در Clementine به جای آن‌که کاربر برای هر مرحله از تحلیل داده کد بنویسد، عملیات مختلف به صورت Node یا گره در اختیار او قرار می‌گیرند. کاربر می‌تواند گره‌های مورد نیاز را انتخاب کرده و با اتصال آن‌ها به یکدیگر یک Stream ایجاد کند.

این Stream در واقع مسیر حرکت داده را از مرحله ورود اطلاعات تا آماده‌سازی داده، ساخت مدل، ارزیابی و تولید خروجی نشان می‌دهد.

داده‌کاوی بدون نیاز به کدنویسی

یکی از دلایل محبوبیت Clementine و SPSS Modeler، فراهم کردن یک محیط بصری برای طراحی پروژه‌های داده‌کاوی است.

در بسیاری از نرم‌افزارهای علمی، کاربر باید برای اجرای الگوریتم‌های یادگیری ماشین و داده‌کاوی برنامه‌نویسی کند. اما در SPSS Modeler بسیاری از عملیات از طریق گره‌های آماده انجام می‌شوند.

این ویژگی باعث می‌شود پژوهشگران، دانشجویان، تحلیلگران داده و متخصصانی که دانش برنامه‌نویسی محدودی دارند نیز بتوانند از الگوریتم‌های مختلف داده‌کاوی استفاده کنند.

البته برای طراحی یک مدل مناسب همچنان لازم است کاربر با مفاهیم اصلی داده‌کاوی، انتخاب داده، آماده‌سازی داده و ارزیابی مدل آشنا باشد.

Stream در Clementine چیست؟

یکی از مهم‌ترین مفاهیم در نرم‌افزار Clementine، مفهوم Stream است.

Stream مجموعه‌ای از Nodeها است که به ترتیب به یکدیگر متصل می‌شوند و یک فرآیند تحلیل داده را تشکیل می‌دهند. برای مثال، یک Stream می‌تواند شامل مراحل زیر باشد:

• ورود داده
• بررسی اطلاعات اولیه
• پاکسازی داده
• انتخاب متغیرها
• تبدیل داده‌ها
• تقسیم داده به آموزش و تست
• انتخاب الگوریتم
• آموزش مدل
• پیش‌بینی
• ارزیابی نتایج

یکی از مزایای این ساختار آن است که کاربر می‌تواند مسیر پردازش داده را به صورت تصویری مشاهده کند و در صورت نیاز بخش‌های مختلف آن را تغییر دهد.

مراحل یک پروژه داده‌کاوی

یک پروژه داده‌کاوی معمولاً تنها شامل اجرای یک الگوریتم نیست. قبل از ساخت مدل باید داده‌ها بررسی و آماده‌سازی شوند و بعد از آموزش مدل نیز عملکرد آن مورد ارزیابی قرار گیرد.

نرم‌افزار SPSS Modeler ابزارهای مختلفی برای انجام این مراحل در اختیار کاربر قرار می‌دهد.

به صورت کلی یک پروژه می‌تواند شامل مراحل زیر باشد:

1. ورود داده‌ها
2. بررسی کیفیت داده
3. انتخاب متغیرهای مناسب
4. پاکسازی و تبدیل داده‌ها
5. انتخاب الگوریتم داده‌کاوی
6. ساخت مدل
7. ارزیابی مدل
8. مقایسه چند مدل
9. استفاده از مدل برای پیش‌بینی داده‌های جدید

محیط گرافیکی Clementine انجام و مدیریت این مراحل را ساده‌تر می‌کند.

ارتباط Clementine با CRISP-DM

یکی از چارچوب‌های شناخته‌شده در انجام پروژه‌های داده‌کاوی، CRISP-DM یا Cross Industry Standard Process for Data Mining است.

