Nov 182013
 

 

می خواهیم بیشترین تغییرات را حفظ کنیم
تغییرات را با واریانس نمایش می دهیم

بیشترین نسبت تغییرات داخل z1
z2 دومین مولفه اصلی

مقادیر ویژه
بردار ویژه
eig(A) در متلب eigenVector و eigenValue
را به ما خواهد داد

یا SVD(A) برای هر ماتریسی یک تجزیه می
دهد
باید possitive definite باشد

از ضرایب لاگرانژ استفاده کنیم
از یک فضای p بعدی به فضای ۱ بعدی
کاهش دادیم
—————————————–
Reconstruction بازیابی

تبدیل زدیم برای کاهش بعد
ولی باید برگردانیم به فضای اولیه

PCA
برای حذف نویز در تصویر

 

Nov 182013
 

خلاصه مباحث تدریس یار تجارت الکترونیک – خانم مهندس قوامی پور

ابزار دات نت بشرطی که open source باشد اشکالی ندارد استفاده
کنید

اگر فرایند قلم کالاهای مختلف در سیستم یکی است لزومی ندارد که کالا ها را مجزا کنید

در حدود ۵ قلم کالا را در نظر بگیرید
در مورد مقاله تحقیقاتی – حتما جنبه مهندسی داشته باشد

مثلا ارائه فریم ورک باشد
حتما از جنش کمی باشد
مقاله های تحقیقیاتی خوب مثل :
DSS ها و Recomender ها : Secision Support System
user behabior
تحلیل کمی روی رفتار کاربران
Social Commerce
دو سه تا مقاله کافی است

که دید پیدا کنید و تبدیل به پاور پوینت کنید

فارسی و انگلیسی بودنش مهم نیست
حتما معتبر و ترجیحا ژورنال باشد

از تز های دانشگاه های خارجی می توانید استفاده کنید
پیشنهاد مقاله را در درگاه پورتال درس وارد کنید تا تایید کنم

اصل مقاله را هم باید بفرستید
خروجی کار تحقیقاتی فقط پاورپوینت با صدا گذاری باشد

پروژه کلاسی را باید در مورد یک سایت تجاری باشد
از جنس کالا یا خدمت
به صورت انفرادی

زمان آپلود کردن تمرین را در پورتال سایت ببینید

Business Plan مراحل طراحی و در نهایت پیاده سازی را در کل می خواهیم
از بین افعال تجاری درج شده، مواردی را که در حوزه تجاری منتخب مطرح می باشد انتخاب و بقیه را حذف نمایید

 

 

Nov 182013
 

خلاصه درس داده کاوی – دکتر محمدپور – ۹۲/۰۸/۲۷

برای پیدا کردن Association Role

Apriori : پیچیدگی محاسباتی را تا حد قابل قبولی کاهش دهد
دومین الگوریتم علاوه بر عدم پیچیدگی ذخیره سازی روی هارد کمتر انجام شود
Rapid miner : پروسسور ها بصورت موازی استفاده می کند

نرم افزار هایی که در داده کاوی استفاده می شوند معمولا قابلیت استفاده از چند
پروسسور یا استفاده از GPU را دارد

datamining-iterative-algorithm

دو مرحله دارد :
۱- تمام itemset هایی که تکراری هستند پیدا می کند
۲- از itemset ها برای ساخت Rule ها استفاده می کند

تعریف frequent itemset : ساپورت آن از یک minimum support بیشتر باشد

datamining-iterative-algorithm-example

F1 شامل تمام itemset های با اندازه ۱ هست
F2 یکی از اعضاشون frequent بوده را شامل می شود

مثال :
یا روی تعداد کار می کنیم یا روی احتمال ( فراوانی یا مینیمم ساپورت )
min support= x /n
ابتدا تمام itemset های تکی را با تعداد تکرارشان می نویسیم
چون ۴ فقط یک بار تکرار شده در قدم بعدی اصلا ترکیب با itemset 4 را نمی آوریم

در مرحله بعد itemset های دو تایی
تمام itemset هایی که فقط یک بار تکرار شده اند در مرحله بعد محاسبه نمی آوریم

در صورت دلخواه الگوریتم Apriori را پیاده سازی کنید

Candidate Generator
هرس , join می کنیم

بعد از الگوریتم Apriori بین Frequent itemset ها Association rule ها را بدست می آوریم

برای مجموعه حساب نمیشه چون شرطی است
در مورد confidence فقط برای assotioation Rule ها استفاده می کنیم

تمام زیر مجموعه ها = ۲ به توان n

صورت :
مخرج : تعداد کل ایتم ها

با الگوریتم Apriori یک مثال برای خودتان حل کنید
برای حل مسئله از مجموعه ۱ عضوی شروع می کنیم تا تعداد اعضا

 

 

با کلیک روی آگهی زیر مبلغ 400 ریال به حساب من واریز می گردد

با کلیک روی آگهی زیر مبلغ 1000 ریال به حساب من واریز می گردد