرح شده است. این دانش در کاربردهای مختلف و اصولا در هر جا با مساله تجزیه و تحلیل اطلاعات مواجه هستیم، قابل استفاده است. در این دوره به بیان اصول و روش های داده کاوی به منظور استخراج روندها و الگوهای پنهان در داده ها، پرداخته خواهد شد.
کسب اطلاعات بیشتر 👇👇
🔗 آموزش اصول و روشهای دادهکاوی Data Mining — کلیک کنید [+]
🤩 پیشنهاد ویژه: این آموزش و سایر آموزشهای فرادرس را در «بزرگترین جشنواره سال ۱۴۰۰ فرادرس»، با ۵۵ درصد تخفیف تهیه کنید.
🎁 کد تخفیف: EYD49
🔗 جشنواره به سوی بهار – [کلیک کنید]
📌 کانال اختصاصی آموزشی علم داده
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی علم داده را در کانال اختصاصی [@Fara_DS] دنبال کنید. 👇
@Fara_DS — مطالب و آموزشهای علم داده فرادرس
✳️ آموزش اصول و روشهای دادهکاوی Data Mining
چکیده — در اغلب مسائل، وجود حجم زیاد داده ها، منجر به ایجاد اشکالات جدی در امر شناسایی و کشف روابط و الگوهای پنهان در این داده ها شده است. دانش داده کاوی با هدف فراهم آوردن روش هایی برای پردازش هوشمند حجم زیاد داده ها و استخراج روال ها و قوانین حاکم بر آن ها، مطرح شده است. این دانش در کاربردهای مختلف و اصولا در هر جا با مساله تجزیه و تحلیل اطلاعات مواجه هستیم، قابل استفاده است. در این دوره به بیان اصول و روش های داده کاوی به منظور استخراج روندها و الگوهای پنهان در داده ها، پرداخته خواهد شد.
کسب اطلاعات بیشتر 👇👇
🔗 آموزش اصول و روشهای دادهکاوی Data Mining — کلیک کنید [+]
🤩 پیشنهاد ویژه: این آموزش و سایر آموزشهای فرادرس را در «بزرگترین جشنواره سال ۱۴۰۰ فرادرس»، با ۵۵ درصد تخفیف تهیه کنید.
🎁 کد تخفیف: EYD49
🔗 جشنواره به سوی بهار – [کلیک کنید]
📌 کانال اختصاصی آموزشی علم داده
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی علم داده را در کانال اختصاصی [@Fara_DS] دنبال کنید. 👇
@Fara_DS — مطالب و آموزشهای علم داده فرادرس
❤2🤩1
✳️ دانشمند داده شدن؛ آری یا خیر؟ — راهنمای کاربردی
اغلب افراد طی سالهای اخیر درباره «علم داده» (Data Science)، «دادهکاوی» (Data Mining)، «یادگیری ماشین» (Machine Learning) و «هوش مصنوعی» (Artificial Intelligence | AI) شنیدهاند. نقشهای (جایگاههای شغلی) زیادی وجود دارند که زیر چتر علم داده ایجاد شدهاند و از آن جمله میتوان به دانشمند داده (Data Scientist)، تحلیلگر داده، مهندس یادگیری ماشین و دانشمند پژوهش اشاره کرد.
══ فهرست مطالب ══
○ آیا من باید یک دانشمند داده شوم؟
○ آیا مهارتهای من منسوخ شده محسوب میشود؟
○ همچنان علاقمند پای نهادن در مسیر علم داده هستید؟
○ آیا واقعا نیاز به آموختن این حجم از جبر خطی هست؟
○ چگونه میتوان در زمینه علم داده و دادهکاوی تجربه کسب کرد؟
○ من ایدهای برای یک پروژه دادهکاوی دارم. چگونه مدیرم را متقاعد کنم که اجازه انجام آن را در محل کار بدهد؟
○ به نظر میرسد راه مبدل شدن به دانشمند داده بسیار طولانی است، آیا راه دیگری وجود ندارد؟
🔸 آیا من باید یک دانشمند داده شوم؟
این پرسشی است که هر فردی باید پیش از عمیق شدن بیش از حد در زمینه علم داده مطرح کند. بسیاری از مطالب منتشر شده در حوزه علم داده و دادهکاوی به این امر گرایش دارند که بگویند جادویی فوقالعاده در علم داده و مشخصا یادگیری ماشین وجود دارد. برای مهندسها اما نیاز به بازنگری در چنین رویکردی است. بسیاری از افراد هنوز هم احساسی که اولین بار هنگام استفاده از یک برنامه کاربردی موبایل، فیسبوک، و حتی برای افراد قدیمیتر اولین تجربه کار با اینترنت یا کامپیوتر به آنها دست داده را به خاطر دارند. ساخت اولین برنامههای کاربردی احساس شگفتی، به هدف زدن و اشتیاق برای ساخت برنامههای بیشتر را ایجاد میکرد.
اکنون و پس از اینکه این کارها برای سالهای متمادی انجام شدهاند، دیگر زرق و برق و هیجان خود را از دست دادهاند. چه کسی هست که طالب آن شور و هیجان نباشد؟ به ویژه در یک حوزه جدید که به نظر میرسد آینده را پیشبینی و هر صنعتی را متحول میکند. این کار برای افرادی که اولین مدل خود را میسازند بسیار هیجانانگیز خواهد بود. دیدن اینکه کار فرد قابلیتهایی را به همراه دارد که پیش از این امکانپذیر نبوده هیجانانگیز است. اگرچه عناصری برای نقش دانشمند داده وجود دارد که در این هیجانات نادیده گرفته میشوند.
اولین موضوع آن است که نقش دانشمند داده در میان سازمانهای گوناگون متفاوت است و بیشتر وقت دانشمندان داده در پروژههای این حوزه به پاکسازی و آمادهسازی دادهها اختصاص پیدا میکند. تخصیص ۸۰ الی ۹۰ درصد روز کاری به مدیریت و دستکاری دادهها نیازمند صبر قابل توجهی است و البته انجام این کار به اندازه مدلسازی و تحلیل خروجیهای مدل جذاب نیست.
🔸 آیا مهارتهای من منسوخ شده محسوب میشود؟
نه! تقاضا برای مهندسانی که در «معماری کامپیوتر» (Computer Architecture)، زیرساخت، «فرانت اند» (front-end) و «بک اند» (back-end) عملکرد خوبی دارند زیاد است و این تقاضا در آینده پیشبینی شده نیز همچنان زیاد خواهد بود. مهندسان میتوانند بدون دانشمندان داده نیز نرمافزار بسازند، این در حالیست که دانشمندان داده گاه نمیتوانند بدون وجود یک مهندس در تیم پروژه، این کار را انجام دهند.
دامنههای مهندسی سنتی از دیرباز بنا شده و پیشرفتهتر است، بنابراین این احتمال وجود دارد که مهارتهای مهندسی که امروز ایجاد میشوند طی ۵ سال آتی کاربردهای بسیار زیادی داشته باشند. این در حالیست که یادگیری ماشین یکی از اجزای مهم و جدایی ناپذیر چشمانداز فناوری است. بنابراین این احتمال وجود دارد که فرد به عنوان یک مهندس حتی اگر دانشمند داده نیز نباشد در کنار یک کارشناس یادگیری ماشین یا دانشمند داده کار کند و بنابراین همچنان حائز اهمیت است که مهندسها نیز مفاهیم سطح بالاتری (در زمینه علم داده) را بیاموزند.
مطالعه ادامه مطلب 👇👇
🔗 دانشمند داده شدن؛ آری یا خیر؟ — راهنمای کاربردی — کلیک کنید (+)
📌 کانال اختصاصی آموزشی علم داده
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی علم داده را در کانال اختصاصی [@Fara_DS] دنبال کنید. 👇
@Fara_DS — مطالب و آموزشهای علم داده فرادرس
✳️ دانشمند داده شدن؛ آری یا خیر؟ — راهنمای کاربردی
اغلب افراد طی سالهای اخیر درباره «علم داده» (Data Science)، «دادهکاوی» (Data Mining)، «یادگیری ماشین» (Machine Learning) و «هوش مصنوعی» (Artificial Intelligence | AI) شنیدهاند. نقشهای (جایگاههای شغلی) زیادی وجود دارند که زیر چتر علم داده ایجاد شدهاند و از آن جمله میتوان به دانشمند داده (Data Scientist)، تحلیلگر داده، مهندس یادگیری ماشین و دانشمند پژوهش اشاره کرد.
══ فهرست مطالب ══
○ آیا من باید یک دانشمند داده شوم؟
○ آیا مهارتهای من منسوخ شده محسوب میشود؟
○ همچنان علاقمند پای نهادن در مسیر علم داده هستید؟
○ آیا واقعا نیاز به آموختن این حجم از جبر خطی هست؟
○ چگونه میتوان در زمینه علم داده و دادهکاوی تجربه کسب کرد؟
○ من ایدهای برای یک پروژه دادهکاوی دارم. چگونه مدیرم را متقاعد کنم که اجازه انجام آن را در محل کار بدهد؟
○ به نظر میرسد راه مبدل شدن به دانشمند داده بسیار طولانی است، آیا راه دیگری وجود ندارد؟
🔸 آیا من باید یک دانشمند داده شوم؟
این پرسشی است که هر فردی باید پیش از عمیق شدن بیش از حد در زمینه علم داده مطرح کند. بسیاری از مطالب منتشر شده در حوزه علم داده و دادهکاوی به این امر گرایش دارند که بگویند جادویی فوقالعاده در علم داده و مشخصا یادگیری ماشین وجود دارد. برای مهندسها اما نیاز به بازنگری در چنین رویکردی است. بسیاری از افراد هنوز هم احساسی که اولین بار هنگام استفاده از یک برنامه کاربردی موبایل، فیسبوک، و حتی برای افراد قدیمیتر اولین تجربه کار با اینترنت یا کامپیوتر به آنها دست داده را به خاطر دارند. ساخت اولین برنامههای کاربردی احساس شگفتی، به هدف زدن و اشتیاق برای ساخت برنامههای بیشتر را ایجاد میکرد.
اکنون و پس از اینکه این کارها برای سالهای متمادی انجام شدهاند، دیگر زرق و برق و هیجان خود را از دست دادهاند. چه کسی هست که طالب آن شور و هیجان نباشد؟ به ویژه در یک حوزه جدید که به نظر میرسد آینده را پیشبینی و هر صنعتی را متحول میکند. این کار برای افرادی که اولین مدل خود را میسازند بسیار هیجانانگیز خواهد بود. دیدن اینکه کار فرد قابلیتهایی را به همراه دارد که پیش از این امکانپذیر نبوده هیجانانگیز است. اگرچه عناصری برای نقش دانشمند داده وجود دارد که در این هیجانات نادیده گرفته میشوند.
اولین موضوع آن است که نقش دانشمند داده در میان سازمانهای گوناگون متفاوت است و بیشتر وقت دانشمندان داده در پروژههای این حوزه به پاکسازی و آمادهسازی دادهها اختصاص پیدا میکند. تخصیص ۸۰ الی ۹۰ درصد روز کاری به مدیریت و دستکاری دادهها نیازمند صبر قابل توجهی است و البته انجام این کار به اندازه مدلسازی و تحلیل خروجیهای مدل جذاب نیست.
🔸 آیا مهارتهای من منسوخ شده محسوب میشود؟
نه! تقاضا برای مهندسانی که در «معماری کامپیوتر» (Computer Architecture)، زیرساخت، «فرانت اند» (front-end) و «بک اند» (back-end) عملکرد خوبی دارند زیاد است و این تقاضا در آینده پیشبینی شده نیز همچنان زیاد خواهد بود. مهندسان میتوانند بدون دانشمندان داده نیز نرمافزار بسازند، این در حالیست که دانشمندان داده گاه نمیتوانند بدون وجود یک مهندس در تیم پروژه، این کار را انجام دهند.
دامنههای مهندسی سنتی از دیرباز بنا شده و پیشرفتهتر است، بنابراین این احتمال وجود دارد که مهارتهای مهندسی که امروز ایجاد میشوند طی ۵ سال آتی کاربردهای بسیار زیادی داشته باشند. این در حالیست که یادگیری ماشین یکی از اجزای مهم و جدایی ناپذیر چشمانداز فناوری است. بنابراین این احتمال وجود دارد که فرد به عنوان یک مهندس حتی اگر دانشمند داده نیز نباشد در کنار یک کارشناس یادگیری ماشین یا دانشمند داده کار کند و بنابراین همچنان حائز اهمیت است که مهندسها نیز مفاهیم سطح بالاتری (در زمینه علم داده) را بیاموزند.
مطالعه ادامه مطلب 👇👇
🔗 دانشمند داده شدن؛ آری یا خیر؟ — راهنمای کاربردی — کلیک کنید (+)
📌 کانال اختصاصی آموزشی علم داده
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی علم داده را در کانال اختصاصی [@Fara_DS] دنبال کنید. 👇
@Fara_DS — مطالب و آموزشهای علم داده فرادرس
👍2❤1
❇️ فیلم آموزشی «ایجاد ماتریس سطری پلکانی» در ۷ دقیقه | به زبان ساده
📌 آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی علم داده را در کانال اختصاصی [@Fara_DS] دنبال کنید.
