09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
ویژگیهای دیگر ویرایشگر عمومی اشیا در شکل 4 (ب)، save و open است که به ترتیب برای ذخیره اشیای تنظیم شده و بازکردن شیئی که پیش از این ذخیره شده است، به کار میرود. اینها برای این نوع خاص شیئ مفید نیستند. لکن پانلهای دیگر ویرایشگر عمومی اشیاء، خواص قابل ویرایش زیادی دارند. به دلیل مشکلاتی که ممکن است حین تنظیم مجدد آنها رخ دهد، میتوان ترکیب اشیاء ایجاد شده را برای استفادههای بعدی، ذخیره کرد.
تنها منبع مجموعههای داده برایWeka ، فایلهای موجود روی کامپیوتر نیستند. میتوان یک URL را باز کرد تا Weka از پروتکل HTTP برای دانلود کردن یک فایل Arff از شبکه استفاده کند. همچنین میتوان یک پایگاه دادهها را باز نمود ( open DB ـ هر پایگاه دادهای که درایور اتصال به مجموعه های داده به زبان جاوا JDBC را دارد.) و به وسیله دستور select زبان SQL ، نمونهها را بازیابی نمود. دادهها میتوانند به کمک دگمه save به همه فرمتهای ذکر شده، ذخیره شوند. جدای از بحث بارگذاری و ذخیره مجموعههای داده، پانل preprocess به کاربر اجازه فیلتر کردن دادهها را میدهد. فیلترها، اجزای مهم Weka هستند.
بعد از اینکه فایل بارگذاری شد، Weka فیلدها را تشخیص میدهد و حین بررسی آنها، اطلاعات آماری پایهای را برای هر کدام از صفات محاسبه میکند. همان طور که در شکل 5 نشان داده شده است، لیست صفات تشخیص داده شده، در سمت چپ، پایین و اطلاعات پایگاه داده مربوطه در بالای آن نشان داده میشود.
شکل5. بانک اطلاعاتیbank-data.csv
با کلیک برروی هر کدام از صفات، میتوان اطلاعات آماری اصلی آن را در سمت راست مشاهده نمود. به عنوان مثال شکل 6 از انتخاب فیلد age نتیجه شده است.
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
نمودار ترسیم شده در سمت راست، پایین، بر اساس دو فیلد است. فیلد دوم به صورت پیشفرض، آخرین فیلد در پایگاه داده است که میتوان آن را به دلخواه تغییر داد.
شکل6. اطلاعات آماری فیلد age
ج- به کارگیری فیلترها
با کلیک دگمهchoose (گوشه بالا و سمت چپ) در شکل 3 میتوان به لیستی از فیلترها دست یافت. میتوان از فیلترها برای حذف ویژگیهای مورد نظر از یک مجموعه داده و یا انتخاب دستی ویژگیها استفاده نمود. مشابه این نتیجه را میتوان به کمک انتخاب ویژگیهای مورد نظر با تیک زدن آنها و فشار دادن کلیه Remove به دست آورد.
شکل 7 مراحل لازم برای حذف فیلد id از بانک اطلاعاتی، با استفاده از روش اول را نشان میدهد.
شکل 6 (الف). انتخاب فیلتر Remove
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
شکل 6 (ب). وارد کردن شماره فیلد مورد نظر
شکل 6 (ج).انتخاب گزینه Apply و حذف فیلد id
یکی دیگر ازفیلترهای موجود، Discretize است که با استفاده از آن میتوان مقادیریک صفت پیوسته را به تعداد دلخواه بازه گسسته تبدیل کرد. شکل7 مراحل لازم برای شکستن مقادیر صفت age به 3 بازه را نشان میدهد.
شکل7 (الف). انتخاب فیلتر Discretize
شکل7 (ب). وارد کردن شماره فیلد مورد نظر و انجام تنظیمات
شکل 7 (ج).انتخاب گزینه Apply
3-1-2 Classify
الف- الگوریتمهای ردهبندی
Weka الگوریتمهای classification و prediction بسیار متنوعی را پیادهسازی میکند. الگوریتمهای ردهبندی، به ردهبندهای Bayesian، functions،lazy ،meta ، misc، trees و rules تقسیم شدهاند. جدول شکل 8، لیست اسامی رده بندهای Weka را نمایش میدهد.
