داده کاوی با رپیدماینر (ِRapidMiner) قطعا یکی از محبوبترین و پرطرفدارترین شیوه های داده کاوی است که بدون نیاز به هیچ گونه دانش برنامه نویسی می توانید از آن استفاده کنید.
در کنار اهمیت و محبوبیت داده کاوی میان دانشجویان و شرکت های بزرگ، در طی سال های اخیر به دلیل افزایش تولید دیتا و همچنین دیتا محور شدن اکثر کسب و کارها، تحلیل داده پیشرفته (Data analytics) به یک پایه در پیشرفته شرکت ها، سازمان ها و موسسات تحقیقاتی تبدیل شده است.
افزایش رقابت میان شرکت ها، هدفمند شدن تصمیم‌گیری مدیران، کاهش هزینه های سازمانی، افزایش درآمد و در نتیجه افزایش سود در بازارهای مختلف، همگی به داده کاوی و پیاده سازی مدل‌های مبتنی بر یادگیری ماشینی وابسته اند.
حال در کنار اهمیت این تخصص، می توان از جنبه مالی نیز آن را بررسی و تحلیل کرد. هیچ متخصص داده کاوی وجود ندارد که درآمد مناسب نداشته باشد زیرا این کار به قدری لذت بخش است که سختی کار را برای متخصصان این حوزه به شدت کاهش می‌دهد. کشف الگوهای پنهان و پیش بینی احتمال، مواردی هستند که تمامی مدیران را تحت تاثیر قرار می‌دهند و متخصصان داده کاوی و یادگیری ماشین را متمایز می‌کند.
از داده کاوی در بسیاری از صنایع استفاده می‌شود: تجارت، پزشکی و دارو، بیمه و بانک، نفت و گاز، تولید کابل، تجارت الکترونیک و ….
رپیدماینر (ِRapidMiner) بی شک یکی از محبوبترین و پرطرفدارترین نرم افزارهای داده کاوی و علوم داده (Data Science) است. شما بدون هیچ گونه دانش برنامه نویسی و به صورت کاملاً لذت بخش، میتوانید:
- انواع دیتاست ها مانند اکسل، متن، CSV، SPSS، دیتای موجود در اینترت (URL) و جداول پایگاه داده رابطه‌ای مثل SQL SERVER، MYSQL، ORACLE و .. را وارد محیط کنید.
- توسط انواع Operator، توابع مختلف (ریاضی، آماری، متن، منطقی و ..) بسازید و ویژگی (متغیر( تولید کنید.
- پیش پردازش دیتا را به صورت پیشرفته انجام دهید.
- با استفاده انواع الگوریتم‌های نظارتی (رگرسیون خطی، رگرسیون لجستیک، SVM، شبکه عصبی و …) و الگوریتم‌های غیر نظارتی (کاهش ابعاد، خوشه بندی) الگوهای پنهان کشف کنید و احتمال رویدادها را پیش بینی کنید.
- مدل را ارزیابی کنید و دیتاست نهایی را با انواع فرمت خارج کنید.
