Submit Search
Upload
การวิเคราะห์ข้อมูลโดย Weka
•
Download as PPTX, PDF
•
0 likes
•
231 views
M
Mile Panuwat
Follow
วิเคราะห์ข้อมูลโดย WEKA
Read less
Read more
Business
Report
Share
Report
Share
1 of 26
Download now
Recommended
Present weka mile
Present weka mile
Mile Panuwat
ระบบผู้เชี่ยวชาญประเมินระดับความเสี่ยงของผู้ลงทุน (Presentation)
ระบบผู้เชี่ยวชาญประเมินระดับความเสี่ยงของผู้ลงทุน (Presentation)
Ma Pii
ระบบผู้เชี่ยวชาญประเมินระดับความเสี่ยงของผู้ลงทุน นางสาวอรณิชา จึงอร่ามวงศ์ 55102010338 B01 CP463 ARTIFICIAL INTELLIGENCE 2/2557
โครงงานWeka
โครงงานWeka
Ma Pii
โครงงานWeka นางสาวอรณิชา จึงอร่ามวงศ์ 55102010338 B01 CP463 ARTIFICIAL INTELLIGENCE 2/2557
การวิเคราะห์ข้อมูลใบเสร็จ7-eleven ด้วย Weka
การวิเคราะห์ข้อมูลใบเสร็จ7-eleven ด้วย Weka
Kannikanune
การวิเคราะห์ข้อมูลใบเสร็จ7- elevenด้วย Weka จัดทำโดย น.ส.กรรณิกา เชื้อรุ่ง สาขาวิทยาศาสตร์ คณะวิทยาศาสตร์ มหาวิทยาลัยศรีนครินทรวิโรฒ
ระบบผู้เชี่ยวชาญเพื่อการตัดสินใจเลือกพันธุ์พืชในสวนหลังบ้าน
ระบบผู้เชี่ยวชาญเพื่อการตัดสินใจเลือกพันธุ์พืชในสวนหลังบ้าน
Kannikanune
Introduction to Feature (Attribute) Selection with RapidMiner Studio 6
Introduction to Feature (Attribute) Selection with RapidMiner Studio 6
Big Data Engineering, Faculty of Engineering, Dhurakij Pundit University
This presentation describe about Feature Selection methods including Filter approach and Wrapper approach. These examples use RapidMiner Studio 6.
Introduction to Data Analytics with RapidMiner Studio 6 (ภาษาไทย)
Introduction to Data Analytics with RapidMiner Studio 6 (ภาษาไทย)
Big Data Engineering, Faculty of Engineering, Dhurakij Pundit University
ปัจจุบันเราสร้างข้อมูลขึ้นอย่างมากมายในแต่ละวัน ตัวอย่างเช่น การรับและส่ง email การติดตามข่าวสารต่างๆ บนเครือข่ายสังคมออนไลน์ (online social network) หรือ การซื้อสินค้าตามร้านค้าต่างๆ ผมรบกวนให้ท่านผู้อ่านลองจินตนาการดูนะครับว่าถ้าท่านเป็นเจ้าของร้านอาหารที่ได้รับความนิยมเป็นอย่างมากแห่งหนึ่งซึ่งในร้านที่มีจำนวน 30 โต๊ะ และถ้าในแต่ละวันมีลูกค้าเข้ามาเต็มร้านจำนวน 20 รอบ ร้านของเราจะมีข้อมูลการซื้อขายสินค้าเป็นจำนวน 600 transaction ต่อวัน และในหนึ่งเดือนเราจะมีข้อมูลจำนวนประมาณ 18,000 transaction ที่ถูกเก็บไว้ในฐานข้อมูลและหนึ่งปีจะมีจำนวน 216,000 transaction และถ้าเป็นข้อมูลของการซื้อขายในซุเปอร์มาร์เก็ตยิ่งมีจำนวนมากมายกว่านี้อีกหลายเท่า