شکل 8 (الف). الگوریتمهای رده بندی در Weka
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
شکل 8 (ب). الگوریتمهای رده بندی در Weka
دراین قسمت برخی از اسامی ردهبندیهای Weka معرفی میشوند.
Trees
ü Decision stumpکه برای استفاده توسط روشهای boosting طراحی شده است، برای مجموعههای داده عددی یا ردهای، درخت تصمیمگیری یک سطحی میسازد. این الگوریتم، با مقادیر از دست رفته، به صورت مقادیر مجزا برخورد کرده و شاخه سومی از درخت توسعه میدهد
Rules
ü Decision Tableیک ردهبندی بر اساس اکثریت جدول تصمیمگیری میسازد. این الگوریتم، با استفاده از جستجوی اولین بهترین، زیر دستههای ویژگیها را ارزیابی میکند و میتواند از اعتبارسنجی تقاطعی برای ارزیابی بهره برد. (Kohavi 1995 )
یک امکان این است که به جای استفاده از اکثریت جدول تصمیمگیری که بر اساس دسته ویژگیهای مشابه عمل میکند، از روش نزدیکترین همسایه برای تعیین رده هر یک از نمونهها که توسط مدخل (Entry) جدول تصمیمگیری پوشش داده نشدهاند، استفاده شود.
ü Conjunctive Ruleقاعدهای را یاد میگیرد که مقادیر ردههای عددی را پیشبینی میکند. نمونههای آزمایشی به مقادیر پیش فرض رده نمونههای آموزشی، منسوب میشوند. سپس تقویت اطلاعات (برای ردههای رسمی)، یا کاهش واریانس (برای ردههای عددی) مربوط به هر والد محاسبه شده و به روش هرس کردن با خطای کاهش یافته (Reduced-error pruning) ، قواعد هرس میشوند.
ü ZeroRبرای ردههای اسمی، اکثریت دادههای مورد آزمایش و برای ردههای عددی، میانگین آنها را پیشبینی میکند. این الگوریتم بسیار ساده است.
ü M5Rulesبه کمک M5 از روی درختهای مدل، قواعد رگرسیون استخراج میکند.
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
در این بخش به شرح مختصری برخی از این الگوریتمها و پارامترهایشان که قابلیت کار با ویژگی های عددی را دارند، پرداخته میشود.
Functions
ü Simple Linear Regressionمدل رگرسیون خطی یک ویژگی مشخص را یاد میگیرد، آنگاه مدل با کمترین خطای مربعات را انتخاب میکند. در این الگوریتم، مقادیر از دست رفته و مقادیر غیرعددی مجاز نیستند.
ü Linear Regressionرگرسیون خطی استاندارد با کمترین خطای مربعات را انجام میدهد و میتواند به طور اختیاری به انتخاب ویژگی بپردازد، این کار میتواند به صورت حریصانه، با حذف عقب رونده (Backward elimination) انجام شود، یا با ساختن یک مدل کامل از همه ویژگیها و حذف یکی یکی جملهها با ترتیب نزولی ضرایب استاندارد شده آنها، تا رسیدن به شرط توقف مطلوب انجام گیرد.
ü Least Med sq یک روش رگرسیون خطی مقاوم است که به جای میانگین مربعات انحراف از خط رگرسیون، میانه را کمینه میکند. این روش به طور مکرر رگرسیون خطی استاندارد را به زیرمجموعههایی از نمونهها اعمال میکند و نتایجی را بیرون میدهد که کمترین خطای مربع میانه را دارند.
ü SMOreg الگوریتم بهینه سازی حداقل ترتیبی را روی مسایل رگرسیون اعمال میکند.