در دوره قبلی داده کاوی با پایتون و داده کاوی با IBM SPSS Modeler را به شما آموزش دادیم (که لینک آنها در انتهای این توضیحات موجود می باشد.) و در این دوره آموزشی قصد داریم تا به صورت جامع به آموزش داده کاوی با Rapidminer بپردازیم. در ادامه سرفصل های این دوره آموزشی را مشاهده می کنید :
سرفصل های دوره آموزش داده‌کاوی با RapidMiner
فصل 1- شروع کار با نرم افزار Rapid Miner
معرفی دوره و مزیت های داده کاوی با رپید ماینر
دانلود و نصب نرم افزار
وارد کردن دیتاست ها
- اکسل (Excel)
- متن (Text)
- CSV
- SPSS آماری (.sav)
- صفحه سایت (URL)
اتصال پایگاه داده SQL Server به RapidMiner
تحلیل آماری و رسم نمودار
- آمار توصیفی
- تابع Aggregate (Group by)
- Pivot table
- ماتریس همبستگی
- رسم نمودار دو بعدی و سه بعدی
مشخص کردن نوع (Type) و نقش (Role) ویژگی
فصل 2- ساخت ویژگی (Attribute) و توابع
- ساخت ویژگی با توابع منطقی (Logical)
- ساخت ویژگی با توابع مقایسه‌ای و اطلاعات متنی
- ساخت ویژگی با توابع آماری
- ساخت ویژگی با توابع ریاضی
- ساخت ویژگی با مهندسی ویژگی (Feature Engineering)
فصل 3- پیش پردازش داده‌ها
پیش پردازش داده‌ها (بخش 1)
- نرمالسازی
- ساخت ویژگی ID
- نمونه گیری ساده و پیشرفته (Stratified)
- Binning (طبقه بندی دیتای کمی)
- Binning به وسیله Entropy
- فیلتر کردن رکورد (Example) و ویژگی (Attribute)
- جایگذاری مقادیر Null (خالی)
- مباحث پیشرفته‌تر در پر کردن مقدار Null
- تولید ویژگی با نیوز (Noise)
- Merge
- حذف ویژگی‌های همبسته (Corellated attributes)
- Sort
پیش پردازش داده‌ها (بخش 2)
- مدیریت مقادیر Null در ویژگی‌های کیفی به با استفاده از Map
- ایجاد اتصال (Join)
- ایجاد تجمیع (Append)
- شناسای و حذف دیتای پرت (Outlier Detection)
- زیر مجموعه (Subset)
- زیر فرآیند (Sub process)
پیش پردازش داده‌ها (بخش 3)
- کاهش ابعاد (PCA و SVD)
- FP-Growth برای قواعد انجمنی (Association Rules)
- انتخاب ویژگی (Feature Selection) -> در فصل پروژه‌ها
فصل 4- یادگیری نظارتی
- رگرسیون خطی (Linear regression) + مثال
- طبقه بندی (Classification) چیست؟
- درخت تصمیم + مثال
- رگرسیون لجستیک + مثال
- شبکه بیز (Naïve Bayes) + مثال
- KNN + مثال
- بردار حمایت ماشین (Support Vector Machine) + مثال
- شبکه عصبی (Neural Networks) + مثال
- Rule Induction + مثال
- Boosting (تکنیک Ensemble) + مثال
- Bagging (تکنیک Ensemble) + مثال
فصل 5- یادگیری غیر نظارتی
- خوشه بندی چیست؟
- خوشه بندی با K-means + مثال
- خوشه بندی سلسله مراتبی + مثال
- خوشه بندی با EM + مثال
- خوشه بندی با DBSCAN + مثال
- طبقه بندی براساس نتایج خوشه بندی + مثال
فصل 6- قواعد انجمنی (Association Rules)
- قواعد انجمنی چیست؟
- تحلیل سبد بازار (Market Basket Analysis) + مثال
فصل 7- پروژه‌های داده کاوی
- بازاریابی مستقیم بر روی دیتای کمپین بازاریابی یک بانک
- طبقه بندی بیماران سرطان خون
- رتبه بندی اعتباری مشتریان
- پیش بینی نمره نهایی دانش آموزان مدارس یک منطقه
- خوشه بندی افراد براساس تغذیه
- طبقه بندی انواع شیشه با توجه به مواد سازنده آنها
- Credit Approval (براساس اطلاعات حساب بانکی مشتریان)
- رتبه بندی اپلیکیشن های ورود به دانشکده پرستاری
- تحلیل سبد محصولات یک فروشگاه غذایی با استفاده از قواعد انجمنی
- خوشه بندی مشتریان یک بانک
- خوشه بندی دانشجویان رشته‌های مختلف یک دانشگاه
حاصل دوره
- به راحتی میتوانید انواع پروژه دانشگاهی و سازمانی داده کاوی را انجام دهید.
