• پروژه پیش بینی بارش باران با درخت تصمیم با استفاده از روش درخت تصمیم در رپیدماینر

    0 out of 5

    در اين پروژه که با نرم افزار داده کاوي رپيد ماينر تهيه شده است ، عمليات پيش بيني بارندگي را با استفاده از درخت تصميم يا الگوريتم درخت تصميم انجام داده و ضمن رسم درخت نتايج را نيز نمايش مي دهد. روال کار بدين صورت است که ابتدا با توجه به حجم داده هاي مربوط به بارندگي که در اختيار داريم, 30% از داده ها را به عنوان داده هاي Test يا داده هاي آزمايشي در نظر گرفته و 70% از داده ها را نيز به عنوان داده هاي Train يا داده هاي آموزشي در نظر مي گيريم. سپس ابتدا داده هاي train را به مدل مربوطه ايمپورت کرده و مدل توليد شده با درخت تصميم را آموزش مي دهيم. پس از اينکه مدل با توجه به داده هاي آموزشي، آموزش داده شده داده هاي test 30% از داده ها را تشکيل مي دهد را جهت ارزيابي و محاسبه دقت به مدل نيز ايمپورت ميکنيم. مدل آموزش ديده تک به تک نمونه ها را ارزيابي نموده و ضمن رسم درخت تصميم تهيه شده بر اساس متد Information Gain نتايج پيش بيني و دقت روش را محاسبه نموده ونمايش مي دهد
    دانلود مقاله اصلي
    1573,simple

    25,000تومان
  • پروژه پیش بینی بار مصرفی برق با درخت تصمیم در Rapid miner

    0 out of 5

    در اين پروژه که با نرم افزار رپيد ماينر نسخه 5 تهيه شده است، عمليات پيش بيني بار مصرفي برق با استفاده از درخت تصميم انجام شده است. ورودي مسئله ديتاست بار مصرفي مربوط به يک سال بوده و عمليات پيش بيني با استفاده از روش درخت تصميم صورت گرفته و در نهايت بار مصرفي مربوط به يک ساعت، يک روز يا يک هفته پيش بيني شده و در قالب يک فايل اکسل همراه با عدد پيش بيني شده به خروجي ارسال مي کند.
    دانلود مقاله اصلي

    25,000تومان
  • پروژه تشخیص بیماری دیابت با الگوریتم درخت تصمیم

    0 out of 5

    اين شبيه سازي با استفاده از نرم افزار داده کاوي رپيد ماينر و بر روي ديتاست سايت UCI انجام شده است که هدف اصلي آن ارزيابي تشخيصي بيماري ديابت مي باشد.
    دانلود مقاله اصلي

    23,000تومان
  • پروژه خوشه بندی بار مصرفی با weka با استفاده از k-means

    0 out of 5

    اين پروژه به روي ديتاست مربوط به بار مصرفي که شامل 365 روز از سال است. عمليات خوشه بندي با استفاده از الگوريتم k-means انجام مي دهد. روش کار بدين صورت است که ابتدا داده هاي مربوط به بار مصرفي را به نرم افزار داده کاوي weka وارد نموده، سپس داده ها را جهت افزايش دقت خوشه بندي نرمال سازي مي کنيم. پس از نرمال سازي داده ها الگوريتم k-means بروي داده هاي نرمال شده اعمال مي گردد و خروجي را در قالب يک فايل اکسل با اضافه نمودن برچسپ خوشه(Cluster) توليد مي کند.

    الگوريتم استفاده شده جهت خوشه بندي بار مصرفي k-means است. معيار خوشه بندي بر اساس اطلاعات دموگرافيک بار مصرفي بوده و از فاصله اقليدوسي جهت خوشه بندي بار مصرفي استفاده مي شود. در اين پروژه تعداد خوشه ها را مي توان به صورت پويا تعيين نموده و نتايج را مورد بررسي قرار داد.
    دانلود مقاله اصلي
    1583,simple

    31,000تومان
  • پروژه خوشه بندی داده های بیماری قلبی با الگوریتم خوشه بندی DBSCAN در رپیدماینر

    0 out of 5

    اين پروژه داده هاي مربوط به بيماري قلبي را با استفاده از الگوريتم بدون نظارت و خوشه بندي DBSCAN در نرم افزار داده کاوي رپيدماينر خوشه بندي ميکند. همان طور که مي دانيد الگوريتم خوشه بندي DBSCAN تعدادي خوشه را به عنوان ورودي دريافت نموده و بر اساس تعداد خوشه هاي وارد شده(K) توسط کاربر، اقدام به خوشه بندي داده ها نموده و خروجي هايي را نمايش ميدهد. الگوريتم خوشه بندي DBSCAN در نرم افزار داده کاوي رپيدماينر داراي کاربرد هاي فراواني بوده و با توجه به سرعت بالايي که دارد, فرايند خوشه بندي داده هاي بيماري قلبي را انجام خواهد داد.