ü Pace Regression ، با استفاده از تکنیک رگرسیون pace ، مدلهای رگرسیون خطی تولید میکند. رگرسیونpace ، زمانی که تعداد ویژگیها خیلی زیاد است، به طور ویژهای در تعیین ویژگیهایی که باید صرفنظر شوند، خوب عمل میکند. در واقع در صورت وجود نظم و ترتیب خاصی، ثابت میشود که با بینهایت شدن تعداد ویژگیها، این الگوریتم بهـینه عمل میکند.
ü RBF Network یک شبکه با تابع پایهای گوسی شعاعی را پیاده سازی میکند. مراکز و عرضهای واحدهای مخفی به وسیله روش میانگین (K-means)K تعیین میشود. سپس خروجیهای فراهم شده از لایههای مخفی (Hidden layer) ، با استفاده از رگرسیون منطقی در مورد ردههای اسمی و رگرسیون خطی در مورد ردههای عددی، با یکدیگر ترکیب میشوند. فعال سازیهای توابع پایه پیش از ورود به مدلهای خطی، با جمع شدن با عدد یک، نرمالیزه میشوند. در این الگوریتم میتوان K، تعداد خوشهها، بیشترین تعداد تکرارهای رگرسیونهای منطقی برای مسألههای ردههای رسمی، حداقل انحراف معیار خوشهها، و مقدار بیشینه رگرسیون را تعیین نمود. اگر ردهها رسمی باشد، میانگین K به طور جداگانه به هر رده اعمال میشود تا K خوشه مورد نظر برای هر رده استخراج گردد.
رده بندهای Lazy
یادیگرندههای lazy نمونههای آموزشی را ذخیره میکنند و تا زمان رده بندی هیچ کار واقعی انجام نمیدهند.
ü IB1یک یادگیرنده ابتدایی بر پایه نمونه است که نزدیکترین نمونههای آموزشی به نمونههای آزمایشی داده شده را از نظر فاصله اقلیدسی پیدا کرده و نزدیکترین ردهای مشابه رده همان نمونههای آموزشی را تخمین میزند.
ü IBKیک رده بند با K همسایه نزدیک است که معیار فاصله ذکر شده را استفاده میکند. تعداد نزدیکترین فاصلهها (پیش فرض k=1 )، میتواند به طور صریح در ویرایشگر شیء تعریف شود. پیشبینیهای متعلق به پیش از یک همسایه میتواند بر اساس فاصله آنها تا نمونههای آزمایشی، وزندار گردد.
دو فرمول متفاوت برای تبدیل فاصله به وزن، پیاده سازی شدهاند. تعداد نمونههای آموزشی که به وسیله رده بند نگهداری میشـود، میتواند با تنظـیم گزیـنه اندازه پنجره محدود گردد. زمانی که نـمونههای جدید اضافه میشوند، نمونههای قدیمی حذف شده تا تعداد کل نمونههای آموزشی در اندازه تعیین شده باقی بماند.
ü Kstar یک روش نزدیکترین همسایه است که از تابع فاصلهای عمومی شده بر اساس تبدیلات استفاده میکند.
ü LWL یک الگوریتم کلی برای یادگیری وزن دار شده به صورت محلی است. این الگوریتم با استفاده از یک روش بر پایه نمونه، وزنها را نسبت میدهد و از روی نمونههای وزندار شده، ردهبند را میسازد. ردهبند Nave Bayes، در ویرایشگر شیء LWL انتخاب میشود. برای مسایل رده بندی و رگرسیون خطی برای مسایل رگرسیون، انتخابهای خوبی هستند. میتوان در این الگوریتم، تعداد همسایههای مورد استفاده را که پهنای باند هسته و شکل هسته مورد استفاده برای وزن دار کردن را (خطی، مع، یا گوسی) مشخص میکند، تعیین نمود. نرمال سازی ویژگیها به طور پیش فرض فعال است.
الف- نحوه کار با پانل classify
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
تا اینجا به صورت تئوری الگوریتمهای ردهبندی را معرفی کردیم. درادامه با یک مثال عملی نحوه کار با classifier ها را نشان میدهیم.
در این قسمت، بانک اطلاعاتی bank-data-final به عنوان فایل نمونه در نظر گرفته میشود. بعد از باز کردن فایل مورد نظر و با کلیک بر روی پانل classify، پنجرهای مطابق شکل 9 باز میشود.