ทว่าข้อมูลที่มีมากมายเหล่านี้จะไม่ก่อให้เกิดประโยชน์เลยถ้าเราเพียงแค่เก็บไว้อย่างเดียว เพื่อให้ข้อมูลเหล่านี้มีมูลค่าเพิ่มมากขึ้นเราจึงจำเป็นต้องนำข้อมูลเหล่านี้มาทำการวิเคราะห์เพื่อดูในแง่มุมต่างๆ ในหนังสือเล่มนี้จะแสดงวิธีการนำข้อมูลการซื้อขายมาวิเคราะห์ให้เห็นเป็นตัวอย่างโดยเริ่มจากการเตรียมข้อมูลเพื่อให้การวิเคราะห์ข้อมูลทำได้ง่ายมากขึ้น หลังจากนั้นจะเป็นการนำข้อมูลการซื้อสินค้าของลูกค้าแต่ละรายมาทำการแบ่งกลุ่ม (segmentation) ซึ่งจะช่วยให้สามารถเข้่าใจพฤติกรรมการซื้อสินค้าของลูกค้าได้ดีขึ้น เพราะการจะดูรายละเอียดของลูกค้าแต่ละรายคงเป็นไปได้ยาก โดยในหนังสือเล่มนี้เราจะใช้วิธีการแบ่งกลุ่มข้อมูลการซื้อด้วยเทคนิค RFM (ย่อมาจาก Recency, Frequency และ Monetary) เพื่อจะได้เข้าใจพฤติกรรมการซื้อสินค้าของลูกค้าแต่ละกลุ่มว่ามีจำนวนครั้งในการซื้อสินค้ามากน้อยแค่ไหนและมีการใช้จ่ายมากน้อยแค่ไ
Practical Data Mining with RapidMiner Studio 7 : A Basic and Intermediate
Practical Data Mining with RapidMiner Studio 7 : A Basic and Intermediate
Big Data Engineering, Faculty of Engineering, Dhurakij Pundit University
สไลด์บางส่วนจากการอบรม Practical Data Mining รุ่นที่ 17 จัดอบรมโดยหสม. ดาต้า คิวบ์
Recommended
Present weka mile
Present weka mile
Mile Panuwat
ระบบผู้เชี่ยวชาญประเมินระดับความเสี่ยงของผู้ลงทุน (Presentation)
ระบบผู้เชี่ยวชาญประเมินระดับความเสี่ยงของผู้ลงทุน (Presentation)
Ma Pii
ระบบผู้เชี่ยวชาญประเมินระดับความเสี่ยงของผู้ลงทุน นางสาวอรณิชา จึงอร่ามวงศ์ 55102010338 B01 CP463 ARTIFICIAL INTELLIGENCE 2/2557
โครงงานWeka
โครงงานWeka
Ma Pii
โครงงานWeka นางสาวอรณิชา จึงอร่ามวงศ์ 55102010338 B01 CP463 ARTIFICIAL INTELLIGENCE 2/2557
การวิเคราะห์ข้อมูลใบเสร็จ7-eleven ด้วย Weka
การวิเคราะห์ข้อมูลใบเสร็จ7-eleven ด้วย Weka
Kannikanune
การวิเคราะห์ข้อมูลใบเสร็จ7- elevenด้วย Weka จัดทำโดย น.ส.กรรณิกา เชื้อรุ่ง สาขาวิทยาศาสตร์ คณะวิทยาศาสตร์ มหาวิทยาลัยศรีนครินทรวิโรฒ
ระบบผู้เชี่ยวชาญเพื่อการตัดสินใจเลือกพันธุ์พืชในสวนหลังบ้าน
ระบบผู้เชี่ยวชาญเพื่อการตัดสินใจเลือกพันธุ์พืชในสวนหลังบ้าน
Kannikanune
Introduction to Feature (Attribute) Selection with RapidMiner Studio 6
Introduction to Feature (Attribute) Selection with RapidMiner Studio 6
Big Data Engineering, Faculty of Engineering, Dhurakij Pundit University
This presentation describe about Feature Selection methods including Filter approach and Wrapper approach. These examples use RapidMiner Studio 6.
