فيلم آموزشي تشخيص داده هاي پرت يا Outlier Detection(فارسی)

[z.m.kh]

 [HIGHLIGHT=#f8f8f8]  بسياري از رشته هاي علمي و فني، در نهايت ما با مجموعه اي از داده ها روبرو هستيم که حجم کم يا زيادي را دارند؛ اما مهم ترين کار، به دست آوردن چنين پايگاه داده اي نيست. بلکه بايد بتوانيم، سطح بالاتري از دانش را با توجه به پايگاه داده مذکور به دست بياوريم؛ اين يعني نتيجه گيري و جمع بندي تمام تلاش هايي که براي جمع آوري آن داده ها صرف شده است. 

  دانشمندان و محققين سرشناس هر رشته علمي يا فني، در کنار عامل خلاقيت و تخصص، يک ويژگي مشترک و بسيار مهم دارند، و آن نتيجه گيري هاي مهمي است که از مشاهدات و داده هاي جمع آوري شده ارائه کرده اند. در رشته هاي مختلف علمي، نظريه هاي بسيار مهمي که با مطالعات ميداني به دست آمده اند، همگي داراي اين مولفه مشترک هستند: به دست آوردن قواعد و قوانيني که توضيحي فشرده و مفهومي از داده هاي در دسترس را ارائه مي دهند. اين عمليات، و مجموعه ديگري از کارهاي مرتبط با آن، موضوع بحث يکي از زير شاخه هاي مشترک علوم کامپيوتر و آمار، به نام داده کاوي يا Data Mining است. فرآيند کلي استخراج دانش از داده، معناي عام تري از داده کاوي را در بر دارد که به Knowledge Discovery from Data يا KDD معروف است. 

  داده هاي پرت مي تواند به عنوان يک مرحله پيش پردازش در مسير داده کاوي، و يا مستقلا به عنوان يک عمليات داده کاوي مطرح شود. روش هاي متعددي براي تشخيص داده هاي پرت وجود دارد، که در فيلم آموزشي تشخيص داده هاي پرت، سعي شده است مروري کلي بر روي اين موارد انجام شود و در نهايت يک مورد که کاربرد بيشتري دارد، يعني آناليز مبتني بر معيار T2 مفصلا مورد بررسي واقع شده است و در محيط متلب پياده سازي شده است. 

  توضيحات و فيلم آموزشي در لينک زير مي باشد:   
 
 
 [External Link Removed for Guests]