شکل 9 . انتخاب پانل classify
با کلیک دگمه choose در پانل classifyمیتوان الگوریتم ردهبندی مورد نظر را انتخاب نمود (شکل 10). دراین مثال، الگوریتم J48 را انتخاب میکنیم. زمانی که یک الگوریتم ردهبندی انتخاب میشود، نسخه خط فرمانی (Command line) رده بند در سطری نزدیک به دگمه ظاهر میگردد. این خط فرمان شامل پارامترهای الگوریتم است که با خط تیره مشخص میشوند. برای تغییر آنها میتوان روی آن خط کلیک نمود تا ویرایشگر مناسب شیء باز شود (شکل11). در این مثال همان مقادیر پیشفرض را میپذیریم.
شکل 10. انتخاب الگوریتم ردهبندی
شکل 11. تنظیم پارامترهای الگوریتم رده بندی
باکلیک بر روی دکمه start مدل مورد نظر تولید میشود (شکل12).
شکل 12. مدل حاصل از اجرای الگوریتم رده بندی
با راست کلیک بر روی مجموعه جواب در پانل Result list در سمت چپ میتوان نتیجه را در پنجرهای جداگانه، و یا شکل گرافیکی درخت حاصل از رده بندی را مشاهده نمود. (شکل 13) توجه کنید که در شکل 13(ب) باراست کلیک برروی یک قسمت خالی ازصفحه میتوان نحوه نمایش درخت را به دلخواه تنظیم کرد.
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
شکل 13(الف)
شکل 13(ب). درخت حاصل از رده بندی
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
3-1-3 Cluster
فایل نمونه مورد استفاده در این قسمت bank-data.csv است که در مرحله preprocess فیلد id را از آن حذف میکنیم (شکل14).
شکل 14. بارگذاری فایل نمونه
میشود. بعد از باز کردن فایل مورد نظر و با کلیک بر روی پانل cluster پنجرهای مطابق شکل 15 باز میشود.
شکل 15 . انتخاب پانل cluster
Weka الگوریتمهای خوشهبندی (clustering) متنوعی را پیادهسازی میکند. با کلیک دگمه choose در پانل cluster میتوان الگوریتم خوشهبندی مورد نظر را انتخاب نمود (شکل 16). دراین مثال، الگوریتم SimpleKMeans را انتخاب میکنیم. زمانی که یک الگوریتم خوشهبندی انتخاب میشود، نسخه خط فرمانی الگوریتم خوشهبندی در سطری نزدیک به دگمه ظاهر میگردد. این خط فرمان شامل پارامترهای الگوریتم است که با خط تیره مشخص میشوند. برای تغییر آنها میتوان روی آن خط کلیک نمود تا ویرایشگر مناسب شیء باز شود (شکل17). در این مثال تعداد کلاسترها را 6 تا تنظیم میکنیم.
شکل 16. انتخاب الگوریتم خوشهبندی
شکل 17. تنظیم پارامترهای الگوریتم خوشهبندی
باکلیک بر روی دکمه start مدل مورد نظر تولید میشود (شکل).
شکل . مدل حاصل از اجرای الگوریتم خوشهبندی
با راست کلیک بر روی مجموعه جواب در پانل Result list در سمت چپ-پایین و انتخاب گزینهی "View in separate window "میتوان نتیجه را در پنجرهای جداگانه مشاهده نمود (شکل 19). همانطور که میبینید، اطلاعات آماری مربوط به هرکلاستر، از جمله مرکز ثقل هر کلاستر، تعداد و درصد اعضای هر کلاستردر این پنجره قابل مشاهده است.