    بنابر اين بطور کلي در اين پروژه ابتدا مجموعه داده هاي بيماري قلبي از طريق کنترل Read Excelبه مدل طراحي شده (الگوريتم خوشه بندي ) وارد ميشود. با توجه به اينکه ممکن است مقادير داده هاي موجود داراي مقادير پراکنده اي باشد، ميبايست اين داده ها نرمال شوند.
    دانلود مقاله اصلي

    22,000تومان
  • پروژه خوشه بندی داده های سرطان سینه با الگوریتم خوشه بندی DBSCAN در رپیدماینر

    0 out of 5

    اين پروژه داده هاي مربوط به سرطان سينه را با استفاده از الگوريتم بدون نظارت و خوشه بندي DBSCAN در نرم افزار داده کاوي ريپد ماينر خوشه بندي ميکند. همان طور که مي دانيد الگوريتم خوشه بندي DBSCAN تعدادي خوشه را به عنوان ورودي دريافت نموده و بر اساس تعداد خوشه هاي وارد شده(K) توسط کاربر ، اقدام به خوشه بندي داده ها نموده و خروجي هايي را نمايش ميدهد. الگوريتم خوشه بندي DBSCAN در نرم افزار داده کاوي ريپدماينر داراي کاربرد هاي فراواني بوده و با توجه به سرعت بالايي که دارد، فرايند خوشه بندي داده هاي سرطان سينه را انجام خواهد داد.بنابر اين بطور کلي در اين پروژه ابتدا مجموعه داده هاي سرطان سينه از طريق کنترل Read Excelبه مدل طراحي شده (الگوريتم خوشه بندي ) وارد ميشود. با توجه به اينکه ممکن است مقادير داده هاي موجود داراي مقادير پراکنده اي باشد، ميبايست اين داده ها نرمال شوند.
    دانلود مقاله اصلي

    21,000تومان
  • پروژه خوشه بندی کاربران با رپید ماینر با استفاده از k-means – Rapid miner

    0 out of 5

    اين پروژه بروي ديتاست مربوط به کاربران که شامل 6040 رکورد کاربر است، عمليات خوشه بندي با استفاده از الگوريتم k-means انجام مي دهد. روش کار بدين صورت است که ابتدا داده هاي مربوط به کاربران را به نرم افزار داده کاوي رپيد ماينر وارد نموده، سپس داده ها را جهت افزايش دقت خوشه بندي نرمال سازي مي کنيم. پس از نرمال سازي داده ها الگوريتم k-means بروي داده هاي نرمال شده اعمال مي گردد و خروجي را در قالب يک فايل اکسل با اضافه نمودن برچسب خوشه(Cluster) توليد مي کند. ويژگي هاي مربوط به کاربران عبارتند از :

    کد کاربر

    جنسيت

    شغل

    کد پستي

    الگوريتم استفاده شده جهت خوشه بندي کاربران k-means است. معيار خوشه بندي بر اساس اطلاعات دموگرافيک کاربران بوده و از فاصله اقليدوسي جهت خوشه بندي کاربران استفاده مي شود. در اين پروژه تعداد خوشه ها را مي توان به صورت پويا تعيين نموده و نتايج را مورد بررسي قرار داد.
    دانلود مقاله اصلي
    1570,simple

    27,000تومان
  • پروژه طبقه بندی تراکنش های دستگاه خودپرداز(ATM) با استفاده از درخت تصمیم در رپیدماینر

    0 out of 5

    پس از جمع آوري اطلاعات مربوط به ATM، در نهايت در حدود 64 هزار نمونه از تراکنش هاي موفق و ناموفق مشتريان و مراجعه کنندگان به دستگاه خودپرداز جمع آوري گرديده است.

    منابع داده(ديتاست)

    نمونه هاي بدست آمده داراي يک سري ويژگي ها بوده که عبارتند از :

    ويژگي detail2 : جزئيات تراکنش را در قالب عدد نشان مي دهد.

    ويژگي debtor : ميزان بدهکاري را مشخص مي کند.

    ويژگي Creditor : ميزان وجه

    ويژگي NO_CARD : شماره کارتي که تراکنش از آن انجام شده است.

