TỔNG QUAN QUÁ TRÌNH KHAI PHÁ DỮ LIỆUPHÂN CỤM DỮ LIỆU VÀ THUẬT TOÁN K-MEANS GIỚI THIỆU VỀ PHẦN MỀM WEKA GOM CỤM K-MEANS SỬ DỤNG GIAO DIỆN WEKA KẾT LUẬN NỘI DUNG TRÌNH BÀY TỔNG QUAN QUÁ T
Trang 12 Hứa Phước Trường – CH1401023
3 Chu Thị Huế - CH1401004
4 Phạm Thị Thắm – CH1401019
Trang 2TỔNG QUAN QUÁ TRÌNH KHAI PHÁ DỮ LIỆU
PHÂN CỤM DỮ LIỆU VÀ THUẬT TOÁN
K-MEANS GIỚI THIỆU VỀ PHẦN MỀM WEKA
GOM CỤM K-MEANS SỬ DỤNG GIAO DIỆN
WEKA KẾT LUẬN
NỘI DUNG TRÌNH BÀY
TỔNG QUAN QUÁ TRÌNH KHAI PHÁ DỮ LIỆU
Trang 31.1 KHÁI NIỆM
Trang 41.1 KHÁI NIỆM
Data mining là quá trình tự động tìm kiếm và trích xuất các mẫu
thông tin có giá trị ẩn chứa từ tập dữ liệu lớn (Data Set) trong
thực tế
Trang 51.3 QUÁ TRÌNH KHAI PHÁ DỮ LIỆU
Trang 61.2 NHIỆM VỤ CỦA KHAI PHÁ DỮ LIỆU
Trang 71.4 CÁC PHƯƠNG PHÁP CHÍNH CHO KHAI PHÁ DỮ LIỆU
Phân lớp và dự đoán
Phân cụm và phân đoạn
Luật kết hợp (Association rules)
Trang 81.5 CÁC ỨNG DỤNG KHAI PHÁ DỮ LIỆU
Phân tích dữ liệu và hỗ trợ ra quyết định (Analysis & decition
support)
Điều trị trong y học (Medical)
Phân lớp văn bản, tóm tắt văn bản và phân lớp các trang Web
(Text mining & Web mining)
Tin sinh học (Bio-informatics), Nhận dạng
Tài chính và thị trường chứng khoán (Finance & stock market
Bảo hiểm (Insurance), giáo dục (Education),…
Trang 9TỔNG QUAN QÚA TRÌNH KHAI PHÁ DỮ LIỆU
PHÂN CỤM DỮ LIỆU VÀ THUẬT TOÁN
K-MEANS GIỚI THIỆU VỀ PHẦN MỀM WEKA
GOM CỤM K-MEANS SỬ DỤNG GIAO DIỆN
WEKA KẾT LUẬN
NỘI DUNG TRÌNH BÀY
Trang 102 PHÂN CỤM DỮ LIỆU VÀ THUẬT TOÁN
Trang 112 PHÂN CỤM DỮ LIỆU VÀ THUẬT TOÁN
Trang 122 PHÂN CỤM DỮ LIỆU VÀ THUẬT TOÁN
K-MEANS
3 Một số phương pháp phân cụm điển hình
Phân cụm phân hoạch
Phân cụm phân cấp
Phân cụm dựa trên mật độ
Phân cụm dựa trên lưới
Phân cụm dựa trên mô hình
Phân cụm có ràng buộc
2.1 TỔNG QUAN VỀ PHÂN CỤM DỮ LIỆU
Trang 132 PHÂN CỤM DỮ LIỆU VÀ THUẬT TOÁN
K-MEANS
Thuật toán phân cụm K-Means
Phân cụm phân cấp (Hierarchical Clustering)
Phân cụm theo mật độ DBSCAN
Phân cụm mô hình EM
2.2 MỘT SỐ THUẬT TOÁN PHÂN CỤM TIÊU BIỂU
Trang 142 PHÂN CỤM DỮ LIỆU VÀ THUẬT TOÁN
K-MEANS
Thuật toán phân cụm K-Means
Phân cụm phân cấp (Hierarchical Clustering)
Phân cụm theo mật độ DBSCAN
Phân cụm mô hình EM
2.2 MỘT SỐ THUẬT TOÁN PHÂN CỤM TIÊU BIỂU
Trang 152 PHÂN CỤM DỮ LIỆU VÀ THUẬT TOÁN
K-MEANS
2.3 THUẬT TOÁN GOM CỤM K-MEANS
• Determine the centroid coordinate
• Determine the distance of each object to the centroids
• Group the object based on minimum distance
Trang 162 PHÂN CỤM DỮ LIỆU VÀ THUẬT TOÁN
K-MEANS
2.3 THUẬT TOÁN GOM CỤM K-MEANS