Introduction to Data Analytics with RapidMiner Studio 6 (ภาษาไทย)
Introduction to Data Analytics with RapidMiner Studio 6 (ภาษาไทย)
Big Data Engineering, Faculty of Engineering, Dhurakij Pundit University
ปัจจุบันเราสร้างข้อมูลขึ้นอย่างมากมายในแต่ละวัน ตัวอย่างเช่น การรับและส่ง email การติดตามข่าวสารต่างๆ บนเครือข่ายสังคมออนไลน์ (online social network) หรือ การซื้อสินค้าตามร้านค้าต่างๆ ผมรบกวนให้ท่านผู้อ่านลองจินตนาการดูนะครับว่าถ้าท่านเป็นเจ้าของร้านอาหารที่ได้รับความนิยมเป็นอย่างมากแห่งหนึ่งซึ่งในร้านที่มีจำนวน 30 โต๊ะ และถ้าในแต่ละวันมีลูกค้าเข้ามาเต็มร้านจำนวน 20 รอบ ร้านของเราจะมีข้อมูลการซื้อขายสินค้าเป็นจำนวน 600 transaction ต่อวัน และในหนึ่งเดือนเราจะมีข้อมูลจำนวนประมาณ 18,000 transaction ที่ถูกเก็บไว้ในฐานข้อมูลและหนึ่งปีจะมีจำนวน 216,000 transaction และถ้าเป็นข้อมูลของการซื้อขายในซุเปอร์มาร์เก็ตยิ่งมีจำนวนมากมายกว่านี้อีกหลายเท่า ทว่าข้อมูลที่มีมากมายเหล่านี้จะไม่ก่อให้เกิดประโยชน์เลยถ้าเราเพียงแค่เก็บไว้อย่างเดียว เพื่อให้ข้อมูลเหล่านี้มีมูลค่าเพิ่มมากขึ้นเราจึงจำเป็นต้องนำข้อมูลเหล่านี้มาทำการวิเคราะห์เพื่อดูในแง่มุมต่างๆ ในหนังสือเล่มนี้จะแสดงวิธีการนำข้อมูลการซื้อขายมาวิเคราะห์ให้เห็นเป็นตัวอย่างโดยเริ่มจากการเตรียมข้อมูลเพื่อให้การวิเคราะห์ข้อมูลทำได้ง่ายมากขึ้น หลังจากนั้นจะเป็นการนำข้อมูลการซื้อสินค้าของลูกค้าแต่ละรายมาทำการแบ่งกลุ่ม (segmentation) ซึ่งจะช่วยให้สามารถเข้่าใจพฤติกรรมการซื้อสินค้าของลูกค้าได้ดีขึ้น เพราะการจะดูรายละเอียดของลูกค้าแต่ละรายคงเป็นไปได้ยาก โดยในหนังสือเล่มนี้เราจะใช้วิธีการแบ่งกลุ่มข้อมูลการซื้อด้วยเทคนิค RFM (ย่อมาจาก Recency, Frequency และ Monetary) เพื่อจะได้เข้าใจพฤติกรรมการซื้อสินค้าของลูกค้าแต่ละกลุ่มว่ามีจำนวนครั้งในการซื้อสินค้ามากน้อยแค่ไหนและมีการใช้จ่ายมากน้อยแค่ไ
Practical Data Mining with RapidMiner Studio 7 : A Basic and Intermediate
Practical Data Mining with RapidMiner Studio 7 : A Basic and Intermediate
Big Data Engineering, Faculty of Engineering, Dhurakij Pundit University
สไลด์บางส่วนจากการอบรม Practical Data Mining รุ่นที่ 17 จัดอบรมโดยหสม. ดาต้า คิวบ์
Preprocessing with RapidMiner Studio 6
Preprocessing with RapidMiner Studio 6
Big Data Engineering, Faculty of Engineering, Dhurakij Pundit University
This content is Chapter 2 of Introduction to Business Analytics with RapidMiner Studio 6 book.
Search Twitter with RapidMiner Studio 6
Search Twitter with RapidMiner Studio 6
Big Data Engineering, Faculty of Engineering, Dhurakij Pundit University
This slide shows how to fetch data from Twitter using RapidMiner Studio 6.
Building Decision Tree model with numerical attributes
Building Decision Tree model with numerical attributes
Big Data Engineering, Faculty of Engineering, Dhurakij Pundit University
This presentation show method to build Decision Tree model with numerical attributes
Introduction to Weka: Application approach
Introduction to Weka: Application approach
Big Data Engineering, Faculty of Engineering, Dhurakij Pundit University
This presentation shows how to integrate Weka with your application.