    ويژگي NO_TRACONESH : کد تراکنش انجام شده

    ويژگي CODE ATM : کد دستگاه خودپرداز

    ويژگي Date : تاريخ انجام تراکنش در خود پرداز

    ويژگي Time : زمان دقيق انجام تراکنش

    ويژگي class : نوع تراکنش که آيا موفق است يا خير. تراكنشهاي atm در سه دسته طبقه بندي شده اند 1- حالت موفق 2 – حالت ناموفق كه بعد از مدت زمان معيني با همان شماره تراكنش مبلغ به حساب مشتري برگشت داده شده 3- حالت ناموفق كه اصلا وجه كسر شده به حساب مشتري برگشت داده نشده
    دانلود مقاله اصلي
    1575,simple

    20,000تومان
  • پروژه طبقه بندی دیتاست حیوانات UCI با استفاده از درخت تصمیم در رپیدماینر

    0 out of 5

    اين پروژه با استفاده ار نرم افزار داده کاوي رپيدماينر(rapidminer) تهيه شده است. همانطور که از عنوان پروژه مشخص است در اين پروژه الگوريتم درخت تصميم بروي داده هاي animals يا حيوانات باغ وحش که از وب سايت محبوب UCI دانلود شده، اعمال مي گردد.

    ديتاست حيوانات را مي توان از لينک https://archive.ics.uci.edu/ml/machine-learning-databases/zoo دانلود نمود. پس از دانلود ديتاست مربوطه ملاحظه مي گردد که يک ساختار نامناسب داشته و براي استفاده در ساير برنامه هاي داده کاوي مي بايست به فرم قابل قبول تبديل گردد. در اين پروژه ابتدا به بررسي کامل ديتاست حيوانات باغ وحش که از سايت UCI دانلود شده است مي پردازيم. سپس داده هاي آموزش و داده هاي تست را تفکيک نموده و پس از آماده سازي داده ها اقدام به توليد مدل درخت تصميم با استفاده از نرم افزار داده کاوي رپيدماينر مي کنيم.
    دانلود مقاله اصلي

    22,000تومان
  • پیش بینی بقای سرطان روده بزرگ بااستفاده از data mining در دیتاهای SEER با نرم افزار داده کاوی knime

    0 out of 5

    دراين مقاله داده هاي مربوط به سرطان روده بزرگ که از SEERدر دسترس است را آناليز ميکنيم. هدف اين مقاله توسعه دقت مدل هاي پيش بيني بقاي سرطان روده بزرگ است. در مراحل preproccesing که به دقت انجام مي شود صفاتي در دو مرحله حذف مي شوند ، در مرحله اول صفات به 58مي رسند و در مرحله دوم به 13 صفت مي رسند.
    دانلود مقاله اصلي

    31,000تومان
  • طبقه بندی الگوی تصویر دیتاست UCI با الگوریتم درخت تصمیم در رپیدماینر – Rapid miner

    0 out of 5

    در اين پروژه که با نرم افزار رپيد ماينر نسخه 5 تهيه شده است، عمليات طبقه بندي الگوي تصوير با استفاده از درخت تصميم انجام شده است. ورودي مسئله ديتاست الگوهاي تصاوير بوده و عمليات طبقه بندي با استفاده از روش درخت تصميم صورت گرفته و در نهايت الگوهاي تصاوير مربوطه طبقه بندي شده و در قالب يک فايل اکسل همراه با عدد طبقه بندي شده به خروجي ارسال مي کند.روش کار بدين صورت است که ديتاست الگوهاي تصاوير مربوط به يک سري تصاوير به مدل وارد شده و با استفاده از روش درخت تصميم مدل مورد نظر ساخته مي شود. پس از توليد مدل مربوطه داده هاي مرتبط به يک چند تصاوير جهت طبقه بندي به مدل وارد مي شود و در آخر نيز ميزان الگوهاي تصاوير طبقه بندي شده مربوط به آن داده هاي را نمايش مي دهد.پروژه تهيه شده به گونه اي است که داده هاي مربوط به عنوان ورودي در قالب فايل اکسل به شبيه سازي وارد شده و خروجي مورد مورد نظر با مقادير طبقه بندي شده و در قالب فايل اکسل توليد مي گردد. لازم به ذکر است که اين پروژه نيز شامل يک فايل داکيومنت است که نتايج مربوط به طبقه بندي را انجام داده و با روشهاي ديگر مورد مقايسه قرار داده است.
    دانلود مقاله اصلي

    22,000تومان
  • مقاله پیاده سازی کشف تقلب در سیستم بانکداری الکترونیک با رپیدماینر

    0 out of 5

    عنوان مقاله به انگليسي : FraudMiner: A Novel Credit Card Fraud Detection Model Based on Frequent Itemset Mining

    عنوان به فارسي : کشف تقلب در سيستم بانکداري الکترونيک

    سال انتشار :2014

    انتشارات : (ISI) Hindawi

    نرم افزار پياده سازي : رپيدماينر
    دانلود مقاله اصلي

    50,000تومان