❇️ فیلم آموزشی «ایجاد ماتریس سطری پلکانی» در ۷ دقیقه | به زبان ساده
📌 آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی علم داده را در کانال اختصاصی [@Fara_DS] دنبال کنید.
✳️ هوش تجاری چیست؟ — به زبان ساده
«هوش تجاری» (Business intelligence | BI)، یک فرایند فناوری محور برای تحلیل دادهها و ارائه اطلاعات کاربردی به مدیران اجرایی، مدیران بخشها و تصمیمسازان یک سازمان و دیگر کاربران نهایی درون سازمانی محسوب میشود که به تصمیمگیری مبتنی بر اطلاعات کمک میکند. این مبحث گستره وسیعی از ابزارها، کاربردها و روشها را در بر میگیرد که سازمانها را قادر به گردآوری دادهها از سیستمهای خارجی و منابع داخلی، آمادهسازی این دادهها برای تحلیل، توسعه و اجرای کوئریها روی آنها و ساخت گزارشها، دشبوردها و بصریسازی دادهها میسازد. چنین دشبوردها و بصریسازیهایی به منظور در دسترس قرار دادن نتایج تحلیلی برای تصمیمگیرندگان سازمان و همچنین نیروهای عملیاتی انجام میشود.
══ فهرست مطالب ══
○ هوش تجاری و تحلیل داده
○ اهمیت هوش تجاری
○ انواع ابزارهای هوش تجاری
○ گرایشهای هوش تجاری
○ هوش تجاری برای کلان داده
🔸 هوش تجاری و تحلیل داده
استفاده از اصطلاح هوش تجاری برای اولین بار، دستکم به اواخر ۱۸۶۰ باز میگردد. این در حالی است که «هاوارد درسنر» (Howard Dresner) برای اولین بار در سال ۱۹۸۹، این واژه را به عنوان یک عبارت پوششی برای اعمال روشهای تحلیل داده به منظور پشتیبانی از فرایندهای تصمیمگیری تجاری مطرح کرد. آنچه با عنوان ابزارهای هوش تجاری از آن یاد میشود، معمولا سیستمهای تحلیلی مبتنی بر «کامپیوترهای بزرگ» (Mainframe-based) مانند «سیستم پشتیبان تصمیم» (Decision Support Systems) و «سیستمهای اطلاعات اجرایی» (Executive Information Systems) هستند. از عبارت هوش تجاری گاهی به جای تحلیلهای تجاری استفاده میشود. در دیگر شرایط، هوش تجاری به طور خاص برای ارجاع به تحلیلهای داده یا به طور گستردهتر برای اشاره به Business intelligence و تحلیلهای پیشرفته مورد استفاده قرار میگیرد.
🔸 اهمیت هوش تجاری
از مزایای بالقوه ابزارهای هوش تجاری، میتوان به شتابدهی و بهبود تصمیمگیری، بهینهسازی فرایندهای داخلی کسبوکار، راهاندازی راههای درآمدزایی جدید و کسب مزایای رقابتی جدید در مقایسه با رقبای تجاری اشاره کرد. دادههای مورد استفاده در این حوزه، شامل اطلاعات تاریخی ذخیره شده در یک «انبار داده» (Data Warehouse) و دادههای جدید گردآوری شده از سیستمهای منبع – ضمن تولید آنها – هستند. این دادهها، ابزارهای هوش تجاری را قادر به پشتیبانی از فرآیندهای تصمیمسازی استراتژیک و تاکتیکی میسازند.
ابزارهای هوش تجاری اولیه، در ابتدا توسط تحلیلگران داده و دیگر کارشناسان فناوری اطلاعات مورد استفاده قرار میگرفتند. این افراد با انجام تحلیلها، گزارشهایی را در نتیجه کوئریهای انجام شده روی اطلاعات کاربران کسب و کار فراهم میکنند. با افزایش استفاده از هوش تجاری، مدیران اجرایی و کارکنان سازمانها، خود با پلتفرمهای هوش تجاری کار میکنند. این امر، به لطف توسعه «هوش تجاری سلف سرویس» (Self-Service BI) و ابزارها و دشبوردهای کاوش داده محقق شده است.
مطالعه ادامه مطلب 👇👇
🔗 هوش تجاری چیست؟ — به زبان ساده — کلیک کنید (+)
📌 کانال اختصاصی آموزشی علم داده
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی علم داده را در کانال اختصاصی [@Fara_DS] دنبال کنید. 👇
@Fara_DS — مطالب و آموزشهای علم داده فرادرس
✳️ هوش تجاری چیست؟ — به زبان ساده
«هوش تجاری» (Business intelligence | BI)، یک فرایند فناوری محور برای تحلیل دادهها و ارائه اطلاعات کاربردی به مدیران اجرایی، مدیران بخشها و تصمیمسازان یک سازمان و دیگر کاربران نهایی درون سازمانی محسوب میشود که به تصمیمگیری مبتنی بر اطلاعات کمک میکند. این مبحث گستره وسیعی از ابزارها، کاربردها و روشها را در بر میگیرد که سازمانها را قادر به گردآوری دادهها از سیستمهای خارجی و منابع داخلی، آمادهسازی این دادهها برای تحلیل، توسعه و اجرای کوئریها روی آنها و ساخت گزارشها، دشبوردها و بصریسازی دادهها میسازد. چنین دشبوردها و بصریسازیهایی به منظور در دسترس قرار دادن نتایج تحلیلی برای تصمیمگیرندگان سازمان و همچنین نیروهای عملیاتی انجام میشود.
══ فهرست مطالب ══
○ هوش تجاری و تحلیل داده
○ اهمیت هوش تجاری
○ انواع ابزارهای هوش تجاری
○ گرایشهای هوش تجاری
○ هوش تجاری برای کلان داده
🔸 هوش تجاری و تحلیل داده
استفاده از اصطلاح هوش تجاری برای اولین بار، دستکم به اواخر ۱۸۶۰ باز میگردد. این در حالی است که «هاوارد درسنر» (Howard Dresner) برای اولین بار در سال ۱۹۸۹، این واژه را به عنوان یک عبارت پوششی برای اعمال روشهای تحلیل داده به منظور پشتیبانی از فرایندهای تصمیمگیری تجاری مطرح کرد. آنچه با عنوان ابزارهای هوش تجاری از آن یاد میشود، معمولا سیستمهای تحلیلی مبتنی بر «کامپیوترهای بزرگ» (Mainframe-based) مانند «سیستم پشتیبان تصمیم» (Decision Support Systems) و «سیستمهای اطلاعات اجرایی» (Executive Information Systems) هستند. از عبارت هوش تجاری گاهی به جای تحلیلهای تجاری استفاده میشود. در دیگر شرایط، هوش تجاری به طور خاص برای ارجاع به تحلیلهای داده یا به طور گستردهتر برای اشاره به Business intelligence و تحلیلهای پیشرفته مورد استفاده قرار میگیرد.
🔸 اهمیت هوش تجاری
از مزایای بالقوه ابزارهای هوش تجاری، میتوان به شتابدهی و بهبود تصمیمگیری، بهینهسازی فرایندهای داخلی کسبوکار، راهاندازی راههای درآمدزایی جدید و کسب مزایای رقابتی جدید در مقایسه با رقبای تجاری اشاره کرد. دادههای مورد استفاده در این حوزه، شامل اطلاعات تاریخی ذخیره شده در یک «انبار داده» (Data Warehouse) و دادههای جدید گردآوری شده از سیستمهای منبع – ضمن تولید آنها – هستند. این دادهها، ابزارهای هوش تجاری را قادر به پشتیبانی از فرآیندهای تصمیمسازی استراتژیک و تاکتیکی میسازند.
ابزارهای هوش تجاری اولیه، در ابتدا توسط تحلیلگران داده و دیگر کارشناسان فناوری اطلاعات مورد استفاده قرار میگرفتند. این افراد با انجام تحلیلها، گزارشهایی را در نتیجه کوئریهای انجام شده روی اطلاعات کاربران کسب و کار فراهم میکنند. با افزایش استفاده از هوش تجاری، مدیران اجرایی و کارکنان سازمانها، خود با پلتفرمهای هوش تجاری کار میکنند. این امر، به لطف توسعه «هوش تجاری سلف سرویس» (Self-Service BI) و ابزارها و دشبوردهای کاوش داده محقق شده است.
مطالعه ادامه مطلب 👇👇
🔗 هوش تجاری چیست؟ — به زبان ساده — کلیک کنید (+)
📌 کانال اختصاصی آموزشی علم داده
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی علم داده را در کانال اختصاصی [@Fara_DS] دنبال کنید. 👇
@Fara_DS — مطالب و آموزشهای علم داده فرادرس
✳️ آشنایی با شبکههای عصبی پیچشی (CNN)
«شبکههای عصبی پیچشی» (convolutional neural network) ردهای از شبکههای عصبی عمیق هستند که معمولاً برای انجام تحلیلهای تصویری یا گفتاری در یادگیری ماشین استفاده میشوند. برای توضیح CNN کار خود را با اساسیترین عنصر این شبکه عصبی یعنی «پرسپترون» (perceptron) آغاز میکنیم.
══ فهرست مطالب ══
○ پرسپترون
○ بردار ویژگی
○ کلاسبندی
○ الگوریتم تمرین
○ تمرین دادن پرسپترون
○ مبدأ (epoch)
○ تمرین دادن عملی پرسپترون
🔸 پرسپترون
پرسپترون جزء اساسی و پایهای شبکه عصبی است که میتواند یادگیری نیز داشته باشد. توسعه این جزء درنتیجه الهام از یک عنصر زیستشناختی به نام نورون بوده است. چراکه پرسپترون مانند نورون یک سیگنال ورودی را دریافت میکند، آن را پردازش میکند و یک پاسخ را شبیهسازی میکند. پرسپترون سیگنال میتواند برای تمییز مسائل قابل جداسازی خطی مورداستفاده قرار گیرد.
🔸 بردار ویژگی
وظایف یادگیری ماشینی معمولاً بدینصورت تعریف میشوند که سیستم یادگیری ماشینی چگونه باید یک نمونه را پردازش کند. معمولاً این وظایف مجموعهای از ویژگیها هستند که از برخی از اشیا یا رویدادها بهصورت کمی اندازهگیری میشوند و از سیستم یادگیری ماشینی میخواهیم که آنها را برای ما پردازش کند. معمولاً این نمونه را بهصورت بردار x ∈ Rn نمایش میدهیم که هر مؤلفه xi خود یک بردار ویژگی است.
مطالعه ادامه مطلب 👇👇
🔗 آشنایی با شبکههای عصبی پیچشی (CNN) — کلیک کنید (+)
📌کانال اختصاصی آموزشی علم داده
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی علم داده را در کانال اختصاصی [@Fara_DS] دنبال کنید. 👇
@Fara_DS — مطالب و آموزشهای علم داده فرادرس
✳️ آشنایی با شبکههای عصبی پیچشی (CNN)
«شبکههای عصبی پیچشی» (convolutional neural network) ردهای از شبکههای عصبی عمیق هستند که معمولاً برای انجام تحلیلهای تصویری یا گفتاری در یادگیری ماشین استفاده میشوند. برای توضیح CNN کار خود را با اساسیترین عنصر این شبکه عصبی یعنی «پرسپترون» (perceptron) آغاز میکنیم.
══ فهرست مطالب ══
○ پرسپترون
○ بردار ویژگی
○ کلاسبندی
○ الگوریتم تمرین
○ تمرین دادن پرسپترون
○ مبدأ (epoch)
○ تمرین دادن عملی پرسپترون
🔸 پرسپترون
پرسپترون جزء اساسی و پایهای شبکه عصبی است که میتواند یادگیری نیز داشته باشد. توسعه این جزء درنتیجه الهام از یک عنصر زیستشناختی به نام نورون بوده است. چراکه پرسپترون مانند نورون یک سیگنال ورودی را دریافت میکند، آن را پردازش میکند و یک پاسخ را شبیهسازی میکند. پرسپترون سیگنال میتواند برای تمییز مسائل قابل جداسازی خطی مورداستفاده قرار گیرد.
🔸 بردار ویژگی
وظایف یادگیری ماشینی معمولاً بدینصورت تعریف میشوند که سیستم یادگیری ماشینی چگونه باید یک نمونه را پردازش کند. معمولاً این وظایف مجموعهای از ویژگیها هستند که از برخی از اشیا یا رویدادها بهصورت کمی اندازهگیری میشوند و از سیستم یادگیری ماشینی میخواهیم که آنها را برای ما پردازش کند. معمولاً این نمونه را بهصورت بردار x ∈ Rn نمایش میدهیم که هر مؤلفه xi خود یک بردار ویژگی است.
