فیلم آموزشی تشخیص داده های پرت یا Outlier Detection در داده کاوی

تشخیص داده های پرت می تواند به عنوان یک مرحله پیش پردازش در مسیر داده کاوی، و یا مستقلا به عنوان یک عملیات داده کاوی مطرح شود. روش های متعددی برای تشخیص داده های پرت وجود دارد، که در فیلم آموزشی تشخیص داده های پرت، سعی شده است مروری کلی بر روی این موارد انجام شود و در نهایت یک مورد که کاربرد بیشتری دارد، یعنی آنالیز مبتنی بر معیار T2 مفصلا مورد بررسی واقع شده است و در محیط متلب پیاده سازی شده است. این فیلم آموزشی، که از جمله محصولات آموزشی رایگان تولید شده در متلب سایت (فرادرس) است، بخشی از یک محصول بزرگ تر، یعنی بسته طلایی فیلم های آموزشی داده کاوی یا Data Mining در متلب است. مدرس این مجموعه آموزشی بی نظیر، مهندس سیدمصطفی کلامی، دانشجوی دکترای مهندسی برق-کنترل در دانشگاه صنعتی خواجه نصیرالدین طوسی، است. برای کسب اطلاعات بیشتر، به این لینک ها مراجعه نمایید: http://matlabsite.com/mvrdm9206 http://matlabsite.com فرادرس -- متلب سایت مرجع آموزش هوش مصنوعی و برنامه نویسی

Anomaly Detection Data Mining Data Mining in MATLAB KDD Knowledge Discovery Knowledge Discovery from Data Outlier Detection آماره Q آماره T2 استخراج دانش الگوهای پرت تشخیص داده های پرت تشخیص ناسازگاری ها داده های پرت داده کاوی داده کاوی در متلب مبانی داده کاوی معیار Q معیار T2 معیار T2 برای تشخیص ناسازگاری ها معیار باقیمانده ناسازگاری ناسازگاری در داده ها کاوش دانش کشف دانش Data Mining (Technology Class)
6705لینک مرتبط آپلود سریع ویدیو ورود یا عضویت