این چارچوب پروژه داده‌کاوی را به چند مرحله اصلی تقسیم می‌کند:

• شناخت مسئله
• شناخت داده‌ها
• آماده‌سازی داده
• مدل‌سازی
• ارزیابی
• استفاده از نتایج

SPSS Modeler برای اجرای پروژه‌هایی با چنین ساختاری بسیار مناسب است، زیرا می‌توان مراحل مختلف فرآیند را در محیط نرم‌افزار به صورت یک جریان گرافیکی طراحی و مدیریت کرد.

الگوریتم‌های دسته‌بندی در Clementine

نرم‌افزار Clementine مجموعه‌ای از الگوریتم‌های دسته‌بندی را در اختیار کاربر قرار می‌دهد.

برای مثال می‌توان از الگوریتم‌هایی مانند موارد زیر استفاده کرد:

• Decision Tree
• C5.0
• CHAID
• QUEST
• C&R Tree
• Decision List
• Logistic Regression
• Neural Networks
• Support Vector Machine

الگوریتم مناسب باید با توجه به نوع داده، مسئله مورد بررسی و هدف پروژه انتخاب شود.

درخت تصمیم

درخت تصمیم یکی از الگوریتم‌های پرکاربرد داده‌کاوی برای مسائل دسته‌بندی و پیش‌بینی است. خروجی این روش معمولاً به صورت یک ساختار درختی قابل مشاهده است و به همین دلیل تفسیر آن نسبت به بسیاری از مدل‌های پیچیده ساده‌تر است.

در SPSS Modeler چندین روش مختلف مبتنی بر درخت تصمیم وجود دارد که از جمله آن‌ها می‌توان به C5.0، CHAID، QUEST و C&R Tree اشاره کرد.

امکان اجرای این مدل‌ها از طریق محیط گرافیکی نرم‌افزار باعث می‌شود بتوان چند الگوریتم را بر روی داده‌های یکسان اجرا کرده و نتایج آن‌ها را با یکدیگر مقایسه کرد.

شبکه عصبی در SPSS Modeler

شبکه‌های عصبی نیز از جمله مدل‌هایی هستند که برای شناسایی روابط پیچیده بین متغیرهای ورودی و خروجی استفاده می‌شوند.

SPSS Modeler امکان استفاده از مدل‌های شبکه عصبی را بدون نیاز به پیاده‌سازی دستی الگوریتم فراهم می‌کند. کاربر می‌تواند داده‌های ورودی و خروجی را مشخص کرده و مدل را از طریق Nodeهای مربوطه ایجاد و اجرا کند.

رگرسیون خطی و رگرسیون لجستیک

برای مسائل پیش‌بینی متغیرهای عددی می‌توان از مدل‌های رگرسیونی استفاده کرد.

رگرسیون خطی یکی از متداول‌ترین روش‌ها برای بررسی و پیش‌بینی روابط میان متغیرهای عددی است.

رگرسیون لجستیک نیز در بسیاری از مسائل دسته‌بندی، به‌خصوص مسائل دارای خروجی دوکلاسه، مورد استفاده قرار می‌گیرد.

وجود این مدل‌ها در کنار سایر الگوریتم‌های داده‌کاوی، امکان مقایسه چند روش مختلف را برای یک مسئله فراهم می‌کند.

ماشین بردار پشتیبان SVM

Support Vector Machine یا SVM یکی از الگوریتم‌های شناخته‌شده یادگیری ماشین است که در مسائل دسته‌بندی و برخی مسائل رگرسیون کاربرد دارد.

در SPSS Modeler می‌توان این مدل را از طریق محیط گرافیکی ایجاد کرده و بدون نوشتن مستقیم الگوریتم، آن را روی داده‌های مورد نظر آموزش داد و ارزیابی کرد.

خوشه‌بندی داده‌ها

همه پروژه‌های داده‌کاوی دارای خروجی مشخص نیستند. گاهی هدف این است که نمونه‌های مشابه را بر اساس ویژگی‌های آن‌ها در گروه‌های مختلف قرار دهیم.