مطالعه ادامه مطلب 👇👇
🔗 آشنایی با شبکههای عصبی پیچشی (CNN) — کلیک کنید (+)
📌کانال اختصاصی آموزشی علم داده
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی علم داده را در کانال اختصاصی [@Fara_DS] دنبال کنید. 👇
@Fara_DS — مطالب و آموزشهای علم داده فرادرس
❤4👍1
✳️ ریکامندر چیست ؟ | مبانی سیستم پیشنهاد دهنده — به زبان ساده
در این مطلب، ضمن پاسخگویی به پرسش ریکامندر چیست به بررسی مبانی سیستم پیشنهاد دهنده به زبان ساده، به طور جامع و کامل و همراه با ارائه مثال پرداخته شده است. شایان توجه است که در سراسر این مطلب از کلمه قلم و اقلام برای اشاره به مفهوم «Item» و «Items» استفاده شده است.
══ فهرست مطالب ══
○ چکیده مطلب ریکامندر چیست ؟
○ مقدمهای بر مبحث ریکامندر چیست ؟
○ ریکامندر معادل چه کلمهای در فارسی و انگلیسی است؟
○ ریکامندر چیست ؟
○ دلیل استفاده از سیستم ریکامندر چیست ؟
○ کاربرد سیستم ریکامندر چیست ؟
○ چه زمانی کسب و کار باید ریکامندر سیستم پیادهسازی کند؟
○ پیشنیازهای لازم برای راهاندازی یک سیستم ریکامندر چیست ؟
○ ریکامندر سیستم چگونه کار میکند؟
○ منابع اطلاعاتی سیستم ریکامندر چیست ؟
○ روش فراهم کردن داده برای سیستم ریکامندر چیست ؟
○ رابطه و داده در ریکامندر سیستم ها
○ انواع سیستمهای ریکامندر چه هستند؟
○ از چه روشهایی برای ساخت ریکامندر سیستم استفاده میشود؟
○ چطور میتوان یک ریکامندر سیستم را ارزیابی کرد؟
○ مثال از ریکامندر سیستم: موتور پیشنهاد هوشمند با پالایش گروهی
○ مثال از ریکامندر سیستم: ریکامندر سیستم محتوا محور پیشنهاد مقالات
○ معرفی یک پروژه ریکامندر سیستم فعال و تجاری ایرانی: کاپریلا
○ پرسشهای متداول پیرامون ریکامندر سیستم
🔸 چکیده مطلب ریکامندر چیست ؟
اینترنت به عنوان منبعی برای حجم انبوه دادهها و اطلاعات محسوب میشود. در عین حال، کالاها و خدمات متنوعی نیز از طریق اینترنت در دسترس عموم مردم هستند. در این اقیانوس، نیاز به ابزاری برای پالایش، اولویتبندی و تحویل موثر اطلاعات مورد نیاز و مرتبط به هر کاربر به او محسوس است. این کار به عنوان راهکاری مُسَکنوار برای مسئله وجود سرریز اطلاعات (Information Overload) در نظر گرفته شده است. امروزه، سرریز اطلاعات مشکلات متعددی را برای کاربران اینترنت به وجود آورده است. ریکامندر سیستم در صدد است تا این مشکل را با جستجو در میان حجم انبوهی از اطلاعاتی حل کند که همه روزه به صورت پویا تولید میشوند و محتوا و خدمات شخصیسازی شده برای هر کاربر را در اختیار او قرار دهد.
در مطلب ریکامندر چیست ابتدا مفهوم ریکامندر سیستم بیان و به پرسش ریکامندر چیست پاسخ داده شده است. سپس، به پرسش دلیل استفاده از سیستم ریکامندر چیست پاسخ داده شده و کاربرد ریکامندر سیستم مورد بررسی قرار گرفته است. در ادامه، پیشنیازهای لازم برای یک ریکامندر سیستم تشریح شدهاند و به روشهای تامین منابع اطلاعاتی برای ریکامندر سیستم پرداخته شده است. پس از آن، روش کار و روش ساخت ریکامندر سیستم مورد بررسی قرار گرفته و انواع ریکامندر سیستم تشریح شده است. سپس، مثالهایی از پیادهسازی ریکامندر سیستم همراه با ارائه کدهای لازم برای آن ارائه شده است تا مخاطب بتواند هر چه بهتر پاسخ پرسش ریکامندر چیست را دریافت کند. در نهایت، به پرسشهای متداول پیرامون ریکامندر سیستم یا همان سیستم پیشنهاد دهنده پاسخ داده شده است.
🔸 مقدمهای بر مبحث ریکامندر چیست ؟
رشد انفجاری اطلاعات دیجیتالی در دسترس و تعداد کاربران اینترنت، مشکل بالقوه سرریز اطلاعاتی را ایجاد میکند. این سرریز اطلاعاتی مانع دسترسی سریع و به موقع کاربران به اطلاعات مورد نظر خودشان در اینترنت میشود. سیستمهای بازیابی اطلاعات (Information Retrieval Systems) مانند گوگل، آلتاویستا و دیگر موارد، تا اندازهای این مشکل را حل کردهاند.
مطالعه ادامه مطلب 👇👇
🔗 ریکامندر چیست ؟ | مبانی سیستم پیشنهاد دهنده — به زبان ساده — کلیک کنید (+)
📌 کانال اختصاصی آموزشی علم داده
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی علم داده را در کانال اختصاصی [@Fara_DS] دنبال کنید. 👇
@Fara_DS — مطالب و آموزشهای علم داده فرادرس
✳️ ریکامندر چیست ؟ | مبانی سیستم پیشنهاد دهنده — به زبان ساده
در این مطلب، ضمن پاسخگویی به پرسش ریکامندر چیست به بررسی مبانی سیستم پیشنهاد دهنده به زبان ساده، به طور جامع و کامل و همراه با ارائه مثال پرداخته شده است. شایان توجه است که در سراسر این مطلب از کلمه قلم و اقلام برای اشاره به مفهوم «Item» و «Items» استفاده شده است.
══ فهرست مطالب ══
○ چکیده مطلب ریکامندر چیست ؟
○ مقدمهای بر مبحث ریکامندر چیست ؟
○ ریکامندر معادل چه کلمهای در فارسی و انگلیسی است؟
○ ریکامندر چیست ؟
○ دلیل استفاده از سیستم ریکامندر چیست ؟
○ کاربرد سیستم ریکامندر چیست ؟
○ چه زمانی کسب و کار باید ریکامندر سیستم پیادهسازی کند؟
○ پیشنیازهای لازم برای راهاندازی یک سیستم ریکامندر چیست ؟
○ ریکامندر سیستم چگونه کار میکند؟
○ منابع اطلاعاتی سیستم ریکامندر چیست ؟
○ روش فراهم کردن داده برای سیستم ریکامندر چیست ؟
○ رابطه و داده در ریکامندر سیستم ها
○ انواع سیستمهای ریکامندر چه هستند؟
○ از چه روشهایی برای ساخت ریکامندر سیستم استفاده میشود؟
○ چطور میتوان یک ریکامندر سیستم را ارزیابی کرد؟
○ مثال از ریکامندر سیستم: موتور پیشنهاد هوشمند با پالایش گروهی
○ مثال از ریکامندر سیستم: ریکامندر سیستم محتوا محور پیشنهاد مقالات
○ معرفی یک پروژه ریکامندر سیستم فعال و تجاری ایرانی: کاپریلا
○ پرسشهای متداول پیرامون ریکامندر سیستم
🔸 چکیده مطلب ریکامندر چیست ؟
اینترنت به عنوان منبعی برای حجم انبوه دادهها و اطلاعات محسوب میشود. در عین حال، کالاها و خدمات متنوعی نیز از طریق اینترنت در دسترس عموم مردم هستند. در این اقیانوس، نیاز به ابزاری برای پالایش، اولویتبندی و تحویل موثر اطلاعات مورد نیاز و مرتبط به هر کاربر به او محسوس است. این کار به عنوان راهکاری مُسَکنوار برای مسئله وجود سرریز اطلاعات (Information Overload) در نظر گرفته شده است. امروزه، سرریز اطلاعات مشکلات متعددی را برای کاربران اینترنت به وجود آورده است. ریکامندر سیستم در صدد است تا این مشکل را با جستجو در میان حجم انبوهی از اطلاعاتی حل کند که همه روزه به صورت پویا تولید میشوند و محتوا و خدمات شخصیسازی شده برای هر کاربر را در اختیار او قرار دهد.
در مطلب ریکامندر چیست ابتدا مفهوم ریکامندر سیستم بیان و به پرسش ریکامندر چیست پاسخ داده شده است. سپس، به پرسش دلیل استفاده از سیستم ریکامندر چیست پاسخ داده شده و کاربرد ریکامندر سیستم مورد بررسی قرار گرفته است. در ادامه، پیشنیازهای لازم برای یک ریکامندر سیستم تشریح شدهاند و به روشهای تامین منابع اطلاعاتی برای ریکامندر سیستم پرداخته شده است. پس از آن، روش کار و روش ساخت ریکامندر سیستم مورد بررسی قرار گرفته و انواع ریکامندر سیستم تشریح شده است. سپس، مثالهایی از پیادهسازی ریکامندر سیستم همراه با ارائه کدهای لازم برای آن ارائه شده است تا مخاطب بتواند هر چه بهتر پاسخ پرسش ریکامندر چیست را دریافت کند. در نهایت، به پرسشهای متداول پیرامون ریکامندر سیستم یا همان سیستم پیشنهاد دهنده پاسخ داده شده است.
🔸 مقدمهای بر مبحث ریکامندر چیست ؟
رشد انفجاری اطلاعات دیجیتالی در دسترس و تعداد کاربران اینترنت، مشکل بالقوه سرریز اطلاعاتی را ایجاد میکند. این سرریز اطلاعاتی مانع دسترسی سریع و به موقع کاربران به اطلاعات مورد نظر خودشان در اینترنت میشود. سیستمهای بازیابی اطلاعات (Information Retrieval Systems) مانند گوگل، آلتاویستا و دیگر موارد، تا اندازهای این مشکل را حل کردهاند.
مطالعه ادامه مطلب 👇👇
🔗 ریکامندر چیست ؟ | مبانی سیستم پیشنهاد دهنده — به زبان ساده — کلیک کنید (+)
📌 کانال اختصاصی آموزشی علم داده
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی علم داده را در کانال اختصاصی [@Fara_DS] دنبال کنید. 👇
@Fara_DS — مطالب و آموزشهای علم داده فرادرس
👍1
✳️ تفسیر نتایج رگرسیون در SPSS | گام به گام و تشریحی
رگرسیون خطی چه در حالت تک متغیره (ساده)، یا چندگانه و چند متغیره، در نرمافزار SPSS قابل اجرا است. در اغلب موارد خروجی حاصل از این مدلها در این نرمافزار، مشابه یکدیگر هستند. از آنجایی که تفسیر و توجیه مدل ارائه شده، در تحلیل و مدلسازی آماری، امری مهم تلقی میشود، در این نوشتار از مجله فرادرس، به بررسی خروجی و تفسیر نتایج رگرسیون در SPSS پرداختهایم. البته در این متن، مبنا مدل رگرسیونی چندگانه است و مسیر اجرا و نتایج حاصل براساس این تکنیک مورد توجه قرار گرفته است.
══ فهرست مطالب ══
○ تفسیر نتایج رگرسیون در SPSS
○ معرفی فیلم آموزش آمار استنباطی برای مدیریت و علوم انسانی
○ خلاصه و جمعبندی
🔸 تفسیر نتایج رگرسیون در SPSS
همانطور که گفته شد، در این نوشتار قرار است با نتایج حاصل از اجرای رگرسیون خطی در SPSS آشنا شده و از آنها، تفسیر درستی ارائه کنیم. در این بین از یک فایل داده آموزشی استفاده خواهیم کرد.
اطلاعات مربوط به نمرات ۲۰۰ دانش آموز دبیرستان در سه درس «ریاضیات» (Math)، «مطالعات اجتماعی» (Socst) و «خواندن» و … معرفی شدهاند. جدول ۱، این متغیرها را مشخص و ویژگیهای آن را معرفی کرده است.
جدول ۱: ویژگیهای متغیرهای مورد تحلیل
🔸 معرفی فیلم آموزش آمار استنباطی برای مدیریت و علوم انسانی
آمار استنباطی، یکی از شیوههای تعمیم خصوصیات نمونه به جامعه آماری است. این مباحث شامل تخمین نقطهای و تخمین فاصلهای، آزمون فرض و مدلسازی است. بر این اساس، در این آموزش فرادرس موضوعات استنباط آماری به زبان ساده و به کمک نرمافزارهای آماری مانند اکسل و SPSS مطرح شده و با ذکر مثالهای کاربردی، اهمیت به کارگیری آنها به کاربران آموخته میشود.
