نمونه سوال درس داده‌کاوی

نمونه سوال داده‌کاوی نیمسال اول 1388

فرمولهای تایپ شده درس داده‌کاوی نیمسال اول 1393 (توضیح : این فایل به آقای دکتر امیری ارسال شده است، اینکه با چه تغییراتی به برگه سوالات الصاق کنند مشخص نیست!!!)

حل المسائل کتاب tan

کتاب درس داده‌کاوی

کتاب اصلی درس داده‌کاوی از ۳ فایل زیر تشکیل شده است :

بخش اول

بخش دوم

بخش سوم

 

به جای فصل سوم از کتاب فوق این فایل  و همچنین به جای فصل پنجم از کتاب فوق این فایل  مطالعه شود.

 

صدای ضبط شده جلسات درس سیستم‌های خبره و مهندسی دانش

ردیف	جلسه	فایل(ها)
۱	۱۳۹۳٫۰۷٫۱۰	بخش اول
		بخش دوم
۲	۱۳۹۳٫۰۷٫۱۷	بخش اول
		بخش دوم
		بخش سوم
۳	۱۳۹۳٫۰۷٫۲۴	بخش اول
		بخش دوم
		بخش سوم
۴	۱۳۹۳٫۰۸٫۰۱	کل فایل
۵	۱۳۹۳٫۰۸٫۰۸	بخش اول
		بخش دوم
		بخش سوم
۶	۱۳۹۳٫۰۸٫۲۲	بخش اول
		بخش دوم
		بخش سوم
۷	۱۳۹۳٫۰۸٫۲۹	بخش اول
		بخش دوم
۸	۱۳۹۳٫۰۹٫۰۶	بخش اول
		بخش دوم
۹	۱۳۹۳٫۰۹٫۱۳	بخش اول
		بخش دوم
۱۰	۱۳۹۳٫۰۹٫۲۰	بخش اول
		بخش دوم
		بخش سوم
۱۱	۱۳۹۳٫۰۹٫۲۷	بخش اول
		بخش دوم
		بخش سوم
۱۲	۱۳۹۳٫۱۰٫۰۴	بخش اول
		بخش دوم
۱۳	۱۳۹۳٫۱۰٫۱۱	کل فایل

 

فایلهای درس داده‌کاوی

 

اسلایدهای داده‌کاوی با فرمت PPT

 

اسلایدهای داده‌کاوی با فرمت pdf

 

حل المسائل کتاب tan

لیست تمرینات درس سیستم‌های خبره و مهندسی دانش

ردیف	عنوان	تاریخ	تاریخ تحویل
۱	الف) آزمون کلموگروف-اسمیرونوف را مطالعه کرده و نحوه‌ی انجام این آزمون را شرح دهید. ب) یک مجموعه داده‌ی مصنوعی بسازید که تعداد نمونه‌های آن ۱۰۰۰ باشد، از این مجموعه داده به کمک آزمون کلموگروف-اسمیرونوف  نمونه برداری انجام دهید؛ به نحویکه نمونه بدست آمده کمترین تعداد رکورد را داشته و با داده‌ی اصلی 10٪ انحراف داشته باشد.	93/07/17
۲	فرض کنید 10گروه داده دارید، می‌خواهیم هربار بصورت تصادفی یکی از این ده گروه را انتخاب کده و یک نمونه از آنرا برداریم. الف) چندبار بایستی آزمایش فوق را تکرار کنیم تا با احتمال 99٪ بگوییم که از هر گروه، یک داده در نمونه‌ها وجود دارد. ب) آزمایش فوق را در یک زبان برنامه‌سازی پیاده کرده و درستی پاسخ خود را نشان دهید.	93/07/17
۳	مقاله Data dimensionality estimation methods: a survey را مطالعه کرده و سپس : الف)خلاصه مقاله را به همراه اسامی متدهای بکار رفته در ۲ صفحه آماده کرده و ارائه دهید. ب) تولباکس drtoolbox را در متلب نصب نمایید. سپس با استفاده از تولباکس drtoolbox، متدهای به کار رفته در مقاله مذکور را بر روی یک Dataset استاندارد (جهت کاهش بعد) استفاده کرده و سس نتایج را باهم مقایسه نمایید.	93/7/24
۴	در سایت featureselection.asu.edu کدهای FSS در متلب قرار دارد. این کدها را بر روی یک Dataset استاندارد اجرا نموده و الگوریتمها را با معیارهای زیر مقایسه کنید. الف) تعداد زیرمجموعه featureهای بدست آمده ب) زمان اجرا ج) دقت بدست آمده در طبقه‌بندی	93/7/24
۵	اسلاید 27 را در نظر بگیرید، نشان دهید معیار GainRatio علاوه بر Impurity معیار Compactness را نیز در نظر می‌گیرد.	93/8/8
۶	الگوریتم ساخت درخت تصمیم را با معیارهای مختلف برای split پیاده‌سازی نموده و دقت آنها را باهم مقایسه کنید.	93/8/22	93/9/6
۷	SVM غیرخطی را در نرم‌افزار متلب، با شبه‌کدهای موجود پیاده‌سازی کنید. راهنمایی : با جستجوی libsvm می‌توانید به کدها و دیتا‌ست‌های لازم دسترسی پیدا کنید.	93/9/13	حضوری آخر آذر
۸	الگوریتم adaboost را با Base classifier درخت تصمیم (انجام شده در تمرین 6) پیاده‌سازی نمایید.	93/9/13	حضوری آخر آذر

 

عدم تشکیل کلاس

کلاس درس سیستم‌های خبره و مهندسی دانش-دکتر امیری روز پنج‌شنبه 1393/8/15 تشکیل نخواهد شد.

لینک وب‌سایت الگوریتمهای FSS

آدرس سایتی که شامل الگوریتم‌های FSS در متلب و همچنین دیتاست‌های آماده جهت تست الگوریتم‌ها :

http://featureselection.asu.edu

ابزار drtoolbox جهت استفاده در نرم‌افزار متلب

برای دریافت تولباکس اینجا کلیک نمایید. در این فایل pdf هم می‌توانید تعدادی از نمودارهای خروجی الگوریتم‌های کاهش بعد اعمال شده بر روی مجموعه داده اصلی را ببینید.
 

---

مثال ساده استفاده از تولباکس فوق :
 

[X, labels] = generate_data('helix', 2000);
figure, scatter3(X(:,1), X(:,2), X(:,3), 5, labels); title('Original dataset'), drawnow
no_dims = round(intrinsic_dim(X, 'MLE'));
disp(['MLE estimate of intrinsic dimensionality: ' num2str(no_dims)]);
[mappedX, mapping] = compute_mapping(X, 'PCA', no_dims);
figure, scatter(mappedX(:,1), mappedX(:,2), 5, labels); title('Result of PCA');
[mappedX, mapping] = compute_mapping(X, 'Laplacian', no_dims, 7);
figure, scatter(mappedX(:,1), mappedX(:,2), 5, labels(mapping.conn_comp)); title('Result of Laplacian Eigenmaps'); drawnow