نرم ­افزار Weka در دانشگاه Waikato واقع در نیوزلند توسعه یافته است و اسم آن از عبارت “Waikato Environment for knowledge Analysis” استخراج گشته است. همچنین Weka ، نام پرنده­ای با طبیعت جستجوگر است که پرواز نمی‏­کند و در نیوزلند، یافت می‏­شود. این سیستم به زبان جاوا نوشته شده و بر اساس لیسانس عمومی و فراگیر GNU انتشار یافته است. Weka تقریباً روی هر پلت فرمی اجرا می‏­شود و نیز تحت سیستم عامل­‏های لینوکس، ویندوز، و مکینتاش، و حتی روی یک منشی دیجیتالی شخصی ، آزمایش شده است.

از گروه پژوهشی سیمیا بیاموزید

این نرم ­افزار، یک واسط همگون برای بسیاری از الگوریتم­‏های یادگیری متفاوت، فراهم کرده است که از طریق آن روش­‏های پیش پردازش، پس از پردازش و ارزیابی نتایج طرح های یادگیری روی همه مجموعه های داده­‏ موجود، قابل اعمال است.

نرم افزار Weka، پیاده سازی الگوریتم­‏های مختلف یادگیری را فراهم می‏­کند و به آسانی می‏­توان آنها را به مجموعه های داده خود اعمال کرد.

در ادامه توضیحاتی در خصوص قسمت های مختلف این نرم افزار ذکر شده است و همچنین قابلیت های اصلی آن به صورت جزئی بررسی شده است که با مراجعه به آن ها می توانید بررسی کنید که آیا این نرم افزار به منظور اجرای پروزه شما مناسب می باشد یا خیر.

 این پکیج شامل چهار واسط کاربری متفاوت می‌باشد:

•  Explorer:در این حالت شما می‌توانید روش‌های مختلف آماده‌سازی، تبدیل و الگوریتم‌های مدلسازی بر روی داده‌ها را اجرا کنید.
• Experimenter: در این حالت فقط امکان اجرای الگوریتم‌های مختلف رده‌بندی به صورت هم‌زمان و مقایسه نتایج آن‌ها وجود دارد. تمامی شاخص‌های مورد نیاز به منظور بررسی مدل‌های رده بندی در این قسمت تعریف شده و قرار دارند و گزارشات مفصلی را از جمله آزمون T می توان در این قسمت پس از مدلسازی استخراج نمود.
• Knowledge Flow: در این قسمت یک واسط گرافیکی طراحی شده است که مانند نرم افزارهای IBM Modeler و رپیدماینر در آن می توان جریان های داده ای مختلف تولید نمود.
•  (command line interface (CLI: در این حالت امکان مدلسازی توسط کدنویسی خط به خط قرار دارد.

در وکا داده ها می توانند به فرمت های مختلف از جمله Excel، CSV و Arff باشند. اما به طور کلی این نرم افزار با داده‌ها به فرمت Arff میانه بهتری دارد.

زمینه های انجام پروژه متلب

حال شاید بخواهید با قابلیت های نرم افزار بیشتر آشنا شوید. در ادامه عملگرهای مختلف موجود در این نرم افزار تشریح شده اند.

توابع وکا:

• تبدیل متغیرهای گسسته چند مقداری به دو مقداری و تبدیل متغیرهای پیوسته به گسسته
• روش‌های نمونه گیری با جایگذاری و بدون جایگذاری و روش‌های پیشرفته تر مانند SMOTE
• گسسته سازی بدون نظارت و با نظارت
• نرمالسازی و استانداردسازی
• روش LOF (Local Outlier Factor) برای پیدا کردن نقاط دورافتاده
• روش‌های مختلف برای ادغام مقادیر مختلف متغیرهای گسسته
• جایگذاری مقادیر از دست رفته
• کاهش بعد داده ‌ها با استفاده از تحلیل اجزای اصلی (PCA) و موجک (Wavelet)
• به منظور مشاهده فهرست تمامی توابع  آماده‌سازی داده‌ها در وکا به اینجا مراجعه نمایید.