بحث تفسیر نتایج رگرسیون در SPSS از مواردی است که در این آموزش به طور مفصل مورد توجه قرار گرفته و رگرسیون چندگانه و غیرخطی نیز مطرح میشود. فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
– درس یکم: جامعه و نمونه و ارتباط بین آن ها
– درس دوم: برآورد آماری
– درس سوم: آزمون فرضیه
– درس چهارم: آزمون تحلیل واریانس
– درس پنجم: رگرسیون و همبستگی
– درس ششم: رگرسیون چندگانه و غیر خطی
این آموزش مناسب برای سطوح تحصیلی، کارشناسی و کارشناسی ارشد برای رشتههای مدیریت، آمار، اقتصاد، حسابداری و مهندسی صنایع است. نرم افزارهای مرتبط با آموزش Microsoft Excel و IBM SPSS ۱۹ هستند. در مجموع فیلم آموزشی شامل ۵ ساعت و ۲۷ دقیقه محتوایی ویدیویی است.
مطالعه ادامه مطلب 👇👇
🔗 تفسیر نتایج رگرسیون در SPSS | گام به گام و تشریحی — کلیک کنید (+)
📌 کانال اختصاصی آموزشی علم داده
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی علم داده را در کانال اختصاصی [@Fara_DS] دنبال کنید. 👇
@Fara_DS — مطالب و آموزشهای علم داده فرادرس
✳️ تفسیر نتایج رگرسیون در SPSS | گام به گام و تشریحی
رگرسیون خطی چه در حالت تک متغیره (ساده)، یا چندگانه و چند متغیره، در نرمافزار SPSS قابل اجرا است. در اغلب موارد خروجی حاصل از این مدلها در این نرمافزار، مشابه یکدیگر هستند. از آنجایی که تفسیر و توجیه مدل ارائه شده، در تحلیل و مدلسازی آماری، امری مهم تلقی میشود، در این نوشتار از مجله فرادرس، به بررسی خروجی و تفسیر نتایج رگرسیون در SPSS پرداختهایم. البته در این متن، مبنا مدل رگرسیونی چندگانه است و مسیر اجرا و نتایج حاصل براساس این تکنیک مورد توجه قرار گرفته است.
══ فهرست مطالب ══
○ تفسیر نتایج رگرسیون در SPSS
○ معرفی فیلم آموزش آمار استنباطی برای مدیریت و علوم انسانی
○ خلاصه و جمعبندی
🔸 تفسیر نتایج رگرسیون در SPSS
همانطور که گفته شد، در این نوشتار قرار است با نتایج حاصل از اجرای رگرسیون خطی در SPSS آشنا شده و از آنها، تفسیر درستی ارائه کنیم. در این بین از یک فایل داده آموزشی استفاده خواهیم کرد.
اطلاعات مربوط به نمرات ۲۰۰ دانش آموز دبیرستان در سه درس «ریاضیات» (Math)، «مطالعات اجتماعی» (Socst) و «خواندن» و … معرفی شدهاند. جدول ۱، این متغیرها را مشخص و ویژگیهای آن را معرفی کرده است.
جدول ۱: ویژگیهای متغیرهای مورد تحلیل
🔸 معرفی فیلم آموزش آمار استنباطی برای مدیریت و علوم انسانی
آمار استنباطی، یکی از شیوههای تعمیم خصوصیات نمونه به جامعه آماری است. این مباحث شامل تخمین نقطهای و تخمین فاصلهای، آزمون فرض و مدلسازی است. بر این اساس، در این آموزش فرادرس موضوعات استنباط آماری به زبان ساده و به کمک نرمافزارهای آماری مانند اکسل و SPSS مطرح شده و با ذکر مثالهای کاربردی، اهمیت به کارگیری آنها به کاربران آموخته میشود.
بحث تفسیر نتایج رگرسیون در SPSS از مواردی است که در این آموزش به طور مفصل مورد توجه قرار گرفته و رگرسیون چندگانه و غیرخطی نیز مطرح میشود. فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
– درس یکم: جامعه و نمونه و ارتباط بین آن ها
– درس دوم: برآورد آماری
– درس سوم: آزمون فرضیه
– درس چهارم: آزمون تحلیل واریانس
– درس پنجم: رگرسیون و همبستگی
– درس ششم: رگرسیون چندگانه و غیر خطی
این آموزش مناسب برای سطوح تحصیلی، کارشناسی و کارشناسی ارشد برای رشتههای مدیریت، آمار، اقتصاد، حسابداری و مهندسی صنایع است. نرم افزارهای مرتبط با آموزش Microsoft Excel و IBM SPSS ۱۹ هستند. در مجموع فیلم آموزشی شامل ۵ ساعت و ۲۷ دقیقه محتوایی ویدیویی است.
مطالعه ادامه مطلب 👇👇
🔗 تفسیر نتایج رگرسیون در SPSS | گام به گام و تشریحی — کلیک کنید (+)
📌 کانال اختصاصی آموزشی علم داده
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی علم داده را در کانال اختصاصی [@Fara_DS] دنبال کنید. 👇
@Fara_DS — مطالب و آموزشهای علم داده فرادرس
✳️ تحلیل کلان داده (Big Data)، چالشها و فناوریهای مرتبط — راهنما به زبان ساده
در قسمت اول از مجموعه مطالب «کلان داده» (Big Data)، در مطلبی با عنوان «مفاهیم کلان داده (Big Data) و انواع تحلیل داده — راهنمای جامع»، تعاریف و ۴۲ «V» کلان داده و همچنین انواع روشهای تحلیل داده مورد بررسی قرار گرفتند. در این بخش به چالشهای این حوزه و فناوریهای مرتبط با آن از جمله «رایانش ابری» (Cloud Computing)، «رایانش کوانتومی» ( Quantum Computing) و «رایانش الهام گرفته از زیست» (Bio Inspired Computing) پرداخته خواهد شد. لازم به ذکر است، همانطور که در بخش پیشین نیز تاکید شده کلانداده ترجمه متداول و پرکاربرد عبارت Big Data محسوب میشود، در حالیکه معادل فارسی برگزیده شده توسط فرهنگستان زبان و ادب پارسی «مِهداده» است. در این متن از هر دو معادل استفاده خواهد شد.
══ فهرست مطالب ══
○ فناوریهای مرتبط با کلانداده
🔸 فناوریهای مرتبط با کلانداده
تحلیلهای کلانداده و علم داده به کانون پژوهشهای صنعت و دانشگاه مبدل شدهاند. هدف علم داده پژوهش در کلانداده و استخراج دانش از آن است. کاربردهای کلانداده و علم داده شامل علم اطلاعات، مدلسازی عدم قطعیت، تحلیل دادههای غیر قطعی، یادگیری ماشین، یادگیری آماری، تشخیص الگو، انبارسازی داده و پردازش سیگنال میشود. یکپارچهسازی موثر فناوریها و تحلیلها امکان پیشبینی حوادث در حال وقوع آتی را فراهم میکند. تمرکز اصلی مطالبی که در ادامه میآید فناوریهای مرتبط و موضوعات نیازمند پژوهش در حوزه کلانداده است.
در این مطلب، مباحث مورد بررسی در چهار دسته گسترده «اینترنت چیزها» (Internet of Things | IoT)، رایانش ابری، «محاسبات الهام گرفته از زیست» (bio inspired computing) و «رایانش کوانتومی» (quantum computing) قرار داده شدهاند. اگرچه در حقیقت این موضوعات محدود به این چهار دسته نیستند و بسیار گستردهتر محسوب میشوند. از دیگر زمینههای پژوهشی مرتبط میتوان به کلاندادههای حوزه سلامت اشاره کرد که «کو» (Kuo) و همکاران در مقالهای با عنوان «تحلیلهای کلانداده سلامت: چشمانداز کنونی، چالشها و راهکارهای بالقوه» (Health big data analytics: current perspectives, challenges and potential solutions) به آن پرداختهاند.
اینترنت، ارتباطات جهانی، کسبوکار، انقلابهای فرهنگی و تعداد قابل توجهی از خصوصیات فردی انسانها را شکل و ساختاری مجدد بخشیده است. در حال حاضر، فعالات حوزه «فناوری اطلاعات» (Information Technology) در تلاش برای کنترل تعداد بیشماری گجت خودکار در اینترنت و ساخت اینترنت چیزها (IoT) هستند.
مطالعه ادامه مطلب 👇👇
🔗 تحلیل کلان داده (Big Data)، چالش ها و فناوری های مرتبط — راهنما به زبان ساده — کلیک کنید (+)
📌 کانال اختصاصی آموزشی علم داده
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی علم داده را در کانال اختصاصی [@Fara_DS] دنبال کنید. 👇
@Fara_DS — مطالب و آموزشهای علم داده فرادرس
✳️ تحلیل کلان داده (Big Data)، چالشها و فناوریهای مرتبط — راهنما به زبان ساده
در قسمت اول از مجموعه مطالب «کلان داده» (Big Data)، در مطلبی با عنوان «مفاهیم کلان داده (Big Data) و انواع تحلیل داده — راهنمای جامع»، تعاریف و ۴۲ «V» کلان داده و همچنین انواع روشهای تحلیل داده مورد بررسی قرار گرفتند. در این بخش به چالشهای این حوزه و فناوریهای مرتبط با آن از جمله «رایانش ابری» (Cloud Computing)، «رایانش کوانتومی» ( Quantum Computing) و «رایانش الهام گرفته از زیست» (Bio Inspired Computing) پرداخته خواهد شد. لازم به ذکر است، همانطور که در بخش پیشین نیز تاکید شده کلانداده ترجمه متداول و پرکاربرد عبارت Big Data محسوب میشود، در حالیکه معادل فارسی برگزیده شده توسط فرهنگستان زبان و ادب پارسی «مِهداده» است. در این متن از هر دو معادل استفاده خواهد شد.
══ فهرست مطالب ══
○ فناوریهای مرتبط با کلانداده
🔸 فناوریهای مرتبط با کلانداده
تحلیلهای کلانداده و علم داده به کانون پژوهشهای صنعت و دانشگاه مبدل شدهاند. هدف علم داده پژوهش در کلانداده و استخراج دانش از آن است. کاربردهای کلانداده و علم داده شامل علم اطلاعات، مدلسازی عدم قطعیت، تحلیل دادههای غیر قطعی، یادگیری ماشین، یادگیری آماری، تشخیص الگو، انبارسازی داده و پردازش سیگنال میشود. یکپارچهسازی موثر فناوریها و تحلیلها امکان پیشبینی حوادث در حال وقوع آتی را فراهم میکند. تمرکز اصلی مطالبی که در ادامه میآید فناوریهای مرتبط و موضوعات نیازمند پژوهش در حوزه کلانداده است.
در این مطلب، مباحث مورد بررسی در چهار دسته گسترده «اینترنت چیزها» (Internet of Things | IoT)، رایانش ابری، «محاسبات الهام گرفته از زیست» (bio inspired computing) و «رایانش کوانتومی» (quantum computing) قرار داده شدهاند. اگرچه در حقیقت این موضوعات محدود به این چهار دسته نیستند و بسیار گستردهتر محسوب میشوند. از دیگر زمینههای پژوهشی مرتبط میتوان به کلاندادههای حوزه سلامت اشاره کرد که «کو» (Kuo) و همکاران در مقالهای با عنوان «تحلیلهای کلانداده سلامت: چشمانداز کنونی، چالشها و راهکارهای بالقوه» (Health big data analytics: current perspectives, challenges and potential solutions) به آن پرداختهاند.
اینترنت، ارتباطات جهانی، کسبوکار، انقلابهای فرهنگی و تعداد قابل توجهی از خصوصیات فردی انسانها را شکل و ساختاری مجدد بخشیده است. در حال حاضر، فعالات حوزه «فناوری اطلاعات» (Information Technology) در تلاش برای کنترل تعداد بیشماری گجت خودکار در اینترنت و ساخت اینترنت چیزها (IoT) هستند.
مطالعه ادامه مطلب 👇👇
🔗 تحلیل کلان داده (Big Data)، چالش ها و فناوری های مرتبط — راهنما به زبان ساده — کلیک کنید (+)
📌 کانال اختصاصی آموزشی علم داده
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی علم داده را در کانال اختصاصی [@Fara_DS] دنبال کنید. 👇
@Fara_DS — مطالب و آموزشهای علم داده فرادرس
✳️ درخت تصمیم با پایتون — راهنمای کاربردی
در این مطلب، چگونگی ساخت «درخت تصمیم» (Decision Trees) در «زبان برنامهنویسی پایتون» (Python Programming Language) آموزش داده شده است. یک درخت تصمیم، مدلی است که برای حل وظایف «دستهبندی» (Classification) و «رگرسیون» (Regression) مورد استفاده قرار میگیرد. مدل، امکان تولید خروجیهای گوناگون را فراهم کرده و امکان انجام تصمیمگیری با دادهها را فراهم میکند. در مثال بیان شده در این مطلب، تاثیر «متغیرهای توصیفی» (explanatory variables) (از جمله سن، جنسیت، صفحات وب بازدید شده در روز، ساعت ویدئوهای بازدید شده در هفته و درآمد فرد) در استفاده از اینترنت (مصرف مگابایت در هفته) تحلیل خواهد شد. شایان توجه است که مجموعه داده مورد استفاده در این مطلب، از این مسیر (+) قابل دانلود است. شایان توجه است که ورودی و خروجی ها با توجه به محل قرارگیری مجموعه داده در سیستم افراد گوناگون، تفاوتهایی را با کدهای موجود در این مطلب خواهد داشت.