- به عنوان داده کاو (data miner) در شرکت‌های مختلف استخدام شوید.
توجه : نسخه حرفه ای و کرک شده نرم افزار rapidminer نیز برای دانلود و نصب در اختیارتان قرار داده شده است. پس از دانلود و نصب نرم افزار، ذر پوشه crack، فایل readme را مطالعه کنید.
لینک دیگر دوره های داده کاوی و یادگیری ماشین :
- آموزش داده کاوی و یادگیری ماشینی با IBM SPSS modeler
- آموزش داده کاوی و یادگیری ماشینی با پایتون
- آموزش متن کاوی با پایتون
- آموزش تصویر کاوی با رپیدماینر
- آموزش متن کاوی و وب کاوی با رپیدماینر
- آموزش یادگیری عمیق با پایتون
- پکیج جامع علم داده با پایتون
- پکیج جامع علم داده با رپیدماینر
- آموزش جامع مبانی و مفاهیم داده کاوی و یادگیری ماشین
توجه : با هدف یادگیری کامل و تسلط به مباحث دوره، در صورت داشتن هر گونه سؤال، راهنمایی و نیاز به توضیحات بیشتر در خصوص فرآیندها و عملگرهای آموزش، دانشجویان محترم می توانند با ارسال تیکت از طریق بخش حساب کاربری و تیکت پشتیبانی با بنده در ارتباط باشند.
فصل اول
معرفی دوره ویدئو
13:43
دانلود و نصب نرم افزار ویدئو
01:36
وارد کردن انواع دیتاست (بخش 1) ویدئو
20:29
نحوه اتصال پایگاه داده SQL Server به رپیدماینر (بخش 2) ویدئو
08:57
تحلیل آماری و رسم نمودار ویدئو
19:08
مشخص کردن نوع و نقش ویژگی (Attribute) ویدئو
10:46
فصل دوم
ساخت ویژگی با توابع منطقی (Logical) ویدئو
16:38
ساخت ویژگی با توابع مقایسه و اطلاعات متن ویدئو
15:10
ساخت ویژگی با توابع آماری ویدئو
07:42
ساخت ویژگی با توابع ریاضی ویدئو
07:23
ساخت ویژگی با مهندسی ویژگی (Feature engineering) ویدئو
12:40
فصل سوم
پیش پردازش داده‌ها (بخش 1) ویدئو
36:52
پیش پردازش داده‌ها (بخش 2) ویدئو
47:38
پیش پردازش داده‌ها (بخش 3) ویدئو
26:10
فصل چهارم
رگرسیون خطی (ساده و چندگانه) + مثال ویدئو
07:42
طبقه بندی چیست؟ ویدئو
08:03
درخت تصمیم + مثال ویدئو
15:26
رگرسیون لجستیک + مثال ویدئو
18:29
شبکه بیز (Naïve Bayes) + مثال ویدئو
05:40
KNN + مثال ویدئو
07:14
بردار حمایت ماشین (SVM) + مثال ویدئو
08:48
شبکه عصبی + مثال ویدئو
08:08
Rule Induction + مثال ویدئو
14:10
Boosting (تکنیک Ensemble) + مثال ویدئو
08:51
Bagging (تکنیک Ensemble) + مثال ویدئو
08:36
فصل پنجم
خوشه بندی چیست؟ ویدئو
06:14
خوشه بندی با K-means + مثال ویدئو
14:52
خوشه بندی سلسه مراتبی + مثال ویدئو
06:09
خوشه بندی با الگوریتم EM + مثال ویدئو
08:23
خوشه بندی با DBSCAN + مثال ویدئو
12:23
طبقه بندی با نتایج خوشه بندی + مثال ویدئو
09:52
فصل ششم
قواعد انجمنی چیست؟ ویدئو
