Μελέτη λογισμικού εξόρυξης δεδομένων WEKA
Φόρτωση...
Ημερομηνία
Συγγραφείς
Γίδαρη, Ερμιόνη
Τίτλος Εφημερίδας
Περιοδικό ISSN
Τίτλος τόμου
Εκδότης
Τμήμα Πληροφορικής και Τηλεπικοινωνιών
Περίληψη
Τύπος
Είδος δημοσίευσης σε συνέδριο
Είδος περιοδικού
Είδος εκπαιδευτικού υλικού
Όνομα συνεδρίου
Όνομα περιοδικού
Όνομα βιβλίου
Σειρά βιβλίου
Έκδοση βιβλίου
Συμπληρωματικός/δευτερεύων τίτλος
Περιγραφή
Στην παρούσα πτυχιακή εργασία θα ασχοληθούμε με το λογισμικό Weka. Στο πρώτο κεφάλαιο θα ορίσουμε την εξόρυξη δεδομένων, τους στόχους της, την ιστορία καθώς επίσης και τα πλεονεκτήματα και τα μειονεκτήματα του Weka. Επίσης θα αναφερθούμε σε ορισμένες εφαρμογές σε διάφορους τομείς όπως η ιατρική, η οικονομία και οι τηλεπικοινωνίες.
Στο δεύτερο κεφάλαιο θα μιλήσουμε για τις εκδόσεις του Weka και άλλα ελεύθερα λογισμικά επιχειρηματικής Ευφυΐας και εξόρυξης δεδομένων.
Στο τρίτο κεφάλαιο θα κάνουμε μία ανάλυση στο γραφικό περιβάλλον του Weka και στον τρόπο λειτουργίας του καθώς επίσης θα παρουσιάσουμε και ορισμένα από τα χαρακτηριστικά του.
Το τέταρτο κεφάλαιο θα αφορά τα βήματα εγκατάστασης ένα προς ένα αναλυτικά.
Το πέμπτο θα αφορά τους αλγόριθμους μηχανικής μάθησης όπως ο K- means , SVM και δέντρα αποφάσεων.
Στο έκτο και τελευταίο κεφάλαιο θα βρούμε ένα αρχείο .arff και θα τρέξουμε στο weka τους : K- means, SMO, J48 και θα πάρουμε τα αντίστοιχα αποτελέσματα.
In this thesis we will deal with the Weka software. In the first chapter we will define data mining, its goals, history as well as the advantages and disadvantages of Weka. We will also refer to some applications in various fields such as medicine, economy and telecommunications. In the second chapter we will talk about the versions of Weka and other free software for business Intelligence and data mining. In the third chapter we will analyze the graphical environment of Weka and its mode of operation as well as present some of its features. The fourth chapter will cover the installation steps one by one in detail. The fifth will be about machine learning algorithms such as K-means, SVM and decision trees. In the sixth and last chapter we will find an .arff file and will run it in weka for: K-means, SMO, J48 and we will get the corresponding results.
In this thesis we will deal with the Weka software. In the first chapter we will define data mining, its goals, history as well as the advantages and disadvantages of Weka. We will also refer to some applications in various fields such as medicine, economy and telecommunications. In the second chapter we will talk about the versions of Weka and other free software for business Intelligence and data mining. In the third chapter we will analyze the graphical environment of Weka and its mode of operation as well as present some of its features. The fourth chapter will cover the installation steps one by one in detail. The fifth will be about machine learning algorithms such as K-means, SVM and decision trees. In the sixth and last chapter we will find an .arff file and will run it in weka for: K-means, SMO, J48 and we will get the corresponding results.
Περιγραφή
Λέξεις-κλειδιά
Δεδομένα, Λογισμικό, WEKA
Θεματική κατηγορία
Δεδομένα - Διαχείριση - Λογισμικό
Παραπομπή
Σύνδεσμος
Γλώσσα
el
Εκδίδον τμήμα/τομέας
Τμήμα Πληροφορικής και Τηλεπικοινωνιών
Όνομα επιβλέποντος
Γλαβάς, Ευριπίδης
Εξεταστική επιτροπή
Τζάλλας, Αλέξανδρος
Λιάγκου, Βάσια
Λιάγκου, Βάσια
Γενική Περιγραφή / Σχόλια
Ίδρυμα και Σχολή/Τμήμα του υποβάλλοντος
Πανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής και Τηλεπικοινωνιών. Τμήμα Πληροφορικής και Τηλεπικοινωνιών
Πίνακας περιεχομένων
Χορηγός
Βιβλιογραφική αναφορά
Ονόματα συντελεστών
Αριθμός σελίδων
Λεπτομέρειες μαθήματος
item.page.endorsement
item.page.review
item.page.supplemented
item.page.referenced
Άδεια Creative Commons
Άδεια χρήσης της εγγραφής: Attribution-NonCommercial-NoDerivs 3.0 United States