══ فهرست مطالب ══
○ گام ۱: بارگذاری کتابخانهها
○ گام ۲: بارگذاری مجموعه داده و متغیرها
○ گام ۳: ایمپورت کردن DecisionTreeRegressor از sklearn
○ گام ۴: تعیین صحت مجموعه آموزش و آزمون
○ گام ۵: انجام پیشبینیها از درخت تصمیم
○ گام ۶: محاسبه درصد خطای بین پیشبینیها و دادههای واقعی
○ گام ۷: ترسیم گراف درخت تصمیم
○ نتیجهگیری
🔸 گام ۱: بارگذاری کتابخانهها
ابتدا، کتابخانه «نامپای» (Numpy) و traintestsplit از کتابخانه «سایکیتلِرن» (Scikit-Learn) وارد (Import) میشود. با استفاده از کلاس فراخوانی شده از کتابخانه sklearn، مجموعه داده به دادههای «آموزش» (Training) و «آزمون» (Test) شکسته میشود، و به موجب آن، مدل روی دادههای آموزش ساخته و صحت این مدل در مقابل دادههای «آزمون» (Test) آزموده میشود.
🔸 گام ۲: بارگذاری مجموعه داده و متغیرها
اکنون از np.loadtxt برای بارگذاری دادهها در فرمت csv استفاده میشود.
مطالعه ادامه مطلب 👇👇
🔗 درخت تصمیم با پایتون — راهنمای کاربردی — کلیک کنید (+)
📌 کانال اختصاصی آموزشی علم داده
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی علم داده را در کانال اختصاصی [@Fara_DS] دنبال کنید. 👇
@Fara_DS — مطالب و آموزشهای علم داده فرادرس
✳️ درخت تصمیم با پایتون — راهنمای کاربردی
در این مطلب، چگونگی ساخت «درخت تصمیم» (Decision Trees) در «زبان برنامهنویسی پایتون» (Python Programming Language) آموزش داده شده است. یک درخت تصمیم، مدلی است که برای حل وظایف «دستهبندی» (Classification) و «رگرسیون» (Regression) مورد استفاده قرار میگیرد. مدل، امکان تولید خروجیهای گوناگون را فراهم کرده و امکان انجام تصمیمگیری با دادهها را فراهم میکند. در مثال بیان شده در این مطلب، تاثیر «متغیرهای توصیفی» (explanatory variables) (از جمله سن، جنسیت، صفحات وب بازدید شده در روز، ساعت ویدئوهای بازدید شده در هفته و درآمد فرد) در استفاده از اینترنت (مصرف مگابایت در هفته) تحلیل خواهد شد. شایان توجه است که مجموعه داده مورد استفاده در این مطلب، از این مسیر (+) قابل دانلود است. شایان توجه است که ورودی و خروجی ها با توجه به محل قرارگیری مجموعه داده در سیستم افراد گوناگون، تفاوتهایی را با کدهای موجود در این مطلب خواهد داشت.
══ فهرست مطالب ══
○ گام ۱: بارگذاری کتابخانهها
○ گام ۲: بارگذاری مجموعه داده و متغیرها
○ گام ۳: ایمپورت کردن DecisionTreeRegressor از sklearn
○ گام ۴: تعیین صحت مجموعه آموزش و آزمون
○ گام ۵: انجام پیشبینیها از درخت تصمیم
○ گام ۶: محاسبه درصد خطای بین پیشبینیها و دادههای واقعی
○ گام ۷: ترسیم گراف درخت تصمیم
○ نتیجهگیری
🔸 گام ۱: بارگذاری کتابخانهها
ابتدا، کتابخانه «نامپای» (Numpy) و traintestsplit از کتابخانه «سایکیتلِرن» (Scikit-Learn) وارد (Import) میشود. با استفاده از کلاس فراخوانی شده از کتابخانه sklearn، مجموعه داده به دادههای «آموزش» (Training) و «آزمون» (Test) شکسته میشود، و به موجب آن، مدل روی دادههای آموزش ساخته و صحت این مدل در مقابل دادههای «آزمون» (Test) آزموده میشود.
🔸 گام ۲: بارگذاری مجموعه داده و متغیرها
اکنون از np.loadtxt برای بارگذاری دادهها در فرمت csv استفاده میشود.
مطالعه ادامه مطلب 👇👇
🔗 درخت تصمیم با پایتون — راهنمای کاربردی — کلیک کنید (+)
📌 کانال اختصاصی آموزشی علم داده
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی علم داده را در کانال اختصاصی [@Fara_DS] دنبال کنید. 👇
@Fara_DS — مطالب و آموزشهای علم داده فرادرس
👍2
Forwarded from FaraDars | فرادرس
🚀 اپلیکیشن فرادرس منتشر شد‼️
📱 اپلیکیشن آموزشی فرادرس، در گوگل پلی منتشر شد و هماکنون در دسترس عموم است.
⭕️ با دانلود و نصب اپلیکیشن فرادرس، کاربران موبایل میتوانند با سادگی بیشتر و تجربهای بهتر، آموزشهای مورد نظر خود را از فرادرس جستوجو و مشاهده کنند.
✔️ برخی از قابلیتهای اپلیکیشن:
✓ امکان جستجو در کتابخانه آموزشهای ویدئویی با بیش از ۵,۰۰۰ عنوان آموزش (۱۹,۰۰۰ ساعت آموزش)
✓مشاهده فهرست جدیدترین آموزشها، آموزشهای پرمخاطب، وبینارها و آموزشهای رایگان به صورت دستهبندی شده
✓ دسترسی به آموزشهای رایگان فرادرس و مشاهده آنها
✓ قابلیت جستجوی پیشرفته در کتابخانه آموزشهای فرادرس با تعیین فیلترهای خاص
✓امکان مشاهده دورههای تهیه شده توسط کاربر در پلیر سازگار با موبایل
✓ امکان ورود به پنل کاربری، ویرایش پروفایل و شارژ حساب
📲 با نصب این اپلیکیشن، میتوانید آموزشهای مورد علاقه خود را ذخیره و در فرصت مناسبتر آنها را با دقت مشاهده کنید.
📌 دریافت اپلیکیشن فرادرس از گوگل پلی (+)
📚 فرادرس | دانش در دسترس همه؛ همیشه و همه جا
@FaraDars — فرادرس
🚀 اپلیکیشن فرادرس منتشر شد‼️
📱 اپلیکیشن آموزشی فرادرس، در گوگل پلی منتشر شد و هماکنون در دسترس عموم است.
⭕️ با دانلود و نصب اپلیکیشن فرادرس، کاربران موبایل میتوانند با سادگی بیشتر و تجربهای بهتر، آموزشهای مورد نظر خود را از فرادرس جستوجو و مشاهده کنند.
✔️ برخی از قابلیتهای اپلیکیشن:
✓ امکان جستجو در کتابخانه آموزشهای ویدئویی با بیش از ۵,۰۰۰ عنوان آموزش (۱۹,۰۰۰ ساعت آموزش)
✓مشاهده فهرست جدیدترین آموزشها، آموزشهای پرمخاطب، وبینارها و آموزشهای رایگان به صورت دستهبندی شده
✓ دسترسی به آموزشهای رایگان فرادرس و مشاهده آنها
✓ قابلیت جستجوی پیشرفته در کتابخانه آموزشهای فرادرس با تعیین فیلترهای خاص
✓امکان مشاهده دورههای تهیه شده توسط کاربر در پلیر سازگار با موبایل
✓ امکان ورود به پنل کاربری، ویرایش پروفایل و شارژ حساب
📲 با نصب این اپلیکیشن، میتوانید آموزشهای مورد علاقه خود را ذخیره و در فرصت مناسبتر آنها را با دقت مشاهده کنید.
📌 دریافت اپلیکیشن فرادرس از گوگل پلی (+)
📚 فرادرس | دانش در دسترس همه؛ همیشه و همه جا
@FaraDars — فرادرس
❤2
✳️ انواع داده ها در SPSS — راهنمای کاربردی
دادهها، نتیجه مشاهده یا اندازهگیری پدیدهها طبیعی یا مصنوعی هستند. از طرفی میدانیم، افراد و اشیائی که مشخصات و ویژگیهای مربوط به موضوع مورد بررسی از آنها اندازهگیری میشوند، جامعه آماری را شکل میدهند. به این ترتیب، در جامعه آماری، مشخصات و ویژگیهای یک پدیده مورد اندازهگیری قرار گرفته و نسبت به شناخت آن، دانش مفیدی کسب میکنیم. اعضای جامعه آماری، دارای خصوصیات یا ویژگیهای مشترکی هستند، در غیر اینصورت امکان حضورشان در کنار یکدیگر میسر نمیشد. هر یک از این ویژگیها، براساس شیوه خاصی اندازهگیری و مورد تجزیه و تحلیل قرار میگیرند. به همین جهت در این نوشتار از مجله فرادرس میخواهیم با انواع داده ها در SPSS به عنوان یک نرم افزار پرکاربرد در حوزه آمار و تحلیل داده، آشنا شویم.
══ فهرست مطالب ══
○ انواع داده ها در SPSS
○ انتخاب و تعیین انواع داده ها در SPSS
○ معرفی فیلم آموزش کنترل کیفیت آماری با SPSS فرادرس
○ خلاصه و جمعبندی
🔸 انواع داده ها در SPSS
زمانی که یک متغیر را در SPSS، تعریف میکنید، اولین کار انتخاب یک نام برای آن است. اسامی متغیرها در بالای ستونهای مقادیر در برگه Data View از «پنجره ویرایشگر داده» (Data Editor) ظاهر میشوند. به این ترتیب ستونها را میتوان همان «فیلدها» (Fields) در «بانکهای اطلاعاتی» (Database) محسوب کرد.
هنگام انتخاب نام، باید دقت کنید تا با موازین SPSS، هماهنگ باشد. محدودیتهایی که برای تعیین نام متغیر در SPSS وجود دارند، در ادامه فهرست شدهاند.
– تعداد حروف: حداکثر نام برای متغیرها، ۶۴ حرف یا در حقیقت ۶۴ بایت (Byte) است. البته اگر از نامگذاری متغیرها با حروف فارسی استفاده کنید، تعداد این حروف نصف شده و به ۳۲ حرف میرسد. زیرا حروف فارسی به جای یک بایت، از دو بایت هنگام ذخیره سازی، استفاده میکنند.
– علائم غیرمجاز: استفاده از فاصله در نامگذاری غیر مجاز است. معمولا برای جدا کردن بخشهای نام متغیر از علامت «ـ» استفاده میکنند.
– اسامی غیرمجاز: بعضی از اسامی برای متغیرها در spss، غیر مجاز هستند، زیرا در جای دیگری از این اسامی به عنوان «متغیرهای سیستمی» (System Variables) استفاده شده است. برای مثال عبارتی مانند AND, OR و یا ALL برای نامگذاری مناسب نیستند و با انتخاب آنها برای متغیرها، با پیغام خطا مواجه خواهید شد.
– غیرتکراری: نام هیچ متغیری در یک مجموعه داده (Dataset)، نباید تکراری باشد. تکراری بودن نام متغیرها، طی پیامی به اطلاع کاربران SPSS میرسد.
نکته: به کار بردن اسامی فارسی برای متغیرها مجاز است به شرطی که امکان به کارگیری حروف با Unicode را فعال کرده باشید. البته بهتر است اسامی متغیرها را انگلیسی ولی برچسب (Label) آنها را فارسی انتخاب کنید. باز هم تاکید میکنیم که به کار بردن فاصله بین اجزای نام متغیر، مجاز نیست. برای فعال سازی Unicode به تصویر ۱ توجه کنید.
🔸 انتخاب و تعیین انواع داده ها در SPSS
قبل از شروع کار با نرمافزار محاسبات آماری SPSS، لازم است که متغیرها را معرفی کنیم. هر مقدار یا دستهای از مقادیر حتما باید وابسته به یک متغیر باشد. انتخاب صحیح برای انواع داده ها در SPSS بسیار با اهمیت است، زیرا بعضی از روشهای آماری در این نرمافزار فقط با توجه به انتخاب صحیح نوع داده صورت میگیرد. برای مثال، رسم نمودار یا ترسیم جدول برای دادهها، با توجه به اینکه کاربر به درستی نوع مقادیر یا مقیاس اندازه را وارد کرده، امکانپذیر میگردند. بنابراین اگر این کار به درستی انجام نشده باشد، کاربر، یا با پیغام خطا مواجه خواهد شد، یا خروجی به شکل اشتباه در پنجره نتایج SPSS، نقش خواهد بست.