Evaluation metrics: Precision, Recall, F-Measure, ROC
Evaluation metrics: Precision, Recall, F-Measure, ROC
Big Data Engineering, Faculty of Engineering, Dhurakij Pundit University
This slide shows classifier evaluation metrics such as Confusion matrix, Precision, Recall, F-Measure, Accuracy, ROC graph and AUC (Area Under Curve).
Introduction to Data Mining and Big Data Analytics
Introduction to Data Mining and Big Data Analytics
Big Data Engineering, Faculty of Engineering, Dhurakij Pundit University
This slides present concept of Data Mining and Big Data Analytics.
More Related Content
Viewers also liked
Preprocessing with RapidMiner Studio 6
Preprocessing with RapidMiner Studio 6
Big Data Engineering, Faculty of Engineering, Dhurakij Pundit University
This content is Chapter 2 of Introduction to Business Analytics with RapidMiner Studio 6 book.
Search Twitter with RapidMiner Studio 6
Search Twitter with RapidMiner Studio 6
Big Data Engineering, Faculty of Engineering, Dhurakij Pundit University
This slide shows how to fetch data from Twitter using RapidMiner Studio 6.
Building Decision Tree model with numerical attributes
Building Decision Tree model with numerical attributes
Big Data Engineering, Faculty of Engineering, Dhurakij Pundit University
This presentation show method to build Decision Tree model with numerical attributes
Introduction to Weka: Application approach
Introduction to Weka: Application approach
Big Data Engineering, Faculty of Engineering, Dhurakij Pundit University
This presentation shows how to integrate Weka with your application.
Evaluation metrics: Precision, Recall, F-Measure, ROC
Evaluation metrics: Precision, Recall, F-Measure, ROC
Big Data Engineering, Faculty of Engineering, Dhurakij Pundit University
This slide shows classifier evaluation metrics such as Confusion matrix, Precision, Recall, F-Measure, Accuracy, ROC graph and AUC (Area Under Curve).
Introduction to Data Mining and Big Data Analytics
Introduction to Data Mining and Big Data Analytics
Big Data Engineering, Faculty of Engineering, Dhurakij Pundit University
This slides present concept of Data Mining and Big Data Analytics.
Viewers also liked
(6)
Preprocessing with RapidMiner Studio 6
Preprocessing with RapidMiner Studio 6
Search Twitter with RapidMiner Studio 6
Search Twitter with RapidMiner Studio 6
Building Decision Tree model with numerical attributes
Building Decision Tree model with numerical attributes
Introduction to Weka: Application approach
Introduction to Weka: Application approach
Evaluation metrics: Precision, Recall, F-Measure, ROC
Evaluation metrics: Precision, Recall, F-Measure, ROC
Introduction to Data Mining and Big Data Analytics
Introduction to Data Mining and Big Data Analytics
การวิเคราะห์ข้อมูลโดย Weka
1.
การวิเคราะห์ข้อมูลโดย WEKA
2.
เปิดโปรแกรม WEKA แล้วกดที่
Explorer
3.
เปิดไฟล์.csv ของกลุ่มเพื่อวิเคราะห์
4.
ไปที่ Cluster ตรง
Choose เลือก SimpleKMeans จากนั้นกด Start
5.
Running Information
6.
แบ่ง 2 กลุ่ม
7.
แบ่ง 3 กลุ่ม
8.
แบ่ง 4 กลุ่ม
9.
แบ่ง 5 กลุ่ม
10.
แบ่ง 6 กลุ่ม
11.
แบ่ง 7 กลุ่ม
12.
แบ่ง 8 กลุ่ม
13.
แบ่ง 9 กลุ่ม
14.
แบ่ง 10 กลุ่ม แบ่ง
5 กลุ่ม
15.
แบ่ง 11 กลุ่ม
16.
แบ่ง 12 กลุ่ม
17.
แบ่ง 13 กลุ่ม
18.
แบ่ง 14 กลุ่ม
19.
แบ่ง 15 กลุ่ม
20.
แบ่ง 16 กลุ่ม
21.
แบ่ง 17 กลุ่ม
22.
แบ่ง 18 กลุ่ม
23.
แบ่ง 19 กลุ่ม
24.
แบ่ง 20 กลุ่ม
25.
Square error
26.
Associate Apriori
Download now