شکل 19. نتیجه حاصل از اجرای الگوریتم خوشهبندی
روش دیگر برای کسب اطلاعات در مورد هرکلاستر، مصورسازی است. با راست کلیک بر روی مجموعه جواب در پانل Result list در سمت چپ و انتخاب گزینهی " Visualize cluster assignments" پنجرهای مطابق شکل20(الف) باز میشود. انتخابهای مختلف برای هرکدام از سه بعد نمودارحاصل (محور X، محور Y، رنگ) نمودارهای مختلفی را نتیجه میدهد که میتوان از آنها اطلاعات مورد نظر را بدست آورد.به عنوان مثال در شکل20(ب)، محور Xها نماینده شماره کلاستر، محور Yها نماینده شماره نمونه در بانک اطلاعاتی، و رنگها نماینده جنسیت هستند (قرمز: مرد، آبی: زن). همانطورکه مشاهده میشود کلاستر2 بیشتر توسط ن احاطه شده است و کلاستر4 توسط مردان.
شکل20 (الف)
شکل20 (ب) مصورسازی نتیجه حاصل از clustering
علاوه بر این ممکن است علاقهمند باشیم که بدانیم هر نمونه در بانک اطلاعاتی، به کدام کلاستر اختصاص داده شده است. برای این منظور در پنجره شکل 20(ب)، گزینه save را انتخاب میکنیم و فایل مورد نظر را با نام " bank-data-Kmeans" ذخیره میکنیم. فایل حاصل رامیتوان از طریق یک نرمافزار پردازش متن مثل Notepad یا word باز کرد. بخش ابتدایی این فایل در شکل21 نشان داده شده است. همانطورکه مشـاهده میکنید، Weka ویژگی جدیدی به نام Cluster را به مجموعه ویژگیهای موجود اضافه کرده است.
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
شکل21. نتیجه اختصاص نمونهها به کلاسترها
3-1-4 Associate
در این قسمت میتوان قوانین Association حاکم بربانک اطلاعاتی را با استفاده از الگوریتمهای مختلف بدست آورد.
فایل نمونه مورد استفاده در این بخش bank-data-final.arff است که در مرحله preprocess فیلد id از آن حذف شده و مقادیرصفات age و income به صورت گسسته در آمده است (شکل22).
شکل 22. بارگذاری فایل نمونه
بعد از باز کردن فایل مورد نظر و با کلیـک بر روی پانل Associate پنجرهای مطـابق شکـل23 باز میشود.
شکل 23 . انتخاب پانل Associate
Weka الگوریتمهای association متفاوتی را پیادهسازی میکند. با کلیک دگمه choose در پانل Associate میتوان الگوریتم association مورد نظر را انتخاب نمود (شکل 24). دراین مثال، الگوریتم Apriori را انتخاب میکنیم. زمانی که یک الگوریتم انتخاب میشود، نسخه خط فرمانی آن الگوریتم در سطری نزدیک به دگمه ظاهر میگردد. این خط فرمان شامل پارامترهای الگوریتم است که با خط تیره مشخص میشوند. برای تغییر آنها میتوان روی آن خط کلیک نمود تا ویرایشگر مناسب شیء باز شود (شکل25). در این مثال همان پارامترهای پیشفرض را میپذیریم.
شکل 24. انتخاب الگوریتم association
شکل 25. تنظیم پارامترهای الگوریتم association
با کلیک بر روی گزینه More در شکل25، میتوان توضیحات لازم را درمورد هر کدام از پارامترها بدست آورد. شکل26 این توضیحات را نشان میدهد.
شکل 26. توضیحات بیشتردر مورد پارامترهای الگوریتم Apriori
بعد از تنظیم پارامترهای مورد نظر، با کلیک بر روی گزینه start، قوانین بدست آمده که بر اساس metric Type مرتب شدهاند در صفحه اصلی نمایش داده میشوند.(شکل27)
شکل 27. نتیجه اجرای الگوریتم Apriori
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
با راست کلیک بر روی مجموعه جواب در پانل Result list در سمت چپ و انتخاب گزینهی مورد نظر، میتوان نتایج بدست آمده را در پنجرهای جداگانه نمایش داد و یا قوانین بدست آمده را به فرمت دلخواه (.csv, .arff, .txt) ذخیره کرد. شکل28 گزینههای موجود را نشان میدهد.