به یاد داشته باشید که اغلب در یک جامعه آماری، از متغیرهای کمی برای محاسبه شاخصها و از متغیرهای کیفی برای طبقهبندی یا تفکیک جامعه آماری به بخشهای کوچکتر، استفاده میشود. همین موضوع، بخصوص در نرمافزارهای آماری، نظیر SPSS نیز لحاظ شده است. سه نوع مقیاس اندازه، در این نرمافزار مورد توجه است که در زیر فهرست شدهاند.
مطالعه ادامه مطلب 👇👇
🔗 انواع داده ها در SPSS — راهنمای کاربردی — کلیک کنید (+)
📌 کانال اختصاصی آموزشی علم داده
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی علم داده را در کانال اختصاصی [@Fara_DS] دنبال کنید. 👇
@Fara_DS — مطالب و آموزشهای علم داده فرادرس
✳️ انواع داده ها در SPSS — راهنمای کاربردی
دادهها، نتیجه مشاهده یا اندازهگیری پدیدهها طبیعی یا مصنوعی هستند. از طرفی میدانیم، افراد و اشیائی که مشخصات و ویژگیهای مربوط به موضوع مورد بررسی از آنها اندازهگیری میشوند، جامعه آماری را شکل میدهند. به این ترتیب، در جامعه آماری، مشخصات و ویژگیهای یک پدیده مورد اندازهگیری قرار گرفته و نسبت به شناخت آن، دانش مفیدی کسب میکنیم. اعضای جامعه آماری، دارای خصوصیات یا ویژگیهای مشترکی هستند، در غیر اینصورت امکان حضورشان در کنار یکدیگر میسر نمیشد. هر یک از این ویژگیها، براساس شیوه خاصی اندازهگیری و مورد تجزیه و تحلیل قرار میگیرند. به همین جهت در این نوشتار از مجله فرادرس میخواهیم با انواع داده ها در SPSS به عنوان یک نرم افزار پرکاربرد در حوزه آمار و تحلیل داده، آشنا شویم.
══ فهرست مطالب ══
○ انواع داده ها در SPSS
○ انتخاب و تعیین انواع داده ها در SPSS
○ معرفی فیلم آموزش کنترل کیفیت آماری با SPSS فرادرس
○ خلاصه و جمعبندی
🔸 انواع داده ها در SPSS
زمانی که یک متغیر را در SPSS، تعریف میکنید، اولین کار انتخاب یک نام برای آن است. اسامی متغیرها در بالای ستونهای مقادیر در برگه Data View از «پنجره ویرایشگر داده» (Data Editor) ظاهر میشوند. به این ترتیب ستونها را میتوان همان «فیلدها» (Fields) در «بانکهای اطلاعاتی» (Database) محسوب کرد.
هنگام انتخاب نام، باید دقت کنید تا با موازین SPSS، هماهنگ باشد. محدودیتهایی که برای تعیین نام متغیر در SPSS وجود دارند، در ادامه فهرست شدهاند.
– تعداد حروف: حداکثر نام برای متغیرها، ۶۴ حرف یا در حقیقت ۶۴ بایت (Byte) است. البته اگر از نامگذاری متغیرها با حروف فارسی استفاده کنید، تعداد این حروف نصف شده و به ۳۲ حرف میرسد. زیرا حروف فارسی به جای یک بایت، از دو بایت هنگام ذخیره سازی، استفاده میکنند.
– علائم غیرمجاز: استفاده از فاصله در نامگذاری غیر مجاز است. معمولا برای جدا کردن بخشهای نام متغیر از علامت «ـ» استفاده میکنند.
– اسامی غیرمجاز: بعضی از اسامی برای متغیرها در spss، غیر مجاز هستند، زیرا در جای دیگری از این اسامی به عنوان «متغیرهای سیستمی» (System Variables) استفاده شده است. برای مثال عبارتی مانند AND, OR و یا ALL برای نامگذاری مناسب نیستند و با انتخاب آنها برای متغیرها، با پیغام خطا مواجه خواهید شد.
– غیرتکراری: نام هیچ متغیری در یک مجموعه داده (Dataset)، نباید تکراری باشد. تکراری بودن نام متغیرها، طی پیامی به اطلاع کاربران SPSS میرسد.
نکته: به کار بردن اسامی فارسی برای متغیرها مجاز است به شرطی که امکان به کارگیری حروف با Unicode را فعال کرده باشید. البته بهتر است اسامی متغیرها را انگلیسی ولی برچسب (Label) آنها را فارسی انتخاب کنید. باز هم تاکید میکنیم که به کار بردن فاصله بین اجزای نام متغیر، مجاز نیست. برای فعال سازی Unicode به تصویر ۱ توجه کنید.
🔸 انتخاب و تعیین انواع داده ها در SPSS
قبل از شروع کار با نرمافزار محاسبات آماری SPSS، لازم است که متغیرها را معرفی کنیم. هر مقدار یا دستهای از مقادیر حتما باید وابسته به یک متغیر باشد. انتخاب صحیح برای انواع داده ها در SPSS بسیار با اهمیت است، زیرا بعضی از روشهای آماری در این نرمافزار فقط با توجه به انتخاب صحیح نوع داده صورت میگیرد. برای مثال، رسم نمودار یا ترسیم جدول برای دادهها، با توجه به اینکه کاربر به درستی نوع مقادیر یا مقیاس اندازه را وارد کرده، امکانپذیر میگردند. بنابراین اگر این کار به درستی انجام نشده باشد، کاربر، یا با پیغام خطا مواجه خواهد شد، یا خروجی به شکل اشتباه در پنجره نتایج SPSS، نقش خواهد بست.
به یاد داشته باشید که اغلب در یک جامعه آماری، از متغیرهای کمی برای محاسبه شاخصها و از متغیرهای کیفی برای طبقهبندی یا تفکیک جامعه آماری به بخشهای کوچکتر، استفاده میشود. همین موضوع، بخصوص در نرمافزارهای آماری، نظیر SPSS نیز لحاظ شده است. سه نوع مقیاس اندازه، در این نرمافزار مورد توجه است که در زیر فهرست شدهاند.
مطالعه ادامه مطلب 👇👇
🔗 انواع داده ها در SPSS — راهنمای کاربردی — کلیک کنید (+)
📌 کانال اختصاصی آموزشی علم داده
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی علم داده را در کانال اختصاصی [@Fara_DS] دنبال کنید. 👇
@Fara_DS — مطالب و آموزشهای علم داده فرادرس
✳️ روش های انتخاب ویژگی در پایتون — راهنمای جامع
همه کسانی که در حوزه «هوش مصنوعی» (Artificial Intelligence) و «یادگیری ماشین» (Machine Learning) فعالیت دارند، با مسأله انتخاب «ویژگیهای مرتبط» (Relevant Features) در یک مجموعه داده و حذف یا نادیده گرفتن ویژگیهای «نامرتبط» (Irrelevant) یا کم اهمیت (که سهم چندانی در پیش بینی درست برچسب کلاس نمونههای جدید و به تبع آن، عملکرد مدلهای یادگیری ندارند) دست و پنجه نرم کردهاند. «انتخاب ویژگی» (Feature Selection)، یکی از مفاهیم کلیدی در یادگیری ماشین است. روش های انتخاب ویژگی نقش مهمی در عملکرد بهینه مدلهای یادگیری دارند.
══ فهرست مطالب ══
○ اهمیت مرحله انتخاب ویژگی در طراحی مدلهای یادگیری
○ روش های انتخاب ویژگی نظارت شده و نظارت نشده
○ روشهای انتخاب ویژگی بستهبند
○ روش های انتخاب ویژگی تعبیه شده
○ روشهای انتخاب ویژگی فیلتر
○ روشهای انتخاب ویژگی ترکیبی
🔸 اهمیت مرحله انتخاب ویژگی در طراحی مدلهای یادگیری
تحقیقات انجام شده در زمینه تاثیر انتخاب ویژگیهای مناسب در عملکرد روشهای یادگیری ماشین، نشان داده است که انتخاب مجموعه مناسب از ویژگیها در هنگام طراحی مدلهای یادگیری ماشین، عملکرد، دقت و کارایی روشهای یادگیری «نظارت شده» (Supervised) و «نظارت نشده» (Unsupervised) را بهبود میبخشد. همچنین، وقتی که ابعاد فضای ویژگی دادهها بسیار زیاد است و با معضل «نفرین ابعاد بالا» (Curse of Dimensionality) مواجه هستیم، استفاده از مجموعه ویژگیهای مناسب، «هزینههای محاسباتی» (نظیر زمان آموزش و یا منابع) لازم برای آموزش بهینه سیستم را به شدت کاهش میدهد. محاسبه درجه اهمیت ویژگیها و استفاده از آنها در مرحله انتخاب ویژگی، گام مهمی در جهت «تفسیرپذیری» (Interpretability) مدلهای یادگیری ماشین خواهد بود.
🔸 روش های انتخاب ویژگی نظارت شده و نظارت نشده
برای انتخاب بهترین ویژگیها برای یک مدل یادگیری نظارت شده، «روش های انتخاب ویژگی نظارت شده» (Supervised Feature Selection) ارائه شدهاند. هدف این دسته از الگوریتمها، انتخاب بهترین زیر مجموعه از ویژگیها برای تضمین عملکرد بهینه یک مدل نظارت شده (به عنوان نمونه، مسائل دستهبندی (Classification) و «رگرسیون» (Regression)) است. این الگوریتمها برای انتخاب بهترین ویژگیها، از «دادههای برچسب زده» (Labelled Data) استفاده میکنند. با این حال، در شرایطی که دادههای برچسب زده در دسترس نیستند (یادگیری نظارت نشده)، روشهایی به نام «روش های انتخاب ویژگی نظارت نشده» (Unsupervised Feature Selection) پیادهسازی شدهاند که ویژگیها را براساس معیارهای مختلفی نظیر «واریانس» (Variance)، آنتروپی (Entropy)، قابلیت ویژگیها در حفظ اطلاعات مرتبط با مشابهتهای محلی (Local Similarity) و سایر موارد امتیازبندی میکنند.
ویژگیهای مرتبطی که از طریق «فرایندهای مکاشفهای نظارت نشده» (Unsupervised Heuristics) شناسایی شدهاند، میتوانند در مدلهای یادگیری نظارت شده نیز مورد استفاده قرار بگیرند. چنین کاربردهایی از ویژگیهای شناسایی شده، به سیستم یادگیری نظارت شده اجازه میدهد تا علاوه بر شناسایی میزان «همبستگی» (Correlation) ویژگیها با برچسب کلاس دادهها، الگوهای دیگری نیز در دادههای یادگیری شناسایی کنند. از دیدگاه طبقهبندی، روش های انتخاب ویژگی را میتوان در چهار دسته زیر طبقهبندی کرد:
– روشهای «فیلتر» (Filter)
– روشهای «بستهبند» (Wrapper)
– روشهای «تعبیه شده» (Embedded)
– روشهای «ترکیبی» (Hybrid)
مطالعه ادامه مطلب 👇👇
🔗 روش های انتخاب ویژگی در پایتون — راهنمای جامع — کلیک کنید (+)
📌 کانال اختصاصی آموزشی علم داده
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی علم داده را در کانال اختصاصی [@Fara_DS] دنبال کنید. 👇
@Fara_DS — مطالب و آموزشهای علم داده فرادرس
✳️ روش های انتخاب ویژگی در پایتون — راهنمای جامع
همه کسانی که در حوزه «هوش مصنوعی» (Artificial Intelligence) و «یادگیری ماشین» (Machine Learning) فعالیت دارند، با مسأله انتخاب «ویژگیهای مرتبط» (Relevant Features) در یک مجموعه داده و حذف یا نادیده گرفتن ویژگیهای «نامرتبط» (Irrelevant) یا کم اهمیت (که سهم چندانی در پیش بینی درست برچسب کلاس نمونههای جدید و به تبع آن، عملکرد مدلهای یادگیری ندارند) دست و پنجه نرم کردهاند. «انتخاب ویژگی» (Feature Selection)، یکی از مفاهیم کلیدی در یادگیری ماشین است. روش های انتخاب ویژگی نقش مهمی در عملکرد بهینه مدلهای یادگیری دارند.