برای چنین مسائلی از روش‌های Clustering یا خوشه‌بندی استفاده می‌شود.

SPSS Modeler از چندین روش خوشه‌بندی مانند موارد زیر پشتیبانی می‌کند:

• K-Means
• Kohonen
• TwoStep

این روش‌ها در کاربردهایی مانند بخش‌بندی مشتریان، تحلیل رفتار کاربران و کشف گروه‌های مشابه در داده‌ها قابل استفاده هستند.

قوانین وابستگی و Apriori

یکی دیگر از زمینه‌های مهم داده‌کاوی، استخراج قوانین وابستگی میان متغیرها یا رویدادها است.

الگوریتم Apriori یکی از روش‌های شناخته‌شده برای کشف قوانین Association است و معمولاً در مسائلی مانند تحلیل سبد خرید مشتریان استفاده می‌شود.

برای مثال می‌توان بررسی کرد مشتریانی که یک محصول خاص خریداری کرده‌اند، احتمال بیشتری دارد که چه محصول دیگری را نیز خریداری کنند.

Clementine ابزارهایی برای ساخت چنین مدل‌هایی در اختیار کاربر قرار می‌دهد.

تشخیص داده‌های غیرعادی

تشخیص Anomaly یا ناهنجاری یکی دیگر از کاربردهای داده‌کاوی است.

در این نوع تحلیل تلاش می‌شود نمونه‌هایی شناسایی شوند که رفتار آن‌ها به شکل قابل توجهی با بخش عمده داده‌ها متفاوت است.

تشخیص ناهنجاری می‌تواند در حوزه‌هایی مانند کشف تقلب، بررسی تراکنش‌ها، کنترل کیفیت و تشخیص رفتارهای غیرمعمول کاربرد داشته باشد.

ارزیابی و مقایسه مدل‌ها

ساخت یک مدل تنها بخشی از یک پروژه داده‌کاوی است. بعد از ساخت مدل باید بررسی شود که مدل تا چه اندازه قادر به پیش‌بینی صحیح داده‌های جدید است.

در SPSS Modeler ابزارهایی برای مشاهده و ارزیابی نتایج مدل وجود دارد و کاربر می‌تواند مدل‌های مختلف را با یکدیگر مقایسه کند.

این موضوع زمانی اهمیت بیشتری پیدا می‌کند که چند الگوریتم مانند درخت تصمیم، شبکه عصبی، SVM و رگرسیون روی یک مجموعه داده اجرا شده باشند و بخواهیم مناسب‌ترین مدل را انتخاب کنیم.

این آموزش برای چه افرادی مناسب است؟

این فیلم آموزشی می‌تواند برای گروه‌های زیر مناسب باشد:

• دانشجویان و پژوهشگران داده‌کاوی
• دانشجویان هوش مصنوعی و یادگیری ماشین
• دانشجویان مهندسی صنایع و مدیریت
• دانشجویان کامپیوتر و فناوری اطلاعات
• پژوهشگران حوزه تحلیل داده
• افرادی که با SPSS کار کرده‌اند و قصد ورود به مدل‌سازی داده دارند
• افرادی که می‌خواهند بدون برنامه‌نویسی الگوریتم‌های داده‌کاوی را اجرا کنند
• دانشجویانی که برای پایان‌نامه و مقاله نیاز به تحلیل داده دارند

هدف این دوره آموزشی

هدف اصلی این دوره، آشنایی عملی کاربر با محیط Clementine / IBM SPSS Modeler و نحوه ساخت مدل‌های داده‌کاوی به صورت گرافیکی است.

پس از آشنایی با ساختار نرم‌افزار، Nodeها و Streamها، کاربر می‌تواند مسیر یک پروژه داده‌کاوی را طراحی کرده، داده‌های خود را وارد نرم‌افزار کند، مدل‌های مختلف را اجرا کرده و نتایج آن‌ها را بررسی کند.