خوشه‌بندی در وکا:

• روش‌های بر پایه مرکز هندسی: kmeans
• روش‌های بر پایه چگالی: DBSCAN و OPTICS
• روش‌های سلسله مراتبی
• روش‌های برپایه توزیع احتمالی مانند EM

کشف قواعد انجمنی در وکا:

• روش Apriori
• کشف قواعد انجمنی متوالی
• روش‌های درختی مانند FP growth

معرفی نرم افزار شبیه ساز NS2

رده‌بندی معمول و جمعی در وکا:

• توابع: ماشین بردار پشتیبان (SVM) که توابع کرنل‌های مختلف را پشتیبانی می‌کند، شبکه‌های عصبی و رگرسیون لجستیک
• درخت‌های تصمیم: الگوریتم‌هایی مانند ID3 و C4.5
• KNN: روش‌های برپایه حافظه
• روش‌های بر پایه بیز: بیز ساده و شبکه بیزی
• روش‌های برپایه قاعده: جداول تصمیم و OneR (توانایی ساخت قوانین بر روی تنها یک متغیر)
• روش‌های یادگیری Bagging: Stacking، Adaboost، MultiClassClassifier  و تابع CVParameterSelection (به منظور تنظیم پارامترهای موجود در هر الگوریتم با استفاده از ده مرتبه اعتبارسنجی و استفاده از بهترین ترکیب برای ساخت بهترین مدل).
•  روش های انتخاب متغیرها (ویژگی) در این نرم‌افزار به دو دسته فیلتری و پوشاننده تقسیم بندی شده اند. از میان روش‌های فیلتری موجود می‌توان به روش‌های chi-squared، سود اطلاعاتی، شاخص جینی و روش relief اشاره نموده. همچنین در روش‌های پوشاننده نیز امکان استفاده از روش‌های رده‌بندی وجود دارد. همچنین به منظور جسجوی مجموعه متغیرهای بهینه در روش‌های پوشاننده نیز روش‌های جستجوی متفاوتی ارائه شده است که از جمله آن‌ها می‌توان به  best-first(اولین بهترین ها)، forward selection (انتخاب روبه جلو)، الگوریتم ژنتیک و الگوریتم ازدحام ذرات اشاره نمود.

در نرم افزار وکا همچنین قابلیت کار با مجموعه داده‌های بزرگ و به اصطلاح Big Data وجود دارد. در هنگام مواجه با این مسائل بهترین پیشنهاد استفاده از پکیج command-line می‌باشد. همچنین امکان نوشتن کد مستقیما در جاوا یا زبان‌های بر پایه جاوا مانند Groovy یا Jython نیز وجود دارد.

معرفی نرم افزار شبیه ساز OPNET

ویژگی های وکا:

• در بردارنده محدوده وسیعی آماده سازی داده‌ها و روش‌های انتخاب ویژگی‌ها به صورت یکپارچه.
• محدوده وسیعی از روش های رده بندی
• وجود تعداد زیادی شاخص به منظور ارزیابی روش های رده بندی
• محیط های مختلف کاری به منظور سهولت در اجرای مدلسازی های مختلف

معایب وکا:

• زمان‌بر بودن اجرای مدل‌ها به علت عدم بهینه بودن برخی از آنها (در برخی موارد زمان اجرای یک الگوریتم در این نرم افزار در مقایسه با نرم افزاری مانند IBM modeler حتی به ۵ برابر نیز می رسد)
• محدودیت در منابع آموزشی
• محدودیت در روش های خوشه بندی و قواعد انجمنی
• محدودیت شدید در مصورسازی داده ها

برای یادگیری این نرم‌افزار منابع زیادی وجود دارد. یکی از این منابع که قسمت command line و بسیاری از عملگرهای این نرم افزار را به منظور پیش پردازش داده ها و مدلسازی یطور جامع تشریح کرده است توسط  Witten و Frank نوشته شده است.

«جهت سفارش انواع پروزه های شبیه سازی به سایت رسمی گروه پژوهشی سیمیا مراجعه یا از طریق راه های ارتباطی با مدیریت گروه در ارتباط باشید.»

اطلاعات تماس:

ایمیل گروه:

simiya_ht@yahoo.com

سایت رسمی گروه:

www.simiyacn.ir

صفحه لینکداین گروه:

linkedin.com/in/zahra-aghajani-79655a16a

صفحه پارسکدرز گروه:

https://parscoders.com/resume/34397/%D8%AF%DA%A9%D8%AA%D8%B1-%D8%B2%D9%87%D8%B1%D8%A7-%D8%A2%D9%82%D8%A7%D8%AC%D8%A7%D9%86%D9%8A

صفحه کارایران گروه:

http://my.kariran.net/22502

تلگرام مدیر گروه:

https://t.me/ResearchAdvisor

کانال تلگرام گروه:

https://t.me/simiyaresearchgroup

در 24 ساعت شبانه روز می توانید با ما در ارتباط باشید از مشاوره متخصصین ما بهره مند شوید

با سفارش از طریق سایت رسمی گروه از تخفیف ویژه ما برخوردار شوید

با خیال راحت صفر تا صد پروژه خود را به ما بسپارید