══ فهرست مطالب ══
○ اهمیت مرحله انتخاب ویژگی در طراحی مدلهای یادگیری
○ روش های انتخاب ویژگی نظارت شده و نظارت نشده
○ روشهای انتخاب ویژگی بستهبند
○ روش های انتخاب ویژگی تعبیه شده
○ روشهای انتخاب ویژگی فیلتر
○ روشهای انتخاب ویژگی ترکیبی
🔸 اهمیت مرحله انتخاب ویژگی در طراحی مدلهای یادگیری
تحقیقات انجام شده در زمینه تاثیر انتخاب ویژگیهای مناسب در عملکرد روشهای یادگیری ماشین، نشان داده است که انتخاب مجموعه مناسب از ویژگیها در هنگام طراحی مدلهای یادگیری ماشین، عملکرد، دقت و کارایی روشهای یادگیری «نظارت شده» (Supervised) و «نظارت نشده» (Unsupervised) را بهبود میبخشد. همچنین، وقتی که ابعاد فضای ویژگی دادهها بسیار زیاد است و با معضل «نفرین ابعاد بالا» (Curse of Dimensionality) مواجه هستیم، استفاده از مجموعه ویژگیهای مناسب، «هزینههای محاسباتی» (نظیر زمان آموزش و یا منابع) لازم برای آموزش بهینه سیستم را به شدت کاهش میدهد. محاسبه درجه اهمیت ویژگیها و استفاده از آنها در مرحله انتخاب ویژگی، گام مهمی در جهت «تفسیرپذیری» (Interpretability) مدلهای یادگیری ماشین خواهد بود.
🔸 روش های انتخاب ویژگی نظارت شده و نظارت نشده
برای انتخاب بهترین ویژگیها برای یک مدل یادگیری نظارت شده، «روش های انتخاب ویژگی نظارت شده» (Supervised Feature Selection) ارائه شدهاند. هدف این دسته از الگوریتمها، انتخاب بهترین زیر مجموعه از ویژگیها برای تضمین عملکرد بهینه یک مدل نظارت شده (به عنوان نمونه، مسائل دستهبندی (Classification) و «رگرسیون» (Regression)) است. این الگوریتمها برای انتخاب بهترین ویژگیها، از «دادههای برچسب زده» (Labelled Data) استفاده میکنند. با این حال، در شرایطی که دادههای برچسب زده در دسترس نیستند (یادگیری نظارت نشده)، روشهایی به نام «روش های انتخاب ویژگی نظارت نشده» (Unsupervised Feature Selection) پیادهسازی شدهاند که ویژگیها را براساس معیارهای مختلفی نظیر «واریانس» (Variance)، آنتروپی (Entropy)، قابلیت ویژگیها در حفظ اطلاعات مرتبط با مشابهتهای محلی (Local Similarity) و سایر موارد امتیازبندی میکنند.
ویژگیهای مرتبطی که از طریق «فرایندهای مکاشفهای نظارت نشده» (Unsupervised Heuristics) شناسایی شدهاند، میتوانند در مدلهای یادگیری نظارت شده نیز مورد استفاده قرار بگیرند. چنین کاربردهایی از ویژگیهای شناسایی شده، به سیستم یادگیری نظارت شده اجازه میدهد تا علاوه بر شناسایی میزان «همبستگی» (Correlation) ویژگیها با برچسب کلاس دادهها، الگوهای دیگری نیز در دادههای یادگیری شناسایی کنند. از دیدگاه طبقهبندی، روش های انتخاب ویژگی را میتوان در چهار دسته زیر طبقهبندی کرد:
– روشهای «فیلتر» (Filter)
– روشهای «بستهبند» (Wrapper)
– روشهای «تعبیه شده» (Embedded)
– روشهای «ترکیبی» (Hybrid)
مطالعه ادامه مطلب 👇👇
🔗 روش های انتخاب ویژگی در پایتون — راهنمای جامع — کلیک کنید (+)
📌 کانال اختصاصی آموزشی علم داده
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی علم داده را در کانال اختصاصی [@Fara_DS] دنبال کنید. 👇
@Fara_DS — مطالب و آموزشهای علم داده فرادرس
✳️ آموزش درخت تصمیم در یادگیری ماشین (رایگان)
چکیده — یادگیری ماشین (Machine Learning) یک حوزه مطالعاتی است که به ماشین ها توانایی یادگیری می دهد، بدون این که نیاز باشد این ماشین ها به طور صریح برنامه نویسی شوند. به عبارتی، یادگیری ماشین بررسی می کند که چگونه کامپیوترها می توانند براساس داده یاد بگیرند یا کارایی شان را بهبود بخشند. ما در این آموزش قصد داریم تا درخت تصمیم در یادگیری ماشین را مورد بحث و بررسی قرار دهیم.
کسب اطلاعات بیشتر 👇👇
🔗 آموزش درخت تصمیم در یادگیری ماشین (رایگان) — کلیک کنید [+]
📌 کانال اختصاصی آموزشی علم داده
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی علم داده را در کانال اختصاصی [@Fara_DS] دنبال کنید. 👇
@Fara_DS — مطالب و آموزشهای علم داده فرادرس
✳️ آموزش درخت تصمیم در یادگیری ماشین (رایگان)
چکیده — یادگیری ماشین (Machine Learning) یک حوزه مطالعاتی است که به ماشین ها توانایی یادگیری می دهد، بدون این که نیاز باشد این ماشین ها به طور صریح برنامه نویسی شوند. به عبارتی، یادگیری ماشین بررسی می کند که چگونه کامپیوترها می توانند براساس داده یاد بگیرند یا کارایی شان را بهبود بخشند. ما در این آموزش قصد داریم تا درخت تصمیم در یادگیری ماشین را مورد بحث و بررسی قرار دهیم.
کسب اطلاعات بیشتر 👇👇
🔗 آموزش درخت تصمیم در یادگیری ماشین (رایگان) — کلیک کنید [+]
📌 کانال اختصاصی آموزشی علم داده
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی علم داده را در کانال اختصاصی [@Fara_DS] دنبال کنید. 👇
@Fara_DS — مطالب و آموزشهای علم داده فرادرس
👍1
✨ در کانالهای موضوعی و تخصصیِ فرادرس، چه مطالبی به صورت رایگان ارائه میشود؟
🔹 جدیدترین و بهروز ترین مقالات آموزشی در رشتههای مختلف تحصیلی و تخصصی
🔹 خلاصه دروس دانشگاهی
🔹 مطالب جذاب علمی و ویدئوهای آموزشی
🔹 آموزش مهارتهای کاربردی
🌟 برای دسترسی سریعتر به مطالب و مقالات آموزشی رایگان فرادرس، عضو کانال مورد نظر خود شوید👇👇👇
📌کانال آموزشی برنامهنویسی:
@FaraProg
📌کانال آموزشی برنامهنویسی پایتون:
@FaraPython
📌کانال آموزشی برنامهنویسی اندروید:
@FaraAnd
📌کانال آموزشی برنامهنویسی جاوا:
@Fara_Java
📌کانال آموزشی طراحی و توسعه وب:
@FaraWebDev
📌کانال آموزشی متلب و سیمولینک:
@FaraMatlabSim
📌کانال آموزشی رباتیک:
@FaraRobotics
📌کانال آموزشی هوش مصنوعی:
@FaraAI
📌کانال آموزشی علم داده:
@Fara_DS
📌کانال آموزشی مهندسی:
@FaraEng
📌کانال آموزشی مهندسی مکانیک:
@FaraMechanical
📌کانال آموزشی مهندسی برق:
@FaraElectrical
📌کانال آموزشی مهندسی عمران:
@FaraCivil
📌کانال آموزشی معماری:
@FaraArch
📌کانال آموزشی شیمی:
@FaraChem
📌کانال آموزشی مهندسی و علوم کامپیوتر:
@FaraCompEng
📌کانال آموزشی طراحی گرافیک:
@FaraGraphDesign
📌کانال آموزشی زبان:
@FaraLang
📌کانال آموزشی زیستشناسی:
@FaraBio
📌کانال آموزشی فیزیک:
@FaraPhys
📌کانال آموزشی ریاضیات:
@FaraMathematic
📌کانال آموزشی آمار و احتمالات:
@FaraStatistics
📌کانال آموزشی آفیس:
@FaraOffice
📌کانال آموزشی بورس:
@FaraVest
📌کانال آموزشی بازاریابی دیجیتال:
@Kaprila
📚 فرادرس | دانش در دسترس همه؛ همیشه و همه جا
@FaraDars — فرادرس
✨ در کانالهای موضوعی و تخصصیِ فرادرس، چه مطالبی به صورت رایگان ارائه میشود؟
🔹 جدیدترین و بهروز ترین مقالات آموزشی در رشتههای مختلف تحصیلی و تخصصی
🔹 خلاصه دروس دانشگاهی
🔹 مطالب جذاب علمی و ویدئوهای آموزشی
🔹 آموزش مهارتهای کاربردی
🌟 برای دسترسی سریعتر به مطالب و مقالات آموزشی رایگان فرادرس، عضو کانال مورد نظر خود شوید👇👇👇
📌کانال آموزشی برنامهنویسی:
@FaraProg
📌کانال آموزشی برنامهنویسی پایتون:
@FaraPython
📌کانال آموزشی برنامهنویسی اندروید:
@FaraAnd
📌کانال آموزشی برنامهنویسی جاوا:
@Fara_Java
📌کانال آموزشی طراحی و توسعه وب:
@FaraWebDev
📌کانال آموزشی متلب و سیمولینک:
@FaraMatlabSim
📌کانال آموزشی رباتیک:
@FaraRobotics
📌کانال آموزشی هوش مصنوعی:
@FaraAI
📌کانال آموزشی علم داده:
@Fara_DS
📌کانال آموزشی مهندسی:
@FaraEng
📌کانال آموزشی مهندسی مکانیک:
@FaraMechanical
📌کانال آموزشی مهندسی برق:
@FaraElectrical
📌کانال آموزشی مهندسی عمران:
@FaraCivil
📌کانال آموزشی معماری:
@FaraArch
📌کانال آموزشی شیمی:
@FaraChem
📌کانال آموزشی مهندسی و علوم کامپیوتر:
@FaraCompEng
📌کانال آموزشی طراحی گرافیک:
@FaraGraphDesign
📌کانال آموزشی زبان:
@FaraLang
📌کانال آموزشی زیستشناسی:
@FaraBio
📌کانال آموزشی فیزیک:
@FaraPhys
📌کانال آموزشی ریاضیات:
@FaraMathematic
📌کانال آموزشی آمار و احتمالات:
@FaraStatistics
📌کانال آموزشی آفیس:
@FaraOffice
📌کانال آموزشی بورس:
@FaraVest
📌کانال آموزشی بازاریابی دیجیتال:
@Kaprila
📚 فرادرس | دانش در دسترس همه؛ همیشه و همه جا
@FaraDars — فرادرس
❤1👍1
Forwarded from FaraDars | فرادرس
🎁 پکیج برنامهنویسی مورد علاقه خود را انتخاب کنید و هدیه بگیرید!
✨ فرادرس امروز برای شما ۷ پکیج آموزشی در حوزه برنامهنویسی، آماده کرده است:
▫️ اندروید Android
▫️ طراحی سایت
▫️ پایتون Python
▫️ سی شارپ #C
▫️ جاوا Java
▫️ سی پلاس پلاس ++C
▫️ پایگاه داده
❓از بین این عنوانها، به کدام حوزه از برنامهنویسی علاقه دارید؟
🎊 برای شرکت قرعهکشی و دریافت یک پکیج رایگان برنامهنویسی، از طریق لینک زیر وارد صفحه اینستاگرام فرادرس شوید و در زیر پست مربوط به این چالش(+)، نام پکیج مورد علاقه خود را کامنت کنید. 👇
🔗 شرکت در قرعهکشی — [کلیک کنید]
🎁 ۱۰ پکیج رایگان برای ۱۰ نفر
🎉 فرادرس به قید قرعه از بین تمام کسانی که نام پکیج مورد علاقه خود را در کامنت بنویسند، به ۱۰ نفر پکیج مورد نظرشان را به صورت رایگان هدیه میدهد.
⏰ مهلت مشارکت: پایان روز دوشنبه، ۳ مرداد
📆 اعلام نتایج: روز سهشنبه، ۴ مرداد
برای اطلاع از سایر مسابقهها و دریافت هدایای ویژه، صفحه اینستاگرام فرادرس را دنبال کنید:
🔗 instagram.com/FaraDars
🥰 این پست را با دوستان خود به اشتراک بگذارید تا از این فرصت ویژه باخبر شوند.🗣
@FaraDars — فرادرس
🎁 پکیج برنامهنویسی مورد علاقه خود را انتخاب کنید و هدیه بگیرید!
✨ فرادرس امروز برای شما ۷ پکیج آموزشی در حوزه برنامهنویسی، آماده کرده است:
▫️ اندروید Android
▫️ طراحی سایت
▫️ پایتون Python
▫️ سی شارپ #C
▫️ جاوا Java
▫️ سی پلاس پلاس ++C
▫️ پایگاه داده
❓از بین این عنوانها، به کدام حوزه از برنامهنویسی علاقه دارید؟
🎊 برای شرکت قرعهکشی و دریافت یک پکیج رایگان برنامهنویسی، از طریق لینک زیر وارد صفحه اینستاگرام فرادرس شوید و در زیر پست مربوط به این چالش(+)، نام پکیج مورد علاقه خود را کامنت کنید. 👇
🔗 شرکت در قرعهکشی — [کلیک کنید]
🎁 ۱۰ پکیج رایگان برای ۱۰ نفر
🎉 فرادرس به قید قرعه از بین تمام کسانی که نام پکیج مورد علاقه خود را در کامنت بنویسند، به ۱۰ نفر پکیج مورد نظرشان را به صورت رایگان هدیه میدهد.
