کتاب تند آموز رپیدماینر (RapidMiner)

محدثه کلهر

5 سال پیش

تست

تُندآموز RapidMiner

کتاب راهنمای داده‌کاوی و تحلیل اطلاعات مشتریان

شناسنامه کتاب

کتاب تندآموز Rapidminer

نویسندگان: دکتر فرشید عبدی و شقایق ابوالمکارم

آماده سازی کتاب: مرکز دانش مدیریت ارتباط با مشتری (مُدام)

مشخصات: قطع رقعی، مصور، 120 صفحه

شابک: 6-6-97949-600-978

نشر: داده های طلایی

قیمت: 97000 تومان

معرفی نویسندگان

دکتر فرشید عبدی سال‌های متمادی است که در حوزه توسعه سیستم‌های مدیریت ارتباط با مشتری و فروش به سازمان‌ها مشاوره می‌دهد و در این مسیر، بارها با موضوع بانک‌های اطلاعاتی مشتریان و تأثیر داده‌کاوی بر افزایش فروش سروکار داشته است و هدف اصلی نگارش این کتاب نیز رفع نیازهای دانشی مدیران سازمان‌ها در این حوزه می‌باشد. وی علاوه بر ارائه مشاوره و سمت استادی در دانشکده مهندسی صنایع دانشگاه آزاد اسلامی واحد تهران جنوب، با پژوهش در زمینه CRM کتاب‌ها و مقالات متعددی تألیف نموده و همچنین، مرکز دانش مدیریت ارتباط با مشتری (مدام) را بنیان نهاده است. لطفاً جهت کسب اطلاعات بیشتر، خواندن مقالات و اطلاع از دوره‌های آموزشی به سایت www.modamcrm.com مراجعه نمایید.

شقایق ابوالمکارم متخصص داده‌کاوی با بیش از پنج سال سابقه مشاوره، تدریس و پژوهش در این حوزه می‌باشد که تاکنون دوره های متعدد داده کاوی را در دانشگاه های مختلفی نظیر دانشگاه تهران، دانشگاه آزاد تهران جنوب و دانشگاه علوم و تحقیقات برگزار کرده‌ است. همچنین دورههای آموزشی متعددی به تدریس داده کاوی در مرکز دانش مدیریت ارتباط با مشتری (مُدام) پرداخته و پروژه های متعدد داده‌کاوی اطلاعات مشتریان را انجام داده است. حاصل پژوهش های ایشان در مجلات معتبر بین‌المللی از جمله Applied Soft Computing منتشر گردیده است. تحصیلات وی در رشته‌های آمار و مهندسی صنایع بوده است. لطفاً جهت کسب اطلاعات بیشتر، خواندن مقالات و اطلاع از دوره‌های آموزشی به سایت www.modamcrm.com مراجعه نمایید.

مقدمه

امروزه با پیشرفت فناوری‌های مرتبط با اطلاعات و ارتباطات، حجم عظیمی از داده‌ها در حال تولید است. یکی از ضرورت‌های موفقیت‌ کسب‌وکارها امکان بهره‌گیری از این داده‌هاست.

داده کاوی (DataMining) ابزاری است که کسب‌وکارها و صاحبان داده‌ها می‌توانند با استفاده از آن، از انبوه داده‌های در دسترس به اطلاعات کاربردی و مؤثر برسند.

داده‌کاوی کاربردهای بسیاری دارد و مدیریت ارتباط با مشتریان از جمله حوزه‌هایی است که استفاده از ابزارهای داده‌کاوی، تأثیر بسزایی بر آن خواهد گذاشت. دادهکاوی میتواند از طریق تجزیه‌وتحلیل داده های مشتریان به برقراری تعاملات شخصی با هریک از مشتریان و درنتیجه، افزایش رضایت و ایجاد روابط سودآور با مشتری منجر شود.

