سلام،
مباحث داده کاوی رو معمولا به چهار بخش تقسیم میکنن:
- دسته بندی یا classification
- رگراسیون یا regression
- خوشه بندی یا clustering
- قوانین انجمنی یا association rule mining
داده کاوی (و یک سطح بالاتر اون یادگیری ماشین) برای حل مسئله هایی مناسبه که نمیشه یه الگوریتم دقیق براش ارائه داد؛ در این موارد در صورتیکه example هایی از environment اون مسئله در دسترس باشه، به کمک تکنیک های داده کاوی میشه راه حلی تقریبی ارائه داد؛ به طور مثال نمیشه الگوریتمی نوشت که شرح حال بیمار رو بگیره و بگه بیماریش چیه؟ اما میشه با جمع آوری نمونه هایی از بیماران قبلی سیستمی ساخت که با یه دقتی با دادن شرح حال مشابه از یه بیمار جدید پاسخ بده؛ این سیستم ها در دو تا فاز ساخته میشن؛ فاز اول یادگیری هست و فاز دوم تست؛ بر همین اساس اون نمونه های جمع آوری شده دو بخش میشن؛ یه بخش برای آموزش یا train سیستم به کار میاد و بخش برای سنجش دقت سیستم؛
هر کدوم از نمونه های جمع آوری شده خودشون دو بخشن: بخش اول مجموعه ای از ویژگی ها و بخش دوم برچسب؛ مثلا بیماری قبلا وجود داشته که سنش ۴۰، قدش ۱۷۰، ... بوده و بیماریش (برچسب) هپاتیت A بوده؛ حالا اگه بدونیم کل نمونه ها بیماریشون نوع A یا B یا C بوده، داده کاوی میتونه برای دسته بندی این نمونه ها بکار بره؛ اگه برچسب نمونه ها یه عدد باشه در اون صورت مسئله تبدیل میشه به رگراسیون و اگه اصلا برچسبی نداشته باشیم و نمونه ها فقط ویژگی داشته باشن مسئله میشه خوشه بندی؛
مقاله survey معمولا در خصوص یک مسئله خاص ارائه میشن؛ مثلا میتونید این کلمه رو برای classification techniques استفاده کنید یا clustering methods یا regression modeling یا association rule mining؛ اما برای یه عنوان کلی مثل داده کاوی بهتره از عبارتی مثل an introduction یا a tutorial on استفاده کنید؛

(۰۱ اسفند ۱۳۹۳ ۱۱:۳۶ ب.ظ)equilibrium نوشته شده توسط:  سلام،
مباحث داده کاوی رو معمولا به چهار بخش تقسیم میکنن:
- دسته بندی یا classification
- رگراسیون یا regression
- خوشه بندی یا clustering
- قوانین انجمنی یا association rule mining
داده کاوی (و یک سطح بالاتر اون یادگیری ماشین) برای حل مسئله هایی مناسبه که نمیشه یه الگوریتم دقیق براش ارائه داد؛ در این موارد در صورتیکه example هایی از environment اون مسئله در دسترس باشه، به کمک تکنیک های داده کاوی میشه راه حلی تقریبی ارائه داد؛ به طور مثال نمیشه الگوریتمی نوشت که شرح حال بیمار رو بگیره و بگه بیماریش چیه؟ اما میشه با جمع آوری نمونه هایی از بیماران قبلی سیستمی ساخت که با یه دقتی با دادن شرح حال مشابه از یه بیمار جدید پاسخ بده؛ این سیستم ها در دو تا فاز ساخته میشن؛ فاز اول یادگیری هست و فاز دوم تست؛ بر همین اساس اون نمونه های جمع آوری شده دو بخش میشن؛ یه بخش برای آموزش یا train سیستم به کار میاد و بخش برای سنجش دقت سیستم؛
هر کدوم از نمونه های جمع آوری شده خودشون دو بخشن: بخش اول مجموعه ای از ویژگی ها و بخش دوم برچسب؛ مثلا بیماری قبلا وجود داشته که سنش ۴۰، قدش ۱۷۰، ... بوده و بیماریش (برچسب) هپاتیت A بوده؛ حالا اگه بدونیم کل نمونه ها بیماریشون نوع A یا B یا C بوده، داده کاوی میتونه برای دسته بندی این نمونه ها بکار بره؛ اگه برچسب نمونه ها یه عدد باشه در اون صورت مسئله تبدیل میشه به رگراسیون و اگه اصلا برچسبی نداشته باشیم و نمونه ها فقط ویژگی داشته باشن مسئله میشه خوشه بندی؛
مقاله survey معمولا در خصوص یک مسئله خاص ارائه میشن؛ مثلا میتونید این کلمه رو برای classification techniques استفاده کنید یا clustering methods یا regression modeling یا association rule mining؛ اما برای یه عنوان کلی مثل داده کاوی بهتره از عبارتی مثل an introduction یا a tutorial on استفاده کنید؛

بسی سپاس توضیحات خوبی بود

آیا این میتونه مرتبط باشه مثلا؟
Traditional and recent approaches in background
modeling for foreground detection: An overview

در مورد الگوریتم ID3 میتونه کمکم کنه ؟

---

سوال اینه الگوریتم درخت تصمیم ID3 را طوری بنویسید که برای هر ورودی درخت تصمیم را رسم کنئد ؟ زبان سی یا متلب باشه ؟
کسی میتونه کمکم کنه ؟
اگر اینجا برای طرح سوال مناسب نبود لطفا خودتون توی یک گروه دیگه برام مطرح کنید
DANESHVAR256@YAHOO.COM