⏰ مهلت مشارکت: پایان روز دوشنبه، ۳ مرداد
📆 اعلام نتایج: روز سهشنبه، ۴ مرداد
برای اطلاع از سایر مسابقهها و دریافت هدایای ویژه، صفحه اینستاگرام فرادرس را دنبال کنید:
🔗 instagram.com/FaraDars
🥰 این پست را با دوستان خود به اشتراک بگذارید تا از این فرصت ویژه باخبر شوند.🗣
@FaraDars — فرادرس
Forwarded from FaraDars | فرادرس
📚 مجموعه آموزش داده کاوی و یادگیری ماشین
در فرادرس بالغ بر ۳۲۳ ساعت آموزش داده کاوی و یادگیری ماشین، در قالب ۴۰ عنوان آموزشی در دسترس دانشجویان و علاقهمندان این حوزه قرار دارد.
💠 لیست کامل آموزشها - [کلیک کنید]
✅ برخی از آموزشهای این مجموعه در ادامه آمده است. برای مشاهده و دریافت هر آموزش روی عنوان مورد نظر خود کلیک کنید:
▫️ یادگیری ماشین
▫️ مبانی یادگیری عمیق
▫️ داده کاوی در MATLAB
▫️ یادگیری ماشین با Python
▫️ متن کاوی (Text Mining) با زبان R
▫️ یادگیری عمیق - شبکههای GAN با پایتون
▫️ اصول و روشهای داده کاوی Data Mining
▫️ داده کاوی (Data Mining) در RapidMiner
📌 برای دسترسی سریع و آسان به بیش از ۲۰,۰۰۰ ساعت آموزش ویدئویی، اپلیکیشن فرادرس را از طریق لینک زیر دانلود و نصب کنید. 👇
✔️ دریافت اپلیکیشن فرادرس از گوگل پلی [کلیک کنید]
📚 فرادرس | دانش در دسترس همه؛ همیشه و همه جا
@FaraDars — فرادرس
📚 مجموعه آموزش داده کاوی و یادگیری ماشین
در فرادرس بالغ بر ۳۲۳ ساعت آموزش داده کاوی و یادگیری ماشین، در قالب ۴۰ عنوان آموزشی در دسترس دانشجویان و علاقهمندان این حوزه قرار دارد.
💠 لیست کامل آموزشها - [کلیک کنید]
✅ برخی از آموزشهای این مجموعه در ادامه آمده است. برای مشاهده و دریافت هر آموزش روی عنوان مورد نظر خود کلیک کنید:
▫️ یادگیری ماشین
▫️ مبانی یادگیری عمیق
▫️ داده کاوی در MATLAB
▫️ یادگیری ماشین با Python
▫️ متن کاوی (Text Mining) با زبان R
▫️ یادگیری عمیق - شبکههای GAN با پایتون
▫️ اصول و روشهای داده کاوی Data Mining
▫️ داده کاوی (Data Mining) در RapidMiner
📌 برای دسترسی سریع و آسان به بیش از ۲۰,۰۰۰ ساعت آموزش ویدئویی، اپلیکیشن فرادرس را از طریق لینک زیر دانلود و نصب کنید. 👇
✔️ دریافت اپلیکیشن فرادرس از گوگل پلی [کلیک کنید]
📚 فرادرس | دانش در دسترس همه؛ همیشه و همه جا
@FaraDars — فرادرس
✳️ آموزش مسیر تبدیل شدن به دانشمند علم داده (رایگان)
چکیده — علم داده، علمی میان رشتهای است که در آن از مباحث گوناگون از الگوریتمهای یادگیری ماشین گرفته تا آمار، جبر خطی، سیستمهای مدیریت پایگاه داده و دیگر مباحث استفاده میشود. اما به راستی فراگیری چه علوم و مباحثی به فرد در یادگیری علم داده کمک میکند و نقشه راه مبدل شدن به دانشمند داده چیست؟ در ویدئوی آموزش مسیر مبدل شدن به علم داده، به این پرسش به طور کامل پاسخ داده شده است.
کسب اطلاعات بیشتر 👇👇
🔗 آموزش مسیر تبدیل شدن به دانشمند علم داده (رایگان) — کلیک کنید [+]
📌 کانال اختصاصی آموزشی علم داده
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی علم داده را در کانال اختصاصی [@Fara_DS] دنبال کنید. 👇
@Fara_DS — مطالب و آموزشهای علم داده فرادرس
✳️ آموزش مسیر تبدیل شدن به دانشمند علم داده (رایگان)
چکیده — علم داده، علمی میان رشتهای است که در آن از مباحث گوناگون از الگوریتمهای یادگیری ماشین گرفته تا آمار، جبر خطی، سیستمهای مدیریت پایگاه داده و دیگر مباحث استفاده میشود. اما به راستی فراگیری چه علوم و مباحثی به فرد در یادگیری علم داده کمک میکند و نقشه راه مبدل شدن به دانشمند داده چیست؟ در ویدئوی آموزش مسیر مبدل شدن به علم داده، به این پرسش به طور کامل پاسخ داده شده است.
کسب اطلاعات بیشتر 👇👇
🔗 آموزش مسیر تبدیل شدن به دانشمند علم داده (رایگان) — کلیک کنید [+]
📌 کانال اختصاصی آموزشی علم داده
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی علم داده را در کانال اختصاصی [@Fara_DS] دنبال کنید. 👇
@Fara_DS — مطالب و آموزشهای علم داده فرادرس
Forwarded from FaraDars | فرادرس
📣 آموزشهای رایگان پرمخاطب در فرادرس
✔️ لینک برخی از آموزشهای رایگان و پرطرفدار فرادرس در ادامه آمده است. برای مشاهده و دریافت هر آموزش روی عنوان مورد نظر خود کلیک کنید:
▫️ هنر تفکر خلاق
▫️ برنامهنویسی C++
▫️ اتوکد (AutoCAD)
▫️ آشنایی با اکسل (Excel)
▫️ افتر افکت (After Effects)
▫️ اصول و مبانی برنامهنویسی
▫️ مقابله با فراموشی در مطالعه
▫️ گیت (Git) - گیت هاب و گیت لب
▫️ برنامهنویسی اندروید (Android)
🔴 سایر آموزشهای رایگان را در لینک زیر مشاهده و دانلود کنید:
🔗 فهرست فرادرسهای رایگان و پرمخاطب [+]
📌 این پست را با دوستان خود نیز به اشتراک بگذارید و فرصت آموختن رایگان را به آنها هدیه دهید.
📚 فرادرس | دانش در دسترس همه؛ همیشه و همه جا
@FaraDars — فرادرس
📣 آموزشهای رایگان پرمخاطب در فرادرس
✔️ لینک برخی از آموزشهای رایگان و پرطرفدار فرادرس در ادامه آمده است. برای مشاهده و دریافت هر آموزش روی عنوان مورد نظر خود کلیک کنید:
▫️ هنر تفکر خلاق
▫️ برنامهنویسی C++
▫️ اتوکد (AutoCAD)
▫️ آشنایی با اکسل (Excel)
▫️ افتر افکت (After Effects)
▫️ اصول و مبانی برنامهنویسی
▫️ مقابله با فراموشی در مطالعه
▫️ گیت (Git) - گیت هاب و گیت لب
▫️ برنامهنویسی اندروید (Android)
🔴 سایر آموزشهای رایگان را در لینک زیر مشاهده و دانلود کنید:
🔗 فهرست فرادرسهای رایگان و پرمخاطب [+]
📌 این پست را با دوستان خود نیز به اشتراک بگذارید و فرصت آموختن رایگان را به آنها هدیه دهید.
📚 فرادرس | دانش در دسترس همه؛ همیشه و همه جا
@FaraDars — فرادرس
Forwarded from FaraDars | فرادرس
✴️ در شبکههای اجتماعی فرادرس چه مطالبی منتشر میشود؟
☑️ اطلاعرسانی فرصتهای ویژه و جشنوارههای تخفیف
☑️ اطلاعرسانی جدیدترین آموزشهای منتشر شده همراه با تخفیف ویژه انتشار
☑️ انتشار مطالب، مقالات و ویدئوهای آموزشی رایگان
☑️ اطلاعرسانی آخرین رویدادها و وبینارها
☑️ برگزاری مسابقات و طرحهای تخفیف همراه با هدایای آموزشی
☸️ فرادرس را در شبکههای اجتماعی دنبال کنید.👇👇👇
📌 اینستاگرام – [کلیک کنید]
📌 یوتیوب – [کلیک کنید]
📌 لینکدین – [کلیک کنید]
📌 توئیتر – [کلیک کنید]
📌 کانال رسمی تلگرام – [کلیک کنید]
📌 کانال فرصتهای ویژه (فراپُن) – [کلیک کنید]
📌 کانال تازههای نشر – [کلیک کنید]
📌 کانال تدریس در فرادرس [کلیک کنید]
📌 کانالهای موضوعی و تخصصی – [کلیک کنید]
📚 فرادرس | دانش در دسترس همه؛ همیشه و همه جا
@FaraDars — فرادرس
✴️ در شبکههای اجتماعی فرادرس چه مطالبی منتشر میشود؟
☑️ اطلاعرسانی فرصتهای ویژه و جشنوارههای تخفیف
☑️ اطلاعرسانی جدیدترین آموزشهای منتشر شده همراه با تخفیف ویژه انتشار
☑️ انتشار مطالب، مقالات و ویدئوهای آموزشی رایگان
☑️ اطلاعرسانی آخرین رویدادها و وبینارها
☑️ برگزاری مسابقات و طرحهای تخفیف همراه با هدایای آموزشی
☸️ فرادرس را در شبکههای اجتماعی دنبال کنید.👇👇👇
📌 اینستاگرام – [کلیک کنید]
📌 یوتیوب – [کلیک کنید]
📌 لینکدین – [کلیک کنید]
📌 توئیتر – [کلیک کنید]
📌 کانال رسمی تلگرام – [کلیک کنید]
📌 کانال فرصتهای ویژه (فراپُن) – [کلیک کنید]
📌 کانال تازههای نشر – [کلیک کنید]
📌 کانال تدریس در فرادرس [کلیک کنید]
📌 کانالهای موضوعی و تخصصی – [کلیک کنید]
📚 فرادرس | دانش در دسترس همه؛ همیشه و همه جا
@FaraDars — فرادرس
👍1
✳️ آموزش یادگیری تقویتی – Reinforcement Learning (رایگان)
چکیده — با گسترش کاربردهای فناوری اطلاعات در حوزه های مختلف، نیاز به خودکار نمودن فرآیندهای تصمیم گیری، روند فزاینده ای را داشته است. دانش هوش مصنوعی به عنوان یک راهکار اصلی، برای رفع این نیازها، از روش های مبتنی بر یادگیری ماشین استفاده می کند. در واقع، می توان یادگیری ماشین را به عنوان مجموعه ای از ابزارهای پایه برای هوشمندسازی فرآیندها در کاربردهای مختلف، بکار گرفت. ما در این آموزش قصد داریم تا مبحث یادگیری تقویتی – Reinforcement Learning را مورد بحث و بررسی قرار دهیم.
کسب اطلاعات بیشتر 👇👇
🔗 آموزش یادگیری تقویتی – Reinforcement Learning (رایگان) — کلیک کنید [+]
📌 کانال اختصاصی آموزشی علم داده
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی علم داده را در کانال اختصاصی [@Fara_DS] دنبال کنید. 👇
@Fara_DS — مطالب و آموزشهای علم داده فرادرس
✳️ آموزش یادگیری تقویتی – Reinforcement Learning (رایگان)
چکیده — با گسترش کاربردهای فناوری اطلاعات در حوزه های مختلف، نیاز به خودکار نمودن فرآیندهای تصمیم گیری، روند فزاینده ای را داشته است. دانش هوش مصنوعی به عنوان یک راهکار اصلی، برای رفع این نیازها، از روش های مبتنی بر یادگیری ماشین استفاده می کند. در واقع، می توان یادگیری ماشین را به عنوان مجموعه ای از ابزارهای پایه برای هوشمندسازی فرآیندها در کاربردهای مختلف، بکار گرفت. ما در این آموزش قصد داریم تا مبحث یادگیری تقویتی – Reinforcement Learning را مورد بحث و بررسی قرار دهیم.
کسب اطلاعات بیشتر 👇👇
🔗 آموزش یادگیری تقویتی – Reinforcement Learning (رایگان) — کلیک کنید [+]
📌 کانال اختصاصی آموزشی علم داده
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی علم داده را در کانال اختصاصی [@Fara_DS] دنبال کنید. 👇
@Fara_DS — مطالب و آموزشهای علم داده فرادرس