Trang 172 PHÂN CỤM DỮ LIỆU VÀ THUẬT TOÁN
K-MEANS
2.3 THUẬT TOÁN GOM CỤM K-MEANS
Trang 182 PHÂN CỤM DỮ LIỆU VÀ THUẬT TOÁN
K-MEANS
2.3 THUẬT TOÁN GOM CỤM K-MEANS
Trang 19TỔNG QUAN QÚA TRÌNH KHAI PHÁ DỮ LIỆU
PHÂN CỤM DỮ LIỆU VÀ THUẬT TOÁN K-MEANS
GIỚI THIỆU VỀ PHẦN MỀM WEKA
GOM CỤM K-MEANS SỬ DỤNG GIAO DIỆN WEKA
KẾT LUẬN
NỘI DUNG TRÌNH BÀY
Trang 203 GIỚI THIỆU VỀ PHẦN MỀM WEKA
GIỚI THIỆU VỀ PHẦN MỀM WEKA
Waikato Enviroment for Knowledge
Analysis
Được phát triển bởi ĐH Waikato, New
Zealand
Là phần mềm mã nguồn mở viết bằng Java
và tích hợp các thuật toán máy học và khai
thác dữ liệu
Có thể tải về từ địa chỉ:
http://www.cs.Waikato.ac.nz/ml/weka/
Trang 213 GIỚI THIỆU VỀ PHẦN MỀM WEKA
WEKA – Các môi trường chính
Simple CLI : giao diện đơn giản kiểu dòng lệnh (như MS – DOS)
Explorer : môi trường cho phép sử dụng tất cả các chức năng của Weka để
khám phá dữ liệu
Experimenter: môi trường cho phép tiến hành các thí nghiệm và thực hiện các
kiểm tra thống kê giữa các mô hình học máy.
KnowledgeFlow: môi trường cho phép tương tác đồ họa kiểu kéo/thả để thiết
kế các bước của một thí nghiệm
Trang 22TỔNG QUAN QÚA TRÌNH KHAI PHÁ DỮ LIỆU
PHÂN CỤM DỮ LIỆU VÀ THUẬT TOÁN K-MEANS
GIỚI THIỆU VỀ PHẦN MỀM WEKA
GOM CỤM K-MEANS SỬ DỤNG GIAO DIỆN WEKA
KẾT LUẬN
NỘI DUNG TRÌNH BÀY
Trang 234 GOM CỤM K-MEANS SỬ DỤNG GIAO DIỆN
WEKA
Mô tả bài toán
Cả nước hầu hết các tỉnh/TP đều có diện tích sản xuất lúa nhất định
Cùng với việc sản xuất thì năng suất lúa của mỗi địa phương đem lại sẽ
khác nhau Nhằm mục đích đánh giá sự hiệu quả về sản lượng mà các địa
phương sản xuất lúa mang để có cái nhìn và kế hoạch phát triển việc sản
xuất ở mỗi địa phương.
Giải pháp gom cụm dữ liệu để giúp đánh giá về việc sản lượng lúa của
các tỉnh/ TP Qua đó có cái nhìn tổng thể và đưa ra những định hướng để phát
triển việc sản xuất cho các địa phương.
Trang 244 GOM CỤM K-MEANS SỬ DỤNG GIAO DIỆN
WEKA
DEMO
Trang 255 KẾT LUẬN
Qua đề tài này, nhóm nghiên cứu đã tìm hiểu và nắm được kiến thức về gom cụm dữ liệu và thuật toán để gom cụm dữ liệu, cơ bản hiện thực việc gom cụm dữ liệu trên phần mềm Weka.
Vì thời gian và kiến thức có hạn nên trong quá trình thực hiện báo cáo không thể tránh những thiếu sót, nhóm chúng em rất mong sự đóng góp ý kiến của Thầy và của mọi người.
Trang 265 KẾT LUẬN
TÀI LIỆU THAM KHẢO
[1] Nguyễn Thị Ngọc Diễm, Học viện Công Nghệ Bưu Chính Viễn
Thông, Luận văn Thạc sỹ, So sánh một số thuật toán phân cụm dữ liệu, 2014
[2] PGS.TS Đỗ Phúc, Đại Học CNTT TP.HCM, slide bài giảng “ Hệ
Hỗ Trợ Quyết Định”, 2015