برای اجرای داده‌کاوی، نرم‌افزارهای مختلفی وجود دارد که نرم‌ افزار رپیدماینر (RapidMiner) از جمله معروف‌ترین ابزارهای داده‌کاوی است.

در کتاب تند آموز رپیدماینر به‌صورت خلاصه و کاربردی به موضوع داده‌کاوی با استفاده از نرم‌افزار رپیدماینر (RapidMiner) پرداخته ‌شده است.

قابلیت‌ها و ویژگی‌های نرم‌افزار رپیدماینر( RapidMiner )

بیش از ۳۰۰۰۰ سازمان از نرم‌افزار رپیدماینر (RapidMiner) استفاده می‌کنند. استفاده از این نرم‌افزار تأثیر سریع و قابل‌توجهی بر عملکرد آن‌ها داشته و منجر به افزایش درآمد و کاهش هزینه‌ها و ریسک شده است.
این نرم‌افزار محیط گرافیکی زیبا و کاربرپسندی دارد که موجب تسهیل اجرای مراحل داده‌کاوی می‌شود.
این نرم‌افزار قوی و درعین‌حال ساده است و در بسیاری از صنایع و حوزه‌ها برای تحلیل داده‌ها مورد استفاده قرار می‌گیرد.
برای داده‌کاوی با این نرم‌افزار، نیازی به دانش برنامه نویسی نیست. به همین دلیل این نرم‌افزار طرفداران زیادی دارد.
این نرم‌افزار برای افرادی که به‌تازگی قصد آموزش داده کاوی را دارند، به دلیل سادگی یادگیری بسیار مفید است.
این نرم‌افزار مجموعه مناسبی از ابزارهای اکتشاف داده‌ها، مصورسازی داده‌ها، مدل‌سازی و ارزیابی مدل را در برمی‌گیرد.
این نرم‌افزار شامل مجموعه‌ای مناسبی از ابزارها و بیش از ۱۵۰۰ اپراتور برای اجرای تمام مراحل تبدیل و تجزیه‌وتحلیل داده‌ها است.
این نرم‌افزار متن‌باز بوده و قابل توسعه است.
برای شرکت هایی با اندازه بزرگ قابل استفاده است.

خوانندگان در این کتاب با چه مباحثی آشنا خواهند شد؟

وارد کردن داده‌ها به نرم‌افزار رپیدماینر (RapidMiner) ، درک داده‌ها و مصورسازی داده‌ها
تشخیص نقاط دورافتاده، مدیریت داده‌های ازدست‌رفته و حذف رکوردهای تکراری
پیش‌پردازش هایی از قبیل یکپارچه‌سازی داده‌ها، تجمیع داده‌ها، انتخاب زیرمجموعه‌ای از ویژگی‌ها، کاهش ابعاد، نمونه‌گیری، نرمال‌سازی و گسسته‌سازی داده‌ها
نحوه مدل‌سازی با نظارت (رده بندی/ پیش‌بینی) در نرم افزار و به‌کارگیری الگوریتم های مختلف رده بندی مانند درختهای تصمیم، شبکه‎های عصبی، نیوبیز، k – نزدیک‌ترین همسایگی، رگرسیون و…
نحوه به‌کارگیری الگوریتمهای خوشه بندی مانند k-means
نحوه به‌کارگیری الگوریتم کشف قوانین انجمنی

کتاب تند آموز رپیدماینر (RapidMiner) برای شما مناسب است اگر:

ازجمله پژوهشگران و افرادی هستید که با داده‌ها سروکار دارید و در پی یادگیری روش‌های تحلیل داده‌های مشتریان هستید.
ازجمله مدیران، کارشناسان و صاحبان کسب‌وکارهایی هستید که می‌خواهید از طریق جمع‌آوری داده‌های مشتریان و تحلیل آن‌، به فروش بیشتر دست‌یابید.
ازجمله دانشجویان و فارغ‌التحصیلانی هستید که می‌خواهید با دانش روز داده‌کاوی کاربردی آشنا شوید و خود را برای یافتن شغل درزمینه‌ی دانش داده‌ها آماده ‌سازید.