اگر قصد دارید داده‌کاوی را با یک محیط گرافیکی و با حداقل نیاز به برنامه‌نویسی انجام دهید، آشنایی با SPSS Modeler می‌تواند مهارت کاربردی مفیدی برای پروژه‌های دانشگاهی و تحلیل داده باشد.

SPSS Clementine یکی از مشهورترین پکیج های نرم افزاری داده کاوی در بازار می باشد. این پکیج نرم افزاری از سال 1993 تا الان توسط بسیار زیادی از محققین داده کاوی مورد استفاده قرار می گرفته است. این نرم افزار به اسم SPSS Modeler هم شناخته می شود. 

اولین بار کلمنتاین بود که از نمایش گرافیکی برای ارتباط با کاربر استفاده کرد و این خود تحولی نو بود زیرا کاربر دیگر نیاز به کدنویسی نداشت. بعلاوه ایجاد یک مدل داده کاوی خیلی سریعتر انجام میشد و درنتیجه تصمیم گیری نهایی زودتر حاصل می شد.

کلمنتاین قدرت خود را ازترکیب با CRISPDM دارد که یک مدلسازی گرافیکی می باشد. با این نرم افزار بیشتر الگوریتم های داده کاوی را می شود پیاده سازی کرد.

هر فرایند در کلمنتاین clementine به صورت یک آیکون (icon) یا گره (node) بیان می شود. با اتصال گره ها یک stream ساخته می شود که مسیر تغییر داده در طول فرایند را نشان می دهد.

کار در کلمنتاین شبیه استفاده از یک سیستم ساخت فرایندهای تصویری می باشد که می تواند داده های جهان واقعیت و آمار و الگوریتم های پیچیده را در دل خود بیان کند.

در ابتدای کار با کلمنتاین شاید یک مقدار مشکل به نظر برسد اما به مرور متوجه می شوید که کار با این نرم افزار بسیار ساده می باشد. ایران متلب هم در همین راستا فیلم آموزشی نرم افزار کلمنتاین را تهیه کرد تا علاقه مندان داده کاوی بتوانند الگوریتم های خود را در این نرم افزار هم مانند وکا و رپیدماینر پیاده سازی کنند.

برخی از مزیت های کامنتین :

ساخت بصری مدل ، که کار مدلسازی را تبدیل به یک کار هنری کرده است.

مفهوم “مسیر داده” شما را قادر می سازد که چندین مدل را در دل یک مدل جا دهید.

کلیک و ساخت مدل (هیچ کدنویسی لازم نیست)

مدلهای گوناگون و جامع در بیشتر الگوریتم های مهم و کاربردی مورد نیاز متخصصین حرفه ای

برخی از مدلهای پشتیبانی شده در کلمنتاین :

درخت تصمیم

درخت C&R

QUEST

CHAID

C 5.0

لیست تصمیم Decision List

شبکه های عصبی

رگرسیون

رگرسیون خطی

رگرسیون لاجستیک

شبکه بیزین

ماشین بردار پشتیبان SVM

ماژول استنتاج قانون عمومی (GRI)

مدل apriori

مدل CARMA

مدل sequence

K-means

کوهنن kohonen

Two Step

شناسایی anomaly

ارسال لینک های دانلود به ایمیل شما

قسمت هایی از این فیلم آموزشی :

پیش نمایش 1

لینک دانلود پیش نمایش 1 (کیفیت بالا)

پیش نمایش 2

لینک دانلود پیش نمایش 2 (کیفیت بالا)

پیش نمایش 3

لینک دانلود پیش نمایش 3 (کیفیت بالا)

پیش نمایش 4

لینک دانلود پیش نمایش 4 (کیفیت بالا)

 تصاویر انتخابی از این فیلم آموزشی :

نوشته فیلم آموزشی کلمنتاین clementine اولین بار در ایران متلب پدیدار شد.