04:39
تحلیل سبد بازار (Market Basket Analysis) + مثال ویدئو
13:37
فصل هفتم
پروژه داده کاوی 1 ویدئو
23:48
پروژه داده کاوی 2 ویدئو
13:58
پروژه داده کاوی 3 ویدئو
09:17
پروژه داده کاوی 4 ویدئو
19:15
پروژه داده کاوی 5 ویدئو
10:26
پروژه داده کاوی 6 ویدئو
06:40
پروژه داده کاوی 7 ویدئو
08:41
پروژه داده کاوی 8 ویدئو
05:19
پروژه داده کاوی 9 ویدئو
06:40
پروژه داده کاوی 10 ویدئو
16:07
پروژه داده کاوی 11 ویدئو
20:45
بیشتر بدانید (دروس اختیاری) ویدئو
01:01:26
دیتاست های پروژه - بخش اول
دیتاست های پروژه - بخش دوم
سورس پروژه‌های انجام شده
دانلود نرم افزار رپیدماینر حرفه‌ای کرک شده
متخصص علوم داده و فعال در صنعت بانک و بیمه. دارای مدرک کارشناسی آمار از دانشگاه شهید بهشتی و کارشناسی ارشد مدیریت فناوری از دانشگاه تهران
دوره های مرتبط
آشنایی با ChatGPT و نحوه عملکرد آن
ارائه شده توسط< جادی میرمیرانی
آموزش علم داده مقدماتی
ارائه شده توسط< ویده آل
آموزش هوش تجاری در اکسل
ارائه شده توسط< راضیه نوابی
آموزش جامع یادگیری عمیق با پایتون Python – کاملا پروژه محور
ارائه شده توسط< شاهین نوری
آموزش جامع متن کاوی و وب کاوی با رپیدماینر RapidMiner
ارائه شده توسط< شاهین نوری
rate_reviewامتیاز دانشجویان دوره
chat_bubble_outlineنظرات
قوانین ثبت دیدگاه
با سلام و احترام خدمت شما کاربر محترم- دیدگاه های خود را فارسی بنویسید.
- دیدگاه های نامرتبط با دوره تایید نخواهد شد.
- از درج دیدگاه های تکراری پرهیز نمایید.
- امتیاز دادن به دوره فقط مخصوص دانشجویان دوره می باشد.
برای ارسال نظر باید وارد حساب کاربری خود شده باشید.
249,500 تومان
فرصت باقیمانده تا پایان جشنواره بوی ماه مهر
متخصص علوم داده و فعال در صنعت بانک و بیمه. دارای مدرک کارشناسی آمار از دانشگاه شهید بهشتی و کارشناسی ارشد مدیریت فناوری از دانشگاه تهران
izadi1988( دانشجوی دوره )
سلام : آیا در مدل مربوط به SVM برای اندازه گیری میزان دقت می توان از عملگرperformance بعد از عملگر apply model استفاده کرد ؟
pouryamoraseli( دانشجوی دوره )
من نمیدونم واقعا چه دلیلی داره مدرس کارایی رو که اصلا نیاید طی دوره انجام بده رو میاره تو آموزش. زمان مفید این آموزش کلا ۴ ساعتم نیست مدرس هر حرفی رو که میخواد بزنه ۱ ساعت طول میده و واقعا هیچ گونه رضایتی نمیشه از این آموزش داشت. ضمن اینکه توضیحاتی که داده میشه یا ناقصه یا اصلا ارتباطي با موضوع نداره یا نصفه هست.
mahdisoli( دانشجوی دوره )
با سلام
مباحث بسیار کم عمق تدریس شده و نمی توان گفت این دوره آموزشی هستند و جنبه آشنایی داره.