مجموعه داده ها و حل تمرین های کتاب

مجموعه داده‌های مورداستفاده در این کتاب و همچنین فیلم‌های آموزشی مربوط به حل تمرین‌های کتاب، در اختیارتان قرار می گیرد

فهرست مطالب کتاب

فصل ۱: داده‌کاوی اطلاعات مشتریان

۱-۱- تعریف مدیریت ارتباط با مشتریان (CRM)

۱-۲- داده‌کاوی در مدیریت ارتباط با مشتریان

۱-۳- تعریف داده‌کاوی

۱-۴-انواع داده‌های مشتریان

۱-۵- فرآیند اجرای پروژه‌های داده‌کاوی

تمرین

فصل ۲: آشنایی با محیط نرم‌افزار

۲-۱- دانلود و نصب نرم‌افزار

۲-۲- معرفی محیط نرم‌افزار

تمرین

فصل ۳: شروع داده‌کاوی

۳-۱- دسته‌بندی اپراتورهای RapidMiner

۳-۲- بارگذاری داده‌ها در نرم‌افزار

۳-۳- تعیین نوع متغیرها در نرم‌افزار

۳-۴- تعیین نقش متغیرها در نرم‌افزار

۳-۵- درک، تشریح و مصورسازی داده‌ها

تمرین

فصل ۴: آماده‌سازی داده‌ها

۴-۱- پاکسازی داده‌ها Data Cleansing

۴-۱-۱- تشخیص داده‌های دورافتاده Outliers

۴-۱-۲- مدیریت داده‌های از دست رفته Missing Data

۴-۱-۳- حذف رکوردهای تکراری Remove Duplicate Data

۴-۲- برخی پیش‌پردازش‌های موردنیاز Data Preprocessing

۴-۲-۱- یکپارچه‌سازی داده‌ها Data integration

۴-۲-۲- تجمیع داده‌ها Aggregation

۴-۲-۳- کاهش بُعد با استفاده از روش PCA

۴-۲-۴- انتخاب زیرمجموعه‌ای از ویژگی‌ها (FSS) با استفاده از روش های فیلتری مانند information gain، gain ratio، relief، correlation، Gini Index و …

۴-۲-۵- نمونه‌گیری sampling

۴-۲-۶- نرمال‌سازی Normalization

۴-۲-۷- گسسته‌سازی Discretization

تمرین

فصل ۵: مدل‌سازی (رده‌بندی و پیش‌بینی)

۵-۱-آشنایی با تکنیک‌ها و الگوریتم‌های داده‌کاوی

۵-۲- اعتبارسنجی نتایج

۵-۳- اعتبارسنجی نتایج در نرم‌افزار با استفاده از روش های تقسیمی و Kfold

۵-۴- الگوریتم‌های رده‌بندی مانند:

KNN، Decision tree، Naive Bayes، Neural Networks، Support Vector machines، Linear and logisitc regression

۵-۵- اعمال مدل بر روی مجموعه داده آزمایشی و ارزیابی نتایج با استفاده از ماتریس اغتشاش (confusion Matrix)

۵-۶- مثال کاربردی ۱: ساخت مدل پیش بینی برای یک فروشگاه اینترنتی به منظور تشخیص این موضوع که برای یک مشتری در حال گردش در سایت آیا امکان خرید از سایت وجود دارد یا خیر؟

۵-۷- مثال کاربردی ۲: مدلسازی رویگردانی مشتریان شرکت مخابراتی

تمرین

فصل ۶: مدل‌سازی (خوشه‌بندی)

۶-۱- پیش‌پردازش داده‌ها

۶-۲- الگوریتم‌های خوشه‌بندی

۶-۳- تعیین تعداد خوشه بهینه بر اساس شاخص ارزیابی خوشه‌بندی