ΕΞΟΡΥΞΗ ΓΝΩΣΗΣ ΑΠΟ ΒΑΣΗ ΔΕΔΟΜΕΝΩΝ ΜΕ ΧΡΗΣΗ JAVA: ΤΟ ΛΟΓΙΣΜΙΚΟ WEKA

Παρουσίαση με θέμα: "ΕΞΟΡΥΞΗ ΓΝΩΣΗΣ ΑΠΟ ΒΑΣΗ ΔΕΔΟΜΕΝΩΝ ΜΕ ΧΡΗΣΗ JAVA: ΤΟ ΛΟΓΙΣΜΙΚΟ WEKA"— Μεταγράφημα παρουσίασης:

1 ΕΞΟΡΥΞΗ ΓΝΩΣΗΣ ΑΠΟ ΒΑΣΗ ΔΕΔΟΜΕΝΩΝ ΜΕ ΧΡΗΣΗ JAVA: ΤΟ ΛΟΓΙΣΜΙΚΟ WEKA
ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ ΤΩΝ: ΚΙΟΣΣΕΣ ΑΝΤΩΝΙΟΣ 2436 ΒΑΛΣΑΜΙΔΗΣ ΙΩΑΝΝΗΣ 2557 ΕΠΙΒΛΕΠΩΝ: ΠΑΡΙΣ ΜΑΣΤΟΡΟΚΩΣΤΑΣ, ΚΑΘΗΓΗΤΗΣ

2 ΕΙΣΑΓΩΓΗ Στόχος της εργασίας Τι είναι το Data Mining

3 ΜΕΛΕΤΗ ΑΝΤΙΚΕΙΜΕΝΟΥ Αξιοπιστία: Αξιολόγηση της εκπαίδευσης Ομαδοποίηση
Αξιοπιστία: Αξιολόγηση της εκπαίδευσης Ομαδοποίηση Επιλογή χαρακτηριστικών Δεδομένα

4 ΑΞΙΟΛΟΓΗΣΗ ΤΗΣ ΕΚΠΑΙΔΕΥΣΗΣ
Δύο βασικές μέθοδοι: Εκπαίδευση και έλεγχος – “Training and testing” Διασταυρωμένη επικύρωση – “Cross validation”

5 ΟΜΑΔΟΠΟΙΗΣΗ Γενικά Ιεραρχική ομαδοποίηση – “Hierarchical clustering”
Προσέγγιση από πάνω προς τα κάτω – “Top down” Προσέγγιση από κάτω προς τα πάνω – “Bottom up” Βηματική/σταδιακή ομαδοποίηση – “Incremental clustering”

6 ΕΠΙΛΟΓΗ ΧΑΡΑΚΤΗΡΙΣΤΙΚΩΝ
Επιλογή ανεξαρτήτου σχήματος – “Scheme-independent selection” Μέθοδος διήθησης/φίλτρου – “Filter method Ψάχνοντας τον χώρο τον χαρακτηριστικών Ορθή επιλογή – “Forward selection” Ανάδρομη εξάλειψη – “Backward elimination” Επιλογή στοχευμένη στο σχήμα – “Scheme-specific selection” Μέθοδος περιτυλίγματος/ενσωμάτωσης – “Wrapper method”

7 WEKA: WAIKATO ENVIRONMENT FOR KNOWLEDGE ANALYSIS
Που το βρίσκουμε – Δύο βασικές διεπαφές Explorer Experimenter Ασκήσεις εξοικείωσης

8 EXPLORER Τι είναι η διεπαφή του Explorer Βασικές λειτουργίες

9

10 EXPERIMENTER Τι είναι η διεπαφή του Experimenter Βασικές λειτουργίες

11

12 ΑΝΑΠΤΥΞΗ ΠΑΡΑΔΕΙΓΜΑΤΩΝ ΟΜΑΔΟΠΟΙΗΣΗΣ ΣΤΟ WEKA
Σχετικά με τα παραδείγματα Πηγή συνόλων δεδομένων –

13 ΠΑΡΑΔΕΙΓΜΑΤΑ Πολυδιάστατο σύνολο δεδομένων
Δύο αλγόριθμοι - “K-Means, Hierarchical” Αξιολόγηση των αποτελεσμάτων Συμπεράσματα για κάθε αλγόριθμο Μονοδιάστατο σύνολο δεδομένων Δύο αλγόριθμοι - “K-Means, Hierarchical” Αξιολόγηση των αποτελεσμάτων Συμπεράσματα για κάθε αλγόριθμο Τελικά συμπεράσματα

14 ΕΥΧΑΡΙΣΤΟΥΜΕ ΓΙΑ ΤΗΝ ΠΑΡΑΚΟΛΟΥΘΗΣΗ