رضا مظاهری( دانشجوی دوره )
با سلام
آقای شاهین نوری متاسفانه نرم افزار رپیدماینر طبق گفته های شما عمل کردم ولی اصلا نرم افزار خوب نصب نمیشه و لیبل ها درهم برهم میاد؟؟؟
دوما آموزش هاتون طوری هست مرتب باید تیکت زد و سوال پرسید برای یکی مثل من اصلا خوب نبود و نمیتونم خوب یاد بگیرم،گنگ و نا مفهوم از روی جزوه گفتین رفتید
شاهین نوری
*****با سلام خدمت کاربران محترم****** در این دوره تمرکز بر روی اموزش عملی و کار با عملگرها است و مباحث تئوری آموزش داده نشده است. در صورتی که با مبانی و مفاهیم داده کاوی و توابع مرتبط آشنا نیستید، ابتدا دوره زیر مشاهد بفرمایید و یا پکیج علم داده با رپیدماینر رو تهیه بفرمایید. https://danup.ir/courses/principles-of-data-mining-and-machine-learning/ لینک دوره پکیج علم داده با رپیدماینر https://danup.ir/courses/data-science-with-rapidminer/
شاهین نوری
با سلام خدمت کاربران محترم
زهرا اکبری( دانشجوی دوره )
سلام فایل نصب رپید ماینر مشکل داره و نصب نمیشه و خطا میده
hosein.forooghi
جناب نوری سلام
بنده در خصوص رپیدماینر سوالی داشتم که بهتون ایمیل دادم ولی متاسفانه هنوز جواب ندادید
artemis( دانشجوی دوره )
واقعا متاسفم. نه مباحث تئوری را تسلط دارید نه حتی کار با ابزار نه حتی زمان گذاشته اید قبل از ضبط فیلم از صحت مطالب همون تکه ای که میگید مطمئن بشید و یکبار تست کنید. اینکه فقط یک سری عملگر را دراگ دراپ کنید که نشد اموزش ایزار.
شاهین نوری
سلام وقت بخیر
با تشکر از کامنت شما
در صورت عدم رضایت میتونین با ارسال تیکت به پشتیبانی و با ذکر دلایل، جهت بازگشت وجه پرداختی خود اقدام بفرمایید.
با احترام
شاهین نوری
لینک دوره مباحث تئوری داده کاوی https://danup.ir/courses/principles-of-data-mining-and-machine-learning/
m.sanei( دانشجوی دوره )
من هر دو دوره اموزش جامع مبانی و مفاهیم داده کاوی و یادگیری ماشین و اموزش جامع داده کاوی با رپید ماینر را خریداری کردم
جناب نوری عزیز
تفاوت است بین فهمیدن مطالب و اموزش دادن مطالب به دیگران
نحوه ارائه صفر بود نحوه بیان مطالب صفر بود معرفی نرم افزار صفر بود
اگر واقعا برای خودت ارزش قائلی به نظرم دوره را از ابتدا و مدون با رعایت نکات اموزشی مجددا تهیه کن و قرار بده
reza keshavarzi
سلام.
وقت بخیر.
اگر بخوایم واژگان ۱متن رو کامل دربیاریم( بدون اینکه کلمات کلیدی رو بهش بدیم) وتمام واژگان فهرست بشن، بازم میشه فهرست واژگان ساخت با این نرم افزار؟
zahra عطایی( دانشجوی دوره )
سلام ممنون بابت آموزش ولی یسری کانسپت ها اصلا خوب توضیح داده نشده مثلا مباحث مربوط به Bagging و Boosting من فکر می کنم اشتباه توضیح داده شده تا جایی که من میدونم از این موارد برای استفاده ترکیبی الگوریتم ها استفاده میشه ولی آقای نوری اصلا اشاره ای به این مورد نکردن و فقط گفتن خیلی خوبه برای افزایش دقت !!!
تو مثالشونم فقط اومدن درخت تصمیم رو تو Baggingاستفاده کردن آخرم باز یکی در اومد دقت ها الان این یعنی چی؟؟؟ من دوبار از اول نگاه کردم گفتم شاید من متوجه نشدم!!!