شکل 28. ذخیره قوانین بدست آمده
Rapidminer
دانلود نرم افزار قدرتمند داده کاوی RapidMiner
دانلود نرم افزار رپیدماینر
انجام پروژه های داده کاوی با نرم افزار Clementine12
انجام پروژه های داده کاوی با نرم افزار Clementine12
کارگاه تخصصی فرایند داده کاوی با نرم افزار Clementine 12
یک دوره کارگاه تخصصی فرایند داده کاوی همراه با نرم افزار Clementine 12
محتوای دوره :
داده کاوی چیست ؟
انگیزه کاوش داده ها در چیست
کاربرد داده کاوی در چیست
و قابلیت های آن(Clementine 12) آشنایی با محیط کلمنتاین
( Clementine 12) ورود داده ها با فرمت های مختلف به محیط کاری کلمنتاین
چگونگی ایجاد درک اولیه از داده ها و آماده سازی آن
استفاده از آمارهای توصیفی و گرافهای متنوع
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
چگونگی تشخیص و برخورد با داده های گمشده
خوشه بندی
قواعد تلازمی
دسته بندی و پیش بینی - درخت تصمیم ، شبکه های عصبی .
تحلیل و تفسیر داده ها
و . . .
مشاوره در زمینه پروژه های داده کاوی
مشاوره در زمینه پروژه های داده کاوی
در مقاطع کارشناسی و کارشناسی ارشد
با نرم افزار Weka- Clementine 12
از ابتدا تا انتها
پروژه آماده داده کاوی با نرم افز Weka - Clementine 12 - RapidMiner
انجام پروژه های داده کاوی با نرم افزار weka
انجام پروژه های داده کاوی با نرم افزار
مقاله های مرتبط
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
داستان "اسنپ" چیست؟ - 1396-01-30
مقایسه اپلیکیشنهای اسنپ (Snapp) و تپ۳۰ (TAP30): با کدامیک سفر کنم؟ - 139630
کاربرد پیش بینی در شرکت های ایرانی 11
سخنی با اساتید محترم دانشگاه پیرامون انتخاب موضوعات پایان نامه مرتبط با الگوریتم های هیورستیک - 1311
بازاریابی
داده کاوی
طراحی سایت
بازاریابی شبکه ای چیست ؟
دانلود کتاب بیندیشید و ثروتمند شوید
بیندیشید و ثروتمند شوید» ناپلئون هیل
نسخهی زبان اصلی، کامل و با کیفیت کتاب بیندیشید و ثروتمند شوید » را با فرمت PDF
هدف بازاریابی شبکه ای چیست ؟
بازاریابی شبکهای چیست
بازاریابی شبکه ای چیست ؟
برترین ها
جدیدترین
دسته بندی
طراحی اپلیکیشن مانند اسنپ (تاکسی یات)
همه چیز درباره ی کاهش بعد داده ها با روش PCA
آشنایی با الگوریتم های داده کاوی
متن کاوی چیست؟
انجام پروژه ها و پایان نامه های داده کاوی ، یادگیری عمیق ، متن کاوی
آموزش و انجام پروژه های داده کاوی با نرم افزارهای rappidminer وکا و کلمنتاین
الگوریتم های خوشه بندی فازی
سخنی با اساتید محترم دانشگاه پیرامون انتخاب موضوعات پایان نامه مرتبط با الگوریتم های هیورستیک
داده کاوی و کاربرد آن در تشخیص بیماری ها ( دیابت )
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com آموزش کامل داده کاوی با weka
پروژه آماده داده کاوی با وکا (weka)
هزینه انجام پروژه داده کاوی
داده ,الگوریتم ,comazsoftir ,مورد ,com0936729227609367292276azsoftir@gmail ,میتوان ,com0936729227609367292276azsoftir@gmail comazsoftir ,مورد نظر ,است که ,داده کاوی ,comazsoftir com0936729227609367292276azsoftir@gmail ,comazsoftir com0936729227609367292276azsoftir@gmail comazsoftir ,com0936729227609367292276azsoftir@gmail comazsoftir com0936729227609367292276azsoftir@gmail ,azsoftir com0936729227609367292276azsoftir@gmail comazsoftir ,تنظیم پارامترهای الگوریتم
درباره این سایت