اگه من دارم اشتباه میکنم لطفا درمورد این دو مورد من رو توجیه کنید و توضیح بدید متوجه شم چون این مورد برام خیلی مهم بود که بیشتر سردرگمم کرد!!
بهرنگ موسوی( دانشجوی دوره )
سلام
اموزش بسیار ضعیفی بود .
استاد دوره به نظر میاد خودشان مسلط به مطالب هستند ولی اصلا معلم خوبی نیستند
شاهین نوری
سلام وقت بخیر
پیشنهاد می‌شود ابتدا دوره “مبانی و مفاهیم داده کاوی و یادگیری ماشین” را مشاهده کنید (پیش نیاز نیست ولی قدرت یادگیری این تخصص را به شدت افزایش می‌دهد). در این دوره تمرکز اصلی روی مباحث و مثال‌های عملی است و سعی شده است نکات ریز و کامل مفاهیم دیتا ماینینگ به صورت اختصاصی و جداگانه ارائه شود.
با احترام
فرید ضیایی( دانشجوی دوره )
میتونم بگم از بین آموزش های موجود برای نرم افزار رپیدماینر بهترین آموزش بود
فقط پروژه های انتهایی در حد پروژه نبود و بیشتر مثال بود.
از زحمات آقای نوری بی نهایت سپاسگزارم
مهرداد احسانی( دانشجوی دوره )
دوره مناسبی بود
fatemeh golshani( دانشجوی دوره )
سلام روز شما بخیر
دیتاست تمرین هایی که گذاشتید رو لطف می کنید بزارید
مثلا اولا تمرین دیتاستbanking تو فایل ها نیست
با تشکر
شاهین نوری
سلام وقت بخیر؛
لینک دانلود تمامی دیتاست‌ها قرار داده شده است.
لطفاً فایل‌ها را مجدداً بررسی کنید.
با احترام
Sayyadi.h
با سلام
ممنون از ویدیوهاتون. جناب مهندس داده های پروژه های فصل اول نیست. لطفا دیتاست پروژه های بانک و سرطان خون و … اون یازده تا پروژه رو دوباره جداگانه تو سایت قرار بدید.
امیر منصفی( دانشجوی دوره )
با سلام و احترام
می تونم بگم شیوا ترین و کاربردی ترین آموزش پیدماینری بود که تاحالا دیده بودم.حداقل 3 4 مورد آموزش خریده بودم ولی ایم مورد واقعا عالی بود. با تشکر از آقای نوری بابت وقت و زحمتی که کشیدند برای تهیه این آموزش. و سایت خوب داناپ.
shahossieni( دانشجوی دوره )
دوره بسیار خوبی هستش
مدرس دوره بسیار دلسوز و با صبر و حوصله به سوالاتم جواب دادن بسیار سپاس گزارم
محمدی( دانشجوی دوره )
سلام و خسته نباشید میگم . آموزش های مهندس شاهین نوری واقعا بینظیر هست و بدون کم و کاستی مطالب رو ارائه دادند .
همچنین پشتیبانی عالی که داشتند به تمام سوالات بنده با صبر و حوصله و بدون کم وکاستی جواب دادند . بسیار از سایت خوبتون مخصوصا از مهندس نوری تشکر میکنم امیدوارم آموزش های دیگه ای از ایشون رو ببینیم
سپیده( دانشجوی دوره )
سلام خدمت شما عوامل دست اندرکار سایت بسیار مفید داناپ،
من آموزشهای آقای مهندس شاهین نوری رو برای انجام پایان نامه استفاده کردم، آموزشهای ایشون بسیار خوب و جامع هست، مضاف بر این سوال هایی که با ایمیل از خدمتشون داشتم رو با صبر و حوصله جواب میدن، من به نوبه ی خودم از آقای مهندس نوری به خاطر آموزش فوق العاده شون بسیار ممنونم و براشون همواره آرزوی سلامتی و موفقیت میکنم، و امیدوارم باز هم آموزشهای دیگه ای رو هم از ایشون ببینم